Open Source Robotics

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

RT-1: Robotics Transformer for Real-World Control at Scale

Autori: Anthony Brohan, Noah Brown, Justice Carbajal, Yevgen Chebotar, Joseph Dabis, Chelsea Finn, Keerthana Gopalakrishnan, Karol Hausman, Alex Herzog, Jasmine Hsu, Julian Ibarz, Brian Ichter, Alex Irpan, Tomas Jackson, Sally Jesmonth, Nikhil J Joshi, Ryan Julian, Dmitry Kalashnikov, Yuheng Kuang, Isabel Leal, Kuang-Huei Lee, Sergey Levine, Yao Lu, Utsav Malla, Deeksha Manjunath, Igor Mordatch, Ofir Nachum, Carolina Parada, Jodilyn Peralta, Emily Perez, Karl Pertsch, Jornell Quiambao, Kanishka Rao, Michael Ryoo, Grecia Salazar, Pannag Sanketi, Kevin Sayed, Jaspiar Singh, Sumedh Sontakke, Austin Stone, Clayton Tan, Huong Tran, Vincent Vanhoucke, Steve Vega, Quan Vuong, Fei Xia, Ted Xiao, Peng Xu, Sichun Xu, Tianhe Yu, Brianna Zitkovich · RSS 2023

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

Dataset grandi e diversificati permettono ai modelli di visione, linguaggio e parlato di risolvere nuovi compiti con pochi dati aggiuntivi o nessuno. Questo lavoro si chiede se lo stesso possa valere per i robot, per i quali i dati del mondo reale sono difficili da raccogliere, e studia una classe di modelli costruita a questo scopo.

Soluzione proposta

Robotics Transformer, una classe di modelli basata su un addestramento aperto e indipendente dal compito con un'architettura ad alta capacità in grado di assorbire dati robotici diversificati, studiata su una raccolta di dati su larga scala da robot reali che svolgono compiti del mondo reale.

Abstract

Trasferendo conoscenza da dataset ampi, diversificati e indipendenti dal compito, i moderni modelli di machine learning possono risolvere specifici compiti a valle, in modalità zero-shot o con piccoli dataset specifici per il compito, con un alto livello di prestazioni. Sebbene questa capacità sia stata dimostrata in altri campi come la visione artificiale, l'elaborazione del linguaggio naturale o il riconoscimento vocale, resta da dimostrare nella robotica, dove le capacità di generalizzazione dei modelli sono particolarmente critiche a causa della difficoltà di raccogliere dati robotici nel mondo reale. Sosteniamo che una delle chiavi del successo di tali modelli robotici generali risieda in un addestramento aperto e indipendente dal compito, combinato con architetture ad alta capacità in grado di assorbire tutti i diversi dati robotici. In questo articolo presentiamo una classe di modelli, chiamata Robotics Transformer, che mostra promettenti proprietà di modello scalabili. Verifichiamo le nostre conclusioni con uno studio di diverse classi di modelli e della loro capacità di generalizzare in funzione della dimensione dei dati, della dimensione del modello e della diversità dei dati, sulla base di una raccolta dati su larga scala con robot reali che eseguono compiti del mondo reale.

Link

  • arXiv 2212.06817: https://arxiv.org/abs/2212.06817
  • PDF: https://arxiv.org/pdf/2212.06817.pdf
  • Codice: https://github.com/google-research/robotics_transformer
  • Pagina del progetto: https://robotics-transformer1.github.io/

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