Feb, 2022

变形一维物体的高效空间表示和路径规划

PDF
TL;DR本文提出了一种新的方法来路由可变形的一维物体，该方法基于将空间几何分解为凸子空间的方式进行空间表示，使用一种快速的动态规划序列匹配方法计算下一个路由移动，并将路由和高效配置耦合以提高规划时间。实验结果表明，该方法能够正确地计算下一个操纵动作，并完成各种路由和操纵任务。
deformable objectsroutingspatial representationdynamic programmingmanipulation
发现论文，激发创造
  • 使用合成深度数据训练的稠密物体描述符学习绳索操作策略

    研究使用 DDODs 学习点对对应来操作可变形物体，并使用可读性和可迁移性的几何策略来控制机器人，成功解决了物理模型不够准确以及机器人长时间训练和泛化能力不足的问题。

    Mar, 2020

  • 使用目标条件传输网络学习重新排列可变电缆、织物和袋子

    本文介绍了一种将目标限制引入运输网络中的方法，利用该方法结合具有多阶段柔性物体操作任务而设计的一套模拟基准，成功实现了机器人对柔性物体的多样姿态操作。

    Dec, 2020

  • 利用 Contrastive Estimation 学习变形物体的预测表示

    本研究提出了一种新的学习框架，使用对比估计来同时优化可视化表达模型和动态模型，在随机扰动变形对象并收集了模拟数据后，离线学习这些对象的潜在动态模型，随后使用简单的模型规划来解决具有挑战性的变形对象操纵任务，实验结果表明其性能优于传统模型学习技术，并通过域随机化将其可视化操纵策略从模拟数据成功地迁移到现实中的 PR2 机器人中。

    Mar, 2020

  • 基于超图的多机器人任务和运动规划

    该研究提出一种基于超图的多机器人任务和动作规划方法，将规划空间分解为互相独立的空间子集，使得规划时间相对于已有方法加速了三个数量级，并且展现了该方法在其他多机器人任务和动作规划问题上的有效性。

    Oct, 2022

  • 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

  • 使用局部图神经网络学习基于视觉的可变形物体重新排列

    通过建立 keypoints 和它们之间的相互作用的一组动态图表达的新颖表示策略，提出一种在视觉观测的情况下模拟可变形对象重新排列动态并推断最佳操纵动作的方法。新方法在模拟实验中显示出优越的表达能力，在各种可变形重新排列任务中的成功率远高于现有方法（平均 96.3%），同时更轻量且推理时间较现有方法短 60%。并且该方法在多任务学习场景中表现良好，并通过仅微调关键点检测器可以转移到实际应用中，平均成功率为 95%。

    Oct, 2023

  • 可变形线性物体的实时鲁棒形状估计

    提出了一种使用散乱和无序关键点实时估计线性可变形物体形状的强鲁棒方法，并通过模拟实验和真实世界实验验证了其在追踪和估计复杂情况下的稳健性。

    Mar, 2024

  • 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

  • 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

  • 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