Diffusion-EDFs：面向视觉机器人操作的 SE(3) 双等变去噪生成建模
Diffusion-EDFs: Bi-equivariant Denoising Generative Modeling on SE(3) for Visual Robotic Manipulation
AI总结：
本文提出 Diffusion-EDFs，一种基于 SE(3) 等变扩散的视觉机器人操作方法，仅需 5 到 10 个人类演示即可在一小时内完成端到端训练，并在泛化性、鲁棒性及真实硬件实验中优于现有方法。
摘要：
扩散生成建模已成为从随机人类演示中学习机器人操作任务的一种有前景的方法。在本文中，我们提出了 Diffusion-EDFs，这是一种新颖的基于 SE(3) 等变扩散的方法，用于视觉机器人操作任务。我们表明，所提出的方法实现了显著的数据效率，仅需 5 到 10 个人类演示即可在不到一小时内完成有效的端到端训练。此外，我们的基准实验表明，与最先进的方法相比，我们的方法具有优越的泛化能力和鲁棒性。最后，我们通过真实硬件实验验证了我们的方法。项目网站：https://sites.google.com/view/diffusion-edfs/home
英文摘要：
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
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。
