May, 2024

机器人空气曲棍球：用强化学习进行机器人学习的操纵测试平台

PDF
TL;DR机器人空中曲棍球动态交互的强化学习实验平台，包括从简单的任务到复杂的任务，支持模拟到真实世界的迁移，并使用演示数据评估了行为克隆、离线强化学习和从零开始的强化学习。
reinforcement learningdynamic interactive rl testbedrobot air hockeysim-to-real transferbehavior cloning
发现论文，激发创造
  • 模型为基础的深度强化学习在空气曲棍球中的应用

    开发自动打冰球策略的研究，使用基于模型的深度强化学习结合自我对抗学习，解决了智能机器人对于不同对手策略的泛化和过拟合问题。同时探讨了想象力视域对于机器学习效果的影响。

    Jun, 2024

  • 使用肌肉机器人从零开始学习乒乓球

    本文介绍一种利用气动人工肌肉和强化学习来安全地训练机器人学习打乒乓球的方法，同时演示了这种方法可以让机器人在高速运动下实现回球和攻击

    Jun, 2020

  • 使用深度强化学习为双足机器人学习敏捷的足球技能

    本文研究了深度强化学习在机器人学中的应用，通过模拟训练，在低成本仿真机器人上实现了动态环境下复杂足球比赛中从走路到踢球等一系列动作表现出稳定流畅的运动技能，并取得了不错的效果。

    Apr, 2023

  • 推进家庭机器人技术：高效训练和性能提升的深度交互强化学习

    家庭机器人的发展可以通过强化学习和深度神经网络相结合的深度强化学习以及交互式反馈来提高其学习效果和效率。

    May, 2024

  • 基于 GPU 仿真和高质量演示的交互式人类样学习加速

    利用 GPU 模拟技术和模仿学习指导策略搜索以使强化学习培训可在高维机器人手表现复杂控制问题的领域中成为可能，最终演示了并行强化学习和模仿学习的互补优势和优秀的验证结果。

    Dec, 2022

  • 用深度强化学习训练机器人的方法：我们所学到的教训

    本文评估了深度强化学习在现实世界机器人中的应用，包括学习知觉和运动等复杂技能的案例研究以及相关挑战。

    Feb, 2021

  • 异步离线更新下的机器人操作深度强化学习

    本文介绍一种基于深度 Q 函数算法的深度强化学习方法，能够实现在真实的物理机器人上进行复杂的 3D 操作任务学习，并通过多个机器人异步汇聚优化策略更新等技术进一步提高训练效率。

    Oct, 2016

  • 非抓取性操作的强化学习：从仿真到物理系统的转移

    本研究使用一种修改自然策略梯度算法的模型，通过模拟学习并训练，成功将自主控制策略从虚拟系统转移到由三个机器人组成的物理系统中，并证明使用多个模型训练可以使学习到的策略更加稳健，从而弥补了系统识别的困难。

    Mar, 2018

  • 元强化学习在模拟到真实领域适应中的应用

    本论文提出了一种基于元学习的方法，在使用任务特定轨迹生成模型提供动作空间以便快速探索的同时，训练机器人智能体以适应各种动态条件，以解决现代强化学习方法低样本效率和不安全探索的问题。我们通过在仿真环境中进行域适应并分析适应过程中潜在空间的结构来评估该方法。然后，在 KUKA LBR 4 + 机器人上应用此策略，并在将曲棍球击向目标的任务中评估其性能。实验结果表明，与基准表现相比，这种方法具有更一致和稳定的域适应性，从而获得了更好的整体性能。

    Sep, 2019

  • 多目标强化学习：挑战机器人环境与研究请求

    介绍了一组具有挑战性的连续控制任务，并提出了许多改进强化学习算法的研究思路。

    Feb, 2018