从无分割演示中自底向上发现技能以用于长时序机器人操作
机器人学
2022-01-25 v2 机器学习
摘要
我们通过技能发现解决真实世界长时序机器人操作任务。我们提出一种自底向上方法,从无分割演示中学习可复用技能库,并利用这些技能综合持久的机器人行为。我们的方法首先通过凝聚聚类从每个演示构建分层任务结构。从多任务演示的任务结构中,我们基于反复出现的模式识别技能,并以分层模仿学习训练目标条件感知运动策略。最后,我们训练一个元控制器来组合这些技能以解决长时序操作任务。整个模型可在 30 分钟内收集的一小组人类演示上训练而无需进一步标注,使其适于真实世界部署。我们在仿真环境与真实机器人上系统评估了我们的方法。我们的方法在多阶段操作任务中表现出优于最先进(state-of-the-art)模仿学习方法的性能。此外,从多任务演示发现的技能相较从单个任务发现的技能将平均任务成功率提升 。
引用
@article{arxiv.2109.13841,
title = {Bottom-Up Skill Discovery from Unsegmented Demonstrations for Long-Horizon Robot Manipulation},
author = {Yifeng Zhu and Peter Stone and Yuke Zhu},
journal= {arXiv preprint arXiv:2109.13841},
year = {2022}
}
备注
Accepted to IEEE RA-Letter, 2022