Adaptive Mobile Manipulation for Articulated Objects In the Open World

要約

家庭などのオープンエンドの非構造化環境にロボットを導入することは、長年の研究課題となっている。
しかし、ロボットは閉鎖された実験室環境でのみ研究されることが多く、これまでの移動操作作業はピック、ムーブ、プレイスに限定されており、おそらくこの分野では氷山の一角にすぎません。
この論文では、現実的な多関節オブジェクトの操作に取り組むためのフルスタック アプローチであるオープンワールド モバイル操作システムを紹介します。
オープンエンドの構造化されていない環境にある現実世界のドア、キャビネット、引き出し、冷蔵庫。
このロボットは、適応学習フレームワークを利用して、最初に動作の複製を通じて小さなデータセットから学習し、次にトレーニング分布の外にある新しいオブジェクトに関するオンライン演習から学習します。
また、非構造化環境での安全かつ自律的なオンライン適応が可能な低コストのモバイル操作ハードウェア プラットフォームも開発しています。コストは約 20,000 ドルです。
私たちの実験では、CMU キャンパス内の 4 つの建物にわたる 20 個の関節オブジェクトを使用します。
各オブジェクトのオンライン学習は 1 時間未満で、システムはオンライン適応を使用して BC 事前トレーニングの 50% から 95% まで成功率を高めることができます。
ビデオ結果は https://open-world-mobilemanip.github.io/ にあります。

要約(オリジナル)

Deploying robots in open-ended unstructured environments such as homes has been a long-standing research problem. However, robots are often studied only in closed-off lab settings, and prior mobile manipulation work is restricted to pick-move-place, which is arguably just the tip of the iceberg in this area. In this paper, we introduce Open-World Mobile Manipulation System, a full-stack approach to tackle realistic articulated object operation, e.g. real-world doors, cabinets, drawers, and refrigerators in open-ended unstructured environments. The robot utilizes an adaptive learning framework to initially learns from a small set of data through behavior cloning, followed by learning from online practice on novel objects that fall outside the training distribution. We also develop a low-cost mobile manipulation hardware platform capable of safe and autonomous online adaptation in unstructured environments with a cost of around 20,000 USD. In our experiments we utilize 20 articulate objects across 4 buildings in the CMU campus. With less than an hour of online learning for each object, the system is able to increase success rate from 50% of BC pre-training to 95% using online adaptation. Video results at https://open-world-mobilemanip.github.io/

arxiv情報

著者 Haoyu Xiong,Russell Mendonca,Kenneth Shaw,Deepak Pathak
発行日 2024-01-28 18:58:29+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO, cs.SY, eess.SY パーマリンク