Oct, 2023

DexCatch：学习利用灵巧手方式抓取任意物体

PDF
TL;DR我们提出了一种稳定约束强化学习算法（SCRL）来学习用灵巧的手抓取各种物体。该算法在基线算法上表现出色，并且学得的策略在未见物体上显示出强大的零样本迁移性能。值得注意的是，即使手中端面朝侧面的物体由于缺乏手掌的支持而极不稳定，我们的方法在最具挑战性的任务中仍然能够达到很高的成功率。可在补充网站上找到学习行为的视频演示和代码。
发现论文，激发创造
  • 动态移交：双手挥动和接住

    设计了一个系统，其中包含两只附着在机器人手臂上的多指手，用于解决机器人在高速操作、精确协作和与不同对象进行交互时面临的挑战。通过在模拟中使用多智能体强化学习训练，并进行 Sim2Real 转移以在真实机器人上实施，提供了多个创新算法设计，包括学习物体的轨迹预测模型，帮助机器人准确估计物体的移动方向并做出相应反应。通过在真实环境中使用多个物体进行实验，相较于多个基准线表现出显著改进。项目页面可在 https://binghao-huang.github.io/dynamic_handover/ 访问。

    Sep, 2023

  • 学习灵巧的手中操纵

    通过强化学习，我们使用模拟环境训练了一种可以使机器人手指进行多指协调、操纵物体并控制重力的新型算法，并且证明该算法可以成功地应用在实物机器人中，为机器人控制领域提供了新的解决方案。

    Aug, 2018

  • 利用物体中心的视觉可承受能力学习巧妙抓握

    本研究介绍了一种在深度强化学习循环中嵌入面向对象视觉助力模型的方法，以学习优先选择与人类喜欢的对象区域相同的抓握策略，实现对物体的灵活抓握能力。通过 40 个物体的实验，表明该方法可以显著提高抓握策略效能，泛化能力较强，比普通基线方法的训练速度更快，且更能适应噪声传感器。

    Sep, 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

  • 从人类抓握机会学习具有普适性的熟练操作

    本研究提出了使用大规模演示学习熟练操作多指手来处理机器人学中最具挑战性的问题。 主要采用人类抓握可行性模型生成 3D 物体演示，以实现策略的泛化。同时，本研究使用了新颖的模仿学习目标，以及几何表示学习目标，通过在仿真系统中重新定位多样的对象以证明本方法的有效性。

    Apr, 2022

  • TossingBot: 学习用剩余物理学抛掷任意物体

    研究机器人手臂是否能够学习快速准确地拾取和投掷任意物体。通过试验和错误，通过视觉观察从图像中推断控制参数，学习抓取和投掷运动基元之间的协同作用，并使用物理模拟器预测控制参数之上的残差。最终，形成了一个名为 TossingBot 的系统，能够将任意物体抓取并抛入其最大可达范围之外的盒子中，每小时平均进行 500 次拾取 (85% 的投掷准确率)，并能够泛化到新物体和目标位置。

    Mar, 2019

  • 基于图像的熟练操作：通过细化引导实现自主现实世界强化学习

    本文提出了一种基于视觉的程序自由编程的方法，利用强化学习实现复杂多指手势下的实物操作，无需手动建模或奖励工程。

    Dec, 2022

  • DexDeform: 通过人类演示和可微分物理实现灵巧的可变形物体操作

    本文提出了 DexDeform，这是一种从人类示范中抽象出熟练操作技能并通过可微分物理学进行改进的原则性框架，该框架旨在学习多指手指对可变形物体的熟练操作，并通过新颖的探索策略以及基于想象的行动计划来提高操作的成功率。

    Mar, 2023

  • 熟练操纵的约束强化学习

    本文研究了在 24 DOF 机器人手器学习使用约束策略优化来执行对象重定位任务，并发现在学习期间添加约束能确保机器人更快达到目标点，从而使其具有更加稳健和安全的行为能力。

    Jan, 2023

  • 学习基于评分的人类辅助灵巧抓取基元

    提出了一种新的人机辅助灵巧抓取任务，该任务旨在训练一个用于控制机器人手指来辅助用户抓取物体的策略。通过提出 Grasping Gradient Field（GraspGF）和基于历史的剩余策略，解决了用户意图多样性和物体几何形状的挑战，实验证明了该方法在实际应用中的用户感知和实用性的优越性。

    Sep, 2023