Sep, 2021

基于搜索的任务规划与学习技能效果模型的终身机器人操作

PDF
TL;DR本篇研究论文中提出一种基于高级技能效应模型的任务规划方法，从而使得机器人能够在现实场景中获取新技能并解决新任务，实现了灵活的技能参数化和任务规定，使得机器人能够实现终身学习。同时，实验表明，这种规划方法能够以更低的成本策略找到新的任务。
roboticsadaptive learningtask planningsimulationlifelong learning
发现论文，激发创造
  • 学习机器人技能组合模型，用于任务和动作规划

    该研究旨在通过学习使用感知运动基元来解决复杂的长期规划操作问题，其需要将基本技能组合成新的技能来推广应用于广泛的问题中，同时使用高效的主动学习和采样方法，将学习和规划方法结合来规划各种复杂的动态操作任务。

    Jun, 2020

  • 任务与动作规划的具身终身学习

    提出了一个新颖的机器人终身学习问题模型，通过对任务和运动规划（TAMP）的学习利用模块化的方法设计生成混合模型，并根据辅助任务确定在线上使用共享或非共享模型，解决了数据如何在任务模型之间共享的问题。该方法在 2D 领域的模拟和 BEHAVIOR 基准测试中的实验中均实现了显著的规划成功率提升。

    Jul, 2023

  • 实践造就完美：学习技能参数策略的规划

    机器人通过序列化参数化技能来有效决策复杂的、长期的任务。我们提出了一种自主学习方法，通过评估每个技能的能力预测在任务中的能力，并通过能力感知规划将技能应用于任务分布。通过在仿真和现实世界中的实验，我们发现这种方法比其他基线方法能更加高效地学习有效的参数策略。

    Feb, 2024

  • 基于基础模型的人机协同持续机器人学习

    通过使用基于大型语言模型的规划器，我们克服了当前固定技能集的限制，提出了一种用于数据和时间高效教授机器人这些技能的方法，该系统可以重复使用新习得的技能，展示了开放世界和终身学习的潜力。

    Sep, 2023

  • 使用引导式策略搜索学习接触丰富型操作技能

    本文介绍了一种用于学习具有高度通用策略表示的动态操作行为的新方法，该方法可以扩展最近开发的策略搜索方法，并使用迭代重新拟合的时间变化线性模型来学习所需运动技能的一组轨迹，然后将这些轨迹统一到一个单一的控制策略中。

    Jan, 2015

  • 指导技能学习和抽象以实现长远操纵

    LEAGUE 是一种集成任务计划和技能学习框架，利用任务计划器的符号界面指导基于深度强化学习的技能学习，同时创建抽象状态空间以实现技能重用，并可以在任务计划系统内学习操作技能，不断提高其能力并解决更多任务。

    Oct, 2022

  • 使用学习的任务模式进行高效双手操作

    本文研究了如何使用参数化技能有效地解决现实世界中的稀疏奖励任务，发现通过显式建模任务模式的状态独立性，可以极大地提高无模型强化学习算法的样本效率；同时，这些模式可以被转移用于解决相关任务。实验结果验证了我们的方法在机械手臂操作任务中的有效性。

    Sep, 2019

  • 学习参数化技能

    本文介绍了一种方法来构建能够解决一系列参数化强化学习问题的技能，并对具有参数化目标的受控机械臂的案例进行了评估。该方法从感兴趣的任务分布中提取示例任务，并使用相应学习策略来估计技能策略所在的低维分段平滑流形的拓扑结构。这个流形模型展示了策略参数随任务参数变化的方式，本方法确定了组成流形的图表数量，并在每个图表中应用非线性回归来构建参数化技能，以预测策略参数与任务参数之间的关系。

    Jun, 2012

  • 探索和转移的潜在技能规划

    该研究探讨了将学习到的世界模型和技能集成到单个强化学习代理中以快速适应新任务的方法，并在一系列具有挑战性的运动任务中展示了在单个任务和从一个任务到另一个任务的转移中改善了样本效率。

    Nov, 2020

  • 残差技能策略：学习适应性技能基础的动作空间，用于机器人增强学习

    通过使用状态条件生成模型在技能空间中加速探索，同时提出低层次的剩余策略来适应未知的任务变化，从而在与先前工作的比较中显着加快了探索速度，并跨四个不同于那些用于构建技能空间的具有挑战性的操作任务进行了验证。

    Nov, 2022