論文の概要: Multi-skill Mobile Manipulation for Object Rearrangement
- arxiv url: http://arxiv.org/abs/2209.02778v1
- Date: Tue, 6 Sep 2022 19:02:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 13:06:38.395042
- Title: Multi-skill Mobile Manipulation for Object Rearrangement
- Title(参考訳): オブジェクト再配置のためのマルチスキルモバイルマニピュレーション
- Authors: Jiayuan Gu, Devendra Singh Chaplot, Hao Su, Jitendra Malik
- Abstract要約: 本研究では,オブジェクト再構成のための長距離移動操作タスクへのモジュラーアプローチについて検討する。
従来の作業チェーンでは、サブタスクで個別に学習するポイントゴールナビゲーションスキルを備えた複数の静止操作スキルがチェーンされている。
静的な操作ではなく,モバイル操作のスキルを実装し,ポイントゴールではなく,地域目標で訓練されたナビゲーションスキルを訓練することで,これらのアイデアを運用する。
- 参考スコア(独自算出の注目度): 75.62774690484022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study a modular approach to tackle long-horizon mobile manipulation tasks
for object rearrangement, which decomposes a full task into a sequence of
subtasks. To tackle the entire task, prior work chains multiple stationary
manipulation skills with a point-goal navigation skill, which are learned
individually on subtasks. Although more effective than monolithic end-to-end RL
policies, this framework suffers from compounding errors in skill chaining,
e.g., navigating to a bad location where a stationary manipulation skill can
not reach its target to manipulate. To this end, we propose that the
manipulation skills should include mobility to have flexibility in interacting
with the target object from multiple locations and at the same time the
navigation skill could have multiple end points which lead to successful
manipulation. We operationalize these ideas by implementing mobile manipulation
skills rather than stationary ones and training a navigation skill trained with
region goal instead of point goal. We evaluate our multi-skill mobile
manipulation method M3 on 3 challenging long-horizon mobile manipulation tasks
in the Home Assistant Benchmark (HAB), and show superior performance as
compared to the baselines.
- Abstract(参考訳): 本研究では,オブジェクト再構成のための長距離移動操作タスクに対するモジュラーアプローチについて検討し,全タスクをサブタスク列に分解する。
タスク全体に取り組むために、先行作業チェーンは、サブタスクで個別に学習されるポイントゴールナビゲーションスキルで複数の静止操作スキルをチェーンする。
このフレームワークは、モノリシックなエンドツーエンドのrlポリシよりも効果的だが、例えば、定常的な操作スキルが目標に到達できないような悪い場所にナビゲートするなど、スキルチェーンのエラーを複雑化することに悩まされている。
そこで本研究では,複数の位置から対象物体との対話を柔軟に行うために,操作スキルをモビリティに含めるべきであり,同時にナビゲーションスキルが複数の端点を有して操作を成功させることが可能であることを示す。
我々は,固定的ではなくモバイル操作スキルを実装し,ポイントゴールではなく,地域目標で訓練されたナビゲーションスキルをトレーニングすることにより,これらのアイデアを運用する。
我々は,ホームアシスタントベンチマーク(HAB)における3つの長軸移動操作課題に対して,マルチスキル移動操作手法M3を評価し,ベースラインと比較して優れた性能を示す。
関連論文リスト
- Mobile-Agent-v2: Mobile Device Operation Assistant with Effective Navigation via Multi-Agent Collaboration [52.25473993987409]
モバイルデバイス操作支援のためのマルチエージェントアーキテクチャであるMobile-Agent-v2を提案する。
アーキテクチャは、計画エージェント、決定エージェント、反射エージェントの3つのエージェントから構成される。
単一エージェントアーキテクチャと比較して,Mobile-Agent-v2ではタスク完了率が30%以上向上していることを示す。
論文 参考訳(メタデータ) (2024-06-03T05:50:00Z) - Harmonic Mobile Manipulation [40.72258476872912]
HarmonicMMはナビゲーションと操作の両方を最適化するエンドツーエンドの学習手法である。
私たちのコントリビューションには、モバイル操作のための新しいベンチマークや、本当の見えないアパートでのデプロイメントの成功が含まれています。
論文 参考訳(メタデータ) (2023-12-11T18:54:42Z) - CLAS: Coordinating Multi-Robot Manipulation with Central Latent Action
Spaces [9.578169216444813]
本稿では,異なるエージェント間で共有される学習された潜在行動空間を通じて,マルチロボット操作を協調する手法を提案する。
シミュレーションされたマルチロボット操作タスクにおいて本手法を検証し,サンプル効率と学習性能の観点から,従来のベースラインよりも改善したことを示す。
論文 参考訳(メタデータ) (2022-11-28T23:20:47Z) - N$^2$M$^2$: Learning Navigation for Arbitrary Mobile Manipulation
Motions in Unseen and Dynamic Environments [9.079709086741987]
モバイル操作のためのニューラルナビゲーション(N$2$M$2$)を導入する。
結果として生じるアプローチは、動的障害物や環境変化に即座に反応しながら、探索されていない環境で、目に見えない、長い水平タスクを実行することができる。
提案手法は,複数の運動学的に多様な移動マニピュレータ上での広範囲なシミュレーションおよび実世界の実験において有効であることを示す。
論文 参考訳(メタデータ) (2022-06-17T12:52:41Z) - Zero Experience Required: Plug & Play Modular Transfer Learning for
Semantic Visual Navigation [97.17517060585875]
新たなモジュール移動学習モデルを用いて視覚ナビゲーションに統一的な手法を提案する。
我々のモデルは、1つのソースタスクから経験を効果的に活用し、複数のターゲットタスクに適用することができる。
我々のアプローチはより速く学習し、より良く一般化し、大きなマージンでSoTAモデルを上回っます。
論文 参考訳(メタデータ) (2022-02-05T00:07:21Z) - Error-Aware Imitation Learning from Teleoperation Data for Mobile
Manipulation [54.31414116478024]
移動操作(MM)では、ロボットは環境内を移動して操作することができる。
本研究では,MMタスクに対する連続的なビジュオモダポリシの学習に模倣学習(IL)を適用する方法について検討する。
論文 参考訳(メタデータ) (2021-12-09T23:54:59Z) - MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale [103.7609761511652]
大規模集団ロボット学習システムが,行動のレパートリーを同時に獲得できることを示す。
新しいタスクは、以前学んだタスクから継続的にインスタンス化できる。
我々は,7台のロボットから収集したデータを用いて,実世界のタスク12組でシステムを訓練し,評価する。
論文 参考訳(メタデータ) (2021-04-16T16:38:02Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳(メタデータ) (2020-08-18T08:05:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。