Jun, 2023

SCENEREPLICA: 基于可重现场景的真实世界机器人操作基准测试

HTML
PDF
TL;DR为了评估机器人在现实世界中的操作能力，我们提出了一个新的可重复使用的基准测试，着重于抓取和放置。我们使用机器人学界常用的YCB对象数据集来确保结果可与其他研究进行比较。此外，该基准测试旨在易于在实际环境中进行重现，使其可供研究人员和实践者使用。我们在基准测试中提供了基于模型和无模型6D机器人抓握的实验结果和分析，评估了代表性算法的物体感知、抓握规划和运动规划。我们相信，这个基准测试将是推进机器人操作领域的宝贵工具。通过提供标准化的评估框架，研究人员可以更容易地比较不同的技术和算法，从而更快地发展机器人操作方法。
发现论文，激发创造
  • RLBench: 机器人学习基准测试与学习环境

    RLBench是一个机器人学习的挑战性基准和学习环境，旨在加速包括强化学习、模仿学习、几何计算机视觉和少样本学习在内的一些视觉导向操作研究领域的进展。

    Sep, 2019

  • ManiSkill：具有大规模演示的通用操纵技能基准

    本文提出了SAPIEN Manipulation Skill Benchmark（ManiSkill），用于在全物理模拟器中基于多种对象进行操作技能测试，旨在支持互动和演示学习方法，并提供用于3D深度学习和LfD算法的基线。

    Jul, 2021

  • 使用魔方进行机器人操控基准测试

    提出“魔方操纵”作为机器人操纵领域的基准测试，以衡量精准操纵和顺序操纵的同时表现，量化精度和速度，并演示该协议在PR2和HERB机器人上的基础方法和改进方法

    Feb, 2022

  • FurnitureBench：面向复杂长期操作的可复制实现的真实世界基准测试

    该研究提出面向复杂长程行为的真实世界家具组装任务，并提出 FurnitureBench 家具组装基准测试，供研究人员测试和比较不同算法的性能表现，基于该基准测试验证了在线和离线强化学习、模仿学习算法的性能，进一步提出未来的研究方向。

    May, 2023

  • THE COLOSSEUM: 机器人操作泛化评估基准

    为了实现有效的大规模、实际应用的机器人，我们必须评估我们的机器人策略对环境条件变化的适应能力。我们介绍了一个新的模拟基准测试COLOSSEUM，它包括20个不同的操作任务，能够系统地评估模型在12个环境扰动轴上的性能。我们比较了4种最先进的操作模型，揭示了它们在这些环境扰动因素下的成功率下降了30-50%。当多个扰动同时应用时，成功率下降≥75%。我们发现改变干扰对象的数量、目标对象的颜色或照明条件是最大程度降低模型性能的扰动因素。为了验证我们结果的生态效度，我们证明了我们在模拟中的结果与真实实验中的类似扰动相关（R^2 = 0.614）。我们公开了COLOSSEUM的使用代码，并发布了用于复制真实世界扰动的三维打印对象的代码。最终，我们希望THE COLOSSEUM能成为一个评估操作泛化能力的基准，以找到能系统地改进操作泛化能力的建模决策。

    Feb, 2024

  • ManiPose：机器人中姿态感知物体操作的全面基准

    ManiPose是一个旨在推进姿势多变的操作任务研究的开创性基准，它包含模拟环境、数据集和基准，并在姿势估计、姿势感知操作和真实机器人技能迁移等方面取得了显著进展。

    Mar, 2024

  • Splat-MOVER: 多阶段开放词汇机器人操纵通过可编辑高斯Splating

    Splat-MOVER是一个模块化机器人软件框架，利用高斯分层表示法（GSplat）的可编辑性，实现多阶段机器人操作任务。

    May, 2024

  • 在仿真环境中评估实际机器人操纵策略

    机器人学中的评估与模拟环境之间的控制和视觉差异是可靠的模拟评估的关键挑战，在创建适用于常见真实机器人设置的SIMPLER模拟环境的基础上，我们证明了在这些环境中的政策表现与真实世界中的表现之间的强相关性，同时准确反映了真实世界的政策行为模式，通过我们的工作流以及开源的SIMPLER环境，促进了通用操作策略和模拟评估框架的研究。

    May, 2024

  • M${}^{3}$Bench：移动操控在三维场景下的全身运动生成基准测试

    本研究提出了M^3Bench，一个针对移动操控任务的全身运动生成基准测试，解决了现有模型在环境上下文及任务特定约束下协调运动的困难。研究中开发的M^3BenchMaker自动生成30,000个对象重排任务的运动轨迹，强调了发展新模型以应对这一挑战的必要性。通过这一基准，我们推动未来机器人研究 朝向更具适应性和能力的移动操控。

    Oct, 2024

  • ManiBox：通过可扩展的仿真数据生成增强空间抓取通用性

    本研究解决了机器人抓取策略中空间定位准确性不足的问题，指出这一挑战主要源于对丰富空间理解数据的需求。提出的ManiBox方法利用仿真基础的教师-学生框架，通过边界框引导生成可扩展的仿真数据，从而大幅提升抓取策略在复杂环境下的通用性及适应性。

    Nov, 2024