PointNetPGAP-SLC: A 3D LiDAR-based Place Recognition Approach with Segment-level Consistency Training for Mobile Robots in Horticulture
University of Coimbra(科英布拉大学);Loughborough University(拉夫堡大学)
针对园艺环境中3D LiDAR地点识别的行间歧义问题,提出PointNetPGAP模型、段级一致性训练方法及HORTO-3DLM数据集,在相关数据集上取得优于现有最优模型的检索性能。
2024-10-09 cs.RO
Self-Supervised Visual Place Recognition Learning in Mobile Robots
CSAIL, MIT(麻省理工学院计算机科学与人工智能实验室)
位置识别是机器人导航中的一个关键组成部分,它使机器人能够重新建立以前访问过的位置,并同时使用这些信息来纠正其推算估计中发生的漂移。在这项工作中,我们开发了一种自我监督的方法来识别机器人。视觉环路闭合识别的任务被转换为度量学习问题,其中环路闭合的正面和负面示例的标签可以使用机器人已经使用的GPS辅助导航解决方案自举。通过利用传感器之间的同步,我们表明,我们能够学习任意实值图像描述符(包括最先进的CNN模型),这是专门面向移动机器人的视觉识别的适当的距离度量。此外,我们表明,新学习的嵌入可以特别强大的消歧视觉场景的任务,基于视觉的闭环识别移动机器人。
2019-05-11 cs.CV cs.LG cs.RO
On the Performance of ConvNet Features for Place Recognition
ARC Centre of Excellence for Robotic Vision(ARC机器人视觉卓越中心);Queensland University of Technology(昆士兰科技大学)
在深度学习在计算机视觉领域取得令人难以置信的成功之后,人们对将卷积网络(ConvNet)功能应用于机器人领域(如视觉导航和SLAM)产生了浓厚的兴趣。不幸的是,其中存在着根本性的分歧和挑战。计算机视觉数据集与机器人摄像机数据的特征非常不同,实时性能至关重要,性能优先级可能不同。本文全面评估和比较了三种最先进的ConvNets在与机器人导航特别相关的问题上的效用;视点不变性和条件不变性,并首次通过整合各种现有的(位置敏感哈希)和新的(语义搜索空间分区)优化技术,使用ConvNets与大型地图实现实时位置识别性能。我们在四个真实世界的数据集上进行了广泛的实验,以评估位置识别中的每一个具体挑战。结果表明,两个数量级的速度可以实现最小的精度下降,实现实时性能。我们证实,当面临严重的外观变化时,经过语义位置分类训练的网络在(特定)位置识别方面也表现得更好,并为网络和层最适合位置识别问题的不同方面提供了参考。
2015-07-29 cs.CV cs.RO
LocNet: Global localization in 3D point clouds for mobile vehicles
Zhejiang University(浙江大学);iPlus Robotics(爱普拉斯机器人(杭州)有限公司)
在没有任何先验知识的情况下,三维点云的全局定位是一个具有挑战性的问题。在本文中,提出了一种解决这个问题的方法,通过在全局先验映射中实现位置识别和度量姿态估计。具体来说,我们提出了一个半手工制作的表示学习方法,使用siamese LocNets的激光雷达点云,其中规定的地方识别问题的相似性建模问题。通过LocNet的最终学习表示,提出了一个仅具有范围观测的全局定位框架。为了证明我们的全球定位系统的性能和有效性,KITTI数据集被用来与其他算法进行比较,并在我们的长期多会话数据集进行评估。实验结果表明,该系统具有较高的精度。
2018-07-10 cs.LG cs.RO
Robust Place Categorization with Deep Domain Generalization
