Dobb-E: Ev Robotları İçin İmitasyon Öğrenme
Dobb-E, robotların ev işlerini öğrenmelerini sağlayan açık kaynaklı bir çerçevedir. İmitasyon öğrenme süreci ile ev robotlarının mevcut sınırlamalarını aşmayı hedefler. Kullanıcı dostu bir çözüm sunan Dobb-E, 25 dolarlık bir uzatma aparatı ve 3D yazıcı ile üretilmiş parçalarla birlikte bir iPhone kullanarak veri toplar. Bu veri, New York'taki 22 farklı evde gerçekleştirilen 13 saatlik etkileşimlerden oluşan Homes of New York (HoNY) veri setinden elde edilir. Bu veri seti, RGB ve derinlik videoları ile birlikte gripper'ın 6D pozunu ve açılmasını içeren eylem anotasyonlarını barındırır.
Dobb-E, toplanan verileri kullanarak Home Pretrained Representations (HPR) adı verilen bir model eğitir. Bu model, ResNet-34 mimarisine dayanmaktadır ve kendinden denetimli öğrenme hedefleri kullanılarak eğitilmektedir. Dobb-E, yeni ortamda 5 dakikalık veri ile 15 dakika içinde yeni görevleri çözme konusunda %81 ortalama başarı oranı sergilemektedir. Kullanıcılar, GitHub üzerinden önceden eğitilmiş modellere, koda ve belgelere erişim sağlayabilirler. Ayrıca, "On Bringing Robots Home" başlıklı açık erişim makalesi, Dobb-E'nin metodolojisi ve sonuçları hakkında daha fazla bilgi sunmaktadır.
