精细的操作任务，例如穿电缆扎带或插入电池槽，对于机器人来说是出了名的困难，因为它们需要精确、接触力的仔细协调和闭环视觉反馈。 执行这些任务通常需要高端机器人、精确的传感器或仔细的校准，这些都可能很昂贵且难以设置。 学习能否使低成本和不精确的硬件能够执行这些精细的操作任务？ 我们提出了一个低成本系统，可以直接从真实演示中执行端到端模仿学习，并通过自定义远程操作界面收集。 然而，模仿学习提出了自己的挑战，特别是在高精度领域：策略的错误会随着时间的推移而复合，偏离训练分布。 为了应对这一挑战，我们开发了一种新算法 Action Chunking with Transformers (ACT)，它通过简单地预测块中的动作来减少有效范围。 这使我们能够以 80-90% 的成功率学习困难的任务，例如打开半透明调味杯和插入电池，仅需 10 分钟的演示数据。
猜您喜欢
推荐内容
开源项目推荐 更多
热门活动
热门器件
用户搜过
随便看看
热门下载
热门文章
热门标签
京公网安备 11010802033920号
Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved
评论