传统的机器人视觉场所分类方法假设训练图像和测试图像具有相似的视觉外观。因此,任何季节、光照和环境变化通常都会导致性能严重下降。为了解决这个问题,最近的工作已经提出采用领域自适应技术。虽然有效,但这些方法假设有关机器人将操作的场景的一些先验信息在训练时可用。不幸的是,在许多情况下,这种假设并不成立,因为我们通常不知道机器人将被部署在哪里。为了克服这个问题,在本文中,我们提出了一种方法,旨在学习分类模型能够推广到看不见的场景。具体来说,我们提出了一个新的深度学习框架的领域泛化。我们的方法开发的直觉,给定一组不同的分类模型与已知的域(例如,对应于多个环境,机器人),在新的域中的新样本的最佳模型可以直接计算在测试时通过最佳组合的已知模型。为了实现我们的想法,我们利用了深度领域自适应的最新进展,并设计了一个卷积神经网络架构,该架构具有执行批量归一化的加权版本的新层。我们的实验,在三个常见的数据集进行机器人的地方分类,证实了我们的贡献的有效性。
2018-05-30 cs.CV cs.RO
Learning Geometric and Photometric Features from Panoramic LiDAR Scans for Outdoor Place Categorization
Graduate School of Information Science and Electrical Engineering, Kyushu University(九州大学信息科学与电子工程研究生院);Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室);Faculty of Information Science and Electrical Engineering, Kyushu University(九州大学信息科学与电子工程学部);Technical University of Cartagena(卡塔赫纳技术大学)
本文提出利用CNN处理LiDAR获取的全景深度/反照率图像,通过构建MPO数据集实现户外场所分类,优于传统方法,验证了深度与反照率模态的联合使用有效性。
2026-03-13 cs.CV cs.RO
Low-effort place recognition with WiFi fingerprints using deep learning
Poznań University of Technology(波兹南理工大学)
使用WiFi信号进行室内定位是在移动设备上操作的现有个人室内定位系统的主要定位形式。WiFi指纹识别也用于移动机器人,因为WiFi信号通常在室内可用,并且可以提供粗略的初始位置估计,或者可以与其他定位系统一起使用。目前,最好的解决方案依赖于过滤、手动数据分析和耗时的参数调整来实现可靠和准确的定位。在这项工作中,我们建议使用深度神经网络来显着降低定位系统设计的劳动力负担,同时仍然取得令人满意的结果。假设采用最先进的分层方法,我们采用DNN系统进行建筑物/楼层分类。我们表明,堆叠的自动编码器允许有效地减少特征空间,以实现鲁棒性和精确的分类。在公开的UJIIndoorLoc数据集上验证了所提出的架构,并将结果与其他解决方案进行了比较。
2017-04-28 cs.NE cs.RO
Incremental Semantic Mapping with Unsupervised On-line Learning
本文介绍了一种增量式语义映射方法,在线无监督学习,基于自组织映射(SOM)的机器人代理。该方法包括一个映射模块,它增量地创建一个拓扑地图的环境,丰富的对象识别周围的每个拓扑节点,和一个模块的地点分类,赋予一个增量无监督学习SOM与在线训练。所提出的方法进行了测试,在实验中与真实世界的数据,其中它展示了有前途的能力,增量收购的拓扑地图丰富的语义信息,并聚类在一起的相似的地方,基于此信息。该方法还能够从新访问的环境中继续学习,而不会降低以前学习的信息。
2019-07-11 cs.LG cs.NE cs.RO
Developing efficient transfer learning strategies for robust scene recognition in mobile robotics using pre-trained convolutional neural networks
University of Bayreuth(拜罗伊特大学)
我们提出了四种不同的鲁棒迁移学习和数据增强策略,用于鲁棒的移动场景识别。通过在广泛可用的Event 8,Scene 15,Stanford 40和MIT 67数据集上训练三个移动就绪(EfficientNetB 0,MobileNetV 2,MobileNetV 3)和两个大规模基线(VGG 16,ResNet 50)卷积神经网络架构,我们展示了我们的迁移学习策略的泛化能力。此外,我们测试了我们的迁移学习策略的鲁棒性下的观点和照明变化使用KTH-Idol 2数据库。此外,在不同的迁移学习策略下,推理优化技术的一般性能和鲁棒性的影响进行了评估。实验结果表明,当采用迁移学习时,微调结合广泛的数据增强提高了移动场景识别的整体准确性和鲁棒性。我们使用各种基线卷积神经网络实现了最先进的结果,并在具有挑战性的移动机器人位置识别中显示了对照明和视点变化的鲁棒性。
