​Mobile ALOHA:一种低成本的整体远程操作系统用于数据收集

划重点:

1. 💡 研究人员提出[]了一种低成本[]的整体远程操[]作系统，名为[] Mobile[] ALOHA，[]用于收集关于[]整体远程操作[]的数据。

2. 💡 Mobile[] ALOHA 通过将其放在[]轮式底座上，[]扩展了原始 ALOHA 的功能，使其[]具有移动能力[]。

3. 💡 研究人员使用静态 ALOHA 数据集进行模仿学习，通过预训练和联合训练，实现了在移动操作任务中的良好性能。

1月11日 消息:研究人员从斯坦福大学对使用模仿学习进行整体远程操作的任务进行了研究。然而，这种方法在许多日常情况下需要整体远程操作的协调，包括移动和灵巧操作，而不仅仅是单个的移动或操作行为。

这项研究解决[]了在实现双臂[]移动操作的模[]仿学习中的两[]个关键问题。[]首先，他们引[]入了一种名为[] Mobile[] ALOHA 的整体远程操[]作系统，该系[]统成本低廉，[]并设计用于收[]集双臂移动操[]作的数据。通[]过将 Mobile[] ALOHA 放置在轮式底[]座上，用户可[]以在物理连接[]状态下通过推[]动车轮来使底[]座移动，从而[]实现底座的独[]立移动，同时[]用户可以双手[]控制 ALOHA。[]研究人员通过[]同时记录手臂[]操作和底座速[]度数据来创建[]整体远程操作[]系统。

研究团队指出[]，通过简单地[]连接底座和手[]臂的动作，然[]后进行直接模[]仿学习，可以[]获得模仿学习[]中的出色表现[]。他们通过将[]移动底座的线[]性和角速度与[] ALOHA 的14个自由[]度关节位置结[]合起来，创建[]了一个16维[]动作向量。这[]种表达方式几[]乎不需要实现[]改变，使得 Mobile[] ALOHA 能够直接受益[]于之前的深度[]模仿学习方法[]。

研究人员指出[]，目前几乎没[]有可用的双臂[]移动操作数据[]集。然而，受[]到在各种机器[]人数据集上进[]行预训练和联[]合训练以进一[]步提高模仿学[]习性能的最近[]成功的启发，[]他们开始使用[]静态双臂数据[]集。具体而言[]，他们通过引[]入 RT-X 来使用静态 ALOHA 数据集，该数[]据集包含82[]5个与 Mobile[] ALOHA 任务无关的活[]动，并且两只[]手臂分开安装[]。

尽管任务和形态上存在差异，但研究表明，在几乎所有移动操作任务中都可以实现积极的迁移，达到与仅使用 Mobile ALOHA 数据训练的策略相当或更高的性能和数据效率。此外，这一观察结果也适用于其他类别的最先进的模仿学习技术，如 Diffusion Policy 和 ACT。

这种模仿学习的结果对于许多复杂的活动也很有效，包括拉椅子、联系电梯、打开两门壁柜来存放沉重的烹饪锅，以及清理溢出的酒。每项任务只需50个人类示例，协同训练就可以让我们获得超过80% 的性能，与没有协同训练相比，平均绝对提高34%。

项目网址:https://mobile-aloha.github.io/