정교한 조작을 위한 최소주의적 리타게팅 기반 강화학습 레시피

요약

본 논문은 단일 인간 시연으로부터 정교한 조작 정책을 학습하는 최소주의적 리타게팅 기반 RL 파이프라인인 REGRIND를 제시합니다. REGRIND는 손-물체 동작을 로봇 참조값으로 변환하고, 잔여 RL 정책 훈련 및 시스템 식별 과정을 거쳐 하드웨어에 제로샷 전이를 수행합니다. 이를 통해 가위 사용이나 드라이버 돌리기 같은 접촉이 많은 도구 사용 작업에서 인간과 유사한 유연한 동작 구현을 입증했습니다.

핵심 포인트

• REGRIND는 최소주의적 리타게팅 기반 RL 파이프라인입니다.
• 접촉이 많은 환경에서의 정교한 조작 정책 학습에 초점을 맞췄습니다.
• 잔여(residual) RL 훈련과 시스템 식별을 통해 제로샷 전이를 달성했습니다.
• 가위 사용 등 도구 사용 작업에서 인간 유사 동작 구현 능력을 보여주었습니다.