Learning Adaptive Force Control for Contact-Rich Sample Scraping with Heterogeneous Materials
Questo lavoro propone un framework di controllo adattivo che combina un controllore di impedenza cartesiano e un agente di apprendimento per rinforzo per automatizzare con successo il raschiamento di materiali eterogenei dai vial di laboratorio, superando le prestazioni delle basi fisse del 10,9% grazie al trasferimento della politica appresa in simulazione al robot reale.