M-EMBER：通过因子化域迁移解决长时程移动操作
M-EMBER: Tackling Long-Horizon Mobile Manipulation via Factorized Domain Transfer
AI总结：
本文提出M-EMBER方法，通过将长时程移动操作分解为基本视觉技能并强化学习后组合，在机器人上以53%成功率完成cleaning_kitchen任务。
摘要：
在本文中，我们提出了一种为长时程活动创建视觉运动移动操作解决方案的方法。我们建议利用仿真的最新进展来训练移动操作的视觉解决方案。虽然先前的工作已成功将此程序应用于自主视觉导航和固定操作，但将其应用于长时程视觉运动移动操作仍是一个开放性挑战，这需要多种技能的感知和组合泛化能力。在本研究中，我们开发了Mobile-EMBER（简称M-EMBER），这是一种因子化方法，它将长时程移动操作活动分解为一组基本视觉技能，对每个技能进行强化学习，并将这些技能组合成长时程移动操作活动。在移动操作机器人上，我们发现M-EMBER完成了长时程移动操作活动cleaning_kitchen，成功率达到53%。这需要成功规划和执行五种因子化、学习到的视觉技能。
英文摘要：
In this paper, we propose a method to create visuomotor mobile manipulation solutions for long-horizon activities. We propose to leverage the recent advances in simulation to train visual solutions for mobile manipulation. While previous works have shown success applying this procedure to autonomous visual navigation and stationary manipulation, applying it to long-horizon visuomotor mobile manipulation is still an open challenge that demands both perceptual and compositional generalization of multiple skills. In this work, we develop Mobile-EMBER, or M-EMBER, a factorized method that decomposes a long-horizon mobile manipulation activity into a repertoire of primitive visual skills, reinforcement-learns each skill, and composes these skills to a long-horizon mobile manipulation activity. On a mobile manipulation robot, we find that M-EMBER completes a long-horizon mobile manipulation activity, cleaning_kitchen, achieving a 53% success rate. This requires successfully planning and executing five factorized, learned visual skills.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
