实现更快更精确的深度预测学习操作
机器人学
2024-08-21 v1
摘要
在社会应用中实现高速且精确的机器人操作是一项重大挑战。虽然工厂机器人擅长预定义任务，但它们在环境特定的动作（如清洁和烹饪）方面存在困难。深度学习研究旨在通过利用传感器数据进行端到端学习，使机器人能够自主执行行为。RT-1和ACT是扩展机器人能力的显著例子。然而，模型推理速度和手部位置精度的问题仍然存在。高质量的训练数据以及快速稳定的推理机制对于克服这些挑战至关重要。本文提出了一种用于高速高精度任务的运动生成模型，以体育堆叠任务为例。通过缓慢教学和高速推理，该模型在真实机器人上实现了94%的堆叠杯子成功率。
引用
@article{arxiv.2408.10231,
title = {Achieving Faster and More Accurate Operation of Deep Predictive Learning},
author = {Masaki Yoshikawa and Hiroshi Ito and Tetsuya Ogata},
journal= {arXiv preprint arXiv:2408.10231},
year = {2024}
}
备注
2 pages, 2 figures