저자들은 REGRIND을 제시했습니다. 이는 단일 인간 시연에서 정교한 조작 정책을 학습하는 최소주의적 리타게팅 유도 강화 학습 파이프라인입니다. 이 방법은 공간 및 접촉 관계를 보존하면서 인간의 손-물체 움직임을 로봇 참조로 리타게팅한 다음, 시뮬레이션에서 잔여 RL 정책을 훈련하여 물체 중심 키포인트를 추적합니다.
- 손과 물체의 공간적 및 접촉 관계를 보존하기 위해 인간 움직임을 리타게팅합니다.
- 참조를 따라 물체 중심 키포인트를 추적하기 위해 잔여 RL 정책을 훈련합니다.
- 신중한 시스템 식별을 사용하여 제로샷으로 하드웨어에 정책을 이전합니다.
2개의 다지 손가락 로봇에서 가위 작동 및 드라이버 돌리기와 같은 도구 사용 작업에 대해 유려하고 인간적인 행동을 시연했습니다.
이 연구는 접촉이 풍부한 환경에서의 sim-to-real 전이를 지배하는 주요 요인을 식별하며, 리타게팅 기반 학습을 위한 실용적인 지침을 제공합니다.