CoinRobot: Generalized End-to-end Robotic Learning for Physical Intelligence

要約

物理的知性は、具体化された知性を進めるための計り知れない約束を保持し、ロボットがデモンストレーションから複雑な行動を獲得できるようにします。
ただし、多様なロボットプラットフォームと環境を横切る一般化と転送を実現するには、モデルアーキテクチャ、トレーニング戦略、データの多様性を慎重に設計する必要があります。
一方、既存のシステムは、多くの場合、スケーラビリティ、不均一なハードウェアへの適応性、および実際の設定での客観的評価と格闘しています。
このギャップを埋めるために設計された一般化されたエンドツーエンドのロボット学習フレームワークを紹介します。
私たちのフレームワークでは、クロスプラットフォームの適応性をサポートする統一されたアーキテクチャを紹介し、産業グレードのロボット、共同アーム、およびタスク固有の修正なしの新しい実施形態全体でシームレスな展開を可能にします。
マルチタスク学習を合理化されたネットワーク設計と統合することにより、さまざまなセンサーの構成とアクションスペースとの互換性を維持しながら、従来のアプローチよりも堅牢なパフォーマンスを実現します。
7つの操作タスクに関する広範な実験を通じて、フレームワークを検証します。
特に、私たちのフレームワークで訓練された拡散ベースのモデルは、Lerobotフレームワークと比較して優れたパフォーマンスと一般化可能性を実証し、多様なロボットプラットフォームと環境条件全体のパフォーマンスの改善を実現しました。

要約(オリジナル)

Physical intelligence holds immense promise for advancing embodied intelligence, enabling robots to acquire complex behaviors from demonstrations. However, achieving generalization and transfer across diverse robotic platforms and environments requires careful design of model architectures, training strategies, and data diversity. Meanwhile existing systems often struggle with scalability, adaptability to heterogeneous hardware, and objective evaluation in real-world settings. We present a generalized end-to-end robotic learning framework designed to bridge this gap. Our framework introduces a unified architecture that supports cross-platform adaptability, enabling seamless deployment across industrial-grade robots, collaborative arms, and novel embodiments without task-specific modifications. By integrating multi-task learning with streamlined network designs, it achieves more robust performance than conventional approaches, while maintaining compatibility with varying sensor configurations and action spaces. We validate our framework through extensive experiments on seven manipulation tasks. Notably, Diffusion-based models trained in our framework demonstrated superior performance and generalizability compared to the LeRobot framework, achieving performance improvements across diverse robotic platforms and environmental conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google