Unsupervised Skill Discovery for Robotic Manipulation through Automatic Task Generation

要約

ロボット操作にとって、物体と対話するスキルを学習することは非常に重要です。
これらのスキルは、さまざまな操作タスクを解決するための効率的な事前学習として実際に役立ちます。
私たちは、自律的に生成された多数の多様なタスクを解決することで、構成可能な動作を発見する、新しいスキル学習アプローチを提案します。
私たちのメソッドは、ロボットがその環境内のオブジェクトと一貫して確実に対話できるようにするスキルを学習します。
発見された動作は、目に見えない操作タスクを解決するために階層強化学習で構成できるプリミティブに埋め込まれます。
特に、非対称セルフプレイを活用して動作を発見し、乗算的構成ポリシーを埋め込んでいます。
私たちの方法をスキル学習のベースラインと比較したところ、スキルがよりインタラクティブであることがわかりました。
さらに、学習したスキルを使用して、シミュレーションでも実際のロボット プラットフォームでも、目に見えない一連の操作タスクを解決できます。

要約(オリジナル)

Learning skills that interact with objects is of major importance for robotic manipulation. These skills can indeed serve as an efficient prior for solving various manipulation tasks. We propose a novel Skill Learning approach that discovers composable behaviors by solving a large and diverse number of autonomously generated tasks. Our method learns skills allowing the robot to consistently and robustly interact with objects in its environment. The discovered behaviors are embedded in primitives which can be composed with Hierarchical Reinforcement Learning to solve unseen manipulation tasks. In particular, we leverage Asymmetric Self-Play to discover behaviors and Multiplicative Compositional Policies to embed them. We compare our method to Skill Learning baselines and find that our skills are more interactive. Furthermore, the learned skills can be used to solve a set of unseen manipulation tasks, in simulation as well as on a real robotic platform.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google