コンポジットロボット組立スキル適応のための学習ベース戦略

要旨: 接触の豊富なロボット技能は、特に位置制御型マニピュレータを用いる場合に、幾何学的な許容差が厳しいこと、摩擦のばらつき、そして不確実な接触ダイナミクスのために、産業用ロボットにとって依然として困難です。本論文は、ペグインホール（差し込み）組立のための、再利用可能でカプセル化された技能ベースの戦略を提示します。この適応は、残差強化学習（Residual Reinforcement Learning: RRL）によって達成されます。組立プロセスは、明示的な事前・事後・不変条件を伴う複合技能として表現されており、タスクの変動にまたがるモジュール性、再利用性、そして明確に定義された実行セマンティクスを可能にします。提案手法では、各技能内での適応を、接触が豊富な相互作用の中で残差による微調整に制限することで、RRLによって安全性とサンプル効率が促進されます。一方で、技能構造全体と実行の流れは不変のまま維持されます。提案アプローチは、Robotiqグリッパを搭載したUR5eロボットで、SACおよびJAXを用いて訓練したMuJoCoシミュレーションにおいて評価されます。その結果、提案した定式化により、組立技能の頑健な実行が可能になることが示され、産業オートメーションへの適合性が強調されます。