基于斯坦因变分推断的 Fail2Progress：从真实机器人故障中学习
机器人学
2025-09-03 v1
摘要
长期操纵任务的技能效应模型在训练数据分布未覆盖的条件下容易出现故障。因此，启用机器人推理和从故障中学习是必要的。我们研究了高效生成针对观察到的故障所针对数据集的问题。对该数据集进行精细调整后，评估模型能否从故障中恢复并最小化未来的故障。我们提出了Fail2Progress方法，利用斯坦因变分推断在并行中生成多个仿真环境，实现类似于观察到的故障的高效数据样本生成。该方法能够处理包括运输多个物体、组织受约束的货架以及桌面组织在内的几项挑战性的移动操作任务。通过大规模仿真和真实世界实验，我们展示了该方法在不同物体数量下从故障中学习方面的优势。此外，我们表明Fail2Progress超过了几个基线方法。
引用
@article{arxiv.2509.01746,
title = {Fail2Progress: Learning from Real-World Robot Failures with Stein Variational Inference},
author = {Yixuan Huang and Novella Alvina and Mohanraj Devendran Shanthi and Tucker Hermans},
journal= {arXiv preprint arXiv:2509.01746},
year = {2025}
}
备注
Project page: sites.google.com/view/fail2progress. 25 pages, 8 figures. Accepted to the Conference on Robot Learning (CoRL) 2025