基于混合专家的高效残差学习用于通用灵巧抓取
机器人学
2024-10-04 v1 机器学习
摘要
跨异构物体的通用灵巧抓取是机器人学习中的一个基础且棘手的挑战。现有方法使用强化学习 (RL) 在大量物体数据集上开发策略时面临关键限制，包括复杂的多任务学习课程设计以及对未见物体的泛化能力有限。为克服这些挑战，我们提出了 ResDex，一种将残差策略学习与混合专家 (MoE) 框架集成的新方法。ResDex 的独特之处在于使用几乎不依赖几何的基策略，这些基策略可在单个物体上高效获取，并且能够泛化到广泛的未见物体范围。我们的 MoE 框架包含多个基策略，以促进适用于各种物体的多样化抓取姿态。通过学习残差动作以及组合这些基策略的权重，ResDex 实现了通用灵巧抓取的高效多任务 RL。ResDex 在由 3,200 个物体构成的 DexGraspNet 数据集上实现了 88.8% 的成功率。它对未见物体没有泛化鸿沟，并显示出卓越的训练效率，在单个 GPU 上仅用 12 小时即可掌握所有任务。
引用
@article{arxiv.2410.02475,
title = {Efficient Residual Learning with Mixture-of-Experts for Universal Dexterous Grasping},
author = {Ziye Huang and Haoqi Yuan and Yuhui Fu and Zongqing Lu},
journal= {arXiv preprint arXiv:2410.02475},
year = {2024}
}