RoCoDA는 로봇 환경의 복잡성과 데이터 수집의 높은 비용으로 인해 일반화에 어려움을 겪는 로봇의 모방 학습 문제를 해결하기 위한 새로운 방법입니다. RoCoDA는 불변성, 동변성, 인과성의 개념을 단일 프레임워크로 통합하여 모방 학습을 위한 데이터 증강을 향상시킵니다. 정책 출력에 영향을 미치지 않고 작업과 무관한 환경 상태의 하위 집합을 수정하여 인과적 불변성을 활용하고, 강체 변환을 객체 자세에 적용하고 해당 동작을 조정하여 SE(3) 동변성을 활용하여 합성 데모를 생성합니다. 5가지 로봇 조작 작업에 대한 광범위한 실험을 통해 최첨단 데이터 증강 방법과 비교하여 정책 성능, 일반화 및 샘플 효율성이 향상됨을 보여줍니다. 학습된 정책은 보이지 않는 객체 자세, 질감 및 방해 요소의 존재에 대해 강력한 일반화를 보여주며, 재파지와 같은 새로운 동작이 나타나 RoCoDA로 훈련된 정책이 작업 역학에 대한 더 깊은 이해를 가지고 있음을 나타냅니다. RoCoDA는 불변성, 동변성 및 인과성을 활용하여 기하학적 대칭과 인과적 추론 사이의 간극을 메우는 모방 학습에서 데이터 증강에 대한 원칙적인 접근 방식을 제공합니다.
