MATCH POLICY: A Simple Pipeline from Point Cloud Registration to Manipulation Policies

要約

マニピュレーションタスクの多くは、ロボットが物体を相対的に再配置することを必要とする。このようなタスクは、一連の剛体間の相対姿勢のシーケンスとして記述することができる。本研究では、高精度のピックアンドプレースタスクを解くための、シンプルだが新しいパイプラインであるMATCH POLICYを提案する。アクションを直接予測する代わりに、我々の手法では、ピックアンドプレースのターゲットを保存されたデモンストレーションに登録する。これにより、行動推論を点群登録タスクに移行し、学習無しで非自明な操作ポリシーを実現することが可能となる。MATCH POLICYは、キーフレーム設定による高精度タスクを解決するために設計されている。幾何学的相互作用とタスクの対称性を活用することで、極めて高いサンプル効率と未知の構成への汎化性を実現する。RLBenchベンチマークにおいて、複数の強力なベースラインと比較し、様々なタスクにおける最先端の性能を実証し、6つのタスクを持つ実際のロボットでテストする。

要約(オリジナル)

Many manipulation tasks require the robot to rearrange objects relative to one another. Such tasks can be described as a sequence of relative poses between parts of a set of rigid bodies. In this work, we propose MATCH POLICY, a simple but novel pipeline for solving high-precision pick and place tasks. Instead of predicting actions directly, our method registers the pick and place targets to the stored demonstrations. This transfers action inference into a point cloud registration task and enables us to realize nontrivial manipulation policies without any training. MATCH POLICY is designed to solve high-precision tasks with a key-frame setting. By leveraging the geometric interaction and the symmetries of the task, it achieves extremely high sample efficiency and generalizability to unseen configurations. We demonstrate its state-of-the-art performance across various tasks on RLBench benchmark compared with several strong baselines and test it on a real robot with six tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL