A 3D-Deep-Learning-based Augmented Reality Calibration Method for Robotic Environments using Depth Sensor Data
Technical University of Berlin(柏林工业大学);Microsoft Cloud and AI Security(微软云与人工智能安全部门)
增强现实和移动机器人由于具有使过程成本和时间有效的高潜力而在工业中获得了很多关注。为了促进增强现实,增强现实设备和环境之间的校准是必要的。这是一个挑战,当处理移动机器人由于所有实体的移动性,使环境动态。在这个帐户上,我们提出了一种新的方法来校准的增强现实设备使用3D深度传感器数据。我们使用尖端增强现实设备的深度相机-微软Hololens进行基于深度学习的校准。因此,我们修改了一个神经网络的基础上,最近发表的投票网架构,直接对点云输入观察的全息透镜。我们实现了令人满意的结果,并消除了标记等外部工具,从而为增强现实集成提供了更直观、更灵活的工作流程。结果适用于所有深度相机,并有希望进行进一步的研究。此外,我们还介绍了一个开源的3D点云标记工具,据我们所知,这是第一个用于标记原始点云数据的开源工具。
2019-12-27 cs.CV cs.LG cs.RO
Matrix-Based Characterization of the Motion and Wrench Uncertainties in Robotic Manipulators
University at Buffalo(布法罗大学);Clemson University(克莱姆森大学)
机器人不确定性的表征是本文的重点。基于随机矩阵理论(RMT),我们提出了不确定性表征方案,其中的不确定性是在宏观(系统)级建模。这与传统的在微观(状态)水平的参数空间中建模不确定性的方法不同。我们表明,扰动系统矩阵,而不是系统的状态提供了独特的优势,特别是对机器人机械手。首先,它只需要有限的统计信息,当处理复杂系统时,这些信息变得有效,因为无法获得有关其可变性的详细信息。第二,基于RMT的模型知道系统状态和配置是影响系统行为不确定性水平的重要因素。在这项研究中,除了在我们早期的工作中首次提出的运动不确定性分析,我们还开发了一个基于RMT的模型,用于量化多智能体协作系统中的静态扳手不确定性。该模型的目的是成为一种替代精心设计的参数制定时,只有粗略的界限上的系统参数。我们讨论了如何基于RMT模型变得有利时,系统的复杂性增加。我们在KUKA youBot手臂上进行了实验研究,以证明基于RMT的运动不确定性模型的优越性。我们展示了这些模型是如何在捕获真实系统的不确定性和提供精确的状态估计误差范围方面优于基于高斯假设的传统模型的。此外,实验支持我们的扳手不确定性量化模型,我们研究了移动机器人的合作系统的行为。结果表明,人们可以依赖于要求不高的RMT为基础的配方,但满足可接受的精度。
2017-07-07 cs.RO stat.AP
Dealing with Sparse Rewards in Continuous Control Robotics via Heavy-Tailed Policies
University of Maryland, College Park(马里兰大学帕克分校)
本文提出了一种新的重尾随机策略梯度(HT-PSG)算法来处理连续控制问题中稀疏回报的挑战。稀疏奖励在连续控制机器人任务中是常见的,例如操纵和导航,并且由于状态空间上的价值函数的非平凡估计而使得学习问题变得困难。这就需要奖励塑造或稀疏奖励环境的专家示范。然而,获得高质量的演示是相当昂贵的,有时甚至是不可能的。我们提出了一个重尾的政策参数化以及修改的动量为基础的策略梯度跟踪计划(HT-SPG),以诱导一个稳定的探索行为的算法。所提出的算法不需要访问专家演示。我们测试了HT-SPG在具有稀疏奖励的连续控制的各种基准任务上的性能,例如1D Mario,Pathological Mountain Car,OpenAI Gym中的Sparse Pendulum和Sparse MuJoCo环境(Hopper-v2)。我们在所有任务中表现出一致的性能改善,平均累积奖励高。HT-SPG还证明了改进的收敛速度与最小样本,从而强调了我们提出的算法的样本效率。
2022-06-12 cs.LG cs.RO cs.SY
Hypothesis on the Functional Advantages of the Selection-Broadcast Cycle Structure: Global Workspace Theory and Dealing with a Real-Time World
