EquiBot: SIM(3)-Equivariant Diffusion Policy for Generalizable and Data Efficient Learning

建立有效的模仿学习方法，使机器人能够从有限的数据中学习并在不同的真实环境中实现泛化，一直是机器人学习中长期存在的问题。我们提出了EquiBot，一种强大、数据高效和具有泛化性的机器人操作任务学习方法。我们的方法将SIM(3)等变神经网络架构与扩散模型相结合。这确保了我们学习的策略对于比例、旋转和平移的变化具有不变性，增强了它们对未知环境的适用性，同时保留了基于扩散的策略学习的多模式和鲁棒性的优点。我们在6个仿真任务套件中展示了我们提出的方法减少了数据需求并提高了对新场景的泛化能力。在现实世界中，我们展示了在每个任务中仅学习5分钟人类演示后，我们的方法可以轻松地泛化到新的物体和场景，总共包括6个移动操作任务的10个变化。

提高机器人学习的数据效率和泛化能力是一个长期存在的问题，本文提出了一种称为EquiBot的方法来解决这个问题。

EquiBot方法将SIM（3）等变神经网络结构与扩散模型相结合，确保学习的策略对比例、旋转和平移的变化具有不变性，从而增强了它们在未知环境中的适用性。

本文在6个模拟任务中展示了EquiBot方法降低数据需求和提高对新场景的泛化能力的效果。在现实世界中，作者展示了在6个移动操作任务的10个变化中，仅从每个任务的5分钟人类演示中学习后，EquiBot方法可以轻松地推广到新的物体和场景。

在机器人学习领域，还有一些相关研究，如《Learning Dexterous In-Hand Manipulation》、《One-Shot Learning of Manipulation Skills with Online Dynamics Adaptation and Neural Network Priors》等。