RESample: Framework di Data Augmentation per la Manipolazione Robotica
RESample è un framework di data augmentation guidato dalla copertura, progettato per affrontare il recupero da errori nei modelli Vision-Language-Action (VLA) per la manipolazione robotica. I modelli VLA, addestrati su dataset di apprendimento per imitazione su larga scala, spesso falliscono quando l'esecuzione si discosta dalle dimostrazioni standard a causa dello spostamento distribuzionale. RESample integra attivamente i dataset dimostrativi con modalità di errore che possono verificarsi nel mondo reale. Addestra una funzione di copertura conservativa per identificare i casi di errore all'interno della distribuzione dei dati effettiva, guidando l'aumento per migliorare la robustezza della politica. Il framework è stato introdotto in un articolo su arXiv (ID: 2510.17640v4) ed è rilevante per i campi dell'IA e della robotica.
Fatti principali
- RESample è un framework di data augmentation guidato dalla copertura.
- Affronta il recupero da errori nei modelli Vision-Language-Action (VLA).
- I modelli VLA sono addestrati su dataset di apprendimento per imitazione su larga scala.
- Questi dataset contengono principalmente traiettorie di successo, mancando di supervisione correttiva.
- Le deviazioni di esecuzione portano a spostamento distribuzionale e fallimenti delle politiche.
- RESample addestra una funzione di copertura conservativa per identificare i casi di errore.
- Il framework integra i dataset dimostrativi con modalità di errore.
- L'articolo è disponibile su arXiv con ID 2510.17640v4.
Entità
Istituzioni
- arXiv