DAIR：用于安全高效双手操作的解耦注意力内在正则化
机器学习
2021-10-07 v4 机器人学
摘要
我们解决了在稀疏奖励下安全求解复杂双手机器人操作任务的问题。此类挑战性任务可分解为可由不同机器人并行或顺序完成的子任务，以提升效率。尽管先前的强化学习方法主要关注子任务的组合性建模，但在学习两机器人协作策略时两个基本问题被 largely 忽视：(i) 主导，即一个机器人可能试图独自解决任务而使另一个闲置；(ii) 冲突，即一个机器人在同时执行不同子任务时会侵入另一机器人的工作空间，导致不安全碰撞。为应对这两个问题，我们提出一种称为解耦注意力的新技术，它为两机器人提供内在正则化以聚焦于不同的子任务与物体。我们在五个双手操作任务上评估了我们的方法。实验结果表明，我们所提出的内在正则化成功避免了主导并减少了策略间的冲突，从而比所有基线得出显著更高效且更安全的协作策略。我们的项目页面与视频位于 https://mehooz.github.io/bimanual-attention。
引用
@article{arxiv.2106.05907,
title = {DAIR: Disentangled Attention Intrinsic Regularization for Safe and Efficient Bimanual Manipulation},
author = {Minghao Zhang and Pingcheng Jian and Yi Wu and Huazhe Xu and Xiaolong Wang},
journal= {arXiv preprint arXiv:2106.05907},
year = {2021}
}
备注
Webpage: https://mehooz.github.io/bimanual-attention/