2021-07-23 cs.CV cs.RO
Improving Place Recognition Using Dynamic Object Detection
Intel Corporation(英特尔公司);Alma College(阿尔玛学院)
我们提出了一种新的方法来放置识别非常适合于环境中有许多动态对象-对象,可能会或可能不会出现在代理的后续访问。通过将对象检测预处理步骤,我们的方法产生高质量的地方表示,将对象信息。这不仅导致在动态环境中显着改善的地方识别,它也显着降低内存/存储的要求,这可能会增加移动代理的有效性与有限的资源。
2020-06-12 cs.CV cs.RO eess.IV
A Holistic Visual Place Recognition Approach using Lightweight CNNs for Significant ViewPoint and Appearance Changes
University of Essex(埃塞克斯大学);ETH Zurich(苏黎世联邦理工学院);Australian Centre for Robotic Vision(澳大利亚机器人视觉中心);Queensland University of Technology(昆士兰科技大学)
本文提出了一种轻量级的视觉位置识别方法,能够实现高性能,低计算成本,和可行的移动机器人下显着的观点和外观的变化。在几个基准数据集上的结果证实,相对于最先进的方法,准确率平均提高了13%,平均加速了12倍。
2019-10-27 cs.CV cs.RO
Multi-modal panoramic 3D outdoor datasets for place categorization
Graduate School of Information Science and Electrical Engineering, Kyushu University(九州大学信息科学与电子工程研究生院);Polytechnic University of Cartagena (UPCT)(卡塔赫纳理工学院);Faculty of Information Science and Electrical Engineering, Kyushu University(九州大学信息科学与电子工程学系)
本文提出两个多模态全景三维户外数据集,用于语义场所分类,包含森林、海岸、住宅区、城市区及室内外停车场六类,通过激光扫描和同步图像获取数据,并比较了多种分类方法,取得高准确率。
2026-04-14 cs.CV cs.DB cs.RO
Multi-Platform Teach-and-Repeat Navigation by Visual Place Recognition Based on Deep-Learned Local Features
Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague(捷克布拉格技术大学信息学、机器人学与控制论研究所);Faculty of Electrical Engineering, Czech Technical University in Prague(捷克布拉格技术大学电气工程学院)
本文提出基于深度学习局部特征视觉地点识别的多平台示教-重复导航系统,结合新型水平偏移计算与公开数据集,实验证明其跨平台、室内外及昼夜鲁棒性优于现有方法。
2025-03-17 cs.CV cs.RO
SeqNetVLAD vs PointNetVLAD: Image Sequence vs 3D Point Clouds for Day-Night Place Recognition
Queensland University of Technology(昆士兰科技大学);QUT Centre for Robotics(昆士兰科技大学机器人中心)
