Mar, 2024

基于黎曼流匹配策略的机器人运动学习

PDF
TL;DR我们引入了一种名为 Riemannian Flow Matching Policies（RFMP）的新型模型，用于学习和合成机器人视觉运动策略。RFMP 利用了流匹配方法的高效训练和推理能力，具备编码机器人任务中常见的高维多模态分布和简单快速推理过程的优点。我们展示了 RFMP 在基于状态和基于视觉条件的机器人运动策略中的适用性。值得注意的是，由于机器人状态存在于 Riemann 流形上，RFMP 固有地融合了几何意识，这对于真实机器人任务至关重要。为了评估 RFMP，我们进行了两个概念验证实验，并将其性能与 Diffusion Policies 进行了比较。尽管两种方法都成功地学习了考虑的任务，但结果表明，RFMP 提供了更平滑的动作轨迹并具有显着较低的推理时间。
riemannian flow matching policiesrobot visuomotor policiesflow matchingstate-based robot motion policiesvision-conditioned robot motion policies
发现论文，激发创造
  • 黎曼运动策略

    该研究介绍了黎曼运动策略 (RMP) 的概念，它是一个二阶动态系统和黎曼度量的组合体，可用于集成多个运动策略并在不同空间中进行转换。RMP 架构易于实现和操作，有助于控制器设计，简化关节极限的处理，并通过模拟和机器人实验验证了其有效性。

    Jan, 2018

  • 一般几何中的黎曼流匹配

    该文提出了 Riemannian Flow Matching (RFM) 框架，用于基于流的生成建模，可在流形上进行直接而有效的训练，并且在真实世界的非欧几里得数据集上达到了最先进的性能。

    Feb, 2023

  • 数据流动匹配：实现数据流形上的平滑插值

    生成模型在处理轨迹推断等任务时，传统的基于欧几里得几何的条件路径设计往往过于局限，未能很好地捕捉到底层动力学，而 Metric Flow Matching（MFM）作为一种基于非模拟的条件流匹配框架，通过最小化数据诱导的黎曼度量的动能来学习近似测地线插值，实现了在数据流形上匹配矢量场，从而降低了不确定性并获得了更有意义的插值结果。该研究不局限于特定任务，并通过 LiDAR 导航、非配对图像翻译和建模细胞动力学等一系列具有挑战性的问题验证了 MFM 方法的优越性，特别在单细胞轨迹预测方面达到了 SOTA 水平。

    May, 2024

  • 基于深度强化学习的密集与动态环境中的多智能体运动规划

    本文介绍深度强化学习算法和基于力的运动规划算法的混合算法，在稠密和动态环境下解决分布式运动规划问题，并且能够更好地解决时间最优性和冲撞问题。

    Jan, 2020

  • 基于运动基元的（再）规划策略

    本文介绍了一种名为 MP3 的深度强化学习方法，它通过将运动原语（MPs）整合到深度 RL 框架中，实现了在整个学习过程中生成平滑轨迹的能力，同时有效地从稀疏且非马尔可夫奖励中学习，还具有在执行过程中适应环境变化的能力，该方法相较于现有的深度 RL 和 RL 结合 MPs 等方法，在复杂、稀疏奖励环境和需要重规划的领域中表现出更好的性能。

    Jun, 2023

  • 人体动作合成与编辑的运动流匹配

    我们提出了一种新的生成模型 ——Motion Flow Matching，用于人体动作生成，其具有高效的采样速度和在运动编辑应用中的有效性。我们的方法将采样复杂度从以前扩散模型的数千步减少到仅十步，并在文本到动作和动作到动作生成基准测试中达到可比较的性能。我们的方法在 KIT-ML 数据集上创造了新的最先进的 Fréchet Inception Distance，并使用名为 sampling trajectory rewriting 的简单运动编辑范例，应用于各种编辑场景，包括运动预测、运动中间预测、运动插值和上半身编辑。我们的代码将会发布。

    Dec, 2023

  • 优化高斯混合策略的 Wasserstein 梯度流

    该研究提出了一种新的机器人策略优化方法，将策略更新视为一个最优输运问题，并利用高斯混合模型和 Riemannian 优化方法来优化机器人的运动策略，该方法在多个机器人任务中表现出更高的成功率和较低的方差。

    May, 2023

  • 通过动态运动基元增强顺应性的人机技能转移

    提出了一种系统的方法来从人类演示中提取动态特征，以自动调整 DMP 框架中的参数，此方法可与 LfD 和 RL 一同使用，可使机器人更有效地探索可能的轨迹，从而显着提高机器人的遵从性，并在实际的人机交互实验中得以验证。

    Apr, 2023

  • 偏好匹配与流匹配

    Preference Flow Matching (PFM) 是一种新的偏好强化学习（PbRL）框架，通过利用流匹配技术直接从偏好数据中学习，从而减少对预训练模型的大量微调的依赖，有效地将模型输出与人类偏好对齐，避免了奖励模型过拟合等常见问题。

    May, 2024

  • 敏捷人类行为模仿和扩展运动合成的残余力控制

    该论文提出了使用 residual force control (RFC) 方法增强人型控制策略来更好地模仿长期人类动作，实现了学习源自大规模人体动作数据集的多模态无限地人类动作生成。

    Jun, 2020