用筷子抓取：在无模型模仿学习中应对精细操作的协变量偏移
机器人学
2020-11-16 v1 机器学习
摘要
数十亿人使用筷子这一简单而通用的工具对日常物体进行精细操作。筷子小巧、弯曲且光滑的尖端给拾取小物体带来挑战，使其成为足够复杂的测试案例。本文利用人类示范开发配备筷子的自主机器人 manipulator。由于缺乏精细操作的精确模型，我们探索无模型模仿学习，其传统上受协变量偏移现象困扰而导致泛化能力差。我们提出两种降低协变量偏移的方法，均不需像以往方法那样依赖交互式专家或模型。首先，通过对关键抓取步骤施加不变算子增加数据支撑，缓解单步预测误差。其次，通过添加有界噪声并结合参数与非参数方法生成合成纠错标签，防止误差累积。我们在自建的真实筷子机器人上验证方法，智能体成功率从37.3%提升至80%，与人类专家82.6%的表现相当。
引用
@article{arxiv.2011.06719,
title = {Grasping with Chopsticks: Combating Covariate Shift in Model-free Imitation Learning for Fine Manipulation},
author = {Liyiming Ke and Jingqiang Wang and Tapomayukh Bhattacharjee and Byron Boots and Siddhartha Srinivasa},
journal= {arXiv preprint arXiv:2011.06719},
year = {2020}
}
备注
Submitted to ICRA 2021