Jul, 2022

基于力控制的机器人在随机环境中的优化搜索策略

PDF
TL;DR本文介绍了一种基于神经网络模型的机器人搜索策略自动优化方法，通过在大量虚拟环境中训练和少量真实环境测试进行反演，能够适应底层概率分布的时间变化特征，同时减少实际测试的数量，并在螺旋和探头搜索 THT 电子组件装配的两个工业机器人上进行了评估。
robotsrepetitive taskssearch motionsneural modelindustrial robots
发现论文，激发创造
  • 通过模仿学习启发式搜索

    使用 SaIL 特有的算法，训练启发式策略来遍历搜索树中的节点，以减少搜索次数。实验证明 SaIL 算法在实时规划环境中优于现有算法，这为学习体现 ' 快速找到可行解并随时间增量调整 ' 的启发式方法铺平了道路。

    Jul, 2017

  • 使用神经网络学习特定搜索空间启发式算法

    建议并评估了一种系统，该系统学习了一种用于基于正向搜索的满足经典规划的神经网络启发式函数。我们的系统从头开始学习目标估计器，并生成训练数据。通过反向回归搜索或通过反向搜索从给定或猜测的目标状态生成培训数据。

    Jun, 2023

  • 使用基于 Bandit 的方法学习鲁棒的搜索策略

    通过采用基于赌博机的学习技术来自动选择搜索启发式方法，我们的方法在线学习和选择一组搜索启发式方法，旨在获得具有健壮性和比原先性能更好的自适应搜索启发式方法。初步实验表明，自适应技术比原始搜索启发式方法更为健壮且性能更好。

    May, 2018

  • 在线行为选择实现稳健的现实世界操纵：世界是最好的模型

    通过不断监测环境来观察任务的离散高级状态，机器人控制器可以根据不同的传感器模式来决定执行哪些控制器，从而实现对干扰的鲁棒性。我们通过将该思想作为离散状态的概率滤波器来实现这一目标。基于这个框架，我们提出了一个机器人系统，可以惊人地稳定地打开抽屉并从中抓取网球。

    May, 2022

  • 基于多启发式搜索的自动停车运动规划

    采用多启发式搜索方法，在相比常规算法更复杂的搜索空间中获得更高效和更高质量的实时路径规划。

    Jul, 2023

  • 机器人装配及其他试错任务的最优决策

    通过机器学习中的失效预测和可重新启动的策略来降低机器人完成任务的时间和提高其行为表现。

    Jan, 2023

  • 主动上下文熵搜索

    这篇论文研究了使用贝叶斯优化中的熵搜索来进行主动上下文策略寻优，以便在少量试验中学习成功的行为。

    Nov, 2015

  • 机器人的高效自动设计

    该论文提出基于进化算法进行机器人设计的新方法，通过随机生成初始身体结构，能够优化设计一种可行的四足机器人结构，具备高效行走能力，并通过自动化制造实现机器人的快速设计制造和部署。

    Jun, 2023

  • 朝向学习领域独立规划启发式方法

    利用机器学习获取领域无关的启发式函数以提高自动规划在不同领域系统中的实际应用。

    Jul, 2017

  • 基于深度强化学习的工业机器人路径规划，使用距离传感器作为观测

    本文提出了一种基于深度强化学习的机器人操作器运动规划器，用于解决工业机器人在未知环境下的路径规划问题，实验结果证明其在路径长度和执行时间方面的优越性。

    Jan, 2023