家庭环境中的机器人学习：提升泛化能力并降低数据集偏差
机器人学
2018-07-19 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
近年来，数据驱动的机器人任务求解方法获得了大量关注。然而，大多数现有策略都是在精心设计的实验室环境中收集的大规模数据集上训练的。如果我们的目标是将这些模型部署于如家庭等非结构化视觉环境中，它们将无法应对数据分布的不匹配。鉴于此，我们提出了首个在家庭中进行机器人抓取大规模数据集收集的系统化工作。首先，为扩展并并行化数据收集，我们搭建了一台成本低于3000美元的低廉移动机械臂。其次，使用低成本机器人收集的数据会因执行不完美和标定误差而带有噪声标签。为此，我们开发了一个将噪声作为潜变量分解出来的框架。我们的模型在多个房屋中、于一系列不同环境条件下收集的2.8万次抓取数据上进行训练。我们通过在新颖物体集合上于多个未见过的家庭中进行物理抓取执行来评估模型。使用我们的家庭数据集训练的模型相比在实验室数据上训练的基线模型取得了43.7%的显著提升。我们显式建模数据集中潜噪声的架构也比未分解噪声的架构表现高出10%。我们希望这一努力能激励机器人学界走出实验室，拥抱基于学习的方法来处理不精确的廉价机器人。
引用
@article{arxiv.1807.07049,
title = {Robot Learning in Homes: Improving Generalization and Reducing Dataset Bias},
author = {Abhinav Gupta and Adithyavairavan Murali and Dhiraj Gandhi and Lerrel Pinto},
journal= {arXiv preprint arXiv:1807.07049},
year = {2018}
}