Robotyka

Implicit Graph Alignment

2023BadawczyOpublikowano: 28 października 2026Aktualizacja: 28 października 2026Opublikowany

Metoda few-shot imitation learning, która traktuje zadanie jako warunkowe dopasowanie grafowych reprezentacji obiektów i pozwala robotowi wykonać je na nowych obiektach zaraz po kilku demonstracjach.

Kluczowa innowacja

Sformułowanie uczenia przez naśladowanie jako warunkowego dopasowania grafowych reprezentacji obiektów, co umożliwia uczenie w kontekście (in-context) nowych zadań manipulacji na nieznanych obiektach zaraz po kilku demonstracjach, bez douczania.

Kategoria

Robotyka

Poziom abstrakcji

Wzorzec

Poziom operacji

Sterowanie robotemInferencja

Zastosowania

Few-shot imitation learningManipulacja obiektami przez robotaGeneralizacja na nieznane obiekty w obrębie kategoriiZadania dopasowania / wkładania obiektów względem siebie

Jak działa

Obiekty są reprezentowane jako grafy, a zadanie jest ujmowane jako znalezienie trajektorii istotnych dla zadania dopasowań między dwoma obiektami. Metoda uczy task-agnostycznego warunkowego rozkładu dopasowań za pomocą modelu energetycznego (energy-based model) działającego na grafowej reprezentacji obiektów; model jednocześnie wnioskuje, które części obiektów są istotne dla zadania oraz jak je dopasować spójnie z dostarczonymi demonstracjami. Do uczenia tego ogólnego rozkładu potrzebny jest duży i zróżnicowany zbiór spójnych dopasowań między instancjami obiektów tej samej kategorii; autorzy uzyskują go metodą augmentacji kształtu zachowującej korespondencje (correspondence-preserving shape augmentation), generując dowolnie wiele obiektów dopasowanych w spójny (lecz niezależny od zadania) sposób. W czasie działania, po otrzymaniu kilku demonstracji, model wnioskuje trajektorię dopasowań i realizuje zadanie, przesuwając jeden obiekt względem drugiego tak, by odtworzyć wywnioskowane dopasowania.

Rozwiązany problem

Jak nauczyć robota wykonywać zadanie na nowych, wcześniej niewidzianych obiektach danej klasy, mając tylko kilka demonstracji na innych obiektach — bez wiedzy o klasie obiektu i bez dodatkowego treningu. Duża zmienność obiektów w obrębie klasy utrudnia wywnioskowanie istotnej dla zadania relacji między nowymi obiektami a obiektami z demonstracji.

Komponenty

Graph representation of objects

Obiekty reprezentowane są jako grafy, co pozwala modelować istotne dla zadania relacje i dopasowania między obiektami.

Energy-based model (EBM)

Uczy task-agnostycznego warunkowego rozkładu dopasowań nad grafową reprezentacją obiektów; jednocześnie wnioskuje istotne dla zadania części obiektów i sposób ich spójnego dopasowania. To element „implicit' w nazwie metody.

Correspondence-preserving shape augmentation

Metoda augmentacji kształtu zachowująca korespondencje, generująca duży i zróżnicowany zbiór spójnie dopasowanych instancji obiektów tej samej kategorii, użyty do treningu modelu.