我们提出了 ProcTHOR 框架,该框架可以进行过程生成,从而使我们能够在 Embodied AI 领域训练和评估有身体经验的代理人,该代理人可以在交互、导航和操作任务中表现出卓越的性能,并在多个基准测试中显示出现有最先进的结果。
Jun, 2022
在自主导航的地面机器人领域,现有的研究大多使用真实感的动力学和感知模型,而本篇论文致力于通过在仿真环境中进行端到端的训练,减小模型在现实机器人平台上的差距,并取得了显著的性能和稳健性的提升。
Jan, 2024
本文探讨在模拟环境中学习机器人操作策略的方法,通过使用深度图像数据的随机扩增策略,实现了在非真实场景下学习并获得了验证。
Mar, 2019
使用 Neural Radiance Field 方法和物理仿真器在野外环境下通过视觉感知实现机器人的球推导航技能。
Oct, 2022
利用图像扩散模型生成 3D 资产并查询语言和视觉生成模型,通过自动化生成任务描述、任务分解和奖励函数,实现在模拟环境中扩大机器人技能学习的方法。该方法成功地实现了多样性长期任务的策略学习,为模拟中的机器人技能获取迈出了一步。
Oct, 2023
探究了一种称为 “Domain Randomization” 的技术,该技术使用非真实随机纹理来训练深度神经网络对象定位器,使得该定位器在真实环境中表现出色,并且可以应用于机器人控制中。
Mar, 2017
AR2-D2 是一种不需要经过专门训练的人,也不需要在数据采集期间使用真实机器人的演示数据收集系统,可用于训练真实机器人的行为克隆代理,并且与真实机器人演示数据训练同样有效。
Jun, 2023
本文介绍了一种简单的方法来解决在模拟训练中的现实差距问题。通过在训练过程中随机化模拟器的动力学,我们能够开发出适应非常不同的动力学的策略,并且使其在真实世界中推广而不需要在物理系统上进行训练。在机器人控制方面,我们的方法在物体推动任务上表现出了很好的性能。
Oct, 2017
为解决机器人虚拟世界到真实世界的迁移问题,本文提出了一种基于模块化架构、采用语义图像分割作为元表示的深度强化学习方法,实现了 RGB 图像到语义图像段转换。实验结果表明,该架构在避障和目标跟踪任务中表现优异,并在虚拟和真实环境中均明显优于基准方法。
Feb, 2018
我们提出了一个原始级别的机器人数据集 RH20T-P,其中包含约 33000 个视频剪辑,涵盖了 44 个多样且复杂的机器人任务,为模块化泛化代理的未来发展提供了便利。
Mar, 2024