Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware
Autori: Tony Z. Zhao, Vikash Kumar, Sergey Levine, Chelsea Finn · RSS 2023
Licenze
- Open access
- Articolo: arXiv.org perpetual, non-exclusive license 1.0
In base alla licenza di arXiv, tutto ciò che segue è scritto solo a partire dall'abstract.
Perché è importante
La manipolazione fine richiede di solito robot di fascia alta, sensori accurati o una calibrazione attenta. Questo lavoro si chiede se l'apprendimento possa invece permettere a hardware economico e impreciso di svolgere tali compiti, e lo mostra mentre impara 6 compiti difficili del mondo reale.
Soluzione proposta
Un sistema economico che esegue apprendimento per imitazione end-to-end da dimostrazioni reali raccolte con un'interfaccia di teleoperazione su misura, usando Action Chunking with Transformers (ACT), un algoritmo che apprende un modello generativo su sequenze di azioni.
Abstract
I compiti di manipolazione fine, come infilare fascette o inserire una batteria, sono notoriamente difficili per i robot perché richiedono precisione, un'attenta coordinazione delle forze di contatto e un feedback visivo a ciclo chiuso. Eseguire questi compiti richiede di solito robot di fascia alta, sensori accurati o una calibrazione attenta, che possono essere costosi e difficili da predisporre. L'apprendimento può permettere a hardware economico e impreciso di eseguire questi compiti di manipolazione fine? Presentiamo un sistema a basso costo che esegue l'apprendimento per imitazione end-to-end direttamente da dimostrazioni reali, raccolte con un'interfaccia di teleoperazione personalizzata. L'apprendimento per imitazione presenta però le proprie sfide, in particolare nei domini ad alta precisione: gli errori della policy possono accumularsi nel tempo e le dimostrazioni umane possono essere non stazionarie. Per affrontare queste sfide, sviluppiamo un algoritmo semplice ma nuovo, Action Chunking with Transformers (ACT), che apprende un modello generativo su sequenze di azioni. ACT permette al robot di apprendere 6 compiti difficili nel mondo reale, come aprire una vaschetta traslucida per condimenti e inserire una batteria, con l'80-90% di successo, con appena 10 minuti di dimostrazioni. Sito web del progetto: https://tonyzhaozh.github.io/aloha/
Link
- arXiv 2304.13705: https://arxiv.org/abs/2304.13705
- PDF: https://arxiv.org/pdf/2304.13705.pdf
- Codice: https://github.com/tonyzhaozh/act
- Pagina del progetto: https://tonyzhaozh.github.io/aloha/