Sep, 2023

通过概率图示教学进行示范学习

PDF
TL;DR通过对 2D 场景图像进行示范轨迹草图，在三维任务空间中生成运动轨迹的概率模型，以此作为一种新型的 LfD（Learning for Demonstration）范式。
learning for demonstrationdiagrammatic teachingkinesthetic teachingteleoperationray-tracing probabilistic trajectory learning
发现论文，激发创造
  • 如何通过示范高效地教导机器人？

    通过使用信息熵作为准则，建议教师给出更具信息量的示范样例，从而提高机器人学习效率。使用增强现实引导系统对初学者进行训练，从熵最高的区域产生额外的示范，并在同一任务（保留）和新任务（转移）上测试性能，结果发现机器人的学习效率大幅提高，与启发式规则相比提高了 210%。

    Oct, 2023

  • 面向从次优演示中高样本效率的学徒学习

    使用 Systematic Self-Supervised Reward Regression（S3RR）框架，通过系统性的替代轨迹退化，可以实现从非优示范中学习的能力，比现有的学习技术更为高效。

    Oct, 2021

  • 机器人运动生成与调整的导引解码

    我们通过集成演示学习（LfD）到运动生成过程中，在复杂环境中（包括障碍物、通过点等）解决了高自由度机械臂的运动生成问题。我们通过在大规模模拟轨迹数据集上训练一个基于条件变分自动编码器变压器的结构，学习了关键的运动生成技能，并将其适应辅助任务和约束条件。我们的自回归方法实现了来自物理系统的实时反馈整合，增强了运动生成的适应性和效率。我们表明，我们的模型可以从初始点和目标点生成运动，同时也能够适应复杂任务的轨迹规划，包括障碍物避让、通过点和速度、加速度限制，在多种平台上实现。

    Mar, 2024

  • 通过前向触觉表示的示范学习力导向动作的少样本学习

    通过半监督的学习方式，本研究在操作机器人通过感知力及学习示范来识别实物属性并生成所需运动的过程中，采用了力传感、从示范学习、无监督数据和触觉表示编码器等关键技术。结果表明，通过预训练，该学习方法在未知海绵上成功地识别了物理属性并生成了期望的擦拭运动，优于其他无预训练方法。此外，通过实际机器人硬件验证了模型生成的运动，并通过在模拟环境中预训练触觉表示编码器，捕捉到了真实物体的属性并提高了实验结果的泛化能力。

    Sep, 2023

  • 通过自监督奖励回归学习低效演示

    本文提出了一种新的方法通过子优示范来合成优化参数化的数据来训练理想的奖励函数，从而克服了旧方法在使用子优示范时的一些限制，实现了更好的性能。

    Oct, 2020

  • 通过动态运动基元增强顺应性的人机技能转移

    提出了一种系统的方法来从人类演示中提取动态特征，以自动调整 DMP 框架中的参数，此方法可与 LfD 和 RL 一同使用，可使机器人更有效地探索可能的轨迹，从而显着提高机器人的遵从性，并在实际的人机交互实验中得以验证。

    Apr, 2023

  • 基于环境限制的示教学习增强

    文章介绍了一种学习自演示 (LfD) 方法，用于应对带有关节机制的接触丰富的操作任务。从单个人类演示中提取的策略可以推广到相同类型的不同机制，并且对环境变化具有鲁棒性，其关键是通过与环境有目的地交互来自主增强初始演示以收集附加信息。针对多 DOF 的复杂机制的实际实验表明，我们的方法可以可靠地完成任务。

    Oct, 2022

  • 探索从演示任务中机器人错误引起的人类内在反应

    该研究探讨了通过学习人类示教实现机器人互动反馈的一种可能性 —— 基于双方肢体语言的意义建立，通过人机互动教机器人跳舞，对正确和错误示范进行姿态分析以测量人对机器人的响应。

    Jun, 2016

  • 野外演示学习

    通过单个未校准的单目摄像头的未标记生视频数据，利用 Video to Behaviour（ViBe）方法自动标注移动对象，跟踪它们并学习自然行为模型。

    Nov, 2018

  • 学习轨道稳定系统以图示方式教学

    该研究介绍了一种名为 "图解教学" 的机器人获得新技能的范式，通过用户在场景图像上提供二维示意图来控制机器人的运动，并通过应用一种可微分且可逆函数（diffeomorphism）优化模型，实现对机器人运动的精确控制。实验证明，在模拟和实体机器人上，图解教学系统能够准确地教授复杂的循环运动模式。

    Sep, 2023