Graduate School of Engineering Science, The University of Osaka(大阪大学工学研究科);AI Lab, CyberAgent Inc.(CyberAgent公司);Faculty/School of Law, Kyoto University(京都大学法学院)
本文探讨全局工作空间理论(GWT)提出的选择-广播循环结构的功能优势,强调其循环结构对实时认知系统的益处,提出三大适应优势,为复杂决策的AI和机器人认知架构提供新方向。
2025-05-20 cs.AI cs.RO
User oriented assessment of vibration suppression by command shaping in a supernumerary wearable robotic arm
Georgia Institute of Technology(佐治亚理工学院)
由于人体组织和机器人交界处的弹性,多余机器人肢体(SRL)表现出固有的顺应性行为。这种合规性可能会显著影响某些SRL的运行,具体取决于应用。为了控制SRL的残余振动,我们使用了一种输入整形方法,这是一种计算成本低廉的方法。鲁棒性分析证明了该方法在控制SRL残余振动方面的有效性。用户研究表明,使用输入整形来减少振动可以直接将用户满意度和舒适度提高至少9%。36%的用户更喜欢未成形的命令。我们假设,形状的命令把一个更高的认知负荷的用户相比,未成形的命令。这表明,在处理人机交互时,用户满意度成为与传统性能标准同等重要的参数,在评估任何振动控制方法的成功时都应考虑在内。
2018-08-10 cs.RO
An Approach For Robots To Deal With Objects
University of Tsukuba(筑波大学);The National Institute of Advanced Industrial Science & Technology (AIST)(独立行政法人产业技术综合研究所);Politeknik Negeri Semarang(三宝垄国立理工学院)
机器人在处理物体以完成任务时,理解物体及其上下文是非常重要的。本文提出了一种基于支付能力的本体(ABO),以方便机器人处理实体和非实体对象。ABO是一种机器可理解的对象及其关系的表示,通过它与什么相关以及如何相关。通过使用ABO,当处理实体对象时,机器人可以理解其对象的表示及其与其他非实体对象的关系。当实体对象不可用时,机器人具有根据对象及其功能的理解能力,以选择非实体对象来完成任务,例如给予雨衣或帽子,而不是由于实体对象(例如伞)不可用时而被卡住。实验是在日本筑波国立先进工业科学技术研究所(AIST)的泛在机器人技术(u-RT)空间中进行的。
2012-05-06 cs.RO
Analysis of Social Robotic Navigation approaches: CNN Encoder and Incremental Learning as an alternative to Deep Reinforcement Learning
Universidade de Pernambuco(伯南布哥大学);Istituto Italiano di Tecnologia(意大利理工学院)
在机器人场景中处理社交任务是困难的,因为让人类参与学习循环与大多数最先进的机器学习算法不兼容。在探索增量学习模型时就是这种情况,特别是涉及强化学习的模型。在这项工作中,我们讨论了这个问题和可能的解决方案,通过分析以前的研究自适应卷积编码器的社会导航任务。
2020-09-05 cs.AI cs.LG cs.RO
Non-linear stiffness behavior of planar serial robotic manipulators
Laboratoire des Sciences du Numérique de Nantes (LS2N)(南特数字科学实验室);Innopolis University(因诺波利斯大学);IMT Atlantique Nantes(大西洋矿业电信学院南特校区);Centre National de la Recherche Scientifique (CNRS)(法国国家科学研究中心)
针对多连杆串联平面机器人在压缩载荷作用下可能表现出非线性刚度特性的问题,进行了刚度分析。两个重要的情况下,被认为是机械手有一个直的或非直的初始配置。在第一种情况下,当载荷超过某个临界值时,机械臂可能发生屈曲,其直线形状和刚度特性发生突变。为了计算该临界力,提出了一种通用的基于特征值的方法,该方法可应用于任何多连杆串联机械臂。对于第二种情况处理非直线初始配置,一个通用的基于能量的技术被应用,允许检测准屈曲现象时,观察到非常快,但不是即时的变化的机械手的形状和它的刚度系数下的负载。这些结果说明了许多例子的非线性刚度行为的三连杆和四连杆机械手受到压缩力。
2022-02-17 cs.RO
