使用远程控制平台测试了自主织物操纵算法在物理机器人上的性能,并研发了一套新的以模仿学习与分析法为基础的算法,在折叠 T 恤任务上达到了人类的 84%表现。
Apr, 2022
采用最先进的深度强化学习算法,通过领域随机化,在仿真环境中训练代理程序以解决可变形物体操作问题,并成功将其部署在实际工作中。
Jun, 2018
我们提出了一种方法,通过仅利用许多不同设置的少量实际交互轨迹,使机器人能够有效地学习操纵技能,并由此建立了一个基于人的视频的结构化行为空间,从而使不同的机器人能够在复杂环境下学习各种操纵技能。
Aug, 2023
机器人通过观察大规模人类视频学习可以增强对机器人操纵的泛化性和样本效率。
Feb, 2024
本研究提出了六种离线机器人操纵算法来学习人类行为,通过对不同复杂度的数据集进行分析,揭示了从人类示范数据中学习操纵技能的最关键挑战,同时介绍了从人类数据集学习的机会和优点,为未来研究和公平比较提供了公开的数据集和算法实现。
Aug, 2021
我们提出了一种低成本的系统,该系统可以直接从真实演示中进行端到端模仿学习,以学习在现实世界中执行精细操作任务的方法。
Apr, 2023
通过合成数据进行训练,为几乎铺平的服装物品设计关键点检测器,从而推动合成数据在衣物操作中的使用,并为机器人折叠等任务提供支持。
Jan, 2024
本研究提出了一种基于商用机械臂的可行的、简化了数据收集过程的、能够有效采集各种复杂场景演示数据的人机互动界面,并采用了多项数据增强技术来优化模型的学习性能,最终在非捏取推动和物品堆叠等任务中获得了较高的成功率。
Aug, 2020
本文介绍使用干预性策略学习的方法来解决机器人操作任务中必须经过精确定序的地方的问题,提出一种 6 自由度机器人操作任务的数据采集系统,并开发了一个简单而有效的算法来收集新数据以遍历通过这些难点,使用干预策略学习的代理在机器人的线路穿线任务和制造咖啡任务中的表现优于其他多种基线算法。
Dec, 2020
本研究旨在利用标注不足的人类视频示范来改进基于视觉的机器人操作学习数据,通过引入图像遮蔽的方法,提高眼手相机机器人操作策略的成功率达 58%。
Jul, 2023