Mar, 2023

基于强化学习的深度机器人可供性学习的最新进展

PDF
TL;DR本文综述了近期深度机器人可支配学习 (DRAL) 的研究进展，该方法致力于开发数据驱动的方法，使用可支配性概念辅助机器人任务，对机器人任务的技术细节和局限性进行了分类和讨论，并从观察、行为、可支配性表达、数据收集和实际部署等方面总结了它们的挑战和未来方向。同时提出了一个有前途的未来方向，即将强化学习与可支配性定义相结合，以预测任意行为后果。
affordancedeep robotic affordance learningreinforcement learningrobotic tasksaction consequences
发现论文，激发创造
  • 机器人操作的端到端操作能力学习

    本研究使用视觉契合技术，通过预测关键点的接触信息，提出了一种端到端的控制策略学习框架，可以实现在不同类型的操纵任务中的泛化。结果显示，我们的算法在成功率上大大优于基线算法，包括基于视觉契合和强化学习方法。

    Sep, 2022

  • 深度可供性预见：通过未来可实现的行动计划

    本文提出了一种新的 affordance 表示，使机器人可以通过建模未来的 affordance 来推断长期效应，从而确定实现任务目标的最佳动作。通过该新表示，我们开发了一种 learning-to-plan 方法，Deep Affordance Foresight（DAF），通过试错学习参数化 motor skills 的 affordance 的环境模型，我们在两个挑战性的操作领域上评估了 DAF，并展示了它可以有效地学习执行多步任务，在不同的任务之间共享学习到的 affordance 表示，并学习用高维图像输入进行规划。

    Nov, 2020

  • 为机器人代理建立适用关系 - 一项综述

    本文回顾了在机器人任务中使用借助能力概念的不同策略，并构建这些方法以提供指导，包括能力作为提高自主性的机制。最后，我们确定并讨论了一系列有趣的借助能力研究方向，这些方向有潜力提高 AI 代理的能力。

    May, 2021

  • 强化学习中的可行性原理理论

    本文提出了一种基于 Markov Decision Processes 的行动效益理论，它能够加速计划过程，同时提高学习效率和准确性，特别是在需要函数逼近的模型中。文中还介绍了一种学习行动效益的方法，并将其用于估计更简单且泛化能力更强的状态转移模型。

    Jun, 2020

  • 机器人任务中的可操作性 -- 调查

    机器人学中的可行性是指机器人必须感知到的关键属性，以有效地与新型物体交互的核心概念，该综述文章特别关注机器人学，并尝试找到不同方法之间的共同点，我们提出基于先前知识水平的分类，用于建立有助于实现机器人任务的不同可行性组件之间的关系。

    Apr, 2020

  • 使用内在动机进行层次感知发现

    本文提出了一种使用内在动机来指导移动机器人利用环境中可行的任务来自主学习并适应互相关联的任务的方法。

    Sep, 2020

  • 末端到端的视觉运动控制的可供性学习

    采用模块化神经网络体系结构，利用合成数据和模拟技术，通过低维潜在表示生成场景可用性，成功训练机械臂政策。同时，提出了一种数据集生成方法，可轻松推广到新任务、对象和环境，无需手动像素标记。

    Mar, 2019

  • 机器人场景中的上下文能力与安全探索

    利用环境适应性的概念实现安全探索和学习，进而改善家庭机器人的成功率和收敛速度，并为未来的人机交互探索奠定基础。

    May, 2024

  • 可能性优先于效用：学习和使用分级的可用性

    本文介绍了一种基于 Hierarchical Affordance Learning 的方法，通过学习层次性可提供性模型来修剪不可能的子任务以实现更有效的学习，相对于非可提供性感知方法，HAL 代理能更好地学习复杂任务，规避环境中的随机性，获得多种技能，并且不需要外部监督。

    Mar, 2022

  • 学习 3D 环境中互动探索的可承受性景观

    本研究利用增强学习方法，通过自主探索实现对未经探测的三维环境的机器人智能互动，其中包括对可利用对象的发现、高效自主行动的学习以及使用基于图像的可利用区域分割模型。实验表明，基于该方法的机器人可以智能地操作新的家居环境，并为进行下游任务，如 “找刀并将其放入抽屉中”，进行了充分的准备。

    Aug, 2020