Adaptive Robust Kernels for Non-Linear Least Squares Problems
University of Bonn(波恩大学)
状态估计是大多数机器人系统中的关键组成部分。通常,使用某种形式的最小二乘最小化来执行状态估计。基本上,所有适用于真实世界数据的误差最小化程序都使用鲁棒内核作为处理数据中异常值的标准方法。然而,这些内核通常是手工挑选的,有时是不同的组合,并且它们的参数需要针对特定问题手动调整。在本文中,我们提出了使用一个广义的强大的核家庭,这是自动调整的残差分布的基础上,包括常见的m-估计。我们测试了我们的自适应内核与机器人技术中两个流行的估计问题,即ICP和光束法平差。本文提出的实验表明,我们的方法提供了更高的鲁棒性,同时避免了手动调整的内核参数。
2021-02-18 cs.RO
High-level robot programming based on CAD: dealing with unpredictable environments
University of Coimbra(科英布拉大学);Institute for Systems and Computer Engineering of Porto(波尔图系统与计算机工程研究所)
目的-本文的目的是提出一种基于CAD的人机界面,允许非专家用户教机器人的方式类似于人类相互教导。设计/方法/方式-直观的机器人编程是通过使用CAD图纸离线生成机器人程序。感觉反馈允许最小化不确定性的影响,提供信息以在机器人操作期间调整机器人路径。结果-据发现,它是可能的,从一个共同的CAD图纸生成一个机器人程序,并运行它没有任何重大的问题校准或CAD模型的准确性。研究限制/影响-所提出的系统的限制与事实有关,它的目的是用于特定的技术应用。实际影响-由于大多数制造企业有CAD软件包在他们的设施今天,基于CAD的机器人编程可能是一个很好的选择,而不需要熟练的机器人程序员编程机器人。独创性/价值-本文提出了一种新的基于CAD的机器人编程系统。机器人程序直接从运行在常用3D CAD软件包(Autodesk Inventor)上的CAD绘图生成,而不是从商业计算机辅助机器人(CAR)软件生成,使其成为简单的CAD集成解决方案。这是一个低成本和低设置时间的系统,不需要高级的机器人编程技能来操作它。总之,机器人程序是从机器人语言的高度抽象生成的。
2013-09-09 cs.RO
Hybrid Simulator for Space Docking and Robotic Proximity Operations
在这项工作中,我们提出了一个混合模拟器空间对接和机器人接近操作方法。该方法还允许通过使用实际机器人来仿真在复杂环境中操作的目标机器人。仿真方案旨在复制目标机器人与环境交互的动态行为,而不需要处理复杂的接触动力学计算。该方法为柔性空间机器人的任务验证奠定了基础。实际的仿真机器人在结构上是刚性的,而目标机器人可以代表任何类别的机器人,例如,灵活、冗余或空间机器人。虽然仿真机器人与目标机器人在动力学上并不等价,但通过采用本文所提出的控制律,可以达到仿真机器人与目标机器人的动力学相似。深入分析了干扰和执行器动力学对机器人仿真保真度和接触稳定性的影响。
2022-10-08 cs.RO cs.SY eess.SY
Reinforcement Learning with Lie Group Orientations for Robotics
Technical University of Munich(慕尼黑工业大学)
本文针对机器人强化学习中朝向处理的数学正确性问题,提出一种遵循李群结构的网络输入输出修改方法,在多种机器人控制任务中显著优于常见朝向表示。
2024-11-05 cs.LG cs.RO
Proactive slip control by learned slip model and trajectory adaptation
University of Lincoln(林肯大学)
本文提出了一种新的控制方法来处理对象滑移过程中的机器人操作运动。滑移是许多机器人抓取和操作任务失败的主要原因。现有工程增加抓地力,以避免/控制滑动。然而,当(i)机器人不能增加夹持力--已经施加了最大夹持力,或者(ii)增加的力损坏了所夹持的物体(例如软水果)时,这可能是不可行的。此外,机器人在物体表面形成稳定抓握时固定抓握力,并且在实时操作期间改变抓握力可能不是有效的控制策略。我们提出了一种新的控制方法,包括一个学习的行动条件滑移预测器和约束优化避免预测滑移给定所需的机器人动作。我们提出的轨迹自适应方法与滚动时域控制器的有效性与一系列真实的机器人测试案例。我们的实验结果表明,我们提出的数据驱动的预测控制器可以控制在训练中看不见的对象的滑移。
2022-09-13 cs.RO
