Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation

从人类演示中进行模仿学习已经在机器人领域展现出了惊人的表现。然而，大多数结果都集中在桌面操纵上，缺乏通常有用任务所需的机动性和灵活性。在这项工作中，我们开发了一个系统来模仿需要双手和全身控制的移动操作任务。我们首先介绍了Mobile ALOHA，这是一个低成本的全身遥操作系统，用于数据收集。它通过增加移动底座和全身遥操作界面来增强ALOHA系统。使用Mobile ALOHA收集的数据，我们进行了监督式行为克隆，并发现与现有的静态ALOHA数据集共同训练可以提高移动操作任务的性能。对于每个任务50个演示，共同训练可以将成功率提高高达90％，使Mobile ALOHA能够自主完成复杂的移动操作任务，例如煎炒和上菜一块虾，打开两扇门的壁橱存放重型炊具，呼叫和进入电梯，以及使用厨房水龙头轻轻冲洗使用过的平底锅。项目网站：https://mobile-aloha.github.io。

本文试图解决移动机器人操作中的双手和全身控制问题，提出了一种基于人类演示的仿真学习方法。

使用Mobile ALOHA系统进行数据收集，并使用现有的静态ALOHA数据集进行协同训练，提高移动机器人操作的成功率。

论文提出了Mobile ALOHA系统，它是一种低成本的全身远程操作系统，可以进行数据收集。使用Mobile ALOHA系统和协同训练，可以提高移动机器人操作的成功率，可以完成复杂的移动操作任务。实验结果表明，该方法可以提高成功率高达90%。项目网站提供了开源代码。

近期的相关研究包括基于深度学习的移动机器人操作和基于人类演示的机器人操作。