ロボサイト: MuJoCoの標準化操作基準
ロボサイト深層ダイビング: MuJoCoで標準化されたタスク9つ ALOHAとロボミックサポートをドロップイン MITライセンス,8つのロボット腕 今日もハードウェアを閲覧する
ARISE Initiative (スタンフォード, UT Austin, ASU) が開発したRobosuiteはロボット学習における最も広く引用されている操作基準である.Mujokoで9つのコアテーブルタスク,モバイルALOHAとrobomimicのドロップインサポート,コアントトルクからオペレーションスペースまでのコントローラー抽象,およびMITライセンスにより,ラボ全体での模倣学習パイプラインのデフォルト選択となります.
互換性ハードウェアをブラウズする カスタムロボットサイトエンvを取得する 一致するデータセットを取得する
MITライセンス 9 核心基準タスク ロボミミック + ALOHA 内蔵
ロボスイートとは何か?
Robosuiteはオープンソースのモジュールシミュレーションフレームワークであり,ロボット操作学習の基準であり,当初はスタンフォード大学で _Surreal_プロジェクトで導入され,後にARISEイニシアチブによって開発されました. 2018年にリリースされ,その後継続的に維持され,出版された模倣学習とオフラインRL操作論文の中で最も広く引用されている基準です.
MuJoCoの上に配置され,MuJoCoが提供していない3つの要素を追加します:報酬機能,成功基準,リセット論理を含む標準化されたタスクインターフェース ロボット抽象層が,同じタスクをフランカ,ソーヤー,UR5e,Kinova,IIWA,Jaco,またはモバイル ALOHA双手プラットフォームで実行できるようにする. これらの抽象は,ロボット体現型に一般化する必要がある模倣学習政策を訓練するための自然環境をRobosuiteにします.
Robosuite の 模倣学習 の ARISE イニシアチブ の 伴随 図書館 と 密集 的 な 統合 は,その 特徴 の 一つ です. Robomimic は BC, BC-RNN, BC-Transformer, IQL, CQL（Conservative Q-Learning） の 基線 を すべての 核心 Robosuite の 作業 に 関する 参照 チェックポイント と 提供し,両 図書館 は データを 洗練 し て 転送 し,前後 に 配置 する よう 設計 さ れ て い ます. 拡散政策,ACT,および多くのVLA評価論文は,Robosuite-robomimicをデフォルトベンチマークスタックとして使用しています.
インストール 迅速開始
フレームワークは自律的に MuJoCo を依存として引き出すので,単一のパイプインストールで動作設定が生成されます.
# Install Robosuite (MuJoCo is pulled as a dependency)
pip install robosuite
# Verify installation with a random-action rollout on Lift
python -c "import robosuite as suite; \
env = suite.make('Lift', robots='Panda', has_renderer=False); \
obs = env.reset(); \
for _ in range(100): obs, r, done, info = env.step(env.action_spec[0] * 0); \
print('Robosuite ready, reward:', r)"
模倣学習のために,ARISEハブからrobomimicとデモデータセットを追加します.完全なRobosuite +robomimicワークフローは,デモを収集し,BC-Transformerを訓練し,評価する3つのコマンドで実行されます.
pip install robomimic
# Download 200 human demonstrations for the Square peg task
python -m robomimic.scripts.download_datasets --tasks square
# Train BC-Transformer on those demos (~30 min on an RTX 4090)
python -m robomimic.scripts.train --config bc_transformer_square.json
モバイルALOHA双手サポートは,一流のロボットオプションとして利用可能であり,遠隔操作再プレイとアクションチャッキングに互換性のあるデータセットを組み込みます.
