Few-shot Adaptation for Manipulating Granular Materials Under Domain Shift

要約

地球外天体での自律着陸船ミッションでは、地球上でサンプリング戦略がどれほど適切に調整されていたとしても、ドメインシフトに対処しながら粒状物質をサンプリングする必要があります。
この論文では、ターゲット地形上の非常に限られた経験からオンラインで学習するためにメタ学習で訓練されたディープガウスプロセス手法を使用する適応型スクーピング戦略を提案します。
新しいメタトレーニング アプローチである、制御されたデプロイメント ギャップを備えたディープ メタラーニング (CoDeGa) が導入されています。これは、大きなドメイン シフトの下でスクープ ボリュームをロバストに予測するためにディープ カーネルを明示的にトレーニングします。
ベイジアン最適化の逐次的意思決定フレームワークで採用された提案された方法により、ロボットは視覚とほとんどオンライン経験を使用せずに、分布外の地形で高品質のすくい動作を達成でき、これは、特許文献１で提案された非適応的方法を大幅に上回る。
発掘文献やその他の最先端のメタ学習方法。
さらに、さまざまなマテリアル、地形地形、組成について収集された 6,700 件の実行済みスクープのデータセットは、粒状マテリアルの操作やメタ学習における将来の研究に利用できるようになります。

要約(オリジナル)

Autonomous lander missions on extraterrestrial bodies will need to sample granular material while coping with domain shift, no matter how well a sampling strategy is tuned on Earth. This paper proposes an adaptive scooping strategy that uses deep Gaussian process method trained with meta-learning to learn on-line from very limited experience on the target terrains. It introduces a novel meta-training approach, Deep Meta-Learning with Controlled Deployment Gaps (CoDeGa), that explicitly trains the deep kernel to predict scooping volume robustly under large domain shifts. Employed in a Bayesian Optimization sequential decision-making framework, the proposed method allows the robot to use vision and very little on-line experience to achieve high-quality scooping actions on out-of-distribution terrains, significantly outperforming non-adaptive methods proposed in the excavation literature as well as other state-of-the-art meta-learning methods. Moreover, a dataset of 6,700 executed scoops collected on a diverse set of materials, terrain topography, and compositions is made available for future research in granular material manipulation and meta-learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google