Mar, 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

PDF
TL;DR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。
发现论文，激发创造
  • 面向机器人堆叠任务的因果概率预测、行动选择和解释框架

    通过引入因果模型和物理仿真能力，提出了一个新颖的概率框架，使得机器人能够感知和评估积木堆叠任务的当前状态，推理出最佳动作，并生成事后的反事实解释。

    Aug, 2023

  • 基于物理相互作用因果序列的任务生成

    在这篇论文中，我们提出了一种基于物理模拟的任务生成方法，通过定义物体之间的因果物理交互序列来定义物理场景，并使用这些场景作为输入，在物理模拟环境中生成任务。我们通过应用到愤怒的小鸟物理解谜游戏，并使用一系列指标，包括物理稳定性、预期的物理交互可解性和非预期解决方案可解性，对生成的任务进行评估。我们相信，使用我们提出的方法生成的任务可以为对物理推理代理进行细致的评估，从而为更复杂的真实世界应用的代理开发铺平道路。

    Aug, 2023

  • 为什么失败了？一种因果推理方法寻找机器人失败的解释

    本文提出了一种新方法以解决机器人失败后向用户提供直观的因果解释，其利用生成对比性解释的方式，基于来自贝叶斯网络的因果模型，并在两个场景中测试了其准确性。

    Apr, 2022

  • 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

  • 高效机器人应用的因果发现

    利用机器人实现快速而准确的因果分析，以提高机器人与人类的交互质量。

    Oct, 2023

  • 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

    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。

    Feb, 2024

  • 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

  • 基于置信度的人类预测的概率安全机器人规划

    本文提出使用贝叶斯框架观察人类行为对模型准确性的影响，从而实现安全的机器人预测和运动规划。该方法可以建立一种概率保障的安全证书，并以四轴飞行器为例进行演示。

    May, 2018

  • 全身移动操纵的因果策略梯度

    本文介绍了新的 MoMa 框架 ——Causal MoMa，采用因果策略学习过程，自动发现行为之间的因果依赖，并在不同类型的仿真机器人及真实机器人上取得成功。

    May, 2023

  • 直觉物理游戏中的概率编程机器人

    该论文提出了一个使用概率编程工具与物理模拟引擎相结合的框架，用于向机器人提供直观的物理环境交互能力，并通过模型自由方法使采样程序变得更高效，从而在模型自由方法和模型为基础的方法之间找到平衡，并通过模拟 Flappy Bird 游戏的实验结果，展示了该模型的绩效。

    Apr, 2021