BAKU：用于多任务策略学习的高效 Transformer
机器人学
2024-07-18 v2
摘要
训练能够解决多样化任务的通用智能体具有挑战性，往往需要大量专家演示的数据。这在机器人领域尤为棘手，因为每个数据点都需要在真实世界中执行动作。因此，迫切需要能够有效利用可用训练数据的架构。本文提出了 BAKU，一种能够高效学习多任务机器人策略的简单 Transformer 架构。BAKU 建立在离线模仿学习的最新进展基础上，精心组合观察特征块、动作分块、多感官观察和动作头，从而在先前工作基础上实现显著提升。我们在 LIBERO、Meta-World 套件和 Deepmind Control 套件上的 129 个模拟任务实验显示，BAKU 在 RT-1 和 MT-ACT 上的整体性能提升约 18%，在更具挑战性的 LIBERO 框架上提升 36%。在 30 个真实世界操作任务上，仅提供平均 17 次演示，BAKU 即可实现 91% 的成功率。机器人视频最佳观看地址为 https://baku-robot.github.io/。
关键词
引用
@article{arxiv.2406.07539,
title = {BAKU: An Efficient Transformer for Multi-Task Policy Learning},
author = {Siddhant Haldar and Zhuoran Peng and Lerrel Pinto},
journal= {arXiv preprint arXiv:2406.07539},
year = {2024}
}