PRO会员通讯
- RSS 2023 Workshop on Interdisciplinary Exploration of Generalizable Manipulation Policy Learning: Paradigms and Debates
- 主题：跨领域视角下的通用机器人操作技能学习
- 时间：2023年7月10日
- 主页：https://ai-workshops.github.io/interdisciplinary-exploration-of-gmpl/
机器人领域正越来越关注数据驱动方法来赋予机器人通用的操作技能。**尽管在这个领域有了许多进展，但仍然存在许多未解决的问题，导致出现了不尽相同，甚至有时相互冲突的范式。本研讨会旨在汇集来自不同领域的研究人员和实践者，包括机器人、计算机视觉、图形学、机器学习等，共享他们的见解和观点，推动跨领域合作，促进可泛化的操作策略学习范式的创新和发展。具体来说，我们的目标是讨论对该领域未来发展至关重要的问题，包括但不限于：
- 哪种动作空间适合于可推广的操作策略学习？
- 在可泛化的操作策略学习的背景下，物理仿真的评价指标是什么？
- 为了实现从物理仿真到真实环境的迁移，物理仿真应该有多真实？
- 哪些数据收集方法更适用于可泛化的操作策略学习？
- 哪种视觉表征更适用于可泛化的操作策略学习？
与研讨会一同，我们还组织了ManiSkill2挑战赛 (https://sapien.ucsd.edu/challenges/maniskill/)**。**该挑战赛旨在评估不同算法习得的技能是否能使机器人智能体完成指定操作任务。我们将在本研讨会上公布获奖者并邀请获奖者分享参赛经验以及和参与圆桌讨论。
我们将在本次研讨会上进行挑战赛颁奖仪式，获奖者将被邀请在研讨会上进行分享，并参与圆桌讨论，直接与各位嘉宾一起交流讨论。
**我们特邀来自学术界和工业界的嘉宾们进行学术报告和圆桌讨论，也邀请你向本研讨会进行投稿。**研讨会征稿主题包括但不限于：
- 机器人操作中的计算机视觉
- 功能性 (affordance) 预测
- 预训练模型
- 基于交互的视觉模型
- 强化学习 (RL) 和模仿学习 (IL)
- 基于3D输入的强化学习 (RL) 和模仿学习 (IL)
- 大规模训练
- 多任务学习 (multi-task learning)
- 少样本模仿学习
- 高效的，可负担的数据收集
- 用于提高泛化性的数据增强 (data augmentation) 方法
- 用于可泛化的操作策略学习的基础模型 (foundation model)
- 机器人硬件设计
- 其他关于可泛化的操作策略学习的话题
投稿时间节点：
- 提交截止日期：2023年6月12日 (GMT-7)
- 审稿结果通知日期：2023年6月16日
- 最终版提交日期：2023年6月23日
投稿方式：
- 篇幅：不超过4页 (不包括引用和补充材料)
- 格式：参照RSS的模版 (https://roboticsconference.org/information/authorinfo/)
- 网址：https://cmt3.research.microsoft.com/rssgmpl2023
ManiSkill2挑战赛时间节点：
- 提交截止日期：2023年6月12日 (GMT-7)
- 最终评测结果公布日期：2023年6月16日
- 我们还为参赛者准备了在线答疑时间：每周五北京时间上午10-11点 （请发送邮件至jigu@ucsd.edu获取会议链接）。
特邀报告嘉宾：
组织者：
关于研讨会的相关问题，请联系陈睿 (chenruithu@mail.tsinghua.edu.cn)。关于挑战赛的相关问题，请联系顾家远 (jigu@ucsd.edu)。
