DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset

要約

大規模で多様な高品質のロボット操作データセットの作成は、より能力が高く堅牢なロボット操作ポリシーへの道の重要な足がかりです。
ただし、このようなデータセットの作成は困難です。さまざまな環境でロボット操作データを収集すると、物流と安全の課題があり、ハードウェアと人間の労働に多額の投資が必要です。
その結果、今日の最も一般的なロボット操作ポリシーでさえ、ほとんどの場合、シーンとタスクの多様性が限られている少数の環境で収集されたデータでトレーニングされています。
この作業では、76Kデモ軌道または350時間のインタラクションデータを備えた多様なロボット操作データセットであるDroid（分散ロボットインタラクションデータセット）を紹介します。
Droidでのトレーニングは、パフォーマンスが高く、一般化能力が向上したポリシーにつながることを実証します。
完全なデータセット、ポリシー学習コード、ロボットハードウェアのセットアップを再現するための詳細なガイドをオープンします。

要約(オリジナル)

The creation of large, diverse, high-quality robot manipulation datasets is an important stepping stone on the path toward more capable and robust robotic manipulation policies. However, creating such datasets is challenging: collecting robot manipulation data in diverse environments poses logistical and safety challenges and requires substantial investments in hardware and human labour. As a result, even the most general robot manipulation policies today are mostly trained on data collected in a small number of environments with limited scene and task diversity. In this work, we introduce DROID (Distributed Robot Interaction Dataset), a diverse robot manipulation dataset with 76k demonstration trajectories or 350 hours of interaction data, collected across 564 scenes and 84 tasks by 50 data collectors in North America, Asia, and Europe over the course of 12 months. We demonstrate that training with DROID leads to policies with higher performance and improved generalization ability. We open source the full dataset, policy learning code, and a detailed guide for reproducing our robot hardware setup.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google