Jun, 2022

深度强化学习和 Real2Sim 策略适应在机器人视觉插入中的应用

PDF
TL;DR本文提出了一种基于纯视觉强化学习的插入任务解决方案，并提出了一种新颖的 Sim2Real 策略 Real2Sim，该策略在政策适应方面具有优势。
发现论文，激发创造
  • 学习生成增强图像用于模拟到真实场景的策略迁移

    本文探讨在模拟环境中学习机器人操作策略的方法，通过使用深度图像数据的随机扩增策略，实现了在非真实场景下学习并获得了验证。

    Mar, 2019

  • 机器人深度强化学习中的模拟到真实转移：一项调查

    本篇综述涵盖了深度强化学习中模拟转真实环境的基本背景，包括不同方向的方法和应用场景，重点讨论了域随机化、域自适应、模仿学习、元学习和知识蒸馏等方法及其存在的机遇和挑战。

    Sep, 2020

  • 通过模拟对实际现实进行调和：一种用于强大操纵的实际到模拟到实际的方法

    通过模拟环境构建数字双子，提出了一种通过强化学习来增强真实世界模仿学习策略的系统 RialTo，实现高性能、鲁棒性的策略的学习，同时避免大量不安全的真实数据收集和大量人工监督。

    Mar, 2024

  • 机器人 VR 眼镜：基于实际到虚拟域适应的视觉控制

    本文提出了一种新颖的方法来解决从模拟环境到真实世界的深度强化学习策略传输问题，通过在部署阶段将真实世界的图像流翻译回合成域来解决这个问题，同时提出了一种不受下游任务影响的简单而有效的位移损失以及在室内和室外机器人实验中验证了我们的视觉控制方法。

    Feb, 2018

  • 自然语言有助于缩小 Sim2Real 鸿沟

    通过使用自然语言描述图像作为统一的信号来捕捉底层的任务相关语义，我们提出了一种方法来解决在学习图像条件机器人策略时所面临的模拟与真实世界之间的视觉差距问题，该方法通过对大量模拟数据和少量真实演示进行同时训练，将图像编码器作为无域变迁的图像表示的基础，并取得了较之前的 Sim2Real 方法和 CLIP、R3M 等强大的视觉 - 语言预训练方法 25 至 40% 的性能提升。

    May, 2024

  • 零样本 Sim2Real 环境自适应

    提出了使用 Reverse Action Transformation（RAT）策略的方法来解决模拟到现实世界之间的转换问题，并且和其他基线模型相比，在连续控制任务中可实现零样本适应。

    Feb, 2023

  • 基于模拟与实际强化学习的机器人操作：一种基于一致性的方法

    本文提出了一个基于深度强化学习的机器人 pick-and-place 任务的共识型模拟现实联合训练算法（CSAR），目的是在模拟和实际环境中都实现高效和有效的策略优化。实验表明，模拟中的最佳策略并不一定适用于模拟和实际环境的学习。同时，越多的模拟代理越有利于模拟现实的训练。

    Feb, 2023

  • 泛化自驾车策略的模仿学习及模拟转现实

    本文研究应用 Imitation Learning 和 transfer learning 方法解决 Duckietown 场景下的机器人车道跟踪问题，并通过 sim-to-real 方法进行实际环境迁移，最终比较了三种 Imitation Learning 方法和两种 sim-to-real 方法的优缺点。

    Jun, 2022

  • 相互对齐迁移学习

    通过强化学习在模拟环境中训练机器人并结合补充奖励策略，与真实机器人进行进一步的微调来优化探索策略，实验结果表明，这种相互对齐的方法可以在真实和模拟环境中实现更好的性能。

    Jul, 2017

  • 基于模拟到现实强化学习的双手积木搭建

    本文中，我们使用深度强化学习（RL）技术并结合由磁性方块组成的任务测试平台，通过在模拟环境中培训控制器并将其转移到真实机器人上，成功地实现了一个双臂机器人装配任务，证明了模拟转现技术在双臂机器人装配中的应用前景。

    Mar, 2023