|
自 2017 年首次举办以来，CoRL 已经成为了机器人学与机器学习交叉领域的全球顶级学术会议之一。CoRL 是面向机器人学习研究的 single-track 会议，涵盖机器人学、机器学习和控制等多个主题，包括理论与应用。 2022年的CoRL大会于12月14日至18日在新西兰奥克兰举行。
本届大会共收到504篇投稿，最终接收34篇Oral论文、163篇Poster论文，接收率为39%。
目前，CoRL 2022 公布了最佳论文奖、最佳系统论文奖、特别创新奖等全部奖项。宾夕法尼亚大学GRASP实验室硕士、上海交通大学校友Kun Huang获得了大会最佳论文奖。 最佳论文奖 获得本届大会最佳论文奖的是来自宾夕法尼亚大学的一项研究。
论文摘要：通常来说，物理相互作用有助于揭示不太明显的信息，例如我们可能会拉一下桌腿来评估它是否稳固，或者把一个水瓶倒过来检查它是否漏水，该研究建议可以通过训练机器人来自动获得这种交互行为，以评估机器人尝试执行技能的结果。这些评估反过来作为IRF（interactive reward functions），用于训练强化学习策略以执行目标技能，例如拧紧桌腿。此外，即使完全训练完成之后，IRF也可以作为改进在线任务执行的验证机制。对于任何给定的任务， IRF训练非常方便，并且不需要进一步的规范。 评估结果表明，IRF 可以实现显着的性能改进，甚至可以通过访问演示或精心设计的奖励来超越基线。比如下图中，机器人必须先关门，然后旋转对称的门把手才能完全锁住门。
下面实验的目的是将 3 个视觉上相同的块堆叠成一个稳定的塔，其中的一个小方块明显比其他两块重，所以最佳策略是将它放在底部。
为了检查算法的鲁棒性和通用性，该研究使用具有 9 个关节的 D'Claw 在真实机器人拧紧实验中对其进行测试。此任务的目的是将4-prong阀门顺时针旋转约 180° 进入拧紧状态（阀门底座上的白线）。
作者介绍 本次获得CoRL 2022最佳论文奖的作者共有三位，分别是Kun Huang、Edward Hu、Dinesh Jayaraman 。 Dinesh Jayaraman为宾夕法尼亚大学GRASP实验室的助理教授，他领导着感知、行动和学习(PAL)研究小组，致力于计算机视觉、机器学习和机器人技术的交叉问题研究。 Kun Huang为宾夕法尼亚大学GRASP实验室硕士，在Dinesh Jayaraman教授的指导下研究强化学习。他在密歇根大学获得了计算机科学学士学位，在那里他与 Dmitry Berenson 教授一起研究机器人感知。Kun Huang本科毕业于上海交通大学，研究兴趣包括机器人与现实世界的应用。Kun Huang 在硕士期间曾在 Waymo 实习，毕业后将加入 Cruise 担任机器学习工程师。
领英主页：https://www.linkedin.com/in/kun-huang-620034171/ Edward S. Hu 为宾夕法尼亚大学GRASP实验室的博士生，师从Dinesh Jayaraman教授。他的主要研究兴趣包括基于模型的强化学习等。Edward在南加州大学获得了计算机科学硕士和学士学位，在那里他与Joseph J. Lim教授一起研究机器人的强化和模仿学习。 最佳论文入围名单 此次会议共有3篇论文入围最佳论文奖项，除了最终得奖的论文以外，其他2篇分别是：
最佳系统论文奖 获得本届大会最佳系统论文奖的是来自CMU、UC伯克利的一项研究。
论文摘要：动物能够利用视觉进行精确而敏捷的运动，而复制这种能力一直是机器人技术的一个长期目标。传统的方法是将这个问题分解为海拔测绘和落脚点规划阶段（foothold planning phase）。然而，海拔测绘很容易受到故障和大面积噪声的影响，需要专门的硬件而且在生物学上是不可行的。 在本文中，研究者提出了第一个能够穿越楼梯、路边、垫脚石和空隙的端到端运动系统，并在一个中等大小、使用单个正面的深度摄像头的四足机器人上展示了这一结果。由于机器人体积小，需要发现其他地方没有的专门的步态模式。摄像头需要掌握记住过去的信息的策略，以估计身后脚下的地形。 研究者在模拟环境中训练了机器人的策略。训练分为两个阶段：首先使用强化学习训练一个具有低计算成本的深度图像变体的策略，然后将其提炼为使用监督学习的深度的最终策略。
最终的策略可迁移到现实世界，并能够在机器人有限的计算能力上实时运行。它可以穿越大量的地形，同时对诸如湿滑表面和岩石地形等干扰具有鲁棒性。 垫脚石和空隙 机器人能够跨过各种配置的吧台凳，并调整步长以跨过大间隙。由于后脚附近没有摄像头，机器人必须记住吧台凳的位置并在相应的位置放置后脚。
楼梯和路边 该机器人能够爬上24厘米高、30厘米宽的楼梯。策略适用于各种照明条件下的不同楼梯和路边。在分布不均匀的楼梯，机器人最初会被卡住，但最终能够使用爬升行为跨过这些障碍。
非结构化地形 机器人可以穿越不属于其训练类别之一的非结构化地形，显示了系统的泛化能力。
黑暗中的移动 深度相机使用红外光投射图案，即使在几乎没有环境光的情况下也能准确估计深度。
鲁棒性 策略对大力量（从高处投掷 5 公斤重物）和湿滑表面（水倒在塑料布上）具有鲁棒性。
作者介绍 这项研究共有四位作者。 Jitendra Malik现为UC伯克利电气工程和计算机科学系Arthur J. Chick教授，他的研究领域包括计算机视觉、人类视觉的计算建模、计算机图形学和生物图像分析等。 本次获奖研究的作者之一Ashish Kumar是他的博士生。 Deepak Pathak现为卡内基梅隆大学助理教授，他在加州大学伯克利分校获得博士学位，研究的主题包括机器学习、机器人和计算机视觉。 本次获奖研究的作者之一Ananye Agarwal是他的博士生。 此外，Deepak Pathak还有一项研究在本次大会最佳系统论文奖的入围名单之内。
特别创新奖 这次大会还评选出了特别创新奖，这项研究由谷歌的多位研究者共同完成。
作者：Brian Ichter 、 Anthony Brohan 、Michael Ahn 等 |
|
|
来自： mynotebook > 《待分类》
