GET-Zero：用于零样本本体化泛化的图形本体化转换器
机器人学
2024-09-11 v2
摘要
本文介绍了 GET-Zero，一种用于学习能立即适应新硬件变更而无需重新训练的本体化感知控制策略的模型架构和训练程序。为此，我们提出了图形本体化转换器 (Graph Embodiment Transformer, GET)，这是一种利用本体化图连通性作为注意力机制中学习结构偏置的 transformer 模型。我们使用行为克隆将来自本体化特定专家策略的演示数据蒸馏到能够根据机器人硬件配置做出控制决策的本体化感知 GET 模型中。我们对使用带移除关节和带连杆延长的四指机器人手进行的粘手物体旋转任务进行了案例研究。使用 GET 模型配合自模型损失，可实现对未知图结构和连杆长度变化的零样本泛化，相较于基线方法实现约 20% 的提升。所有代码和定性视频结果均发布于 https://get-zero-paper.github.io
引用
@article{arxiv.2407.15002,
title = {GET-Zero: Graph Embodiment Transformer for Zero-shot Embodiment Generalization},
author = {Austin Patel and Shuran Song},
journal= {arXiv preprint arXiv:2407.15002},
year = {2024}
}
备注
8 pages, 5 figures, 3 tables, website https://get-zero-paper.github.io