特色应用
本文提出的方法提供了一个仿真基准和策略设计，用于在无需显式重新标定或测试时模型权重更新的情况下，研究视觉运动机器人在相机布置、动作缩放和控制延迟偏移条件下的操作。
摘要
在部署偏移条件下泛化仍然是视觉运动机器人操作面临的主要挑战，尤其是当相机布置和控制行为的变化对策略而言是未知的。本文介绍了系统上下文条件扩散策略（SCE-DP），这是一种历史条件操作策略，旨在适应相机外参、动作缩放和有限控制延迟的模拟变化，而无需显式重新标定或测试时模型权重更新。SCE-DP将已发出命令的简短历史及其后续的视觉和本体感觉响应编码为潜在系统上下文，该上下文对基于扩散的动作去噪过程进行条件约束。辅助系统参数回归和单步响应预测进一步促使上下文捕获与部署相关的系统属性及其行为后果。我们在五个独立训练的ManiSkill操作任务上评估SCE-DP，涵盖保留的范围内配置、保留的相机延迟组合和轻度外推设置。SCE-DP在保留配置上将五任务宏平均性能比域随机化扩散策略提高14.5个百分点，在保留的相机延迟组合上提高15.7个百分点。在四个偏移评估套件中，它实现了64.3%的平均成功率，而域随机化基线为48.9%，同时保持了标称性能。仅命令、仅响应、前一动作、恢复来源和匹配显式参数对照表明，这种增益不能仅用命令统计、冗余命令输入或恢复数据构成来解释。这些结果表明，在仿真中，命令-响应历史是耦合视觉和控制偏移下在线潜在系统上下文的有效来源；真实机器人的泛化能力仍有待确立。
