Sundae Robotics 08: Behendige Manipulatie, Simulatie & Precieze Assemblage

🤖🍨 Pak een sundae en sluit je aan bij Sundae Robotics, een privé, op uitnodiging gehouden zondagserie die robotics onderzoekers, oprichters en bouwers samenbrengt die werken aan de frontlinie van fysieke intelligentie. Sundae Robotics 07 Behendige Manipulatie, Simulatie & Sim-to-Real Leren Uitgelichte Spreker: Schalen van Behendige Manipulatie met Simulatie — Van Algemeen Gereedschapgebruik tot Precieze Assemblage. Schalen van Behendige Manipulatie met Simulatie: Van Algemeen Gereedschapgebruik tot Precieze Assemblage. Hoofdspreker: Tyler Lum 5e jaars Computer Science PhD Student, Stanford University · The Movement Lab · Interactive Perception and Robot Learning Lab. Behendige robot handen hebben het potentieel om een breed scala aan manipulatietaken uit te voeren, maar het leren van beleidsstrategieën die zowel algemeen als precies zijn blijft een uitdaging. In deze lezing zal Tyler twee projecten presenteren die onderzoeken hoe grootschalig reinforcement learning in simulatie deze kloof kan helpen overbruggen. Eerst zal Tyler SimToolReal bespreken, dat behendige gereedschapgebruik beleidsstrategieën leert in simulatie die generaliseren over ongeziene gereedschappen en taken en zero-shot overdragen naar de echte wereld. Vervolgens zal hij Play2Perfect presenteren, dat bestudeert hoe brede, taak-agnostische speelvoortraining herbruikbare manipulatievaardigheden kan bieden die efficiënt kunnen worden fijn afgesteld voor precieze, contactrijke assemblage. Samen verkennen deze projecten hoe simulatie kan worden gebruikt om breed toepasbare behendige gedragingen te leren terwijl het nog steeds de precisie en specialisatie mogelijk maakt die nodig zijn voor uitdagende taken in de echte wereld. Tyler Lum is een 5e jaars Computer Science PhD student aan Stanford University die kunstmatige intelligentie en robotica bestudeert. Hij wordt begeleid door Prof. C. Karen Liu in The Movement Lab (TML) en Prof. Jeannette Bohg in het Interactive Perception and Robot Learning (IPRL) Lab, en krijgt steun van een NSERC Postgraduate Scholarship (PGS-D). Tylers onderzoek richt zich op het bouwen van robots die kunnen bewegen en handelen in dynamische omgevingen in de echte wereld op een elegante en efficiënte manier. Hij ontwikkelt methoden voor het integreren van op leren gebaseerde perceptie en controle, en bestudeert de inductieve bias die de efficiëntie en betrouwbaarheid van deze systemen kan verbeteren. Zijn recente werk legt een sterke focus op behendige manipulatie en sim-to-real robot leren. Zijn projecten omvatten Play2Perfect, dat de behendige speelvoortraining voor precieze assemblage bestudeert; SimToolReal, dat objectcentrische beleidsstrategieën ontwikkelt voor zero-shot behendige gereedschap manipulatie; en Human2Sim2Robot, dat sim-to-real reinforcement learning verkent vanuit een enkele menselijke demonstratie. Voor zijn PhD studeerde Tyler Engineering Physics aan de University of British Columbia (UBC), waar hij afstudeerde als Wesbrook Scholar. Hij werkte met Prof. Michiel van de Panne aan reinforcement learning en bewegingsplanning voor viervoetige robots en met Prof. Purang Abolmaesumi aan deep learning voor medische beeldanalyse. Tyler heeft ook gewerkt als robotics onderzoekstagiair bij RAI en als Robotics R&D stagiair bij NVIDIA, waar hij zich richtte op reinforcement learning voor humanoïde loco-manipulatie en behendige robotcontrole. Zijn bredere onderzoeksinteresses omvatten intelligente robots, elegante beweging, interactieve perceptie, behendige bi-manuele manipulatie, redeneren door onzekerheid, planning over lange termijn, creatief probleemoplossen, gezond verstand redeneren, en verkenningsstrategieën. Tylers langetermijndoel is het creëren van robots die kunnen redeneren door onzekerheid, continu leren van hun omgevingen, zich kunnen aanpassen aan nieuwe uitdagingen en betrouwbaar genoeg worden om enorme waarde te creëren voor mensen in hun dagelijks leven. Onderwerpen: • Schalen van behendige manipulatie met grootschalig reinforcement learning in simulatie. • Leren van beleid dat brede generalisatie combineert met precieze controle. • Behendig gereedschapgebruik over ongeziene gereedschappen en taken. • SimToolReal en zero-shot overdracht van simulatie naar de echte wereld. • Objectcentrische beleidsstrategieën voor behendige manipulatie. • Sim-to-real reinforcement learning voor meervingerige robothanden. • Brede, taak-agnostische speelvoortraining. • Leren van herbruikbare manipulatievaardigheden door gesimuleerde interactie. • Play2Perfect en efficiënte downstream fijn-afstemming. • Precieze, contactrijke robotassemblage. • Overbruggen van algemeen toegankelijke manipulatie en gespecialiseerde precisie. • Op leren gebaseerde perceptie en controle voor dynamische omgevingen in de echte wereld. • Inductieve biases voor meer efficiënte en betrouwbare robotleerprocessen. • Schalen van robot leren door gesimuleerde ervaring. • Bouwen van behendige systemen die zowel algemeen als precies zijn. Open Discussie + Q&A: • Hoe kunnen behendige beleidsstrategieën algemeen blijven over gereedschappen en taken zonder precisie op te offeren? • Welke aspecten van behendige manipulatie zijn het moeilijkst over te brengen van simulatie naar de echte wereld? • Hoeveel diversiteit in simulatie is nodig voor robuuste zero-shot overdracht? • Welke representaties of inductieve biases maken generalisatie over ongeziene gereedschappen mogelijk? • Kan een enkele beleidsstrategie herbruikbare concepten van grijpen, gereedschapgebruik en contactrijke interactie leren? • Wat leert taak-agnostisch spelen een robot dat taak-specifieke demonstraties niet doen? • Hoe moeten brede manipulatievaardigheden fijn worden afgesteld voor taken die uiterst precieze controle vereisen? • Wat maakt contactrijke assemblage fundamenteel anders dan algemene objectmanipulatie? • Hoeveel gegevens uit de echte wereld zijn nog nodig na grootschalige simulatievoortraining? • Kan speelvoortraining een algemene basis worden voor behendige manipulatie? • Wanneer overtreft reinforcement learning in simulatie imitatie leren vanuit echte demonstraties? • Hoe moeten simulatieomgevingen worden ontworpen om overdraagbare in plaats van simulator-specifieke gedragingen aan te moedigen? • Kan dezelfde voorgetrainde beleidsstrategie zowel open-einde gereedschapgebruik als sterk ingeperkte assemblage ondersteunen? • Hoe moet op leren gebaseerde perceptie en controle worden geïntegreerd voor betrouwbare behendige manipulatie? • Wat is nodig om gesimuleerde behendige leerprocessen te schalen naar echt algemeen toegankelijke robot handen?