基于关键点集成的软 actor-critic 高斯混合模型的机器人技能泛化
机器人学
2023-10-24 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
在真实场景中进行操作的机器人操纵系统的一个长期挑战是将其获得的运动技能适应并泛化到未见过的环境。我们采用结合模仿与强化范式的混合技能模型来应对这一挑战，以探索技能的学习与适应，以及其通过习得关键点对场景的核心 grounding 如何促进此类泛化。为此，我们提出了关键点集成的软 Actor-Critic 高斯混合模型（KIS-GMM）方法，该方法学习将场景中动力系统的参考预测为一个 3D 关键点，利用机器人在技能学习过程中通过物理交互获得的视觉观测。通过在模拟和真实世界环境中进行全面的评估，我们表明我们的方法使机器人能够对新颖环境获得显著的零样本泛化，并比从头学习更快地在目标环境中精炼技能。重要的是，这无需新的 ground truth 数据即可实现。此外，我们的方法能有效应对场景位移。
引用
@article{arxiv.2310.15059,
title = {Robot Skill Generalization via Keypoint Integrated Soft Actor-Critic Gaussian Mixture Models},
author = {Iman Nematollahi and Kirill Yankov and Wolfram Burgard and Tim Welschehold},
journal= {arXiv preprint arXiv:2310.15059},
year = {2023}
}
备注
Accepted at the International Symposium on Experimental Robotics (ISER) 2023. Videos at http://kis-gmm.cs.uni-freiburg.de/