DONIC: Generalist Dexterous Bimanual Tracking Control from Human Demonstrations
Pubblicata su AIChronos il · fonte del · Mingze Sun, Ziang Cao, Yuan Fei, Qiankuan Tao, Zihan Wang, Tianqi Liu (Ropedia)
DONIC è il primo tracker bimanuale generalista addestrato congiuntamente su categorie operative e fonti di movimento umano per gestire manipolazioni ricche di contatti. Il modello integra Proximal Policy Optimization (PPO) con Behavioral Cloning in un ciclo di feedback che riutilizza esecuzioni verificate come dimostrazioni di training. L'architettura utilizza premi orientati all'oggetto per ogni mano e Clip-Centered Advantages per gestire gli offset indipendenti dai riferimenti, permettendo a una singola policy di apprendere manipolazioni coordinate su riferimenti eterogenei.
- BiHOI è un dataset multi-view composto da 1.575 sequenze che coprono 229 oggetti con interazioni bimanuali sostenute.
- Il sistema ricicla le esecuzioni di successo verificate all'interno del loop di training per migliorare l'addestramento senza bisogno di fine-tuning aggiuntivo.
- Una singola checkpoint raggiunge un tasso di successo dell'86,79% su traiettorie non viste degli oggetti di addestramento e il 57,32% sugli oggetti tenuti fuori (held-out).
- L'approccio supera i baselines state-of-the-art per le manipolazioni bimanuali del 77,36 punti percentuali su traiettorie non viste.
- La combinazione di PPO e Behavioral Cloning permette al modello di coordinare contatti complessi senza adattamenti specifici.
Perché conta. Sebbene sia focalizzato sul controllo robotico bimanuale, l'approccio DONIC illustra tecniche avanzate come il riciclo dei dati tramite feedback loop e la gestione multi-obiettivo che possono ispirare lo sviluppo di agenti autonomi più robusti per interazioni fisiche complesse in ambienti locali.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.