Oct, 2023

人机协同任务和运动规划的仿真学习

PDF
TL;DR这篇论文介绍了一种新颖的人机交互任务与动作规划系统 (HITL-TAMP)，它通过结合模仿学习和自动规划的优势，实现了由人类远程操作员管理机器人团队的功能，提高了数据收集效率，并在接触密集任务上训练出了出色的性能。
imitation learningtask and motion planninghuman-in-the-looptamp-gated policycontact-rich tasks
发现论文，激发创造
  • 使用视觉动作转换器模拟任务与运动规划

    该论文提出了一种新的模仿学习系统 OPTIMUS，通过模仿 TAMP 代理来训练大规模视觉运动装置策略，从而介绍了一种专门为模仿学习策划的 TAMP 数据生成流程，并演示了 OPTIMUS 可以解决各种挑战性的基于视觉的操作任务。

    May, 2023

  • 基于优化的任务和动作规划综述：从经典到学习方法

    任务和运动规划（TAMP）综述了基于优化的 TAMP 的规划领域表示、解决方法以及逻辑规划和模型优化之间的相互作用等内容，并强调高效解决 TAMP 的算法结构，包括分层和分布式方法，并突出了经典方法与当代大语言模型等学习创新之间的协同性，并讨论了 TAMP 的未来研究方向和应用挑战。

    Apr, 2024

  • AutoTAMP: 基于 LLMs 的自回归任务和运动规划

    该研究提出了一种基于大型语言模型和任务运动规划的方法，以实现机器人对自然语言任务描述的理解和执行。该方法可以检测并纠正语法和语义错误，并在复杂任务领域中优于使用大型语言模型作为规划器的其他方法。

    Jun, 2023

  • 使用远程遥操作的人在循环中模仿学习

    本文介绍使用干预性策略学习的方法来解决机器人操作任务中必须经过精确定序的地方的问题，提出一种 6 自由度机器人操作任务的数据采集系统，并开发了一个简单而有效的算法来收集新数据以遍历通过这些难点，使用干预策略学习的代理在机器人的线路穿线任务和制造咖啡任务中的表现优于其他多种基线算法。

    Dec, 2020

  • 任务与动作规划的具身终身学习

    提出了一个新颖的机器人终身学习问题模型，通过对任务和运动规划（TAMP）的学习利用模块化的方法设计生成混合模型，并根据辅助任务确定在线上使用共享或非共享模型，解决了数据如何在任务模型之间共享的问题。该方法在 2D 领域的模拟和 BEHAVIOR 基准测试中的实验中均实现了显著的规划成功率提升。

    Jul, 2023

  • 集成任务和动作规划

    本文介绍了一类机器人任务运动规划问题，并概述了解决它们的算法，着重介绍了解决连续空间子问题的策略和整合搜索过程中离散与连续部分的技术。

    Oct, 2020

  • NOD-TAMP: 多步操作规划与神经对象描述符

    通过提取人类示范的短时间操纵轨迹，使用神经目标描述符进行适应性处理，并将其组合以解决广泛的长期任务，我们的提出的基于 TAMP 的 NOD-TAMP 框架有效地解决了各种挑战，并在模拟环境中胜过现有方法，为操纵规划建立了一个有机的框架。

    Nov, 2023

  • 指导技能学习和抽象以实现长远操纵

    LEAGUE 是一种集成任务计划和技能学习框架，利用任务计划器的符号界面指导基于深度强化学习的技能学习，同时创建抽象状态空间以实现技能重用，并可以在任务计划系统内学习操作技能，不断提高其能力并解决更多任务。

    Oct, 2022

  • 几何任务与运动规划的表示、学习和规划算法

    该论文介绍了一种用于引导几何任务和运动计划（GTAMP）的学习框架，它通过引入新颖的 planner 来扩展启发式搜索与随机采样和启发式函数相结合，以解决 GTAMP 问题中的困难，并提出了两种学习算法以提高其效率。该框架在挑战性的 GTAMP 问题中进行了评估，显示它能够提高计划的效率和数据效率。

    Mar, 2022

  • LLM^3：基于大型语言模型的任务与动作规划及运动失败推理

    LLM^3 是一种基于大型语言模型（LLM）的全新的任务和运动规划（TAMP）框架，具有领域无关的接口，利用预训练的 LLM 的强大推理和规划能力来提出符号动作序列并选择运动规划的连续动作参数，并通过提示将运动规划反馈到 LLM 中，从而通过对运动失败进行推理来不断改进提案，解决 TAMP 问题，选择行动参数的有效性得到定量证明，并在实际应用中对物理机械臂进行定性实验。

    Mar, 2024