Open Source Robotics

精選高品質的開源機器人專案、工具與軟體,推動機器人社群向前發展。

Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware

作者: Tony Z. Zhao, Vikash Kumar, Sergey Levine, Chelsea Finn · RSS 2023

RSS 2023

授權條款

  • 開放取用
  • 論文: arXiv.org perpetual, non-exclusive license 1.0

依 arXiv 的授權條款,以下內容僅依據摘要撰寫。

為何重要

精細操作通常需要高階機器人、精確的感測器或仔細的校準。本研究探討能否改以學習的方式,讓低成本、不精確的硬體完成這類任務,並展示它學會 6 項困難的真實世界任務。

提出的方法

一套低成本系統,以自製的遠端操作介面蒐集真實示範,進行端到端模仿學習,並採用 Action Chunking with Transformers(ACT),這是一種學習動作序列生成模型的演算法。

摘要

精細操作任務,例如穿束線帶或插入電池,對機器人來說是出了名的困難,因為它們需要精度、謹慎協調接觸力,以及閉迴路的視覺回饋。執行這些任務通常需要高階機器人、精確的感測器或仔細的校正,既昂貴又難以設置。學習能否讓低成本、不精確的硬體也能執行這些精細操作任務?我們提出一套低成本系統,直接從以自製遠端操作介面收集的真實示範進行端到端模仿學習。然而,模仿學習本身也有挑戰,尤其在高精度的領域:策略的誤差會隨時間累積,而人類示範可能是非平穩的。為了應對這些挑戰,我們開發了一個簡單但新穎的演算法 Action Chunking with Transformers(ACT),在動作序列上學習生成模型。ACT 讓機器人只用 10 分鐘的示範,就在真實世界中學會 6 項困難任務,例如打開半透明的調味杯與插入電池,成功率達 80-90%。專案網站:https://tonyzhaozh.github.io/aloha/

連結

  • arXiv 2304.13705: https://arxiv.org/abs/2304.13705
  • PDF: https://arxiv.org/pdf/2304.13705.pdf
  • 程式碼: https://github.com/tonyzhaozh/act
  • 專案頁面: https://tonyzhaozh.github.io/aloha/

本網站需要 JavaScript 才能正常運作。請啟用 JavaScript 以瀏覽我們的開源機器人專案。