Feb, 2024

学习用于笛卡尔机器人的双臂物体重新排列

PDF
TL;DR本研究针对工业机器人中的双臂物体重排问题，提出了一种基于强化学习和注意力网络的任务指派策略，实现了最小化任务执行时间和最大化双臂协作效率，实验结果表明该方法在总执行时间和计算效率方面优于传统方法，并且在不同物体数量下的推广性得到了验证。
dual-arm object rearrangementtask assignment strategyreinforcement learningattention-based networkcomputational efficiency
发现论文，激发创造
  • 双臂桌面物体重排的高效任务规划

    研究使用两个机器臂解决多物体重新排列的问题，并开发了有效的任务规划算法来安排拾取和放置序列，以节省时间和提高效率。

    Jul, 2022

  • 部分可观测映射环境下多目标重新排列规划的有效基线

    在具有局部可观测性限制的多对象重新排列问题中，模块化贪心算法能够表现出优异的性能，为未来的部分可见多对象重新排列问题规划提供了强有力的基线。

    Jan, 2023

  • 双手操作和连接的 Sim-to-Real 强化学习

    该研究探讨如何使用强化学习针对具有挑战的双臂机器人任务，通过模拟训练，实现直接传递未经过滤的观察信息到神经网络模型并保证仿真环境与实际情况一致。设计了一个基于磁力连接的联结任务，通过两个 xArm6 机器人，并在此基础上验证了该强化学习方法的可行性，对于成功拾取方块和连结任务的成功率分别达到了 100％和 65％。

    Mar, 2022

  • MANER：在混乱环境中的物体多智能体神经重新排列规划

    该研究提出了一种基于学习的综合框架，用于多智能体物体重新排列规划，在复杂环境中解决了任务排序和路径规划等挑战。实验证明了该框架的效果和鲁棒性，并改善了比基准方法更好的性能表现（遍历时间和成功率）。

    Jun, 2023

  • 基于本地 GNN 的深度强化学习用于目标驱动的变形物体重新排列

    使用基于 GNN 的学习方法，通过两个表示图对图像中检测到的关键点进行编码。采用自注意力进行图更新和交叉注意力进行生成操作，实验表明该框架在多个 1-D 和 2-D 重排任务中非常有效，并且可以通过微调关键点检测器轻松转移到真实机器人中。

    Feb, 2023

  • 重新排列：具身人工智能面临的挑战

    本文提出了一个以重新排列任务为基础的体现智能 (AI Embodied) 的研究和评价框架，并描述了四个不同的仿真环境中重新排列方案的实验测试床和性能度量标准，以支持重新排列代理的训练和部署。

    Nov, 2020

  • 双臂精细操纵的多任务机器人数据

    该研究介绍了一个包含双臂任务和 / 或需要细致操纵的多样化对象操作数据集，数据集包括 224k 个剧集、双臂精细任务以及语言指令，并应用于 Dual-Action and Attention (DAA) 模型，该模型在真实机器人操作任务中展示了其在细致操纵方面的能力。

    Jan, 2024

  • 基于关系强化学习实现实用的多物体操作

    本文介绍了使用基于图形的关系结构从简单的任务中学习并实现复杂的机器人操作任务，使用了强化学习方法并在喂入少量数据的情况下超越现有的最先进方法，同时也实现了零样本泛化。

    Dec, 2019

  • 使用先前政策指导的强化学习对双臂自由浮动空间机器人进行运动规划

    我们提出了一种新的算法 EfficientLPT，通过使用混合策略、引入先验知识，以及采用无穷范数构建合理的奖励函数来提高强化学习方法的规划精度，从而解决了双臂自由浮动空间机器人动作规划中无法捕捉非合作对象的问题，并通过旋转速度不同的物体捕获任务验证了该方法的有效性。

    Sep, 2022

  • 视觉房间重组

    一项围绕着域中物理实体与环境互动的任务 - 室内重新配置的新数据集 RoomR 并结合实验展示现有的 Embodied AI 技术在此类任务方面性能仍有提升空间。

    Mar, 2021