저자들은 단일 인간 시연에서 정교한 조작 정책을 학습하는 최소한의 리타게팅 유도 강화 학습 파이프라인인 REGRIND을 제시합니다. 이 방법은 공간적 및 접촉 관계를 보존하면서 인간의 손-물체 움직임을 로봇 참조로 리타게팅한 후, 객체 중심 키포인트를 추적하기 위해 시뮬레이션에서 잔차 RL 정책을 훈련합니다.
- REGRIND은 신중한 시스템 식별을 통해 결과 정책을 제로샷으로 하드웨어에 전달합니다.
- 정책은 접촉이 풍부한 도구 사용 작업에서 두 가지 다른 다지 손가락 로봇팔에서 유동적이고 인간적인 행동을 생성합니다.
- 이 연구에는 가위 작동 및 드라이버 돌리기 작업이 포함되며, 시뮬레이션에서 실제 환경으로의 전이 요인을 분석하는 체계적인 하드웨어 실험이 수행되었습니다.
저자들은 접촉이 풍부한 설정에서 리타게팅 기반 학습을 위한 실용적인 지침을 제공하며, 성공적인 시뮬레이션에서 실제 환경으로의 전이를 지배하는 주요 요인을 식별합니다.