[논문 리뷰] EquiBot: SIM(3)-Equivariant Diffusion Policy for Generalizable and Data Efficient Learning

Jingyun Yang, Ziang Cao외 4명|arXiv (Cornell University)|2024. 07. 01.

Domain Adaptation and Few-Shot Learning인용 수 4

한 줄 요약

EquiBot는 기하학적으로 원칙적인 신경망 아키텍처를 통해 척도, 회전, 이동에 대한 불변성을 강제함으로써 SIM(3)-등변성 확산 정책을 제안하여 로봇 조작에서 최신 기술 수준의 데이터 효율성과 일반화 성능를 달성한다. 단지 5분의 인간 시연 데이터로 훈련된 이 정책은 시뮬레이션과 실제 이동형 조작 작업 모두에서 예측 불가능한 물체, 자세, 환경으로까지 견고하게 일반화된다.

ABSTRACT

Building effective imitation learning methods that enable robots to learn from limited data and still generalize across diverse real-world environments is a long-standing problem in robot learning. We propose Equibot, a robust, data-efficient, and generalizable approach for robot manipulation task learning. Our approach combines SIM(3)-equivariant neural network architectures with diffusion models. This ensures that our learned policies are invariant to changes in scale, rotation, and translation, enhancing their applicability to unseen environments while retaining the benefits of diffusion-based policy learning such as multi-modality and robustness. We show on a suite of 6 simulation tasks that our proposed method reduces the data requirements and improves generalization to novel scenarios. In the real world, with 10 variations of 6 mobile manipulation tasks, we show that our method can easily generalize to novel objects and scenes after learning from just 5 minutes of human demonstrations in each task.

연구 동기 및 목표

• 실세계 로봇 조작을 위한 암시적 학습에서의 데이터 비효율성과 낮은 일반화 능력 문제를 해결한다.
• 기존 방법들이 데이터 증강에 의존하거나 새로운 물체의 척도, 회전, 이동에 일반화하지 못하는 한계를 극복한다.
• 최소한의 시연 데이터로 다양한 분포 외 시나리오에서도 견고한 성능을 유지하는 시각-운동 정책을 개발한다.
• 등변성과 확산 정책 학습을 통합하여 다중 모달성, 반복적 행동 생성을 가능하게 하며 표본 효율성을 향상시킨다.

제안 방법

• 입력 변환(척도, 회전, 이동)에 대해 출력이 일관되게 변환되는 SIM(3)-등변성 신경망 아키텍처를 설계한다.
• 등변 아키텍처를 확산 정책 프레임워크에 통합하여 다중 모달성, 견고한 행동 시퀀스 예측을 가능하게 한다.
• 단일 시점의 장면 포인트 클라우드와 로봇 프로피아세이션을 입력으로 사용하며, 장면 해석을 위해 Grounded SAM을 통한 물체 세그멘테이션을 적용한다.
• 인간 시연 영상 데이터를 사용하여 정책을 엔드 투 엔드로 훈련시키며, 기하학적 변환을 통한 데이터 증강을 통해 내성적 저항력을 향상시킨다.
• 3Hz에서 8단계 행동 시퀀스를 출력하는 동작 예측 헤드를 적용하여 이동형 조작기에서 실시간 실행을 가능하게 한다.
• 등변성을 활용하여 명시적 데이터 증강 없이도 새로운 물체의 척도, 방향, 위치로의 일반화를 암묵적으로 가능하게 한다.

실험 결과

연구 질문

• RQ1 확산 정책 아키텍처에서 SIM(3)-등변성이 로봇 조작에서 데이터 효율성과 제로샷 일반화 성능를 크게 향상시킬 수 있는가?
• RQ2 등변성은 훈련 분포를 초월하여 새로운 물체의 척도, 회전, 이동에 대한 일반화를 어느 정도 가능하게 하는가?
• RQ3 실세계 구현에서 등변성과 확산 모델링의 조합이 기준 기반 암시적 학습 및 등변하지 않은 확산 정책보다 어떻게 성능을 높이는가?
• RQ4 단일 정책이 최소한의 시연 데이터로 다양한 가정용 작업, 특히 유연성과 조인트가 있는 물체를 포함한 작업에 일반화할 수 있는가?
• RQ5 등변성 강제 조건이 대칭군의 인덕티브 바이어스를 초월하여 더 나은 특징 표현을 유도하는가?

주요 결과

• EquiBot는 시뮬레이션과 실제 환경 모두에서 최신 기술 수준의 성능를 달성하여 기준 기반 확산 정책 및 이전의 등변 암시적 학습 방법을 능가한다.
• 실제 환경 실험에서 EquiBot는 단지 5분의 인간 시연 데이터로도 새로운 물체와 장면 구성을 성공적으로 일반화한다.
• 훈련 분포 외 시나리오, 즉 새로운 물체 자세, 척도, 장면 구성에 대해서도 기준 기반 방법보다 높은 성공률로 일반화한다.
• 모델은 SIM(3)을 초월하는 기하학적 변형, 예를 들어 비균일 척도나 물체 역학의 변화에 대해서도 견고함을 보이며, 이러한 변형에 대해 특별히 훈련하지 않았음에도 불구하고 성능 저하 없이 작동한다.
• SIM(3)-등변성과 확산 모델링의 조합은 다중 모달 행동 생성과 유휴 행동 생성을 가능하게 하여 정책의 견고성을 향상시킨다.
• 정량적 평가에서 EquiBot는 다양한 테스트 조건 하에서 6개의 실제 이동형 조작 작업(의자 밀기, 캐리어 닫기, 수건 접기 등)에서 일관된 성공률 기록을 보였다.