Action Chunking with Transformers
PulseAugur coverage of Action Chunking with Transformers — every cluster mentioning Action Chunking with Transformers across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法提高机器人模仿策略对视觉干扰的鲁棒性
研究人员开发了一种新方法来提高视觉运动模仿策略的鲁棒性，这类策略经常在视觉上相似的物体或容器上遇到困难。该研究利用基于Transformer的动作分块（ACT），发现这些策略的失败是由于干扰敏感性随操作阶段和任务状态的变化而变化。为解决此问题，研究评估了干扰增强、阶段依赖性注意力正则化和基于外观的视觉提示等干预措施。这些方法在模拟环境和实际UR3e机器人上都显著提高了鲁棒性，展示了改进的目标选择能力，同时保留了控制所需的基本空间信息。
-
模仿学习在机器人操作任务中难以应对速度变化
一篇新的研究论文探讨了模仿学习在灵巧机器人操作中的时间鲁棒性。研究发现，虽然模仿学习策略在标称速度下可以达到很高的成功率，但与专家策略相比，当任务执行速度增加时，其性能下降得更为严重。失败主要归因于插入错位，这表明模仿学习可能无法完全保留专家在压缩时间表下的适应能力。
-
机器人抓取与放置系统使用视觉提示和模仿学习
研究人员开发了一种用于零售环境中机器人操作的新感知-行动流程，特别是针对抓取与放置任务。该系统利用标注引导的视觉提示，其中边界框突出显示要抓取的物体及其放置位置，提供结构化的空间引导。该方法采用带 Transformer 的动作分块 (ACT)，一种模仿学习算法，从人类演示中预测动作序列，从而实现更平滑、更自适应的机器人操作。评估表明在复杂的零售环境中抓取准确性和适应性有所提高。
-
新框架ORPA通过人类反馈实现机器人动作的实时纠正
研究人员推出了一种名为ORPA（在线残差策略适应）的新框架，旨在改进机器人操作控制。ORPA允许根据人类反馈对机器人动作进行实时调整，而无需重新训练整个策略。该方法使用一个轻量级模块来预测残差校正，从而提高在对精度敏感的任务上的性能，并能够从细微错误中恢复。
-
基于状态的策略在机器人绳索操作中优于基于视觉的策略
研究人员探索了用于机器人双臂绳索操作的模仿学习，这项任务因可变形线性对象的无限维度特性而变得复杂。他们将使用RGB流的基于视觉的策略与利用物理一致性模拟的基于状态的策略进行了比较。在解绳结任务的初始动作预测方面，基于状态的方法表现出更优越的性能，这表明对于从有限的人类演示中进行高效机器人学习而言，状态表示比原始像素数据更关键。