位置识别是移动机器人定位和导航的关键能力。基于图像或视觉位置识别(VPR)是一个具有挑战性的问题,因为场景外观和摄像机视角可以显着改变时,地方重新访问。与传统的序列分数聚合或基于单个图像的技术相比,最近基于“顺序表示”的VPR方法已经显示出有希望的结果。在这些努力的同时,随着基于深度学习的点云处理的进步,也在探索基于3D点云的地点识别。然而,一个关键的问题仍然存在:是一个明确的3D结构为基础的地方表示总是优于一个隐式的“空间”表示的RGB图像序列的基础上,可以固有地学习场景结构。在这个扩展的摘要中,我们试图通过考虑类似的“度量跨度”来表示位置来比较这两种方法。我们比较了基于3D点云的方法(PointNetVLAD)与基于图像序列的方法(SeqNet等),并展示了基于图像序列的技术方法,甚至可以超越基于点云的方法在给定的度量范围内所实现的性能。这些性能变化可以归因于输入传感器的数据丰富度以及移动机器人的数据积累策略的差异。虽然对于这两种不同的模式来说,完美的苹果对苹果的比较可能是不可行的,但所提出的比较朝着回答有关空间表征的更深层次问题的方向迈出了一步,这些问题与自动驾驶和增强/虚拟现实等几个应用有关。源代码可在https://github.com/oravus/seqNet公开获取。
2021-06-22 cs.AI cs.CV cs.IR
Planning a Sequence of Base Positions for a Mobile Manipulator to Perform Multiple Pick-and-Place Tasks
Osaka University(大阪大学);National Institute of Advanced Industrial Science and Technology (AIST)(国立先进工业科学技术研究所(AIST))
在本文中,我们提出了一个规划器,计划一系列的移动机械手的基础位置,有效地和强大的收集存储在不同的托盘中的对象。我们实现了高效率,通过探索共同的领域,移动机械手可以抓住存储在多个托盘中的对象,同时移动移动机械手的共同领域,以减少移动移动基地所需的时间。我们确保鲁棒性,通过优化的基础位置与最佳的间隙定位的不确定性,使移动机械手可以完成任务,即使有一定的偏差,从计划的基础位置。此外,考虑到不同风格的对象放置在托盘中,我们分析了可行的方案,动态更新的基础上的剩余对象或目标对象的基础上,在一轮的任务被挑选的位置。在实验部分中,我们在各种场景下检查我们的规划器,包括不同的对象放置:(1)规则放置的玩具对象;(2)随机放置的工业部件;以及在线执行的不同方案:(1)应用全局静态基准位置;(2)动态更新基准位置。实验结果证明了该方法的有效性、鲁棒性和可行性。
2020-10-01 cs.RO
Non-Prehensile Multi-Object Placement with Mobile Robots via Diffusion-Based Trajectory Planning
University of Waterloo(滑铁卢大学);Vector Institute(向量研究所);Digital Research Alliance of Canada(加拿大数字研究联盟)
该研究针对移动机器人非夹持多物体精密放置问题,提出带因果分解的扩散规划器,在Push-T等基准及实物TurtleBot 3 Burger测试中,放置成功率、精度及重规划速度均优于对比方法。
2026-10-12 cs.RO
Learning Multi-Stage Pick-and-Place with a Legged Mobile Manipulator
Horizon Robotics
本研究提出一种在仿真中训练视觉运动策略的方法,用于四足移动操作机器人的多阶段抓取与放置任务,实现近80%的真实世界成功率,并展现出重新抓取等涌现行为。
2025-09-08 cs.RO
Planning an Efficient and Robust Base Sequence for a Mobile Manipulator Performing Multiple Pick-and-place Tasks
National Institute of Advanced Industrial Science and Technology (AIST)(国立先进工业科学技术研究所(AIST));Osaka University(大阪大学)
