SAIL: Faster-than-Demonstration Execution of Imitation Learning Policies

要約

オフライン模倣学習（IL）行動クローンなどの方法は、複雑なロボット操作スキルを習得するのに効果的です。
ただし、既存のILトレーニングポリシーは、デモデータに示されているのと同じ速度でタスクを実行することに限定されます。
これにより、産業自動化などのアプリケーションの重要な要件であるロボットシステムのタスクスループットが制限されます。
このホワイトペーパーでは、視覚運動ポリシーをより速く実行することを可能にするという新しい問題を紹介し、形式化し、ロボットダイナミクスと状態アクション分布シフトにおける基本的な課題を特定します。
重要な洞察をセイル（模倣学習の速度適応）、4つの厳密に接続されたコンポーネントを統合するフルスタックシステムとしてインスタンス化します。
現実世界のシステムレイテンシ。
シミュレーション全体の12のタスクと2つのリアルで異なるロボットプラットフォームでの実験は、Sailがシミュレーションでのデモ速度を超えて最大4倍のスピードアップと、現実世界で最大3.2倍の高速化を達成することを示しています。
追加の詳細は、https：//nadunranawaka1.github.io/sail-policyで入手できます

要約(オリジナル)

Offline Imitation Learning (IL) methods such as Behavior Cloning are effective at acquiring complex robotic manipulation skills. However, existing IL-trained policies are confined to executing the task at the same speed as shown in demonstration data. This limits the task throughput of a robotic system, a critical requirement for applications such as industrial automation. In this paper, we introduce and formalize the novel problem of enabling faster-than-demonstration execution of visuomotor policies and identify fundamental challenges in robot dynamics and state-action distribution shifts. We instantiate the key insights as SAIL (Speed Adaptation for Imitation Learning), a full-stack system integrating four tightly-connected components: (1) a consistency-preserving action inference algorithm for smooth motion at high speed, (2) high-fidelity tracking of controller-invariant motion targets, (3) adaptive speed modulation that dynamically adjusts execution speed based on motion complexity, and (4) action scheduling to handle real-world system latencies. Experiments on 12 tasks across simulation and two real, distinct robot platforms show that SAIL achieves up to a 4x speedup over demonstration speed in simulation and up to 3.2x speedup in the real world. Additional detail is available at https://nadunranawaka1.github.io/sail-policy

arxiv情報

提供元, 利用サービス

arxiv.jp, Google