GraspARL: 基于对抗强化学习的动态抓取

Mar, 2022

GraspARL: 基于对抗强化学习的动态抓取

GraspARL: Dynamic Grasping via Adversarial Reinforcement Learning

Tianhao Wu, Fangwei Zhong, Yiran Geng, Hongchen Wang, Yongjian Zhu...

TL;DR该研究提出了一种基于对抗式增强学习框架的动态抓取算法，通过对抗示教，使机器人可以在不同的物体运动轨迹上进行自我生成的动态抓取训练，从而实现对于动态运动物体的抓取任务的高效性和泛化能力。

Abstract

Grasping moving objects, such as goods on a belt or living animals, is an important but challenging task in robotics. Conventional approaches rely on a set of manually defined object motion patterns for training, resulting in poor generalization to unseen object trajectories. In this w

robotics dynamic grasping reinforcement learning adversarial training object recognition

发现论文，激发创造

强韧性对抗性强化学习

提出了一种稳健性的敌对训练 (robust adversarial reinforcement learning, RARL) 方法，该方法将敌对训练与零和极小优化相结合，通过训练一个智能体，使其能够在真实系统上的杂乱因素和不确定性下操作，并在多种环境中进行了验证。

Mar, 2017

走向实际效率：自主机器人在自由漂移移动目标的预捕获中的强化学习中领域随机化

利用深度强化学习的控制方法，在微重力条件下解决机器人的抓取前阶段的复杂挑战，通过试错学习，消除了手动设计特征的必要性，使机器人能够学习抓取策略。

Jun, 2024

深度学习方法在抓取无形对象方面的应用

本篇论文提出了一种基于深度学习的批判 - 策略方法来解决机器人操作中的困难问题，该问题需要通过一系列推进和抓取动作来捕捉最初看不见的目标物体，并通过自我监督学习的方式进行训练。

Sep, 2019

基于视觉的机器人抓取的深度强化学习：一种离线策略方法的仿真比较评估

本文研究基于视觉的机器人抓取中的深度强化学习算法，提出了一个模拟的基准测试对齐机器人抓取任务，评估了基准测试任务的不同 Q 函数估计方法，结果表明简单方法可以成为流行算法的强有力竞争对手，此外还阐明了算法的相对权衡

Feb, 2018

基于强化学习的物体几何形态高效表征与互动抓取策略学习

本文提出一种基于强化学习的框架，通过连续地控制一个类人机械手，学习各种几何不同的实际物体的交互抓取。该框架在物体几何的显式表示方面进行了探索，并且通过符号距离隐式地指导搜索，最终表现出在更具挑战性的条件下学习的能力。

Nov, 2022

使用参数化操作基元学习外在灵巧性

通过学习层次化强化学习，我们能够利用环境改变目标物体的姿态，无需物体检测、姿态估计或手动设计控制器，从而成功地完成 98% 的实验任务。

Oct, 2023

通过竞争监管：为学习任务创建机器人对手

本文介绍了一个使用对抗学习进行机器人控制和规划的新框架，展示了该方法能够更好地训练机器人抓取模型并比合作式多机器人更加有效。

Oct, 2016

利用新兴的外在灵巧性学习抓取难以抓取的物体

本文基于强化学习训练了一个具有外部灵活性的简单机械手实现了 “遮挡抓取” 任务，其学到的策略能够成功地转移到物理机器人上，具有较好的推 generalizability

Nov, 2022

风险厌恶稳健对抗强化学习

本文提出了一种风险规避的强化学习算法，通过引入风险规避主角和风险趋避对手的方式，使用价值函数方差来建模风险，避免极端不良事件的发生，该算法在自动驾驶控制器上的实验中证明具有较高的鲁棒性。

Mar, 2019

高效机器人操作技能获取的触觉主动推理增强学习

提出了一种名为触觉主动推理强化学习（Tactile Active Inference Reinforcement Learning，Tactile-AIRL）的机器人操作技能学习新方法，通过整合基于模型的技术和内在好奇心进入强化学习过程，有效提高算法的训练效率和对稀疏奖励的适应能力，并利用视觉触觉传感器提供详细的感知，通过自由能最小化进行想象和规划，证明了该方法在非抓取物体推动任务中取得了显著的高训练效率，使智能体在密集和稀疏奖励任务中优秀表现，几次交互即可超越基准模型，并通过螺纹拧紧任务进行了物理实验，展示了算法的快速学习能力和在实际应用中的潜力。

Nov, 2023