Imagination Policy: Using Generative Point Cloud Models for Learning Manipulation Policies

本文提出了一种新的多任务关键帧策略网络——想象策略（Imagination Policy），用于解决高精度的拾取和放置任务。人类可以在规划过程中想象目标状态，并执行相应的动作以达成目标。想象策略不是直接学习动作，而是生成点云以想象所需的状态，然后使用刚性动作估计将其转化为动作。这将动作推断转化为了本地生成任务。我们在生成过程中利用了任务中的拾取和放置对称性，实现了非常高的样本效率和对未知配置的泛化能力。最后，我们在RLbench基准测试中展示了与几个强基线方法相比，在各种任务上的最新性能。

本文旨在解决高精度拾取和放置任务的问题，提出了想象策略，通过生成点云来想象所需状态，然后使用刚性动作估计将其转化为动作。该方法在样本效率和泛化能力方面得到了改善。

本文提出了Imagination Policy，一种新的多任务关键帧策略网络，通过生成点云来想象所需状态，然后使用刚性动作估计将其转化为动作。这种方法利用了任务中的拾取和放置对称性，实现了高样本效率和泛化能力。

本文在RLbench基准测试中展示了比其他强基线更好的性能，证明了该方法的有效性。实验设计了多个场景，使用了大量数据集，并开源了代码。值得进一步研究的工作包括在更广泛的场景下测试该方法的性能，并探索如何进一步提高其样本效率。

在这个领域中，最近的相关研究包括：Multi-Task Reinforcement Learning for Sequential Decision Making in Robotics，Learning to Grasp with Top-Down and Bottom-Up Visual Features，和Adaptive Hierarchical Multi-Task Learning for Robot Manipulation。