FetchBench: A Simulation Benchmark for Robot Fetching

要約

近づいたり、掴んだり、取り出したりすることを含むフェッチングは、ロボット操作タスクにとって重要な課題です。
既存の手法は主にテーブルトップのシナリオに焦点を当てており、把握と計画の両方が不可欠な環境の複雑さを適切に捉えることができません。
このギャップに対処するために、把握と動作計画の両方の課題を統合する多様な手順シーンを特徴とする新しいベンチマーク FetchBench を提案します。
さらに、FetchBench には、模倣学習方法で使用するために成功したフェッチ軌跡を収集するデータ生成パイプラインが含まれています。
従来のセンス-プラン-アクトパイプラインからエンドツーエンドの動作モデルまで、複数のベースラインを実装します。
私たちの経験的分析により、これらの方法が達成する最大成功率はわずか 20% であり、改善の余地が大きいことが明らかになりました。
さらに、センス、計画、行為のパイプライン内の主要なボトルネックを特定し、体系的な分析に基づいて推奨事項を作成します。

要約(オリジナル)

Fetching, which includes approaching, grasping, and retrieving, is a critical challenge for robot manipulation tasks. Existing methods primarily focus on table-top scenarios, which do not adequately capture the complexities of environments where both grasping and planning are essential. To address this gap, we propose a new benchmark FetchBench, featuring diverse procedural scenes that integrate both grasping and motion planning challenges. Additionally, FetchBench includes a data generation pipeline that collects successful fetch trajectories for use in imitation learning methods. We implement multiple baselines from the traditional sense-plan-act pipeline to end-to-end behavior models. Our empirical analysis reveals that these methods achieve a maximum success rate of only 20%, indicating substantial room for improvement. Additionally, we identify key bottlenecks within the sense-plan-act pipeline and make recommendations based on the systematic analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google