非结构化数据下基于基础技能先验的语言条件模仿学习
机器人学
2024-09-13 v5 人工智能
摘要
对语言条件机器人操纵的日益关注旨在开发能够理解并执行复杂任务的机器人，目标是使机器人能够解释语言指令并相应操纵物体。尽管语言条件方法在熟悉环境中处理任务表现出令人印象深刻的性能，但其在适应陌生环境设置时存在局限。本研究提出一种通用、语言条件的方法，结合基础技能先验与非结构化数据下的模仿学习，以增强算法在适应陌生环境中的泛化能力。我们在零样本设置下于仿真与真实环境中评估模型性能。在仿真环境中，所提方法超越了 CALVIN 基准先前报道的分数，尤其在具挑战性的零样本多环境设置中。表明智能体可连续完成的任务平均数量的平均完成任务长度，较 SOTA 方法 HULC 提升超 2.5 倍。此外，我们仅在仿真环境中训练而未作额外特定适配的情况下，在真实世界设置中对策略进行零样本评估。该评估中我们设定十项任务，相较当前 SOTA 方法我们的方法平均提升 30%，展示了在仿真与真实世界中的高泛化能力。更多细节包括代码与视频访问请见 https://hk-zh.github.io/spil/
引用
@article{arxiv.2305.19075,
title = {Language-Conditioned Imitation Learning with Base Skill Priors under Unstructured Data},
author = {Hongkuan Zhou and Zhenshan Bing and Xiangtong Yao and Xiaojie Su and Chenguang Yang and Kai Huang and Alois Knoll},
journal= {arXiv preprint arXiv:2305.19075},
year = {2024}
}