Aproveitando a Localidade para Aumentar a Eficiência da Amostragem na Manipulação Robótica

Leveraging Locality to Boost Sample Efficiency in Robotic Manipulation

June 15, 2024

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

cs.AI

Resumo

Dado o alto custo de coletar dados robóticos no mundo real, a eficiência amostral é uma busca constantemente convincente na robótica. Neste artigo, apresentamos SGRv2, um framework de aprendizado por imitação que aprimora a eficiência amostral por meio de representações visuais e de ação aprimoradas. Central para o design do SGRv2 está a incorporação de um viés indutivo crítico - a localidade da ação, que postula que as ações do robô são predominantemente influenciadas pelo objeto alvo e suas interações com o ambiente local. Experimentos extensivos em ambientes simulados e no mundo real demonstram que a localidade da ação é essencial para aumentar a eficiência amostral. O SGRv2 se destaca nas tarefas do RLBench com controle de keyframe usando apenas 5 demonstrações e supera o modelo de referência RVT em 23 de 26 tarefas. Além disso, ao ser avaliado no ManiSkill2 e MimicGen usando controle denso, a taxa de sucesso do SGRv2 é 2,54 vezes maior que a do SGR. Em ambientes do mundo real, com apenas oito demonstrações, o SGRv2 pode realizar uma variedade de tarefas com uma taxa de sucesso significativamente maior em comparação com os modelos de referência. Website do projeto: 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