arXiv Robotics· Shogo Iwakata, Tomohiro Motoda, Ryosuke Yamada, Koshi Makihara, Ryoichi Nakajo, Keitaro Tanaka, Masaki Murooka, Roman Mykhailyshyn, Hirokatsu Kataoka, Shigeo Morishima, Yukiyasu Domae·· 13 小时前AI 评分31
几何先验预训练提升操作模仿学习效率
Improving Imitation Learning Efficiency for Manipulation through Geometric Prior Pretraining
AI 导读
研究构建仅含平面、物体和手的无纹理几何视觉预训练数据集，轨迹自动生成，并将手表示为立方体以避免绑定特定机器人形态。基于 ACT 在三个仿真机器人各五项操作任务及三项真实机器人任务上评估，多数组合中从几何先验微调在训练早期成功率高于从零训练，且仅需少量任务演示。结果表明高度简化的几何场景可提供跨机器人、可迁移至真实任务的初始化。
推荐理由模型分析
该工作提出一种低成本几何视觉预训练：场景仅含平面、物体和方块手，轨迹自动生成，无需纹理背景，也不绑定特定机器人形态。在ACT策略上，用三个仿真机器人各五项任务及三项真实任务验证，少样本微调早期成功率高于从零训练。适合机器人模仿学习研究者参考其预训练初始化思路，但证据限于仿真与少量真机任务，跨形态迁移效果仍需更多场景检验。
来源：arXiv Robotics · arxiv.org