ActivePusher: Active Learning and Planning with Residual Physics for Nonprehensile Manipulation

要約

学習したダイナミクスモデルを使用した計画は、特に正確な分析モデルの取得が困難なプッシュやローリングなどの非摂食設定で、現実世界の長距離操作に対する有望なアプローチを提供します。
学習ベースの方法は有望ですが、トレーニングデータの収集は、必ずしも最も有益なものではないランダムにサンプリングされた相互作用に依存することが多いため、費用と非効率的です。
この課題に対処するために、ActivePusherを提案します。これは、最も有益なスキルパラメーターにデータ収集を集中させるために、残留物理モデリングとカーネルベースの不確実性駆動型のアクティブ学習を組み合わせた新しいフレームワークです。
さらに、ActivePusherはモデルベースの運動力学プランナーとシームレスに統合され、より信頼性の高いアクションに向けたサンプリングをバイアス制御するために不確実性の推定値を活用します。
シミュレーションと実際の環境の両方でアプローチを評価し、ベースライン方法と比較してデータの効率と計画の成功率を改善することを実証します。

要約(オリジナル)

Planning with learned dynamics models offers a promising approach toward real-world, long-horizon manipulation, particularly in nonprehensile settings such as pushing or rolling, where accurate analytical models are difficult to obtain. Although learning-based methods hold promise, collecting training data can be costly and inefficient, as it often relies on randomly sampled interactions that are not necessarily the most informative. To address this challenge, we propose ActivePusher, a novel framework that combines residual-physics modeling with kernel-based uncertainty-driven active learning to focus data acquisition on the most informative skill parameters. Additionally, ActivePusher seamlessly integrates with model-based kinodynamic planners, leveraging uncertainty estimates to bias control sampling toward more reliable actions. We evaluate our approach in both simulation and real-world environments and demonstrate that it improves data efficiency and planning success rates compared to baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google