Information-driven Affordance Discovery for Efficient Robotic Manipulation

本文提出，机器人的可利用性可以提供关于在特定情况下可以采取哪些行动的信息，可以帮助机器人操作。然而，学习可利用性需要昂贵的大型交互或演示注释数据集。在本文中，我们认为，对环境进行良好定向的交互可以缓解这个问题，并提出一种基于信息的度量来增强代理的目标并加速可利用性发现过程。我们提供了我们方法的理论证明，并在模拟和实际任务中进行了实证验证。我们的方法，称为IDA，可以有效地发现几种行动原语的视觉可利用性，例如抓取、堆叠物体或打开抽屉，在模拟中极大地提高了数据效率，并使我们能够在与UFACTORY XArm 6机械臂的实际设置中进行少量交互来学习抓取可利用性。

如何通过减少数据集的需求来提高机器人操作的效率和准确性？

通过与环境的互动来发现视觉能力，提出了一种信息增益方法来加速能力发现过程。

提出了一种新的方法IDA，可以在模拟和实际任务中有效地发现视觉能力，尤其是在抓取、堆叠对象或打开抽屉等操作原语方面。研究还提供了理论证明和实验验证。

最近的相关研究包括：Learning Robotic Manipulation through Visual Planning and Acting，Robotic Manipulation with Touch and Vision，Learning to Grasp without Seeing，Affordance Learning through Active Inference on Sensorimotor Experience