Mar, 2018

使用深度强化学习进行非预抓取操作的重排

PDF
TL;DR该研究基于深度强化学习、视觉反馈、潜在场探索策略和平衡数据集的训练方式，开发了一套具有非抓握重排能力的机器人系统，成功率高达 85%，并能够应对环境突然改变，达到了人类水平。
nonprehensile manipulationdeep reinforcement learningvisual feedbackroboticstask modeling
发现论文，激发创造
  • 通过多模态分类探索进行强化学习的非抓取平面操作

    通过多模态探索方法，提出了用于任意起始和目标物体姿态的平面推动强化学习策略，该策略在无模拟故障和观测噪声的情况下具备可靠性，并能应用于具有多个推动装置的任务，同时验证了该策略在物理机器人上的可转移性。

    Aug, 2023

  • 自我监督的深度强化学习在推动和抓取之间的协同学习

    通过无模型深度强化学习，可以从头开始发现和学习机器人操作中的推动和抓取之间的复杂协同作用，并在具有挑战性的混乱情况下提高抓取成功率和拾取效率并实现泛化。

    Mar, 2018

  • 非抓取性操作的强化学习：从仿真到物理系统的转移

    本研究使用一种修改自然策略梯度算法的模型，通过模拟学习并训练，成功将自主控制策略从虚拟系统转移到由三个机器人组成的物理系统中，并证明使用多个模型训练可以使学习到的策略更加稳健，从而弥补了系统识别的困难。

    Mar, 2018

  • 使用参数化操作基元学习外在灵巧性

    通过学习层次化强化学习，我们能够利用环境改变目标物体的姿态，无需物体检测、姿态估计或手动设计控制器，从而成功地完成 98% 的实验任务。

    Oct, 2023

  • NeRP: 未知物体的神经重排规划

    提出了一种基于深度学习的多步神经对象重新排列规划方法 NeRP，并将其与其他基线方法进行比较，结果表明该方法的效果更好，可以在较少的步骤和规划时间内有效地重新排列未知对象，并在现实世界中展示了其在几个具有挑战性的重新排列问题上的应用。

    Jun, 2021

  • 基于本地 GNN 的深度强化学习用于目标驱动的变形物体重新排列

    使用基于 GNN 的学习方法，通过两个表示图对图像中检测到的关键点进行编码。采用自注意力进行图更新和交叉注意力进行生成操作，实验表明该框架在多个 1-D 和 2-D 重排任务中非常有效，并且可以通过微调关键点检测器轻松转移到真实机器人中。

    Feb, 2023

  • 数据高效的灵巧操作深度强化学习

    本研究使用深度学习和强化学习方法解决机器人的熟练操作任务，同样使用了 DDPG 算法来扩展其功能以实现更高效的数据利用与可伸缩性，成功地使用现实世界的抓取和叠放机器人的交互数据训练出其掌握复杂熟练操作技能的有效策略模型。

    Apr, 2017

  • 重新排列：具身人工智能面临的挑战

    本文提出了一个以重新排列任务为基础的体现智能 (AI Embodied) 的研究和评价框架，并描述了四个不同的仿真环境中重新排列方案的实验测试床和性能度量标准，以支持重新排列代理的训练和部署。

    Nov, 2020

  • 高效机器人操作技能获取的触觉主动推理增强学习

    提出了一种名为触觉主动推理强化学习（Tactile Active Inference Reinforcement Learning，Tactile-AIRL）的机器人操作技能学习新方法，通过整合基于模型的技术和内在好奇心进入强化学习过程，有效提高算法的训练效率和对稀疏奖励的适应能力，并利用视觉触觉传感器提供详细的感知，通过自由能最小化进行想象和规划，证明了该方法在非抓取物体推动任务中取得了显著的高训练效率，使智能体在密集和稀疏奖励任务中优秀表现，几次交互即可超越基准模型，并通过螺纹拧紧任务进行了物理实验，展示了算法的快速学习能力和在实际应用中的潜力。

    Nov, 2023

  • 无需演示学习可变形物体操纵

    本文介绍了基于无模型视觉强化学习的变形物体操作问题，通过提出迭代的拾取 - 放置空间和只显式学习放置策略来加速学习，并使用 MVP 选择策略，此学习框架在变形物体操纵任务方面获得了比独立空间快一个数量级的学习，并使用领域随机化将策略转移到 PR2 机器人上，对布料和绳索覆盖任务进行了实验验证。

    Oct, 2019