RObotic MAnipulation Network (ROMAN)——用于求解复杂序列任务的混合层次学习
机器人学
2025-11-03 v3 机器学习
摘要
求解长序列任务在具身人工智能中构成重大挑战。使机器人系统能以广泛的操纵技能执行多样化序列任务是一个活跃的研究领域。在这项工作中，我们提出一种混合层次学习框架，即机器人操纵网络（ROMAN），以应对机器人操纵中长时域内求解多个复杂任务的挑战。ROMAN 通过集成行为克隆、模仿学习和强化学习，实现了任务通用性与鲁棒故障恢复。它由一个中央操纵网络协调一组各异的神经网络组成，每个网络专精于不同的可重组子任务，以生成其正确的序列内动作，从而求解复杂的长时域操纵任务。实验结果表明，通过编排并激活这些专业操纵专家，ROMAN 能为完成长序列复杂操纵任务生成正确的序列激活并展现超越演示的自适应行为，同时对各种感知噪声表现出鲁棒性。这些结果证明了 ROMAN 具备自主故障恢复能力的动态适应性的重要性与通用性，并凸显了其在需要自适应运动技能的各类自主操纵任务中的潜力。
引用
@article{arxiv.2307.00125,
title = {RObotic MAnipulation Network (ROMAN) -- Hybrid Hierarchical Learning for Solving Complex Sequential Tasks},
author = {Eleftherios Triantafyllidis and Fernando Acero and Zhaocheng Liu and Zhibin Li},
journal= {arXiv preprint arXiv:2307.00125},
year = {2025}
}
备注
To appear in Nature Machine Intelligence. Includes the main and supplementary manuscript. Total of 70 pages, with a total of 9 Figures and 17 Tables