Lernen feinabgestimmter zweihändiger Manipulation mit kostengünstiger Hardware

Feine Manipulationstätigkeiten wie das Durchziehen von Kabelbinder oder das Einstecken einer Batterie sind für Roboter bekanntermaßen äußerst schwierig, da sie Präzision, sorgfältige Koordination der Kontaktkräfte sowie geschlossene Regelkreise mit visueller Rückkopplung erfordern. Die Durchführung solcher Aufgaben erfordert typischerweise hochwertige Roboter, präzise Sensoren oder sorgfältige Kalibrierung, was kostspielig und aufwendig ist. Kann Lernen es ermöglichen, dass kostengünstige und ungenaue Hardware diese feinen Manipulationen ausführt? Wir stellen ein kostengünstiges System vor, das end-to-end Nachahmungslernen direkt aus realen Demonstrationen durchführt, die mit einer maßgeschneiderten Teleoperationsschnittstelle gesammelt wurden. Nachahmungslernen birgt jedoch eigene Herausforderungen, insbesondere in hochpräzisen Anwendungsbereichen: Fehler in der Politik können sich im Laufe der Zeit akkumulieren, und menschliche Demonstrationen können nicht-stationär sein. Um diese Herausforderungen zu bewältigen, entwickeln wir einen einfachen, aber neuen Algorithmus, Action Chunking with Transformers (ACT), der ein generatives Modell über Aktionsequenzen lernt. ACT ermöglicht es dem Roboter, sechs anspruchsvolle Aufgaben in der realen Welt zu erlernen, beispielsweise das Öffnen eines durchsichtigen Würzglases oder das Einsetzen einer Batterie mit einer Erfolgsquote von 80 bis 90 Prozent, und zwar mit lediglich zehn Minuten an Demonstrationen. Projekt-Website: https://tonyzhaozh.github.io/aloha/