基于视觉技能与前置条件模型的反应式长时序任务执行
机器人学
2021-07-15 v2 机器学习
摘要
未见过的机器人任务的零样本执行对于让机器人在人类环境中执行多种多样的任务十分重要，但在真实世界中收集训练端到端策略所需的大量数据通常不可行。我们描述了一种 sim-to-real（模拟到真实）训练方法，可利用在模拟中学习的模型来落地一个简单任务规划器的组件，从而完成未见过的机器人任务。我们完全在模拟中学习了一个参数化技能库，以及一组基于谓词的前置条件和终止条件。我们探索了积木堆叠任务，因为它具有清晰的结构，需要将多个技能串联起来，但我们的方法适用于广泛的其他问题与领域，并且可以从模拟迁移到真实世界而无需微调。该系统能够识别失败并从感知输入完成长时序任务，这对于真实世界执行至关重要。我们在模拟和真实世界中评估了所提方法，与朴素基线相比，模拟中成功率从 91.6% 提升至 98%，真实世界中成功率从 10% 提升至 80%。有关包含真实世界与模拟的实验视频，参见：https://www.youtube.com/playlist?list=PL-oD0xHUngeLfQmpngYkGFZarstfPOXqX
引用
@article{arxiv.2011.08694,
title = {Reactive Long Horizon Task Execution via Visual Skill and Precondition Models},
author = {Shohin Mukherjee and Chris Paxton and Arsalan Mousavian and Adam Fishman and Maxim Likhachev and Dieter Fox},
journal= {arXiv preprint arXiv:2011.08694},
year = {2021}
}
备注
IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2021