作者: Zipeng Fu, Tony Z. Zhao, Chelsea Finn
提交日期: 2024年1月4日
主题分类: 机器人学 (cs.RO); 人工智能 (cs.AI); 计算机视觉与模式识别 (cs.CV); 机器学习 (cs.LG); 系统与控制 (eess.SY)
摘要:
从人类演示中进行模仿学习已在机器人学中展现出令人印象深刻的性能。然而，大多数成果集中在桌面操作上，缺乏执行通用任务所需的移动性和灵巧性。在这项工作中，我们开发了一个用于模仿需要全身控制的双手移动操作任务的系统。我们首先提出了 Mobile ALOHA，一个用于数据收集的低成本全身遥操作系统。它通过移动底座和全身遥操作界面增强了现有的 ALOHA 系统。利用 Mobile ALOHA 收集的数据，我们随后进行了监督式行为克隆，并发现与现有的静态 ALOHA 数据集进行联合训练可以提升移动操作任务的性能。对于每个任务仅需 50 次演示，联合训练可将成功率提高多达 90%，使得 Mobile ALOHA 能够自主完成复杂的移动操作任务，例如：煎炒并盛出一块虾、打开双门壁柜以存放沉重的锅具、呼叫并进入电梯、以及使用厨房水龙头轻轻冲洗用过的平底锅。
项目网站: https://mobile-aloha.github.io