MeMo: Meaningful, Modular Controllers via Noise Injection

要約

ロボットは、多くの場合、標準化されたアセンブリ（腕、脚、指など）から構築されますが、各ロボットはすべての部品のすべてのアクチュエーターを一緒に制御するためにゼロからトレーニングする必要があります。
このペーパーでは、単一のロボットとそのコントローラーを入力として採用し、これらの各アセンブリのモジュラーコントローラーのセットを生成する新しいアプローチを示します。
モジュラーコントローラーの再利用。
これは、（私）dularコントローラーを学習する（me）（me）dularコントローラーを学習するメモと呼ばれるフレームワークで達成します。
具体的には、モジュール間で適切な分業を学習するための新しいモジュール性の目標を提案します。
この目的は、ノイズインジェクションによる標準的な動作クローニング損失で同時に最適化できることを実証します。
単純から複雑なロボットの形態転送に関する環境と把握の枠組みでフレームワークをベンチマークします。
また、モジュールがタスク転送に役立つことも示します。
構造とタスクの両方の転送で、メモは、ニューラルネットワークとトランスベースラインをグラフ化するための改善されたトレーニング効率を達成します。

要約(オリジナル)

Robots are often built from standardized assemblies, (e.g. arms, legs, or fingers), but each robot must be trained from scratch to control all the actuators of all the parts together. In this paper we demonstrate a new approach that takes a single robot and its controller as input and produces a set of modular controllers for each of these assemblies such that when a new robot is built from the same parts, its control can be quickly learned by reusing the modular controllers. We achieve this with a framework called MeMo which learns (Me)aningful, (Mo)dular controllers. Specifically, we propose a novel modularity objective to learn an appropriate division of labor among the modules. We demonstrate that this objective can be optimized simultaneously with standard behavior cloning loss via noise injection. We benchmark our framework in locomotion and grasping environments on simple to complex robot morphology transfer. We also show that the modules help in task transfer. On both structure and task transfer, MeMo achieves improved training efficiency to graph neural network and Transformer baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google