Leveraging Simulation-Based Model Preconditions for Fast Action Parameter Optimization with Multiple Models

要約

ロボット動作パラメータの最適化は、高レベルの精度と汎用性が要求される操作タスクにとって重要な課題です。
モデルベースのアプローチを使用すると、ロボットは、予測モデルを使用してさまざまなアクションの結果を迅速に推論し、望ましい効果をもたらすパラメーターのセットを見つける必要があります。
モデルは、さまざまな形状やサイズのオブジェクトだけでなく、硬いオブジェクトや変形可能なオブジェクトの動作をキャプチャする必要がある場合があります。
予測モデルでは、多くの場合、速度と予測の精度と一般化をトレードオフする必要があります。
このペーパーでは、アクション パラメーターの最適化の効率と精度を向上させるために、分析モデル、学習モデル、シミュレーション ベースのモデルを含む複数の予測モデルの長所を活用するフレームワークを提案します。
私たちのアプローチでは、モデル偏差推定器 (MDE) を使用して、特定の状態アクション パラメーターに最適な予測モデルを決定し、ロボットが高速かつ正確な予測を行うためのモデルを選択できるようにします。
sim-to-real MDE だけでなく、sim-to-sim MDE も学習することで、MDE フレームワークを拡張します。
私たちの実験では、これらの sim-to-sim MDE がパラメーターの最適化を大幅に高速化するだけでなく、微調整を通じて sim-to-real MDE を効率的に学習するための基盤を提供することを示しています。
sim-to-sim トレーニング データの収集が容易なため、ロボットは視覚入力とローカルの材料特性に直接基づいて MDE を学習できます。

要約(オリジナル)

Optimizing robotic action parameters is a significant challenge for manipulation tasks that demand high levels of precision and generalization. Using a model-based approach, the robot must quickly reason about the outcomes of different actions using a predictive model to find a set of parameters that will have the desired effect. The model may need to capture the behaviors of rigid and deformable objects, as well as objects of various shapes and sizes. Predictive models often need to trade-off speed for prediction accuracy and generalization. This paper proposes a framework that leverages the strengths of multiple predictive models, including analytical, learned, and simulation-based models, to enhance the efficiency and accuracy of action parameter optimization. Our approach uses Model Deviation Estimators (MDEs) to determine the most suitable predictive model for any given state-action parameters, allowing the robot to select models to make fast and precise predictions. We extend the MDE framework by not only learning sim-to-real MDEs, but also sim-to-sim MDEs. Our experiments show that these sim-to-sim MDEs provide significantly faster parameter optimization as well as a basis for efficiently learning sim-to-real MDEs through finetuning. The ease of collecting sim-to-sim training data also allows the robot to learn MDEs based directly on visual inputs and local material properties.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google