研究了使用装备有机械臂的四足机器人进行移动操纵的问题,提出了一种整体控制的框架,包括以视觉观测为基础的低层次控制策略和基于视觉输入的高层次策略,通过在仿真中训练并进行真实机器人部署的 Sim2Real 转换,取得了在不同配置(高度、位置、方向)和环境中拾取多样物体方面显著的改进。
Mar, 2024
ManiPose 是一个旨在推进姿势多变的操作任务研究的开创性基准,它包含模拟环境、数据集和基准,并在姿势估计、姿势感知操作和真实机器人技能迁移等方面取得了显著进展。
提出了一种基于 HYPERmotion 框架的自主学习与行为规划方法,该方法结合了强化学习和全身优化,并且利用复杂的环境信息和大型语言模型的规划和推理功能,可以使机器人实现高自由度的行为适应性。
Jun, 2024
本文利用基于拓扑的坐标将任务建模为强化学习问题,以直接响应外部干扰和人体动作的行为方式,学习生成运动,解决某些救援或病人护理场景中的大型物品运输。仿真动态海上救援场景并进行定量实验,展示学习策略可以解决不同形状的人类,漂浮的人类或感知噪声。我们的定性实验展示了持续保持后的运输,证明了该策略可以直接转移到实际场景中。
Sep, 2018
四足机器人在人类环境中的逐渐整合以及与实际场景中物体的互动通过将运动 - 操纵过程分解为低层次的强化学习和高层次的行为克隆,我们使得四足机器人能够仅使用其腿部完成现实世界的操纵任务,并通过模拟和实际实验验证了我们的方法。
提出使用增强学习学习整体控制策略来实现对四肢机器人的控制,以解决四肢协调和模块间错误传播的问题,该统一策略可在多种任务设置中展示动态和敏捷行为。
Oct, 2022
本研究提出了一种全新的手部模型(MANO),并使用 MANO 模型,结合标准化的人体三维模型(SMPL)构建了一个全身可动态捕捉的模型(SMPL+H),实现了复杂的人体动作捕捉并保持高度真实性。
Jan, 2022
本文介绍 PoseIt 数据集,利用其中的视觉和触觉数据,通过训练多模式 LSTM 分类器,在多种物体抓取位置的情况下预测物体的稳定性,并证明了这种方法比单一数据来源更为准确和泛化。
Sep, 2022
本文提出了一个在未知环境中自主交互大型铰接物体的两阶段架构,第一阶段是以物体为中心的规划器,第二阶段是以智能代理为中心的规划器,并且在移动障碍物的情况下,通过优化控制问题确保安全跟踪所生成的计划。
Mar, 2021
提出了一种基于在线抓取姿势融合的可抓取性感知移动操作方法,用于在接近目标并抓取时有效观察目标,通过通过在线整理抓取姿势,消除冗余和异常值,并将其编码为一个抓取姿势观察状态,用于强化学习。此外,实时融合抓取姿势可直接评估抓握可行性,包括抓握姿势的数量和质量。
Sep, 2023