SliceIt! -- A Dual Simulator Framework for Learning Robot Food Slicing

这项研究关注的是让机器人能够自主地、安全地学习食品切割任务，以便于在家庭环境中减轻日常家务负担。特别是在处理厨房刀具等危险工具时，这些机器人必须在共享的人类环境中巧妙而安全地执行任务。我们的目标是通过采用顺应性控制，使协作机器人或工业机器人臂能够适应不同的材料特性，执行食品切割任务。我们使用强化学习（RL）来训练机器人顺应性地操作刀具，减少食物和切割板所施加的接触力。然而，在现实世界中训练机器人可能效率低下、危险，并导致大量食物浪费。因此，我们提出了SliceIt!框架，以在模拟中安全高效地学习机器人切割食品的任务。我们的框架包括收集一些真实的食品切割数据，校准我们的双重模拟环境（高保真切割模拟器和机器人模拟器），在校准的模拟环境中学习顺应性控制策略，最后将策略部署到真实机器人上，采用真实-模拟-真实的方法。

让机器人能够在共享的人类环境中安全地进行食品切割任务

使用强化学习（RL）在仿真环境中训练机器人进行刀具的柔性控制，以适应不同的材料特性，然后将这些策略部署到真实机器人上

论文提出了SliceIt！框架，用于在仿真环境中安全高效地学习机器人食品切割任务，实验设计详细，使用了双重仿真环境，其中包括一个高保真切割模拟器和一个机器人仿真器，该框架可以减少在真实环境中训练机器人的风险和食物浪费，开源代码可用

相关研究包括基于机器学习的机器人操作、强化学习在机器人操作中的应用、以及仿真环境在机器人学习中的作用等。其中一些论文包括《Reinforcement Learning for Robotics: A Survey》、《Deep Reinforcement Learning in Robotics: A Survey》和《Sim-to-Real: Learning Agile Locomotion For Quadruped Robots》