FurnitureBench: Reproducible Real-World Benchmark for Long-Horizon Complex Manipulation

要約

強化学習 (RL)、模倣学習 (IL)、タスクおよび動作計画 (TAMP) は、さまざまなロボット操作タスクにわたって優れたパフォーマンスを実証しています。
ただし、これらのアプローチは、押すことやピックアンドプレイスなど、現在の現実世界の操作ベンチマークにおける単純な動作の学習に限定されています。
自律ロボットのより複雑で長期的な動作を可能にするために、現在のロボット操作の多くの課題を解決する必要がある、複雑で長期的なロボット操作タスクである現実世界の家具の組み立てに焦点を当てることを提案します。
私たちは、世界中の研究者がアルゴリズムを確実にテストし、以前の研究と比較できるように、参入障壁を低くし、簡単に再現できることを目的とした再現可能な現実世界の家具組み立てベンチマークである FurnitureBench を紹介します。
使いやすさのために、200 時間以上の事前収集データ (5000 以上のデモンストレーション)、3D 印刷可能な家具モデル、ロボット環境セットアップ ガイド、体系的なタスクの初期化が提供されています。
さらに、FurnitureBench の高速かつリアルなシミュレーターである FurnitureSim を提供します。
私たちは、組み立てタスクにおけるオフライン RL および IL アルゴリズムのパフォーマンスをベンチマークし、現実世界でタスクを解決できるようにそのようなアルゴリズムを改善する必要性を実証し、将来の研究に十分な機会を提供します。

要約(オリジナル)

Reinforcement learning (RL), imitation learning (IL), and task and motion planning (TAMP) have demonstrated impressive performance across various robotic manipulation tasks. However, these approaches have been limited to learning simple behaviors in current real-world manipulation benchmarks, such as pushing or pick-and-place. To enable more complex, long-horizon behaviors of an autonomous robot, we propose to focus on real-world furniture assembly, a complex, long-horizon robot manipulation task that requires addressing many current robotic manipulation challenges to solve. We present FurnitureBench, a reproducible real-world furniture assembly benchmark aimed at providing a low barrier for entry and being easily reproducible, so that researchers across the world can reliably test their algorithms and compare them against prior work. For ease of use, we provide 200+ hours of pre-collected data (5000+ demonstrations), 3D printable furniture models, a robotic environment setup guide, and systematic task initialization. Furthermore, we provide FurnitureSim, a fast and realistic simulator of FurnitureBench. We benchmark the performance of offline RL and IL algorithms on our assembly tasks and demonstrate the need to improve such algorithms to be able to solve our tasks in the real world, providing ample opportunities for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google