Jul, 2021

基于弹性手和基于模型的强化学习的可变形弹性塑性物体成形

PDF
TL;DR本文提出了一种新的弹性末端执行器，利用强化学习的框架来滚动各种水合水平的面团，并通过建立末端执行器和面团之间的转移模型使机器人能够正确地操作面团，实验结果表明，相比启发式方法，该方案可以将面团滚出特定长度，且操作次数减少了 60％，同时还表明利用弹性末端执行器估计刚度可以用于有效初始化模型，提高机器人性能约 40％。
deformable objectsrobotic manipulationelasto-plastic doughreinforcement learningend-effector
发现论文，激发创造
  • 机器化面团成形

    本研究主要研究了如何使用机器人手臂和多种传感器将软饰物（dough-like deformable material）进行操作并且变形成一个指定的二维形状，并从控制策略和操作技巧等多方面进行了探究，实验结果表明使用指定的方式对软饰物进行操作时，IoU 指数可以达到 0.90。

    Jul, 2022

  • RoboCraft: 用图形网络学习看、模拟和塑造弹性塑性物体

    RoboCraft 通过使用基于粒子的表示法，结合模型规划框架、图神经网络和模型预测控制算法，可以在只有 RGBD 视觉观测数据的情况下，学习弹塑性物体的动力学模型，并用于控制机器人进行物体变形任务，实验结果表明 RoboCraft 的优异性能在一些任务上甚至好于未训练的人类.

    May, 2022

  • 可变形物体操作的仿真增强学习

    采用最先进的深度强化学习算法，通过领域随机化，在仿真环境中训练代理程序以解决可变形物体操作问题，并成功将其部署在实际工作中。

    Jun, 2018

  • DoughNet: 一个用于变形物体拓扑操作的视觉预测模型

    利用 DoughNet，这是一个基于 Transformer 的架构，可以准确预测弹塑性物体中可能引发的拓扑变化，从而帮助计划弹塑性物体的相互作用和机器人操作。

    Apr, 2024

  • SculptBot: 三维可变形物体操纵的预训练模型

    通过使用点云作为状态表示并利用预训练的点云重建 Transformer 学习潜在动力学模型，我们提出了一种系统来解决可变形物体操纵中的挑战，进而应用于机器人雕塑任务。我们设计了一种新颖的动作采样算法，通过推理点云之间的几何差异进一步提高了基于模型的规划器的效率。所有的数据和实验都在真实世界中进行。我们的实验证明，所提出的系统能够成功地捕捉到黏土的动力学，并能够创建各种简单的形状。

    Sep, 2023

  • DeformerNet: 学习三维可变形物体的双手操作

    该研究论文介绍了一种新的神经网络结构 DeformerNet，可以帮助机器人处理和变形 3D 有弹性物体的操作，从而可靠地完成手术子任务，无需事先制作特定形状。

    May, 2023

  • DexDeform: 通过人类演示和可微分物理实现灵巧的可变形物体操作

    本文提出了 DexDeform，这是一种从人类示范中抽象出熟练操作技能并通过可微分物理学进行改进的原则性框架，该框架旨在学习多指手指对可变形物体的熟练操作，并通过新颖的探索策略以及基于想象的行动计划来提高操作的成功率。

    Mar, 2023

  • 制作一个甜甜圈：零样本变形物体操作的语言引导层次 EMD 空间规划

    这项研究介绍了一种无需演示的层次规划方法，能够处理复杂的长期任务，并展示了在面对新颖和以前未遇到的复杂任务时，模型具备强大的泛化能力。

    Nov, 2023

  • 学习物理知识驱动的软体机器人操作仿真模型：以电致弹性体致动器为例的案例研究

    本研究提出了一种基于不同 iable simulator 的软致动器物理可行模型的训练方法，其通过与有限元方法结合来实现闭环控制，基于该模型构建 MPC 控制器，实现对硬币的拉动并获得了低于 5％的仿真误差。

    Feb, 2022

  • SoftGym: 可变形物体操纵深度强化学习基准测试

    本文介绍了 SoftGym，一个开源的、用于操纵可变形物体的模拟基准测试集。它可以用于研究深度强化学习技术在高位状态表示和复杂动态环境下的可行性，并且本文针对用于解决这一问题的算法进行了实验和分析。

    Nov, 2020