Mar, 2019

主动姿态估计的领域随机化

PDF
TL;DR本文研究如何通过活动感知训练改进基于域随机化的姿态估计方法，通过移动机器人获取更精准的目标位姿信息，并展示在机器人手持物品移动、环境中参考物体移动或者摄像头在物品周围移动的多种场景下能够显著提高标准姿态估计的准确度。
state estimationrobotic manipulationpose estimationneural networkdomain randomization
发现论文，激发创造
  • 域随机化：从仿真到真实世界的深度神经网络转移

    探究了一种称为 “Domain Randomization” 的技术，该技术使用非真实随机纹理来训练深度神经网络对象定位器，使得该定位器在真实环境中表现出色，并且可以应用于机器人控制中。

    Mar, 2017

  • 领域随机化和生成模型在机器人抓取中的应用

    通过使用深度学习，机器人抓取技术在数据可用性和算法改进方面取得了显著进展。在本文中，我们探索了一种新的数据生成管道，用于训练深度神经网络执行抓取规划，并提出了一种自回归的抓取规划模型，其将场景的传感器输入映射到可能的抓取概率分布。最终，我们在以前从未见过的物体上实现了 90% 以上成功率。

    Oct, 2017

  • 家庭物品语义机器人抓取的深度物体姿态估计

    通过使用合成数据，我们提出了一种用于单个 RGB 图像的已知物体 6-DoF 姿态估计的深度神经网络训练方法，成功地跨越了所谓的现实间隙，并通过机器人进行了实时物体姿态估计，取得了与基于真实数据的深度神经网络相当的表现。

    Sep, 2018

  • 使用合成数据训练深度网络：通过域随机化缩小现实差距

    该研究提供了一种基于合成图像训练深层神经网络对象检测的系统，并探讨了领域随机化技术的重要性及其在检测 KITTI 数据集上的应用。

    Apr, 2018

  • 基于深度强化学习的人体姿态主动估计

    本研究提出了一个基于深度强化学习的主动姿态估计架构，其学习选择适当的视角，在时间和空间上移动来提高其估计精度，并通过 Panoptic 多视图设置的广泛实验表明，与多视图基线相比，我们的模型学习选择的视角可以显著提高姿态估计的准确性。

    Jan, 2020

  • 主动域随机化

    本文就域随机化技术在代理泛化方面的影响进行了实证研究，提出了一种新颖的算法 Active Domain Randomization，该算法学习参数采样策略，通过利用随机化和参考环境实例之间的策略汇聚差异来查找给定随机化范围内最具有信息量的环境变化，通过在这些实例上更频繁地训练，提高代理泛化的整体性能，实验结果表明在各种基于物理模拟和真实机器人任务中，该增强技术能够导致更强健、一致的策略。

    Apr, 2019

  • 鲁棒的视觉从模拟到实际的机器人操作转移

    通过在模拟环境中学习视觉运动策略，我们提出了一种通过视觉域随机化方法来解决模拟与真实世界之间差异的问题，并在丰富的机器人操作任务中进行了基准测试。我们的方法在各种挑战性的操纵任务中取得了 93% 的成功率，并证明了模拟器训练的策略在真实场景中的视觉变化下具有更好的鲁棒性。

    Jul, 2023

  • 对于轨道 6D 位姿估计的领域泛化

    我们提出了一种通过多任务学习和积极的数据增强策略来改善网络的领域泛化能力，从而实现相对 6D 姿态和空间飞行器姿态估计的跨领域问题。

    Jun, 2024

  • 基于自监督的模拟到现实迁移的无标记相机与机器人姿态估计

    提出了一种端到端的姿态估计框架，结合深度学习和几何视觉解决机器人姿态的问题，并利用自我监督的方法以及深度学习的技术训练神经网络，最终在真实环境的两个公共数据集上验证了该方法的有效性，并将其应用于视觉伺服系统中。

    Feb, 2023

  • 实时全面的未知状态机器人姿态估计

    通过单个 RGB 图像进行实时机器人姿态估计的端到端流程，无需已知机器人状态，并达到了领先水平的 12 倍速度提升。

    Feb, 2024