elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Dextrous Tactile In-Hand Manipulation Using a Modular Reinforcement Learning Architecture

Pitz, Johannes und Röstel, Lennart und Sievers, Leon und Bäuml, Berthold (2023) Dextrous Tactile In-Hand Manipulation Using a Modular Reinforcement Learning Architecture. In: 2023 IEEE International Conference on Robotics and Automation, ICRA 2023, Seiten 1852-1858. IEEE. International Conference on Robotics and Automation, 2023-05-29 - 2023-06-03, London, UK. doi: 10.1109/ICRA48891.2023.10160756. ISBN 979-835032365-8. ISSN 1050-4729.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://ieeexplore.ieee.org/document/10160756

Kurzfassung

Dextrous in-hand manipulation with a multi-fingered robotic hand is a challenging task, esp. when performed with the hand oriented upside down, demanding permanent force-closure, and when no external sensors are used. For the task of reorienting an object to a given goal orientation (vs. infinitely spinning it around an axis), the lack of external sensors is an additional fundamental challenge as the state of the object has to be estimated all the time, e.g., to detect when the goal is reached. In this paper, we show that the task of reorienting a cube to any of the 24 possible goal orientations in a Pi/2-raster using the torque-controlled DLR-Hand II is possible. The task is learned in simulation using a modular deep reinforcement learning architecture: the actual policy has only a small observation time window of 0.5s but gets the cube state as an explicit input which is estimated via a deep differentiable particle filter trained on data generated by running the policy. In simulation, we reach a success rate of 92% while applying significant domain randomization. Via zero-shot Sim2Real-transfer on the real robotic system, all 24 goal orientations can be reached with a high success rate.

elib-URL des Eintrags:https://elib.dlr.de/195400/
Dokumentart:Konferenzbeitrag (Poster)
Zusätzliche Informationen:https://arxiv.org/abs/2303.04705
Titel:Dextrous Tactile In-Hand Manipulation Using a Modular Reinforcement Learning Architecture
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Pitz, JohannesJohannes.Pitz (at) dlr.dehttps://orcid.org/0000-0002-2629-1892NICHT SPEZIFIZIERT
Röstel, LennartLennart.Roestel (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Sievers, LeonLeon.Sievers (at) dlr.dehttps://orcid.org/0000-0001-6430-4618NICHT SPEZIFIZIERT
Bäuml, BertholdBerthold.Baeuml (at) dlr.dehttps://orcid.org/0000-0002-4545-4765NICHT SPEZIFIZIERT
Datum:Juni 2023
Erschienen in:2023 IEEE International Conference on Robotics and Automation, ICRA 2023
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/ICRA48891.2023.10160756
Seitenbereich:Seiten 1852-1858
Verlag:IEEE
ISSN:1050-4729
ISBN:979-835032365-8
Status:veröffentlicht
Stichwörter:In-Hand Manipulation, Deep Reinforcement Learning
Veranstaltungstitel:International Conference on Robotics and Automation
Veranstaltungsort:London, UK
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:29 Mai 2023
Veranstaltungsende:3 Juni 2023
Veranstalter :IEEE
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Robotik
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R RO - Robotik
DLR - Teilgebiet (Projekt, Vorhaben):R - Autonome, lernende Roboter [RO]
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Robotik und Mechatronik (ab 2013)
Hinterlegt von: Pitz, Johannes
Hinterlegt am:21 Sep 2023 10:32
Letzte Änderung:24 Apr 2024 20:55

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.