论文复现６:aloha+rlbench

已于 2025-01-18 17:00:39 修改
阅读量467 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： paper 复现 文章标签： robot 人工智能
于 2025-01-06 19:47:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/github_38060285/article/details/144964594

这篇工作主要是作者通过结合aloha+rlbench，构建了一个非常方便的仿真环境，比较容易复现，适合新手仿真入门．RLBench本身支持Pandas，Coppliasim也包含有UR，KUKA，Sawyer等机械臂，作者git已经兼容了对UR、Sawyer、Pandas机械臂的支持。
作者的git: https://github.com/Boxjod/RLBench_ACT
bilibili: https://www.bilibili.com/video/BV1dExnerE2T/?spm_id_from=333.1387.homepage.video_card.click&vd_source=802ec4ca7f9090fe30b058ca1ba31a20

仿真环境RLBENCH:

安装过程没有坑，可以参考上一篇文章：https://blog.youkuaiyun.com/github_38060285/article/details/144950139

数据采集

先部署下环境

conda create -n rlbench_act python=3.8.10
cond
了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文复现１：Ｍobilealoha
github_38060285的博客
03-28 1699
从人类演示中进行的模仿学习在机器人技术中表现出了令人印象深刻的表现。然而，大多数结果都集中在桌面操作上，缺乏一般有用任务所需的移动性和灵活性。在这项工作中，我们开发了一种用于模仿双手且需要全身控制的移动操纵任务的系统。我们首先推出 Mobile ALOHA，这是一种用于数据收集的低成本全身远程操作系统。它通过移动底座和全身遥控操作界面增强了 ALOHA 系统。然后，我们使用 Mobile ALOHA 收集的数据执行监督行为克隆，并发现与现有静态 ALOHA 数据集的联合训练可以提高移动操作任务的性能。
复现aloha
qq_45479062的博客
11-25 1041
直接安装 Release 版本可能不兼容，需安装。
机械臂论文复现：RLBench_ACT
Wuwj的博客
12-05 702
发现这个路径不对/home/wenjingwu/COPPELIASIM ，于是创建一个软连接。在后面运行这段代码从 RLBench 获取机器人任务演示的时候发现报错。RLBench的安装参考。接下来全部都照做就可以。
ALOHA机器人 ACT算法复现
Kerkoporta
04-30 1872
【代码】ALOHA机器人 ACT算法复现。
斯坦福 Mobile Aloha 开源ACT代码复现教程
qq_45943646的博客
01-24 1万+
它提供了在机器人操作领域收集的广泛的演示数据集，以及从这些数据集学习的学习算法。该项目是通过模拟环境更深层次的推进机器人智能(ARISE)计划的一部分，旨在降低人工智能和机器人交叉领域前沿研究的进入门槛。配置环境的最后一步，安装detr所需要的util库，这个库已经在Mobile ALOHA的源码里了，路径为。DATA_DIR是存放数据集的位置，每个子文件夹对应着训练的子任务，名字一一对应。pytorch需要单独安装，保证安装的是gpu版本，根据自己的cuda版本在。不需要额外安装cudNN。
复现Mobile ALOHA SIM，超详细教程
mhl1107的博客
09-02 2102
涉及到了这三大关键技术：ACT、Diffusion Policy、VINN端到端的模仿学习基于Transformer在动作序列上生成模型，动作分块算法。解决现有机器人昂贵且难以做精确任务的问题可以通过定制远程操作接口收集实际演示，进行端到端的模仿学习。
