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
本文介绍了一种针对可形变物体的实时可分化杂交拉格朗日-欧拉物理仿真器ChainQueen,基于MLS-MPM,能够高效地模拟包括接触在内的形变物体,并在控制任务中取得较高的精度和性能。
Oct, 2018
本文提出了一种可处理摩擦接触的可微动力学求解器,它统一了刚体和可变形物体。通过正交和切向接触力的原则性平滑化,我们的方法规避了摩擦接触非光滑特性的主要难题。我们将这种新接触模型与全隐式时间积分相结合,得到了一个具有解析微分性和健壮高效的动力学求解器。与伴随灵敏度分析相结合,我们的公式为目标函数景观的优化提供了自适应权衡模拟准确性和平滑性的梯度。在一组涉及刚体、粘弹性材料和耦合多体系统的模拟示例上,我们对我们的方法进行了全面分析。我们还展示了我们的可微模拟器在可变形物体的参数估计、机器人操纵的运动规划、合规步行机器人的轨迹优化以及高效的自我监督学习控制策略方面的应用。
Jul, 2020
本文提出了一个可微分端到端框架来优化接触感知机器人设计的两个关键部分:一种新颖的变形参数化方法和一个可处理联系丰富情况和计算全谱运动和动态参数分析梯度的可微刚体模拟器,在多个操作任务中,我们的框架胜过了使用其他表示形式优化控制或设计,或使用无梯度方法进行共同优化的现有方法的情况。
Jul, 2021
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
本研究提出了一个名为DiffSkill的新框架,使用可微分的物理模拟器进行技能抽象,从感官观测中解决长期目标可达的可变形物体操作任务。
Mar, 2022
本研究提出了一种基于机器人学习和规划框架的工具使用策略,通过使用Finite Element Method仿真器和Iterative Deepening Symbolic Regression算法,实现更加高效、精准的物理模拟和最优化控制设计方法。
Jun, 2022
传统机器人系统在通用性与精确性之间存在明显的紧张关系。本文探讨了精确和通用的拾取和放置解决方案,基于simPLE(模拟选择定位和放置)的方法,通过任务感知抓取、视触感知和再抓计划的三个主要组件,成功实现了对15个不同形状对象的精确拾取放置。
Jul, 2023
通过可微分物理模拟和基于梯度的优化,SoftMAC 框架结合了软体、关节刚体和服装,有效解决了在机器人操纵中集成多种材料的关键难题,并通过实验证明了其在机器人操纵应用中的有效性和准确性。
Dec, 2023
使机器人能够自主并安全地学习切食物的任务,通过减少与食物和切菜板接触的力量,使用强化学习和仿真进行训练和部署。
Apr, 2024