Physics-informed Machine Learning for Static Friction Modeling in Robotic Manipulators Based on Kolmogorov-Arnold Networks
Department of Engineering Mechanics, Tsinghua University, Beijing 100084, China(清华大学工程力学系)
针对传统机器人静摩擦模型需预设函数假设的局限,提出基于KAN的物理启发机器学习方法,兼顾精度与可解释性,实验验证其性能优异,可提取有物理意义的摩擦表达式。
2025-11-13 cs.LG cs.RO
Virtual and Remote Robotic Laboratory Using EJS, MATLAB and LabVIEW
UNED(西班牙国立远程教育大学);Complutense University(马德里康普顿斯大学)
本文介绍了一个基于EJS和LabVIEW的虚拟与远程机器人实验室,用于改善移动机器人传感器学习,支持仿真与远程操作真实机器人,并已在硕士课程中应用。
2024-02-09 cs.RO cs.SY eess.SY
Real-Time Grasping Strategies Using Event Camera
Khalifa University(哈利法大学);Khalifa University of Science and Technology(哈利法科学技术大学);Strata Manufacturing PJSC(斯特拉制造有限公司);Purdue University(普渡大学);Kingston University(金斯顿大学)
机器人视觉在抓取应用中对感知环境起着关键作用。然而,传统的基于帧的机器人视觉,遭受运动模糊和低采样率,可能无法满足不断发展的工业要求的自动化需求。本文首次提出了一种基于事件的机器人抓取框架,用于在杂乱场景中抓取多个已知和未知物体。与标准的基于帧的视觉相比,神经形态视觉具有微秒级采样率和无运动模糊的优点。在此基础上,分别针对已知物体和未知物体的抓取,提出了基于模型和无模型的抓取方法。对于基于模型的方法,使用基于事件的多视图方法来定位场景中的对象,然后点云处理允许对象的聚类和配准。因此,所提出的无模型方法利用开发的基于事件的对象分割,视觉伺服和抓取规划定位,对准,并抓住目标对象。所提出的方法进行了实验验证与不同大小的对象,使用UR10机器人与眼在手神经形态相机和巴雷特手夹具。此外,在弱光环境下验证了所提出的两种基于事件的抓取方法的鲁棒性。这种低光操作能力显示出比使用标准的基于框架的视觉的抓取更大的优势。此外,所开发的无模型方法证明了与所提出的基于模型的方法相比,在没有先验知识的情况下处理未知对象的优势。
2021-07-15 cs.RO
Top-down and Bottom-up Feature Combination for Multi-sensor Attentive Robots
Technological Institute of Aeronautics (ITA)(航空技术学院(ITA));São Paulo State University (UNESP)(圣保罗州立大学(UNESP))
在实际任务中,机器人可获得的信息在时间和空间上都是广泛分布的,这就要求智能体搜索相关数据。在人类中,当声音、图像和气味在日常场景中呈现给他们的传感器时,他们面临着同样的问题,一个自然系统被应用:注意力。由于视觉在我们的日常生活中起着重要的作用,大多数关于注意力的研究都涉及这种感觉系统,同样的研究也被复制到机器人领域。然而,现在大多数机器人任务不仅仅依赖于视觉数据,这仍然是昂贵的。为了允许使用注意力的概念与其他机器人传感器,通常用于任务,如导航,自我定位,搜索和映射,一个通用的注意力模型已被提出。在这项工作中,特征映射函数被设计为从距离扫描仪和声纳传感器的数据中构建到该关注模型的特征映射。在高保真度的模拟机器人环境中进行了实验,结果表明该模型能够处理从多个传感器提取的多个特征上的突出刺激和目标驱动的注意力。
2013-07-22 cs.CV cs.RO
Multi-Camera Hand-Eye Calibration for Human-Robot Collaboration in Industrial Robotic Workcells
University of Padova(帕多瓦大学)
本文针对工业机器人工作单元中人机协作的多相机手眼标定问题,提出一种融合标定板到末端执行器变换和相机间相对变换约束的鲁棒标定方法,在 METRIC 数据集和真实工业数据上以少于 10 张图像即可超越现有最先进技术,并开源了算法实现。
2024-06-17 cs.CV cs.RO
RoboBrain: Large-Scale Knowledge Engine for Robots
