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
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
本文提出使用深度强化学习作为一种可扩展的解决方案,来掌握带有多指手的接触丰富行为,并展示使用模型自由的深度强化学习算法在现实世界中可以学习各种复杂的行为,同时可以通过少量的人类演示来加速学习。
Oct, 2018
本研究介绍了一种在深度强化学习循环中嵌入面向对象视觉助力模型的方法,以学习优先选择与人类喜欢的对象区域相同的抓握策略,实现对物体的灵活抓握能力。通过40个物体的实验,表明该方法可以显著提高抓握策略效能,泛化能力较强,比普通基线方法的训练速度更快,且更能适应噪声传感器。
Sep, 2020
本文基于强化学习训练了一个具有外部灵活性的简单机械手实现了“遮挡抓取”任务,其学到的策略能够成功地转移到物理机器人上,具有较好的推 generalizability
Nov, 2022
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
本研究提出使用点云观测学习通用的机器人灵巧抓取,将任务分为抓取提案生成和目标条件抓取执行两个阶段,并使用目标条件抓取策略取代运动规划以提高通用性,在大规模机器人灵巧抓取数据集的平凡模型下,通过采样生成高质量多样化的抓取姿势,实现了普适性的抓取方法。
Mar, 2023
基于强化学习的连续灵巧系统,通过链式连接多个灵巧策略来实现长期目标,克服了任务空间维度高和复杂的动力学组合的挑战,并且能够在现实世界中应用于装备有灵巧手的机器人。
Sep, 2023
本文旨在结合两种方法,实现对自然环境中物体的功能性抓取。首先,通过匹配不同物体的相应区域来获取各物体的可负担性,然后在模拟中运行一个经过训练的低级策略来抓取物体。我们提出了一种新颖的使用特征抓取来减少强化学习搜索空间的应用,使用少量人类数据实现更稳定和物理上逼真的运动。实验结果可在该URL中获得可视化和视频。
Dec, 2023
本研究解决了现有灵巧机器人手在处理任务时往往忽视功能性抓取姿势的问题。提出的FunGrasp系统能够通过单张RGBD图像估计人类抓取姿势并将其转移至不同的机器人手上,采用增强学习进行动态抓取控制。实验证明,该系统可针对未见物体实现多样化的功能性抓取,具有广泛的实际应用潜力。
Nov, 2024