本研究旨在解决机器人技术中的熟练操作难题,特别关注于 TriFinger 系统,提出了基于结构化策略的测试基准,包括了经典机器人学和现代策略优化元素,该基准通过仿真和实际系统验证了基线结果,并对核心特点进行了系统的分析。
May, 2021
本文提出了一种基于视觉的程序自由编程的方法,利用强化学习实现复杂多指手势下的实物操作,无需手动建模或奖励工程。
Dec, 2022
本文介绍了一种基于物体为中心示范实现的,用于训练软机械手进行熟练操作的方法,该方法使用增强学习技术,提出了一种新的算法,允许我们混合和选择最可行的示范来学习在硬件上模仿。最后,我们将这种方法应用于 RBO Hand 2 上,并获得了开 / 关阀门,滑珠和抓取等任务的良好表现。
Mar, 2016
本文提出使用深度强化学习作为一种可扩展的解决方案,来掌握带有多指手的接触丰富行为,并展示使用模型自由的深度强化学习算法在现实世界中可以学习各种复杂的行为,同时可以通过少量的人类演示来加速学习。
Oct, 2018
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
提出了一种新的基于模仿学习的框架(DIME),借助单个 RGB 相机观察人类运营,并在多指控制策略上进行了培训,以解决机械手复杂操纵任务的挑战。
Mar, 2022
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
该研究提出了一种低成本的 LEAP 手型机器人手,具有新颖的运动结构,可在不同的手指姿势下实现最大的灵活性和机器学习研究,能在真实世界中执行多种操作任务,并在实验中明显优于竞争对手,成本只有 1/8。
Sep, 2023
本研究设计了一个低成本的基于视觉的遥操作系统 DexPilot,透过观察裸露的人手简单操作即可完全控制拥有 23 个 DoA 的机器人系统,能够执行各种复杂的操作,收集高维度、多模态的状态 - 行动数据,为未来学习挑战性操作任务的感觉运动策略奠定基础。
Oct, 2019
本研究展示了无模型深度强化学习可有效扩展到高维复杂操作任务,并通过少量人工演示显著降低样本复杂度,从而使学习具有与机器人体验几个小时相当的样本量,展示出非常自然的动作并且更加稳健。
Sep, 2017