Aug, 2023

技能变换器：移动操纵的一体化策略

PDF
TL;DR通过结合条件序列建模和技能模块化，我们提出了 Skill Transformer 方法，用于解决长期规划的机器人任务，并通过 Transformer 架构和演示轨迹对高级技能和低级动作进行端到端训练，并通过技能预测模块保持整体任务的组合性和模块化，同时考虑低级动作并避免常见的模块化方法中的交接错误。在具有挑战性的重新排列问题中，我们对 Skill Transformer 进行了测试，发现其在新场景中执行稳健的任务规划和低级控制，并在成功率上比基线提高了 2.5 倍。
skill transformerlong-horizon robotic tasksconditional sequence modelingskill modularityembodied rearrangement benchmark
发现论文，激发创造
  • 基于搜索的任务规划与学习技能效果模型的终身机器人操作

    本篇研究论文中提出一种基于高级技能效应模型的任务规划方法，从而使得机器人能够在现实场景中获取新技能并解决新任务，实现了灵活的技能参数化和任务规定，使得机器人能够实现终身学习。同时，实验表明，这种规划方法能够以更低的成本策略找到新的任务。

    Sep, 2021

  • 面向机器人操作的指导驱动历史感知策略

    本研究提出了一种基于 Transformer 的方法来处理人类语言指令和多视角场景观察，以提高机器人的精准操作，并在 RLBench 基准测试中成功实现 74 项任务，还表现出对未曾见过变化的任务的良好泛化性能。

    Sep, 2022

  • 控制变压器：基于 PRM 引导的返回条件序列建模的机器人在未知环境中导航

    本文提出控制变压器 (Control Transformer) 结合基于采样的概率路图规划器 (Probabilistic Roadmap Planner) 的低层策略，应用于机器人领域的长周期任务，结果表明我们的框架可以仅利用局部信息解决长周期导航任务，实现了零 - shot 的模拟现实转移 (transfer)，并在 Ant、Point、Humanoid 和 Turtlebot3 机器人上验证了该方法。

    Nov, 2022

  • 学习机器人技能组合模型，用于任务和动作规划

    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

  • 残差技能策略：学习适应性技能基础的动作空间，用于机器人增强学习

    通过使用状态条件生成模型在技能空间中加速探索，同时提出低层次的剩余策略来适应未知的任务变化，从而在与先前工作的比较中显着加快了探索速度，并跨四个不同于那些用于构建技能空间的具有挑战性的操作任务进行了验证。

    Nov, 2022

  • 使用引导式策略搜索学习接触丰富型操作技能

    本文介绍了一种用于学习具有高度通用策略表示的动态操作行为的新方法，该方法可以扩展最近开发的策略搜索方法，并使用迭代重新拟合的时间变化线性模型来学习所需运动技能的一组轨迹，然后将这些轨迹统一到一个单一的控制策略中。

    Jan, 2015

  • RT-1：用于实际规模控制的机器人变压器

    通过开放式训练和高容量结构的机器学习模型，结合具有各种数据多样性的大规模数据集，以实现机器人模型的泛化能力。

    Dec, 2022

  • 一次即视视觉模仿的变形金刚

    本文介绍了一种使用神经网络和 Transformer 注意机制的方法，通过向机器人展示上下文视频来缩小机器人学习中的领域差距，并实现了对单次操作任务的 2 倍成功率提升。

    Nov, 2020

  • MetaMorph: 用 Transformers 学习通用控制器

    本文提出了一种名为 MetaMorph 的 Transformer 方法，用于学习模块化机器人设计空间中的通用控制器，通过大规模预训练在各种机器人形态上实现组合泛化能力，并证明了可以将预训练策略用于高效的样本转移。

    Mar, 2022

  • SkillDiffuser: 通过扩散式任务执行中的技能抽象实现可解释的分层规划

    SkillDiffuser 是一个集成可解释技能学习与条件扩散规划的分层规划框架，用于从高级指令生成连贯和长程轨迹，在复杂任务中尤其对需要多个连续技能的情况具有挑战性。

    Dec, 2023