Enhancing Robotic Grasping of Free-Floating Targets with Soft Actor-Critic Algorithm and Tactile Sensors: a Focus on the Pre-Grasp Stage
Notice bibliographique
Résumé
Capturing space debris forms the foundation for both on-orbit servicing and the removal of space debris. The challenge in this process arises from the absence of stable anchoring points and the unpredictability of motion parameters, rendering conventional spacecraft manipulator techniques unsuitable for space debris capture. In this research, we have created a method rooted in deep reinforcement learning to tackle the intricate challenge of robotic gripping, informed by tactile sensor data. Rather than manually crafting features, deep learning affords us the ability to simplify the task, fostering a learning environment for the robot to adapt grasping strategies through a process of experimentation. Our procedure implements an off-policy reinforcement learning architecture, utilizing the advanced algorithms to optimize the robotic gripper's capacity to handle objects not fixed in space, focusing on enhancing the fine grasp success rate. To efficiently master the gripping task, we have formulated a distinct reward function that delivers precise and meaningful feedback to the learning agent. Our system is trained completely within a simulated setting provided by the PyBullet environment, eliminating the need for demonstrations or pre-existing task knowledge. For this study, we examine a scenario where a Robotiq 3-Finger gripper is required to navigate toward a floating object, pursue it, and ultimately secure it. By conducting agent training within a simulated environment, we can test a variety of situations and conditions, equipping the agent with a resilient and adaptable gripping policy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».