Learning Synergies between Pushing and Grasping with Self-Supervised Deep Reinforcement Learning
Learning Synergies between Pushing and Grasping with Self-Supervised Deep Reinforcement Learning是由Andy Zeng、Shuran Song、Stefan Welker、Johnny Lee、Alberto Rodriguez和Thomas Funkhouser于2018年提出的机器人操作论文，发表在IROS 2018上。该论文提出了一种基于自监督深度强化学习的方法，能够同时学习推动和抓取两种操作技能，并发现它们之间的协同效应。该方法使用了视觉状态表示和Q-learning算法，通过在仿真环境中进行大规模自监督训练，能够在真实机器人上实现高效的杂乱场景抓取。该论文证明了推动和抓取之间的协同效应能够显著提高抓取成功率，特别是在物体被遮挡或难以直接抓取的场景下。该论文是机器人操作领域的重要论文，被引用超过1500次，对后续的机器人操作和强化学习研究产生了深远影响。
主体信息
Learning Synergies between Pushing and Grasping with Self-Supervised Deep Reinforcement Learning是由Andy Zeng、Shuran Song、Stefan Welker、Johnny Lee、Alberto Rodriguez和Thomas Funkhouser于2018年提出的机器人操作论文，发表在IROS 2018上。该论文提出了一种基于自监督深度强化学习的方法，能够同时学习推动和抓取两种操作技能，并发现它们之间的协同效应。该方法使用了视觉状态表示和Q-learning算法，通过在仿真环境中进行大规模自监督训练，能够在真实机器人上实现高效的杂乱场景抓取。该论文证明了推动和抓取之间的协同效应能够显著提高抓取成功率，特别是在物体被遮挡或难以直接抓取的场景下。该论文是机器人操作领域的重要论文，被引用超过1500次，对后续的机器人操作和强化学习研究产生了深远影响。