Jun, 2023

从演示中学习带有被动保证的可变阻抗技能

PDF
TL;DR本文提出了一种基于学习示范的框架，将力传感和运动信息相结合，估计出完整的刚度矩阵，并使用非参数方法创建模型，从而实现了机器人对人类示范任务的复制，并通过特定状态下的刚度剖面对新任务做出适当响应，并提出了一种新型的基于水箱的可变阻抗控制方法来确保无损耗，在两个虚拟变刚度系统上进行了评估，结果表明，与传统方法相比，该方法具有更高的鲁棒性和易于实现。
发现论文，激发创造
  • 通过反向强化学习学习力相关任务的可变阻抗控制

    本文提出了一种基于逆强化学习（IRL）的方法，用于从专家演示中恢复可变阻抗策略和奖励函数，通过使用奖励函数的增益空间获得了更好的迁移能力。

    Feb, 2021

  • 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

  • 弱监督分解学习中的示范学习

    通过概率生成模型的优化问题，使用高容量神经网络进行可解释的演示学习任务，以高层次概念对其潜在变量进行对齐，并与末端用户标签进行比较，基于两个针对桌面机器人操作的任务（用海绵擦拭和容器之间的倾倒），验证了此方法。

    Jun, 2020

  • 多人模仿学习中的兼容演示引导

    研究通过基于人提供的演示的模仿学习来学习机器人操作策略，通过测量新演示与基本策略的兼容性并积极征求新用户的兼容演示，从而改善任务成功率。

    Oct, 2022

  • 通过动态运动基元增强顺应性的人机技能转移

    提出了一种系统的方法来从人类演示中提取动态特征，以自动调整 DMP 框架中的参数，此方法可与 LfD 和 RL 一同使用，可使机器人更有效地探索可能的轨迹，从而显着提高机器人的遵从性，并在实际的人机交互实验中得以验证。

    Apr, 2023

  • 基于强化学习控制的人肘数字孪生模型的阻抗识别实验复制

    通过使用 MyoSuite 这个最先进的人体运动仿真平台，结合强化学习技术对人肘关节进行多个类型的阻抗识别实验，该研究初步探索了虚拟环境模拟在神经机械研究中的潜力，并提供了一种初步且有前景的替代传统实验方法的方案。

    Feb, 2024

  • 通过前向触觉表示的示范学习力导向动作的少样本学习

    通过半监督的学习方式，本研究在操作机器人通过感知力及学习示范来识别实物属性并生成所需运动的过程中，采用了力传感、从示范学习、无监督数据和触觉表示编码器等关键技术。结果表明，通过预训练，该学习方法在未知海绵上成功地识别了物理属性并生成了期望的擦拭运动，优于其他无预训练方法。此外，通过实际机器人硬件验证了模型生成的运动，并通过在模拟环境中预训练触觉表示编码器，捕捉到了真实物体的属性并提高了实验结果的泛化能力。

    Sep, 2023

  • 机器人模仿人类动作

    通过模仿学习，我们能够快速理解一个新任务，通过演示，我们可以直接获得哪些动作需要执行以及它们的目标的知识。本文介绍了一种新的模仿学习方法，解决了机器人模仿人类所面临的视角变化和身体模式等挑战。我们的方法可以利用单个人类演示来抽象展示任务的信息，并利用该信息进行泛化和复制。我们通过两种最先进的方法进行了新的集成：扩散式动作分割模型用于抽象演示的时间信息，以及开放词汇对象检测器用于空间信息。此外，我们通过符号推理来改进抽象的信息，并利用逆向运动学创建行动计划，以使机器人能够模仿演示的动作。

    Jan, 2024

  • 从人类示范中学习软体机器手的熟练操作

    本文介绍了一种基于物体为中心示范实现的，用于训练软机械手进行熟练操作的方法，该方法使用增强学习技术，提出了一种新的算法，允许我们混合和选择最可行的示范来学习在硬件上模仿。最后，我们将这种方法应用于 RBO Hand 2 上，并获得了开 / 关阀门，滑珠和抓取等任务的良好表现。

    Mar, 2016

  • 从模拟到机器人的触觉基连续力控制策略转移

    使用触觉传感器，并通过模型无关的深度强化学习方法实现力量控制，能够在仿真环境中进行训练，然后转移到实际机器人上，实现模拟到实际的迁移。

    Nov, 2023