Jan, 2024

傅立叶传输器：三维双等变机器人操作

PDF
TL;DR利用傅里叶转换器在复杂机器人操作任务中提高样本效率，通过训练和预测新环境下的拾取 - 放置动作来实现开环行为克隆方法，并独立考虑拾取和放置动作的对称性，取得了在 RLbench 基准测试中的最新成果。
robotic manipulation tasksfourier transportersample efficiencysymmetriesrlbench benchmark
发现论文，激发创造
  • 运输网络：为机器人操作重构视觉世界

    本文提出了 Transporter Network，一种简单的模型体系结构，它可以重新排列深层特征以从视觉输入中推断出空间位移，使得机器人的行动具有参数化，是一种可以表示复杂的多模式策略分布并推广到多步顺序任务的方法，并且采样效率比基准方法快数个数量级。

    Oct, 2020

  • 利用对称性的提取和放置

    研究了平面机器人拾取和放置中的对称性，并提出了将等变神经模型融入 Transporter Net 的方法，以捕捉所有对称性。经实证评估，新模型比非对称版本更高效，并能在各种模仿学习任务中以很少的人类示范来模仿拾取和放置行为。

    Aug, 2023

  • 运输器视觉前瞻解决未知重新排列任务

    本文提出了一种基于图像的任务规划方法，称为具有视觉预见的运输器，旨在解决智能机器人操作中的重新排列任务。通过多模态动作建议模块和 Goal-Conditioned Transporter Network 的学习，实现零样本通用性和高效学习。在模拟和真实机器人实验中，该方法以很少的数据量显著提高了任务的成功率。

    Feb, 2022

  • Graph-Transporter：面向目标驱动变形物体重新排列任务的基于图的学习方法

    通过用图形结构表示可变形物体的配置空间，使用图卷积网络对图进行编码并采用基于全卷积网络的体系结构，只从视觉输入中输出逐像素的采取和放置动作，以实现目标条件下的可变形物体重新排列任务。

    Feb, 2023

  • 使用目标条件传输网络学习重新排列可变电缆、织物和袋子

    本文介绍了一种将目标限制引入运输网络中的方法，利用该方法结合具有多阶段柔性物体操作任务而设计的一套模拟基准，成功实现了机器人对柔性物体的多样姿态操作。

    Dec, 2020

  • 傅立叶控制网络用于实时决策的具象学习

    通过在机器人轨迹的频域中提取和编码时变特征的短时傅里叶变换 (STFT)，傅里叶控制器网络 (FCNet) 实现了实时决策的并行训练和高效的循环推断，比传统方法如 Transformer 在各种大小的多环境机器人数据集上的效率和有效性更高。

    May, 2024

  • Diffusion-EDFs: SE (3) 上的双等变去噪生成建模，用于视觉机器人操作

    本文介绍了 Diffusion-EDFs，一种新颖的方法，将 SE (3)- 等变性（roto-translation equivariance）引入扩散生成模型中，展示出了卓越的数据效率，只需要 5 至 10 个任务演示进行有效的端到端训练，并且相比以前的基于扩散的操作方法，具有更好的泛化能力。

    Sep, 2023

  • ThreeDWorld 交通运输挑战：面向物理合理实体智能的视觉引导任务和动作规划基准

    介绍了三维仿真的机器人任务与动作规划基准测试的设计，通过对象的选择、拾取和运输，要求具有先进物理约束和规划任务的人工智能智能体能够在仿真环境中完成任务。实验结果表明，现有算法在此测试中需要进一步发展。

    Mar, 2021

  • FFRob: 利用符号规划实现高效的任务和运动规划

    介绍了 FFRob 算法，它使用 Extended Action Specification (EAS) 作为一般性的计划表示来支持任意谓词为条件。通过使用批量采样操纵基元和一个多查询路网结构来迭代离散化任务和运动规划问题，FFRob 可以有效地计算启发式，并结合几何和运动学规划约束，给出距离目标的紧密估计。同时，FFRob 也是概率上完备并且具有有限的期望运行时间。

    Aug, 2016

  • 观察与匹配：用规则化的最优输运算法增强模仿

    本文提出了一种基于正则化最优传输的模仿学习算法，结合了轨迹匹配奖励和行为克隆，大大提高了模仿学习的速度和效率，在 20 个视觉控制任务中的实验表明，比起之前的最先进方法，该算法可以平均快七倍，并且在真实世界的机器人操作中展现了高达 90% 的平均成功率。

    Jun, 2022