利用物体中心的视觉可承受能力学习巧妙抓握
本研究提出了使用大规模演示学习熟练操作多指手来处理机器人学中最具挑战性的问题。 主要采用人类抓握可行性模型生成 3D 物体演示,以实现策略的泛化。同时,本研究使用了新颖的模仿学习目标,以及几何表示学习目标,通过在仿真系统中重新定位多样的对象以证明本方法的有效性。
Apr, 2022
本文旨在结合两种方法,实现对自然环境中物体的功能性抓取。首先,通过匹配不同物体的相应区域来获取各物体的可负担性,然后在模拟中运行一个经过训练的低级策略来抓取物体。我们提出了一种新颖的使用特征抓取来减少强化学习搜索空间的应用,使用少量人类数据实现更稳定和物理上逼真的运动。实验结果可在该 URL 中获得可视化和视频。
Dec, 2023
为了使机器人能够使用工具,我们提出了一种从人 - 物互动中学习粒度感知功能性工具握持的方法,该方法利用物体的显著特征来定位功能性作用区域并预测熟练的粗略手势。通过弱监督学习从外心图像中提取相关线索以监督视角中的特征提取,我们的方法在功能手 - 物互动图像数据集上表现出优于现有方法的效果。
Jun, 2024
提出了一种新的人机辅助灵巧抓取任务,该任务旨在训练一个用于控制机器人手指来辅助用户抓取物体的策略。通过提出 Grasping Gradient Field(GraspGF)和基于历史的剩余策略,解决了用户意图多样性和物体几何形状的挑战,实验证明了该方法在实际应用中的用户感知和实用性的优越性。
Sep, 2023
通过强化学习,我们使用模拟环境训练了一种可以使机器人手指进行多指协调、操纵物体并控制重力的新型算法,并且证明该算法可以成功地应用在实物机器人中,为机器人控制领域提供了新的解决方案。
Aug, 2018
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 DexVIP,一种从人 - 物体交互中学习灵巧机器人抓取的方法,并在 30 自由度的模拟机器人手上进行了 27 个物体的实验,证明 DexVIP 比现有方法快速且更具效率。
Feb, 2022
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。
Mar, 2022
通过从部分观测中重建和完成其全面几何结构,并利用七自由度的拟人化机器人手进行操作,我们的方法显著提高了只有部分重建的基线的抓取成功率近 30%,并以三个不同的对象类别多次实现了超过 150 次成功抓取,这表明我们的方法在真实世界的不同方向和位置基于完成的对象形状进行预测和执行抓取姿势的一贯能力,为增强需要实际重建对象的精确抓取和操作技能的机器人应用开辟了新的可能性。
Nov, 2023