RT-1：面向大规模真实世界控制的机器人 Transformer
机器人学
2023-08-14 v2 人工智能
计算与语言
计算机视觉与模式识别
机器学习
摘要
通过从大规模、多样化、任务无关的数据集中迁移知识，现代机器学习模型能够以零样本方式或借助小规模任务特定数据集，在高水平上解决特定的下游任务。尽管这一能力已在计算机视觉、自然语言处理或语音识别等其他领域得到证明，但在机器人领域仍有待展示，由于采集真实世界机器人数据的困难，模型的泛化能力在此尤为关键。我们认为，此类通用机器人模型成功的关键之一在于开放式的任务无关训练，结合能够吸收所有多样化机器人数据的高容量架构。在本文中，我们提出一类称为 Robotics Transformer 的模型，其展现出有前景的可扩展模型特性。我们基于真实机器人执行真实世界任务的大规模数据采集，通过对不同模型类别及其作为数据规模、模型规模和数据多样性函数的泛化能力的研究，验证了我们的结论。项目网站和视频可在 robotics-transformer1.github.io 查看。
引用
@article{arxiv.2212.06817,
title = {RT-1: Robotics Transformer for Real-World Control at Scale},
author = {Anthony Brohan and Noah Brown and Justice Carbajal and Yevgen Chebotar and Joseph Dabis and Chelsea Finn and Keerthana Gopalakrishnan and Karol Hausman and Alex Herzog and Jasmine Hsu and Julian Ibarz and Brian Ichter and Alex Irpan and Tomas Jackson and Sally Jesmonth and Nikhil J Joshi and Ryan Julian and Dmitry Kalashnikov and Yuheng Kuang and Isabel Leal and Kuang-Huei Lee and Sergey Levine and Yao Lu and Utsav Malla and Deeksha Manjunath and Igor Mordatch and Ofir Nachum and Carolina Parada and Jodilyn Peralta and Emily Perez and Karl Pertsch and Jornell Quiambao and Kanishka Rao and Michael Ryoo and Grecia Salazar and Pannag Sanketi and Kevin Sayed and Jaspiar Singh and Sumedh Sontakke and Austin Stone and Clayton Tan and Huong Tran and Vincent Vanhoucke and Steve Vega and Quan Vuong and Fei Xia and Ted Xiao and Peng Xu and Sichun Xu and Tianhe Yu and Brianna Zitkovich},
journal= {arXiv preprint arXiv:2212.06817},
year = {2023}
}
备注
See website at robotics-transformer1.github.io