2304.13705.pdf
job 2e2fe25860f5 · done
· openai_compat / gpt-5.6-luna
· 다운로드
진행
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
문서 요약
이 문서는 저비용 하드웨어로 정밀한 양손 로봇 조작을 학습하는 ALOHA 시스템과 Action Chunking with Transformers(ACT) 알고리즘을 제안한다. ALOHA는 저가의 상용 로봇 팔, 3D 프린팅 부품, 관절 공간 매핑 기반 원격조작을 결합하여 2만 달러 이하의 비용으로 정밀하고 접촉이 풍부한 시연 데이터를 수집한다. ACT는 여러 시점의 행동을 하나의 청크로 예측하고 시간적 앙상블을 적용하여 모방학습의 누적 오차와 인간 시연의 비마르코프적 변동성을 완화한다. 실험 결과 ACT는 시뮬레이션 및 실제 환경의 8개 양손 조작 과제에서 기존 방법보다 높은 성공률을 보였으며, 약 10분의 시연만으로 배터리 삽입과 반투명 양념 컵 열기 등의 과제를 학습했다. 다만 낮은 토크, 다중 손가락 동작, 복잡한 시각 인식이 필요한 과제에는 여전히 한계가 있다.
용어집 (31)
| ablation study | 절제 연구 |
| action chunking | 행동 청킹 |
| action sequence | 행동 시퀀스 |
| action space | 행동 공간 |
| behavioral cloning | 행동 복제 |
| bimanual manipulation | 양손 조작 |
| closed-loop feedback | 폐루프 피드백 |
| compounding error | 누적 오차 |
| conditional variational autoencoder | 조건부 변분 오토인코더 |
| contact force | 접촉력 |
| cross-attention | 교차 어텐션 |
| demonstration trajectory | 시연 궤적 |
| effective horizon | 유효 시간 범위 |
| fine manipulation | 정밀 조작 |
| generative model | 생성 모델 |
| high-frequency control | 고주파 제어 |
| imitation learning | 모방학습 |
| inverse kinematics | 역기구학 |
| joint position | 관절 위치 |
| joint-space mapping | 관절 공간 매핑 |
| parallel-jaw gripper | 평행 죠 그리퍼 |
| position embedding | 위치 임베딩 |
| proprioceptive observation | 고유수용성 관측 |
| style variable | 스타일 변수 |
| success rate | 성공률 |
| task-space mapping | 작업 공간 매핑 |
| teleoperation system | 원격조작 시스템 |
| temporal ensembling | 시간적 앙상블 |
| transformer decoder | 트랜스포머 디코더 |
| transformer encoder | 트랜스포머 인코더 |
| visual feedback | 시각 피드백 |
지표
| deferred_ratio | 0.0298 |
| fallback_pages | 0.0 |
| pixel_max_diff | 23.0 |
| size_ratio | 1.0258 |
| missing_glyphs | 0.0 |
| keep_violations | 0.0 |
| translated_ratio | 1.0 |
| failed_segments | 0.0 |
| llm_null_ratio | 0.0228 |
| placeholder_ratio | 1.0 |
| number_ratio | 1.0 |
| glossary_consistency | 0.9891 |
경고 (0)
- 없음