9_Python进阶_slot用法
在Python中，每个类都有实例属性。默认情况下Python用⼀个字典来保存⼀个对象的实例属性，允许我们在运⾏时去设置任意的新属性。对于有着已知属性的小类来说，这个字典浪费了很多内存。Python不能在对象创建时直接分配⼀个固定量的内存来保存所有的属性。创建许多对象（千万级别），会消耗掉很多内存。不过还是有⼀个⽅法来规避这个问题。这个⽅法需要使⽤__slots__来告诉Python不要使用字典，⽽且只给⼀个固定集合的属性分配空间。后者的写法会减小40%左右的内存空间。...
【论文笔记】Multi-Goal Reinforcement Learning: Challenging Robotics Environments and Request for Research
首先，它引入了一套基于现有机器人硬件的具有挑战性的连续控制任务(由OpenAI Gym集成)。所有的任务都有稀疏的二元奖励，并遵循一个多目标强化学习(RL)框架，在该框架中，一个智能体被告知使用一个额外的输入要做什么。本文的第二部分提出了一套改进RL算法的具体研究思路，其中大部分与多目标RL和事后经验回放有关。抓取环境是基于7自由度抓取机器人臂，它有一个双指平行抓取器。我们增加了一个额外的到达任务，pick and place任务有点不同。在所有的获取任务中，目标都是三维的，并描述了目标的期望位置（或要到达
【论文笔记】Deep Reinforcement Learning for Robotic Pushing and Picking in Cluttered Environment
任务：在杂乱的场景中拾起物体设计了一种由吸盘和夹具组成的复合机械手，可以稳定地抓取物体。吸盘用于首先从杂物中抬起物体，夹持器用于相应地抓取物体。利用可见性图(affordance map)为吸盘提供像素级的吸取候选点。为了获得良好的观测图，在系统中引入了主动探索机制。设计了一种有效的度量方法来计算当前可见性图的奖励，并采用深度Q网络(DQN)引导机械手积极探索环境，直到生成的可见性图适合抓取。带吸盘的机械手非常流行，广泛应用于机器人抓握任务。这是因为吸盘通常结构简单，对许多不同的物体都很坚固。自密封吸盘阵列
【论文笔记】基于深度强化学习的密集物体温度优先推抓方法
针对问题：需要考虑温度特性的密集物体抓取提出模型：一种基于深度强化学习的密集物体温度优先推抓(TPG)方法方法涉及一种深度Q网络算法，以RGB-D图像与红外图像作为输入，使用两个全卷积网络(FCN)，将推动和抓取放在一个框架内联合动作，输出对应的Q值，指导机器人对密集物体进行推抓动作，并与环境交互获得奖励。机器人的抓取需考虑有温度优先性，在抓取过程中最大程度地优先抓取高温物体，以降低对设备与环境的危害。内容：DQN使用深度神经网络(DNN)作为非线性函数近似器来近似Q值，并通过目标Q网络计算目标值yty_
【论文笔记】基于 ROS 的送餐机器人自主抓取实现
送餐机器人的出现可以为同属服务行业的餐饮业减轻大量用人成本，推动传 统餐厅向智慧餐厅的转变升级。本文主要研究如何利用搭载于送餐机器人上的六 自由度机械臂与摄像头，实现机器人自主抓取的功能，从而实现机器人的高度自动化与智能化。利用 ORB_SLAM 算法可以高效地建立三维空间模型，并且可以依据建模结果获得某点的空间坐标值，传达至机器人主机进行后续处理。完成抓取动作过程如下。手眼标定法根据摄像头固定的位置可分为两种类型。过程如下。（1）物体识别：在图像中检测到物体。（2）位姿估计：得到物体在相机坐标系下的
【论文笔记】融合多传感器数据的抓取机械臂末端定位研究
抓取机械臂末端定位过程中受环境干扰的影响，导致定位精度和稳定性较差随着科技技术的提高，对抓取机械臂末端定位也提出了更高的要求。不仅要求抓取机械臂末端定位准确，还要求其具有优良好的置信度。前人研究以融合了多传感器数据的抓取机械臂末端为目标建立坐标系相邻坐标系之间的变化矩阵由4个传感器抓取参数描述Z=(x,y)=[α−α0yα,yx,y−y−e,yx,yx,−yye,y0001]Z=(x,y)=\begin{bmatrix} \alpha & -\alpha & 0 & y \\
【论文笔记】基于深度学习的视觉检测及抓取方法
工作内容效果提升复杂环境中目标检测的效果采用通道注意力机制对YOLO-V3进行改进，增强网络对图像特征提取的能力平均识别率较改进前增加0.32%针对目前姿态估计角度存在离散性的问题提出一种基于VGG-16主干网络嵌入最小面积外接矩形(MABR)算法，进行抓取位姿估计和角度优化改进后的抓取角度与目标实际角度平均误差小于2.47°搭建了一套视觉抓取系统利用UR5机械臂、气动两指机械手、RealsenseD435相机及ATI-Mini45六维力传感器等设备。...
