Subconscious Robotic Imitation Learning

要約

ロボット模倣学習 (RIL) は身体化されたインテリジェント ロボットにとって有望ですが、既存の RIL アプローチは計算集約的なマルチモデル軌道予測に依存しているため、実行が遅くなり、リアルタイム応答性が制限されます。
その代わりに、人間の潜在意識は、経験、認識、学習からの膨大な量の情報を常に処理して保存することができ、意識的にそれぞれについて考えることなく、自転車に乗るなどの複雑な行動を実行できるようになります。
行動神経学におけるこの現象に触発されて、私たちは潜在意識ロボット模倣学習 (SRIL) を導入しました。これでは、認知オフロードと履歴アクション チャンキングを組み合わせて、モデル推論によって引き起こされる遅延を削減し、それによってタスクの実行を加速します。
このプロセスは、潜在意識のダウンサンプリングとパターン拡張学習ポリシーによってさらに強化され、意図が豊富な情報が量子化サンプリング技術で処理され、操作効率が向上しました。
実験結果では、包括的なデュアルアーム タスクでは SRIL の実行速度が SOTA ポリシーよりも 100\% ～ 200\% 速く、成功率が一貫して高いことが実証されました。

要約(オリジナル)

Although robotic imitation learning (RIL) is promising for embodied intelligent robots, existing RIL approaches rely on computationally intensive multi-model trajectory predictions, resulting in slow execution and limited real-time responsiveness. Instead, human beings subconscious can constantly process and store vast amounts of information from their experiences, perceptions, and learning, allowing them to fulfill complex actions such as riding a bike, without consciously thinking about each. Inspired by this phenomenon in action neurology, we introduced subconscious robotic imitation learning (SRIL), wherein cognitive offloading was combined with historical action chunkings to reduce delays caused by model inferences, thereby accelerating task execution. This process was further enhanced by subconscious downsampling and pattern augmented learning policy wherein intent-rich information was addressed with quantized sampling techniques to improve manipulation efficiency. Experimental results demonstrated that execution speeds of the SRIL were 100\% to 200\% faster over SOTA policies for comprehensive dual-arm tasks, with consistently higher success rates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google