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。
➡️
