Jun, 2022

N$^2$M$^2$: 在未知和动态环境中学习任意移动操作导航

PDF
TL;DR本研究提出一种名为神经导航移动操控（N$^2$M$^2$）的方法，通过将移动操控任务分解为任务空间中的简化运动生成器和移动基地的训练强化学习代理，同时通过对复杂障碍环境的扩展，可以在未知环境中执行不可见、长视距任务，并立即对动态障碍和环境变化做出反应。
发现论文，激发创造
  • 谐波移动操作

    通过互补性的导航和操作，将机器人的环境感知与行为规划相结合，实现了在日常任务中的协调性行为，从而改善了现有技术。验证了该方法在模拟和真实环境中的有效性，并能够适应新颖的未知环境，无需额外调优。

    Dec, 2023

  • SPIN: 同时感知、交互与导航

    通过使用主动视觉系统来有意识地感知和应对环境，我们开发了一种移动操纵框架，该框架利用移动机械手的能力来移动和观察，从而能够在复杂混乱的场景中导航并展示灵活的全身协调，而无需创建环境地图。

    May, 2024

  • 虚拟到实际的深度强化学习：用于无地图导航的移动机器人连续控制

    通过深度强化学习方法训练，可直接应用于未知的虚拟和实际环境中的地面移动机器人的无地图运动规划器。

    Mar, 2017

  • GNM: 一种通用导航模型，以驱动任何机器人

    本文研究了如何通过结构相似的多种机器人的数据来训练基于视觉的导航通用目标条件模型，并分析了有效数据共享的必要设计决策，证明了从异构数据集训练的普适策略优于任何单一数据集训练的策略。

    Oct, 2022

  • 端到端可解释的神经运动规划器

    本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

    Jan, 2021

  • 移动机器人多目标协作交互式搜索层次学习

    本文介绍了一种新颖的交互式多对象搜索任务，并提出了一种层次强化学习方法，学习探索、导航和操作技能，该方法在模拟和实际的实验中展示了零样本迁移和对不同机器人运动学的适应性。

    Jul, 2023

  • 从经验中学习机器人导航：原则、方法和最新成果

    本文介绍了一种用机器学习来提高机器人导航技能的学习工具箱及其设计原则，并总结了作者们最近研究的实验结果和未来工作的方向。

    Dec, 2022

  • 通过交替进行多智能体路径规划和基于物理模拟的操作，实现可移动物体的复杂非抓取操作规划

    该研究针对机器人在重复环境中的可操作性，提出一种基于物理模拟器的动态规划算法，结合多智能体路径规划的思想，用于实现机械臂动作计划与可移动物体状态变化之间的交互式自主调整。

    Mar, 2023

  • ReLMoGen: 借助动作生成在强化学习中实现移动操纵

    本文提出了一种名为 ReLMoGen 的 Reinforcement Learning 方法，通过将行动空间提升到更高的阶级形式 —— 子目标，使用基于采样的运动规划器有效解决了传统方法无法解决的长期复杂任务，比如交互式导航和移动机器人操作等。在照片级仿真环境下测试表明，ReLMoGen 在多项机器人任务中表现优异，并具有良好的跨越不同运动生成器的转移能力。

    Aug, 2020

  • 从感知到决策：用数据驱动的方法实现自主地面机器人的端到端运动规划

    本文提出了一种基于神经网络的运动规划方法，使用学习演示来训练机器人在动态障碍物环境下进行端到端导航，此方法可通过原始 2D 激光测距数据将目标位置映射到机器人的导航命令。模型已通过模拟和实际测试的方式进行了有效验证与比较。

    Sep, 2016