一项围绕着域中物理实体与环境互动的任务 - 室内重新配置的新数据集 RoomR 并结合实验展示现有的 Embodied AI 技术在此类任务方面性能仍有提升空间。
Mar, 2021
提出了一种基于语义分割模型和强化学习模型的方法,通过视觉输入实现了对物体在房间中重新摆布的目标;在 AI2-THOR 重新摆放挑战中,使用的样本量仅为当前端到端强化学习模型方法的 2.7%,结果可从 0.53% 的正确率提升至 16.56%。
Jun, 2022
通过构建一个因式分解转换图,将通过像素推断出的实体代表聚类,进而实现对嵌入式代理的物体重新排列的控制,解决到目前为止难以解决的大量实体配置问题。
Mar, 2023
该研究提出了一种基于学习的综合框架,用于多智能体物体重新排列规划,在复杂环境中解决了任务排序和路径规划等挑战。实验证明了该框架的效果和鲁棒性,并改善了比基准方法更好的性能表现(遍历时间和成功率)。
Jun, 2023
该研究基于深度强化学习、视觉反馈、潜在场探索策略和平衡数据集的训练方式,开发了一套具有非抓握重排能力的机器人系统,成功率高达 85%,并能够应对环境突然改变,达到了人类水平。
Mar, 2018
在具有局部可观测性限制的多对象重新排列问题中,模块化贪心算法能够表现出优异的性能,为未来的部分可见多对象重新排列问题规划提供了强有力的基线。
Jan, 2023
本文提出了一种基于点云观测数据,实现元素实例任意姿态下空间关系任务的方法,该方法通过三个步骤解决了元素重排列问题:指定本地协调对象部件的一致坐标系;在新的对象实例上确定该坐标系的位置和方向;实施调整坐标系以达到所需呈现的目的。关键技术难题得到了克服,性能得到了提高。
Nov, 2022
本研究针对工业机器人中的双臂物体重排问题,提出了一种基于强化学习和注意力网络的任务指派策略,实现了最小化任务执行时间和最大化双臂协作效率,实验结果表明该方法在总执行时间和计算效率方面优于传统方法,并且在不同物体数量下的推广性得到了验证。
Feb, 2024
本文提出一种基于优化的框架用于重新布置室内家具,以更好地容纳人机共同活动。优化算法基于多种空间和语义相关信息,将家具重新布置以保留人类功能性需求的同时为机器人活动留出足够空间,并通过自适应模拟退火和共轭梯度演化策略解决优化问题。实验结果显示,重新布置后的场景平均提供了 14%更多的可访问空间和 30%更多的物品供机器人和人类交互。
使用基于 GNN 的学习方法,通过两个表示图对图像中检测到的关键点进行编码。采用自注意力进行图更新和交叉注意力进行生成操作,实验表明该框架在多个 1-D 和 2-D 重排任务中非常有效,并且可以通过微调关键点检测器轻松转移到真实机器人中。
Feb, 2023