Cornell University(康奈尔大学);Stanford University(斯坦福大学)
在本文中,我们介绍了一个知识引擎,它学习和共享知识表示,机器人进行各种任务。构建这样一个引擎带来了处理多种数据形式的挑战,包括符号、自然语言、触觉、机器人轨迹、视觉特征等。存储在引擎中的\textit{knowledge}来自多个来源,包括机器人在执行任务(感知、规划和控制)时的物理交互、来自互联网的知识库以及来自多个机器人研究小组的学习表示。我们讨论了各种技术方面和相关的挑战,如知识的正确性建模,推断潜在的信息和制定不同的机器人任务作为查询的知识引擎。我们描述的系统架构,以及它如何支持不同的机制,用户和机器人与引擎进行交互。最后,我们展示了它在三个重要的研究领域的使用:接地自然语言,感知和规划,这是许多机器人任务的关键组成部分。这个知识引擎是一个合作的努力,我们称之为机器人大脑。
2015-04-12 cs.AI cs.RO
Simplified discrete model for axisymmetric dielectric elastomer membranes with robotic applications
Hohai University(河海大学);University of Birmingham(伯明翰大学);Nanyang Technological University(南洋理工大学);University of Michigan(密歇根大学);Newcastle University(纽卡斯尔大学)
针对充气介电膜软体机器人仿真效率低、设计依赖试错的问题,提出基于一维离散微分几何的轴对称介电膜非线性力学数值模型,验证了其准确性,并揭示电弹性膜跳变特性可拓展软体机器人功能范围,为相关驱动器设计提供指导。
2024-04-23 cond-mat.soft cs.RO
Optimal Feed-Forward Control for Robotic Transportation of Solid and Liquid Materials via Nonprehensile Grasp
University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学);University of Bologna(博洛尼亚大学)
本文提出一种前馈控制方法,通过平滑动作和末端执行器重新定向防止托盘上非抓握物体的滑动与液体晃动,可集成于遥操作系统并动态生成满足约束的最短时间轨迹。
2023-06-25 cs.RO cs.SY eess.SY
Generalized Lazy Search for Robot Motion Planning: Interleaving Search and Edge Evaluation via Event-based Toggles
University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学)
惰性搜索算法可以有效地解决边缘评估是计算瓶颈的问题,如机器人运动规划的情况。这类算法中的最优算法LazySP将边缘评估限制为仅最短路径。这样做是以牺牲搜索工作为代价的,即,每次发现边无效时,LazySP都必须重新计算搜索树。当处理大型图形或高度混乱的环境时,这变得非常昂贵。我们的关键见解是需要平衡边缘评估和搜索工作,以最大限度地减少总规划时间。我们的贡献是双重的。首先,我们提出了一个框架,广义惰性搜索(GLS),无缝切换搜索和评估,以防止浪费的努力。我们表明,对于切换的选择,GLS是证明比LazySP更有效。第二,我们利用边缘概率的先验经验,得到GLS政策,最大限度地减少预期的规划时间。我们表明,GLS配备了这样的先验显着优于竞争对手的许多模拟环境中的R2,SE(2)和7自由度操纵的基线。
2019-07-22 cs.RO
An Intelligent Social Learning-based Optimization Strategy for Black-box Robotic Control with Reinforcement Learning
School of Marine Science and Technology, Northwestern Polytechnical University(西北工业大学海洋科学与技术学院);College of Electrical Engineering and Control Science, Nanjing Tech University(南京工业大学电气工程与控制科学学院)
针对黑箱机器人控制难题,提出智能社会学习(ISL)算法,融合学习、模仿与自学三种策略,结合强化学习思想,在MuJoCo基准和UR3机器人抓取任务中验证了其高效性与优越性。
2023-11-11 cs.AI cs.NE cs.RO
