ManiSkill-HAB: A Benchmark for Low-Level Manipulation in Home Rearrangement Tasks

要約

高品質のベンチマークは、具体化された AI 研究の基盤であり、長期的なナビゲーション、操作、および再配置タスクの大幅な進歩を可能にします。
ただし、ロボット工学の最先端のタスクが高度になるにつれて、より高速なシミュレーション速度、より複雑なテスト環境、および大規模なデモンストレーション データセットが必要になります。
この目的を達成するために、低レベルの操作と家庭内オブジェクトの再配置のための総合的なベンチマークである MS-HAB を紹介します。
まず、GPU アクセラレーションによる Home Assistant Benchmark (HAB) の実装を提供します。
現実的な低レベル制御をサポートし、同様の GPU メモリ使用量で以前の魔法の把握実装の 3 倍を超える速度を達成します。
次に、今後の作業で比較できるように、広範な強化学習 (RL) と模倣学習 (IL) のベースラインをトレーニングします。
最後に、ロボットの動作と安全性について事前に定義された基準に一致する RL ポリシーから特定のデモンストレーションをサンプリングする、ルールベースの軌道フィルタリング システムを開発します。
デモンストレーション フィルタリングと当社の高速環境を組み合わせることで、効率的かつ制御された大規模なデータ生成が可能になります。

要約(オリジナル)

High-quality benchmarks are the foundation for embodied AI research, enabling significant advancements in long-horizon navigation, manipulation and rearrangement tasks. However, as frontier tasks in robotics get more advanced, they require faster simulation speed, more intricate test environments, and larger demonstration datasets. To this end, we present MS-HAB, a holistic benchmark for low-level manipulation and in-home object rearrangement. First, we provide a GPU-accelerated implementation of the Home Assistant Benchmark (HAB). We support realistic low-level control and achieve over 3x the speed of previous magical grasp implementations at similar GPU memory usage. Second, we train extensive reinforcement learning (RL) and imitation learning (IL) baselines for future work to compare against. Finally, we develop a rule-based trajectory filtering system to sample specific demonstrations from our RL policies which match predefined criteria for robot behavior and safety. Combining demonstration filtering with our fast environments enables efficient, controlled data generation at scale.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google