从人类反馈学习机器人到人类的动态物体递交
机器人到人的物体交接是许多人机协作任务中的重要一步,我们提出了一种基于接触的机器人到人交接系统 ContactHandover,它由抓取阶段和交付阶段组成,通过预测机器人抓取姿势和对象上人体接触点的三维可行性图,最大化接触点接近人类并最小化人体关节扭矩和位移,以实现更好的接触可见性和可及性。
Apr, 2024
设计了一个系统,其中包含两只附着在机器人手臂上的多指手,用于解决机器人在高速操作、精确协作和与不同对象进行交互时面临的挑战。通过在模拟中使用多智能体强化学习训练,并进行 Sim2Real 转移以在真实机器人上实施,提供了多个创新算法设计,包括学习物体的轨迹预测模型,帮助机器人准确估计物体的移动方向并做出相应反应。通过在真实环境中使用多个物体进行实验,相较于多个基准线表现出显著改进。项目页面可在 https://binghao-huang.github.io/dynamic_handover/ 访问。
Sep, 2023
本研究提出了第一个适用于基于视觉的人机递送控制策略学习的框架,使用带动态仿真环境的两阶段教师 - 学生框架,该框架使用运动规划、抓握规划、强化学习和自我监督等方法,可以在模拟实验基准测试、模拟到模拟的转换和模拟到真实的转换中显著提高性能,同时该研究也为解决仿真人类问题提供了新的思路。
Mar, 2023
通过引入适合训练机器人的合成数据,我们提出了一个能够生成逼真人类抓取动作的框架,通过对合成数据的纯训练,证明了我们的方法在模拟环境和真实系统中与依赖真实人类动作数据的最先进方法相媲美,并且能够扩展到更多未知物体和人类动作的大规模评估。
Nov, 2023
提出了一个框架来生成运动学约束的类人双手机器人运动,以确保人与机器之间物体的顺畅和自然的交接。通过使用隐藏半马尔可夫模型(HSMM)根据观察到的人的动作生成适当的响应轨迹,通过任务空间约束调整轨迹以确保准确的递交。通过一项试点研究的结果表明,与基线逆运动学方法相比,我们的方法被认为更类似于人类。
Feb, 2024
本论文介绍了如何通过微进化强化学习的方法,将人类操作技能转移到商业机器人上,同时提出了多维进化路径搜索算法以及专家人类代理政策的转移,通过实验验证了该框架的有效性。
Dec, 2022
提出一种基于动态机器人辅助手物交互的方法,通过手部姿态估计、自适应机器人控制和运动原语的综合运用,在实现精确任务执行和适应实时动作方面提高了人机物理交互的效果。
May, 2024
本文介绍了一种基于物体为中心示范实现的,用于训练软机械手进行熟练操作的方法,该方法使用增强学习技术,提出了一种新的算法,允许我们混合和选择最可行的示范来学习在硬件上模仿。最后,我们将这种方法应用于 RBO Hand 2 上,并获得了开 / 关阀门,滑珠和抓取等任务的良好表现。
Mar, 2016