具有视觉前瞻的 Transporter 网络用于求解未见重排任务
机器人学
2022-07-28 v3 人工智能
机器学习
摘要
重排任务已被认为是智能机器人操作的关键挑战，但很少有方法能够精确构建未见过的结构。我们提出了一种用于拾放重排操作的视觉前瞻模型，该模型能够高效学习。此外，我们开发了一个多模态动作提议模块，该模块建立在目标条件 Transporter 网络（一种最先进的模仿学习方法）之上。我们这种基于图像的任务规划方法——具有视觉前瞻的 Transporter 网络（TVF）——能够从极少的数据中学习，并以零样本方式泛化到多个未见任务。TVF 能够在仿真和真实机器人实验中提升最先进模仿学习方法在未见任务上的性能。具体而言，在仅给定数十个专家演示的情况下，仿真实验中未见任务的平均成功率从 55.4% 提升到 78.5%，真实机器人实验中从 30% 提升到 63.3%。视频和代码可在我们的项目网站获取：https://chirikjianlab.github.io/tvf/
引用
@article{arxiv.2202.10765,
title = {Transporters with Visual Foresight for Solving Unseen Rearrangement Tasks},
author = {Hongtao Wu and Jikai Ye and Xin Meng and Chris Paxton and Gregory Chirikjian},
journal= {arXiv preprint arXiv:2202.10765},
year = {2022}
}
备注
IEEE IROS 2022