Omnipush：带有RGB-D视频的精确、多样、真实世界推动动力学数据集

推动是一项基础机器人技能。已有工作展示了如何利用推动模型实现多种任务，包括不确定性下的抓取、手内操作和清除杂物。然而，此类模型是近似的，这限制了其适用性。基于学习的方法可以直接从原始感官数据以准确性进行推理，并有可能推广到更广泛的场景多样性。然而，开发和测试此类方法需要足够丰富的数据集。在本文中，我们介绍Omnipush，一个具有高平面推动行为多样性的数据集。具体而言，我们为250个物体中的每一个提供了250次推动，均使用RGB-D和高精度跟踪系统记录。这些物体的构造旨在系统性地探索影响推动的关键因素——物体的形状及其质量分布——这些在先前的数据集中未被广泛探索，并允许研究模型学习中的泛化能力。Omnipush包含一个用于元学习动态模型的基准，其要求算法做出良好预测并估计自身不确定性。我们还提供了一个RGB视频预测基准，并提出了可利用该数据集的其他相关任务。数据和代码可在 \url{https://web.mit.edu/mcube/omnipush-dataset/} 获取。