UniDoorManip: Learning Universal Door Manipulation Policy Over Large-scale and Diverse Door Manipulation Environments

学习一种通用的操作策略，涵盖具有不同类别、几何形状和机制的门，对于未来的具体代理在复杂和广泛的实际场景中有效工作至关重要。由于数据集有限且模拟环境不真实，以前的研究在各种门上的表现都不理想。在本研究中，我们建立了一个新颖的门操作环境，反映了不同的现实门操作机制，并进一步配备了一个大规模的门数据集，涵盖了6个门类别，数百个门体和手柄，构成了成千上万个不同的门实例。此外，为了更好地模拟实际场景，我们引入了一个移动机器人作为代理，并使用部分和遮挡的点云作为观察，这在以前的研究中没有考虑，但对于实际实现具有重要意义。为了学习通用的多样化门策略，我们提出了一个新颖的框架，将整个操作过程分解为三个阶段，并通过以推理相反的顺序进行训练来进行集成。广泛的实验验证了我们设计的有效性，并展示了我们的框架的强大性能。代码、数据和视频可在 https://unidoormanip.github.io/ 上获得。

解决问题：论文旨在解决学习通用门操作策略的问题，包括不同种类、几何形状和机制的门。此前的研究由于数据集有限和模拟环境不真实，无法在各种门上取得良好的表现。

关键思路：论文提出了一种新的门操作环境，包括大量的门数据集和一个移动机器人作为代理，使用部分和遮挡的点云作为观察，将整个操作过程分解为三个阶段，通过倒序训练来整合它们。

其他亮点：论文的实验设计了一个新的门操作环境，使用了大量的门数据集和遮挡的点云作为观察。论文提出了一种新的门操作策略框架，通过倒序训练来整合三个阶段。作者提供了代码、数据和视频。

相关研究：在这个领域中，最近的相关研究包括《Deep Reinforcement Learning for Door Opening Using a Mobile Robot》和《A Deep Learning Framework for Robotic Door Opening》等。