Feb, 2024

PoCo: 来自和为异构机器人学习的政策组合

PDF
TL;DR从异构数据中训练通用机器人策略，使用 Policy Composition 方法将不同模态和领域的数据结合起来，学习场景级和任务级的广义操作技能，实现对多任务操作的灵活综合和推理时策略行为的自适应。在模拟和真实世界实验中，该组合策略在不同场景和任务下实现了稳健和灵巧的性能，并优于单个数据源的基线结果。
robotic policiesheterogeneous datapolicy compositiongeneralized manipulation skillstool-use tasks
发现论文，激发创造
  • 通过组合泛化实现机器人操作的高效数据收集

    通过大规模机器人数据收集，研究表明，在考虑环境因素的情况下利用组合性训练数据，可以更好地提高机器人政策的泛化能力，从而避免收集针对特定情况的数据。

    Mar, 2024

  • Polybot：在接纳变异性的同时，为多个机器人训练一个策略

    通过重新使用大型数据集，提出在多个机器人平台上训练单一策略的关键设计决策，通过对视觉和动作空间的对齐以及对内部表示的对齐来解决机器人平台之间的领域差异，验证了该方法在不同机器人上收集的新任务数据中成功率和样本效率的显著提升。

    Jul, 2023

  • 控制任务组合泛化的策略架构

    该研究提出了一种基于任务实体组成结构的框架和适当的策略设计，旨在解决通过目标配置来规范控制、机器人和规划的任务，此策略运用 Deep Sets 和 Self Attention 等结构，在模拟机器人操作任务的训练中，成功率更高且泛化能力更强。

    Mar, 2022

  • RH20T: 用于一次学习多样技能的机器人数据集

    本研究旨在解锁机器人实现多模感知的能力，以通过单次模仿学习技术普及各种真实世界技能，通过收集千万级别的真实世界接触式机器人操作记录构建的开源数据集提高任务和动作规划的性能。

    Jul, 2023

  • RH20T-P：面向可组合泛化智能体的原始级机器人数据集

    我们提出了一个原始级别的机器人数据集 RH20T-P，其中包含约 33000 个视频剪辑，涵盖了 44 个多样且复杂的机器人任务，为模块化泛化代理的未来发展提供了便利。

    Mar, 2024

  • 桥接数据：用跨领域数据集提升机器人技能的泛化能力

    本文旨在探索在机器人技能学习中实现实用的数据重用，通过使用包含多个任务和多个领域的多样化数据集进行训练，研究表明这种方法可以大大提高机器人在未曾见过的领域和任务中的成功率，大大降低了对采集昂贵的新数据集的需求。

    Sep, 2021

  • 学习生成增强图像用于模拟到真实场景的策略迁移

    本文探讨在模拟环境中学习机器人操作策略的方法，通过使用深度图像数据的随机扩增策略，实现了在非真实场景下学习并获得了验证。

    Mar, 2019

  • 跨领域政策迁移的综合调查和实例研究

    通过对现有跨域策略转移方法进行系统审查，我们对每个问题设置的总体见解和设计考虑进行了细致的分类，并对跨域策略转移问题中使用的关键方法进行了高层次讨论。最后，我们总结了当前范式能力之外的开放挑战，并讨论了该领域可能的未来发展方向。

    Feb, 2024

  • 使用深度强化学习组合无关任务的策略

    本文介绍了一种基于深度强化学习的技能转移和组合方法，该方法将智能体的原始策略应用到解决未知任务中，并可在高数据效率下解决需要任务规划和动作控制的挑战性环境。

    May, 2019

  • 任务控制下的复合动作学习

    本文提出了一个深度学习方法，用于对物理模拟角色的复合和任务驱动运动控制，该方法使用多个鉴别器在 GAN 类似的设置中直接同时从多个参考运动中为特定身体部位学习解耦运动。

    May, 2023