Few-shot Adaptation for Manipulating Granular Materials Under Domain Shift

要約

地球外惑星における自律型着陸船ミッションでは、地球上でどれだけサンプリング戦略をチューニングしても、ドメインシフトに対応しながら粒状物質をサンプリングする必要がある。本論文では、メタ学習で訓練された深層ガウスプロセス法を用いて、ターゲット地形での非常に限られた経験からオンラインで学習する適応的スクープ戦略を提案する。本論文では、新しいメタ学習アプローチであるDeep Meta-Learning with Controlled Deployment Gaps (CoDeGa) を導入し、大きなドメインシフトの下でも頑健に掬い量を予測するために深層カーネルを明示的に学習させることを示す。ベイズ最適化逐次意思決定のフレームワークで採用された本手法は、ロボットがビジョンとごくわずかなオンライン経験を用いて、分布外の地形で高品質のすくい上げ動作を実現し、発掘の文献で提案されている非適応手法や他の最先端メタ学習法を大幅に上回る。さらに、粒状物質の操作とメタ学習に関する今後の研究のために、多様な材料、地形、構成で収集した6,700件のスクープ実行データセットを公開する。

要約(オリジナル)

Autonomous lander missions on extraterrestrial bodies will need to sample granular material while coping with domain shift, no matter how well a sampling strategy is tuned on Earth. This paper proposes an adaptive scooping strategy that uses deep Gaussian process method trained with meta-learning to learn on-line from very limited experience on the target terrains. It introduces a novel meta-training approach, Deep Meta-Learning with Controlled Deployment Gaps (CoDeGa), that explicitly trains the deep kernel to predict scooping volume robustly under large domain shifts. Employed in a Bayesian Optimization sequential decision-making framework, the proposed method allows the robot to use vision and very little on-line experience to achieve high-quality scooping actions on out-of-distribution terrains, significantly outperforming non-adaptive methods proposed in the excavation literature as well as other state-of-the-art meta-learning methods. Moreover, a dataset of 6,700 executed scoops collected on a diverse set of materials, terrain topography, and compositions is made available for future research in granular material manipulation and meta-learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL