Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation
基本信息
- arXiv ID：arXiv:2401.02117v1（cs.RO）
- 作者：Zipeng Fu、Tony Z. Zhao、Chelsea Finn（Zipeng Fu 与 Tony Z. Zhao 为项目共同负责人，Chelsea Finn 为导师）
- 提交时间：2024 年 1 月 4 日
- 项目网站：https://mobile-aloha.github.io
摘要
基于人类演示的模仿学习在机器人领域已展现出令人瞩目的性能。然而，大多数成果聚焦于桌面操作任务，缺乏通用任务所需的移动能力与灵巧性。本文面向双手协同（bimanual）且需要全身控制（whole-body control）的移动操作任务，构建了一套模仿学习系统。
作者首先提出 Mobile ALOHA：一个低成本、支持全身遥操作的数据采集系统。它在原有 ALOHA 系统基础上增加了移动底座和全身遥操作接口。随后，作者利用 Mobile ALOHA 采集的数据进行监督式行为克隆（supervised behavior cloning），发现与现有静态 ALOHA 数据集进行协同训练（co-training）能够提升移动操作任务的性能：每个任务仅需 50 次演示，协同训练即可将成功率最高提升 90%。
借助该方法，Mobile ALOHA 能够自主完成多项复杂移动操作任务，例如：
- 翻炒并盛出一只虾；
- 打开双门壁柜以存放沉重的烹饪锅；
- 呼叫并进入电梯；
- 使用厨房水龙头轻轻冲洗用过的平底锅。
主题分类
- 主分类：Robotics（cs.RO）
- 其他分类：Artificial Intelligence（cs.AI）、Computer Vision and Pattern Recognition（cs.CV）、Machine Learning（cs.LG）、Systems and Control（eess.SY）
备注
- 提供项目网站；PDF 与 HTML（实验性）版本均可在 arXiv 页面获取。
- DOI：https://doi.org/10.48550/arXiv.2401.02117