Feb, 2023

深度强化学习在复杂环境下的机器人推和取

PDF
TL;DR本文提出了一种新颖的机器人抓取系统，由气泡吸盘和机械手抓手组成。利用可供性地图提供像素级的气泡吸盘升力点候选物，并引入主动探索机制，设计了一种有效的度量来计算当前可供性地图的奖励，并使用深度 Q 网络（DQN）指导机器人手探索环境，实验结果表明，所提出的机器人抓取系统能够大大提高在混乱场景中的机器人抓取成功率。
robotic graspingcomposite robotic handaffordance mapactive exploration mechanismdeep q-network
发现论文，激发创造
  • 自我监督的深度强化学习在推动和抓取之间的协同学习

    通过无模型深度强化学习，可以从头开始发现和学习机器人操作中的推动和抓取之间的复杂协同作用，并在具有挑战性的混乱情况下提高抓取成功率和拾取效率并实现泛化。

    Mar, 2018

  • 在混乱环境中有效学习面向目标的推 - 抓协同技能

    本文提出了一种高样本效率的目标导向层次强化学习模型，使用推和抓策略来实现在混乱环境下抓取指定目标物体，经过一系列实验验证表明，该模型表现出了高的任务完成率和目标抓取成功率，并能够适应目标不明确的条件，并且可以直接转移到实际应用中。

    Mar, 2021

  • 深度学习方法在抓取无形对象方面的应用

    本篇论文提出了一种基于深度学习的批判 - 策略方法来解决机器人操作中的困难问题，该问题需要通过一系列推进和抓取动作来捕捉最初看不见的目标物体，并通过自我监督学习的方式进行训练。

    Sep, 2019

  • 多吸盘夹爪的无模型式机器人抓取算法在拣选垃圾箱中的应用

    该论文提出了一种用于多吸盘吸取夹具的无模型预测抓取姿势的新方法，通过神经网络预测了图像中像素级别的抓取质量，进而确定了最佳夹具选择和相应的抓取姿势，同时引入了一种用于训练抓取质量网络的自动标注方法。在具有不同难度的实际工业应用中进行的实验评估证明了我们方法的有效性。

    Jul, 2023

  • 利用多功能抓取和跨域图像匹配的机器人在杂乱环境中对新对象进行抓取和放置

    本文介绍了一种具有抓取和识别能力的机器人抓取和放置系统，它可以在杂乱的环境中识别已知和新颖物体。该系统具有广泛的物品类别，无需为新物品准备任务特定的训练数据。实验结果表明，我们的多面抓取实现了高成功率，并且我们的识别算法实现了高准确率，是 Amazon Robotics Challenge 2017 中获得第一名的 MIT-Princeton Team 系统的一部分。

    Oct, 2017

  • 基于分离的深度 Q-Learning 算法实现鲁棒的物体分离

    本文提出了一种推动策略，目的是通过相邻物体和目标物体的横向推动来解决在杂乱环境中从一堆其他物体中提取目标物体的机器人操作问题，使用 DQN 深度强化学习学习最优的推动策略，利用 Split DQN 来提高学习速率和增加算法的模块化。实验证明了该算法在模拟环境中的学习效果，以及其模块化设计可以在不重新训练模型的情况下添加新的算法原语。

    Sep, 2019

  • 基于机械臂的仿真到实际深度强化学习用于拾取和放置

    该研究提出了一种自监督视觉深度强化学习方法，使得机器人可以有效地在模拟环境和真实环境之间直接转移训练模型，并特别设计了一种高度敏感的行动策略用于处理拥挤和堆叠的物体，实验证明即使没有经过实际环境微调，该模型在真实吸附任务中的吸附成功率也能保持较高，还能在真实实验中吸附新物体并保持 90% 的成功率。

    Sep, 2023

  • 基于视觉的机器人抓取的深度强化学习：一种离线策略方法的仿真比较评估

    本文研究基于视觉的机器人抓取中的深度强化学习算法，提出了一个模拟的基准测试对齐机器人抓取任务，评估了基准测试任务的不同 Q 函数估计方法，结果表明简单方法可以成为流行算法的强有力竞争对手，此外还阐明了算法的相对权衡

    Feb, 2018

  • 物理引导的分层奖励机制用于学习式物体抓取

    本文提出了基于物理引导的深度强化学习方法用于改善学习效率和推广性，在多指机器人手势能力的数据集上进行测试，结果表明，该方法在任务性能方面优于标准深度强化学习方法 48% 和学习效率 40%。

    May, 2022

  • 学习抓握：从某处到任何地方

    通过使用 RGB-D 数据流和视觉技术，本研究提出了一种自动生成并适应新物体姿态的抓取轨迹的方法，通过将轨迹相对于物体框架进行投影，实现了在多个不同机器人设置和物体上的抓取任务的高效执行。

    Oct, 2023