Find the Fruit: Designing a Zero-Shot Sim2Real Deep RL Planner for Occlusion Aware Plant Manipulation
Created by
Haebom
저자
Nitesh Subedi, Hsin-Jung Yang, Devesh K. Jha, Soumik Sarkar
개요
본 논문은 잡초가 많은 환경에서의 폐색 인식 로봇 조작을 위한 엔드투엔드 심층 강화 학습(RL) 프레임워크를 제시한다. 이 방법은 다중 모달 관측을 사용하여 로봇이 변형 가능한 식물과 상호 작용하여 과일과 같은 관심 있는 숨겨진 물체를 드러낼 수 있도록 한다. 훈련된 정책의 제로샷 시뮬레이션-실제 전이를 단순화하기 위해 운동 계획 문제를 로봇 제어에서 분리한다. 실험 결과는 다양한 초기 조건에서 실제 시험에서 훈련된 정책이 최대 86.7%의 성공률을 달성함을 보여준다. 이러한 결과는 모든 식물 시나리오에 대해 명시적으로 설계된 기하학적 및 동적 모델 없이 복잡한 잎 식물과 지능적으로 상호 작용하여 어려운 폐색 시나리오에서 "과일을 찾는" 자율적인 인식 기반 농업 로봇으로 향하는 길을 열어준다.
시사점, 한계점
•
시사점:
◦
복잡한 식물 환경에서 폐색된 물체 조작을 위한 효과적인 엔드투엔드 심층 강화학습 프레임워크 제시.
