从专家示范中学习可变形物体操控
机器人学
2022-07-22 v1 人工智能
机器学习
摘要
我们提出一种新颖的从示范学习（LfD）方法——Deformable Manipulation from Demonstrations (DMfD)，在给定专家示范的情况下，使用状态或图像作为输入来解决可变形操控任务。我们的方法以三种不同方式利用示范，并平衡了在线探索环境与利用专家引导高效探索高维空间之间的权衡。我们在 SoftGym 任务集中一组具有代表性的 1 维绳索和 2 维布料的操控任务上测试了 DMfD，每个任务均有状态和图像观测。我们的方法在基于状态的任务上超出基线性能至多 12.9%，在基于图像的任务上超出至多 33.44%，且具有可比或更好的对随机性的鲁棒性。此外，我们创建了两种基于图像观测折叠 2D 布料的具有挑战性的环境，并为其设定了性能基准。我们将 DMfD 部署在真实机器人上，与仿真相比真实世界执行中的归一化性能损失最小（约 6%）。源代码位于 github.com/uscresl/dmfd。
引用
@article{arxiv.2207.10148,
title = {Learning Deformable Object Manipulation from Expert Demonstrations},
author = {Gautam Salhotra and I-Chun Arthur Liu and Marcus Dominguez-Kuhne and Gaurav S. Sukhatme},
journal= {arXiv preprint arXiv:2207.10148},
year = {2022}
}
备注
Accepted to IEEE Robotics & Automation Letters (RA-L) and IEEE IROS 2022. Project website: https://uscresl.github.io/dmfd