Mar, 2023

一种基于学习的双臂对称操作自适应合规性方法

PDF
TL;DR提出了一种 LAC 算法，该算法基于 Actor-Critic 框架和 LSTM 神经网络，通过结合期望轨迹生成和阻抗参数调整来提高协同操作效率和鲁棒性，其中 LSTM 网络对由代理人获得的力状态进行预处理，从而进一步改善了操作的稳定性和性能。实验结果表明，在协作处理和钉孔装配实验方面，我们的方法在最优性和鲁棒性方面优于基线算法。
symmetric bi-manual manipulationlearning-based adaptive compliance algorithmactor-critic frameworklstm networksdual-arm cooperative handling
发现论文，激发创造
  • 从少量示范学习双臂机器人带有触觉反馈遥操作系统的可变柔顺控制

    通过虚拟现实控制器提供直观且经济的任务演示方法，结合动作块划分和变量合规性控制的方法，提高了刚性机器人的灵活适应性和安全性。

    Jun, 2024

  • 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

  • 学习用于 6D 非预抓取操作的混合演员评论员映射

    本文介绍了一种利用强化学习方法进行非图像化的六自由度物体操作的方法，即 Hybrid Actor-Critic Maps for Manipulation (HACMan)，其提出了非捏持操作的物体分析和空间关联动作建模，采用离散 - 连续的动作表示法，可以帮助机器人实现对未知物体的高效操作。

    May, 2023

  • 自由悬浮双臂空间机械臂非合作目标运动规划学习系统

    本文研究了在空间环境下，利用强化学习算法对浮动式双臂空间机械臂（FFDASM）进行轨迹规划，通过模块一实现目标空间内多目标轨迹规划，模块二则可以预测并追踪自旋的非配合目标物体上的目标点。实验结果表明了该学习系统的可扩展性和普适性。

    Jul, 2022

  • 基于模拟到现实强化学习的双手积木搭建

    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。

    Mar, 2023

  • 用于编排双臂机器人的大型语言模型

    利用大型语言模型（LLM）的语言感知和上下文学习能力，开发了基于 LLM 的双手动作协调系统（LABOR Agent），用于解决双手操作任务的时空协调问题，并通过在仿真环境中测试实验证明其接近最优性能。

    Apr, 2024

  • 使用学习的任务模式进行高效双手操作

    本文研究了如何使用参数化技能有效地解决现实世界中的稀疏奖励任务，发现通过显式建模任务模式的状态独立性，可以极大地提高无模型强化学习算法的样本效率；同时，这些模式可以被转移用于解决相关任务。实验结果验证了我们的方法在机械手臂操作任务中的有效性。

    Sep, 2019

  • 使用相对参数化方法学习机器人广义双手协调运动的 BiRP 模型 (BiRP: Learning Robot Generalized Bimanual Coordination using Relative Parameterization Method on Human Demonstration)

    本文提出了一种基于变量表示的双手协调学习方法，使用高斯混合模型来描述人体展示中最相关的协调模式，并将其推广到新任务参数中以确保时空协调。

    Jul, 2023

  • GenCHiP: 高精度和接触丰富的操作任务的生成机器人策略代码

    基于大型语言模型（LLMs）的研究表明，通过合适的动作空间重新参数化，包括遵守与交互力和刚度相关的约束条件，能够成功地生成用于接触丰富和高精度操纵任务的策略，即使在噪声条件下也有效。

    Apr, 2024

  • ManipLLM: 对象为中心的机器人操作的具身多模态大规模语言模型

    通过引入新颖的机器人操作方法，利用多模态大型语言模型（MLLMs）的强大推理能力，增强操作的稳定性和泛化能力。我们采用 fine-tuning 方法，在保留 MLLM 的常识和推理能力的同时，为其提供操作能力。实验结果表明 ManipLLM 在模拟器和真实环境中均有出色表现。

    Dec, 2023