Sep, 2023

通过前向触觉表示的示范学习力导向动作的少样本学习

PDF
TL;DR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。
force sensinglearning from demonstrationsemi-supervisedunsupervised datahaptic representation encoder
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

  • 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

  • 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

  • 通过概率图示教学进行示范学习

    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。

    Sep, 2023

  • 弱监督分解学习中的示范学习

    通过概率生成模型的优化问题，使用高容量神经网络进行可解释的演示学习任务，以高层次概念对其潜在变量进行对齐，并与末端用户标签进行比较，基于两个针对桌面机器人操作的任务（用海绵擦拭和容器之间的倾倒），验证了此方法。

    Jun, 2020

  • MILD: 多模态交互潜在动力学用于学习人机交互

    本文提出了一种名为 MILD 的多模态交互潜在动力学方法，将深度学习和概率机器学习结合起来，用于学习人与机器人之间的互动动力学，并在人 - 人互动的演示中进行了实验验证，该方法比相关研究生成更准确的机器人轨迹，还能够直接从基于摄像头的姿势估计中学习生成轨迹。

    Oct, 2022

  • 从少量示范学习双臂机器人带有触觉反馈遥操作系统的可变柔顺控制

    通过虚拟现实控制器提供直观且经济的任务演示方法，结合动作块划分和变量合规性控制的方法，提高了刚性机器人的灵活适应性和安全性。

    Jun, 2024

  • 人类演示的抓取任务

    本篇研究报告介绍了一种学习从人类示范中获得机器人抓取技能的方法，该方法使用深度强化学习技术通过接触网奖励和领域随机化机制使机器人具有稳健的模仿抓取技能并能在具有不确定性的物体状态和形状中执行。

    Mar, 2022

  • 机器人从示范中强化学习处理可变形食品物体

    本文提出了一种基于示教学习（LfD）的鲁棒学习策略，用于机器人抓取食品可变形物体，通过 RGB-D 图像和触觉数据的融合来实现有效的机器人操纵，验证并证明了该方法在脆弱和可变形食品物体领域具有广泛的潜在应用。

    Sep, 2023