Jun, 2023

使用 Transformer 学习采样字典，实现机器人运动规划的高效与通用

PDF
TL;DR本论文提出了一种名为矢量量化运动规划转换器（VQ-MPT）的新方法，它克服了以往基于学习的方法的主要限制，包括无法扩展到更高维度空间和缺乏对分布之外环境的通用性，使其能够应用于各种复杂性系统，实现了较高的成功率和更快的路径规划。
motion planningroboticslearning-based methodssampling-based motion plannersgeneralization
发现论文，激发创造
  • 机器人运动规划中的采样分布学习

    提出了一种基于条件变分自编码器的方法，通过学习演示数据中的采样分布，使用非均匀采样来加速规划过程并显著提高成功率和最优成本收敛速度，同时保持了采样策略理论保证的特性。

    Sep, 2017

  • Transformer 增强式运动规划器：基于注意力引导的采样用于特定状态决策

    提出了一种名为 Transformer-Enhanced Motion Planner（TEMP）的新型深度学习运动规划框架，它与 Environmental Information Semantic Encoder（EISE）和 Motion Planning Transformer（MPT）相结合，通过将环境数据转化为语义环境信息（SEI），提供更丰富的环境理解，进而利用注意机制动态重新校准其对 SEI、任务目标和历史规划数据的关注，从而改进样本节点生成，该框架的有效性经过系统评估表明，在各种任务维度上表现出卓越的性能指标和更高程度的泛化能力，相较于现有的先进的基于采样的运动规划算法（SBMPs）具有显著优势。

    Apr, 2024

  • T2M-GPT: 使用离散表示生成基于文本描述的人体动作

    本文研究了基于 VQ-VAE 和 GPT 的人体运动生成的条件生成框架，并表明了通过常用的训练配方（EMA 和 Code Reset），我们可以获得高质量的离散表示。此外，我们在训练期间采用了一种简单的损坏策略来缓解训练 - 测试偏差，并在 HumanML3D 数据集上表现出比竞争方法更好的性能。

    Jan, 2023

  • 用于规划的矢量量化模型

    使用离散自编码器来处理动作在随机环境中引起的多种可能性，再结合随机版 Monte Carlo 树搜索算法规划代理的动作和代表环境反应的离散潜变量，明显优于 MuZero 在处理随机国际象棋和 DeepMind Lab 等部分观测模型的 RL 问题中的表现。

    Jun, 2021

  • 可微空间规划：基于 Transformer 的实现

    利用数据中的统计规律，我们提出了空间规划变换器 (SPT)，通过学习障碍地图生成长程空间相关的行动来规划移动路径，实现了比先前数据驱动规划方法更好的算法，能够适应不同的障碍地图和任务目标。

    Dec, 2021

  • 机器人移动规划中的潜空间学习

    通过学习可规划的潜在表示，本文提出了基于潜在采样的动作规划 (L-SBMP) 的方法，该方法结合了控制机器人系统的最新进展和采样式运动规划 (SBMP) 的技术，可以处理高维度机器人系统的动作规划问题，同时采用了三个算法基本原则，即状态采样，局部转向和碰撞检查。

    Jul, 2018

  • 使用视觉动作转换器模拟任务与运动规划

    该论文提出了一种新的模仿学习系统 OPTIMUS，通过模仿 TAMP 代理来训练大规模视觉运动装置策略，从而介绍了一种专门为模仿学习策划的 TAMP 数据生成流程，并演示了 OPTIMUS 可以解决各种挑战性的基于视觉的操作任务。

    May, 2023

  • MoConVQ：基于可扩展离散表示的统一物理运动控制

    利用可扩展的离散表示，我们提出了 MoConVQ，这是一个新颖的基于物理的运动控制统一框架，通过在大型无结构数据集上学习运动嵌入，实现了高效的运动表征，展示其对各种应用的多样性和鲁棒性，例如通用跟踪控制、基于潜在运动表示的交互式角色控制、自然语言描述的基于物理的运动生成以及与大型语言模型（LLMs）的无缝集成以应对复杂和抽象的任务。

    Oct, 2023

  • GPT 司机：用 GPT 学习驾驶

    我们提出了一种简单而有效的方法，可以将 OpenAI GPT-3.5 模型转化为可靠的自动驾驶车辆动作规划器。

    Oct, 2023

  • VideoGPT: 使用 VQ-VAE 和 Transformers 生成视频

    VideoGPT 是一种简单的架构，利用 VQ-VAE 学习离散化的原始视频的下采样离散潜在表示，并使用类似于 GPT 的简单架构来自回归地模拟其离散潜在分布，以帮助生成高保真的自然视频。

    Apr, 2021