Habitat 2.0 : Former des assistants à domicile pour réorganiser leur habitat

Résumé :

Nous présentons Habitat 2.0 (H2.0), une plateforme de simulation pour l'entraînement de robots virtuels dans des environnements 3D interactifs et des scénarios complexes basés sur la physique. Nous apportons des contributions complètes à tous les niveaux de la pile de l'IA incarnée - données, simulation et tâches de référence. Plus précisément, nous présentons : (i) ReplicaCAD : un ensemble de données 3D d'appartements (correspondant à des espaces réels) annotées, reconfigurables et rédigées par des artistes, avec des objets articulés (par exemple, des armoires et des tiroirs qui peuvent s'ouvrir/se fermer) ; (ii) H2.0 : un simulateur 3D haute performance basé sur la physique, dont la vitesse dépasse 25 000 pas de simulation par seconde (850x en temps réel) sur un nœud à 8 GPU, ce qui représente une augmentation de 100x de la vitesse par rapport aux travaux antérieurs ; et (iii) Home Assistant Benchmark (HAB) : une suite de tâches courantes pour les robots d'assistance (ranger la maison, préparer les courses, mettre la table) qui testent une série de capacités de copie mobile. Ces contributions techniques à grande échelle nous permettent de comparer systématiquement l'apprentissage par renforcement profond (RL) à l'échelle et les pipelines classiques de type sense-plan-act (SPA) dans des tâches structurées à long horizon, en mettant l'accent sur la généralisation à de nouveaux objets, réceptacles et agencements. Nous constatons que (1) les politiques d'apprentissage par renforcement à plat sont plus difficiles à appliquer dans les HAB que les politiques hiérarchiques ; (2) une hiérarchie avec des compétences indépendantes souffre de "problèmes de transfert", et (3) les pipelines SPA sont plus fragiles que les politiques d'apprentissage par renforcement.