在本文中,我们解决了有效和强大的收集对象存储在不同的托盘使用移动机械手。提出了一种基于可达性数据库的求解完备方法,用于求解无碰撞的逆运动学解,从而确定可行基位置的求解完备集。此方法近似一组代表性的IK解决方案,在分别处理解决IK和检查碰撞时,这些解决方案特别有用。对于现实世界中的应用,我们考虑到基地定位的不确定性和计划的基础位置,减少必要的基础运动的数量收集目标对象的序列,该基地序列是强大的,移动机械手是能够完成的部分供应任务,即使有一定的偏离计划的基础位置。我们的实验证明了效率相比,定期的基本序列和在现实世界中的应用的可行性。
2020-03-09 cs.RO
An Image-based Approach of Task-driven Driving Scene Categorization
Peking University(北京大学);China North Vehicle Research Institute(中国北方车辆研究所)
通过视觉感知对驾驶场景进行分类是安全驾驶和自动驾驶汽车下游任务的关键技术。传统方法通过检测场景相关对象或使用在精细标记的场景图像的大数据集上训练的分类器来推断场景类别。而在校园、公园等杂乱的动态场景中,人的活动不受规则的强烈约束,场所的功能属性与对象的相关性不强。因此,如何定义,建模和推断场景类别是至关重要的,使该技术真正有助于帮助机器人通过场景。提出了一种基于弱监督数据的任务驱动驾驶场景分类方法。给定驾驶场景的前视视频,通过遵循人类驾驶员的决策来标记一组锚点,其中锚点不是语义标签,而是表示场景的语义属性不同于先前场景的语义属性的指示符。通过对比学习,学习了一种区分不同语义属性场景的度量,并基于该度量提出了一种驾驶场景的描述和分类方法。实验是在北京大学校园内车辆通过时拍摄的前视视频上进行的。场景分为直行道路、转弯道路和警戒交通。对语义场景相似性学习和驾驶场景分类的结果进行了深入的研究,在学习视频和新场景视频上的场景分类正确率分别为97.17%和85.44%。
2021-03-10 cs.CV cs.RO
Rethinking the semantic classification of indoor places by mobile robots
Spanish Ministerio de Ciencia, Innovación y Universidades(西班牙科学、创新与大学部)
本文提出了一种新的语义分类方法,通过允许房间内的混淆来提高移动机器人对室内场所的理解能力。
2026-03-09 cs.RO
Handle Anywhere: A Mobile Robot Arm for Providing Bodily Support to Elderly Persons
Massachusetts Institute of Technology(麻省理工学院);Harvard Medical School(哈佛医学院);Spaulding Rehabilitation Hospital(斯波尔丁康复医院)
与运动有关的活动能力丧失和跌倒风险增加仍然是促进就地老龄化的重要障碍。许多老年人缺乏必要的协调性和力量来完成家中的常见动作,例如起床或步入浴缸。传统的解决方案是在各种表面上安装扶手杆;然而,由于房间布局的可行性限制,这些扶手杆通常不会放置在最佳位置。在本文中,我们提出了一个移动机器人,提供了一个老年人在空间中的任何地方处理-“处理任何地方”。该机器人由一个全向移动基地连接到一个可重新定位的手柄。我们分析了四种日常生活活动中的姿势变化,并确定了每种活动中需要最大肌肉努力的身体姿势。使用一个简单的人体模型,我们开发了一种方法来优化手柄的位置,以便在最努力的时候为老年人提供最大的支持。我们的模型与实验测试进行了验证。我们讨论了如何使用机器人设备来提高患者的移动性和减少跌倒的发生率。
2022-09-30 cs.RO
Mobile Manipulation Planning for Tabletop Rearrangement
针对移动机器人在桌面重排中因移动限制导致的低效问题,提出允许单站立位置执行多操作并引入状态重探索的规划策略,显著提升解质量与规划速度。
2025-05-24 cs.RO
Learning Deep Generative Spatial Models for Mobile Robots
University of Washington(华盛顿大学)
我们提出了一个新的概率框架,允许移动机器人自主学习深度,生成模型的环境,跨越多个层次的抽象。与将工程模型结合用于低级别特征、几何和语义的传统方法不同,我们的方法利用了和积网络(SPN)和深度学习的最新进展来学习机器人空间环境的单一通用模型。我们的模型是完全概率和生成的,并代表了一个联合分布的空间信息,从低层次的几何语义解释。一旦学会,它就能够解决各种各样的任务:从地方的语义分类,不确定性估计和新颖性检测,到基于语义信息生成地方外观和预测部分观测中的缺失数据。对移动机器人激光测距数据的实验表明,所提出的通用模型的性能优于针对一个特定任务进行微调的最新模型,如生成对抗网络(GANs)或SVM。
