Adaptive Mobile Manipulation for Articulated Objects In the Open World

在家庭等开放式非结构化环境中部署机器人一直是一个长期存在的研究问题。然而，机器人通常只在封闭的实验室环境中进行研究，之前的移动操作工作仅限于拾取-移动-放置，这在这一领域中仅仅是冰山一角。在本文中，我们介绍了开放式移动操作系统，这是一种全面解决现实中关节对象操作的方法，例如在开放式非结构化环境中的真实世界门、柜子、抽屉和冰箱。该机器人利用自适应学习框架，最初通过行为克隆从少量数据中进行学习，然后通过对训练分布之外的新对象进行在线实践学习。我们还开发了一种低成本的移动操作硬件平台，能够在非结构化环境中安全自主地进行在线适应，成本约为20,000美元。在我们的实验中，我们在CMU校园的4栋建筑中使用了20个关节对象。每个对象仅需要少于一小时的在线学习，系统就能将成功率从BC预训练的50%提高到95%。视频结果可在https://open-world-mobilemanip.github.io/中查看。

本文试图解决在开放式无结构环境下部署机器人的问题，特别是在处理实际物体操作时的挑战，这是否是一个新问题？

本文提出了一种全栈方法，即Open-World Mobile Manipulation System，通过自适应学习框架和低成本的移动机器人硬件平台，实现了对现实世界中的物体进行操作，从而解决了开放式无结构环境下机器人部署的挑战。相比当前领域的研究，本文的关键思路在于通过自适应学习实现对新物体的在线适应。

本文的实验使用了20个物体在CMU校园内的4个建筑物中进行测试，通过行为克隆和在线适应，系统的成功率从BC预训练的50%提高到了95%。此外，本文还开源了视频结果和代码。值得深入研究的工作包括如何进一步提高机器人的操作效率和适应性。

在这个领域中，最近的相关研究包括《Deep Reinforcement Learning for Robotic Manipulation with Asynchronous Off-Policy Updates》、《Sim-to-Real Transfer of Robotic Control with Dynamics Randomization》等。