RoCoDA：面向数据高效机器人示教学习的反事实数据增强方法
机器人学
2025-05-21 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
机器人示教学习因环境复杂度和数据采集成本高，面临泛化能力差的挑战。我们提出 RoCoDA，一种新颖方法，通过统一不变性、等效性与因果性于单一框架，以提升示教学习的数据增强效果。RoCoDA 利用因果不变性修改环境状态中与任务无关的子集，而不影响策略输出；同时利用 SE(3) 等效性对物体姿态施加刚体变换，并调整相应动作以生成合成演示。我们在五个机器人操作任务上进行了广泛实验，结果表明 RoCoDA 在策略性能、泛化能力和样本效率方面均优于最先进的数据增强方法。我们的策略对未见物体姿态、纹理及干扰物表现出鲁健的泛化能力。此外，我们观察到策略在训练时展现出再抓取等现象，表明使用 RoCoDA 训练的策略对任务动力学具有更深入的理解。通过结合不变性、等效性与因果性，RoCoDA 为机器人示教学习提供了原则化的数据增强方法，弥合了几何对称性与因果推理之间的鸿沟。项目页面：https://rocoda.github.io
引用
@article{arxiv.2411.16959,
title = {RoCoDA: Counterfactual Data Augmentation for Data-Efficient Robot Learning from Demonstrations},
author = {Ezra Ameperosa and Jeremy A. Collins and Mrinal Jain and Animesh Garg},
journal= {arXiv preprint arXiv:2411.16959},
year = {2025}
}
备注
Accepted to 2025 IEEE International Conference on Robotics and Automation (ICRA)