OpenArm : une plate-forme robotique centrée sur les données pour la manipulation basée sur l'apprentissage

OpenArm est conçu non seulement comme une plateforme de manipulation robotique, mais aussi comme un système natif de données pour la robotique basée sur l'apprentissage. Contrairement aux bras robotiques traditionnels optimisés pour l'automatisation industrielle déterministe, OpenArm est conçu autour des exigences de l'apprentissage par imitation, de l'apprentissage par renforcement, du transfert de la simulation vers le réel et de la collecte de données réelles à grande échelle.

Positionnement du système

Le système traite les données comme un résultat de premier ordre, parallèlement à l'exécution physique des tâches. La robotique basée sur l'apprentissage impose des exigences fondamentalement différentes : exécution répétée dans des conditions variées, interaction sûre pendant l'exploration et l'échec, détection et contrôle synchronisés à haute fréquence, trajectoires reproductibles et couplage étroit entre simulation et exécution réelle.

Conception matérielle pour la qualité des données

La structure anthropomorphique à 8 DOF permet une redondance semblable à celle d'un humain pour l'apprentissage par imitation, une cartographie naturelle des démonstrations humaines aux actions du robot et une complexité politique réduite. L'actionnement au niveau des articulations donne la priorité à la conformité et à la rétroconduite, ce qui est essentiel pour les démonstrations sécurisées avec un humain dans la boucle et les tâches de manipulation riches en contacts.

Architecture de capture de données

OpenArm prend en charge la capture synchronisée des états articulaires, des commandes de contrôle, des états des effecteurs finaux et des capteurs externes (vision, tactile, force, IMU). Tous les flux de données sont horodatés et alignés au niveau de la boucle de contrôle. Les données sont organisées en épisodes avec une initialisation claire des tâches, l'exécution des actions, les événements de contact et la fin, directement mappées aux déploiements RL et aux trajectoires d'apprentissage d'imitation.

Échec en tant que données

OpenArm est conçu pour enregistrer en toute sécurité les tentatives infructueuses, et pas seulement les réussites. Les trajectoires d’échec (dérapage, mauvaise saisie, collision, tentatives de récupération) sont des données de première classe essentielles à un apprentissage et une généralisation solides des politiques.

Alignement de la simulation au réel

Les modèles calibrés dans MuJoCo et Isaac Sim reflètent la cinématique, la dynamique et les limites d'actionnement. Les données de simulation et du monde réel partagent des définitions d'état identiques et des espaces d'action cohérents, permettant une formation dans des domaines mixtes et une validation croisée.