框架颁布 ARCADE ​教机器人倒水是融入生存的第一步！AR搜集和生成演示

文章链接：名目链接：

总结速览

处置的疑问 :机器人模拟学习面临两个重要的可裁减性应战： 非用户友好的演示搜集模式 和 少量期间积攒足够的演示样本以启动有效训练 。

提出的打算 :引入了ARCADE框架，结合增强事实（AR）和智能生成分解演示的才干，简化了演示搜集并缩小用户的致力和期间。

运行的技术 :

到达的成果 :在 Fetch 机器人上的三项义务（3-Waypoints-Reach、推送和抓取-搁置）中，经常使用经典的模拟学习算法行为克隆（BC）极速训练政策并取得良好体现。此外，在实践的倒水义务中，ARCADE到达了80%的成功率。

方法

框架概述

ARCADE框架，以一种用户友好且可裁减的模式生成演示，如下图1所示。前面详细说明了基于AR的初始用户演示（图1A）。接上去，形容了生成演示的方法（图1B）。而后详细说明了用户验证生成的演示的方法（图1C）。最后，引见了一种智能验证方法，用于极速裁减演示集的规模（图1D）。

AR辅佐演示搜集

为了搜集用户的机器人手臂轨迹演示，经常使用了Microsoft HoloLens 2，这是一种增强事实头戴显示器（ARHMD）。在演示搜集环节中（下图2），用户佩戴ARHMD，该设施在用户上面叠加了机器人的数字孪生体，并提供了从机器人视角的自我中心视图。该设置为用户提供了机器人物体静止的实时视觉反应。关于本文的义务和学习算法，机器人的末端口头器必定与用户的手对齐并跟踪其举措。经过的逆静止学（IK）算法来成功这一目的，该算法依据演示者的手位置计算机器人的关节角度。用户食指和拇指之间的距离用于批示夹具的开/合形态，以口头拾取或搁置物体的操作。当在演示环节中计算关节角度、末端口头器位置以及拾取或搁置举措时，这些消息会被记载在另一台机器上，并经过Unity Robotics Hub的ROS-TCP-Endpoint和ROS-TCP-Connector从HoloLens传输。

演示生成

采样航点和检测到的关键航点的组合集导致了航点集，记为W。为了抵达W中的这些航点，经常使用MoveIt的内置静止布局器和逆静止学（IK），这理论会发生多样化的轨迹，从而涵盖更广的形态空间。

用户验证

自我验证

行为克隆（BC）的有效训练理论须要少量的演示，理论以数百计。即使用户角色转变为验证生成的演示，BC所需的演示数量仍或者令人望而生畏。因此，设计了一种智能方法，用于裁减生成演示的验证规模，用户只有观察并同意一小局部（例如10到15个候选演示），系统即可基于用户同意的特色集智能生成并自我验证候选演示。

系统验证

本文经常使用实在的Fetch机器人对框架启动了评价。首先，在三个典型义务上测试了功能： 三点抵达 、 推进 和 抓取与搁置 （如下图4所示）。选用这些义务是由于它们代表了基本的操作行为，结合起来可以成功各种复杂的家务优惠。在第四个更复杂的 倒水 义务中提供了这一点的示例。

引入了 义务成功误差 （TCE）度量规范，以米为单位，用来评价BC（行为克隆）在三个典型义务中的体现。关于 三点抵达 义务，经过评价环节中到三个门路点的最小距离的平均值来计算此目的。关于 推进 和 抓取与搁置 义务，它权衡物体最终位置与目的点的距离。

为了评价 ARCADE 框架在三个典型义务上的功能，比拟了四种不同的战略：

评价方法

关于每个义务，口头这四种基于行为克隆（BC）学习的战略十次，报告每种战略的义务成功误差（TCE）的均值和规范差。以下是详细的评价方法：

经过这种比拟，能够评价 ARCADE 框架在不同战略下的体现及其有效性。

下图 5 展现了在三个典型义务中四种基于行为克隆（BC）战略的结果。启动了双向方差剖析（ANOVA），以测试演示搜集类型（动觉教学基线与ARCADE 框架）和演示集大小（|Ξ|= 1 或 |Ξ|= 100）能否影响 BC 战略的义务成功误差（TCE）。结果发现这两个起因及其交互作用对 TCE 具备清楚的主效应，一切三个义务的 p 值均小于 .001。

实在家庭义务 - 倒水

为了展现 ARCADE 在处置更复杂家庭义务方面的才干及其在家庭机器人宽泛部署中的后劲，本文引入了一个额外的义务：倒水。在此义务中，目的是让机器人学习从用户给出的单个演示中抓取瓶子并将水倒入杯子。该义务应用与 Pick-And-Place 义务相反的形态和举措空间，当水成功倒入杯子时，义务被视为成功。测试经常使用从 ARCADE 的 Ξscale 训练获取的 BC 战略，成功了 80% 的成功率（10 次实验中有 8 次成功），失败重要归因于塑料瓶形态的扭转。下图 6 捕捉到了机器人成功口头倒水举措的实例。

论断

ARCADE，这是一个可裁减的框架，能够经过增强事实（AR）从单个用户搜集的演示中搜集少量高品质的演示。这种方法为演示搜集提供了一种用户友好且高效的模式。在三个典型机器人义务上的实证评价证实了 ARCADE 在生成实用于有效训练逆向学习（IL）算法的高品质演示方面的有效性。将 ARCADE 运行到实在家庭义务（倒水）中，展现了该框架促成机器人宽泛融入日常生存的后劲。

原文链接:​​ ​​ ​