JUICER：面向机器人装配的数据高效模仿学习
机器人学
2024-11-12 v3 机器学习
摘要
虽然基于演示的学习在获取视觉-运动策略方面具有强大的能力，但对于需要精确、长时段操作的任务，缺乏大规模演示数据集仍然难以实现高性能模仿学习。本文提出了一条通过小规模人类演示预算提升模仿学习性能的管道。我们将方法应用于需要在长时段和多个任务阶段内精确抓取、重新定位和插入多个部件的装配任务。我们的管道结合了表达性策略架构以及各种数据扩充和仿真数据增强技术。这些技术有助于扩充数据支持，并通过局部纠正动作来监督模型，这些动作位于需要高精度的瓶颈区域。我们在仿真中的四个家具装配任务上演示了该管道，使操作机械臂能够直接从 RGB 图像开始，在接近 2500 个时间步内完成最多五个部件的装配，超越了模仿学习和数据增强基线方法。项目网站：https://imitation-juicer.github.io/。
引用
@article{arxiv.2404.03729,
title = {JUICER: Data-Efficient Imitation Learning for Robotic Assembly},
author = {Lars Ankile and Anthony Simeonov and Idan Shenfeld and Pulkit Agrawal},
journal= {arXiv preprint arXiv:2404.03729},
year = {2024}
}
备注
Published at IROS 2024. Project website: https://imitation-juicer.github.io/