Octo: Una Politica Robotica Generalista Open-Source

Abstract

Le politiche di grandi dimensioni pre-addestrate su dataset robotici diversificati hanno il potenziale di trasformare l'apprendimento robotico: invece di addestrare nuove politiche da zero, tali politiche generaliste per robot possono essere affinate con solo una piccola quantità di dati specifici del dominio, pur generalizzando ampiamente. Tuttavia, per essere ampiamente applicabili in una gamma di scenari, ambienti e compiti di apprendimento robotico, tali politiche devono gestire sensori e spazi d'azione diversificati, adattarsi a una varietà di piattaforme robotiche comunemente utilizzate e affinarsi prontamente ed efficientemente a nuovi domini. In questo lavoro, miriamo a gettare le basi per lo sviluppo di politiche generaliste open-source e ampiamente applicabili per la manipolazione robotica. Come primo passo, introduciamo Octo, una politica di grandi dimensioni basata su transformer addestrata su 800.000 traiettorie del dataset Open X-Embodiment, il più grande dataset di manipolazione robotica fino ad oggi. Può essere istruita tramite comandi linguistici o immagini obiettivo e può essere efficacemente affinata a configurazioni robotiche con nuovi input sensoriali e spazi d'azione in poche ore su GPU consumer standard. In esperimenti condotti su 9 piattaforme robotiche, dimostriamo che Octo funge da inizializzazione versatile per politiche che può essere efficacemente affinata a nuovi spazi di osservazione e azione. Eseguiamo anche ablazioni dettagliate delle decisioni di progettazione per il modello Octo, dall'architettura ai dati di addestramento, per guidare la ricerca futura sulla costruzione di modelli robotici generalisti.

English

Large policies pretrained on diverse robot datasets have the potential to transform robotic learning: instead of training new policies from scratch, such generalist robot policies may be finetuned with only a little in-domain data, yet generalize broadly. However, to be widely applicable across a range of robotic learning scenarios, environments, and tasks, such policies need to handle diverse sensors and action spaces, accommodate a variety of commonly used robotic platforms, and finetune readily and efficiently to new domains. In this work, we aim to lay the groundwork for developing open-source, widely applicable, generalist policies for robotic manipulation. As a first step, we introduce Octo, a large transformer-based policy trained on 800k trajectories from the Open X-Embodiment dataset, the largest robot manipulation dataset to date. It can be instructed via language commands or goal images and can be effectively finetuned to robot setups with new sensory inputs and action spaces within a few hours on standard consumer GPUs. In experiments across 9 robotic platforms, we demonstrate that Octo serves as a versatile policy initialization that can be effectively finetuned to new observation and action spaces. We also perform detailed ablations of design decisions for the Octo model, from architecture to training data, to guide future research on building generalist robot models.

Octo: Una Politica Robotica Generalista Open-Source

Octo: An Open-Source Generalist Robot Policy

Abstract

Support