Sketchy

该数据集提供了一个数据驱动机器人的框架，该框架利用记录的机器人经验的大型数据集，并使用学习的奖励函数扩展到多个任务。该数据集展示了如何应用此框架在真实机器人平台上完成三种不同的对象操作任务。鉴于任务的演示以及与任务无关的记录经验，该数据集使用一种特殊形式的人工注释作为监督来学习奖励函数，这使我们能够处理无法直接获取奖励信号的现实任务。学习到的奖励与来自不同任务的大型经验数据集结合使用，以使用批量 RL 离线学习机器人策略。数据集表明，使用我们的方法可以训练代理执行各种具有挑战性的操作任务，包括堆叠刚性物体和处理布料。

This dataset provides a data-driven robotics framework that leverages large datasets of recorded robotic experiences and scales to multiple tasks via learned reward functions. It demonstrates how to apply this framework to accomplish three distinct object manipulation tasks on real robotic platforms. Given task demonstrations and task-agnostic recorded experiences, this dataset employs a special form of human annotations as supervision for learning reward functions, enabling us to handle real-world tasks where direct reward signals cannot be acquired. The learned reward functions are combined with large-scale experience datasets across diverse tasks to train robotic policies through batch offline reinforcement learning. This dataset shows that our method can train agents to perform a variety of challenging manipulation tasks, including stacking rigid objects and handling cloth.

搜集汇总

背景与挑战

背景概述

Sketchy数据集提供了一个数据驱动机器人框架，通过记录的经验学习奖励函数，并结合批量强化学习处理多种无直接奖励信号的操作任务。该框架已成功应用于堆叠刚性物体和处理布料等挑战性任务，由DeepMind于2020年发布。