L'apprendimento per rinforzo profondo raggiunge il 100% di successo nell'afferrare oggetti precedentemente considerati inafferrabili

Un nuovo framework che impiega Deep Q-Networks (DQN) e rappresentazioni degli oggetti basate su punti chiave ha raggiunto un notevole tasso di successo del 100% nell'afferrare oggetti precedentemente considerati inafferrabili. Questo sistema opera utilizzando immagini 2D dall'alto in un ambiente simulato, dove un algoritmo geometrico genera candidati iniziali per la presa. I test hanno coinvolto 300 oggetti dal dataset Dex-Net, utilizzando un manipolatore UR5. L'approccio è stato ulteriormente validato in applicazioni reali tramite un robot parallelo Delta. I risultati dettagliati sono pubblicati in un articolo disponibile su arXiv con identificativo 2608.17628.