Manipulación móvil de habilidades múltiples para la reorganización de objetos

Reordenamiento de objetos es una tarea canónica para la IA incorporada. Las tareas más desafiantes son las tareas de manipulación móvil a largo plazo, que exigen habilidades tanto de navegación como de manipulación. Las tareas complejas a menudo deben descomponerse en un conjunto de subtareas.

Crédito de la imagen: arXiv:2209.02778 [cs.RO]

Un artículo reciente en arXiv.org estudia cómo formular habilidades de manipulación móvil. Los investigadores proponen reemplazar las habilidades de manipulación estacionarias con contrapartes móviles, que permiten que la base se mueva cuando se realiza la manipulación. Se muestra que las habilidades móviles son más resistentes a los errores compuestos en el encadenamiento de habilidades.

Además, los investigadores investigan cómo traducir el inicio de las habilidades de manipulación en la recompensa de navegación. Proponen una recompensa de navegación por objetivo de región, que muestra un mejor rendimiento y una generalización más sólida que sus contrapartes. La canalización mejorada de manipulación móvil de habilidades múltiples logra un rendimiento superior al de las líneas de base.

Estudiamos un enfoque modular para abordar tareas de manipulación móvil de largo plazo para la reorganización de objetos, que descompone una tarea completa en una secuencia de subtareas. Para abordar la tarea completa, el trabajo previo encadena múltiples habilidades de manipulación estacionaria con una habilidad de navegación de objetivo puntual, que se aprenden individualmente en subtareas. Aunque es más efectivo que las políticas monolíticas de RL de extremo a extremo, este marco adolece de errores compuestos en el encadenamiento de habilidades, por ejemplo, navegar a una ubicación incorrecta donde una habilidad de manipulación estacionaria no puede alcanzar su objetivo para manipular. Con este fin, proponemos que las habilidades de manipulación deben incluir movilidad para tener flexibilidad en la interacción con el objeto de destino desde múltiples ubicaciones y, al mismo tiempo, la habilidad de navegación podría tener múltiples puntos finales que conduzcan a una manipulación exitosa. Ponemos en práctica estas ideas implementando habilidades de manipulación móvil en lugar de estacionarias y entrenando una habilidad de navegación entrenada con el objetivo de la región en lugar del objetivo del punto. Evaluamos nuestro método de manipulación móvil de múltiples habilidades M3 en 3 tareas desafiantes de manipulación móvil a largo plazo en Home Assistant Benchmark (HAB), y mostramos un rendimiento superior en comparación con las líneas de base.

Artículo de investigación: Gu, J., Singh Chaplot, D., Su, H. y Malik, J., «Manipulación móvil de habilidades múltiples para la reorganización de objetos», 2022. Enlace: https://arxiv.org/abs/2209.02778
Sitio del proyecto: https://sites.google.com/view/hab-m3

Puedes ofrece tu enlace a una página que es relevante para el tema de esta publicación.