Movement Primitive Diffusion: Learning Gentle Robotic Manipulation of Deformable Objects

要約

ロボット支援手術 (RAS) におけるポリシー学習には、繊細な外科的介入に必要な動作品質を示すデータ効率的で汎用性の高い方法が不足しています。
この目的を達成するために、変形可能なオブジェクトの穏やかな操作に焦点を当てた、RAS の模倣学習 (IL) の新しい方法である移動プリミティブ拡散 (MPD) を導入します。
このアプローチは、拡散ベースの模倣学習 (DIL) の多用途性と、確率的動的移動プリミティブ (ProDMP) の高品質のモーション生成機能を組み合わせたものです。
この組み合わせにより、MPD はデモンストレーション データが不足している RAS アプリケーションにとって重要なデータ効率を維持しながら、変形可能なオブジェクトの穏やかな操作を実現できます。
私たちは、状態観察と画像観察の両方について、さまざまなシミュレーションおよび現実世界のロボット タスクにわたって MPD を評価します。
MPD は、成功率、モーション品質、データ効率の点で最先端の DIL メソッドを上回ります。
プロジェクトページ: https://scheiklp.github.io/movement-primitive-diffusion/

要約(オリジナル)

Policy learning in robot-assisted surgery (RAS) lacks data efficient and versatile methods that exhibit the desired motion quality for delicate surgical interventions. To this end, we introduce Movement Primitive Diffusion (MPD), a novel method for imitation learning (IL) in RAS that focuses on gentle manipulation of deformable objects. The approach combines the versatility of diffusion-based imitation learning (DIL) with the high-quality motion generation capabilities of Probabilistic Dynamic Movement Primitives (ProDMPs). This combination enables MPD to achieve gentle manipulation of deformable objects, while maintaining data efficiency critical for RAS applications where demonstration data is scarce. We evaluate MPD across various simulated and real world robotic tasks on both state and image observations. MPD outperforms state-of-the-art DIL methods in success rate, motion quality, and data efficiency. Project page: https://scheiklp.github.io/movement-primitive-diffusion/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google