Un modelo robótico aprende a predecir escenas y controlar robots variados
En palabras sencillas
Los robots pueden tener articulaciones distintas y registrar sus movimientos de maneras diferentes. Este artículo presenta GreenWAM, un modelo que expresa esos movimientos usando coordenadas compartidas para las partes del cuerpo.
Aprende a predecir video, movimientos del robot o ambos, y puede adaptarse para controlar un robot. En una comparación de RoboTwin, un controlador adaptado a partir de GreenWAM tuvo, en promedio, más intentos exitosos que uno adaptado a partir de su modelo de origen.
El resultado se limita a las tareas y la receta de entrenamiento probadas; no demuestra que la misma ventaja se dé con todos los robots.
La investigación
¿Puede un modelo aprender cómo se mueven distintos robots lo bastante bien como para predecir lo que verán y también producir sus acciones? Los conjuntos de datos robóticos usan disposiciones y convenciones de articulaciones distintas, por lo que la misma dimensión de acción puede representar movimientos diferentes.
El artículo evalúa si una representación compartida puede conectar la predicción y el control entre esos cuerpos.
GreenWAM unifica las coordenadas de movimiento de los robots y entrena un modelo para predecir video y acciones, que luego adapta como controlador para distintos robots.
En RoboTwin, ¿ayuda entrenar un modelo con distintos cuerpos robóticos cuando luego se adapta para controlar un robot?
GreenWAM aborda esta pregunta con coordenadas compartidas para las partes del cuerpo y un modelo entrenado para predecir video, movimientos o ambos, que después se adapta para producir acciones.
Los autores adaptaron GreenWAM y su modelo de origen como controladores de una sola torre, usando los mismos datos de RoboTwin y una receta de 3.000 pasos. En 50 tareas, GreenWAM promedió 5,4 puntos porcentuales más de éxito en escenas limpias y aleatorizadas.
Separar un experto de acciones copiado añadió 3,3 puntos frente al controlador de una sola torre basado en GreenWAM; esto respalda ambas decisiones dentro del entorno probado.
Estas comparaciones abarcan una receta de adaptación, un conjunto de tareas y un presupuesto de evaluación de RoboTwin. No establecen que las mismas mejoras se den con otros robots o en otros entornos.
Análisis
Detalles
- Autores del paper original
- Gennady Sidorov, Valerii Kornilov, Denis Grankin, Polina Fedotova, Aleksey Postnikov
- Enviado a arXiv
- Licencia
- CC BY 4.0