Los autores presentan REGRIND, una canalización de aprendizaje por refuerzo guiada por retargeting que es minimalista y aprende políticas de manipulación diestra a partir de una única demostración humana. El método reorienta el movimiento humano del objeto al robot preservando las relaciones espaciales y de contacto, luego entrena una política residual de RL en simulación para rastrear puntos clave centrados en el objeto.
- Reorienta el movimiento humano para preservar las relaciones espaciales y de contacto entre la mano y el objeto.
- Entrena una política residual de RL para rastrear puntos clave centrados en el objeto a lo largo de la referencia.
- Transfiere políticas zero-shot al hardware mediante una identificación cuidadosa del sistema.
- Demuestra un comportamiento fluido y similar al humano en dos manos multifinger para tareas de uso de herramientas como operar tijeras y girar un destornillador.
El trabajo identifica los factores clave que rigen la transferencia de sim-to-real en entornos ricos en contacto, ofreciendo orientación práctica para el aprendizaje basado en retargeting.