Towards Generalist Robot Learning from Internet Video: A Survey

要約

この調査では、強化学習 (RL) とロボット工学のコンテキストでビデオから学習する (LfV) 方法の概要を示します。
私たちは、大規模なインターネット ビデオ データセットに拡張できる方法と、その過程で世界の力学と人間の物理的行動に関する基礎的な知識を抽出できる方法に焦点を当てています。
このような手法は、汎用ロボットの開発に大いに期待されています。
まず、LfV-for-robotics 設定に関連する基本概念の概要を説明します。
これには、LfV 手法が提供できるエキサイティングな利点 (例: 利用可能なロボット データを超えた一般化の向上) についての説明と、LfV の主要な課題 (例: ビデオ内の欠落情報や LfV 配信のシフトに関連する課題) についての解説が含まれます。
私たちの文献レビューは、大規模で異種のビデオ データセットから知識を抽出できるビデオ基盤モデル技術の分析から始まります。
次に、特にビデオ データをロボット学習に活用する方法を確認します。
ここでは、どの RL 知識モダリティがビデオ データの使用から恩恵を受けるかに応じて、作業を分類します。
さらに、ビデオ内でアクション ラベルが欠落している問題に対処するアクション表現のレビューなど、LfV の課題を軽減するためのテクニックにも焦点を当てます。
最後に、LfV の課題と機会について議論して調査を終える前に、LfV データセットとベンチマークを調査します。
ここでは、利用可能なデータの全範囲を活用し、LfV の主要な利点をターゲットとしたスケーラブルなアプローチを提唱します。
全体として、この調査が LfV の新興分野の包括的な参考資料として機能し、この分野のさらなる研究を促進し、最終的には汎用ロボットの入手に向けた進歩を促進することを願っています。

要約(オリジナル)

This survey presents an overview of methods for learning from video (LfV) in the context of reinforcement learning (RL) and robotics. We focus on methods capable of scaling to large internet video datasets and, in the process, extracting foundational knowledge about the world’s dynamics and physical human behaviour. Such methods hold great promise for developing general-purpose robots. We open with an overview of fundamental concepts relevant to the LfV-for-robotics setting. This includes a discussion of the exciting benefits LfV methods can offer (e.g., improved generalization beyond the available robot data) and commentary on key LfV challenges (e.g., challenges related to missing information in video and LfV distribution shifts). Our literature review begins with an analysis of video foundation model techniques that can extract knowledge from large, heterogeneous video datasets. Next, we review methods that specifically leverage video data for robot learning. Here, we categorise work according to which RL knowledge modality benefits from the use of video data. We additionally highlight techniques for mitigating LfV challenges, including reviewing action representations that address the issue of missing action labels in video. Finally, we examine LfV datasets and benchmarks, before concluding the survey by discussing challenges and opportunities in LfV. Here, we advocate for scalable approaches that can leverage the full range of available data and that target the key benefits of LfV. Overall, we hope this survey will serve as a comprehensive reference for the emerging field of LfV, catalysing further research in the area, and ultimately facilitating progress towards obtaining general-purpose robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google