本论文提出一种基于无标注训练数据的方法,结合深度动作条件视频预测模型和模型预测控制,使真实机器人能够进行非抓取操作,比如推动物体,并且可以处理训练过程中没有出现过的新物体。
Oct, 2016
该研究旨在通过直接进行视频预测来实现自监督机器人学习,通过引入具有时间跳转连接的视频预测模型和新颖的规划准则和行动空间公式,研究表明该模型在机器人操作中具有很好的性能。
Oct, 2017
我们通过联合不同的自监督模型来构建一个定制模型,以解决智能机器人通过镜子观察自身并学习从图像中检测自己身体的 3D 姿势的问题。我们展示了该方法的实例,并通过对模型的部署进行了较全面的研究和评估,以提高模型的性能和调整超参数。
Nov, 2023
研究自模型对于提高机器人系统的成效,发现自模型在机器人自学成本高的情况下效果显著,这个结果可能有助于解决动物和人自我认知的起源问题。
Sep, 2022
通过强化学习在模拟环境中训练机器人并结合补充奖励策略,与真实机器人进行进一步的微调来优化探索策略,实验结果表明,这种相互对齐的方法可以在真实和模拟环境中实现更好的性能。
Jul, 2017
本文描述了通过使用自我识别算法的方法,人造机器人可以通过镜子识别自己并将自己的行为与其他实体区分开来。该算法将主动推理理论模型与神经网络学习相结合,通过自由能最小化推理机体配置并累积证据进行自我识别。实验结果表明该算法在不同的初始条件下具有可靠性。
Apr, 2020
本研究通过与发展心理学家合作的定向实验,了解婴儿如何获得第一次的 “感觉 - 运动身体知识”,进而构建具有传感器官的计算模型,对多模态身体表示学习、适应和操作的机制进行研究,提出了自我接触和自我观察的办法,开发了一个校准工具箱,并在多个机器人平台上进行了实验验证,最终研究了周围空间与人类和机器人的安全合作的可能性。
Nov, 2022
这篇论文介绍了一个机器人系统,可以通过自主学习的方式进行物体位姿估计,并通过环境中的物体抓取或推动的交互方式持续收集数据并完善其位姿估计模块,从而提高对象分割和 6D 姿态估计的性能。
Sep, 2019
本研究旨在通过利用更强大的信息源和从现有数据中提取更多信息的方式,增加数据收集与维护流水线的效率,并着重解决模仿学习、领域自适应和从模拟中进行传输等三个正交方面的问题。
Apr, 2019
通过模仿学习,我们能够快速理解一个新任务,通过演示,我们可以直接获得哪些动作需要执行以及它们的目标的知识。本文介绍了一种新的模仿学习方法,解决了机器人模仿人类所面临的视角变化和身体模式等挑战。我们的方法可以利用单个人类演示来抽象展示任务的信息,并利用该信息进行泛化和复制。我们通过两种最先进的方法进行了新的集成:扩散式动作分割模型用于抽象演示的时间信息,以及开放词汇对象检测器用于空间信息。此外,我们通过符号推理来改进抽象的信息,并利用逆向运动学创建行动计划,以使机器人能够模仿演示的动作。
Jan, 2024