Mar, 2022

Dexterous Imitation Made Easy: 一种基于学习的框架用于高效的器械操作

PDF
TL;DR提出了一种新的基于模仿学习的框架（DIME），借助单个 RGB 相机观察人类运营，并在多指控制策略上进行了培训，以解决机械手复杂操纵任务的挑战。
dexterous manipulationimitation learningmulti-finger controlroboticsteleoperation
发现论文，激发创造
  • DexMV：从人类视频中进行巧手操作的模仿学习

    本文提出了一种名为 DexMV（Dexterous Manipulation from Videos）的平台和管道，用于机器人的模仿学习，从而解决复杂的手部操作任务，包括计算机视觉、逆强化学习、多传感器模式等方面。

    Aug, 2021

  • 从人类示范中学习软体机器手的熟练操作

    本文介绍了一种基于物体为中心示范实现的，用于训练软机械手进行熟练操作的方法，该方法使用增强学习技术，提出了一种新的算法，允许我们混合和选择最可行的示范来学习在硬件上模仿。最后，我们将这种方法应用于 RBO Hand 2 上，并获得了开 / 关阀门，滑珠和抓取等任务的良好表现。

    Mar, 2016

  • 从人类抓握机会学习具有普适性的熟练操作

    本研究提出了使用大规模演示学习熟练操作多指手来处理机器人学中最具挑战性的问题。 主要采用人类抓握可行性模型生成 3D 物体演示，以实现策略的泛化。同时，本研究使用了新颖的模仿学习目标，以及几何表示学习目标，通过在仿真系统中重新定位多样的对象以证明本方法的有效性。

    Apr, 2022

  • 基于图像的熟练操作：通过细化引导实现自主现实世界强化学习

    本文提出了一种基于视觉的程序自由编程的方法，利用强化学习实现复杂多指手势下的实物操作，无需手动建模或奖励工程。

    Dec, 2022

  • 使用深度强化学习和演示学习复杂的手部操作技能

    本研究展示了无模型深度强化学习可有效扩展到高维复杂操作任务，并通过少量人工演示显著降低样本复杂度，从而使学习具有与机器人体验几个小时相当的样本量，展示出非常自然的动作并且更加稳健。

    Sep, 2017

  • 评估修正演示和低成本传感器对敏捷操作的有效性

    本研究探讨了在机器人手动操作中的导向策略中，使用校正演示和随机附加演示的不同影响，结果表明纠正性表现显著优于随机性表现，特别是在使用成本低廉的可见传感器的情况下提供演示的情况下。

    Apr, 2022

  • 深度动态模型用于学习灵巧操作

    本文介绍了一种在线规划深度动力学模型的方法，通过这种方法，使用少量真实世界的数据即可进行柔性接触的灵巧操作技能的有效学习，并成功应用于 24 个自由度类人手上。

    Sep, 2019

  • 学习灵巧的手中操纵

    通过强化学习，我们使用模拟环境训练了一种可以使机器人手指进行多指协调、操纵物体并控制重力的新型算法，并且证明该算法可以成功地应用在实物机器人中，为机器人控制领域提供了新的解决方案。

    Aug, 2018

  • 精细操作的纯状态模仿学习

    研究了在复杂领域中，采用反向动力学模型辅助的状态模仿学习方法，并将其与传统的专家演示方法相比，证明了该方法在不同动力学、形态、物体的模拟学习中表现出了良好的优越性能。

    Apr, 2020

  • DeXtreme: 从模拟到现实的敏捷手持操作转移

    本文通过深度强化学习模型，针对转移到真实场景中遇到的困难，提出了学习可以在人形机器人手上进行灵巧操作的策略和一个稳健的姿态估计器。通过在仿真环境中训练的策略，实现了在不同环境下的适应性，并得出了比最佳视觉策略更好的结果，同时在多种硬件和仿真设置中进行了模拟实现，为后续研究提供了方便、低成本的机器人手和摄像机。

    Oct, 2022