Jul, 2024

电池拆卸的革命：一款自动移动操纵机器人(BEAM-1)的设计与实施

HTML
PDF
TL;DR基于神经符号人工智能，本研究提出了一种用于电池拆解的自主移动机器人系统(BEAM-1)，通过多传感器和神经谓词相结合的方式对环境状态进行检测并将信息转化为伪符号空间，利用LLM启发式树搜索识别出最优的动作序列，实现高精度的拆解操作。BEAM-1系统具有连续学习的主体智能和直觉能力，通过大量真实场景实验证明了其在多种复杂情况下自主感知、决策和执行连续拆解的能力，成功率达到98.78%。这项研究试图利用神经符号人工智能为机器人赋予真实的自主推理、规划和学习能力，实现电池拆解的革命，并可以轻松移植到其他机器人系统以实现不同应用场景，为未来具有主体智能的机器人系统的设计与实现提供了创新的思路。
发现论文，激发创造
  • 基于视觉的机器人抓取的深度强化学习：一种离线策略方法的仿真比较评估

    本文研究基于视觉的机器人抓取中的深度强化学习算法，提出了一个模拟的基准测试对齐机器人抓取任务，评估了基准测试任务的不同Q函数估计方法，结果表明简单方法可以成为流行算法的强有力竞争对手，此外还阐明了算法的相对权衡

    Feb, 2018

  • 多任务学习实现免重置强化学习：无需人类干预即可学习灵巧操作行为

    本文提出了一种基于多任务强化学习算法的重置自由学习方法，可用于实现机器人的复杂困难操作，无需人工干预，实验表明该方法可以有效缩放复杂的问题并实现机器人的技能多样化。

    Apr, 2021

  • TANGO: 移动机械手预测工具交互的常识推理

    研究如何通过图神经网络来训练机器人学习常识知识以及如何使用物体作为工具完成任务，同时关注在缺失某些已知工具的情况下如何进行泛化。

    May, 2021

  • 学习符号运算：自主拆卸电动汽车电池的神经符号化解决方案

    该论文提出了一种新颖的神经符号方法，它通过增加传统的变分自编码器模型来学习基于原始感官输入和它们之间关系的符号运算符，包括概率状态符号接地模型和状态转换矩阵，以实现自主任务和运动规划，从而验证了方法的可行性。

    Jun, 2022

  • N$^2$M$^2$: 在未知和动态环境中学习任意移动操作导航

    本研究提出一种名为神经导航移动操控（N$^2$M$^2$）的方法，通过将移动操控任务分解为任务空间中的简化运动生成器和移动基地的训练强化学习代理，同时通过对复杂障碍环境的扩展，可以在未知环境中执行不可见、长视距任务，并立即对动态障碍和环境变化做出反应。

    Jun, 2022

  • 移动机器人物体操作的集体智能

    通过将基于梯度的软体物理模拟器的规划器提炼成基于注意力机制的神经网络，我们的多机器人操作系统在适应环境变化、处理任务时表现更好，并且可以应用于训练中未见过的配置。

    Nov, 2022

  • MoDem-V2: 用于真实世界机器人操作的视觉-动作世界模型

    本研究通过模型强化学习、演示增强的方法，构建了一个能够直接在真实世界中学习联系丰富的灵巧操纵技能的系统MoDem-V2，在模拟和实际环境中进行了实证研究，为直接在真实世界中进行演示增强的视觉模型强化学习提供了成功的案例。

    Sep, 2023

  • 朝着敏捷机器人: 基于神经网络的直观机器人位置推测

    提出了一种基于学习的机器人位置推测网络（RPSN），通过可微的逆运动学算法和神经网络，该方法可以很高的成功率推测出机器人的位置。实验结果表明，RPSN能够在较少次数的尝试中生成理想位置，并展示了较高的数据效率。这项工作使得机器人能够快速准确地推测出可行的目标位置，从而实现了类似人类一样的迅速行动的敏捷机器人。

    Feb, 2024

  • 机器人的具身神经形态人工智能: 观点、挑战与研究发展框架

    机器人技术、具身智能、神经形态计算、机器人学、神经形态人工智能是本文的五个关键词。本文探讨了通过我们的观点实现机器人系统的具身神经形态人工智能的方法，并确立了研究挑战和机会以及对未来研究发展的愿景。

    Apr, 2024

  • BANSAI：通过神经符号编程缩小工业机器人 AI 应用差距

    使用神经符号人工智能与数据驱动的子符号程序综合和优化，BANSAI方法通过桥接人工智能应用差距，提出了现代工业机器人程序编制工作流的解决方案。

    Apr, 2024