We propose a learning-based system for enabling quadrupedal robots to manipulate large, heavy objects using their whole body. Our system is based on a hierarchical control strategy that uses the deep latent variable embedding which captures manipulation-relevant information from interactions, proprioception, and action history, allowing the robot to implicitly understand object properties. We evaluate our framework in both simulation and real-world scenarios. In the simulation, it achieves a success rate of 93.6 % in accurately re-positioning and re-orienting various objects within a tolerance of 0.03 m and 5 ◦. Real-world experiments demonstrate the successful manipulation of objects such as a 19.2 kg water-filled drum and a 15.3 kg plastic box filled with heavy objects while the robot weighs 27 kg. Unlike previous works that focus on manipulating small and light objects using prehensile manipulation, our framework illustrates the possibility of using quadrupeds for manipulating large and heavy objects that are ungraspable with the robot’s entire body. Our method does not require explicit object modeling and offers significant computational efficiency compared to optimization-based methods. The video can be found at https://youtu.be/fO_PVr27QxU.
우리는 사족 보행 로봇이 전신을 사용하여 크고 무거운 물체를 조작할 수 있는 학습 기반 시스템을 제안한다. 우리 시스템은 물체와 로봇간의 상호 작용, 로봇의 고유 감각 및 행동 기록 데이터에서 조작 관련 정보를 추정하는 계층적 제어 방법에 기반한다. 이를 통해 로봇은 내재적으로 물체의 특성을 이해할 수 있다. 우리는 시뮬레이션 및 현실 시나리오에서 제안하는 시스템을 평가한다. 시뮬레이션에서는 다양한 물체를 0.03 m 및 5 ◦의 허용 오차 내에서 정확하게 재배치 하고, 93.6 % 의 성공률을 달성한다. 현실 실험에서는 27 kg 의 로봇으로 물을 채운 19.2 kg의 드럼통 및 무거운 물체로 채워진 15.3 kg 플라스틱 상자와 같은 물체를 성공적으로 조작한다. 작은 물체와 집을 수 있는 물체에 대한 조작을 다루었던 이전 연구와 다르게, 우리 프레임워크는 사족 보행 로봇이 전신조작을 통해 무겁고 집지 못하는 물체를 정확하게 조작할 수 있다는 가능성을 보였다. 우리 방법은 물체에 대한 정확한 모델링이 필요 없으며, 최적화 기반의 방법론에 비해 큰 계산 효율성을 제공한다.