Feb, 2024

具備固有物理知識的體雄動規劃

PDF
TL;DR通过定义一组离散且临时的闭环控制器（称为 “任务”）以及引入一种对物理学和因果关系具有内在理解的监督模块，我们提出了一种解决在机器人技术中尚未实现的，使用纯闭环输入控制的复杂计划执行方法。我们通过模拟任务序列的执行并将结果存储在环境模型中，基于该模型构建计划，从而可以实现链式的临时闭环控制器。该框架已经在一个真实机器人上实施，并在两个场景中进行了概念验证。
closed-loop controltaskssupervisory moduletask sequencesrobotics
发现论文，激发创造
  • 基于神经启发的层次强化学习在运动控制中的应用

    通过仿效哺乳动物中央运动系统机制，我们提出了一种神经启发的分层强化学习算法，使得机器人能够学习丰富的运动技能并将其应用于复杂的任务环境中，而不依赖外部数据。

    Nov, 2023

  • 用于自主机器人的层级生成建模

    用分层生成模型实现人类灵感的机器人运动控制与自主完成目标驱动任务。

    Aug, 2023

  • 闭环交互的响应式规划和识别

    本研究介绍了一种基于闭环交互的智能代理框架，集成规划和识别技术来预测用户的意图并自主决策响应。这种代理可以在交互中监控用户，并解决传统预设响应的局限性。该研究还提出了新的人工智能规划和识别领域的挑战。

    Sep, 2019

  • 闭环机器人反应式规划的模型检测

    使用模型检验创建差分驱动轮式机器人的多步计划，以避免即时危险，并以近实时的方式改善局部障碍物避免的效果。

    Nov, 2023

  • 在线行为选择实现稳健的现实世界操纵：世界是最好的模型

    通过不断监测环境来观察任务的离散高级状态，机器人控制器可以根据不同的传感器模式来决定执行哪些控制器，从而实现对干扰的鲁棒性。我们通过将该思想作为离散状态的概率滤波器来实现这一目标。基于这个框架，我们提出了一个机器人系统，可以惊人地稳定地打开抽屉并从中抓取网球。

    May, 2022

  • 任务与动作规划的具身终身学习

    提出了一个新颖的机器人终身学习问题模型，通过对任务和运动规划（TAMP）的学习利用模块化的方法设计生成混合模型，并根据辅助任务确定在线上使用共享或非共享模型，解决了数据如何在任务模型之间共享的问题。该方法在 2D 领域的模拟和 BEHAVIOR 基准测试中的实验中均实现了显著的规划成功率提升。

    Jul, 2023

  • 教授机器人建立关于自身的仿真模型

    通过使用自我监督学习框架，我们使机器人能够只使用简短的原始视频数据来模拟和预测其形态、运动学和运动控制，从而实现了准确的运动规划和异常检测。

    Nov, 2023

  • PhyPlan: 机器人操纵器的物理感知技能网络通用和快速物理任务规划

    PhyPlan 是一个结合物理信息的规划框架，利用物理信息神经网络（PINNs）和修改的蒙特卡洛树搜索（MCTS）使得具体化代理能够执行动态物理任务，并在求解 3D - 物理推理任务方面展现出较低的后悔、加速技能学习和提高物理推理速度、比非物理信息方法展现更高的数据效率。

    Apr, 2024

  • 实际执行中的任务和动作规划

    该研究通过组合对离散任务领域和连续运动生成进行推理的混合规划方法，生成包含无法完全基于计划时间进行植入的行为的任务和运动计划，在执行过程中使用由人设计或学习的闭环行为处理此类行为，并通过反馈行为故障作为约束条件找到新的计划，从而在真实机器人试验中展示了更快的执行时间、更少的动作数量以及在出现多样化间隙问题时更高的成功率，并与最新技术进行了比较，提供实验数据供研究人员模拟这些情景，为机器人解决更多现实部分植入问题的适用类别展示了希望。

    Jun, 2024

  • 主动推理的目标导向规划与目标理解：仿真和实体机器人实验评估

    本研究基于自由能原理，使用变分递归神经网络模型，提出了一种目标导向的行动规划和生成模型，具有静态感知状态和动态运动过程目标的指定和理解，以及根据过去的感知观察推断当前状态的最优估计，为特定目标生成未来行动计划，并在移动代理上进行了实验验证。

    Feb, 2022