从跨形态演示中学习机器人操作
机器人学
2023-10-31 v2 机器学习
摘要
一些从演示中学习（LfD）方法可处理教师与学生动作空间中的微小不匹配。本文研究教师形态与学生形态差异显著的情况。我们的框架——模仿学习中的形态适配（MAIL）——弥合了这一差距，使我们能够利用形态差异显著的其它智能体的演示来训练智能体。MAIL 可从次优演示中学习，只要这些演示为期望解提供某种引导。我们在刚体与可变形物体的操作任务（包括与刚体障碍物交互的 3D 布料操作）上展示 MAIL。我们使用具有两个末端执行器的模拟智能体的演示，训练具有一个末端执行器的机器人的视觉控制策略。MAIL 在归一化性能指标上比 LfD 与非 LfD 基线高出至多 24%。它被部署到真实的 Franka Panda 机器人上，可处理物体属性（尺寸、旋转、平移）与布料特有属性（颜色、厚度、尺寸、材质）的多种变化。概览见 https://uscresl.github.io/mail 。
引用
@article{arxiv.2304.03833,
title = {Learning Robot Manipulation from Cross-Morphology Demonstration},
author = {Gautam Salhotra and I-Chun Arthur Liu and Gaurav Sukhatme},
journal= {arXiv preprint arXiv:2304.03833},
year = {2023}
}
备注
Accepted to the Conference on Robot Learning (CoRL) 2023