机械臂模拟中进行石头跳跃操作
该论文讨论了如何通过在模拟中训练四足机器人学习步行和使用前腿攀爬墙壁、按按钮、与物品交互等技能,并通过行为树将这些技能结合起来执行任务,并使用分阶段的课程和 sim2real 变体在现实世界中应用这些技能。
Mar, 2023
传统的轮式机器人不能穿越科学上有趣但危险的洞穴环境。通过多肢爬行机器人设计(如 ReachBot),我们能够抓住不规则表面特征并执行攀爬动作以克服障碍,前提是有合适的抓取位置。为了支持抓取位置的识别,我们提出了一种检测岩石裂缝和边缘的方法,即 “骨架交叉损失”(SKIL)。SKIL 是一种专为薄物体分割而设计的损失函数,利用标签的骨架结构。我们收集了一组岩石面图像,并进行了手动注释和数据增强。我们还提出了一组新的度量指标 “LineAcc”,用于薄物体分割,以最小化物体宽度对得分的影响。此外,该度量指标对平移不太敏感,这在计算传统的 Dice 等经典度量指标时常常会导致得分为零。我们的精调模型在类似的薄物体分割任务(如血管分割)上优于先前的方法,并展现了与机器人系统的集成的潜力。
Sep, 2023
本文介绍了一种通过虚拟现实人类任务演示自动生成可执行机器人控制程序的系统,利用常识知识和基于游戏引擎的物理,以及自动路径规划和代码生成,实现了具有表现力和通用性的任务表示,在强力抓取和放置机器人购物助手的场景中进行了演示。
Jun, 2023
该研究报告表明,使用一个低成本机器人具备不精确的驱动和单一前置深度摄像头来感知低频、抖动、容易产生伪影的情况下,采用一个单一的神经网络算法模型通过在模拟环境进行大规模强化学习训练,可以实现端到端的高精准控制行为,从而使机器人能够以超过自身尺寸两倍的高度跳跃障碍物、跨越两倍长度的缝隙、做手倒立和奔跑在倾斜的坡道上,并具有在具有不同物理特性的新颖障碍课程中的泛化能力。
Sep, 2023
利用 GPU 模拟技术和模仿学习指导策略搜索以使强化学习培训可在高维机器人手表现复杂控制问题的领域中成为可能,最终演示了并行强化学习和模仿学习的互补优势和优秀的验证结果。
Dec, 2022
本研究使用一种修改自然策略梯度算法的模型,通过模拟学习并训练,成功将自主控制策略从虚拟系统转移到由三个机器人组成的物理系统中,并证明使用多个模型训练可以使学习到的策略更加稳健,从而弥补了系统识别的困难。
Mar, 2018
通过利用少量真实世界数据来自动完善模拟模型并规划准确的控制策略,在多个具有挑战性的机器人操作任务中,我们展示了这种模式对识别关节、质量和其他物理参数的有效性,并且说明了只需少量真实世界数据即可进行有效的模拟到真实世界的转换。
Apr, 2024
该研究论文探讨了灵活制造、工业 4.0 和高混合低容量任务所需的机器人编程解决方案,并展示了如何使用知识表示、任务规划和基于输入参数的技能实现的自动选择,在不同的环境中执行具有接触性擦拭任务的单一机器人技能。
Aug, 2023
本文提出了一种新的机器人操作方法,该方法利用了物体本身的运动学习,通过使用物理模拟器中的对象运动策略生成辅助奖励,称为模拟运动演示奖励(SLDRs),该方法可以在不需要人类演示或昂贵成本的情况下,通过强化学习来掌握机器人操作技能,从而实现多物体堆放和非刚性物体操作等任务的更高成功率和更快学习。
Oct, 2019