利用局部性提升机器人操作的样本效率
机器人学
2024-09-27 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
鉴于在真实世界收集机器人数据的高昂成本，样本效率一直是机器人领域持续紧迫的追求。在本文中，我们引入了SGRv2，这是一种仿射学习框架，通过改进的视觉和动作表示来提升样本效率。SGRv2设计的核心是纳入一种关键归纳偏置——动作局部性——该偏置认为机器人的动作主要受目标对象及其与局部环境的相互作用影响。广泛的在模拟和真实世界环境中的实验表明，动作局部性对于提升样本效率至关重要。SGRv2在使用仅需5个示范即可完成RLBench任务中的关键帧控制任务方面表现出色，并在26个任务中超过RVT基线。此外，在ManiSkill2和MimicGen上使用密集控制评估时，SGRv2的成功率是SGR的2.54倍。在真实世界环境中，仅需八个示范，SGRv2即可在显著高于基线模型的成功率下执行多种任务。项目网站: http://sgrv2-robot.github.io
引用
@article{arxiv.2406.10615,
title = {Leveraging Locality to Boost Sample Efficiency in Robotic Manipulation},
author = {Tong Zhang and Yingdong Hu and Jiacheng You and Yang Gao},
journal= {arXiv preprint arXiv:2406.10615},
year = {2024}
}
备注
CoRL 2024. Project website: http://sgrv2-robot.github.io