Apr, 2024

长期机器人任务的未来预测性成功或失败分类

PDF
TL;DR自动化长时程任务的重点研究领域是如何利用机械臂完成任务，本文提出了一种基于未来预测的成功或失败分类方法，通过端到端的方式确定行动计划能否完成给定任务，此方法同时利用了长时程的未来预测方法和过渡一致性正则化术语，通过分类和机器人操作实验验证了方法的有效性。
automationrobotic armaction planningfuture-predictive classificationregularization term
发现论文，激发创造
  • 预期计划：通过估算未来任务的预期成本来改进长期计划

    该论文提出了一种基于图神经网络的先见性规划方法，以预测机器人动作对未来任务的影响，指导机器人采取对将来有益的行为，从而降低整个规划过程的成本。实验表明，相比没有先见性规划，该方法能够将规划成本降低 5％，如果机器人可以提前准备环境，规划成本将降低 11％。

    May, 2023

  • 机器人装配及其他试错任务的最优决策

    通过机器学习中的失效预测和可重新启动的策略来降低机器人完成任务的时间和提高其行为表现。

    Jan, 2023

  • 深度视觉预见性规划机器人动作

    本论文提出一种基于无标注训练数据的方法，结合深度动作条件视频预测模型和模型预测控制，使真实机器人能够进行非抓取操作，比如推动物体，并且可以处理训练过程中没有出现过的新物体。

    Oct, 2016

  • 基于搜索的任务规划与学习技能效果模型的终身机器人操作

    本篇研究论文中提出一种基于高级技能效应模型的任务规划方法，从而使得机器人能够在现实场景中获取新技能并解决新任务，实现了灵活的技能参数化和任务规定，使得机器人能够实现终身学习。同时，实验表明，这种规划方法能够以更低的成本策略找到新的任务。

    Sep, 2021

  • 无任务离线强化学习的潜在计划

    本研究提出了一种层次化的方法，将模仿学习和离线强化学习的优点相结合，学习从高维相机观察中获得与任务无关的长时程策略，并通过技能链接来合并潜在的行为先验，以达到以前未见的技能组合，从而更好地控制机器人的实验结果。

    Sep, 2022

  • 短期预测实现长期规划

    通过将规划问题分为两个阶段（预测和建模），使用递归神经网络，利用监督学习技术通过对输入节点进行优化来解决长期规划问题，从而在自动驾驶应用中学习鲁棒政策，并纳入敌对因素以优化环境。

    Feb, 2016

  • 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

  • 结合长期未来的强化学习动力学模型学习

    本文着重于构建一个具有考虑长期未来的模型，并展示如何利用它进行有效规划和探索，通过搜寻模型下的不可能轨迹来设计探索策略，并在两种学习环境中取得了比基线更快更高报酬的效果。

    Mar, 2019

  • 活动不确定性感知预测

    本文利用行为模型和长度模型，针对不确定性进行建模，通过预测分布进行多样本采样，得到能够捕捉多模态未来活动的模型。在多个数据集上测试，模型在预测单个未来活动序列的准确性不受影响的同时，表现出较好的性能。

    Aug, 2019

  • 实践造就完美：学习技能参数策略的规划

    机器人通过序列化参数化技能来有效决策复杂的、长期的任务。我们提出了一种自主学习方法，通过评估每个技能的能力预测在任务中的能力，并通过能力感知规划将技能应用于任务分布。通过在仿真和现实世界中的实验，我们发现这种方法比其他基线方法能更加高效地学习有效的参数策略。

    Feb, 2024