用于自主机器人的层级生成建模
在此项工作中,我们使用基于任务的高层控制器与低层运动控制器结合的体系结构,开发了一个控制物理仿真的复杂人形智能体的系统,以解决需要在环境中移动并从 RGB 摄像机中检测物体的任务。
Nov, 2018
通过仿效哺乳动物中央运动系统机制,我们提出了一种神经启发的分层强化学习算法,使得机器人能够学习丰富的运动技能并将其应用于复杂的任务环境中,而不依赖外部数据。
Nov, 2023
本文介绍一种利用层次化框架实现四足机器人路径跟踪任务的方法,其中高层策略以潜在空间向低层策略发出指令,并控制其执行的时间,低层策略使用潜在指令和机器人传感器来控制机器人的执行器,以完成任务需求,同时可以实现训练后的低层策略的高效迁移,为实现端到端的层次化深度学习提供了理论支持。
May, 2019
基于强化学习的高度数据驱动方法用于视觉全身人形控制,通过层级世界模型生成指令以执行,实现了在模拟 56 自由度人形机器人的 8 个任务上高性能控制策略的合成。
May, 2024
人机协作中,共享控制提供了一个机会来远程操作机器人操纵,以提高制造和装配过程的效率。本文提出了一种层次化的意图估计技术,通过将多尺度层次信息纳入神经网络中,提高了整体准确性。此外,我们还提出了一种多窗口方法,用于分配合适的层次预测窗口输入数据。各种输入的预测能力分析表明,深度层次化模型在预测准确性和早期意图识别方面具有优势。我们在虚拟现实环境中实现了该算法,通过各种装配任务的仿真,展示了在线估计的有效性。
Mar, 2024
该研究旨在通过学习使用感知运动基元来解决复杂的长期规划操作问题,其需要将基本技能组合成新的技能来推广应用于广泛的问题中,同时使用高效的主动学习和采样方法,将学习和规划方法结合来规划各种复杂的动态操作任务。
Jun, 2020
本文探讨了分散式和分层式控制对于机器人运动控制的优劣,并提出一种新的架构作为解决方案,实验表明分层式并行控制更能够支持学习、节能、能适应未知环境并解决复杂目标任务。此外,本文还强调了分层结构中模块化设计的重要性。
Sep, 2022
通过在空间和时间尺度上进行分层推理,我们提出使用多个专家基础模型联合解决长期目标任务的分层规划模型,通过语言、视觉和动作数据的训练,构建符号化的计划,并通过视觉 - 动作控制将计划转化为执行动作,以实现在新环境中做出有效决策。
Sep, 2023
本篇论文介绍了一种全学习的层次化框架,可以同时学习低层控制器和高层潜在动作空间,并对多个机器人的运动进行泛化,并利用其学习的高级动力学模型,通过模型预测控制方法计划连续潜在动作,成功实现了多个任务和两个模拟器上的优越表现,并将其与基于反向运动学(IK)的运动规划方法进行比较。在 Daisy 六足机器人实验上,表现出了很好的稳健性和样本效率。
Aug, 2020
使用分层强化学习的方法,我们设计了一个四足机器人的策略网络,使之可以对复杂场景和地形进行动态腿部动作并同时处理视觉输入,体现障碍物回避和路径规划,此网络同时学习高层次神经网络策略和底层神经网络策略,达到相对于不分层的神经网络策略更高的学习效率。
Nov, 2020