迈向多样化行为：基于人类演示的模仿学习基准
机器人学
2024-02-23 v1
摘要
利用人类数据的模仿学习在教授机器人广泛技能方面取得了显著成功。然而，人类行为固有的多样性导致多模态数据分布的出现，从而对现有模仿学习算法提出了巨大挑战。量化模型有效捕捉和复制这种多样性的能力仍然是一个开放问题。在这项工作中，我们引入了仿真基准环境以及相应的用于模仿学习的多样化人类演示数据集(D3IL)，其被明确设计用于评估模型学习多模态行为的能力。我们的环境设计包含需要解决的多个子任务，考虑了多个物体的操作以增加行为的多样性，并且只能依靠基于闭环感官反馈的策略来解决。其他可用数据集至少缺少这些具有挑战性的属性之一。为了解决多样性量化的挑战，我们引入了易于处理的指标，这些指标为模型获取和重现多样化行为的能力提供了有价值的见解。这些指标提供了一种实用的手段来评估模仿学习算法的鲁棒性和多功能性。此外，我们在提出的任务套件上对最先进的方法进行了全面评估。该评估作为评估它们学习多样化行为能力的基准。我们的发现揭示了这些方法在解决捕捉和泛化多模态人类行为这一复杂问题方面的有效性，为未来模仿学习算法的设计提供了有价值的参考。
引用
@article{arxiv.2402.14606,
title = {Towards Diverse Behaviors: A Benchmark for Imitation Learning with Human Demonstrations},
author = {Xiaogang Jia and Denis Blessing and Xinkai Jiang and Moritz Reuss and Atalay Donat and Rudolf Lioutikov and Gerhard Neumann},
journal= {arXiv preprint arXiv:2402.14606},
year = {2024}
}