Ngẫu nhiên hóa miền và mô hình sinh sản cho việc nắm bắt bằng rô bốt

Tóm tắt

Việc nắm bắt robot dựa trên học sâu đã đạt được tiến bộ đáng kể nhờ những cải tiến về thuật toán và tăng cường tính khả dụng của dữ liệu. Tuy nhiên, các mô hình tiên tiến thường được đào tạo trên ít nhất hàng trăm hoặc hàng nghìn trường hợp đối tượng duy nhất và do đó, việc khái quát hóa có thể là một thách thức.

• Tài khoản ChatGPT 4 tại đây!

Trong công trình này, chúng tôi khám phá một đường ống tạo dữ liệu mới để đào tạo mạng nơ-ron sâu thực hiện lập kế hoạch nắm bắt áp dụng ý tưởng về ngẫu nhiên hóa miền vào tổng hợp đối tượng. Chúng tôi tạo ra hàng triệu đối tượng được tạo theo thủ tục phi thực tế, độc đáo và đào tạo mạng nơ-ron sâu để thực hiện lập kế hoạch nắm bắt trên các đối tượng này. Vì phân phối các lần nắm bắt thành công cho một đối tượng nhất định có thể là đa phương thức cao, chúng tôi đề xuất một mô hình lập kế hoạch nắm bắt tự hồi quy ánh xạ các đầu vào cảm biến của một cảnh thành phân phối xác suất trên các lần nắm bắt có thể. Mô hình này cho phép chúng tôi lấy mẫu các lần nắm bắt một cách hiệu quả tại thời điểm thử nghiệm (hoặc tránh lấy mẫu hoàn toàn).

Chúng tôi đánh giá kiến ​​trúc mô hình và đường ống tạo dữ liệu của mình trong mô phỏng và thế giới thực. Chúng tôi thấy rằng chúng tôi có thể đạt được tỷ lệ thành công >90% đối với các vật thể thực tế chưa từng thấy trước đây tại thời điểm thử nghiệm trong mô phỏng mặc dù chỉ được đào tạo trên các vật thể ngẫu nhiên. Chúng tôi cũng chứng minh tỷ lệ thành công 80% đối với các nỗ lực nắm bắt trong thế giới thực mặc dù chỉ được đào tạo trên các vật thể mô phỏng ngẫu nhiên.

Xem thêm: mua tài khoản ChatGPT Plus chính hãng giá rẻ