OpenAI 提出域随机化生成模型提升机器人抓取泛化能力
原标题:Domain randomization and generative models for robotic grasping
68AI 研判分
OpenAI 研究团队提出一种结合域随机化与自回归模型的机器人抓取数据生成管线。通过合成数百万个程序生成的非真实物体进行训练,该模型在模拟环境中对未见过的真实物体实现了超过 90% 的抓取成功率。这一方法有效解决了深度学习模型因训练数据多样性不足导致的泛化难题。
报道正文
本文目录2 个章节
摘要
得益于算法改进和数据可用性的提升,基于深度学习的机器人抓取技术取得了显著进展。然而,最先进的模型通常仅在数百或数千个独特的物体实例上进行训练,这导致泛化能力成为一个挑战。
在本工作中,我们探索了一种新颖的数据生成流程,用于训练执行抓取规划的深度神经网络,该流程将领域随机化(domain randomization)的思想应用于物体合成。我们生成了数百万个独特且不真实的程序化生成物体,并训练深度神经网络在这些物体上执行抓取规划。由于给定物体的成功抓取分布可能具有高度多模态性,我们提出了一种自回归抓取规划模型,将场景的传感器输入映射为可能抓取的概览分布。该模型使我们能够在测试时高效地采样抓取动作(或完全避免采样)。
我们在仿真环境和真实世界中评估了我们的模型架构和数据生成流程。我们发现,尽管仅在随机物体上进行训练,但在仿真环境中对先前未见过的真实物体进行测试时,成功率可超过 90%。此外,尽管仅在随机模拟物体上进行训练,我们在真实世界的抓取尝试中也展示了 80% 的成功率。
作者
Josh Tobin, Lukas Biewald, Yan Duan, Marcin Andrychowicz, Ankur Handa, Vikash Kumar, Bob McGrew, Jonas Schneider, Peter Welinder, Wojciech Zaremba, Pieter Abbeel