组装中每个错误都重要
研究在家庭、办公室和远程场景中执行自然语言指令的模型,探讨基于 Bisk-2016 数据集语言和空间世界表示学习的源块分类和目标位置回归的新型模型,CNN 和双重注意力模型用于计算世界块和指令短语之间的对齐,深度比较了两种推理方法并取得了最新的业内最佳效果。
Jul, 2017
提出一种基于 answer set programming 的协作装配方法,结合常识推理和丰富的通信行为,用于应对组装过程中的不确定性,适用于现实世界中的协作任务,如家具组装等。
Aug, 2020
一篇关于图像引导物体组装的研究论文介绍了一项新任务:将结构 3D 模型的多视角图像(例如,从 3D 对象库中选择的积木构建而成的模型)翻译成可由机器人臂执行的详细组装指令序列。该论文提出了一种名为神经组装者的端到端模型,通过学习图形对象图来识别图像中的组件,并通过边指定 3D 模型的拓扑结构,从而得出组装计划,并进行了全面的实证评估,证明了神经组装者的优越性。
Apr, 2024
将物体的装配从其组成部分自动化是一个复杂的问题,具有生产制造、维护和再生利用等无数应用。我们的研究提出了一个整体多层次的部件装配规划框架,包括部件装配顺序的推理、部件运动规划和机器人接触优化。我们通过引入大规模部件装配序列数据集(D4PAS)来训练 Part Assembly Sequence Transformer (PAST)神经网络,实验结果表明我们的方法相比之前的方法具有更好的泛化性能,且推理过程所需的计算时间显著减少。
Dec, 2023
本研究介绍了一种计算架构,结合了感知学习算法、记忆编码和学习的认知模型、预测缺失物品的推理模块和图形用户界面,并与 Fetch 移动机器人集成验证,以通过与用户的互动学习个性化上下文知识及长期预测家庭中缺失的物品。实验结果表明,机器人可以通过与用户的互动适应环境,还可以使用所学的知识在数周内正确预测缺失物品,并且对感官和感知错误具有强健性。
Jul, 2022
本研究提出了一种自学习系统,使用用户 - 系统交互反馈信号自动纠正对话式人工智能系统中出现的各种组件错误,并通过吸收马尔可夫链模型挖掘这些反馈信号中的共同模式,进行可扩展的改进,实现了大规模对话式人工智能系统的自主学习,能显著降低过多次错误和缺陷。
Nov, 2019
本文提出了一种在小规模人类示范预算下改善模仿学习性能的流程,并将其应用于需要高精度和长视程操作的装配任务,通过结合表达能力强的策略架构和数据集扩展与基于仿真的数据增强等技术来扩展数据集支持并在高精度要求的瓶颈区域附近监督模型的局部纠正动作,实现了在仿真环境中进行四个家具装配任务并直接从 RGB 图像中组装多达五个零件,性能超过了模仿学习和数据增强的基线。
Apr, 2024
本文介绍了一种基于演示学习和姿态估计的人机协作装配系统,使机器人能够适应于人类操作中的不确定性,我们的实验表明,系统能成功地适应于不同的目标位置。
Dec, 2022