Sfruttare la località per aumentare l'efficienza del campionamento nella manipolazione robotica.

Leveraging Locality to Boost Sample Efficiency in Robotic Manipulation

June 15, 2024

Autori: Tong Zhang, Yingdong Hu, Jiacheng You, Yang Gao

cs.AI

Abstract

Date le elevate spese legate alla raccolta di dati robotici nel mondo reale, l'efficienza campionaria rappresenta un obiettivo costantemente allettante nella robotica. In questo articolo, presentiamo SGRv2, un framework di apprendimento per imitazione che potenzia l'efficienza campionaria attraverso un miglioramento delle rappresentazioni visive e delle azioni. Al centro del design di SGRv2 vi è l'incorporazione di un bias induttivo cruciale - la località dell'azione - che postula che le azioni del robot siano principalmente influenzate dall'oggetto target e dalle sue interazioni con l'ambiente locale. Esperimenti approfonditi sia in ambienti simulati che reali dimostrano che la località dell'azione è essenziale per potenziare l'efficienza campionaria. SGRv2 eccelle nelle attività di RLBench con controllo a frame chiave utilizzando solamente 5 dimostrazioni e supera il modello di base RVT in 23 delle 26 attività. Inoltre, quando valutato su ManiSkill2 e MimicGen utilizzando un controllo denso, il tasso di successo di SGRv2 è 2,54 volte superiore rispetto a SGR. In ambienti reali, con soli otto esempi, SGRv2 può svolgere una varietà di compiti con un tasso di successo nettamente superiore rispetto ai modelli di base. Sito web del progetto: http://sgrv2-robot.github.io

English

Given the high cost of collecting robotic data in the real world, sample efficiency is a consistently compelling pursuit in robotics. In this paper, we introduce SGRv2, an imitation learning framework that enhances sample efficiency through improved visual and action representations. Central to the design of SGRv2 is the incorporation of a critical inductive bias-action locality, which posits that robot's actions are predominantly influenced by the target object and its interactions with the local environment. Extensive experiments in both simulated and real-world settings demonstrate that action locality is essential for boosting sample efficiency. SGRv2 excels in RLBench tasks with keyframe control using merely 5 demonstrations and surpasses the RVT baseline in 23 of 26 tasks. Furthermore, when evaluated on ManiSkill2 and MimicGen using dense control, SGRv2's success rate is 2.54 times that of SGR. In real-world environments, with only eight demonstrations, SGRv2 can perform a variety of tasks at a markedly higher success rate compared to baseline models. Project website: http://sgrv2-robot.github.io