【论文笔记】基于深度强化学习的机器人操作行为研究综述
基本介绍深度学习、强化学习；介绍深度强化学习流行算法；深度强化学习在机器人操作领域的应用现状；未来的发展方向作出总结与展望；深度学习通过学习深层的非线性网络结构和数据集的本质特征，实现函数的逼近。智能体在与环境交互的过程中，利用强化学习通过不断试错和最大化累积奖励来生成最优的行为策略。学者工作论文DeepMind将深度强化学习算法应用到连续动作领域，比如机器人操作和运动Heess基于分布式近端策略优化算法，使用前向传播的简单奖励函数，在多种具有挑战性的地形和障碍物上，成功训练了。...
【论文笔记】基于分层深度强化学习的移动机器人导航方法
针对基于深度强化学习(,DRL)的分层导航方法在包含长廊、死角等结构的复杂环境下导航效果不佳的问题提出基于分层深度强化学习(,HDRL)的移动机器人导航方法低层的避障和目标驱动控制模型分别实现避障和目标接近两种行为策略；高层的行为选择模型可自动学习稳定、可靠的行为选择策略；通过训练，学习到的避障策略更加适用于复杂环境下的导航任务；...
【论文笔记】基于生成对抗网络的强化学习算法的研究
解决强化学习在训练样本中出现的整体工作效率滞后问题提出基于生成对抗网络的强化学习算法主要内容将真实经验样本集作为模板，生成理论上可行的虚拟样本，通过智能体agent进行一次训练，智能体agent会将好的虚拟样本并入到真实样本集当中，提高训练样本的质量结果对比Q学习算法，其输出的目标函数收敛次数大约少于40次httpshttpshttps。...
【论文笔记】A Meta-Reinforcement Learning Algorithm for Causal Discovery
因果发现是机器学习的一项最重要的主要任务，因为因果结构可以使模型超越纯粹的基于相关性的推理，并显著提高它们的性能。andaccuracy.然而，从数据中寻找因果结构在计算努力和准确性方面都是一个重大的挑战，更不用说没有一般干预的不可能了。开发一种元强化学习算法，通过学习执行干预来执行因果发现，这样它就可以构建一个明确的因果图。.估计的因果图也为数据生成过程提供了一个解释。.与SOTA方法相比，我们的算法估计了一个很好的图，即使在潜在因果结构以前未见的环境中。makean。...
【论文笔记】基于在线预测和规划的机器人动态跟踪抓取方法
内容基于ROS框架，以6自由度ABB机器人为研究对象，设计了一种基于在线预测和规划的机器人动态跟踪抓取方法。通过预先检测目标物的运动状态在线预测其运行轨迹；对预估轨迹进行运动规划得到机械臂的跟踪轨迹；实现机器人对移动目标物体进行动态跟踪抓取；针对问题解决ROS系统与机器人通信反馈机制造成机器人跟踪过程断续、跟踪轨迹不连续一种多轨迹融合方法，用于运动规划时融合多段轨迹，实现了机器人持续地跟踪移动物体机器人对不同移动速度的目标物体跟踪不及时、跟踪落后一种运动规划模型，以物体预估轨迹的。...
【论文笔记】一种基于启发式奖赏函数的分层强化学习方法
针对问题→→强化学习“维数灾难”、训练过程慢提出→→一种基于启发式奖赏函数的分层强化学习方法应用场景→→俄罗斯方块效果→→在一定程度上解决“维数灾”问题，并具有很好的收敛速度按照确定的策略给出子任务的定义→→由程序员给出（或者将某些已经学习过的部分分离出来作为子任务）→→Option方法按照非确定的有限状态控制器定义→→HAM按照终止条件和局部奖赏函数定义每个子任务→→MMM{M0,M1,⋯,Mn}{M0,M1。......
今日推荐
周排行