RLBench: 机器人学习基准测试与学习环境
ROBEL 平台介绍了 D'Claw 和 D'Kitty 两种机器人,旨在加速强化学习研究,提供了可持续硬件强化学习的任务目标,并提供多种基于学习的方法的基准得分,可以在 www.roboticsbenchmarks.org 上获得所有必要的材料。
Sep, 2019
本文介绍了 RMBench,这是一个用于机器人操作的基准测试,使用深度学习和强化学习算法,通过使用目标性能指标来比较算法的性能表现,研究发现,软 Actor-Critic 的表现最好,且数据增强技术有助于学习策略。
Oct, 2022
该研究提出面向复杂长程行为的真实世界家具组装任务,并提出 FurnitureBench 家具组装基准测试,供研究人员测试和比较不同算法的性能表现,基于该基准测试验证了在线和离线强化学习、模仿学习算法的性能,进一步提出未来的研究方向。
May, 2023
为了加快人形机器人算法研究的进展,我们提出了一个基于高维度的模拟机器人学习基准,名为 HumanoidBench,该基准以配备熟练双手和各种具有挑战性的全身操作和运动任务的人形机器人为特色。我们的研究发现,当配备稳健的低级策略(如行走或伸手)时,最先进的强化学习算法在大多数任务中表现不佳,而分层学习基准则实现了优越的性能。通过 HumanoidBench,我们为机器人学界提供了一个平台,用于解决人形机器人在解决各种任务时所面临的挑战,促进算法和思想的快速验证。开源代码可在此网址获得:https://url
Mar, 2024
通过在多个商业机器人上实施我们引入的多个强化学习任务,通过对其四种增强学习算法的学习性能进行测试并分析其对超参数的灵敏度,揭示出这些算法的实际应用性。我们发现现代学习算法对超参数非常敏感,为了获得最佳性能需要为每个任务重新调整参数。
Sep, 2018
为了推进仿真学习(IL)在运动中的研究,我们提出了一个新的基准,旨在促进 IL 算法的严格评估和比较,包括四足动物、两足动物和肌肉骨骼人类模型等多个环境,提供全面的数据集以进行困难程度的评估, 并为每个任务提供手工指标和最新算法。
Nov, 2023
本文提出了三类全新的强化学习基准测试领域,包含了一定数量的自然世界的复杂性,同时支持快速而广泛的数据采集,此举将挑战强化学习社区开发更加稳健的算法以满足高水准的评估要求。
Nov, 2018
以离线强化学习方向研究四足机器人腿部鲁棒动作,通过经典模型预测控制方法收集数据集,并与基于模型无关的在线强化学习方法进行对比,发现离线强化学习算法在某些任务上能够超越模型无关的在线强化学习算法,但在稳定性和快速适应性方面仍存在差距,该研究为测试和评估离线强化学习算法在实际四足机器人运动任务中的表现提供了一个发展平台。
Sep, 2023
为了评估机器人在现实世界中的操作能力,我们提出了一个新的可重复使用的基准测试,着重于抓取和放置。我们使用机器人学界常用的 YCB 对象数据集来确保结果可与其他研究进行比较。此外,该基准测试旨在易于在实际环境中进行重现,使其可供研究人员和实践者使用。我们在基准测试中提供了基于模型和无模型 6D 机器人抓握的实验结果和分析,评估了代表性算法的物体感知、抓握规划和运动规划。我们相信,这个基准测试将是推进机器人操作领域的宝贵工具。通过提供标准化的评估框架,研究人员可以更容易地比较不同的技术和算法,从而更快地发展机器人操作方法。
Jun, 2023
本研究介绍了一个用于桥接软件基准测试和真实工业应用的工业基准测试,并公开了其 Java 和 Python 代码及 OpenAI Gym 封装器。该基准测试设计为捕捉真实工业控制问题中常见情况的原型实验设置。
Sep, 2017