Open Source Robotics

Una raccolta curata di progetti, strumenti e software di robotica open source di alta qualità per la comunità della robotica.

ACT (Action Chunking with Transformers)

Apprendimento delle policy basato su Transformer per la manipolazione bimanuale

Licenza

MIT

Panoramica

Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware. ACT è un metodo di apprendimento delle policy basato su Transformer per la manipolazione robotica, che usa l'action chunking per rendere possibile l'apprendimento per imitazione con i Transformer. È stato sviluppato in origine per il sistema di teleoperazione bimanuale ALOHA.

ACT (Action Chunking with Transformers) è un metodo di apprendimento per imitazione basato su Transformer, progettato per compiti di manipolazione robotica.

L'innovazione chiave è l'action chunking: invece di prevedere un'azione alla volta, ACT prevede una sequenza temporale di azioni (un “chunk”), il che porta a un comportamento del robot più fluido e coerente.

Sviluppato in origine per il progetto ALOHA (A Low-cost Open-source Hardware System for Bimanual Teleoperation), ACT permette ai robot di imparare compiti complessi di manipolazione bimanuale da dimostrazioni umane con relativamente pochi esempi di addestramento.

Il metodo combina: - Encoder Vision Transformer per elaborare le osservazioni della telecamera - Action chunking temporale per generare movimenti fluidi - CVAE (Conditional Variational Autoencoder) per modellare distribuzioni di azioni multimodali - Addestramento efficiente su hardware consumer con piccoli dataset di dimostrazioni

ACT ha dimostrato il suo successo in compiti come l'inserimento bimanuale, il passaggio di cavi e il trasferimento di pacchi, raggiungendo prestazioni di livello umano con appena 50 dimostrazioni.

Perché è importante

ACT ha introdotto l'action chunking, cioè la previsione di sequenze di azioni future invece di una alla volta, che è diventato l'approccio dominante nell'apprendimento per imitazione. Insieme all'hardware ALOHA a basso costo, ACT ha reso la ricerca sulla manipolazione bimanuale accessibile ai laboratori di tutto il mondo.

Il problema che risolve

Nell'apprendimento per imitazione, la previsione di un'azione alla volta soffre di errori che si accumulano: piccoli sbagli si sommano fino a provocare fallimenti. ACT prevede blocchi di azioni future temporalmente coerenti, riducendo in modo significativo l'accumulo di errori nei compiti di manipolazione fine.

Punti chiave

  • L'action chunking prevede sequenze di azioni e migliora drasticamente la qualità dell'apprendimento per imitazione
  • Architettura basata su Transformer con CVAE per la previsione di azioni multimodali
  • Abbinato all'hardware bimanuale ALOHA a basso costo (20.000 $ in totale)
  • Esegue compiti complessi come inserire una batteria con appena 50 dimostrazioni
  • Base di Mobile ALOHA e di molti sistemi di ricerca successivi

A chi si rivolge

  • Ricercatori di apprendimento per imitazione
  • Laboratori che costruiscono sistemi di manipolazione bimanuale
  • Studenti che imparano le architetture delle policy robotiche
  • Team che usano ALOHA o hardware simile a basso costo

Limiti

  • Richiede la raccolta di dati di dimostrazione tramite teleoperazione
  • Le prestazioni peggiorano su compiti molto diversi dai dati di addestramento
  • Nessun meccanismo di recupero integrato quando la policy diverge

Questo sito richiede JavaScript. Attiva JavaScript per esplorare i nostri progetti di robotica open source.