DEFT: Dexterous Fine-Tuning for Real-World Hand Policies

要約

器用さは複雑な操作の基礎として見られることがよくあります。
人間は、食べ物を作ることから道具を操作することまで、手を使ってさまざまなスキルを実行することができます。
この論文では、特に柔らかく変形可能なオブジェクトや複雑で比較的長期にわたるタスクの場合に、これらの課題を調査します。
ただし、そのような動作を最初から学習することはデータ効率が非効率になる可能性があります。
これを回避するために、現実世界で直接実行される人間主導の事前予測を活用する新しいアプローチ DEFT (DExterous Fine-Tuning for Hand Policies) を提案します。
これらの従来の問題を改善するために、DEFT には効率的なオンライン最適化手順が含まれています。
人間ベースの学習とオンライン微調整を統合し、ソフトなロボットハンドと組み合わせることで、DEFT はさまざまなタスクにわたって成功を実証し、一般的な器用な操作に向けた堅牢でデータ効率の高い経路を確立します。
ビデオ結果については、当社の Web サイト https://dexterous-finetuning.github.io をご覧ください。

要約(オリジナル)

Dexterity is often seen as a cornerstone of complex manipulation. Humans are able to perform a host of skills with their hands, from making food to operating tools. In this paper, we investigate these challenges, especially in the case of soft, deformable objects as well as complex, relatively long-horizon tasks. However, learning such behaviors from scratch can be data inefficient. To circumvent this, we propose a novel approach, DEFT (DExterous Fine-Tuning for Hand Policies), that leverages human-driven priors, which are executed directly in the real world. In order to improve upon these priors, DEFT involves an efficient online optimization procedure. With the integration of human-based learning and online fine-tuning, coupled with a soft robotic hand, DEFT demonstrates success across various tasks, establishing a robust, data-efficient pathway toward general dexterous manipulation. Please see our website at https://dexterous-finetuning.github.io for video results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google