Aravind Rajeswaran

关于

Aravind Rajeswaran 是一位专注于机器人学习与强化学习领域的杰出研究者，其研究方向涵盖灵巧机器人操控、视觉运动策略学习以及具身智能等前沿课题。他在多指灵巧手自主控制方面做出了奠基性贡献，通过将深度强化学习与示范学习相结合，显著突破了高维度机器人控制的技术瓶颈——相关成果累计获得超过300次引用，充分体现了其学术影响力。他提出的R3M框架利用人类视频数据进行视觉表征预训练，为机器人操控任务的高效学习提供了通用解决方案，已获82次引用。此外，他参与构建的OpenEQA基准系统将具身问答任务推进至基础模型时代，展现了其对人工智能与机器人交叉领域的深刻洞察。在实用性研究方面，他积极探索离线强化学习与仿真到现实迁移等关键问题，致力于降低机器人研究门槛。其工作不仅在学术界引发广泛关注，更为通用机器人操控系统的实际落地提供了重要的理论与技术支撑。

研究焦点

主要成就

代表论文

1. 1
   Dexterous Manipulation with Deep Reinforcement Learning: Efficient, General, and Low-Cost

   172 次引用 · 2019
2. 2
   Learning Complex Dexterous Manipulation with Deep Reinforcement Learning and Demonstrations

   124 次引用 · 2018
3. 3
   R3M: A Universal Visual Representation for Robot Manipulation

   82 次引用 · 2022
4. 4
   OpenEQA: Embodied Question Answering in the Era of Foundation Models

   46 次引用 · 2024
5. 5
   Learning Deep Visuomotor Policies for Dexterous Hand Manipulation

   43 次引用 · 2019
6. 6
   Dexterous Manipulation with Deep Reinforcement Learning: Efficient, General, and Low-Cost

   19 次引用 · 2018
7. 7
   CACTI: A Framework for Scalable Multi-Task Multi-Scene Visual Imitation Learning

   17 次引用 · 2022
8. 8
   Train Offline, Test Online: A Real Robot Learning Benchmark

   16 次引用 · 2023
9. 9
   Offline Reinforcement Learning from Images with Latent Space Models

   16 次引用 · 2020
10. 10
    Reinforcement learning for non-prehensile manipulation: Transfer from simulation to physical system

    9 次引用 · 2018

主要合作者

联系与链接