Jun, 2024

利用函子数据迁移自动化转移机器人任务计划

PDF
TL;DR本文介绍了一种新颖的本体论基于机器人计划转移的方法，使用范畴论中的函子数据迁移。函子提供了领域类型和谓词之间的结构映射，可以将计划从源领域传递到目标领域，而无需重新规划。与创建转移特定计划模型的方法不同，我们的方法可以应用于给定领域内的任何计划。我们通过将任务计划从规范的 Blocksworld 领域转移到与 AI2-THOR Kitchen 环境兼容的领域来演示这一方法。此外，我们讨论了可能增强机器人任务规划适应性的实际应用。
发现论文，激发创造
  • 具有功能面向对象网络的长视距任务规划与执行

    介绍了基于功能面向对象网络 （FOON）的知识表示，对象层次的规划以及动态运动原语 (DMPs) 的使用，提出了将 FOON 转化为 PDDL 的表示方法，在 CoppeliaSim 中展示了 任务规划和执行。

    Jul, 2022

  • 利用人类引导的因果知识实现更一般化的机器人任务规划

    通过人类引导的因果知识的使用，作者在语言接口和机器人上开发和测试了一种方法，可以使机器人在新环境中获得泛化解决方案。

    Oct, 2021

  • Transformer 是可适应的任务规划器

    该文章提出了一种建立在物体属性表示基础上的 Transformer 任务规划器 (TTP)，可从多个偏好中进行预训练，并可以使用单个演示作为提示在模拟洗碗机任务中展现出对未见过偏好的泛化能力，在实际任务中使用 Franka Panda 机械臂完成了盘子重新摆放任务。

    Jul, 2022

  • 策略优化的政策转移

    本研究提出了一种基于域随机化的控制策略迁移方法，通过同时学习多种不同行为的控制策略来应对目标环境与训练环境之间的差异，而无需对动态参数进行识别，实验表明该方法可以成功地解决模型误差较大的情况。

    Oct, 2018

  • 傅立叶传输器：三维双等变机器人操作

    利用傅里叶转换器在复杂机器人操作任务中提高样本效率，通过训练和预测新环境下的拾取 - 放置动作来实现开环行为克隆方法，并独立考虑拾取和放置动作的对称性，取得了在 RLbench 基准测试中的最新成果。

    Jan, 2024

  • 基于语言知识的家庭活动迁移学习

    此研究旨在通过迁移学习方法以及基于语言模型的状态空间共同嵌入来提高服务机器人从之前学习中寻找相似方法，以解决家庭服务机器人学习新任务精度低的问题。实验结果表明，基于语义相似性从众多源任务中选择相似任务是非常有效的，并且对于避免遗忘问题可以通过更改更新策略来解决。

    Jan, 2023

  • 当 Prolog 遇到生成模型：机器人应用中管理知识和规划的新方法

    本文提出了一个基于 Prolog 语言的面向机器人的知识管理系统，该系统具有以下特点：1. 使用大型语言模型的半自动化过程从自然语言文本中高效填充知识库；2. 通过一系列转换实现多机器人系统的时间并行计划的无缝生成；3. 将计划自动翻译成可执行的形式化（行为树）。该框架由一套开源工具支持，并应用在一个实际应用上。

    Sep, 2023

  • RT-1：用于实际规模控制的机器人变压器

    通过开放式训练和高容量结构的机器学习模型，结合具有各种数据多样性的大规模数据集，以实现机器人模型的泛化能力。

    Dec, 2022

  • AutoTransfer: 自动机器学习的知识迁移 —— 应用于图神经网络

    AutoTransfer: 提出了一种 AutoML 的解决方案，它通过将先前的架构设计知识转移到新的任务，从而提高搜索效率，并在图机器学习领域的六个数据集上进行评估。

    Mar, 2023

  • 强化学习中的时态逻辑公式转移

    本文研究如何将逻辑知识从源任务迁移至时间任务中，并通过提出的传递学习方法对两个不同但相似时间任务之间的知识进行传递，取得了在扩展状态下执行强化学习时效率提高两个数量级的显著结果。

    Sep, 2019