DiffSkill：从可微物理中为基于工具的柔体物体操作抽象技能
机器学习
2022-04-01 v1 计算机视觉与模式识别
图形学
机器人学
摘要
我们考虑使用工具对柔体物体进行序列机器人操作的问题。先前工作表明，可微物理模拟器为环境状态提供梯度，并帮助轨迹优化比无模型强化学习算法在柔体物体操作上快数个数量级收敛。然而，此类基于梯度的轨迹优化通常需要访问完整的模拟器状态，并且由于局部最优只能解决短视界、单技能任务。在本工作中，我们提出一个名为 DiffSkill 的新框架，该框架使用可微物理模拟器进行技能抽象，以从感知观测中解决长视界柔体物体操作任务。具体而言，我们首先利用基于梯度的优化器，在可微模拟器中使用完整状态信息，使用单个工具获得短视界技能；然后我们从演示轨迹中学习一个以 RGBD 图像为输入的神经技能抽象器。最后，我们通过寻找中间目标并在技能上规划来解决长视界任务。与先前的强化学习算法和轨迹优化器相比，我们在一组新的序列柔体物体操作任务中展示了我们方法的优势。
引用
@article{arxiv.2203.17275,
title = {DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools},
author = {Xingyu Lin and Zhiao Huang and Yunzhu Li and Joshua B. Tenenbaum and David Held and Chuang Gan},
journal= {arXiv preprint arXiv:2203.17275},
year = {2022}
}
备注
ICLR 2022. Project page: https://xingyu-lin.github.io/diffskill/