JUICER: Data-Efficient Imitation Learning for Robotic Assembly

本文提出了一种管道，用于提高小规模人类演示预算下的模仿学习性能。虽然从演示中学习对于获取视觉运动策略非常有用，但是对于需要精确、长期的操作任务而言，高性能的模仿学习仍然具有挑战性。我们将我们的方法应用于需要精确抓取、重新定向和插入多个部件的组装任务，这些任务具有长期的操作范围和多个任务阶段。我们的管道结合了表达能力强的策略架构和各种数据集扩展和基于模拟的数据增强技术。这些技术有助于扩展数据集支持，并在需要高精度的瓶颈区域附近监督模型进行局部校正动作。我们在模拟环境中展示了我们的管道，使得机械臂可以直接从RGB图像中组装多达五个部件，共计近2500个时间步，优于模仿和数据增强基线。项目网站：https://imitation-juicer.github.io/。

论文旨在解决如何在小的人类演示数据集的情况下，提高模仿学习的性能，特别是针对需要精确、长时间跨度操作的任务。

论文提出了一个流程，结合了表现力强的策略架构和各种数据集扩展和基于模拟的数据增强技术，以支持数据集扩展和在需要高精度的瓶颈区域提供本地纠正动作的方式来监督模型。

论文在四个家具组装任务上进行了实验，使用RGB图像直接训练机械臂组装多达五个部件，超过了模仿和数据增强基线。论文提供了项目网站和开源代码。

目前在这个领域中，还有其他的研究在进行。例如，'One-Shot Imitation from Observing Humans via Domain-Adaptive Meta-Learning'和'Learning to Simulate Complex Physics with Graph Networks'等。