2017-12-28 cs.RO
A Scenario-Based Mobile Application for Robot-Assisted Smart Digital Homes
Razi University(拉齐大学)
灵巧家庭越来越受欢迎,因为每天都有新的家用电器可以数字控制。智能数字家庭使用服务器在一个地方,在计算机或网页上与所有可能的设备进行交互。在本文中,我们设计和实现了一个移动应用程序,使用Windows Mobile平台,可以连接到一个灵巧家庭的控制服务器,并授予访问灵巧家庭设备和机器人无处不在。UML图来说明应用程序的设计过程。机器人也被认为是能够与其他物体和设备进行交互的设备。场景被定义为一组顺序操作,以帮助在一个地方管理不同的任务。移动应用程序可以使用GPRS移动互联网和短消息系统(SMS)连接到服务器。交互式家庭地图也被设计为更容易的状态检查和使用移动电话与设备交互。
2010-09-27 cs.RO
Learning and Reasoning with Action-Related Places for Robust Mobile Manipulation
University of Southern California(南加州大学)
我们提出了任务相关地点(ARPlace)的概念,作为一个强大的和灵活的任务相关的地方在移动操作的背景下表示。ARPlace不是将机器人基础位置表示为单个位置,而是表示为位置的集合,每个位置都有一个关联的概率,即当位于该位置时,操作动作将成功。ARPlaces使用通过基于经验的学习获得的预测模型生成,并考虑到机器人对自身位置和待操作对象位置的不确定性。当执行任务时,机器人不是仅基于关于任务上下文的初始知识来选择一个特定的目标位置,而是实例化一个ARPlace,并将其决策基于该ARPlace,该ARPlace随着关于任务的新信息变得可用而更新。为了展示这种最小承诺方法的优势,我们提出了一个转型计划,原因ARPlaces,以优化象征性的计划。我们的实证评估表明,使用ARPlaces导致更强大和更有效的移动操作在面对我们的模拟机器人的状态估计的不确定性。
2014-01-18 cs.AI cs.RO
Affordance-Guided Coarse-to-Fine Exploration for Base Placement in Open-Vocabulary Mobile Manipulation
本文提出了一种基于 affordance 的粗到细探索方法,通过结合视觉语言模型的语义理解和几何可行性,提升开放词汇移动操控中基座放置的成功率。
2026-01-03 cs.AI cs.RO
Automation of Mobile Pick and Place Robotic System for Small Food Industry
Central South University(中南大学);Norwegian University of Science & Technology (NTNU)(挪威科技大学)
近年来,机器人技术在食品工业中的应用越来越普遍。只要机器人技术能够满足食品生产商多样化和具有挑战性的需求,这一趋势似乎就会持续下去。数字计算机和控制系统技术的快速发展对机器人和其他工程领域产生了重大影响。通过利用新的硬件和软件工具,这些需要不同学科强集成的复杂系统的设计与过去相比不再困难。因此,本文的目的是设计和实现一个基于微控制器的可靠和高性能的食品/饼干生产线的机器人系统。我们提出了一种车辆的设计。机器人能够拾取未烘焙的饼干托盘并将其放入炉中,然后在烘焙后从炉中拾取饼干托盘。特殊的夹持器设计,可灵活地拾取和放置饼干托盘。
2012-03-20 cs.ET cs.RO
NarraGuide: an LLM-based Narrative Mobile Robot for Remote Place Exploration
