Sep, 2022

TarGF: 学习目标梯度场以无需显式目标规定重新排列物体

PDF
TL;DR本文提出一种目标渐变场（TarGF）方法，通过对于目标分布的有限数量解释，实现物体重排无需明确目标要求的任务。该方法能够显著提升终止状态的质量、控制过程的效率和可伸缩性，与现有的方法相比具有很大的优势。
object rearrangementai agentsreinforcement learningimitation learningtarget gradient field
发现论文，激发创造
  • 基于本地 GNN 的深度强化学习用于目标驱动的变形物体重新排列

    使用基于 GNN 的学习方法，通过两个表示图对图像中检测到的关键点进行编码。采用自注意力进行图更新和交叉注意力进行生成操作，实验表明该框架在多个 1-D 和 2-D 重排任务中非常有效，并且可以通过微调关键点检测器轻松转移到真实机器人中。

    Feb, 2023

  • 重新排列：具身人工智能面临的挑战

    本文提出了一个以重新排列任务为基础的体现智能 (AI Embodied) 的研究和评价框架，并描述了四个不同的仿真环境中重新排列方案的实验测试床和性能度量标准，以支持重新排列代理的训练和部署。

    Nov, 2020

  • Graph-Transporter：面向目标驱动变形物体重新排列任务的基于图的学习方法

    通过用图形结构表示可变形物体的配置空间，使用图卷积网络对图进行编码并采用基于全卷积网络的体系结构，只从视觉输入中输出逐像素的采取和放置动作，以实现目标条件下的可变形物体重新排列任务。

    Feb, 2023

  • 神经约束满足：层次抽象在物体重新排列中的组合推广

    通过构建一个因式分解转换图，将通过像素推断出的实体代表聚类，进而实现对嵌入式代理的物体重新排列的控制，解决到目前为止难以解决的大量实体配置问题。

    Mar, 2023

  • 使用局部图神经网络学习基于视觉的可变形物体重新排列

    通过建立 keypoints 和它们之间的相互作用的一组动态图表达的新颖表示策略，提出一种在视觉观测的情况下模拟可变形对象重新排列动态并推断最佳操纵动作的方法。新方法在模拟实验中显示出优越的表达能力，在各种可变形重新排列任务中的成功率远高于现有方法（平均 96.3%），同时更轻量且推理时间较现有方法短 60%。并且该方法在多任务学习场景中表现良好，并通过仅微调关键点检测器可以转移到实际应用中，平均成功率为 95%。

    Oct, 2023

  • 基于图形激活奖励学习的通用空间目标表示发现

    本文讨论了一种针对物体重新排列任务的单次模仿学习方法，通过基于图等价映射的奖励学习策略发现和学习与目标规范一致的空间目标表达，并与强基线方法相比，显著提高了学习目标表达在不同环境下的泛化能力。

    Nov, 2022

  • 学习渐变场以实现可扩展且可泛化的不规则装箱

    用机器学习的条件生成建模方法解决装箱问题，通过学习空间关系和约束满足之间的相关性最小化资源浪费并避免重叠。

    Oct, 2023

  • 抓取、视觉和放置：基于策略结构先验的高效未知物体重新排列

    我们提出 GSP，一个双环系统，以解决在感知噪声中进行未知物体重新排列的问题。通过学习的感知模块进行对象匹配和抓取能力的任务导向的奖励指导，GSP 在完成率和步骤数方面表现更好。

    Feb, 2024

  • 学习用于笛卡尔机器人的双臂物体重新排列

    本研究针对工业机器人中的双臂物体重排问题，提出了一种基于强化学习和注意力网络的任务指派策略，实现了最小化任务执行时间和最大化双臂协作效率，实验结果表明该方法在总执行时间和计算效率方面优于传统方法，并且在不同物体数量下的推广性得到了验证。

    Feb, 2024

  • 使用深度强化学习进行非预抓取操作的重排

    该研究基于深度强化学习、视觉反馈、潜在场探索策略和平衡数据集的训练方式，开发了一套具有非抓握重排能力的机器人系统，成功率高达 85%，并能够应对环境突然改变，达到了人类水平。

    Mar, 2018