Jun, 2023

具有参数感知策略的通用单次绳索操作

PDF
TL;DR本文提出了一种名为 GenORM 的框架，该框架可以通过单个真实演示来处理多种可变形绳索的操作策略，同时借助不可微分物理模拟器来实现，提高了一次性绳索操纵的效率和性能。
rope manipulationgenormdeformable ropesingle demonstrationphysics simulator
发现论文，激发创造
  • GenDOM: 通用的一次性可变形物体操作及其参数感知策略

    GenDOM 框架通过将策略与可变形物体参数相关联并使用各种模拟可变形物体进行训练，从而使策略能够处理不同的可变形物体，而只需进行一次真实世界演示。此方法在模拟和真实世界环境中进行了实证验证，可通过单次演示处理不同对象并在性能上显著优于基线方法，证明了该方法在一次性可变形物体操作中的有效性。

    Sep, 2023

  • 使用合成深度数据训练的稠密物体描述符学习绳索操作策略

    研究使用 DDODs 学习点对对应来操作可变形物体，并使用可读性和可迁移性的几何策略来控制机器人，成功解决了物理模型不够准确以及机器人长时间训练和泛化能力不足的问题。

    Mar, 2020

  • 可变形物体操作的仿真增强学习

    采用最先进的深度强化学习算法，通过领域随机化，在仿真环境中训练代理程序以解决可变形物体操作问题，并成功将其部署在实际工作中。

    Jun, 2018

  • 结合自监督学习和模仿技巧实现基于视觉的绳索操作

    这篇论文提出了一种基于学习的系统，通过自监督学习从图像中学习绳索操纵的像素级逆动力学模型，并使用高低级计划成功地模仿人类示范，将可变形物体如绳索和布料进行操纵。

    Mar, 2017

  • 一次性模仿学习与不变量匹配在机器人操作中的应用

    通过学习不变区域和匹配测试环境中的不变区域，Invariance-Matching One-shot Policy Learning（IMOP）算法可以从单个未标注的演示中学习新任务，并取得显著的成功率提高。

    May, 2024

  • ReLMoGen: 借助动作生成在强化学习中实现移动操纵

    本文提出了一种名为 ReLMoGen 的 Reinforcement Learning 方法，通过将行动空间提升到更高的阶级形式 —— 子目标，使用基于采样的运动规划器有效解决了传统方法无法解决的长期复杂任务，比如交互式导航和移动机器人操作等。在照片级仿真环境下测试表明，ReLMoGen 在多项机器人任务中表现优异，并具有良好的跨越不同运动生成器的转移能力。

    Aug, 2020

  • 使用引导式策略搜索学习接触丰富型操作技能

    本文介绍了一种用于学习具有高度通用策略表示的动态操作行为的新方法，该方法可以扩展最近开发的策略搜索方法，并使用迭代重新拟合的时间变化线性模型来学习所需运动技能的一组轨迹，然后将这些轨迹统一到一个单一的控制策略中。

    Jan, 2015

  • DeXtreme: 从模拟到现实的敏捷手持操作转移

    本文通过深度强化学习模型，针对转移到真实场景中遇到的困难，提出了学习可以在人形机器人手上进行灵巧操作的策略和一个稳健的姿态估计器。通过在仿真环境中训练的策略，实现了在不同环境下的适应性，并得出了比最佳视觉策略更好的结果，同时在多种硬件和仿真设置中进行了模拟实现，为后续研究提供了方便、低成本的机器人手和摄像机。

    Oct, 2022

  • 使用参数化操作基元学习外在灵巧性

    通过学习层次化强化学习，我们能够利用环境改变目标物体的姿态，无需物体检测、姿态估计或手动设计控制器，从而成功地完成 98% 的实验任务。

    Oct, 2023

  • 通过交互畸变实现单次模仿学习

    提出新方法 Interaction Warping 以形态扭曲技术学习单个演示的 SE (3) 机器人操作并演示其在三个目标重新排列任务中的表现，并证明在野外环境中其具有预测对象网格和机器人抓握的能力。

    Jun, 2023