GraspAgent 1.0: Adversarial Continual Dexterous Grasp Learning
Notice bibliographique
Résumé
Grasp is at the core of robotic manipulation tasks. Nonetheless, most 6-DOF methods resort to a one-time setup via intensive analytics and targeting a predetermined domain. On the other hand, learning and adapting in real environments is of great promise to robotics yet challenging. In this context, this letter presents a grasp learning agent embodied in a dual-arm robot with a gripper and suction ends. Theoretically, GraspAgent is equipped with two adversarial components with the capacity for continual improvement. The first component aims to learn the synthesis of high dexterity grasps using a novel <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Grasp Awareness Generative Adversarial Network</i>. Thanks to the designed set of contrastive objectives, GA-GAN yields a high rate of feasible grasps for clutter scenes. The second component is an <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Adversarial Experience Replay</i>. AER promotes certain attributes during the regular rounds of training. For instance, a quality network is forced to adapt the maturity of the sampler by highlighting regions where the sampler performs well. Further, the quality network of each arm is encouraged to learn different grasp primitives, which reflects on better learning capacity. Finally, Experiments on a Yumi robot reveal a final average success rate of 93% after exploiting 17k+ feedback data. Moreover, We show that grasp sampling with GA-GAN surpasses a set of recent baseline methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».