Jun, 2023

SCENEREPLICA: 基于可重现场景的真实世界机器人操作基准测试

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。
reproducible benchmarkrobot manipulationpick-and-placeycb objectsmodel-free 6d robotic grasping
发现论文，激发创造
  • 机械操作研究中的基准测试：YCB 物体和模型集以及基准测试协议

    本文介绍了用于机器人操纵、假肢设计和康复研究的 Yale-CMU-Berkeley (YCB) 对象和模型集，并提供了一个框架和许多示例任务协议，以定量评估规划、学习、机械设计、控制等各种操纵方法的集合。

    Feb, 2015

  • DexYCB: 捕捉手部抓握物品的基准测试

    介绍了 DexYCB 一个新的用于捕捉手抓物体的数据集，通过将其与相关数据集进行交叉评估，给出实验结果，对 2D 物体和关键点检测、6D 物体位姿估计和 3D 手姿势估计三项任务进行了深入基准测试。同时，还介绍了一个新的与机器人相关的任务：在人 - 机器人物体交接过程中生成安全的机器人掌握.

    Apr, 2021

  • 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

  • 规划机器人放置以进行物体抓取

    通过利用机器人的可达性、环境的 RGB-D 图像和占用栅格图，提出了一种服务机器人工作流中的机器人位置选择算法，通过选择机器人位置以实现成功抓取目标对象，从而与现有的基线实现相比，改善了机器人在具有挑战性位置上抓取目标物体的能力。

    May, 2024

  • 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

  • RMBench：机器人操作器控制深度强化学习基准测试

    本文介绍了 RMBench，这是一个用于机器人操作的基准测试，使用深度学习和强化学习算法，通过使用目标性能指标来比较算法的性能表现，研究发现，软 Actor-Critic 的表现最好，且数据增强技术有助于学习策略。

    Oct, 2022

  • ReorientBot: 物体定向学习，用于特定姿态的放置

    本文介绍了一个基于视觉的机器人操作系统，能够通过姿态估计和体积重建实现物体重新定位，并通过学习的路径选择和传统的运动规划生成无碰撞路径，从而成功和高效地完成对物体的操作和重构，实现了机器人操作的自主化，成功率提高了 81％，执行时间提高了 22％。

    Feb, 2022

  • 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

  • 利用多功能抓取和跨域图像匹配的机器人在杂乱环境中对新对象进行抓取和放置

    本文介绍了一种具有抓取和识别能力的机器人抓取和放置系统，它可以在杂乱的环境中识别已知和新颖物体。该系统具有广泛的物品类别，无需为新物品准备任务特定的训练数据。实验结果表明，我们的多面抓取实现了高成功率，并且我们的识别算法实现了高准确率，是 Amazon Robotics Challenge 2017 中获得第一名的 MIT-Princeton Team 系统的一部分。

    Oct, 2017

  • 针对真实世界灵巧物体操作的结构化策略和策略优化基准测试

    本研究旨在解决机器人技术中的熟练操作难题，特别关注于 TriFinger 系统，提出了基于结构化策略的测试基准，包括了经典机器人学和现代策略优化元素，该基准通过仿真和实际系统验证了基线结果，并对核心特点进行了系统的分析。

    May, 2021