机器人学中的可行性是指机器人必须感知到的关键属性,以有效地与新型物体交互的核心概念,该综述文章特别关注机器人学,并尝试找到不同方法之间的共同点,我们提出基于先前知识水平的分类,用于建立有助于实现机器人任务的不同可行性组件之间的关系。
Apr, 2020
本论文介绍了一个名为 3D AffordanceNet 的数据集,其中包含来自 23 个语义对象类别的 23k 个形状,注释了 18 个视觉可用性类别,并提供了三个评估视觉可用性理解的基准测试任务。作者评估了三种最先进的点云深度学习网络,并研究了半监督学习设置探索利用未标记数据的可能性。综合结果表明,视觉可用性理解是一个有价值但具有挑战性的基准测试。
Mar, 2021
本文回顾了在机器人任务中使用借助能力概念的不同策略,并构建这些方法以提供指导,包括能力作为提高自主性的机制。最后,我们确定并讨论了一系列有趣的借助能力研究方向,这些方向有潜力提高 AI 代理的能力。
May, 2021
通过学习视觉契合来指导机器人探索,并使用基于 Transformer 的模型来学习 VQ-VAE 潜在嵌入空间中条件分布,从而展现模型的组合泛化能力。训练完成的契合模型可用于机器人操作策略学习中的目标抽样分布。
May, 2023
本文介绍了一个大规模多视角 RGBD 视觉可供性学习数据集及其基准测试方法,它包含了来自 37 种对象类别、配有 15 种视觉可供性类别和 35 种杂乱 / 复杂的场景的 47210 个 RGBD 图像。我们提出了一个名为 ARNet 的【可供性识别网络】,证明了该数据集的挑战性以及提出的新的强大的可供性学习算法的明确前景。
Mar, 2022
本文旨在研究如何通过生成模型来让一个通用机器人学习视觉契合性的表征,以便于机器人可以在新环境中使用它的模型进行采样,进而进一步训练其策略从而达成其目标。这种做法可以被用于训练以原始图像输入为操作对象的目标编码策略,并可以通过我们提出的契合性导向探索机制快速地学习如何操作新对象。我们展示,通过五分钟的在线学习就可以在新场景下使用之前的数据训练机器人完成抽屉打开,抓取和放置的任务。
Jun, 2021
提出一种从人类遥操作的游戏数据中提取自我监督的视觉管用模型,并将其与基于模型的策略学习和基于模型的强化学习相结合,以实现有效的策略学习和运动规划,从而实现在人类环境中运作的机器人的高效操作。
利用环境适应性的概念实现安全探索和学习,进而改善家庭机器人的成功率和收敛速度,并为未来的人机交互探索奠定基础。
May, 2024
本研究使用视觉契合技术,通过预测关键点的接触信息,提出了一种端到端的控制策略学习框架,可以实现在不同类型的操纵任务中的泛化。结果显示,我们的算法在成功率上大大优于基线算法,包括基于视觉契合和强化学习方法。
Sep, 2022
本文提出了一种使用内在动机来指导移动机器人利用环境中可行的任务来自主学习并适应互相关联的任务的方法。
Sep, 2020