Learning target-driven robotic manipulation in constrained clutter
Doelgerichte robotmanipulatie in een rommelige omgeving
Robotmanipulatie stelt robots in staat om te interageren met hun fysieke omgeving en objecten te verplaatsen of te manipuleren. Hoewel moderne robots goed presteren in gestructureerde industriële omgevingen, blijft robuuste manipulatie in beperkte en rommelige omgevingen een grote uitdaging. In dergelijke situaties moeten robots omgaan met complexe objectinteracties, contactdynamica en beperkte werkruimte, terwijl ze nauwkeurige bewegingen uitvoeren.
In zijn proefschrift onderzoekt Yongliang Wang leer-gebaseerde methoden voor doelgerichte robotmanipulatie in beperkte en geclutterde omgevingen. Het onderzoek richt zich op het verbeteren van de efficiëntie, robuustheid en generalisatie van manipulatiesystemen door middel van reinforcement learning, deep reinforcement learning en diffusie-gebaseerde beleidsmodellen.
Ten eerste ontwikkelt Wang een reinforcement learning-raamwerk voor efficiënte trajectplanning van robotmanipulatoren. Door visuele taakruimteplanning te combineren met een reinforcement learning-controller in de gewrichtsruimte kan het systeem obstakels vermijden en reactieve bewegingen genereren in complexe omgevingen. Ten tweede stelt Wang verschillende deep reinforcement learning-methoden voor, voor manipulatiescenario’s waarin direct grijpen moeilijk of onmogelijk is. Deze omvatten strategieën voor push-grasp coördinatie in dicht geclutterde omgevingen en dual-arm samenwerking voor het manipuleren van grote objecten die niet door één robotarm kunnen worden gehanteerd. Tot slot onderzoekt Wang diffusie-gebaseerde beleidsmodellen voor generaliseerbare manipulatie. Met scheppen als representatieve contactrijke taak ontwikkelt hij een simulatiegedreven leerraamwerk en dataset waarmee manipulatiestrategieën kunnen generaliseren naar nieuwe objecten en omgevingen.
Samen dragen deze bijdragen bij aan de ontwikkeling van intelligente robots die betrouwbaar kunnen manipuleren in complexe en rommelige real-world omgevingen.
Yongliang Wang voerde zijn onderzoek uit bij het Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, met financiering van het Chinese Scholarship Council. Hij vervolgt zijn loopbaan als assistant professor bij de Chinese Academy of Sciences.