MuST: Multi-Head Skill Transformer for Long-Horizon Dexterous Manipulation with Skill Progress

要約

ロボットのピッキングとパッキングタスクには、オブジェクトを再配置するためのオブジェクトを再配置するなど、巧妙な操作スキルが必要です。
これらのタスクは、必要なアクションの複雑さと変動性のため、ロボットにとって困難です。
長距離タスクの学習と実行の難しさに取り組むために、マルチヘッドスキルトランス（必須）と呼ばれる新しいフレームワークを提案します。
このモデルは、複数のモーションプリミティブ（スキル）を学習し、連続的に連鎖させるように設計されており、ロボットが複雑なアクションシーケンスを効果的に実行できるようにします。
各スキルに「進行状況」を導入し、次に実行するスキルについてロボットを導き、スキル間のスムーズな移行を確保する必要があります。
さらに、モデルはスキルセットを拡大し、さまざまなサブタスクのシーケンスを効率的に管理できます。
シミュレートされた環境と現実世界の両方の環境での広範な実験は、ロボットが長距離駆除操作タスクを実行するロボットの能力を大幅に向上させる必要があることを示しています。

要約(オリジナル)

Robot picking and packing tasks require dexterous manipulation skills, such as rearranging objects to establish a good grasping pose, or placing and pushing items to achieve tight packing. These tasks are challenging for robots due to the complexity and variability of the required actions. To tackle the difficulty of learning and executing long-horizon tasks, we propose a novel framework called the Multi-Head Skill Transformer (MuST). This model is designed to learn and sequentially chain together multiple motion primitives (skills), enabling robots to perform complex sequences of actions effectively. MuST introduces a ‘progress value’ for each skill, guiding the robot on which skill to execute next and ensuring smooth transitions between skills. Additionally, our model is capable of expanding its skill set and managing various sequences of sub-tasks efficiently. Extensive experiments in both simulated and real-world environments demonstrate that MuST significantly enhances the robot’s ability to perform long-horizon dexterous manipulation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google