Jul, 2024

课程对重力下物体操纵的强化学习的影响大于触觉信息

HTML
PDF
TL;DR通过研究学习曲线、触觉反馈及球体举起和旋转等因素对灵巧操控学习策略的影响，我们发现课程学习是决定灵巧操控特征习得的重要因素，同时也挑战了对触觉信息在灵巧操控任务中的必要性的传统假设。
发现论文，激发创造
  • 从经验和模仿中学习灵巧的操作策略

    本研究探索了学习控制方法对于机械手进行非抓握性操作的影响，通过深度学习和最近邻等方法实现了控制器的泛化。研究表明仅基于时间轨迹的控制器仅需要少量训练数据即可构建，同时多个控制器可以进行插值形成更全局的控制器。

    Nov, 2016

  • 学习灵巧的手中操纵

    通过强化学习，我们使用模拟环境训练了一种可以使机器人手指进行多指协调、操纵物体并控制重力的新型算法，并且证明该算法可以成功地应用在实物机器人中，为机器人控制领域提供了新的解决方案。

    Aug, 2018

  • 加速机器人学习接触丰富的操纵：一个课程学习研究

    本研究结合课程学习和域随机化方法，探究如何快速应用于机器人接触式操作任务中，实现在工业装配等领域中的快速学习和短时间内达到高成功率。研究结果表明，本文所提出的方法在工业插入任务中取得了最多86%的成功率，并且使用样本训练的时间不到以往的五分之一。

    Apr, 2022

  • 基于图像的熟练操作：通过细化引导实现自主现实世界强化学习

    本文提出了一种基于视觉的程序自由编程的方法，利用强化学习实现复杂多指手势下的实物操作，无需手动建模或奖励工程。

    Dec, 2022

  • 熟练操纵的约束强化学习

    本文研究了在24 DOF机器人手器学习使用约束策略优化来执行对象重定位任务，并发现在学习期间添加约束能确保机器人更快达到目标点，从而使其具有更加稳健和安全的行为能力。

    Jan, 2023

  • 使用次优控制器进行价值导向的探索，以学习灵巧操作

    利用次优控制器优化采样和引导探索是提高学习手上熟练操作技能的有效的方法。本研究为首次，完成了在没有探索性复位分布的情况下，从高度次优的控制器中学习手指步态熟练操纵技能。

    Mar, 2023

  • 非视觉状态下的旋转：通过触感增强手部灵巧性

    该研究论文介绍了一种使用密集二进制力传感器获取触觉信息的设计，使得多指机器人手能够进行离线物体旋转，无需依赖于视觉信息，通过强化学习的方法进行培训，能够扩展到实际场景中，并对触觉信息对于手部操纵的帮助进行了广泛的实验。

    Mar, 2023

  • 探索因果世界：通过知识转移和课程学习增强机器人操纵能力

    使用强化学习训练三指机械臂的复杂任务，通过fine-tuning和curriculum learning的知识迁移策略提高学习效率和效果，并研究两种学习策略的关键因素及其效果，以应用于更广泛的基于学习的工程应用。

    Mar, 2024

  • 强化学习方法在三指机械手灵巧操作中的基准测试

    本研究针对强化学习（RL）算法在真实环境中训练的挑战，探索了在可控且现实的设置中进行灵巧操作的直接训练。通过基准测试三种RL算法在复杂手持操作任务中的效果，结果展示了RL训练在实际应用中的实用性及相关挑战，为机器人领域的研究者和从业者提供了宝贵的经验和启示。

    Aug, 2024

  • 跨体现灵巧抓握的强化学习

    本研究针对现有机器人手控制政策局限，提出了一种通用的抓握策略，实现对不同灵巧机器手的有效控制。通过模拟人手的控制方式，我们提出了一种基于人手特征抓握的统一动作空间，实验结果显示该方法在不同体现上实现了80%的成功率并具有良好的零-shot 泛化能力。

    Oct, 2024