在想象国学习：通过3D生成模型实现全向策略（OP-Gen）

最近的3D生成模型能够仅凭几张图像生成完整的物体形状，这为机器人技术开辟了新的机遇。在本研究中，我们展示了3D生成模型可用于扩充单次真实示范后的数据集，随后在这一想象数据集中学习全向策略。我们发现这使机器人能够在远离示范观察状态的初始化状态下执行任务，包括从物体相对于真实示范的相反侧开始，大幅减少了策略学习所需的示范次数。通过多项真实世界实验，涵盖抓取物体、打开抽屉及垃圾投放等任务，我们通过研究各种设计选择对策略行为的影响，验证了这些全向策略，并展示出相较于采用其他数据增强方法的近期基线，有显著的性能提升。