A Survey of Embodied Learning for Object-Centric Robotic Manipulation

要約

オブジェクト中心のロボット操作のための身体化学習は、身体化 AI において急速に発展しており、挑戦的な分野です。
これは次世代の知能ロボットの発展に不可欠であり、最近大きな関心を集めています。
データ駆動型の機械学習手法とは異なり、身体的学習は、環境との物理的な相互作用や知覚フィードバックを通じたロボット学習に焦点を当てているため、ロボット操作に特に適しています。
この論文では、この分野の最新の進歩に関する包括的な調査を提供し、既存の研究を 3 つの主な分野に分類します。 1) 身体化された知覚学習。これは、さまざまなデータ表現を通じてオブジェクトのポーズとアフォーダンスを予測することを目的としています。
2) 強化学習や模倣学習などの方法を使用して、ロボットによる最適な意思決定を生成することに焦点を当てた、具体化されたポリシー学習。
3) 具現化されたタスク指向学習。物体の把握と操作におけるさまざまなタスクの特性に基づいてロボットのパフォーマンスを最適化するように設計されています。
さらに、公開データセット、評価指標、代表的なアプリケーション、現在の課題、および潜在的な将来の研究の方向性についての概要と議論を提供します。
この調査に関連するプロジェクトが https://github.com/RayYoh/OCRM_survey に設立されています。

要約(オリジナル)

Embodied learning for object-centric robotic manipulation is a rapidly developing and challenging area in embodied AI. It is crucial for advancing next-generation intelligent robots and has garnered significant interest recently. Unlike data-driven machine learning methods, embodied learning focuses on robot learning through physical interaction with the environment and perceptual feedback, making it especially suitable for robotic manipulation. In this paper, we provide a comprehensive survey of the latest advancements in this field and categorize the existing work into three main branches: 1) Embodied perceptual learning, which aims to predict object pose and affordance through various data representations; 2) Embodied policy learning, which focuses on generating optimal robotic decisions using methods such as reinforcement learning and imitation learning; 3) Embodied task-oriented learning, designed to optimize the robot’s performance based on the characteristics of different tasks in object grasping and manipulation. In addition, we offer an overview and discussion of public datasets, evaluation metrics, representative applications, current challenges, and potential future research directions. A project associated with this survey has been established at https://github.com/RayYoh/OCRM_survey.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google