无需奖励工程从演示中学习多模态富接触技能
机器人学
2024-10-28 v2
摘要
日常的富接触任务，如削皮、清洁和书写，需要多模态感知以实现有效且精确的任务执行。然而，这对机器人提出了新的挑战，因为它们缺乏组合这些多模态刺激以执行富接触任务的能力。基于学习的方法曾试图建模多模态富接触任务，但它们通常需要大量训练样本和任务特定的奖励函数，这限制了其实用性和适用范围。因此，我们提出了一种可泛化的无模型从演示中学习框架，使机器人无需显式奖励工程即可学习富接触技能。我们提出了一种新颖的多模态传感器数据表示，提升了富接触技能的学习性能。我们使用真实生活中的Sawyer机器人对三项日常富接触技能——清洁、书写和削皮——进行了训练和实验。值得注意的是，该框架在削皮和书写技能上达到了100%的成功率，在清洁技能上达到80%的成功率。因此，该技能学习框架可扩展用于学习其他物理操作技能。
引用
@article{arxiv.2103.01296,
title = {Learning Multimodal Contact-Rich Skills from Demonstrations Without Reward Engineering},
author = {Mythra V. Balakuntala and Upinder Kaur and Xin Ma and Juan Wachs and Richard M. Voyles},
journal= {arXiv preprint arXiv:2103.01296},
year = {2024}
}
备注
Accepted at IEEE ICRA 2021. This work has been submitted to the IEEE for possible publication