Aprovechando la Localidad para Mejorar la Eficiencia Muestral en la Manipulación Robótica

Leveraging Locality to Boost Sample Efficiency in Robotic Manipulation

June 15, 2024

Autores: Tong Zhang, Yingdong Hu, Jiacheng You, Yang Gao

cs.AI

Resumen

Dado el alto costo de recolectar datos robóticos en el mundo real, la eficiencia de la muestra es una búsqueda constantemente convincente en robótica. En este documento, presentamos SGRv2, un marco de aprendizaje por imitación que mejora la eficiencia de la muestra a través de representaciones visuales y de acción mejoradas. Central en el diseño de SGRv2 es la incorporación de un sesgo inductivo crítico: la localidad de la acción, que postula que las acciones del robot son predominantemente influenciadas por el objeto objetivo y sus interacciones con el entorno local. Experimentos extensos en entornos simulados y del mundo real demuestran que la localidad de la acción es esencial para aumentar la eficiencia de la muestra. SGRv2 destaca en tareas de RLBench con control de fotograma clave utilizando tan solo 5 demostraciones y supera la línea base de RVT en 23 de 26 tareas. Además, al ser evaluado en ManiSkill2 y MimicGen utilizando control denso, la tasa de éxito de SGRv2 es 2.54 veces mayor que la de SGR. En entornos del mundo real, con tan solo ocho demostraciones, SGRv2 puede realizar una variedad de tareas con una tasa de éxito notablemente más alta en comparación con los modelos base. Sitio web del proyecto: http://sgrv2-robot.github.io

English

Given the high cost of collecting robotic data in the real world, sample efficiency is a consistently compelling pursuit in robotics. In this paper, we introduce SGRv2, an imitation learning framework that enhances sample efficiency through improved visual and action representations. Central to the design of SGRv2 is the incorporation of a critical inductive bias-action locality, which posits that robot's actions are predominantly influenced by the target object and its interactions with the local environment. Extensive experiments in both simulated and real-world settings demonstrate that action locality is essential for boosting sample efficiency. SGRv2 excels in RLBench tasks with keyframe control using merely 5 demonstrations and surpasses the RVT baseline in 23 of 26 tasks. Furthermore, when evaluated on ManiSkill2 and MimicGen using dense control, SGRv2's success rate is 2.54 times that of SGR. In real-world environments, with only eight demonstrations, SGRv2 can perform a variety of tasks at a markedly higher success rate compared to baseline models. Project website: http://sgrv2-robot.github.io