Mar, 2023

基于潜在动态规划的有效布料展平方法 - PlaNet-Pick

PDF
TL;DR本文研究了为什么像 PlaNet 这样的循环状态空间模型在布料操纵任务中失败，通过在拾放布料平整领域中应用 PlaNet，探讨了模糊的重建如何导致在潜在空间中直接进行规划变得困难，并通过采用 KL 平衡和潜在超调来调整训练损失和计划拾取位置，并将更新后的 PlaNet-Pick 模型应用于潜在 MPC 算法，在模拟中实现了最先进的性能。
recurrent state space modelsplanetcloth manipulationlatent dynamic modellatent mpc algorithms
发现论文，激发创造
  • 从像素学习潜在动力学规划

    通过图像学习环境动态、通过快速在线规划选择动作，利用深度计划网络（PlaNet）解决了连续控制任务中的挑战，同时使用的强度模型相对较少。

    Nov, 2018

  • PcLast: 发现可规划的连续潜在状态

    我们学习到一种能够关联可达状态的表示方法，通过学习多步逆动力学获得一个潜在表示，并将其转换为在 l2 空间中关联可达状态，这种方法可以显著提高采样效率，并实现层次化规划。

    Nov, 2023

  • 学习布料平滑的可视连通性动态

    通过学习基于粒子的动力学模型来实现机器人对布料的操作，该模型具有较强的归纳偏差和物理学习能力，同时具有视觉不变性和良好的预测可视化性。在仿真和现实场景下取得了优异的表现。

    May, 2021

  • 使用逆动力学模型从像素规划

    提出了一种新的方法来学习依赖任务完成的未来动作序列预测的潜在世界模型，该模型适应地关注任务相关的动态学习，并同时充当稀疏奖励下计划的有效启发式方法，通过挑战性的视觉目标完成任务的评估，我们发现该方法较之前的无模型方法在性能上有了显著提高。

    Dec, 2020

  • Foldsformer：学习带有空间时间注意力的序列多步布料操纵

    提出了一种基于空间 - 时间注意机制的多步布料操纵规划框架 Foldformer，能够在没有目标观察的情况下完成相似任务，在四个典型的多步操作任务中大幅优于现有技术，而且可以在不需要额外培训或域随机化的情况下从模拟转移到实际应用中。

    Jan, 2023

  • LaPlaSS: 随机系统的潜空间规划

    我们提出了一种 “生成 - 测试” 方法，用于在无已知动力学模型的自主移动代理中以有界风险进行规划，并使用变分自动编码器学习潜在线性动力学模型来生成候选轨迹。

    Apr, 2024

  • 用简单世界模型预测未来

    我们提出了一种正则化方案，简化了世界模型的潜在动态，使得动态软件状态的不变性更强、智能体行为的效果更可预测。通过结合三种不同的模型类别，我们发现该正则化方案能够提高准确性、泛化性和后续任务的性能。

    Jan, 2024

  • 产品级试穿：保持特征的试穿，还原真实服装色调和皱纹

    基于图像的虚拟试穿系统，旨在设计一种新的流程，可以保留服装的静态特征，如纹理和标志，同时生成适应模型姿势和环境的动态元素，先前的研究在生成动态特征方面存在问题，我们提出了一种新的基于扩散的产品级虚拟试穿流程，即 PLTON，它可以保留细节丰富的标志和刺绣，同时产生逼真的服装阴影和皱纹。

    Jan, 2024

  • PLAS：离线强化学习的潜在动作空间

    该论文提出了一种使用潜在动作空间学习策略的离线强化学习方法，能够有效克服现有算法存在的内插误差，具有优异的性能表现。

    Nov, 2020

  • ClothPPO：一个增强机器人布料操纵的近端策略优化框架，使用与观测对齐的动作空间

    本文介绍了基于视觉的机器人布料展开的研究，引入了一个基于策略梯度算法和演员 - 评论家架构的框架 ClothPPO，通过优化和更新策略，提高了软体操作任务下布料展开的表现。实验结果表明，我们的方法可以进一步改善其他最先进方法的展开性能。

    May, 2024