Sim-to-Real Transfer of Robotic Assembly with Visual Inputs Using CycleGAN and Force Control

最近，深度强化学习 (RL) 在机器人操作应用中显示出一些令人印象深刻的成功。然而，由于样本效率和安全性问题，现实世界中的训练机器人并非易事。提出了 Simto-real 传输来解决上述问题，但引入了一个新的问题，称为现实差距。在这项工作中，我们引入了一个用于基于视觉的组装任务的模拟到真实的学习框架，并通过使用单个相机的输入在模拟环境中进行训练来解决上述问题。提出了一种基于周期一致生成对抗网络(CycleGAN)和力控制转移方法的域适应方法来弥合现实差距。我们证明了在模拟环境中训练的所提出的框架可以成功地转移到真正的钉孔设置中