支援 ロボット と 任務
Robosuiteは8つのテーブル操作器腕をサポートしています:フランカ・パンダ,リシンク・ソーヤー,ユニバーサル・ロボット UR5e,キノバ・ジェネラルド3,カカ・IIWA,ジャコ,バクスター (バイマニュアル),およびALOHA (バイマニュアル). ロボット抽象層は,深い
核心基準は,出版された操作結果の基準となる9つの標準化作業で構成されています. リフト (単体リフト),スタック (垂直堆積),ピック-プレス (四つのオブジェクトクラスで排列されたビン排序),ナットアセンブリ (四角と丸いナッツで穴を埋め),ドア (レバー開け),ワイプ (変形な汚れ分布による表面清掃),ツインアーム輸送 (双手交付),ツインアームペグインホール (双手組),ツインアームリフト (双手協力的なリフト). 各タスクは密集で稀な報酬変数,構成可能なオブジェクトセット,決定性種を備えています
核心課題の向こう側では,RobosuiteのMJCF作成システムにより,カスタムテーブルタップシーンを簡単に作れます.ツール使用,倒し,クリアンス変数で挿入,関節物操作,言語条件付きの多段階のシーケンスが共通するコミュニティ拡張です. LIBERO,RoboCasa,MimicGenは全てRobosuiteの上に構築され,それぞれ長期的,キッチン規模,および手順で生成されたシナリオに拡張されています.
ロボサイトでの基準値
Robosuite Core-9タスクセットは,文献の中で最も複製された操作基準である.リフト,カーン,スクエア,および輸送に関する参照番号は,ロボミミック紙 (マンデルカーおよびコール, CoRL 2021) から来ている.そして,その後,ほぼすべての模倣学習紙が報告するベースラインである. 広報政策 (Chi et al., RSS 2023),ACT (Zhao et al., RSS 2023),BC-Transformerは,Robosuiteの課題に関するヘッドライン番号を公開した.
VLA 評価では,Robosuite が標準化テストベッドの割合を増加させる.LIBERO-130 はRobosuite のタスク作成システムに基づいて構築され,同じ観測とアクションスペースを使用しています.ミミックジェンは,数人のヒト例から自動的に大規模なデモを生成し,Robosuite でエンドツイン実行します. Open X-Embodimentと RoboCasa のデータセットは両方とも Robosuite に対応するアクションスペックを使用し,データセット間のポリシー評価を簡単にします.
利点とデメリット
** 強み** MITライセンス,最小インストール (一ピップコマンド),自動報酬調整の8つのプリキャリブレートロボット腕,9つの標準化されたコアタスク,公開されたベースライン,robomimic, LIBERO,MimicGen,およびMobile ALOHAとの緊密な統合,そしてコミュニティの貢献拡張子の深いライブラリ. ロボスイートはMuJoCoの接触物理を継承しているため テーブル操作に本当に正確です
弱点 範囲は意図的にテーブルタップ操作に限定されています 脚の移動もなく,モバイル操作もなく (コミュニティフォーク以外),光現実的なレンダリングもありません.コントローラー抽象は強力ですが,原料MuJoCoから来るチームに学習曲線を追加します.コードベースはMuJoCoをバックエンドとして想定します.アイザックシムまたはジェネシスに移植するにはコミュニティフォークが必要です. GPUのパラレルフレームワークのIsaka Labと比較して CPUのループットが上がります
ロボサイト を 選ぶ 時
Robosuite を選択する際には,自分の作業を自分で作るよりも,標準化された作業をしたい場合,Robosuite を選択してください. 模倣学習研究,フランカまたは双手 ALOHA の VLA 評価,ロボミックベースライン 複製,および以前の論文と比較してリンゴ対リンゴの比較を掲載する作業流程が重要である場合. MITのライセンスと ワンコマンドインストールにより クラスやチュートリアルやハッカソンで採用できる最も簡単なシミュレーターもできます
参照ハネスよりも,完全な作家の制御を望むときに直接 [MuJoCo]
オーダーメイド ロボスイート環境
RCSVは模倣学習とVLA評価チームのためにカスタマイズされたRobosuite環境を構築します. ロボミミック対応のデモデータセット,複数の腕間で同じポリシーを評価するクロスインボディメントスーツ,およびテレオペレーションリプレイによるモバイル ALOHA双手シーン. 配達船は ロボミミック・コンフィギュア 決定性種子 そしてサンフランシスコのラボから 配合された 遠隔操作データセット
関連リンク
T13 ) 8つの主要なシミュレーターを比較する - 物理エンジン Robosuite が構築されている
- 広範囲の訓練のための GPU-パラレル RL 代替
- 顔対顔シミュレーター比較
- フランカ,モバイルALOHA,UR5e
- [カスタムテレオペレーションデータセット] (T18
) 模倣学習のための
サイミュレーションで 80%まで 走る最後のマイルは本物のロボットです