SAGCI-System：面向样本高效、可泛化、可组合与增量式的机器人学习
机器人学
2022-03-03 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
构建能在物理世界大量各异环境中以人类水平执行多样任务的通用机器人极具挑战性。这要求机器人学习具备样本高效、可泛化、可组合与增量式的特点。本工作中，我们提出一个名为 SAGCI-system 的系统化学习框架，以达成上述四项要求。我们的系统首先以安装在机器人腕部的相机采集的原始点云为输入，生成以统一机器人描述格式（URDF）文件表示的周边环境初始建模。系统采用加载该 URDF 的学习增强可微仿真。随后机器人利用交互感知与环境交互，在线验证并修正 URDF。借助可微仿真，我们提出一种结合以物体为中心与以机器人为中心阶段的基于模型的学习算法，以高效生成完成操控任务的策略。我们将该系统应用于关节物体操控任务，涵盖仿真与真实世界。大量实验证明了我们所提学习框架的有效性。补充材料与视频见 https://sites.google.com/view/egci。
引用
@article{arxiv.2111.14693,
title = {SAGCI-System: Towards Sample-Efficient, Generalizable, Compositional, and Incremental Robot Learning},
author = {Jun Lv and Qiaojun Yu and Lin Shao and Wenhai Liu and Wenqiang Xu and Cewu Lu},
journal= {arXiv preprint arXiv:2111.14693},
year = {2022}
}
备注
Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2022