Nov, 2020

DIPN：深度交互预测网络及其在杂波去除中的应用

PDF
TL;DR利用深度学习实现的 DIPN 网络可以预测机器人末端执行推动动作时多种物体特性的复杂相互作用，可在真实或虚拟环境下高效学习，与 Grasp 网络结合后，可自主完成清理乱堆物品等任务，取得显著优于其他模型的表现。
deep interaction prediction networkrobotic manipulationclutter removal tasksself-supervisedphysical properties
发现论文，激发创造
  • 深度强化学习在复杂环境下的机器人推和取

    本文提出了一种新颖的机器人抓取系统，由气泡吸盘和机械手抓手组成。利用可供性地图提供像素级的气泡吸盘升力点候选物，并引入主动探索机制，设计了一种有效的度量来计算当前可供性地图的奖励，并使用深度 Q 网络（DQN）指导机器人手探索环境，实验结果表明，所提出的机器人抓取系统能够大大提高在混乱场景中的机器人抓取成功率。

    Feb, 2023

  • SDIP：自强化深度图像先验框架用于图像处理

    本文提出了自我强化深度图像先验（SDIP）作为原来深度图像先验（DIP）的改进版本，并证明了在多个应用领域中，SDIP 框架相较于原始 DIP 方法和其他先进方法具有改善。

    Apr, 2024

  • 通过 Push 提议网络学习物体分离

    使用基于神经网络的方法从具有随机布局的桌面场景采集的数据中训练模型，通过选择合适的推动动作来将未知物体从杂乱的环境中分离，实现机器人在无序环境下执行任务的高成功率和低推动次数。

    Jul, 2017

  • 深度学习方法在抓取无形对象方面的应用

    本篇论文提出了一种基于深度学习的批判 - 策略方法来解决机器人操作中的困难问题，该问题需要通过一系列推进和抓取动作来捕捉最初看不见的目标物体，并通过自我监督学习的方式进行训练。

    Sep, 2019

  • DensePhysNet: 通过多步动态交互学习密集物理物体表示

    本文提出 DensePhysNet 对于机器人物体操纵的物理表示的学习方法，通过动态交互序列和深度预测模型学习密集的像素表示，可以直接解码物理物体属性，并在下游任务中实现更精确和更有效的操纵。

    Jun, 2019

  • 深度卷积神经网络实现机器人抓取检测

    本论文提出了一种新颖的机器人抓取检测系统，该系统使用深度卷积神经网络从场景中提取特征并使用浅层卷积神经网络来预测感兴趣目标的抓取配置，取得了 89.21％的准确率和实时的运行速度，重新定义了机器人抓取检测的技术水平。

    Nov, 2016

  • 深度图像先验分析与图像重建中的自引导利用

    通过分析深度图像先验（DIP）的训练动态，我们揭示了 DIP 基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统 DIP 和现代监督方法，并且在图像修补中也优于之前基于 DIP 的方案。

    Feb, 2024

  • 自我监督的深度强化学习在推动和抓取之间的协同学习

    通过无模型深度强化学习，可以从头开始发现和学习机器人操作中的推动和抓取之间的复杂协同作用，并在具有挑战性的混乱情况下提高抓取成功率和拾取效率并实现泛化。

    Mar, 2018

  • 面向物理无关对象的元学习再抓取策略

    本文介绍了一种基于视觉的元学习算法 DexNet-CNP，通过条件神经过程来学习不同物理特性进行抓取，模型在各种物体上的测试结果优于 DexNet-2.0。

    May, 2022

  • Grasp Proposal Networks: 机器人抓取视觉学习的端到端解决方案

    本文提出了一种新颖的端到端 “Grasp Proposal Network (GPNet)”，基于离散但规则的 3D 网格角上的 “抓握中心锚点”，用于预测从单个和未知相机视图观察到的物体的多样化 6-DOF 抓握，这有助于实现更好的仿真结果和更好的实际测试结果。

    Sep, 2020