ROS-PyBullet Interface: A Framework for Reliable Contact Simulation and Human-Robot Interaction
King’s College London(伦敦国王学院);Honda Research Institute(本田研究院);The University of Edinburgh(爱丁堡大学);Harbin Institute of Technology(哈尔滨工业大学)
本文提出 ROS-PyBullet 接口框架,连接可靠接触仿真器 PyBullet 与机器人操作系统,并提供人机交互工具,通过用例展示其能力,代码开源。
2022-10-13 cs.LG cs.RO
Accelerating Laboratory Automation Through Robot Skill Learning For Sample Scraping
University of Liverpool(利物浦大学);University of Edinburgh(爱丁堡大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本研究提出一种无模型强化学习方法,使机器人学习从样品瓶中刮取粉末的策略,实现完全自主的样品刮取,加速实验室自动化进程。
2024-03-17 cs.AI cs.RO
Stability Analysis and Design of Momentum-based Controllers for Humanoid Robots
Istituto Italiano di Tecnologia(意大利理工学院)
拟人机器人的应用需要平衡和行走控制器的设计。虽然最近已经取得了可喜的成果,但鲁棒性和可靠的控制器仍然是控制界处理仿人机器人的一个挑战。基于动量的策略已经证明了它们在控制类人机器人平衡方面的有效性,但是这些控制器的稳定性分析仍然缺失。本文的贡献是双重的。首先,我们数值计算表明,应用最先进的基于动量的控制策略可能会导致不稳定的零动态。其次,我们提出了简单的修改,以避免在零动态水平的不稳定性的控制架构。通过对线性化系统关节空间的李雅普诺夫分析,证明了闭环系统的渐近稳定性。仿真和实验的iCub人形机器人的理论结果进行了验证。
2017-07-16 cs.RO math.OC
Hybrid Approach to Automation, RPA and Machine Learning: a Method for the Human-centered Design of Software Robots
DPC Polska(DPC波兰公司);Kobo Association(Kobo协会);University of Warsaw, ICM(华沙大学ICM)
工业4.0中最突出的趋势之一是采用机器人过程自动化(RPA),特别是作为精益方法的要素之一。RPA的全面实施充满了挑战,这些挑战既与日常业务运营的现实有关,从中小企业到SSC及其他,也与不断变化的就业市场的社会影响有关。为了成功解决这些问题,需要开发一种解决方案,以适应现有的业务运营,同时降低自动化过程的负面社会影响。为了实现这些目标,我们提出了一个混合的,以人为中心的方法来开发软件机器人。这种设计和实施方法将Living Lab方法与参与式设计的授权相结合,以启动混合软件机器人的共同开发和共同维护,该混合软件机器人在各种人工智能方法和工具的支持下,包括云中的交互和协作ML,将卑微的工作岗位转变为更高技能的职位,允许前员工继续担任机器人共同设计师和维护者,也就是说,作为共同程序员,他们使用定制的高级RPA领域特定语言(DSL)来监督机器学习过程,以调整机器人的功能并保持操作灵活性。
2018-11-06 cs.CY cs.LG cs.RO
Robot hazards: from safety to security
Alias Robotics S.L.(Alias Robotics 有限公司)
机器人领域正在经历巨大的变化。机器人正在扩散,很快就会无处不在。传统的工业系统正在被协作机器人所取代,而越来越多的专业和消费机器人被引入人们的日常活动中。机器人越来越多地与IT的其他方面交织在一起,并设想获得更多的自主权,与人类进行物理交互。我们声称,继个人电脑(PC)和智能手机之后,机器人是下一次技术革命,但机器人安全性却被制造商忽视。本文件的目的是提醒需要处理不仅与安全,但与机器人安全从一开始即将到来的技术时代。我们在此提供了一份文件,回顾了机器人的危险,并分析了不面对这些问题的后果。我们强烈主张现在必须采取安全第一的做法。
2021-11-12 cs.CR cs.CY cs.RO
Are Large Language Models Aligned with People's Social Intuitions for Human-Robot Interactions?
