Jan, 2023

PushWorld：带工具和可移动障碍的操纵计划基准

PDF
TL;DR本研究基于一个物理世界环境，结合机器人的智能行为，检验了当前最新的经典计划和强化学习算法。结果发现，新提出的经典计划启发式算法在效率更高的情况下，仍未能达到最优解，略低于人类的水平。
artificial intelligencephysical reasoningmanipulation planningobstaclestools
发现论文，激发创造
  • ThreeDWorld 交通运输挑战：面向物理合理实体智能的视觉引导任务和动作规划基准

    介绍了三维仿真的机器人任务与动作规划基准测试的设计，通过对象的选择、拾取和运输，要求具有先进物理约束和规划任务的人工智能智能体能够在仿真环境中完成任务。实验结果表明，现有算法在此测试中需要进一步发展。

    Mar, 2021

  • 超过百万种被推动的方式：高保真平面推动实验数据集

    本研究通过设计一个完备的高保真度的平面推测数据集，以分析摩擦下推动物体的变化、发掘模型的局限并获得更为实验化的了解。

    Apr, 2016

  • 通过交替进行多智能体路径规划和基于物理模拟的操作，实现可移动物体的复杂非抓取操作规划

    该研究针对机器人在重复环境中的可操作性，提出一种基于物理模拟器的动态规划算法，结合多智能体路径规划的思想，用于实现机械臂动作计划与可移动物体状态变化之间的交互式自主调整。

    Mar, 2023

  • 物理嵌入式规划问题：强化学习的新挑战

    通过在物理引擎中嵌入具有挑战性的符号任务（Sokoban，井字棋和围棋），引出了一组需要长时间视觉、推理和电机控制的任务，研究了现有的强化学习算法在这样的物理系统中的表现。同时，研究提出了使用预训练的专家游戏玩家为强化学习提供有用提示，缩小抽象规划和物体控制之间的差距的方案。

    Sep, 2020

  • Omnipush: 精准、多样、真实世界的 RGB-D 视频推动动力学数据集

    本文介绍了一个用于机器人推动运动的高度多样化数据集，可用于学习模型，并包括元学习动态模型的基准测试和其他相关任务的提议。

    Oct, 2019

  • 自适应开放环境下的关节化物体移动操控

    在本研究中，我们介绍了一个全套解决方案，即开放世界移动操作系统，用于处理开放且无结构的环境中的真实关节对象操作，如真实世界中的门、柜子、抽屉和冰箱。我们还开发了一种低成本的移动操作硬件平台，能够在无结构环境中进行安全和自主的在线调整。

    Jan, 2024

  • CausalWorld：因果结构和迁移学习的机器人操纵基准

    该研究提出 CausalWorld，考虑了因果结构和迁移学习的机器人操作环境的基准。提供了具有共同因果结构和潜在因素的组合任务，这些任务可以用于训练和评估，以实现在不同任务分布之间的相似性，并具有迁移到真实世界的可能性。

    Oct, 2020

  • 开放世界中的机器人任务规划和情境处理

    介绍了一种新的算法 (COWP)，用于基于任务和机器人技能从语言模型中提取常识，实现在开放世界中完成任务规划和情境处理，实验结果表明其在服务任务成功率方面显著优于现有文献中的竞争基线算法。

    Oct, 2022

  • 可移动物体操作规划：确定哪些物体去哪里、以何种顺序和方式

    本文介绍了一种基于多智能体路径规划和非抓取式推动规划的机器人操纵方法，该方法可以在混乱和受限的三维工作空间中移动物体，并利用刚体物理模拟器检查路径是否满足物理约束，通过改进后的算法在实际机器人操作和模拟操作中优于其他现有算法。

    Mar, 2023

  • 开放世界中的物理推理

    本文研究开放世界推理，用 Prolog 实现了一个容器微世界的推理器。

    Jan, 2022