要約
現実世界で自律的に動作するロボット エージェントは、最小限の人間による監視で、環境を継続的に探索し、収集されたデータから学習する必要があります。
監視なしでこのような方法で学習できるエージェントを構築することは可能ですが、現在の方法では現実世界へのスケーリングに苦労しています。
したがって、私たちは、ほとんどのトレーニングと対話時間で現実の世界でタスクを実行できる、自律的に探索するロボットエージェントである ALAN を提案します。
これは、オブジェクトの動きを反映し、ロボットの位置の変化を無視する環境変化を測定することによって可能になります。
このメトリックを環境中心の信号として直接使用し、予測される環境変化の不確実性を最大化して、エージェント中心の探索信号を提供します。
2 つの異なる現実世界のプレイ キッチン設定でアプローチを評価し、ロボットが操作スキルを効率的に探索して発見し、目標画像で指定されたタスクを実行できるようにします。
https://robo-explorer.github.io/ の Web サイト
要約(オリジナル)
Robotic agents that operate autonomously in the real world need to continuously explore their environment and learn from the data collected, with minimal human supervision. While it is possible to build agents that can learn in such a manner without supervision, current methods struggle to scale to the real world. Thus, we propose ALAN, an autonomously exploring robotic agent, that can perform tasks in the real world with little training and interaction time. This is enabled by measuring environment change, which reflects object movement and ignores changes in the robot position. We use this metric directly as an environment-centric signal, and also maximize the uncertainty of predicted environment change, which provides agent-centric exploration signal. We evaluate our approach on two different real-world play kitchen settings, enabling a robot to efficiently explore and discover manipulation skills, and perform tasks specified via goal images. Website at https://robo-explorer.github.io/
arxiv情報
| 著者 | Russell Mendonca,Shikhar Bahl,Deepak Pathak |
| 発行日 | 2023-02-13 18:59:09+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google