机器人操作任务中的现实差距量化
机器人学中的评估与模拟环境之间的控制和视觉差异是可靠的模拟评估的关键挑战,在创建适用于常见真实机器人设置的 SIMPLER 模拟环境的基础上,我们证明了在这些环境中的政策表现与真实世界中的表现之间的强相关性,同时准确反映了真实世界的政策行为模式,通过我们的工作流以及开源的 SIMPLER 环境,促进了通用操作策略和模拟评估框架的研究。
May, 2024
通过评估可变形物体模拟器与真实数据之间的现实差距,我们提出了一个用于评估布料操作中模拟与真实之间差距的基准数据集。我们使用这个数据集评估了四个流行的可变形物体模拟器:MuJoCo,Bullet,Flex 和 SOFA 的现实差距、计算时间和模拟稳定性,并讨论了每个模拟器的优缺点。这个基准数据集是开源的,补充材料、视频和代码可以在给出的网址找到。
Oct, 2023
在自主导航的地面机器人领域,现有的研究大多使用真实感的动力学和感知模型,而本篇论文致力于通过在仿真环境中进行端到端的训练,减小模型在现实机器人平台上的差距,并取得了显著的性能和稳健性的提升。
Jan, 2024
本文提出了一个基于深度强化学习的机器人 pick-and-place 任务的共识型模拟现实联合训练算法(CSAR),目的是在模拟和实际环境中都实现高效和有效的策略优化。实验表明,模拟中的最佳策略并不一定适用于模拟和实际环境的学习。同时,越多的模拟代理越有利于模拟现实的训练。
Feb, 2023
通过从物理机器人收集的数据训练神经网络,我们提出了一个方法来估计手术模拟器中的机器人位置精度误差,并将这些误差注入模拟器中,以产生具有物理机器人特性性能的仿真机器人。我们的结果表明,误差注入将模拟机器人与物理机器人之间的平均位置和方向差异从 5.0 毫米 / 3.6 度降低到 1.3 毫米 / 1.7 度,分别减少了 3.8 倍和 2.1 倍。
Jun, 2024
本文介绍了一种简单的方法来解决在模拟训练中的现实差距问题。通过在训练过程中随机化模拟器的动力学,我们能够开发出适应非常不同的动力学的策略,并且使其在真实世界中推广而不需要在物理系统上进行训练。在机器人控制方面,我们的方法在物体推动任务上表现出了很好的性能。
Oct, 2017
通过对比优胜队伍的方法和最新的离线强化学习算法与挑战数据集的基准结果,本研究详细介绍了比赛规则,并讨论了利用模拟器和真实机器人进行实验的话题。
Aug, 2023
提出在商用虚拟现实界面下对工业机器人进行远程操作的问题,为此,提出了一个简化的过滤方法来处理命令信号,以便在熟练掌握虚拟现实界面的情况下对工业机器人进行远程操作,这一方法已在多种接触丰富的操作任务中得到了证明
May, 2023
本研究定义了一种易于重现的实验设置,用于比较四种随机化策略及三种随机参数在仿真和实验机器人上完成的任务。研究发现,完全随机生成仿真和精细调整策略可以更好地转移到现实机器人,并且比其他测试方法更有差异化的结果。
Jun, 2022
本文针对机器人在虚拟仿真与现实世界中路线规划准确性的差异问题开展研究,提出了一种新的仿真评估工具 ——Habitat-PyRobot Bridge,并设计了一种衡量预测准确度的新指标 ——Sim-vs-Real Correlation Coefficient,实验结果表明调整仿真参数可以提高预测准确性,有助于将虚拟仿真结果转化为现实世界中的效果
Dec, 2019