Oct, 2022

基于环境限制的示教学习增强

PDF
TL;DR文章介绍了一种学习自演示 (LfD) 方法，用于应对带有关节机制的接触丰富的操作任务。从单个人类演示中提取的策略可以推广到相同类型的不同机制，并且对环境变化具有鲁棒性，其关键是通过与环境有目的地交互来自主增强初始演示以收集附加信息。针对多 DOF 的复杂机制的实际实验表明，我们的方法可以可靠地完成任务。
learning from demonstrationcontact-rich manipulation tasksarticulated mechanismsgeneralizationrobustness
发现论文，激发创造
  • 如何通过示范高效地教导机器人？

    通过使用信息熵作为准则，建议教师给出更具信息量的示范样例，从而提高机器人学习效率。使用增强现实引导系统对初学者进行训练，从熵最高的区域产生额外的示范，并在同一任务（保留）和新任务（转移）上测试性能，结果发现机器人的学习效率大幅提高，与启发式规则相比提高了 210%。

    Oct, 2023

  • 从专家演示中学习可变形物体操作

    本论文提出了一种新颖的基于演示的学习方法 —— 来自演示的可变形操作（DMfD），用于解决可变形操纵任务，它能够有效地处理高维空间和图像观测，并在 SoftGym 组件上取得了较高的性能。同时，本文还在两个具有挑战性的环境中进行了折叠布料任务的基准测试，并将 DMfD 运用于真实机器人中，与仿真损失相比性能损失最小。

    Jul, 2022

  • 野外演示学习

    通过单个未校准的单目摄像头的未标记生视频数据，利用 Video to Behaviour（ViBe）方法自动标注移动对象，跟踪它们并学习自然行为模型。

    Nov, 2018

  • 通过前向触觉表示的示范学习力导向动作的少样本学习

    通过半监督的学习方式，本研究在操作机器人通过感知力及学习示范来识别实物属性并生成所需运动的过程中，采用了力传感、从示范学习、无监督数据和触觉表示编码器等关键技术。结果表明，通过预训练，该学习方法在未知海绵上成功地识别了物理属性并生成了期望的擦拭运动，优于其他无预训练方法。此外，通过实际机器人硬件验证了模型生成的运动，并通过在模拟环境中预训练触觉表示编码器，捕捉到了真实物体的属性并提高了实验结果的泛化能力。

    Sep, 2023

  • 人类演示的抓取任务

    本篇研究报告介绍了一种学习从人类示范中获得机器人抓取技能的方法，该方法使用深度强化学习技术通过接触网奖励和领域随机化机制使机器人具有稳健的模仿抓取技能并能在具有不确定性的物体状态和形状中执行。

    Mar, 2022

  • 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

  • 通过动态运动基元增强顺应性的人机技能转移

    提出了一种系统的方法来从人类演示中提取动态特征，以自动调整 DMP 框架中的参数，此方法可与 LfD 和 RL 一同使用，可使机器人更有效地探索可能的轨迹，从而显着提高机器人的遵从性，并在实际的人机交互实验中得以验证。

    Apr, 2023

  • 通过自监督奖励回归学习低效演示

    本文提出了一种新的方法通过子优示范来合成优化参数化的数据来训练理想的奖励函数，从而克服了旧方法在使用子优示范时的一些限制，实现了更好的性能。

    Oct, 2020

  • 离线强化学习和模仿学习的引导式数据增强

    通过人工引导的数据增强 (GuDA) 框架实现学习从示范中，以通过离线强化学习和行为克隆算法提取策略，有效地利用少量次优演示来提升机器人控制策略的学习性能。

    Oct, 2023

  • 从少量示范学习双臂机器人带有触觉反馈遥操作系统的可变柔顺控制

    通过虚拟现实控制器提供直观且经济的任务演示方法，结合动作块划分和变量合规性控制的方法，提高了刚性机器人的灵活适应性和安全性。

    Jun, 2024