May, 2021

针对真实世界灵巧物体操作的结构化策略和策略优化基准测试

PDF
TL;DR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。
roboticsdexterous manipulationtrifinger systemstructured policiesreal robot challenge
发现论文，激发创造
  • DexArt：对具有关节的对象进行通用的熟练操纵的基准测试

    为了实现通用的机器人，我们需要使机器人像人类一样操作日常关节物体。本论文提出了一种新的基准测试 DexArt，并研究了具有关节物体的熟练操作的通用性。我们使用强化学习和三维表示学习来实现泛化，通过广泛的研究，提供了 3D 表示学习如何影响决策制定的新见解。

    May, 2023

  • 基于图像的熟练操作：通过细化引导实现自主现实世界强化学习

    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

  • 学习灵巧的手中操纵

    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

  • 从人类示范中学习软体机器手的熟练操作

    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

  • 深度动态模型用于学习灵巧操作

    本文介绍了一种在线规划深度动力学模型的方法，通过这种方法，使用少量真实世界的数据即可进行柔性接触的灵巧操作技能的有效学习，并成功应用于 24 个自由度类人手上。

    Sep, 2019

  • 从人类抓握机会学习具有普适性的熟练操作

    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

  • 视觉敏捷性：来自深度图像的手内灵巧操纵

    该论文介绍了一个基于强化学习的通用物体重新定位控制器，使用廉价深度相机内置单个传感器可以动态地实时重新定位复杂物体，具有在真实世界中重现的能力，且硬件成本低廉，可以使未来的技术民主化。

    Nov, 2022

  • ViViDex: 从人类视频中学习基于视觉的灵巧操纵

    我们的研究旨在通过学习一种统一的基于视觉的策略，使多指机械手能够在各种姿势下操纵不同的物体。我们提出了一种新的框架 ViViDex，通过使用强化学习和轨迹引导奖励训练每个视频的基于状态的策略，从而获得视觉自然且物理可行的轨迹，并在不使用任何特权信息的情况下训练出一个统一的视觉策略，该方法通过坐标转换方法显著提升了性能，在三个灵巧操纵任务上展示出了较大的改进。

    Apr, 2024

  • Dexterous Imitation Made Easy: 一种基于学习的框架用于高效的器械操作

    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

  • TriFinger: 一个用于学习机巧性的开源机器人

    本文提出了一个低成本，开源且适合深度强化学习的机器人平台来解决实验成本高的问题，该平台在机器人手眼协调和动作空间控制上进行了实验。

    Aug, 2020