<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/10/ezgif-5-1256e08830.gif”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/10/ezgif-5-1256e08830-150×150.gif”/><p>近年来，人工智能（AI）在语言建模、蛋白质折叠和游戏方面取得了显著进展。但是，机器人学习的发展进展较为缓慢。莫拉维克悖论认为，与高级认知活动相比，感知运动行为对于AI代理来说更难，这可能部分解释了这种进展缓慢。此外，他们还必须关注一个同样重要的关键问题：机器人学习的软件框架的复杂性以及缺乏共同基准。结果，进入门槛增高，快速原型开发受限，创意流动受到限制。与计算机视觉或自然语言处理等更加标准化的领域相比，机器人学科仍然更加碎片化。</p><p>华盛顿大学的研究人员与加州大学伯克利分校、卡内基梅隆大学、德克萨斯大学奥斯汀分校、Open AI、Google AI和Meta-AI的研究人员共同推出了RoboHive，这是一个专为机器人学习设计的集成环境，旨在弥合这一差距。RoboHive是一种既可用作基准测试又可用作研究工具的平台。它提供了各种上下文、具体任务描述和严格的评估标准，以实现多种学习范式，包括强化、模仿和迁移学习。这使得研究人员可以进行高效的调查和原型开发。此外，RoboHive还提供硬件集成和远程操作功能，实现了从现实世界到虚拟机器人之间的平稳过渡。他们希望通过RoboHive来缩小机器人学习当前状态与其发展潜力之间的差距。创建和开源RoboHive作为机器人学习的统一框架是他们的主要贡献。</p><p><strong>RoboHive的显著特点包括：</strong></p><p>1. 环境动物园：RoboHive提供各种跨学科的设置。这些设置可用于操作任务，包括手持灵巧操作、两足和四足机器人的移动，甚至使用肌肉骨骼手臂模型的操作。他们使用MuJoCo来构建虚拟世界，该世界提供快速的物理模拟，并且专注于物理真实性。</p><p>2. RoboHive提供了一个统一的RobotClass抽象，通过simhooks和硬件hooks与虚拟和实际机器人平稳交互。通过改变一个标志，这种特殊能力使研究人员可以轻松地与机器人硬件进行交互，并将他们的发现从仿真转化为现实。</p><p>3. 远程操作支持和专家数据集：RoboHive具有各种模态的即插即用远程操作能力，包括键盘、3D空间鼠标和虚拟现实控制器。他们共享了一个由人类远程操作积累的最大的真实世界操作数据集之一 – RoboSet，该数据集涵盖了十二种烹饪任务。在模仿学习、离线学习和相关学科领域工作的研究人员将会发现这些远程操作能力和数据集特别有用。</p><p>4. 视觉多样性和物理保真度：RoboHive强调具有很高物理真实性和广泛视觉多样性的项目，超越以往的基准，揭示现实世界机器人领域的下一个研究前沿。他们通过包含复杂的物体、丰富的纹理和增强的场景布置，将视觉控制研究与日常生活的视觉困难相结合。此外，RoboHive原生支持各种情景中的场景布局和视觉域随机化，提高了视觉感知的适应性，并提供了逼真而丰富的物理材料。</p><p>5. 指标和基准：RoboHive使用简短明了的指标来评估不同情况下的算法性能。该框架提供了一个用户友好的类似gym的API，可以与学习算法无缝集成，方便多位学者和实践者的使用。此外，RoboHive与TorchRL和mjRL合作，提供了广泛研究的基准结果，为性能比较和研究提供了一个基准。</p>