Mar, 2023

教机器人钓鱼：从一分钟演示中学习多功能模仿

HTML
PDF
TL;DRFISH is a versatile imitation learning approach that can achieve an average success rate of 93% on robotic tasks by computing rewards and adaptively updating a residual policy for robust visual skills with less than a minute of human demonstrations, making it fast and efficient.
发现论文，激发创造
  • 通过上下文翻译从原始视频中学习模仿行为

    本研究提出了一种基于视频预测、上下文转换和深度强化学习的“观察型模仿学习”方法，该方法消除了标准模仿学习对于完全相同环境的假设，并能够从一个演示者的视频中学习各种现实世界中的机器人技能，涵盖扫地、铲杏仁、推物品等家庭琐事任务以及模拟中的许多其他任务。

    Jul, 2017

  • 元学习视觉单帧模仿学习

    本研究提出一种元模仿学习方法，通过深度神经网络对机器人进行高效学习，使机器人能够从一个单独的示例中获取新技能，并能够终端到端地学习。实验结果表明，该方法能够扩展到原始像素输入，并且需要较少前置任务数据，具有广泛的应用前景。

    Sep, 2017

  • 模仿学习的算法视角

    本论文介绍了仿真学习的基本概念、假设、方法及其算法，探究其与机器学习、控制论等领域的关系，为机器学习专家与机器人及应用人工智能专家提供知识储备与工具。

    Nov, 2018

  • 从单个演示到机器人操作的粗到细模仿学习

    本文介绍了一种用于视觉模仿学习的简单方法，可以从一个人类演示中学习机器人操作任务，而无需先前了解与对象的交互情况，并且可以通过自监督学习进行训练。在实现过程中，该方法将模仿学习建模为状态估计问题，以目标交互开始时末端执行器的姿态作为状态，在自监督训练过程中让末端执行器的摄像头围绕对象自动移动。 最终，在测试时，机器人通过一条线性路径移动到预测的状态，然后简单地重放演示的末端执行器速度，从而获得了一个复杂的交互轨迹，而无需明确学习策略。在常见的8个任务上进行的实现结果表明，这种方法可以从单个人类演示中学习出多样的技能，并产生稳定且可解释的控制器。

    May, 2021

  • 通过估计演示者的专业水平进行模仿学习

    本研究通过对演示者专业技能的无监督学习，开发了一种可同时学习演示者政策和专业技能水平的联合模型，并通过过滤每种演示者的次优行为，训练出可以优于任何演示者的单一策略，并可用于估计任意状态下演示者的专业技能，在Robomimic等实际机器人控制任务以及MiniGrid和棋类等离散环境中取得了比其他方法更好的表现。

    Feb, 2022

  • 多人模仿学习中的兼容演示引导

    研究通过基于人提供的演示的模仿学习来学习机器人操作策略，通过测量新演示与基本策略的兼容性并积极征求新用户的兼容演示，从而改善任务成功率。

    Oct, 2022

  • 基于课程的通用技能模仿

    本研究提出一种基于课程学习和MoE的模仿学习方法，用于从人类多样化的演示中教授机器人控制技能，并在复杂机器人控制任务中显著优于当前最先进的方法。

    Apr, 2023

  • MimicGen：一个用于可扩展机器人学习的数据生成系统，利用人类演示

    利用少量人类示范，通过适应它们到新场景的方式，自动合成大规模且丰富的数据集，使机器人代理能够在长期视野和高精度任务中通过模仿学习取得良好的性能，比收集额外的人类示范更有效且经济。

    Oct, 2023

  • DINOBot：通过视觉基础模型的检索和对齐进行机器人操作

    提出了DINOBot，这是一个新颖的机器人操作的模仿学习框架，利用DINO训练的视觉变压器从图像级别和像素级别的能力。通过一系列的现实世界实验，表明利用视觉基础模型的图像级别和像素级别属性可以实现前所未有的学习效率和泛化能力。

    Feb, 2024

  • 模仿学习: 学习方法、环境和评估方法综述

    模仿学习的文献内容进行了系统回顾，通过引入新的分类法对模仿学习技术、环境和度量进行了分类，反思了文献中的主要问题，并提出了研究者面临的挑战和未来发展方向。

    Apr, 2024