巧妙 な 操作 の 難題 規模
操作作業難度を分類する枠組み <unk> シンプルなピックアンド・プレスから接触型組み立てまで <unk> 各レベルにおけるトレーニングデータ要件.
[←研究]
データ収集の範囲を拡大し,現実的なタイムラインを設定し,リソースをコミットする前に適切なアルゴリズムを選択するための5レベル操作難度スケール.
難しさ の 規模 が 重要 な の なぜ です か
ロボット学習プロジェクトにおける最も一般的な失敗モードは,期待の誤りである. チームは6ヶ月と5000回のデモを必要とする作業に2ヶ月と500回のデモを割り当てます. これらの失敗は,よりよい初期作業特性を備えたことで,ほとんど予防できます.
下の難度スケールは,データ収集開始前に3つの質問に答えることを目的としています.この作業に必要なデータはどれぐらいですか?どのアルゴリズムを使用すべきですか?現実的なタイムラインとは何ですか? これは操作学習文献の経験やRCSVの自己展開経験から得た経験に基づくものです.
5レベルの困難枠組み
レベル 1 制限のないトップマスター
操作の最も単純なクラス.ロボットは,上から下へと向く方法を使用して固定または近固定な位置から単一の硬い物体を握る必要があります.接近中に接触制限はなく,大きな握り容量 (>5mm),単一の物体,安定した背景.
- 例の作業: 輸送機からスープ缶を拾い,缶からトレイにブロックを移転し,テーブル表面からカップを拾い.
- 典型的な示例が必要: 200
500 - 推奨アルゴリズム: H=50 の行動クローン (BC) または ACT
- 訓練後の予想成功率: 85
95% - キー故障モード: 照明変更,新しい背景,オブジェクトの中心から8cm以上
レベル 2 包囲付きの様々な手柄
操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法: 操作方法:
- 例の作業: 混雑したゴミ箱から物品を拾い,どんな方向から瓶を握り,ガッチャから注ぐ.
- 典型的な示例が必要: 500
2,000 - 推奨アルゴリズム: ACTまたは拡散政策
- 期待される成功率: 75
88% - 鍵課題: ポリシーは多様性を扱う必要があります 複数の有効な把握が維持されなければなりません 平均ではなく.
レベル3 多段階の作業とツール使用
操作の2つ以上の連続的な操作ステップ,ツール使用 (シザー,スクリュードライバー) や,捉え方の段階間のオブジェクトの再方向化を必要とするタスク.ステップ間のエラー複合は主力課題である.
- 例の作業: 引き出しを開いて物を取り出し,スパトルを使って食べ物を振り回し,ボトルにキャップをスライドします.
- 典型的な示例が必要: 2,000~10,000
- 推奨アルゴリズム: タイムランスバンドまたは階層政策を持つACT
- 期待される成功率: 60~80%
- 重点課題: ステップごとに成功率
ステップ2つでそれぞれ85% = 完全作業の成功の72%.
レベル4 接触型組み立て
接触と力制御を精密に要求する作業:ネグ挿し,スナップフィット組立て,コネクタ配合,ドラフト/ドア操作.位置精密要求 <3 mmと精密な力制御はこのレベルに特徴がある.
- 例の作業: USB 接続器の挿入,PCB 部品の配置,穴内固定 (±1 mm 耐容性),スナップフィット付きの組み立て.
- 典型的な示例が必要: 10,000~50,000
- 推奨アルゴリズム: 拡散ポリシー (トランスフォーマー),手首カメラでACT
- 期待される成功率: 50
75% - **鍵課題:**カメラピクセル解像度でのノイズ (1ピクセル ≈ 0.5
1 mm 典型的な距離) は,要求される精度に匹敵する.腕カメラはほぼ義務化している.
レベル5 変形可能な物体と二手調整
最も難しい課題は,変形材料 (織物,ペースト,ケーブル),双手調節で交配された双腕軌道を必要とする作業,または非常に長い視界 (>60秒) を持つ作業で複数のL3/L4サブタスクを組み合わせる作業です.
- 例の作業: 布を折り畳み,ケーブル路線,手術縫い,スンジッチを広げて組み立て.
- 典型的な示例が必要: 50,000+,または基礎モデルの細かな調整
- 推奨アルゴリズム: π0 (物理知能) バイマン્યુઅલ;長視野の微調整された OpenVLA;変形物のためのカスタマイズされた拡散
- 期待される成功率: 40
65% - 重点課題: 変形可能な状態空間は無限次元です. 現在のロボット学習アプローチはこれらの課題を解決するよりも近似です.
任務分類参照表
| Task | Difficulty Level | Typical Demos | Algorithm | Notes |
|---|---|---|---|---|
| Top-down bin pick (uniform) | L1 | 200–500 | BC | Fixed SKU, structured environment |
| Mixed bin picking | L2 | 500–2,000 | ACT | Variable object pose, clutter |
| Bottle cap screwing | L3 | 2,000–8,000 | ACT | Force + rotation coordination |
| Drawer open + retrieve | L3 | 3,000–10,000 | ACT / Hierarchical | Two sub-tasks chained |
| USB insertion | L4 | 10,000–30,000 | Diffusion-T | 精度（再現性） ±2 mm |
| PCB component place | L4 | 20,000–50,000 | Diffusion-T + wrist cam | ±0.5 mm precision |
| T-shirt folding | L5 | 50,000+ or FM | π0 / Diffusion | Deformable, bimanual |
| Cable routing through clips | L5 | 30,000–80,000 | Custom | High variance, contact-rich |
困難 を 引き起こす 要因
- 精度要求: 要求される精度の次数増加 (10 mm → 1 mm → 0,1 mm) は,データ要求をおよそ倍増し,アルゴリズム変更が必要になる可能性があります.
- 遮断: 重要なアクション段階においてロボット腕またはグリッパーがカメラの視界を遮ると,データ要求が大幅に増加します.腕カメラはこれを部分的に緩和します.
- 双手調整: 双手動を同期する作業は,指数値状態空間と共同タイムリングの要求により自動的に L4/L5となります.
- 状態変性: 演示の間環境が変化する場合 (異なる抽出し位置,異なる物体数量), 変性の次元性とともにデータ要求が増加します.
RCSV [データサービスチーム] (
データを正しく収集する
RCSVのチームは,この難度スケールであなたの作業を分類し,必要なデモを推定し,あなたがコミットする前にコストとタイムラインの推定を提供します.
[タスク評価を入手する →]