【标题】Towards Human-Level Bimanual Dexterous Manipulation with Reinforcement Learning

【作者团队】Yuanpei Chen, Yaodong Yang, Tianhao Wu, Shengjie Wang, Xidong Feng, Jiechuang Jiang, Stephen Marcus McAleer, Hao Dong, Zongqing Lu, Song-Chun Zhu

【发表日期】2022.6.17

【论文链接】https://arxiv.org/pdf/2206.08686.pdf

【Demo链接】 https://github.com/PKU-MARL/DexterousHands

【推荐理由】实现人类水平的灵巧性是机器人学中一个重要的开放性问题。本文提出了双手灵巧手基准测试（Bi-Dexthands），一个模拟器，包括两个灵巧手和数十个双手操作任务和数千个目标对象。据研究，双手任务的设计是为了匹配不同水平的人类运动技能。本文在 Issac Gym 建造了 Bi-DexHands；这可以实现高效的RL训练，仅使用一台NVIDIA RTX 3090即可达到30000多帧/秒。我们为不同设置下流行的RL算法提供了一个全面的基准；这包括单/多智能体RL、离线RL、多任务RL和元RL。研究结果表明，PPO类型的策略算法可以掌握相当于48个月大人类婴儿的简单操作任务（例如，捕捉飞行物体、打开瓶子），而多智能体RL可以进一步帮助掌握需要熟练双手合作的操作（例如，提壶、堆叠积木）。尽管在每项任务上都取得了成功，但当涉及到获得多种操作技能时，现有的RL算法在大多数多任务和少数快照学习环境中都无法工作，这需要RL社区进行更实质性的发展。

内容中包含的图片若涉及版权问题，请及时与我们联系删除