Stanford Kuka Multimodal
收藏sites.google.com2025-03-21 收录
下载链接：
https://sites.google.com/view/visionandtouch
下载链接
链接失效反馈官方服务：
资源简介：
非结构化环境中的接触式丰富操作任务通常需要触觉和视觉反馈。然而，手动设计一个结合了具有非常不同特性的模态的机器人控制器并非易事。虽然深度强化学习在高维输入的学习控制策略方面取得了成功，但由于样本的复杂性，这些算法通常难以部署在真实机器人上。我们使用自我监督来学习感官输入的紧凑和多模态表示，然后可用于提高我们政策学习的样本效率。我们在钉子插入任务上评估我们的方法，对不同的几何形状和间隙进行泛化，同时对外部扰动具有鲁棒性。介绍了模拟和真实机器人实验的结果。
