模仿之艺术：从少量演示中学习长时程操作任务
机器人学
2024-10-24 v3 机器学习
摘要
任务参数化高斯混合模型（TP-GMM）是学习基于对象的机器人操作任务的样本高效方法。然而，要将TP-GMM应用于实际场景仍面临若干挑战。本文同步解决了三个关键挑战。首先，末端执行器速度是非欧几里得的，难以使用标准GMM建模。我们提出将机器人末端执行器速度分解为方向和幅值，并使用黎曼GMM进行建模。其次，我们利用分解后的速度进行技能分段和序列化，从而利用时间作为强大的归纳偏置。最后，我们提出一种从视觉观察中自动检测每个技能相关任务参数的方法。我们的方法仅需5次演示，即可仅通过RGB-D观测学习复杂操作任务。广泛的实验评估表明，我们的方法在RLBench上实现了最新性能，样本效率提升了20倍。我们的策略在不同的环境、物体实例和物体位置之间具有良好的可推广性，所学技能也具备可复用性。
引用
@article{arxiv.2407.13432,
title = {The Art of Imitation: Learning Long-Horizon Manipulation Tasks from Few Demonstrations},
author = {Jan Ole von Hartz and Tim Welschehold and Abhinav Valada and Joschka Boedecker},
journal= {arXiv preprint arXiv:2407.13432},
year = {2024}
}