OminiAdapt: Learning Cross-Task Invariance for Robust and Environment-Aware Robotic Manipulation

要約

具体化されたインテリジェンスの急速な発展により、ヒューマノイドロボットの高レベルの模倣学習のための大規模な人間データを活用することは、学界と産業の両方で関心のある焦点となっています。
しかし、ヒューマノイドロボットを精密な動作ドメインに適用すると、知覚と制御プロセスに直面している複雑さ、ヒューマノイドロボットと人間の間の形態と作動のメカニズムの長年の物理的違い、および利己的視から得られたタスク関連の特徴の欠如があるため、依然として困難なままです。
模倣学習における共変量シフトの問題に対処するために、このペーパーでは、ヒューマノイドロボットに合わせた模倣学習アルゴリズムを提案します。
主要なタスクの目的に焦点を当て、背景情報を除外し、チャネル特徴の融合を空間的注意メカニズムと組み込むことにより、提案されたアルゴリズムは環境障害を抑制し、動的な重量更新戦略を利用して、ターゲットタスクの達成におけるヒューマノイドロボットの成功率を大幅に改善します。
実験結果は、提案された方法がさまざまな典型的なタスクシナリオにわたって堅牢性とスケーラビリティを示し、ヒューマノイドロボットの自律学習と制御のための新しいアイデアとアプローチを提供することを示しています。
このプロジェクトはGithubでオープンソーシングされます。

要約(オリジナル)

With the rapid development of embodied intelligence, leveraging large-scale human data for high-level imitation learning on humanoid robots has become a focal point of interest in both academia and industry. However, applying humanoid robots to precision operation domains remains challenging due to the complexities they face in perception and control processes, the long-standing physical differences in morphology and actuation mechanisms between humanoid robots and humans, and the lack of task-relevant features obtained from egocentric vision. To address the issue of covariate shift in imitation learning, this paper proposes an imitation learning algorithm tailored for humanoid robots. By focusing on the primary task objectives, filtering out background information, and incorporating channel feature fusion with spatial attention mechanisms, the proposed algorithm suppresses environmental disturbances and utilizes a dynamic weight update strategy to significantly improve the success rate of humanoid robots in accomplishing target tasks. Experimental results demonstrate that the proposed method exhibits robustness and scalability across various typical task scenarios, providing new ideas and approaches for autonomous learning and control in humanoid robots. The project will be open-sourced on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google