Jun, 2024

BricksRL：用乐高教育平台实现机器人与强化学习研究民主化

PDF
TL;DRBricksRL 是一个用于加强学习研究和教育的平台，它通过与 TorchRL 库连接，实现了在现实世界中创建、设计和训练定制的 LEGO 机器人，通过蓝牙双向通信与 LEGO 智能中枢交互，从而实现了 GPU 上的最先进的加强学习训练，为各种 LEGO 构建提供了灵活和高效的扩展方法。
bricksrlreinforcement learninglego robotstorchrl libraryrobotic learning
发现论文，激发创造
  • Scilab-RL：用于高效强化学习和认知建模研究的软件框架

    通过 Scilab-RL 软件框架，研究人员能够有效进行认知建模和强化学习方面的研究，特别注重基于目标的强化学习和实验可视化，最大限度地提高研究产出。

    Jan, 2024

  • 拓展你的极限：基于实际场景的强化学习用于机器人运动的持续改进

    基于 APRL 的深度强化学习 (RL) 框架，使四足机器人能够在现实世界中通过高效的训练学会行走，并且不断改进适应各种挑战性情况和动力学的变化。

    Oct, 2023

  • MBRL-Lib：基于模型的强化学习的模块化库

    本文提出了基于 PyTorch 的 MBRL-Lib 机器学习库，旨在为研究人员提供一个易于开发、调试和比较新算法的平台，也为非专业用户降低应用最先进算法的门槛。

    Apr, 2021

  • 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

  • ROBEL: 用低成本机器人学习的机器人基准测试

    ROBEL 平台介绍了 D'Claw 和 D'Kitty 两种机器人，旨在加速强化学习研究，提供了可持续硬件强化学习的任务目标，并提供多种基于学习的方法的基准得分，可以在 www.roboticsbenchmarks.org 上获得所有必要的材料。

    Sep, 2019

  • 从多智能体到多机器人：一款可扩展的多机器人强化学习训练和评估平台

    本文介绍了一个用于多机器人强化学习的可扩展仿真平台 SMART，该平台包含了一个仿真环境和一个真实的多机器人系统，以提供多样化的交互场景进行训练，并支持基于插件的算法实现。在此基础上，我们研究了合作驾驶变道场景所涉及到的若干具有挑战性的问题，并开源我们的仿真环境及其相关基准测试任务和最先进的基线模型，以推动和强化多机器人强化学习的研究。

    Jun, 2022

  • RRL：ResNet 用于强化学习的表示

    我们提出了 RRL（使用 Resnet 作为 Reinforcement Learning 的表示）作为一种简单而有效的方法，可以直接从固有输入中学习复杂的行为，其在高维领域中的学习性能和样本效率甚至可以与直接从状态中学习相匹配，尤其在模拟的机器人灵巧操作基准中表现出接触丰富的行为。

    Jul, 2021

  • 一种增强现实平台，用于通过机器人向 K-12 学生介绍强化学习

    本文介绍了一个增强现实系统，使人类可以观察到机器人学习的隐藏状态，建立了人类和机器人的共同基础，并讨论了使用我们的系统在 K-12 教育活动中以及开发基于 AR 的人类循环强化学习框架的两个未来方向。

    Oct, 2021

  • 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

  • 鲁棒 LEGO 操纵的轻量级可迁移设计

    通过硬件 - 软件协同设计，本文研究了安全高效的机器人乐高操控，并设计了末端工具（EOAT）以降低问题维度，使得大型工业机器人能够轻松操控乐高积木。同时，通过进化策略在乐高操控中安全优化机器人运动。实验结果表明，EOAT 在操控乐高积木上表现可靠，学习框架能有效且安全地提高操控性能达到 100% 成功率。通过在多个机器人上（例如 FANUC LR-mate 200id/7L 和 Yaskawa GP4）部署该协同设计，验证其泛化和可迁移性。最后证明所提出的解决方案实现了可持续的机器人乐高原型制作，使得机器人能够反复组装和拆解不同的原型。

    Sep, 2023