OpenArm: 学習ベースの操作のためのデータ中心のロボット プラットフォーム

OpenArm はロボット操作プラットフォームとしてだけでなく、 データネイティブシステム 学習ベースのロボット工学向け。 決定論的な産業オートメーション向けに最適化された従来のロボット アームとは異なり、OpenArm は模倣学習、強化学習、シミュレーションからリアルへの転送、および大規模な実世界のデータ収集の要件を中心に設計されています。

システムの位置付け

システムは、物理的なタスクの実行と並行して、データを第一級の出力として扱います。 学習ベースのロボティクスには、根本的に異なる要件が課せられます。さまざまな条件下での繰り返しの実行、探索中や失敗時の安全な相互作用、高周波で同期したセンシングと制御、再現可能な軌道、シミュレーションと現実世界の実行間の緊密な結合です。

データ品質のためのハードウェア設計

8-DOF の擬人化構造により、模倣学習のための人間のような冗長性、人間のデモンストレーションからロボットの動作への自然なマッピング、およびポリシーの複雑さの軽減が可能になります。 関節レベルの作動は、コンプライアンスとバックドライブ可能性を優先します。これは、人間参加型の安全なデモンストレーションや接触が多い操作タスクに不可欠です。

データキャプチャアーキテクチャ

OpenArm は、関節の状態、制御コマンド、エンドエフェクターの状態、外部センサー (視覚、触覚、力、IMU) の同期キャプチャをサポートしています。 すべてのデータ ストリームにはタイムスタンプが付けられ、制御ループ レベルで調整されます。 データは、明確なタスクの初期化、アクションの実行、接触イベント、および終了を含むエピソードに編成され、RL のロールアウトと模倣学習の軌跡に直接マッピングされます。

データとしての失敗

OpenArm は、成功だけでなく、失敗した試行も安全に記録するように設計されています。 失敗の軌跡 (滑り、把握ミス、衝突、回復の試み) は、堅牢なポリシーの学習と一般化にとって重要な第一級のデータです。

シミュレーションと実際の調整

MuJoCo と Isaac Sim のキャリブレーションされたモデルは、運動学、ダイナミクス、作動限界を反映しています。 シミュレーションと現実世界のデータは同一の状態定義と一貫したアクション空間を共有するため、混合ドメインのトレーニングと相互検証が可能になります。