Un modèle robotique apprend à prédire les scènes et à contrôler différents robots
En termes simples
Les robots n’ont pas tous les mêmes articulations et leurs mouvements ne sont pas enregistrés de la même façon. Cet article présente GreenWAM, un modèle qui représente ces mouvements à l’aide de coordonnées communes, définies par parties du corps.
Il apprend à prédire une vidéo, les mouvements d’un robot, ou les deux, puis peut être adapté pour contrôler un robot. Dans une comparaison sur RoboTwin, un contrôleur adapté à partir de GreenWAM a réussi davantage d’essais en moyenne qu’un contrôleur adapté à partir de son modèle parent.
Ce résultat concerne les tâches et la recette d’entraînement testées ; il ne montre pas que le même avantage s’applique à tous les robots.
La recherche
Un modèle peut-il apprendre comment bougent différents robots, afin de prédire ce qu’ils verront et de produire aussi leurs actions ? Les jeux de données robotiques utilisent des dispositions d’articulations et des conventions différentes ; une même dimension d’action peut donc désigner des mouvements distincts.
L’article teste si une représentation commune peut relier prédiction et contrôle pour ces différents robots.
GreenWAM représente les mouvements de différents robots avec des coordonnées communes, puis adapte un modèle de prédiction vidéo et d’action pour les contrôler.
Sur RoboTwin, le préentraînement d’un modèle sur différentes morphologies de robots aide-t-il lorsqu’on l’adapte ensuite au contrôle ? GreenWAM aborde cette question avec des coordonnées communes définies par parties du corps.
Le modèle apprend à prédire des vidéos, des mouvements, ou les deux, puis est adapté à la production d’actions.
Les auteurs ont adapté GreenWAM et son modèle parent en contrôleurs à tour unique, avec les mêmes données RoboTwin et la même recette de 3,000 étapes. Sur 50 tâches, GreenWAM a obtenu un taux de réussite supérieur de 5.4 points de pourcentage dans les scènes propres et randomisées.
Séparer un expert d’action copié a ajouté 3.3 points par rapport au contrôleur GreenWAM à tour unique, ce qui étaye ces deux choix dans le cadre testé.
Ces comparaisons portent sur une seule recette d’adaptation à RoboTwin, un seul ensemble de tâches et un seul budget d’évaluation. Elles ne permettent pas d’établir que les mêmes gains se retrouvent avec d’autres robots ou dans d’autres contextes.
Analyse
Détails
- Auteurs de l’article original
- Gennady Sidorov, Valerii Kornilov, Denis Grankin, Polina Fedotova, Aleksey Postnikov
- Soumis à arXiv
- Licence
- CC BY 4.0