Department of Computer Sciences\ of Wisconsin--Madison Department of Computer Sciences, University of Wisconsin--Madison;The Robotics Institute\ Mellon University Carnegie Mellon University;Department of Computer Sciences\ of Wisconsin--Madison;The Robotics Institute\ Mellon University
针对机器人远程临场系统依赖用户环境先验知识、不适用于陌生场所探索的问题,研发了具备位置感知LLM叙事能力的对话式移动机器人原型NarraGuide,经地质博物馆20人测试验证了其提升远程探索体验的潜力。
2025-09-01 cs.HC cs.RO
Enabling Failure Recovery for On-The-Move Mobile Manipulation
Queensland University of Technology(昆士兰科技大学);LYRO Robotics(LYRO机器人公司)
提出一种反应式基座控制方法,使移动机械臂在移动中从操纵故障中恢复,兼顾可靠性与性能。
2023-05-15 cs.RO
Android Controlled Mobile Robot Design with IP Camera
在这项研究中,实现了基于Arduino卡的移动机器人设计。该机器人可以用作安全机器人、辅助机器人或控制机器人。所设计的机器人有两种操作模式。第一操作模式是自主模式。在这种模式下,机器人借助放置在其周围的超声波传感器检测周围环境,并通过使用编码器跟踪其经过的地方。它能够在不击中任何地方和从它所经过的地方通过的情况下导航,并通过安装在其上的其他系统将患者的脉搏和温度情况传输给用户。IP摄像机还将场景发送到屏幕上。放置在患者旁边的紧急按钮在紧急情况下向用户发送信息。如果再次检测到温度和脉搏异常,则用户给出消息。当预先记录的药物使用时间到来时,系统可以提醒患者。第二种模式是手动模式。在这种模式下,用户可以用Android操作系统移动机器人所需的方向。此外,在自主模式下接收的所有数据都可以发送给用户。因此,即使移动机器人不在机器人附近,用户也可以利用相机图像控制移动机器人。
2021-01-20 cs.AI cs.RO
Trajectory Control for Differential Drive Mobile Manipulators
WPI(伍斯特理工学院)
针对室内仓库中的移动机械臂,提出一种计算执行器指令的轨迹控制方法,使系统在不违反非完整约束的前提下跟踪期望轨迹,并在 Fetch 机器人上验证了动力学建模、轨迹规划、状态机和逆运动学等核心贡献。
2023-03-31 cs.RO
HomeRobot Open Vocabulary Mobile Manipulation Challenge 2023 Participant Report (Team KuzHum)
Ukrainian Catholic University(乌克兰天主教大学)
本文介绍 KuzHum 队对 HomeRobot OVMM 强化学习基线的改进,通过语义分割、放置策略和高层启发式提升成功率,并在仿真与真实赛道均获第三名。
2024-01-22 cs.CV cs.RO
Trajectory optimization for a class of robots belonging to Constrained Collaborative Mobile Agents (CCMA) family
ETH Zurich(苏黎世联邦理工学院)
我们提出了一类新的机器人属于约束协作移动代理(CCMA)家庭,其中包括地面移动基地与非完整约束。此外,这些移动机器人是由闭环运动链组成的旋转关节,可以是被动的或驱动的约束。我们还描述了一种新的轨迹优化方法,这是一般的移动机器人的数量,拓扑结构的闭环运动链和放置在转动关节的致动器。我们还扩展了独立的轨迹优化方法,以同时优化设计参数和控制策略。我们描述了各种CCMA系统的例子,在模拟中,不同的设计,拓扑结构,移动机器人的数量和驱动空间。以CCMA系统为例,给出了固定设计参数的独立轨迹优化的仿真结果。我们还展示了这种方法可以用于任务以外的末端执行器定位,如内部碰撞避免和外部避障。在仿真中,并行设计和控制策略优化被证明,以增加CCMA系统的工作空间和操纵能力。最后,通过两个由3个履带式移动基座组成的4自由度样机对轨迹优化方法进行了实验验证。
2019-10-12 cs.RO
AnywhereVLA: Language-Conditioned Exploration and Mobile Manipulation
