Keskeiset käsitteet
少量のデモンストレーションデータから、長期的な操作と高精度を要する組み立てタスクを学習する手法を提案する。
Tiivistelmä
本論文は、少量のデモンストレーションデータから、長期的な操作と高精度を要する組み立てタスクを学習する手法を提案している。
まず、ユーザーがロボットを操作してデモンストレーションデータを収集する。その際、特に高精度を要する「ボトルネック」状態をラベル付けする。次に、これらのボトルネック状態周辺でデータを合成的に拡張する。これにより、ボトルネック状態での正確な行動を学習できるようになる。
さらに、学習したモデルを評価し、成功したトラジェクトリをデータセットに追加する「収集と推論」のアプローチを取る。これにより、データセットを徐々に拡張していく。
最後に、複数のタスクのデータを組み合わせてマルチタスク学習を行うことで、全体的なパフォーマンスを向上させる。
実験では、家具組み立てタスクを対象に、提案手法の有効性を示している。少量のデモンストレーションデータから高い成功率を達成できることを確認した。
Tilastot
組み立てタスクの長さは最大約2500ステップに及ぶ
最大5つの部品を精密につかみ、向きを変え、挿入する必要がある