SRSA：用于机器人装配任务的技能检索与适应
机器人学
2025-03-07 v1
摘要
使机器人以数据高效的方式学习新任务是长久以来的挑战。常见策略是利用先前的经验，尤其是收集于相关任务上的转换数据。尽管对通用抓取与放置操作已取得显著进展，但对于接触丰富的装配任务（其中需要精确控制）的研究仍较少。我们引入SRSA（技能检索与技能适应），一个新型框架，旨�解决此问题，利用包含多样化装配任务策略的预存在技能库。挑战在于识别哪个技能最适合在新任务上进行精细调优。我们的关键假设是：在新任务上表现出更高零样本成功率的技能，更适合在该任务上进行快速且有效的微调。为此，我们提出预测在新任务上对技能库中所有技能的迁移成功情况，然后利用此预测指导技能检索过程。我们建立了一个框架，联合捕获物体几何、物理动力学和专家动作的特征，以表示任务，从而高效学习迁移成功预测器。大量实验表明，SRSA显著优于领先的基线。相较于基线，在不可见任务上检索和微调技能时，SRSA实现了19%的相对成功率提升，标准差降低2.6倍，且需更少2.4倍的转换样本即可达到满意的成功率。此外，使用SRSA在仿真中训练的策略在实际部署时达到90%的平均成功率。请访问我们的项目网页 https://srsa2024.github.io/。
引用
@article{arxiv.2503.04538,
title = {SRSA: Skill Retrieval and Adaptation for Robotic Assembly Tasks},
author = {Yijie Guo and Bingjie Tang and Iretiayo Akinola and Dieter Fox and Abhishek Gupta and Yashraj Narang},
journal= {arXiv preprint arXiv:2503.04538},
year = {2025}
}