Feb, 2024

抓取、视觉和放置：基于策略结构先验的高效未知物体重新排列

PDF
TL;DR我们提出 GSP，一个双环系统，以解决在感知噪声中进行未知物体重新排列的问题。通过学习的感知模块进行对象匹配和抓取能力的任务导向的奖励指导，GSP 在完成率和步骤数方面表现更好。
unknown object rearrangementlearning-based perception modulesperception noisegsptask-level rewards
发现论文，激发创造
  • 任务驱动的知觉和操作：未知物体的约束放置

    该论文提出了一种使用简单容积表示法进行机器人夹取和约束放置的算法框架，并通过真实物理实验展示了该方法的成功率和更快的执行时间。

    Jun, 2020

  • 规划机器人放置以进行物体抓取

    通过利用机器人的可达性、环境的 RGB-D 图像和占用栅格图，提出了一种服务机器人工作流中的机器人位置选择算法，通过选择机器人位置以实现成功抓取目标对象，从而与现有的基线实现相比，改善了机器人在具有挑战性位置上抓取目标物体的能力。

    May, 2024

  • 无需物体模型的自监督学习精准拾取和放置

    该研究提出一种应用基于机器学习的灵活取放技术实现对物体的自主操作方法，通过学习与仿真操作降低了对于物体模型的需求。

    Jun, 2020

  • 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

  • 通用外科握取的世界模型

    智能视觉控制系统、外科机器人、基于世界模型的深度强化学习框架、视觉运动策略以及机器人夹爪是这篇论文的关键词，该论文提出了一种用于外科手术的像素级视觉运动策略学习框架 “Grasp Anything for Surgery”（GAS），并在模拟和实际机器人中进行了广泛的评估。

    May, 2024

  • 无几何对象模型的取放置

    本研究提出了一种深度强化学习算法来解决机器人拾取和放置问题，通过将操作定义为手的目标位置并将状态定义为已达到的历史位置，使算法能够在未知对象几何结构情况下解决大量拾取和重抓问题，并只需依靠传感器感知信息和已知的对象一般类别。实验结果表明，该算法明显优于基于形状基元的基准模型。

    Jul, 2017

  • CenterGrasp：面向对象感知的隐式表示学习，用于同时形状重建和 6 自由度抓取估计

    通过编码形状和有效抓取的连续潜空间，CenterGrasp 框架结合了物体识别和整体抓取，实现了场景的强场景重建和六自由度抓取 - 姿态估计性能的显著改进。

    Dec, 2023

  • 使用注意力聚焦学习 6-DoF 抓取和取放

    该研究针对机器人的操作问题，使用深度传感器感知场景，并且在六维空间内移动其末端执行器的 3D 位置和方向。 使用马尔可夫决策过程的方法来解决问题，通过层次 SE（3）采样方法添加动作约束以达到任务目标，论文展示了该方法对于三个具有挑战性的摆放任务（均为杂乱的非常规场景）的有效性，且所有的训练均在模拟环境中进行。

    Jun, 2018

  • 深度学习方法在抓取无形对象方面的应用

    本篇论文提出了一种基于深度学习的批判 - 策略方法来解决机器人操作中的困难问题，该问题需要通过一系列推进和抓取动作来捕捉最初看不见的目标物体，并通过自我监督学习的方式进行训练。

    Sep, 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