Oct, 2023

援手的价值

PDF
TL;DR在真实环境中，一个机器人被赋予了一个抓取物体的任务，但不知道物体的确切位置。相反，机器人依靠对位置的概率估计来决定如何尝试抓取。我们提供了一种新颖的辅助价值（Value of Assistance，VOA）度量方式，用于评估一次特定观测对机器人成功完成抓取任务的预期影响。因此，VOA 支持决定哪种感知行为对抓取任务最有益。我们在仿真和真实世界的机器人环境中评估了我们提出的度量方式。
robotgraspingpose estimationvalue of assistancesensing action
发现论文，激发创造
  • 移动代理的协助价值

    移动机器人代理通常遭受随时间和移动增长的定位不确定性，这可能妨碍其完成任务。在某些情况下，可以执行辅助操作来减少对机器人位置的不确定性。为了支持对代理进行决策以及决定在团队中帮助哪个代理，有必要提出有原则的方法。为此，我们提出了协助价值 (VOA) 来表示在执行的某一点上协助将产生的预期成本降低。我们提供了基于高斯过程模型机器人未来不确定性估计的计算 VOA 的方法。我们指定了 VOA 测量值有效的条件，并在模拟和实际机器人环境中实证了我们测量值预测代理接收协助时的平均成本降低能力。

    Aug, 2023

  • 学习使用视觉和触觉抓取和重新抓取

    本论文提出了一个基于深度学习的端到端操作条件模型，通过学习来自 GelSight 传感器的神经张量图像的触觉和视觉数据，从而使机器人学会了如何使用触觉信息来调整其抓取力度，以达到高效的抓取。

    May, 2018

  • 基于视觉的机器人手爪抓取技术综述：从物体定位、姿态估计到夹爪预测

    本文针对基于视觉的机器人抓取进行了综合调查，总结了视觉基于机器人抓取的三个关键任务：物体定位、物体位姿估计和抓取估计，并详细介绍了这些任务中的传统方法和最新的基于 RGB-D 图像输入的深度学习方法，并总结了相关数据集和最先进方法之间的比较，同时也指出了视觉基于机器人抓取面临的挑战和未来方向。

    May, 2019

  • 基于属性的机器人抓取与单次抓取适应性

    本文提出了一种基于属性的机器人抓取的端到端学习方法，利用门控 - 注意力机制融合了工作空间图像和查询文本的嵌入，学习预测实例抓取可行性，并利用抓取前后的对象持久性学习了视觉和文本属性的联合度量空间。模型在模拟中自我监督，可推广到新的对象和真实场景，并演示了只用一个抓取数据即可适应新对象的能力。在未知对象上，实验结果表明，我们的方法实现了超过 80％的实例抓取成功率，优于几个基准模型。

    Apr, 2021

  • GAMMA: 基于在线抓取姿态融合的感知移动操作策略学习

    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。

    Sep, 2023

  • 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

  • 从游戏中学习可操作性以实现高效策略学习

    提出一种从人类遥操作的游戏数据中提取自我监督的视觉管用模型，并将其与基于模型的策略学习和基于模型的强化学习相结合，以实现有效的策略学习和运动规划，从而实现在人类环境中运作的机器人的高效操作。

    Mar, 2022

  • 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

  • 通过增强现实远程操作系统进行示教的自监督六自由度机器人抓取

    通过增强现实（AR）远程操作系统，我们提出了一种自我监督的 6-DoF 抓取姿势检测框架，能够高效地学习人类示范，并提供不需要抓取姿势注释的 6-DoF 抓取姿势，实现了对未知物体进行仅仅通过三次示范就能够满意地学习抓取的能力。

    Apr, 2024

  • 指导机器人探索的视觉可供性预测

    通过学习视觉契合来指导机器人探索，并使用基于 Transformer 的模型来学习 VQ-VAE 潜在嵌入空间中条件分布，从而展现模型的组合泛化能力。训练完成的契合模型可用于机器人操作策略学习中的目标抽样分布。

    May, 2023