A Survey of Embodied Learning for Object-Centric Robotic Manipulation

这篇文章讨论了物体中心的机器人操作中的具身学习，这是具身人工智能领域中一个快速发展且具有挑战性的领域。这对于推动下一代智能机器人的发展至关重要，并且近年来引起了广泛关注。与数据驱动的机器学习方法不同，具身学习侧重于通过与环境的物理交互和感知反馈来进行机器人学习，因此特别适合于机器人操作。本文对这一领域的最新进展进行了全面的调查，并将现有工作分为三个主要分支：1）具身感知学习，旨在通过各种数据表示预测物体姿态和可用性；2）具身策略学习，侧重于使用强化学习和模仿学习等方法生成最佳机器人决策；3）面向任务的具身学习，旨在根据不同任务在物体抓取和操作方面的特征来优化机器人的性能。此外，我们还提供了公共数据集、评估指标、代表性应用、当前挑战和潜在未来研究方向的概述和讨论。与本调查相关的项目已经在https://github.com/RayYoh/OCRM_survey建立。

本文旨在综述物体中心机器人操作中的体验学习领域，并将现有工作分为三个主要分支。

本文提出了三个主要的体验学习分支：感知学习、策略学习和任务导向学习，并探讨了公共数据集、评估指标、代表性应用、当前挑战和未来研究方向。

值得关注的是，本文提供了一个与综述相关的项目，并提供了开源代码。此外，本文还提供了代表性应用程序的详细描述，并讨论了当前领域中的挑战和未来研究方向。

最近的相关研究包括：Learning to Grasp with Top-Down Semantic Attention and Bottom-Up Geometry Estimation, Embodied Learning for Visual Recognition, and Learning Dexterous In-Hand Manipulation.