Train a Multi-Task Diffusion Policy on RLBench-18 in One Day with One GPU

要約

トレーニングの時間とメモリの使用量を数桁短縮するマルチタスク視覚障害ロボット拡散ポリシーをトレーニングする方法を提示します。
この改善は、アクションの拡散とそれに影響を与えた画像拡散手法との間の以前に採用されていない区別から生じます。画像生成ターゲットは高次元であり、ロボットアクションははるかに低次元空間にあります。
一方、アクション生成の視覚言語条件は高次元のままです。
私たちのアプローチであるMini-Diffuserは、従来の1対1のサンプリング戦略ではなく、各視力言語条件と複数のnoisedアクションサンプルを組み合わせたレベル2ミニバッチを導入することにより、この非対称性を活用します。
このバッチスキームをサポートするために、完全なコンディショニングアクセスを維持しながら、サンプル間の情報漏れを防ぐ拡散トランスに建築的適応を導入します。
RLBenchシミュレーションでは、Mini-Diffuserは、最先端のマルチタスク拡散ポリシーのパフォーマンスの95％を達成し、トレーニング時間の5 \％とメモリの7 \％のみを使用します。
実際の実験では、ミニディフューザーがマルチモーダルアクション分布をモデル化し、多様な知覚入力を条件付けた動作を生成する能力など、拡散ベースのポリシーの重要な強みを保持することをさらに検証します。
github.com/utomm/mini-diffuse-actorで入手可能なコード。

要約(オリジナル)

We present a method for training multi-task vision-language robotic diffusion policies that reduces training time and memory usage by an order of magnitude. This improvement arises from a previously underexplored distinction between action diffusion and the image diffusion techniques that inspired it: image generation targets are high-dimensional, while robot actions lie in a much lower-dimensional space. Meanwhile, the vision-language conditions for action generation remain high-dimensional. Our approach, Mini-Diffuser, exploits this asymmetry by introducing Level-2 minibatching, which pairs multiple noised action samples with each vision-language condition, instead of the conventional one-to-one sampling strategy. To support this batching scheme, we introduce architectural adaptations to the diffusion transformer that prevent information leakage across samples while maintaining full conditioning access. In RLBench simulations, Mini-Diffuser achieves 95\% of the performance of state-of-the-art multi-task diffusion policies, while using only 5\% of the training time and 7\% of the memory. Real-world experiments further validate that Mini-Diffuser preserves the key strengths of diffusion-based policies, including the ability to model multimodal action distributions and produce behavior conditioned on diverse perceptual inputs. Code available at github.com/utomm/mini-diffuse-actor.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google