Nov, 2023

通过信念空间控制学习主动触觉感知

PDF
TL;DR机器人在开放环境中操作时，会遇到未知的物理特性的新对象，需要通过交互来感知这些特性，并利用生成的世界模型来估计物体的物理参数，并开发一种信息收集模型预测控制器，以自主学习触觉探索策略。我们的研究在虚拟环境中评估了这种方法，发现我们的方法能够以直观的方式高效地收集关于所需特性的信息。最后，我们在真实机器人系统上验证了我们的方法，成功地从零开始学习和执行信息收集策略以估计物体的高度。
robottactile explorationphysical propertiesinformation-gatheringobject property estimation
发现论文，激发创造
  • AcTExplore：未知物体上的主动触觉探索

    利用强化学习驱动的主动触觉探索方法，通过有限步骤对物体进行重新构建，从而更好地理解物体结构并获取三维形状的表示，为机器人抓取和操作等基础任务提供有效的解决方案。

    Oct, 2023

  • 多模态生成模型学习直觉物理学

    本文提出了一种感知框架，通过融合视觉和触觉反馈来预测动态场景中物体的运动，该框架利用一种新型的 STS 传感器来捕捉物体的视觉外观和触觉特性，利用多模态 VAE 将两种模态结合起来，可以推断未来物理交互的结果。

    Jan, 2021

  • 通过机器人操作和物体测量数据库实现物体属性的交互学习

    该研究提出了一种通过机器人操控和物体测量数据库自动提取物理物体属性（如材料组成、质量、体积和刚度）的框架。实验评估表明，与基线相比，该算法选择有效的探索动作，并在没有更多学习空间时正确终止实验。

    Apr, 2024

  • 高效机器人操作技能获取的触觉主动推理增强学习

    提出了一种名为触觉主动推理强化学习（Tactile Active Inference Reinforcement Learning，Tactile-AIRL）的机器人操作技能学习新方法，通过整合基于模型的技术和内在好奇心进入强化学习过程，有效提高算法的训练效率和对稀疏奖励的适应能力，并利用视觉触觉传感器提供详细的感知，通过自由能最小化进行想象和规划，证明了该方法在非抓取物体推动任务中取得了显著的高训练效率，使智能体在密集和稀疏奖励任务中优秀表现，几次交互即可超越基准模型，并通过螺纹拧紧任务进行了物理实验，展示了算法的快速学习能力和在实际应用中的潜力。

    Nov, 2023

  • 使用引导式策略搜索学习接触丰富型操作技能

    本文介绍了一种用于学习具有高度通用策略表示的动态操作行为的新方法，该方法可以扩展最近开发的策略搜索方法，并使用迭代重新拟合的时间变化线性模型来学习所需运动技能的一组轨迹，然后将这些轨迹统一到一个单一的控制策略中。

    Jan, 2015

  • TIAGo RL：移动机器人的模拟强化学习环境与触觉数据

    本研究通过深度强化学习技术在机器人领域实现了触觉信息处理、迁移学习、以及力控制等方面的初步成果。

    Nov, 2023

  • 基于视觉和触觉数据的触觉理解深度学习

    本文提出了一种方法，通过视觉和物理交互数据分类表面，以使机器人更好地了解物体的触觉特性；通过统一学习物理交互和视觉观察特征的方法，使用深度神经网络模型实现更准确的触觉分类。

    Nov, 2015

  • RoboPack: 学习基于触觉信息的密集装箱动力学模型

    利用视触知觉感知和深度学习的方法来进行机器人操作，其中结合了视触反馈，通过学习神经网络模型进行物体状态估计和未来状态预测。通过使用真实世界的数据进行训练，该模型可以在在线适应中进行触觉信息驱动的预测，具有较强的有效性。

    Jul, 2024

  • 接触筛选：零件匹配的交互式触觉感知

    本文章提出了一种使用基于视觉的触觉传感器进行交互式感知的方法，其中训练了一个深度神经网络来预测任意形状的零件的概率对应关系，并设计了一个粒子滤波器来优化感知任务并提高机器人操作的效率。

    Mar, 2023

  • 使用参数化操作基元学习外在灵巧性

    通过学习层次化强化学习，我们能够利用环境改变目标物体的姿态，无需物体检测、姿态估计或手动设计控制器，从而成功地完成 98% 的实验任务。

    Oct, 2023