Sep, 2020

学习拓扑运动原语用于结扎规划

PDF
TL;DR本文利用层次结构法解决了结绳节点的运动规划问题，使用拓扑学理论将结绳任务分解成抽象的拓扑动作，并通过学习的拓扑运动基元将每个抽象动作转化为机器人运动轨迹。通过仿真中的人类演示和强化学习来训练这些动作，最终成功地将这些学习到的动作组合起来将复杂的 “五角星” 状结绳节点进行绑定。
motion planningknot tyingtopological actionsmotion primitivesreinforcement learning
发现论文，激发创造
  • TieBot: 通过真实 - 模拟 - 真实方法从视觉演示中学习打领带

    TieBot 是一个通过视觉示范学习实现的真实到模拟再到真实的机器人打领带系统，使用分级特征匹配来估计系列领带网格，在模拟和真实环境中展示了其有效性。

    Jul, 2024

  • 动作规划网络：弥合基于学习和经典动作规划器之间的差距

    本文介绍了 Motion Planning Networks (MPNet)，这是一种计算效率高、基于学习的神经规划器，用于解决运动规划问题。 MPNet 使用神经网络学习通用的近似最优启发式路径规划，在已知和未知环境中生成可连接路径，并结合传统的采样规划器，形成了一种混合方法。为了培训 MPNet 模型，我们提出了一种主动的连续学习方法，使 MPNet 能够从流媒体数据中学习，并在需要时主动要求专家演示，大大减少了培训数据。 在各种 2D 到 7D 机器人配置空间的问题中，我们进行了性能评估，并验证了 MPNet 的鲁棒性。

    Jul, 2019

  • 学习机器人技能组合模型，用于任务和动作规划

    该研究旨在通过学习使用感知运动基元来解决复杂的长期规划操作问题，其需要将基本技能组合成新的技能来推广应用于广泛的问题中，同时使用高效的主动学习和采样方法，将学习和规划方法结合来规划各种复杂的动态操作任务。

    Jun, 2020

  • 使用深度神经网络在约束流形上进行快速运动规划

    本文介绍了一种新颖的学习规划框架，探讨了通过利用约束流形和神经规划方法来生成满足任意一组约束的规划，并以短常数时间计算它们的方法。

    Jan, 2023

  • 基于分层模仿学习的城市驾驶可解释运动规划器

    本文介绍了一种分层的模仿学习方法，包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中，且在封闭回路仿真和实际驾驶测试中表现卓越，特别适用于复杂的城市自动驾驶场景。

    Mar, 2023

  • 学习使用不确定拓扑地图进行规划

    本文采用一种数据驱动的策略和基于图像的规划，应用于 3D 环境中的导航系统，通过机器学习方法实现了图像哈希表上的最短路径规划，比传统符号算法更优秀。

    Jul, 2020

  • 运动规划网络

    Motion Planning Networks (MPNet) is a novel neural network-based algorithm that efficiently generates collision-free paths for robotics applications in various environments, and consistently remains computationally efficient in all presented experiments.

    Jun, 2018

  • 使用 GNN 和时间编码进行基于学习的动态环境运动规划

    本文介绍了一种基于 GNN 的方法，利用时间编码和模仿学习与数据聚合来学习嵌入和边缘优先策略，以显着加速在线规划。

    Oct, 2022

  • 用无监督技能发现进行分层学习，用于高速公路合并应用

    本研究提出了一种层次学习方法，该方法使用未经预设奖励功能的无监督技能发现获取运动原语作为动作，可减少基于惩罚奖励机制的强化学习方法的总训练时间，该方法通过模拟实验表明其产生的驾驶员模型能够更快地展现高性能。

    Feb, 2023

  • 利用强化学习进行神经运动规划

    本研究通过比较监督式学习与强化学习算法，提出了一个适用于动作规划领域的 DDPG-MP 算法，该算法有助于解决运动规划中数据不足的问题，并在新领域的规划中实现了较快速度。

    Jun, 2019