AnyRotate: Gravity-Invariant In-Hand Object Rotation with Sim-to-Real Touch

人类手在不同手部动作的情况下能够进行手中操纵。对于机器人手而言，利用丰富的触觉信息实现这种灵活性仍然是一个重大挑战。本文介绍了AnyRotate系统，它利用密集的特征模拟真实触觉来实现重力无关的多轴手中物体旋转。我们通过在模拟中训练密集触觉策略，并提出了一种丰富的触觉感知的模拟到真实的方法，实现了零-shot策略转移。我们的方法允许训练一个统一的策略，以在任何手部方向上围绕任意旋转轴旋转未知物体。在实验中，我们强调了捕捉具有不同特性的物体时获取详细的接触信息的好处。有趣的是，尽管没有明确的滑动检测，但我们发现丰富的多指触觉感知可以隐式地检测到握持中的物体运动，并提供一种反应性行为，从而提高了策略的鲁棒性。该项目的网站可在https://maxyang27896.github.io/anyrotate/上找到。

本论文旨在解决机器人手在进行多轴向物体旋转时难以利用丰富的触觉信息的问题。

本论文提出了一种基于密集特征模拟到真实触觉的系统，通过训练一个密集触觉策略来实现零样本策略转移，从而在任何手部方向上对未见过的物体进行任意旋转。

本论文的亮点在于提出了一种新的方法来解决机器人手在进行多轴向物体旋转时难以利用丰富的触觉信息的问题。同时，本论文的实验设计合理，使用了开源数据集和代码，并且发现了即使没有显式滑动检测，丰富的多指触觉传感器也可以隐式检测到握持中的物体运动并提供一种反应性行为，从而提高策略的鲁棒性。

最近的相关研究包括：《Tactile Object Recognition》、《Tactile-based Object Localization in Cluttered Environments Using Deep Learning》、《Learning Tactile Sensing for Robotic Grasping and Manipulation》等。