Jun, 2021

NeRP: 未知物体的神经重排规划

PDF
TL;DR提出了一种基于深度学习的多步神经对象重新排列规划方法 NeRP，并将其与其他基线方法进行比较，结果表明该方法的效果更好，可以在较少的步骤和规划时间内有效地重新排列未知对象，并在现实世界中展示了其在几个具有挑战性的重新排列问题上的应用。
发现论文，激发创造
  • MANER：在混乱环境中的物体多智能体神经重新排列规划

    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

  • 使用深度强化学习进行非预抓取操作的重排

    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

  • 部分可观测映射环境下多目标重新排列规划的有效基线

    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

  • 神经约束满足：层次抽象在物体重新排列中的组合推广

    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

  • 机器人操纵器基于视觉和重新定位动作的 NeRF 物体模型不确定性感知主动学习

    该研究介绍了一种方法，使机器人能够迅速学习给定物体的完整三维模型以便在陌生的方向上进行操作，通过优化信息性和可行性来确定下一步动作，并通过重新估计物体姿态来纠正相互作用过程中引入的不对齐，通过实验证明与现有方法相比，在视觉重建质量（PSNR）提高 14％，在对象表面几何 / 深度重建（F-score）方面提高 20％，在场景中操作未见过方向 / 稳定配置的物体的任务成功率提高 71％。

    Apr, 2024

  • 视觉房间重组

    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

  • 重新排列：具身人工智能面临的挑战

    本文提出了一个以重新排列任务为基础的体现智能 (AI Embodied) 的研究和评价框架，并描述了四个不同的仿真环境中重新排列方案的实验测试床和性能度量标准，以支持重新排列代理的训练和部署。

    Nov, 2020

  • 基于本地 GNN 的深度强化学习用于目标驱动的变形物体重新排列

    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

  • 未知杂乱环境中的机器人主动神经感知与规划

    本篇研究提出了一种主动感知的机器人模型，通过视觉观测、场景建模以及物体形状推断，生成机器人示意图的可行运动路径，以达到在未知，复杂环境下收集足够视觉观测数据的目的。基于人工合成的数据集，实现了在实际狭小、遮盖的环境中进行物体还原的过程，并证明了其在规划和视角数等方面的高效性。

    Aug, 2022

  • 抓取、视觉和放置：基于策略结构先验的高效未知物体重新排列

    我们提出 GSP，一个双环系统，以解决在感知噪声中进行未知物体重新排列的问题。通过学习的感知模块进行对象匹配和抓取能力的任务导向的奖励指导，GSP 在完成率和步骤数方面表现更好。

    Feb, 2024