通过模拟最大部署间隙实现少样本域迁移下的劫掘
机器人学
2024-08-07 v1 人工智能
系统与控制
系统与控制
摘要
星际身体上的自主着陆任务需要在应对域迁移的同时对细粒状物质进行采样，即使采样策略在地球上经过广泛调校。为解决这一挑战，本文研究了少样本劫掘问题，提出了一种基于深度高斯过程方法的视觉自适应劫掘策略，该方法通过一种新颖的元训练策略在目标外分布 terrain 上从极有限的经验中进行在线学习。我们的深度核校准伴随最大部署间隙（kCMD）策略显式地训练深度核模型以适应大规模域迁移，通过从离线训练数据集中创建模拟的最大部署间隙，并在训练期间训练模型以克服这些部署间隙。在贝叶斯优化序列决策框架中，该方法允许机器人在极有限的尝试后即可在外分布 terrain 上执行高质量劫掘动作，显著优于 excavation 文献中提出的非自适应方法以及其他最先进的元学习方法。该方法还演示了零样本迁移能力，成功适应了 NASA OWLAT 平台，该平台是面向未来行星任务的先进仿真器。这些结果表明，通过在具有最大部署间隙的深度模型中进行训练，可实现更通用的元学习。 Furthermore, they highlight the promise of our method in autonomous lander sampling missions by enabling landers to overcome the deployment gap between Earth and extraterrestrial bodies.
引用
@article{arxiv.2408.02949,
title = {Few-shot Scooping Under Domain Shift via Simulated Maximal Deployment Gaps},
author = {Yifan Zhu and Pranay Thangeda and Erica L Tevere and Ashish Goel and Erik Kramer and Hari D Nayar and Melkior Ornik and Kris Hauser},
journal= {arXiv preprint arXiv:2408.02949},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2303.02893