DEFT：面向真实世界手部策略的灵巧微调
机器人学
2023-12-13 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
灵巧性常被视为复杂操作之基石。人类能够用手完成诸多技能，从制作食物到操作工具。本文研究这些挑战，尤其是涉及柔软可变形物体以及复杂、相对长程任务的情形。然而，从零学习此类行为数据效率低下。为规避此问题，我们提出一种新方法 DEFT（DExterous Fine-Tuning for Hand Policies，面向手部策略的灵巧微调），其利用直接在真实世界中执行的人为先验。为改进这些先验，DEFT 涉及一种高效的在线优化流程。通过结合基于人类的学习与在线微调，并配合软体机器人手，DEFT 在多种任务中展现出成功，为通用灵巧操作建立了一条稳健且数据高效的路径。视频结果请见我们的网站 https://dexterous-finetuning.github.io。
引用
@article{arxiv.2310.19797,
title = {DEFT: Dexterous Fine-Tuning for Real-World Hand Policies},
author = {Aditya Kannan and Kenneth Shaw and Shikhar Bahl and Pragna Mannam and Deepak Pathak},
journal= {arXiv preprint arXiv:2310.19797},
year = {2023}
}
备注
In CoRL 2023. Website at https://dexterous-finetuning.github.io/