[发明专利]用于生成机器人任务演示的神经网络

说明书

本公开涉及用于生成机器人任务演示的神经网络。一种用于训练神经网络的技术，包括基于与在模拟环境中执行第一任务的第一机器人相关联的第一多个任务演示生成多个输入向量，其中包括在多个输入向量中的每个输入向量指定第一机器人末端执行器的姿势序列，以及训练所述神经网络以基于所述多个输入向量生成多个输出向量。用于生成任务演示的另一种技术，包括生成包括机器人和至少一个对象的模拟环境，使机器人基于由经训练的神经网络生成的第一输出向量，在模拟环境中至少部分地执行与至少一个对象相关联的任务，以及记录机器人在模拟环境中至少部分地执行任务的演示数据。

相关申请的交叉引用

本公开主张2021年12月17日提交的标题为“用于实现变换器以收集机器人任务演示的技术(TECHNIQUES FOR IMPLEMENTING TRANSFORMERS TO COLLECT ROBOTIC TASKDEMONSTRATIONS)”且具有序列号63/291205的美国临时专利申请的权益。在此通过引用将相关申请的主题并入本文。

技术领域

本公开的实施例总体上涉及机器学习和机器人技术，更具体地说，涉及实现神经网络以生成机器人任务演示。

背景技术

机器人可以在不同的现实环境中(例如工业、家庭或护理环境)自动执行物理任务。通常，机器学习技术用于训练机器人以在这些类型的现实环境中执行物理任务。例如，可以使用机器学习技术对机器人进行训练，以自动执行装配任务、涉及拾取和放置对象的任务、包装任务、对象堆叠任务和/或其他类似的物理任务。许多机器学习的实现都涉及训练神经网络，使机器人能够在没有人工输入和/或人机交互的情况下执行指定任务。

为给定任务训练神经网络通常需要大量的训练数据集，其中包括执行给定任务的足够数量的机器人演示。通常，机器人任务演示由用户在模拟环境中通过模拟机器人人工生成。要生成每个机器人演示，用户必须人工控制模拟机器人并成功完成给定任务。因此，用于生成足够多的机器人任务演示以用于训练神经网络的传统技术可能是乏味、低效和/或难以扩展的。

此外，使用机器人任务演示训练神经网络的技术通常基于用于特定模拟器和特定机器人的配置参数，其作为神经网络的训练数据以用于生成机器人任务演示。因此，用于训练神经网络的传统技术通常只允许使用单一类型的模拟器和单一类型的机器人来生成用于训练神经网络的机器人任务演示。对用于生成机器人任务演示的模拟器类型和机器人类型的限制实质上限制或阻止了从多个用户收集机器人任务演示的能力，这些用户可以实现不同类型的模拟器和不同类型的机器人，这进一步增加了生成和收集大量用于训练神经网络的机器人任务演示的工作量和效率。

如上所述，本领域需要的是用于训练神经网络和收集用于训练神经网络的机器人任务演示的更有效技术。

发明内容

本发明的一个实施例阐述了一种用于训练神经网络以实现机器人任务的技术。该技术包括基于与在模拟环境中执行第一任务的第一机器人相关联的第一多个任务演示生成多个输入向量，其中包括在多个输入向量中的每个输入向量指定第一机器人末端执行器(end-effector)的姿势序列。该技术还包括训练神经网络以基于多个输入向量生成多个输出向量。

与现有技术相比，本公开技术的一个技术优势在于，通过所公开的技术，可以基于在给定任务的机器人任务演示中展示的机器人末端执行器的姿势来训练使模拟机器人能够执行给定任务的神经网络。因此，与传统方法相比，使用公开的技术，神经网络不基于与模拟器和/或在机器人任务演示中执行给定任务的模拟机器人相关联的配置参数进行训练。因此，可以使用任何类型的模拟器和/或任何类型的模拟机器人生成用于训练神经网络的机器人任务演示。因此，所公开的技术使得用于训练神经网络的机器人任务演示能够比使用传统技术更容易且更有效地生成和收集。与现有技术方法相比，这些技术优势提供了一种或更多种技术改进。