RESample: A Robust Data Augmentation Framework via Exploratory Sampling for Robotic Manipulation

Created by

Haebom

저자

Yuquan Xue, Guanxing Lu, Zhenyu Wu, Chuanrui Zhang, Bofang Jia, Zhengyi Gu, Ziwei Wang

💡 개요

본 논문은 로봇 조작 분야에서 Vision-Language-Action (VLA) 모델의 학습 데이터셋이 성공적인 궤적에 편중되어 발생할 수 있는 분포 외(OOD) 문제에 대응하기 위한 데이터 증강 프레임워크인 RESample을 제안합니다. RESample은 탐색적 샘플링 메커니즘을 통해 정책 롤아웃 중 잠재적인 커버리지 격차를 식별하고, 이를 보완하는 탐색적 행동을 샘플링하여 학습 데이터셋의 분포 커버리지를 효율적으로 확장합니다. 또한, 학습 데이터셋의 분포를 효과적으로 반영하기 위해 경량 커버리지 함수를 도입하여 커버리지 밀도가 낮은 영역에 샘플링 과정을 집중시킵니다.

🔑 시사점 및 한계

•

기존 VLA 모델이 성공 궤적에 편중된 학습 데이터셋으로 인해 분포 외 상황에 취약한 문제를 해결할 수 있는 효과적인 데이터 증강 방법을 제시합니다.

•

제안된 RESample 프레임워크는 적은 추가 샘플로도 기존 학습 데이터셋의 커버리지를 크게 확장하여 로봇 조작 성능을 12% 향상시키는 결과를 보여주었습니다.

•

탐색적 샘플링 과정의 효율성을 높이기 위해 경량 커버리지 함수를 도입하여 커버리지 밀도가 낮은 영역에 대한 샘플링을 집중시키는 전략은 실용적인 접근 방식입니다.

•

(한계점 또는 향후 과제) 탐색적 샘플링 메커니즘의 설계가 특정 로봇 작업이나 환경에 따라 최적화될 필요가 있으며, 더 복잡하고 다양한 OOD 시나리오에 대한 일반화 성능 향상 연구가 필요합니다.

PDF 보기

Made with Slashpage