Wir präsentieren Human to Humanoid (H2O), ein auf Verstärkendem Lernen (RL) basierendes Framework, das die Echtzeit-Whole-Body-Teleoperation eines vollwinkligen humanoiden Roboters nur mit einer RGB-Kamera ermöglicht. Um ein groß angelegtes, umgeformtes Bewegungsdatensatz menschlicher Bewegungen für humanoide Roboter zu erstellen, schlagen wir einen skalierbaren "sim-to-data"-Prozess vor, um realisierbare Bewegungen mithilfe eines privilegierten Bewegungsimitators zu filtern und auszuwählen. Danach trainieren wir einen robusten Echtzeit-Bewegungsimitator für humanoide Roboter in Simulation unter Verwendung dieser verfeinerten Bewegungen und übertragen ihn auf den echten humanoiden Roboter in einem Nullschuss-Modus. Wir erreichen erfolgreich die Teleoperation dynamischer Whole-Body-Bewegungen in realen Szenarien, einschließlich Gehen, Rückwärtsspringen, Treten, Drehen, Winken, Schieben, Boxen usw. Nach unserem besten Wissen ist dies die erste Demonstration, die eine lernbasierte Echtzeit-Whole-Body-Teleoperation für humanoide Roboter erreicht.
He et al. (Do,) untersuchten diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: