利用触觉反馈提升深度模仿学习模型的数据质量与数量
机器人学
2024-04-02 v2
摘要
从演示中学习是一种已被证实的教导机器人新技能的技术。数据质量与数量在使用人类演示所收集数据训练的模型性能中起着关键作用。在本文中，我们增强了现有的遥操作数据收集系统，为人类演示者提供实时触觉反馈；我们观察到所收集的数据吞吐量以及使用这些数据训练的模型所得到的自主策略性能均有所改善。我们的实验测试平台是一台开启闩锁把手门板的移动操作机器人。对八扇真实会议室门的遥操作数据收集评估发现，添加触觉反馈使数据吞吐量提高了 6%。我们还使用所收集的数据训练了六个基于图像的深度模仿学习模型，其中三个带触觉反馈，三个不带。这些模型被用于实现与数据收集期间所用同类型机器人的自主开门。一个在人类演示者接收触觉反馈时收集数据所训练出的模仿学习模型策略，平均比其在无触觉反馈收集数据下训练的对等模型表现好 11%，表明数据收集期间提供的触觉反馈带来了改进的自主策略。
引用
@article{arxiv.2211.03020,
title = {Leveraging Haptic Feedback to Improve Data Quality and Quantity for Deep Imitation Learning Models},
author = {Catie Cuan and Allison Okamura and Mohi Khansari},
journal= {arXiv preprint arXiv:2211.03020},
year = {2024}
}