[論文レビュー] Diffusion-EDFs: Bi-equivariant Denoising Generative Modeling on SE(3) for Visual Robotic Manipulation

Hyunwoo Ryu, Jiwoo Kim+8 more|arXiv (Cornell University)|Sep 6, 2023

Generative Adversarial Networks and Image SynthesisComputer Science被引用数 3

ひとこと要約

本論文は、5〜10件のヒューマンデモでのみ、1時間未塔でエンドツーエンド学習が可能な、視覚的ロボット操作を対象とした新しいSE(3)-等長性拡散生成モデルDiffusion-EDFsを提案する。バイ等長性と階層的アーキテクチャを活用することで、データ効率的で一般化可能なポリシー学習を実現し、未確認の物体配置に対しても優れた耐性と実世界への展開能力を有する。

ABSTRACT

Diffusion generative modeling has become a promising approach for learning robotic manipulation tasks from stochastic human demonstrations. In this paper, we present Diffusion-EDFs, a novel SE(3)-equivariant diffusion-based approach for visual robotic manipulation tasks. We show that our proposed method achieves remarkable data efficiency, requiring only 5 to 10 human demonstrations for effective end-to-end training in less than an hour. Furthermore, our benchmark experiments demonstrate that our approach has superior generalizability and robustness compared to state-of-the-art methods. Lastly, we validate our methods with real hardware experiments. Project Website: https://sites.google.com/view/diffusion-edfs/home

研究の動機と目的

• 既存の拡散モデルが大規模なデモデータセットを必要とし、分布外の配置に一般化できないという限界に対処すること。
• 回転および並進対称性を保持するSE(3)上でのバイ等長性拡散モデルの開発により、データ効率性と耐性を向上させること。
• EDFsのような従来のエネルギーベースモデルと比較して、大幅に訓練時間を短縮しつつ、エンドツーエンド学習可能性と一般化性能を維持すること。
• ポイントクラウド入力における長距離依存関係を捉える階層的アーキテクチャを通じて、シーンレベルの文脈理解を可能にすること。
• 多様な操作タスクにおける包括的なシミュレーションおよび実ロボット実験を通じて、本手法の有効性を検証すること。

提案手法

• 本手法は、3次元ポイントクラウド観測を条件とする拡散ベースのスコア関数生成モデルを採用し、SE(3)変換に対してバイ等長性を有する学習済みスコア関数を用いる。
• 局所的およびグローバルな特徴表現を統合する階層的アーキテクチャを採用し、ポイントクラウド入力における細分化された特徴とシーンレベルの文脈を両方捉える。
• エンドエフェクタのポーズを徐々にノイズ化し、SE(3)多様体上でのスコアベースの拡散プロセスにより再構築する、ノイズ除去プロセスによる訓練を実施。
• 回転および並進に対して一貫した変換挙動を保証するため、可約表現（スピン-0からスピン-lまで）に基づくSO(3)-等長性メッセージパッシング層を用いてバイ等長性を強制。
• 高解像度のポーズ生成のためのマルチスケールノイズ除去ヘッドを採用し、ピックおよびプレースのサブタスクごとに別々のモデルを学習。
• サンプリング後にエネルギーベースのクリティックを用いて、複数の拡散サンプルから高品質なグリップポーズをランク付け・選択。

Figure 1 : Overview of Diffusion-EDFs. (a) The target end-effector pose $g_{0}$ is bi-equivariantly diffused for the training of Diffusion-EDFs. (b) The end-effector pose is sampled from the policy by denoising with learned bi-equivariant score function. Due to the bi-equivariance, the trained polic

実験結果

リサーチクエスチョン

• RQ1 拡散ベースの生成モデルは、5〜10件のヒューマンデモでのみ、6自由度ロボット操作ポリシーのデータ効率的かつエンドツーエンド学習を達成できるか？
• RQ2 拡散モデルにおけるSE(3)-バイ等長性は、未確認の物体ポーズや配置に一般化する能力をどのように向上させるか？
• RQ3 本手法は、EDFsのような従来のエネルギーベースモデルと比較して、著しく訓練時間を短縮できるか？
• RQ4 階層的アーキテクチャは、ポイントクラウド観測におけるシーンレベルの文脈を理解する能力をどの程度向上させるか？
• RQ5 本手法は、新規の物体インスタンス、悪意のある干渉要因、非標準的な物体姿勢を含む実世界シナリオにおいて、どの程度一般化できるか？

主な発見

• Diffusion-EDFsは、5〜10件のヒューマンデモでのみ、1時間未塔のエンドツーエンド学習を実現し、従来のEDF手法と比較して15倍の高速化を達成。
• 本手法は、未確認の分布外の配置（例：斜めの姿勢）や新規の物体インスタンスに対しても、人的評価で90％を超える成功率で堅牢に一般化可能。
• マグオンハンガー、ボウルオンディッシュ、ボトルオンシェルフのタスクにおける実ロボット実験により、生のポイントクラウド観測からの有効なグリップポーズ生成が可能であることを確認。
• 20個のピックポーズ生成には5〜10秒、10個のプレースポーズ生成には9〜17秒のサンプリング時間がかかるが、シーンの複雑さに応じて変動し、ボウルオンディッシュのような高ポイントクラウド密度のシーンではより長くなる。
• RTX 3090 GPUを用いた訓練時間は、マグピッキングで24分未塔、マグプレーシングで36分未塔、ボトルピッキングで27分、ボウルプレーシングで最大1.3時間。3つのGPUでサブタスクモデルを並列に訓練することで、合計時間は1時間未塔に短縮。
• 階層的アーキテクチャにより、シーンレベルの文脈を的確に把握でき、複雑でごちゃついた環境下でオブジェクト中心のアプローチよりも優れた性能を発揮。

Figure 2 : Architecture of multiscale EDF. Our multiscale EDF model is composed of a feature extracting part and a field model part. See Fig. 7 in Supp. D.3 for details on each module in the architecture. (a) The feature extractor encodes the input point cloud into multiscale featured point clouds.