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology(智能空间机器人实验室,数字工程中心,斯克尔科夫科学与技术研究所)
AnywhereVLA提出模块化移动操作框架,结合经典SLAM与微调VLA,实现未知室内环境中的语言引导拾取放置,达到46%任务成功率。
2025-09-25 cs.AI cs.RO
Empirical Analysis of Bi-directional Wi-Fi Network Performance on Mobile Robots in Indoor Environments
University of Georgia(佐治亚大学)
本文提出了一个框架来衡量的重要指标(吞吐量,延迟,数据包重传,信号强度等)。确定由机器人操作系统(ROS)中间件支持的移动机器人的Wi-Fi网络性能。我们通过室内环境中的实验装置分析了移动机器人的双向网络性能,其中移动机器人将重要的传感器数据(如来自摄像机的视频流和LiDAR扫描值)传输到命令站,同时通过从命令站接收的遥控速度命令导航室内环境。实验评估了2.4 GHz和5 GHz信道下的性能,不同的接入点(AP)的位置,每侧最多有两个网络设备。该框架可推广到车辆网络评估,本研究的讨论和见解适用于现场机器人社区,其中无线网络在现实环境中成功执行机器人任务方面发挥着关键作用。
2022-01-13 cs.NI cs.RO
Spatial Concept Acquisition for a Mobile Robot that Integrates Self-Localization and Unsupervised Word Discovery from Spoken Sentences
Ritsumeikan University(立命馆大学);National Institute of Informatics(国立信息学研究所);The Graduate University for Advanced Studies(综合研究大学院大学)
在本文中,我们提出了一种新的无监督学习方法的词汇收购的机器人访问的地方,从人类连续语音信号。我们解决的问题,学习新的单词的机器人,除了一个原始的声学模型,这些话没有先验知识。此外,我们提出了一种方法,允许机器人有效地使用学习的单词及其含义的自我定位任务。该方法是一种非参数贝叶斯空间概念获取方法(SpCoA),该方法通过与空间概念相关的潜变量,将自定位生成模型和无监督分词方法相结合。我们实现了所提出的方法SpCoA上SIGVerse,这是一个仿真环境,和TurtleBot2,这是一个移动机器人在真实的环境。此外,我们进行了用于评估SpCoA性能的实验。实验结果表明,SpCoA使机器人能够从语音句子中获取地名。他们还表明,机器人可以有效地利用获得的空间概念,减少自我定位的不确定性。
2016-05-07 cs.AI cs.CL cs.RO
Dynamic Placement of Rapidly Deployable Mobile Sensor Robots Using Machine Learning and Expected Value of Information
Google Research(谷歌研究院);AVEVA
虽然工业物联网增加了工业工厂中永久安装的传感器数量,但由于传感器损坏或密度稀疏,在非常大的工厂中(如石化行业),覆盖范围会有差距。现代应急响应行动开始使用小型无人机系统(sUAS),这些系统能够将传感器机器人投放到精确位置。sUAS可以提供无人机无法提供的长期持续监测。尽管这些资产的成本相对较低,但在紧急响应期间,在复杂的工厂环境中选择将哪些机器人传感系统部署到工业过程的哪个部分仍然具有挑战性。本文介绍了一个框架,用于优化部署的紧急传感器,实现机器人在灾难情况下的响应能力的初步步骤。人工智能技术(长短期记忆、一维卷积神经网络、逻辑回归和随机森林)识别传感器最有价值的区域,而无需人类进入潜在危险区域。在所描述的案例研究中,用于优化的代价函数考虑了假阳性和假阴性错误的代价。缓解措施的决定包括实施维修或关闭工厂。信息期望值(EVI)用于识别最有价值的物理传感器类型和位置,以增加传感器网络的决策分析价值。这种方法被应用到一个案例研究,使用田纳西州伊士曼化工厂的过程数据集,我们讨论了我们的研究结果的影响,在工厂的紧急情况和恢复能力的情况下,传感器的操作,分配和决策。
2021-11-15 cs.RO cs.SY eess.SY