Feb, 2024

PhyPlan：机器人操纵器的组合和自适应物理任务推理基于物理信息的技能网络

PDF
TL;DR该论文介绍了 PhyPlan，一个物理信息规划框架，它结合了物理信息神经网络（PINNs）和改进的蒙特卡洛树搜索（MCTS），使具有动态物理任务执行能力的代理人能够进行位置规划，并解决包括动态技能组合的三维物理推理任务。
physics-informed planningneural networksmonte carlo tree searchdynamic physical tasks3d-physical reasoning
发现论文，激发创造
  • 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

  • I-PHYRE：交互式物理推理

    为了解决现有学习算法与人类表现之间的差距并强调增强代理人的交互式物理推理能力的重要性，我们介绍了 I-PHYRE 框架，该框架要求代理人同时展示直觉的物理推理、多步规划和原位干预，通过代表性场景的互动促进学习。

    Dec, 2023

  • 利用具有动态感知能力的模型进行物理推理

    通过自我监督的信号增强奖励价值，将模型训练出了刻画两个物理场景间相似度的能力，从而在 PHYRE 基准测试中显著提升了表现。

    Feb, 2021

  • 通过交替进行多智能体路径规划和基于物理模拟的操作，实现可移动物体的复杂非抓取操作规划

    该研究针对机器人在重复环境中的可操作性，提出一种基于物理模拟器的动态规划算法，结合多智能体路径规划的思想，用于实现机械臂动作计划与可移动物体状态变化之间的交互式自主调整。

    Mar, 2023

  • 物理知情模型与混合规划用于高效的 Dyna 风格增强学习

    应用强化学习（RL）于现实世界的应用需解决渐进性能、样本效率和推理时间之间的平衡问题。本文利用对系统动力学的部分物理知识，演示了如何应对这种三重挑战。我们的方法包括学习一个基于物理知识的模型，以提高样本效率，并通过该模型生成虚拟轨迹，从中学习无模型策略和 Q 函数。此外，我们提出了一种混合规划策略，将学习到的策略、Q 函数和模型结合起来，以提高规划的时间效率。通过实际演示，我们证明了我们的方法在样本效率、时间效率和性能方面优于现有方法。

    Jul, 2024

  • 机器人操纵任务中基于物理的因果推理，用于安全和稳健的下一最佳行动选择

    通过将基于物理的因果推理嵌入机器人的决策过程中，我们可以使机器人任务执行更安全、更可靠，对各种类型的不确定性更具鲁棒性。

    Mar, 2024

  • ComPhy: 从视频中对对象和事件进行组合式物理推理

    本文介绍 ComPhy 数据集，该数据集含有一些移动和交互对象的视频，用于评估模型是否能够理解隐藏的物理性质，实验结果表明，一些当前先进的视频推理模型无法捕捉这些隐藏的属性。此外，本文进一步提出了一种名为 Compositional Physics Learner（CPL）的神经符号框架，该框架将视觉感知、物理特性学习、动态预测和符号执行结合成一个统一的框架，以识别对象的物理特性并预测它们的动态以回答问题。

    May, 2022

  • 学习机器人技能组合模型，用于任务和动作规划

    该研究旨在通过学习使用感知运动基元来解决复杂的长期规划操作问题，其需要将基本技能组合成新的技能来推广应用于广泛的问题中，同时使用高效的主动学习和采样方法，将学习和规划方法结合来规划各种复杂的动态操作任务。

    Jun, 2020

  • 物理资讯神经网络与图形网络的可扩展算法

    本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用，重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。

    May, 2022

  • NovPhy：开放环境中物理推理的测试平台

    该研究旨在促进具备应对物理情境中异常情况能力的智能体的发展，通过开发一个新的测试平台 NovPhy 并在其中设计了 8 种不同类型的异常情境，并运用到 5 个常见的物理情境中，测试了人类、学习智能体和启发式智能体的表现，结果表明人类的表现远远超过智能体，并引发对如何设计更为智能的物理智能体的思考。

    Mar, 2023