Ensemble Latent Space Roadmap for Improved Robustness in Visual Action Planning

要約

学習された潜在空間での計画は、生の観測の次元を減らすのに役立ちます。
この作業では、アンサンブル パラダイムを活用して、潜在計画システムの堅牢性を強化することを提案します。
私たちは、計画を実行するために、学習した構造化された潜在空間にグラフを構築する潜在空間ロードマップ (LSR) フレームワークに依存しています。
潜在空間またはグラフを構築するためのパラメーターのいずれかが異なる複数の LSR フレームワーク インスタンスが与えられた場合、アクション情報と生成された計画の埋め込みノードを使用して、類似度を定義します。
これらは、最も有望な計画を選択するために利用されます。
Ensemble LSR (ENS-LSR) のパフォーマンスを、シミュレートされた箱の積み重ねとブドウの収穫タスク、および実際のロボットによる T シャツの折り畳み実験で検証します。

要約(オリジナル)

Planning in learned latent spaces helps to decrease the dimensionality of raw observations. In this work, we propose to leverage the ensemble paradigm to enhance the robustness of latent planning systems. We rely on our Latent Space Roadmap (LSR) framework, which builds a graph in a learned structured latent space to perform planning. Given multiple LSR framework instances, that differ either on their latent spaces or on the parameters for constructing the graph, we use the action information as well as the embedded nodes of the produced plans to define similarity measures. These are then utilized to select the most promising plans. We validate the performance of our Ensemble LSR (ENS-LSR) on simulated box stacking and grape harvesting tasks as well as on a real-world robotic T-shirt folding experiment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google