Learning Variable Compliance Control From a Few Demonstrations for Bimanual Robot with Haptic Feedback Teleoperation System

使用刚性机器人自动化灵巧、接触丰富的操作任务是机器人技术面临的重大挑战。刚性机器人通过位置指令进行驱动，面临过多接触力的问题，由于无法适应与环境的接触，可能会导致损坏。虽然引入了合规控制方案通过外部传感器控制力以减轻这些问题，但需要对特定任务的控制器参数进行精细调整，受到限制。演示学习（LfD）提供了一种直观的替代方案，允许机器人通过观察动作来学习操作。在这项工作中，我们介绍了一种新的系统，以增强对刚性机器人进行灵巧、接触丰富的操作的教学。我们的系统是双重的：首先，它包括一个利用虚拟现实（VR）控制器的远程操作界面，旨在提供一种直观和经济有效的任务演示方法，带有触觉反馈。其次，我们介绍了Comp-ACT（通过变换器进行动作分块的合规控制），这种方法利用演示来从少量演示中学习可变合规控制。我们的方法已在模拟和真实环境中使用单臂和双臂机器人设置验证了各种复杂的接触丰富的操作任务，证明了我们的系统在教授机器人灵巧操作方面具有增强的适应性和安全性的有效性。

如何通过学习演示来提高刚性机器人的灵活性和安全性，解决刚性机器人在接触丰富的操作中的问题？

通过虚拟现实控制器提供的直观的、经济的任务演示方法，以及利用演示来学习可变刚度控制的方法，提高刚性机器人的适应性和安全性

论文提出了一个包含虚拟现实控制器的系统，用于提供直观的、经济的任务演示方法，并提出了一种名为Comp-ACT的方法，通过学习演示来学习可变刚度控制的方法。实验在单臂和双臂机器人设置中进行，验证了该系统在教授机器人灵巧操作方面的有效性和适应性。

最近的相关研究包括使用深度学习方法进行机器人操作的自主学习，以及使用增强学习方法进行机器人操作的学习。