利用低成本硬件学习细粒度双手操作
机器人学
2023-04-27 v1 机器学习
摘要
穿扎带或装入电池等精细操作任务对机器人而言 notoriously 困难，因为它们需要精度、对接触力的细致协调以及闭环视觉反馈。执行这些任务通常需要高端机器人、精确传感器或仔细标定，这可能昂贵且难以搭建。学习能否使低成本且不精确的硬件执行这些精细操作任务？我们提出一个低成本系统，通过自定义遥操作接口采集真实演示，直接进行端到端模仿学习。然而，模仿学习本身带来挑战，尤其在高精度领域：策略中的误差会随时间累积，且人类演示可能非平稳。为应对这些挑战，我们开发了一种简单而新颖的算法——Action Chunking with Transformers（ACT，基于 Transformer 的动作分块），其学习动作序列上的生成模型。ACT 使机器人能在真实世界中学习 6 个困难任务，如打开半透明调味杯和装入电池，成功率 80–90%，且仅需 10 分钟演示。项目网站：https://tonyzhaozh.github.io/aloha/
引用
@article{arxiv.2304.13705,
title = {Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware},
author = {Tony Z. Zhao and Vikash Kumar and Sergey Levine and Chelsea Finn},
journal= {arXiv preprint arXiv:2304.13705},
year = {2023}
}