OpenArm: роботизированная платформа, ориентированная на данные, для манипулирования на основе обучения

OpenArm разработан не только как платформа для роботизированных манипуляций, но и как собственная система данных для обучающей робототехники. В отличие от традиционных роботизированных манипуляторов, оптимизированных для детерминированной промышленной автоматизации, OpenArm спроектирован с учетом требований имитационного обучения, обучения с подкреплением, перевода сим-модели в реальность и крупномасштабного сбора реальных данных.

Позиционирование системы

Система рассматривает данные как первоклассный результат наряду с физическим выполнением задач. Робототехника, основанная на обучении, предъявляет принципиально иные требования: многократное выполнение в различных условиях, безопасное взаимодействие во время исследования и отказа, высокочастотное синхронизированное зондирование и управление, воспроизводимые траектории и тесная связь между моделированием и реальным выполнением.

Проектирование оборудования для обеспечения качества данных

Антропоморфная структура с 8 степенями свободы обеспечивает человеческую избыточность для имитационного обучения, естественного сопоставления человеческих демонстраций с действиями роботов и снижения сложности политики. При срабатывании на уровне суставов приоритет отдается соблюдению требований и возможности обратного движения, что имеет решающее значение для безопасных демонстраций с участием человека и задач манипулирования, насыщенных контактами.

Архитектура сбора данных

OpenArm поддерживает синхронизированный захват состояний суставов, команд управления, состояний рабочих органов и внешних датчиков (зрения, тактильных, силовых, IMU). Все потоки данных имеют временные метки и выравниваются на уровне контура управления. Данные организованы в эпизоды с четкой инициализацией задач, выполнением действий, контактными событиями и завершением, что напрямую соответствует развертываниям RL и траекториям имитации обучения.

Неудача как данные

OpenArm предназначен для безопасной записи неудачных попыток, а не только успешных. Траектории неудач – проскальзывание, неправильное понимание, столкновение, попытки восстановления – являются первоклассными данными, критически важными для надежного изучения и обобщения политики.

Сопоставление симуляции с реальностью

Калиброванные модели в MuJoCo и Isaac Sim отражают кинематику, динамику и пределы срабатывания. Данные моделирования и реальные данные имеют одинаковые определения состояний и согласованные пространства действий, что обеспечивает обучение и перекрестную проверку в смешанных областях.