King’s College London(伦敦国王学院)
本研究测试LLMs在人机交互中是否与人类直觉一致,通过重现三项用户研究,发现GPT-4在两项中与用户高度相关,但视觉模型和评分偏高问题仍存。
2024-07-09 cs.AI cs.HC cs.RO
Shared Control Based on Extended Lipschitz Analysis With Application to Human-Superlimb Collaboration
Massachusetts Institute of Technology(麻省理工学院)
本文提出基于扩展Lipschitz分析的人机共享控制方法,通过添加新变量降低Lipschitz商,将可预测情况分配给机器人反应控制,不可预测情况交由人类,并应用于偏瘫患者进食任务中的超数肢体协作。
2023-09-01 cs.RO
Deep-Reinforcement-Learning-based Path Planning for Industrial Robots using Distance Sensors as Observation
Berlin Institute of Technology(柏林工业大学)
工业机器人广泛用于各种制造环境中,因为它们可以高效地完成重复性任务,例如装配或焊接。这些应用的一个共同问题是到达目的地而不与障碍物或其他机器人手臂碰撞。常用的基于采样的路径规划方法,如RRT,需要很长的计算时间,特别是在复杂的环境中。此外,需要事先了解使用它们的环境。当在新环境中使用这些方法时,需要进行设置超参数的繁琐工程工作,这是时间和成本密集型的。另一方面,深度强化学习在处理未知环境、推广新问题实例以及高效解决运动规划问题方面表现出了显著的效果。基于此,本文提出了一种基于深度强化学习的机器人运动规划器。我们评估了我们的模型对国家的最先进的抽样为基础的规划在几个实验。结果表明,我们的规划器在路径长度和执行时间方面的优越性。
2023-01-14 cs.AI cs.LG cs.PF
Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments
Institute of Intelligent Industrial Technologies and Systems, National Research Council of Italy(意大利国家研究委员会智能工业技术与系统研究所);Institute of Cognitive Sciences and Technologies, National Research Council of Italy(意大利国家研究委员会认知科学与技术研究所);University of Brescia(布雷西亚大学)
本文针对动态环境中人机多智能体系统,提出任务与运动解耦的组合规划框架,通过时间线规划与在线运动规划优化任务排序、分配和执行,在协作制造场景中验证可缩短执行时间并扩展应用范围。
2023-03-27 cs.AI cs.RO
Towards Continuous Time Finite Horizon LQR Control in SE(3)
German Research Center for Artificial Intelligence (DFKI GmbH)(德国人工智能研究中心(DFKI GmbH));Johannes Kepler University(约翰内斯·开普勒大学);University of Notre Dame(圣母大学);University of Bremen(不来梅大学)
本文针对自由漂浮机器人控制中有限时域 LQR 无法遵守 SE(3) 流形约束的问题,提出利用 SE(3) 的规范指数坐标及 Exponential map 将群结构嵌入 LQR 理论,以避免误差与奇异性问题。
2023-07-26 cs.RO cs.SY eess.SY