Mar, 2024

通过模拟对实际现实进行调和：一种用于强大操纵的实际到模拟到实际的方法

PDF
TL;DR通过模拟环境构建数字双子，提出了一种通过强化学习来增强真实世界模仿学习策略的系统 RialTo，实现高性能、鲁棒性的策略的学习，同时避免大量不安全的真实数据收集和大量人工监督。
imitation learningreinforcement learningrobust policiesdigital twinreal-world data
发现论文，激发创造
  • 相互对齐迁移学习

    通过强化学习在模拟环境中训练机器人并结合补充奖励策略，与真实机器人进行进一步的微调来优化探索策略，实验结果表明，这种相互对齐的方法可以在真实和模拟环境中实现更好的性能。

    Jul, 2017

  • 零样本 Sim2Real 环境自适应

    提出了使用 Reverse Action Transformation（RAT）策略的方法来解决模拟到现实世界之间的转换问题，并且和其他基线模型相比，在连续控制任务中可实现零样本适应。

    Feb, 2023

  • 基于信任域的少样本模拟实现增强学习

    使用仿真技术最小化对真实世界交互的需求，在少样本离线动力学设置下，引入了一种新方法，通过惩罚来限制仿真训练策略引发的轨迹，以解决常规强化学习代理倾向于利用仿真不准确性的挑战。在各种环境中评估了我们的方法，包括代表不同仿真到真实条件的高维系统，并且在大多数测试场景中，我们的方法相比现有基线模型表现出改进。

    Dec, 2023

  • 泛化自驾车策略的模仿学习及模拟转现实

    本文研究应用 Imitation Learning 和 transfer learning 方法解决 Duckietown 场景下的机器人车道跟踪问题，并通过 sim-to-real 方法进行实际环境迁移，最终比较了三种 Imitation Learning 方法和两种 sim-to-real 方法的优缺点。

    Jun, 2022

  • RL-CycleGAN: 强化学习感知的模拟到真实领域的对抗生成网络

    本论文提出了基于深度神经网络的强化学习在机器人抓取任务中的应用，以及利用生成模型进行图像仿真与真实环境之间的过渡。其中引入了 RL-scene 一致性损失用于图像翻译，可保证翻译操作是不变的，并在实现无监督领域转换的同时，训练出了 RL-CycleGAN 模型，该模型表现出了模拟到现实环境下最优的效果。

    Jun, 2020

  • 通过在线纠正学习进行模拟到现实策略迁移

    通过人机协作的数据驱动方法，TRANSIC 提出了一种能够成功实现从模拟环境到真实世界转换的综合性方法，通过引入人类观察和干预机器人在真实世界中的执行来缩小不同的模拟与现实之间的差距。该方法通过整合从模拟和人类中学习到的策略，在复杂和接触丰富的操作任务中实现了成功的模拟到现实的转换。

    May, 2024

  • 深度强化学习和 Real2Sim 策略适应在机器人视觉插入中的应用

    本文提出了一种基于纯视觉强化学习的插入任务解决方案，并提出了一种新颖的 Sim2Real 策略 Real2Sim，该策略在政策适应方面具有优势。

    Jun, 2022

  • 可变形物体操作的仿真增强学习

    采用最先进的深度强化学习算法，通过领域随机化，在仿真环境中训练代理程序以解决可变形物体操作问题，并成功将其部署在实际工作中。

    Jun, 2018

  • 基于模拟与实际强化学习的机器人操作：一种基于一致性的方法

    本文提出了一个基于深度强化学习的机器人 pick-and-place 任务的共识型模拟现实联合训练算法（CSAR），目的是在模拟和实际环境中都实现高效和有效的策略优化。实验表明，模拟中的最佳策略并不一定适用于模拟和实际环境的学习。同时，越多的模拟代理越有利于模拟现实的训练。

    Feb, 2023

  • 机器人深度强化学习中的模拟到真实转移：一项调查

    本篇综述涵盖了深度强化学习中模拟转真实环境的基本背景，包括不同方向的方法和应用场景，重点讨论了域随机化、域自适应、模仿学习、元学习和知识蒸馏等方法及其存在的机遇和挑战。

    Sep, 2020