Think Small, Act Big: Primitive Prompt Learning for Lifelong Robot Manipulation

要約

継続的なスキル獲得のために事前知識を効果的に活用できる生涯ロボットを構築することは、依然として非常に困難です。
経験のリプレイとパラメーター効率の高い方法の成功にもかかわらず、壊滅的な忘却の問題を軽減する際のパラメーター効率の高い方法にもかかわらず、これらの方法を素朴に適用すると、スキル間で共有されたプリミティブを活用できなくなります。
これらの問題に取り組むために、再利用可能で拡張可能なプリミティブを介して生涯ロボット操作を達成するために、プリミティブ迅速学習（PPL）を提案します。
2つの段階学習スキーム内で、最初に、さまざまなスキルにわたってセマンティックとモーション共有のプリミティブをキャプチャするためにモーション認識プロンプトが学習されるマルチスキル前段階で共有されたプリミティブを表す一連のプリミティブプロンプトを学びます。
第二に、生涯にわたって新しいスキルを獲得するとき、新しいプロンプトが凍結された前提条件のプロンプトで追加され、最適化され、古いスキルから新しいスキルへの知識移転を介して学習を後押しします。
評価のために、大規模なスキルデータセットを構築し、シミュレーションと現実世界の両方のタスクの両方で広範な実験を実施し、最先端の方法よりもPPLの優れたパフォーマンスを実証します。

要約(オリジナル)

Building a lifelong robot that can effectively leverage prior knowledge for continuous skill acquisition remains significantly challenging. Despite the success of experience replay and parameter-efficient methods in alleviating catastrophic forgetting problem, naively applying these methods causes a failure to leverage the shared primitives between skills. To tackle these issues, we propose Primitive Prompt Learning (PPL), to achieve lifelong robot manipulation via reusable and extensible primitives. Within our two stage learning scheme, we first learn a set of primitive prompts to represent shared primitives through multi-skills pre-training stage, where motion-aware prompts are learned to capture semantic and motion shared primitives across different skills. Secondly, when acquiring new skills in lifelong span, new prompts are appended and optimized with frozen pretrained prompts, boosting the learning via knowledge transfer from old skills to new ones. For evaluation, we construct a large-scale skill dataset and conduct extensive experiments in both simulation and real-world tasks, demonstrating PPL’s superior performance over state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google