DABI：基于双向控制的图像 imitation learning 中数据增强方法的评估
机器人学
2024-10-08 v1
摘要
自动化机器人操作是机器人领域中复杂且不断演进的领域。本文聚焦于 imitation learning 中的数据增强方法。imitation learning 包含三个阶段：从专家收集数据、训练模型和执行。在实际情况下，收集专家数据需要人工 effort 且耗时。此外，由于传感器的数据获取间隔不同，预处理如降采样以匹配最低频率是必要的。降采样既可实现数据增强，也有助于机器人操作的稳定。在此背景下，本文提出一种用于双向控制基于 imitation learning 的图像数据增强方法，称为 DABI。DABI 在 1000 Hz 收集机器人关节角度、速度和力矩，并使用来自夹具和环境摄像头以 100 Hz 捕获的图像作为数据增强的基础。这实现了数据量的十倍增加。本文仅收集了 5 个专家示范数据集。我们使用未经修改的数据集以及两种增强方法对双向控制 Bi-ACT 模型进行训练进行比较实验，并进行实际实验。结果确认了成功率的显著提高，证明了 DABI 的有效性。欲了解更多材料，请访问 https://mertcookimg.github.io/dabi
引用
@article{arxiv.2410.04370,
title = {DABI: Evaluation of Data Augmentation Methods Using Downsampling in Bilateral Control-Based Imitation Learning with Images},
author = {Masato Kobayashi and Thanpimon Buamanee and Yuki Uranishi},
journal= {arXiv preprint arXiv:2410.04370},
year = {2024}
}