逐行解读ALOHA ACT的实现：动作分块算法ACT的代码剖析、模型训练、真机部署
结构之法 算法之道
01-13 2万+
本文最早是属于《斯坦福Mobile ALOHA背后的关键技术：动作分块ACT算法的原理解析》的第二、第三部分，涉及到动作分块ACT的代码剖析与部署训练，但因为想把ACT的代码逐行剖析的更细致些，加之为避免上一篇文章太过于长，故把动作分块ACT的代码剖析与部署实践这块独立出来成本文。
一文通透ACT——斯坦福ALOHA团队推出的动作分块算法：基于CVAE一次生成K个动作且做时间集成
热门推荐
结构之法 算法之道
01-08 3万+
根据上一篇文章《大模型机器人发展史：从VoxPoser、RT2到斯坦福Mobile ALOHA、Google机器人》可知，斯坦福Mobile ALOHA在其发布的论文中提到相当于Mobile ALOHA涉及到了这三大关键技术：ACT、Diffusion Policy、VINN，故本文分三个部分一一阐述。
opencv学习（图像梯度）
weixin_63566653的博客
07-26 848
在图像处理中，图像梯度（Image Gradient）是描述图像中像素值变化率的概念，是理解图像中 “哪里发生变化” 以及 “变化有多剧烈” 的核心工具。从简单的 Sobel 算子到复杂的 Canny 算法，本质都是通过梯度分析实现边缘提取，是计算机视觉中处理图像结构的基础。
Datawhale 科大讯飞AI大赛（模型蒸馏）
1ncludeSteven
07-27 856
使用教师模型蒸馏学生模型（小模型），使得学生模型尽可能在数学推理任务中表现更好，评分标准由4个指标组成：Overall Score=0.4×AS+0.3×CQS+0.2×ES+0.1×MLS。通过上述方法构建了3个对应的数据集，目前想要对最终的模型使用的数据集进行消融实验，训练及评分过程较慢。三个数据集合并后共包含2126条数据。模型微调后，创建应用，发布服务即可提交赛题，目前赛题评分中，待更新最后分数。
AI算法实现解析-C++实例
最新发布
keny-大成的博客
07-29 731
本文摘要： 本文汇总了基于C++实现的多种AI/机器学习技术，涵盖计算机视觉、自然语言处理和强化学习等领域。主要内容包括： 计算机视觉： 目标检测（YOLOv3/YOLO Tiny） 人脸识别（OpenCV Haar级联/OpenFace） 图像风格迁移（OpenCV DNN模块） 特征匹配（SIFT/Lucas-Kanade光流） 自然语言处理： 文本分类（朴素贝叶斯/TF-IDF） 语言模型（N-gram/Word2Vec） 文本生成（LSTM/GRU） 情感分析（FastText/深度学习） 强化学习
大模型开发
2302_81352523的博客
07-23 1632
AI（人工智能）是使机器具备类人思考和解决问题能力的技术，其核心是Transformer神经网络模型（如GPT）。大模型应用结合传统编程实现记忆等复杂功能，应用开发技术包括Prompt问答、微调、Agent调用和RAG（外挂知识库），适用于客服、医疗、办公自动化等场景。AI通过数据训练掌握语言规律，处理模糊性问题，与传统程序互补形成强大应用。
AI模型训练中过拟合和欠拟合的区别是什么？
workflower的博客
07-28 614
定义：模型未能充分学习到数据中的规律，对训练数据的拟合程度较差，在训练集和测试集上的表现都不好（如准确率低、损失值高）。- 定义：模型过度学习了训练数据中的细节（包括噪声和随机波动），导致对训练数据拟合效果极好，但对未见过的测试数据泛化能力差。- 表现：训练集性能极好（如准确率接近100%），但测试集性能明显下降，两者差距很大。- 表现：训练集和测试集的性能指标（如准确率）都较低，且两者差距不大。- 过拟合：模型“学太死”，只对训练数据表现好，对新数据没用。- 模型结构过于复杂（如参数过多）；
RoPE：相对位置编码的旋转革命——原理、演进与大模型应用全景
拒绝AI玄学，只聊真技术▲
07-26 2054
