Problem Space Transformations for Generalisation in Behavioural Cloning

要約

行動クローニングとニューラル ネットワークの組み合わせにより、ロボット操作が大幅に進歩しました。
これらのアルゴリズムは対象となるタスクごとに多数のデモンストレーションを必要とする可能性があるため、複雑なシナリオでは依然として根本的に非効率的です。
この問題は、システムがその物理的特性を無視してブラックボックスとして扱われる場合に悪化します。
この研究は、ポーズの等価性や局所性など、ロボット操作の広範な特性を特徴づけています。
我々は、これらの特性のそれぞれから生じる変換により、動作クローニングでトレーニングされたニューラル ポリシーが分布外の問題インスタンスに対してより適切に一般化できることを経験的に示しています。

要約(オリジナル)

The combination of behavioural cloning and neural networks has driven significant progress in robotic manipulation. As these algorithms may require a large number of demonstrations for each task of interest, they remain fundamentally inefficient in complex scenarios. This issue is aggravated when the system is treated as a black-box, ignoring its physical properties. This work characterises widespread properties of robotic manipulation, such as pose equivariance and locality. We empirically demonstrate that transformations arising from each of these properties allow neural policies trained with behavioural cloning to better generalise to out-of-distribution problem instances.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google