Sep, 2023

学习无标记可变形线性物体的准静态三维模型，用于双手机器人操纵

PDF
TL;DR通过分析多个学习型三维模型来塑造可变形直线物体（DLO）的行为，本文提出了一种基于 Transformer 架构的新模型，并引入了数据增强技术以提高预测性能。在实验证明了这些学习型三维模型在塑造 DLO 任务中的适用性。
robotic manipulationdeformable linear objectslearning-based 3d modelstransformer architecturedata augmentation technique
发现论文，激发创造
  • DexDLO: 学习针对性目标的动态变形线性物体的巧妙操作策略

    Deformable linear object manipulation using an anthropomorphic hand is explored through the DexDLO framework, which learns dexterous dynamic manipulation policies and performs various tasks such as grabbing, pulling, and end-tip position control, demonstrated through the Mujoco physics simulator.

    Dec, 2023

  • DeformerNet: 学习三维可变形物体的双手操作

    该研究论文介绍了一种新的神经网络结构 DeformerNet，可以帮助机器人处理和变形 3D 有弹性物体的操作，从而可靠地完成手术子任务，无需事先制作特定形状。

    May, 2023

  • 利用 Contrastive Estimation 学习变形物体的预测表示

    本研究提出了一种新的学习框架，使用对比估计来同时优化可视化表达模型和动态模型，在随机扰动变形对象并收集了模拟数据后，离线学习这些对象的潜在动态模型，随后使用简单的模型规划来解决具有挑战性的变形对象操纵任务，实验结果表明其性能优于传统模型学习技术，并通过域随机化将其可视化操纵策略从模拟数据成功地迁移到现实中的 PR2 机器人中。

    Mar, 2020

  • 深度动态模型用于学习灵巧操作

    本文介绍了一种在线规划深度动力学模型的方法，通过这种方法，使用少量真实世界的数据即可进行柔性接触的灵巧操作技能的有效学习，并成功应用于 24 个自由度类人手上。

    Sep, 2019

  • SculptBot: 三维可变形物体操纵的预训练模型

    通过使用点云作为状态表示并利用预训练的点云重建 Transformer 学习潜在动力学模型，我们提出了一种系统来解决可变形物体操纵中的挑战，进而应用于机器人雕塑任务。我们设计了一种新颖的动作采样算法，通过推理点云之间的几何差异进一步提高了基于模型的规划器的效率。所有的数据和实验都在真实世界中进行。我们的实验证明，所提出的系统能够成功地捕捉到黏土的动力学，并能够创建各种简单的形状。

    Sep, 2023

  • MoDA: 从日常视频中建模可变形三维物体

    本文介绍了针对从日常视频中建立变形 3D 对象的过程中遇到的挑战，提出了一种新的神经双四元混合蒙皮（NeuDBS）以及一个纹理滤波方法用于纹理渲染来提高建立人和动物 3D 模型的定量和定性性能。

    Apr, 2023

  • 制作一个甜甜圈：零样本变形物体操作的语言引导层次 EMD 空间规划

    这项研究介绍了一种无需演示的层次规划方法，能够处理复杂的长期任务，并展示了在面对新颖和以前未遇到的复杂任务时，模型具备强大的泛化能力。

    Nov, 2023

  • 基于 Koopman 的深度学习动态运动原理

    提出了一个新方法，通过结合 Koopman 操作符和动态运动原理与示教学习，将非线性动力系统投影到线性潜在空间中，从而实现复杂动作的解决方案。

    Dec, 2023

  • VoxPoser：使用语言模型构建可组合的三维价值地图，实现机器人操作

    使用大型语言模型综合视觉 - 语言模型，生成适用于各种机器人操作的闭环轨迹。

    Jul, 2023

  • 可变形物体操作的仿真增强学习

    采用最先进的深度强化学习算法，通过领域随机化，在仿真环境中训练代理程序以解决可变形物体操作问题，并成功将其部署在实际工作中。

    Jun, 2018