Die Studie untersucht den Einsatz von modellfreiem Reinforcement Learning (RL), um einem Roboter die Fähigkeit zum autonomen Abkratzen von Proben in Laboren beizubringen.
Zunächst wurde eine simulierte Umgebung mit einem Franka Emika Panda-Roboter und einem Abschabewerkzeug erstellt, um zu zeigen, wie eine Abschabe-Strategie erfolgreich in der Simulation erlernt werden kann. Dabei wurden verschiedene RL-Algorithmen (TQC, SAC) mit und ohne Curriculum-Lernen verglichen.
Anschließend wurde die erlernte Strategie auf einem realen Roboter in einem Chemielabor getestet. Der Roboter konnte erfolgreich Pulver aus Glasgefäßen abkratzen, indem er vertikal entlang der Gefäßwände fuhr und dabei Kontakt zur Wand aufrechthielt.
Die Ergebnisse zeigen, dass der datengetriebene, lernbasierte Ansatz Aufgaben ermöglicht, die mit herkömmlichen Laborautomatisierungsmethoden nicht umsetzbar sind. Zukünftige Arbeiten sollen die Integration von visueller Wahrnehmung in den Lernprozess sowie den Einsatz von Zwei-Arm-Manipulation untersuchen, um den Abschabe-Prozess weiter zu beschleunigen.
To Another Language
from source content
arxiv.org
Djupare frågor