指导机器人探索的视觉可供性预测
本文旨在研究如何通过生成模型来让一个通用机器人学习视觉契合性的表征,以便于机器人可以在新环境中使用它的模型进行采样,进而进一步训练其策略从而达成其目标。这种做法可以被用于训练以原始图像输入为操作对象的目标编码策略,并可以通过我们提出的契合性导向探索机制快速地学习如何操作新对象。我们展示,通过五分钟的在线学习就可以在新场景下使用之前的数据训练机器人完成抽屉打开,抓取和放置的任务。
Jun, 2021
提出一种从人类遥操作的游戏数据中提取自我监督的视觉管用模型,并将其与基于模型的策略学习和基于模型的强化学习相结合,以实现有效的策略学习和运动规划,从而实现在人类环境中运作的机器人的高效操作。
Mar, 2022
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
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
本论文探讨了如何通过利用互联网视频中的人类行为,训练一个可视化驱动的视觉能力模型,以此实现机器人在现实环境中的复杂任务执行。我们将该模型与四个机器人学习范式无缝连接,并在 4 个现实世界环境、超过 10 种不同任务和 2 个机器人平台中展示了其效力。
Apr, 2023
本文提出了一种从人体活动视频中学习社交效应的机器人学习方法,该方法基于生成模型和马尔科夫链蒙特卡罗算法自动发现从 RGB-D 视频中的交互作用,让机器人能够自然地复制这些交互作用的完整体运动。
Apr, 2016
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