Mar, 2023

基于模拟到现实强化学习的双手积木搭建

PDF
TL;DR本文中，我们使用深度强化学习（RL）技术并结合由磁性方块组成的任务测试平台，通过在模拟环境中培训控制器并将其转移到真实机器人上，成功地实现了一个双臂机器人装配任务，证明了模拟转现技术在双臂机器人装配中的应用前景。
dual-arm manipulationdeep reinforcement learningsimulation-to-real transferrobotic assemblyxarm6
发现论文，激发创造
  • 双手操作和连接的 Sim-to-Real 强化学习

    该研究探讨如何使用强化学习针对具有挑战的双臂机器人任务，通过模拟训练，实现直接传递未经过滤的观察信息到神经网络模型并保证仿真环境与实际情况一致。设计了一个基于磁力连接的联结任务，通过两个 xArm6 机器人，并在此基础上验证了该强化学习方法的可行性，对于成功拾取方块和连结任务的成功率分别达到了 100％和 65％。

    Mar, 2022

  • 使用强化学习实现人类水平的双手灵巧操作

    提出了双手灵巧操纵仿真器 Bi-DexHands，可用于机器人学习多种操纵技巧，其中单一代理策略 PPO 可达到人类 48 个月婴儿的操作水平，而多代理策略可进一步帮助掌握需要灵巧双手协作的操作任务，但现有 RL 算法在多任务和少样本学习设置下仍需要更深入的研究。

    Jun, 2022

  • 采用分层式 Sim2Real 实现的多智能体运动操控

    采用强化学习方法通过层次性模拟实现在多移动机器人协作下的操纵行为。

    Aug, 2019

  • 相互对齐迁移学习

    通过强化学习在模拟环境中训练机器人并结合补充奖励策略，与真实机器人进行进一步的微调来优化探索策略，实验结果表明，这种相互对齐的方法可以在真实和模拟环境中实现更好的性能。

    Jul, 2017

  • 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

  • 深度 Q-Learning 机器人臂控制的 3D 模拟

    该研究旨在使用深度强化学习算法，通过在模拟环境中训练机器人臂完成定位和抓取方块的任务，进而实现在真实场景下机器人控制的无缝转移，并设计了结构化奖励函数以提高训练效率。

    Sep, 2016

  • 基于模拟与实际强化学习的机器人操作：一种基于一致性的方法

    本文提出了一个基于深度强化学习的机器人 pick-and-place 任务的共识型模拟现实联合训练算法（CSAR），目的是在模拟和实际环境中都实现高效和有效的策略优化。实验表明，模拟中的最佳策略并不一定适用于模拟和实际环境的学习。同时，越多的模拟代理越有利于模拟现实的训练。

    Feb, 2023

  • 深度强化学习和 Real2Sim 策略适应在机器人视觉插入中的应用

    本文提出了一种基于纯视觉强化学习的插入任务解决方案，并提出了一种新颖的 Sim2Real 策略 Real2Sim，该策略在政策适应方面具有优势。

    Jun, 2022

  • 基于 GPU 仿真和高质量演示的交互式人类样学习加速

    利用 GPU 模拟技术和模仿学习指导策略搜索以使强化学习培训可在高维机器人手表现复杂控制问题的领域中成为可能，最终演示了并行强化学习和模仿学习的互补优势和优秀的验证结果。

    Dec, 2022

  • 基于图像的熟练操作：通过细化引导实现自主现实世界强化学习

    本文提出了一种基于视觉的程序自由编程的方法，利用强化学习实现复杂多指手势下的实物操作，无需手动建模或奖励工程。

    Dec, 2022