Core Concepts
소량의 데모 데이터로도 정밀하고 장기적인 조립 작업을 수행할 수 있는 JUICER 파이프라인을 제안한다.
Abstract
이 논문은 소량의 데모 데이터로도 정밀하고 장기적인 조립 작업을 수행할 수 있는 JUICER 파이프라인을 제안한다.
데모 데이터 수집 및 병목 상태 주석 달기:
사용자가 직접 로봇을 조종하여 50개의 데모 데이터를 수집하고, 정밀성이 요구되는 병목 상태를 주석으로 표시한다.
트래젝토리 증강:
병목 상태에서 로봇의 상태를 랜덤하게 변화시키고, 이를 복구하는 교정 동작을 합성하여 데이터를 증강시킨다.
확산 정책 모델 학습:
원본 데모 데이터와 증강 데이터를 활용하여 확산 정책 모델을 학습한다. 이 모델은 장기적인 일관성을 가지는 동작을 예측할 수 있다.
데이터 확장 및 다태스크 학습:
모델 평가 과정에서 성공적인 트래젝토리를 수집하여 데이터를 확장하고, 다양한 조립 작업을 함께 학습한다.
이 파이프라인을 통해 4가지 가구 조립 작업에서 소량의 데모 데이터로도 높은 성공률을 달성할 수 있었다. 특히 트래젝토리 증강과 데이터 확장 기법이 성능 향상에 크게 기여했다.
Stats
1,100 타임스텝의 라운드 테이블 조립 작업을 수행했다.
900 타임스텝의 램프 조립 작업을 수행했다.
2,500 타임스텝의 사각 테이블 조립 작업을 수행했다.
550 타임스텝의 다리 하나 조립 작업을 수행했다.
Quotes
"소량의 데모 데이터로도 정밀하고 장기적인 조립 작업을 수행할 수 있는 JUICER 파이프라인을 제안한다."
"트래젝토리 증강과 데이터 확장 기법이 성능 향상에 크게 기여했다."