Sundae Robotics 08 : Manipulation Habile, Simulation et Assemblage Précis

🤖🍨 Prenez une coupe glacée et rejoignez Sundae Robotics, une série privée sur invitation uniquement qui réunit des chercheurs, fondateurs et constructeurs en robotique travaillant à la pointe de l'intelligence physique. Sundae Robotics 07 Manipulation Habile, Simulation & Apprentissage Sim-to-Real Conférence en vedette : Échelle de la Manipulation Habile avec Simulation — De l'Utilisation Générale des Outils à l'Assemblage Précis. Échelle de la Manipulation Habile avec Simulation : De l'Utilisation Générale des Outils à l'Assemblage Précis. Discours d'ouverture : Tyler Lum, doctorant en 5ème année en informatique à l'Université de Stanford · Le Movement Lab · Laboratoire de Perception Interactive et Apprentissage Robotique. Les mains robotiques habiles ont le potentiel d'accomplir une large gamme de tâches de manipulation, mais apprendre des politiques à la fois générales et précises reste un défi. Dans cette présentation, Tyler présentera deux projets explorant comment l'apprentissage par renforcement à grande échelle en simulation peut aider à combler cette lacune. Tout d'abord, Tyler discutera de SimToolReal, qui apprend des politiques d'utilisation d'outils habiles en simulation qui se généralisent à travers des outils et tâches non vus et se transfèrent sans aucun entraînement au monde réel. Il présentera ensuite Play2Perfect, qui étudie comment un pré-entraînement de jeu large et agnostique aux tâches peut fournir des compétences de manipulation réutilisables qui sont efficacement ajustées pour un assemblage précis et riche en contacts. Ensemble, ces projets explorent comment la simulation peut être utilisée pour apprendre des comportements habiles largement capables tout en permettant la précision et la spécialisation requises pour des tâches du monde réel difficiles. Tyler Lum est doctorant en 5ème année en informatique à l'Université de Stanford, étudiant l'intelligence artificielle et la robotique. Il est conseillé par le Prof. C. Karen Liu au Movement Lab (TML) et par le Prof. Jeannette Bohg au laboratoire de Perception Interactive et d'Apprentissage Robotique (IPRL), et est soutenu par une bourse d'études supérieures NSERC (PGS-D). La recherche de Tyler se concentre sur la construction de robots capables de se déplacer et d'agir dans des environnements réels dynamiques de manière élégante et efficace. Il développe des méthodes pour intégrer la perception et le contrôle basés sur l'apprentissage, et étudie les biais inductifs qui peuvent améliorer l'efficacité et la fiabilité de ces systèmes. Ses travaux récents se concentrent beaucoup sur la manipulation habile et l'apprentissage robotique sim-to-real. Ses projets incluent Play2Perfect, qui étudie le pré-entraînement en jeu habile pour un assemblage précis ; SimToolReal, qui développe des politiques centrées sur l'objet pour la manipulation habile d'outils sans entraînement ; et Human2Sim2Robot, qui explore l'apprentissage par renforcement sim-to-real à partir d'une seule démonstration humaine. Avant son doctorat, Tyler a étudié la physique appliquée à l'Université de la Colombie-Britannique (UBC), où il a obtenu le titre de Wesbrook Scholar. Il a travaillé avec le Prof. Michiel van de Panne sur l'apprentissage par renforcement et la planification des mouvements pour les robots quadrupèdes et avec le Prof. Purang Abolmaesumi sur l'apprentissage profond pour l'analyse d'images médicales. Tyler a également travaillé en tant que stagiaire en recherche en robotique chez RAI et en tant que stagiaire en R&D Robotique chez NVIDIA, où il a travaillé sur l'apprentissage par renforcement pour la locomotion-humanoïde et le contrôle habile des robots. Ses intérêts de recherche plus larges incluent des robots intelligents, des mouvements élégants, la perception interactive, la manipulation bimanuel habile, le raisonnement face à l'incertitude, la planification à long terme, la résolution créative de problèmes, le raisonnement de bon sens, et les stratégies d'exploration. L'objectif à long terme de Tyler est de créer des robots capables de raisonner face à l'incertitude, d'apprendre en continu de leurs environnements, de s'adapter à de nouveaux défis, et de devenir assez fiables pour créer une valeur énorme pour les personnes dans leur vie quotidienne. Sujets. • Échelle de la manipulation habile avec l'apprentissage par renforcement à grande échelle en simulation. • Apprendre des politiques qui combinent une large généralisation avec un contrôle précis. • Utilisation habile des outils à travers des outils et des tâches non vus. • SimToolReal et transfert sans entraînement de la simulation au monde réel. • Politiques centrées sur l'objet pour la manipulation habile. • Apprentissage par renforcement sim-to-real pour les mains robotiques multi-doigts. • Pré-entraînement de jeu large et agnostique aux tâches. • Apprendre des compétences de manipulation réutilisables à travers l'interaction simulée. • Play2Perfect et ajustement efficace en aval. • Assemblage robotique précis et riche en contacts. • Combler l'écart entre la manipulation générale et la précision spécialisée. • Perception et contrôle basés sur l'apprentissage pour des environnements réels dynamiques. • Biais inductifs pour un apprentissage robotique plus efficace et fiable. • Élargir l'apprentissage robotique grâce à l'expérience simulée. • Construire des systèmes habiles qui sont à la fois généraux et précis. Discussion ouverte + Q&A. • Comment les politiques habiles peuvent-elles rester générales à travers des outils et des tâches sans sacrifier la précision ? • Quels aspects de la manipulation habile sont les plus difficiles à transférer de la simulation au monde réel ? • Quelle diversité de simulation est nécessaire pour un transfert sans entraînement robuste ? • Quelles représentations ou biais inductifs permettent la généralisation à travers des outils non vus ? • Une seule politique peut-elle apprendre des notions réutilisables de préhension, d'utilisation d'outils et d'interaction riche en contacts ? • Que peut enseigner un jeu agnostique aux tâches à un robot que les démonstrations spécifiques aux tâches ne peuvent pas ? • Comment les compétences de manipulation générales doivent-elles être ajustées pour des tâches nécessitant un contrôle extrêmement précis ? • Qu'est-ce qui rend l'assemblage riche en contacts fondamentalement différent de la manipulation d'objets générale ? • Combien de données du monde réel sont encore nécessaires après un pré-entraînement par simulation à grande échelle ? • Le pré-entraînement par jeu peut-il devenir une base générale pour la manipulation habile ? • Quand l'apprentissage par renforcement en simulation surpasse-t-il l'apprentissage par imitation à partir de démonstrations réelles ? • Comment les environnements de simulation doivent-ils être conçus pour encourager des comportements transférables plutôt que spécifiques au simulateur ? • La même politique pré-entraînée peut-elle soutenir à la fois une utilisation d'outils ouverte et un assemblage hautement contraint ? • Comment la perception et le contrôle basés sur l'apprentissage doivent-ils être intégrés pour une manipulation habile fiable ? • Que faut-il pour élever l'apprentissage habile simulé vers de véritables mains robotiques polyvalentes ?