Sep, 2023

GAMMA: 基于在线抓取姿态融合的感知移动操作策略学习

PDF
TL;DR提出了一种基于在线抓取姿势融合的可抓取性感知移动操作方法，用于在接近目标并抓取时有效观察目标，通过通过在线整理抓取姿势，消除冗余和异常值，并将其编码为一个抓取姿势观察状态，用于强化学习。此外，实时融合抓取姿势可直接评估抓握可行性，包括抓握姿势的数量和质量。
发现论文，激发创造
  • 移动操作的主动感知运动生成

    通过主动感知管道，我们在移动机器人中引入一种能够在未知、杂乱环境中进行抓取等操作的机器人运动生成方法，通过最大化视觉信息增益和任务目标达成的效率来权衡重构未知场景，以及实现了我们的移动抓取策略在真实世界中的传递。

    Sep, 2023

  • 规划机器人放置以进行物体抓取

    通过利用机器人的可达性、环境的 RGB-D 图像和占用栅格图，提出了一种服务机器人工作流中的机器人位置选择算法，通过选择机器人位置以实现成功抓取目标对象，从而与现有的基线实现相比，改善了机器人在具有挑战性位置上抓取目标物体的能力。

    May, 2024

  • D-Grasp：手 - 物互动中物理合理的动态抓取合成

    研究了利用强化学习和物理模拟方法实现动态抓取合成任务，将该任务分解为底层抓取和高层运动合成，并生成逼真的人类手部运动序列

    Dec, 2021

  • ManiPose：机器人中姿态感知物体操作的全面基准

    ManiPose 是一个旨在推进姿势多变的操作任务研究的开创性基准，它包含模拟环境、数据集和基准，并在姿势估计、姿势感知操作和真实机器人技能迁移等方面取得了显著进展。

    Mar, 2024

  • 使用参数化操作基元学习外在灵巧性

    通过学习层次化强化学习，我们能够利用环境改变目标物体的姿态，无需物体检测、姿态估计或手动设计控制器，从而成功地完成 98% 的实验任务。

    Oct, 2023

  • 学习抓握：从某处到任何地方

    通过使用 RGB-D 数据流和视觉技术，本研究提出了一种自动生成并适应新物体姿态的抓取轨迹的方法，通过将轨迹相对于物体框架进行投影，实现了在多个不同机器人设置和物体上的抓取任务的高效执行。

    Oct, 2023

  • SPIN: 同时感知、交互与导航

    通过使用主动视觉系统来有意识地感知和应对环境，我们开发了一种移动操纵框架，该框架利用移动机械手的能力来移动和观察，从而能够在复杂混乱的场景中导航并展示灵活的全身协调，而无需创建环境地图。

    May, 2024

  • 机器人移动操作的可达性行为先验学习

    本文提出了一种混合强化学习算法和机器人可达性先验方法，加速了移动操作系统的学习速度，提高了机器人应对现实环境中的任务的表现。

    Mar, 2022

  • 全身移动操纵的因果策略梯度

    本文介绍了新的 MoMa 框架 ——Causal MoMa，采用因果策略学习过程，自动发现行为之间的因果依赖，并在不同类型的仿真机器人及真实机器人上取得成功。

    May, 2023

  • 深度学习方法在抓取无形对象方面的应用

    本篇论文提出了一种基于深度学习的批判 - 策略方法来解决机器人操作中的困难问题，该问题需要通过一系列推进和抓取动作来捕捉最初看不见的目标物体，并通过自我监督学习的方式进行训练。

    Sep, 2019