Online-iteratives Lernen zur verbesserten Sim-to-Real-Übertragung für effiziente Manipulation deformierbarer Objekte

Zusammenfassung Die Manipulation deformierbarer Objekte hat im Bereich der Robotik, insbesondere in medizinischen Anwendungen, viel Aufmerksamkeit erlangt. Die Handhabung deformierbarer Objekte steht jedoch vor verschiedenen Herausforderungen, hauptsächlich bedingt durch ihre komplexen dynamischen Eigenschaften und unvorhersehbaren nichtlinearen Verformungen. Ohne effektive Kontrollmethoden, die eine intelligente und präzise Positionssteuerung ermöglichen, ist es schwierig, eine Grundlage für Messungen deformierbarer Objekte zu schaffen. Diese Forschung liefert auch eine Voraussetzung für solche Messungen. Zur Lösung dieser Probleme schlägt dieses Papier eine online iterative Wahrnehmungspolitik (IPP) vor, die kein groß angelegtes Training tiefer Netzwerke erfordert. Diese Methode kann Transformationen durch einen iterativen Prozess wahrnehmen und eine effiziente sowie genaue Steuerung deformierbarer Objekte erreichen. Umfangreiche Experimente in Simulationsumgebungen und realen Szenarien werden durchgeführt, um die Effektivität und Überlegenheit der vorgeschlagenen Methode zu validieren und sie mit fortschrittlichen Algorithmen (linear-quadratischer Regler (LQR), Sliding Mode Control (SMC), Model Predictive Control (MPC) und heuristisch) zu vergleichen. Die Ergebnisse zeigen, dass IPP anderen Ansätzen hinsichtlich Konvergenz, Stabilität, Robustheit und Flexibilität in sowohl Simulation als auch realen Umgebungen überlegen ist, unabhängig von Textileigenschaften oder Anfangsbedingungen.