Bridge Data：利用跨域数据集提升机器人技能的泛化能力
机器人学
2021-09-29 v1 人工智能
摘要
机器人学习有望学习到广泛泛化的策略。然而，这种泛化需要感兴趣任务的足够多样的数据集，而收集这些数据集可能成本高昂。在其他领域，如计算机视觉，利用共享、可复用的数据集（如ImageNet）来克服这一挑战是很常见的，但这在机器人领域已被证明是困难的。在本文中，我们追问：在机器人端到端技能学习中实现实用的数据复用需要什么条件？我们假设关键在于使用具有多任务和多域的数据集，使得想要训练其机器人在新域中执行新任务的用户可以将该数据集纳入其训练过程，并从跨任务和跨域泛化中受益。为评估该假设，我们收集了一个大型多域多任务数据集，包含7200次演示，涵盖10个环境中的71个任务，并实证研究了该数据如何改进新环境中新任务的学习。我们发现，使用所提出的数据集与在新域中前所未见任务的50次演示联合训练，平均相比仅使用目标域数据可将成功率提升2倍。我们还发现，新域中仅少数任务的数据即可弥合域差距，并使机器人能够执行仅在其它域中见过的一系列先前任务。这些结果表明，复用多样的多任务和多域数据集（包括我们的开源数据集）可能为更广泛的机器人泛化铺平道路，免去为每个新机器人学习项目重新收集数据的需要。
引用
@article{arxiv.2109.13396,
title = {Bridge Data: Boosting Generalization of Robotic Skills with Cross-Domain Datasets},
author = {Frederik Ebert and Yanlai Yang and Karl Schmeckpeper and Bernadette Bucher and Georgios Georgakis and Kostas Daniilidis and Chelsea Finn and Sergey Levine},
journal= {arXiv preprint arXiv:2109.13396},
year = {2021}
}