Mobile ALOHA : Apprentissage de la manipulation mobile bimanuelle par téléopération corporelle intégrale à faible coût

Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation

January 4, 2024

Auteurs: Zipeng Fu, Tony Z. Zhao, Chelsea Finn

cs.AI

Résumé

L'apprentissage par imitation à partir de démonstrations humaines a démontré des performances impressionnantes en robotique. Cependant, la plupart des résultats se concentrent sur la manipulation sur table, manquant de mobilité et de dextérité nécessaires pour des tâches généralement utiles. Dans ce travail, nous développons un système pour imiter des tâches de manipulation mobile qui sont bimanuelles et nécessitent un contrôle du corps entier. Nous présentons d'abord Mobile ALOHA, un système de téléopération à faible coût et à contrôle du corps entier pour la collecte de données. Il enrichit le système ALOHA avec une base mobile et une interface de téléopération pour le corps entier. En utilisant les données collectées avec Mobile ALOHA, nous effectuons ensuite un clonage comportemental supervisé et constatons que l'entraînement conjoint avec les ensembles de données statiques existants d'ALOHA améliore les performances sur les tâches de manipulation mobile. Avec 50 démonstrations pour chaque tâche, l'entraînement conjoint peut augmenter les taux de réussite jusqu'à 90 %, permettant à Mobile ALOHA d'accomplir de manière autonome des tâches complexes de manipulation mobile telles que faire sauter et servir une crevette, ouvrir un placard mural à deux portes pour ranger des casseroles lourdes, appeler et entrer dans un ascenseur, et rincer légèrement une poêle utilisée à l'aide d'un robinet de cuisine. Site web du projet : https://mobile-aloha.github.io

English

Imitation learning from human demonstrations has shown impressive performance in robotics. However, most results focus on table-top manipulation, lacking the mobility and dexterity necessary for generally useful tasks. In this work, we develop a system for imitating mobile manipulation tasks that are bimanual and require whole-body control. We first present Mobile ALOHA, a low-cost and whole-body teleoperation system for data collection. It augments the ALOHA system with a mobile base, and a whole-body teleoperation interface. Using data collected with Mobile ALOHA, we then perform supervised behavior cloning and find that co-training with existing static ALOHA datasets boosts performance on mobile manipulation tasks. With 50 demonstrations for each task, co-training can increase success rates by up to 90%, allowing Mobile ALOHA to autonomously complete complex mobile manipulation tasks such as sauteing and serving a piece of shrimp, opening a two-door wall cabinet to store heavy cooking pots, calling and entering an elevator, and lightly rinsing a used pan using a kitchen faucet. Project website: https://mobile-aloha.github.io