.png){kind=icon}
返回
Equivariant diffusion policy for sample-efficient robotic manipulation
.png){kind=icon}
PRE
AI
DOI：10.1177/02783649261424445.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期研究表明，扩散模型是学习行为克隆中演示数据产生的多模态分布的有效方法。然而，该方法的缺点是需要学习去噪函数，这比学习显式策略复杂得多。在本工作中，我们提出了等变扩散策略（Equivariant Diffusion Policy），一种新型扩散策略学习方法，利用领域对称性以提高去噪函数的样本效率和泛化能力。我们从理论上表征了扩散策略何时具有等变性，并分析了全6自由度（DoF）控制的SO(2)对称性。此外，我们在MimicGen的12项模拟任务集中对方法进行了实证评估，结果表明其成功率平均比基线Diffusion Policy高出34.5%。我们还对该方法在真实系统中的有效性进行了评估，证明可以用相对较少的训练样本学习到有效策略，而基线Diffusion Policy则无法实现。
Keyword:
diffusion models
robotic manipulation
sample efficiency
equivariant learning
policy learning
期刊
T
IF:
0
论文数:
126
被引数:
0
机构
引用论文
.png){kind=icon}
Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots通用操作接口：无需在野机器人的在野机器人教学
PREAI
分享收藏分享收藏EquivAct: SIM(3)-Equivariant Visuomotor Policies beyond Rigid Object ManipulationEquivAct: 超越刚性物体操作的SIM(3)-Equivariant Visuomotor Policies
OAAI
OAAI分享收藏
查看更多内容