Apple Machine Learning Research
·
ARMOR：人形机器人碰撞避免与运动规划的自我中心感知
💡
原文英文，约200词，阅读约需1分钟。
📝
内容提要
人形机器人在感知和运动规划方面存在明显不足。为此，我们提出了ARMOR系统，结合可穿戴深度传感器，提升空间意识和运动规划能力。通过模拟训练的模仿学习策略，ARMOR在动态避障中减少了63.7%的碰撞，成功率提高了78.7%。与传统方法相比，ARMOR在真实环境中表现更佳。
🎯
关键要点
- 人形机器人在感知和运动规划方面存在明显不足。
- 提出了ARMOR系统，结合可穿戴深度传感器，提升空间意识和运动规划能力。
- ARMOR通过模拟训练的模仿学习策略，在动态避障中减少了63.7%的碰撞，成功率提高了78.7%。
- 与传统方法相比，ARMOR在真实环境中表现更佳。
- ARMOR的感知系统优于多种密集的头戴式和外部深度摄像头设置。
- 与采样基础的运动规划专家cuRobo相比，ARMOR减少了31.6%的碰撞，成功率提高了16.9%，计算延迟减少了26倍。
- ARMOR感知系统已在真实世界的GR1人形机器人上部署。
❓
延伸问答
ARMOR系统的主要功能是什么？
ARMOR系统主要通过结合可穿戴深度传感器，提升人形机器人的空间意识和运动规划能力。
ARMOR在动态避障方面的表现如何？
ARMOR在动态避障中减少了63.7%的碰撞，成功率提高了78.7%。
ARMOR与传统方法相比有什么优势？
与传统方法相比，ARMOR在真实环境中的表现更佳，且在多个指标上均有显著提升。
ARMOR系统是如何进行训练的？
ARMOR系统通过模拟训练的模仿学习策略，利用AMASS数据集中的人类动作进行训练。
ARMOR的感知系统与其他系统相比有什么特点？
ARMOR的感知系统优于多种密集的头戴式和外部深度摄像头设置，提供更好的空间感知。
ARMOR在计算延迟方面的表现如何？
ARMOR相比于采样基础的运动规划专家cuRobo，计算延迟减少了26倍。
➡️
