FoAM：基于前瞻性增强的多任务仿照策略用于机器人操作
机器人学
2025-03-27 v2
摘要
多任务仿照学习（MTIL）在机器人操作中展现出巨大的潜力，使代理能够使用单一策略执行各种任务。这简化了策略部署并提升了代理在不同情境下的适应性。然而，仍面临关键挑战，如维持动作可靠性（例如，避免异常动作序列偏离正常任务轨迹）以及对少量专家演示即可泛化到未见任务的能力。为此，我们引入了前瞻性增强操作策略（FoAM），一种新的MTIL策略，首次将多模态目标条件作为输入，并在通用动作重构之外引入前瞻性增强。FoAM使代理能够推理其动作的视觉后果（状态），并学习更具表现力的嵌入来捕捉细微的任务变体。在模拟和实际环境中进行的大量实验表明，FoAM显著提升了MTIL策略性能，相较于当前最先进的基线方法，在成功率方面提升了最高可达41%。与此同时，我们发布了我们的模拟套件，包括总计10种情境和80多个挑战性任务，用于操作策略的训练和评估。项目主页 projFoAM.github.io 提供项目详情。
引用
@article{arxiv.2409.19528,
title = {FoAM: Foresight-Augmented Multi-Task Imitation Policy for Robotic Manipulation},
author = {Litao Liu and Wentao Wang and Yifan Han and Zhuoli Xie and Pengfei Yi and Junyan Li and Yi Qin and Wenzhao Lian},
journal= {arXiv preprint arXiv:2409.19528},
year = {2025}
}
备注
8 pages, 4 figures