RoPE通过几何旋转的统一框架，实现了位置编码的相对性、可逆性与外推性的平衡，成为大模型位置感知的基石技术。跨模态统一：N维李群框架支撑视频、3D点云位置建模动态频率学习：替代预设θbaseθbase​，实现任务自适应编码鲁棒性增强：融合FoPE思想抵抗深层频谱损坏RoPE的本质是将位置关系映射为复数空间的旋转群——它不仅是Transformer的“位置感知器”，更是AI理解时空的数学透镜。当旋转矩阵的维度从文本扩展到图像、视频乃至物理世界，位置编码的数学之美正在重构AI对世界的认知方式。
人工智能时代的战略竞争优势商业模式创新培训讲师培训师专家咨询顾问唐兴通谈个性化在制造业金融业医疗医药石油化工SARS软件行业大客户营销与销售背后的价值
Akibfrycc的博客
07-26 906
这让我想起《孙子兵法》中的"迅雷不及掩耳"——当你的竞争对手还在为季度营销计划绞尽脑汁时，真正的领导者已经构建了能够同时运行数百个覆盖数百万客户的实验系统，在短短几天内就能提取洞察，并将其融入下一轮互动。他们深谙个性化的真谛：结合智能整合与自动化，在敏捷团队中跨越功能孤岛，将测试和学习的时间线压缩至小时级别，月度实验数量提升至数千个。真正的个性化能力竞争是组织能力的竞争。今日，不知多少企业迷信于购买昂贵的营销自动化平台，招揽数据科学家，实施CRM系统，却依然无法真正理解客户，更遑论预测需求、创造价值。
AI崛起后，对使用AI的一些小思考
2303_81991798的博客
07-29 761
AI编程工具的快速发展极大降低了技术门槛，使普通用户也能轻松制作静态网页等项目。然而，真正的技术壁垒在于后端开发、SEO优化等专业领域。开发者需从用户需求出发，关注解决实际痛点而非技术本身。在变现方面，需设计符合用户心理的定价策略，如免费增值模式和小额支付。面对大厂竞争，应通过优化体验、建立品牌等方式提升用户粘性。AI时代，创意和服务能力比技术实现更重要。
Spring AI 项目实战（二十）：基于Spring Boot + AI + DeepSeek的智能环境监测与分析平台（附完整源码）
博客
07-26 581
本文介绍了基于Spring Boot和DeepSeek大语言模型开发的智能环保监测系统。该系统实现了多类型传感器数据采集、实时监测、AI异常检测、污染源识别、趋势预测和治理方案推荐等功能，采用前后端分离架构，整合了Spring Boot、Vue3、MySQL等技术栈。项目通过AI技术提升了环保监测的智能化水平，解决了传统系统在实时性、分析能力和预警机制等方面的不足。
TDengine 中 TDgpt 异常检测的数据密度算法
TDengine(老段）专注时序数据库领域
07-29 185
Local Outlier Factor(LOF)，局部离群因子/局部异常因子，是 Breunig 在 2000 年提出的一种基于密度的局部离群点检测算法，该方法适用于不同类簇密度分散情况迥异的数据。根据数据点周围的数据密集情况，首先计算每个数据点的局部可达密度，然后通过局部可达密度进一步计算得到每个数据点的一个离群因子。该离群因子即标识了一个数据点的离群程度，因子值越大，表示离群程度越高，因子值越小，表示离群程度越低。最后，输出离群程度最大的。后续待添加基于数据挖掘检测算法。第三方异常检测算法库。
车载图传系统：移动场景下的 “信息中枢”
伟博 图传解决方案
07-28 814
车载图传系统凭借其卓越的技术性能、丰富的功能特性以及广泛的应用场景，已成为现代移动作业不可或缺的重要组成部分。它不仅为各行业的高效运转提供了有力支撑，更在保障公共安全、提升城市治理水平等方面发挥着关键作用。随着技术的不断进步，车载图传系统必将迎来更广阔的发展空间，为构建更加智能、安全、高效的社会环境贡献更大力量。
RFID系统防碰撞技术：ALOHA算法研究与应用
在RFID系统中，基本的ALOHA协议已不足够应对碰撞问题，因而衍生出更复杂的变种，如帧时隙ALOHA（Slotted ALOHA）算法。 帧时隙ALOHA算法是ALOHA协议的一个改进版本，它将时间分成一系列离散的时隙，并规定所有RFID...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值