Oct, 2023

基于关键点集成的软动作者-评论高斯混合模型的机器人技能推广

HTML
PDF
TL;DR我们通过将模仿和强化学习范式相结合，开发了一种学习和适应技能的混合模型，通过学习动态系统的关键点，利用机器人在技能学习过程中的视觉观察，预测场景内的参考点，从而实现机器人在新环境中的零样本泛化能力和在目标环境中更快地优化技能的目标，同时能有效处理场景变化。
发现论文，激发创造
  • 基于模型的高斯过程演示学习

    本文提出了一种基于高斯混合回归的新型多输出高斯过程（MOGP）方法，利用MOGP 的协方差将从演示中检索的变异性捕获起来，使机器人能够精确跟踪经过点，同时在高变异地区保持的柔顺性。

    Oct, 2019

  • 学习机器人技能组合模型，用于任务和动作规划

    该研究旨在通过学习使用感知运动基元来解决复杂的长期规划操作问题，其需要将基本技能组合成新的技能来推广应用于广泛的问题中，同时使用高效的主动学习和采样方法，将学习和规划方法结合来规划各种复杂的动态操作任务。

    Jun, 2020

  • BC-Z：利用机器人模仿学习实现无需先学习任务的泛化

    本文旨在通过模仿学习的角度研究如何通过扩大数据采集并建立交互灵活的学习系统来促进基于视觉的机器人操作系统向新任务的泛化，当扩展真实机器人的数据采集到100个不同的任务时，我们发现此系统可以实现24个未见过的操作任务，平均成功率为44%。

    Feb, 2022

  • 基于基本技能先验的语言条件下的非结构化数据模仿学习

    本研究通过语言条件机器人操作来提高算法在适应不熟悉环境中的泛化能力。在模拟环境和真实世界中的测试中，实验证明该方法的平均完成任务长度比HULC方法提高多达2.5倍，并且在真实世界的测试中也取得了相当好的表现。

    May, 2023

  • Generative Pre-trained Heterogeneous Graph Transformer 学习面向目标的软物体操作技能

    SoftGPT是一种预训练软物体操纵技能学习模型，具有三维异质图表示和基于GPT的动力学模型，通过引入先前的知识，可以有效地学习各种软物体操纵技能，包括直接从人类演示中学习。

    Jun, 2023

  • 分解视觉机器人操作中的模仿学习普遍化差距

    模仿学习中泛化难题的困难源自于视觉机器人操作中的因素变化，作者研究了模拟仿真和实际机器人任务中不同因素的泛化难度，并设计了一个新的基准测试用来评估泛化效果。

    Jul, 2023

  • 多批评家技能学习

    我们提出了SLIM，一种多批评家学习方法，它通过在演员-评论家框架中优雅地结合多个奖励函数，显著提高了机器人操作的潜在变量技能发现，克服了可能干扰收敛到有用技能的奖励之间的干扰，并展示了在桌面操作中，我们方法在获得安全高效的运动基元方面的适用性，通过规划利用它们，大大超过了技能发现的现有方法。

    Feb, 2024

  • 模仿艺术：从少量示范学习长远视野的操纵任务

    通过使用任务参数化的高斯混合模型，本文解决了在实际环境中应用该模型所面临的三个挑战，包括非欧几里德的末端执行器速度建模、基于分割的技能识别和基于视觉观察的任务参数自动检测，取得了与当前最先进方法相比提高了20倍样本效率的最优性能。

    Jul, 2024

  • 基于局部轨迹调制的可泛化技能的互动增量学习

    本研究解决了学习示范中的泛化问题，特别是在运动原语的背景下。我们提出了一种互动模仿学习框架，同时利用轨迹分布的局部和全局调制，从而在模型准确性改善、任务中新增物体和在无示范区域扩展技能等方面取得显著效果。该方法在承载环加载任务中进行了评估，显示出其广泛的应用潜力。

    Sep, 2024

  • 使用大型模型进行物体相关模仿学习的关键点抽象

    本研究解决了机器人在多样化任务和环境中对新物体配置和实例的泛化挑战。提出的KALM框架利用大型预训练的视觉-语言模型自动生成任务相关且跨实例一致的关键点，从而提高机器人技能学习的效率。实验表明，该方法在真实环境中表现强劲，能够在少量演示的情况下适应不同的任务和环境，无需额外标签。

    Oct, 2024