PLATO：通过以对象为中心的玩耍预测潜在可供性
机器人学
2022-10-24 v3
摘要
以可扩展方式构建多样化的操纵技能库仍是机器人领域未解决的挑战。解决该挑战的一种途径是使用非结构化人类玩耍，即人类在环境中自由行动以达成未指定目标。玩耍是一种简单且廉价的方法，用于收集具有广泛状态和目标覆盖的多样用户演示。由于这种多样覆盖，现有从玩耍中学习的方法对在线策略偏离离线数据分布更具鲁棒性。然而，这些方法常在场景变化和挑战性操纵基元下难以学习，部分原因在于将复杂行为与其引发的场景变化错误关联。我们的洞见是，以对象为中心的玩耍数据视图有助于将人类行为与环境变化结果相联系，从而改进多任务策略学习。本工作中，我们构建潜空间来建模环境中对象的可供性（affordances）——定义对象用途的属性——并学习策略以实现期望的可供性。通过对可变时长任务中期望可供性的建模与预测，我们的方法“通过以对象为中心的玩耍预测潜在可供性”（PLATO）在2D和3D对象操纵仿真及真实世界环境的多样交互复杂操纵任务上优于现有方法。视频见我们的网站：https://tinyurl.com/4u23hwfv
引用
@article{arxiv.2203.05630,
title = {PLATO: Predicting Latent Affordances Through Object-Centric Play},
author = {Suneel Belkhale and Dorsa Sadigh},
journal= {arXiv preprint arXiv:2203.05630},
year = {2022}
}