本文介绍了通过使用合成数据集和虚拟场景来加速自主导航系统的开发的方法及其在农业领域的应用。

Jun, 2023

在自主导航的地面机器人领域，现有的研究大多使用真实感的动力学和感知模型，而本篇论文致力于通过在仿真环境中进行端到端的训练，减小模型在现实机器人平台上的差距，并取得了显著的性能和稳健性的提升。

Jan, 2024

对于已经收获的番茄藤条的自动称重和包装存在困难，本文提出了一种方法，通过深度学习视觉系统首先识别存储和运输中以杂乱方式堆放的木箱中的番茄藤条，然后确定适合的抓取位置，并采用在线学习能力的抓取姿势排序算法选择最有前景的抓取姿势，从而实现无需触摸传感器或几何模型的夹持抓取操作，实验结果表明，在实验室测试中，配备了 RGB-D 相机的机械臂机器人能够完全清除堆叠中的所有番茄藤条，93% 的藤条在第一次尝试中成功抓取，而剩下的 7% 需要多次尝试。

Sep, 2023

人工智能的近期发展大多受到规模化的推动。在机器人学中，规模化受到获取大规模机器人数据集的限制。我们提倡使用逼真的物理仿真作为扩展环境、任务和数据集以用于机器人学习方法。我们提出了一个名为 RoboCasa 的大规模仿真框架，用于在日常环境中训练通用型机器人。RoboCasa 以厨房环境为重点，具备逼真和多样化的场景。我们提供了数千个 3D 物体，涵盖 150 多个物体类别和数十个可交互的家具和电器。我们利用生成式人工智能工具来丰富仿真的逼真度和多样性，如使用文本生成 3D 模型的物体和使用文本生成环境纹理的模型。我们设计了一套包含 100 个任务的系统评估，其中包括由大型语言模型引导生成的复合任务。为了便于学习，我们提供高质量的人类演示，并整合自动化轨迹生成方法，以最小化人力负担大幅扩展数据集。我们的实验显示，使用合成生成的机器人数据进行大规模的模仿学习呈现出明显的规模化趋势，并在利用仿真数据进行真实任务中表现出巨大潜力。视频和开源代码可在此 https 网址上获取。

Jun, 2024

介绍了一个基于模拟环境的交互式和具身视觉 AI 研究平台 RoboTHOR，为解决模拟到真实世界的模型迁移问题提供了可能，为全球的研究者提供了一个远程测试具身模型的平台，并自举了实验结果表明，在模拟与物理世界中测试的模型训练性能存在显著差异，可能成为视觉计算的下一个发展阶段。

Apr, 2020

设计并进行实验，展示了一款称为农业应用机器人 (AAR) 的轻型、太阳能电动的智能地面机器人，其使用智能感知进行植物的检测和分类，在半自主的情况下可以对低矮蔬菜进行各种操作，如除草、施肥、喷洒杀虫剂等，并提供了对未来研究的有用信息。

Aug, 2022

本研究介绍了一个基于 Robot Operating System (ROS) 和 Gazebo simulator 的 OpenAI Gym 扩展版本，讨论了所提出的软件架构和使用 Q-Learning 和 Sarsa 两种强化学习算法所获得的结果，并提供了一个基准系统，用于在相同的虚拟条件下比较不同的技术和算法。

Aug, 2016

本文提出了一种基于实体机器人和物理模拟引擎相结合的 Real2Sim2Real 方法，可以在有限的数据下训练物理模拟引擎以发现转移的运动策略，并通过采用轨迹分段技术，计算接触点的非零梯度，并避免了训练过程中的梯度评估冲突。该方法在三根杆条张力机器人中得到了证明和评估

Sep, 2022

本文介绍了一种简单的方法来解决在模拟训练中的现实差距问题。通过在训练过程中随机化模拟器的动力学，我们能够开发出适应非常不同的动力学的策略，并且使其在真实世界中推广而不需要在物理系统上进行训练。在机器人控制方面，我们的方法在物体推动任务上表现出了很好的性能。

Oct, 2017

DeepSim 是一个 ROS 和 Gazebo 强化学习环境构建工具包，使机器学习或强化学习研究人员能够访问机器人领域并在 ROS 和 Gazebo 模拟环境中创建复杂和有挑战性的自定义任务。本工具包提供了高级功能的构建模块，如碰撞检测、行为控制、领域随机化、生成器等等。DeepSim 通过提供 Python 接口，旨在减少机器人和机器学习社区之间的边界。我们在本文中讨论了 DeepSim 工具包的组件和设计决策。

May, 2022