행동뿐 아니라 입력 표현
많은 관절을 가진 손은 행동 공간이 크지만 입력 표현도 일반화에 영향을 준다. DexRepNet은 손과 물체가 상호작용하는 동안 바뀌는 기하 관계를 정책에 제공하려 한다.
세 가지 특징
점유 특징은 감지 범위의 대략적인 형상을, 표면 특징은 손과 물체 사이의 변화하는 거리를 표현한다. 국소 기하 특징은 접촉 후보와 관련된 표면 정보를 담는다.
표현을 사용하는 정책
DexRep을 기반으로 강화 학습한 정책이 파지를 수행한다. 물체의 정적인 종류 이름만 쓰기보다 현재 손의 위치와 물체 표면의 관계를 동적으로 다루는 구성이다.
일반화 평가
학습한 물체와 새 범주의 물체를 가상 및 실제 환경에서 평가했다. 파지 성공률과 학습 수렴 속도를 나누어 보고, 한 종류의 손과 입력 조건에서의 결과를 모든 장치로 확대하지 않아야 한다.
관련 문서
DexForce / DemoMimic / PointNet / HandsOn 조작 벤치마크 / 강화 학습 / 로봇