灵巧模仿变得简单：一种用于高效灵巧操作的基于学习的框架
机器人学
2022-03-25 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
优化灵巧操作行为一直是机器人学中的长期挑战，文献中已探索了从基于模型的控制到无模型强化学习等多种方法。也许学习复杂操作策略最强大的技术之一是模仿学习。然而，在灵巧操作中收集演示并从中学习是相当具有挑战性的。多指控制所涉及的复杂高维动作空间常导致基于学习方法的样本效率低下。在这项工作中，我们提出“Dexterous Imitation Made Easy”（DIME），一种用于灵巧操作的新的模仿学习框架。DIME 仅需单个 RGB 相机来观察人类操作员并遥操作我们的机械手。一旦收集到演示，DIME 采用标准模仿学习方法来训练灵巧操作策略。在仿真和真实机器人基准上，我们证明了 DIME 可用于解决复杂的手中操作任务，例如使用 Allegro 手“翻转”、“旋转”和“转动”物体。我们的框架及预收集的演示公开于 https://nyu-robot-learning.github.io/dime。
引用
@article{arxiv.2203.13251,
title = {Dexterous Imitation Made Easy: A Learning-Based Framework for Efficient Dexterous Manipulation},
author = {Sridhar Pandian Arunachalam and Sneha Silwal and Ben Evans and Lerrel Pinto},
journal= {arXiv preprint arXiv:2203.13251},
year = {2022}
}
备注
The first two authors contributed equally