A geometric approach towards inverse kinematics of soft extensible pneumatic actuators intended for trajectory tracking
Eindhoven University of Technology(埃因霍温理工大学);University of Twente(特文特大学)
软体机器人是机器人学中超冗余的有趣例子,然而,这些机器人的非线性连续动力学以及超弹性和粘弹性材料的使用使得这些机器人的建模更加复杂。提出了一种用于多段可伸缩软体机器人轨迹跟踪的几何逆运动学(IK)模型。使用优化方法,所需的配置变量的软致动器所需的末端执行器的位置。此外,机器人的冗余度应用于第二任务应用,例如倾角控制。该模型的性能进行了研究,通过模拟,数值基准测试和实验验证,结果表明,较低的计算成本和更高的精度相比,大多数现有的方法。该方法易于应用于多节软体机器人,无论是在2D和3D。作为案例研究,使用控制单元测试了完全3D打印的软体机器人操纵器,模型预测与实验结果吻合良好。
2022-11-11 cs.RO
Off-road Autonomous Vehicles Traversability Analysis and Trajectory Planning Based on Deep Inverse Reinforcement Learning
Key Lab of Machine Perception (MOE), Peking University(北京大学机器感知重点实验室(教育部))
地形可通过性分析是实现机器人在越野环境下自主行走的基础。基于几何和基于外观的方法已经研究了几十年,而基于行为的方法利用从演示示教学习(LfD)是新的趋势。基于行为的方法学习成本函数,指导轨迹规划符合专家的演示,这可以更可扩展到各种场景和驾驶行为。提出了一种基于深度最大熵逆强化学习的越野可通过性分析和轨迹规划方法。为了在解决状态空间复杂度指数增长的问题的同时结合车辆的运动学,使用了两个卷积神经网络,RL ConvNet和Svf ConvNet被开发用于将运动学编码到卷积核中,并实现高效的前向强化学习。我们在越野环境中进行实验。场景地图使用3D LiDAR数据生成,专家演示是车辆在场景中的真实行驶轨迹,或者是合成的轨迹,以表示特定的行为,例如穿越负面障碍物。在不同的能力场景下学习和测试了不同的可通行性分析成本函数,以指导不同行为的轨迹规划。我们还证明了所提出的方法的性能和计算效率。
2020-05-09 cs.LG cs.RO
Inverse Dynamics vs. Forward Dynamics in Direct Transcription Formulations for Trajectory Optimization
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所);Heriot-Watt University(赫瑞瓦特大学);The University of Edinburgh(爱丁堡大学)
国家的最先进的刚体动力学库的基准报告更好的性能解决逆动力学问题比向前的替代方案。这些基准鼓励我们质疑计算优势是否会转化为直接转录,其中计算刚体动力学及其衍生物占计算时间的很大一部分。在这项工作中,我们实现了一个优化框架,这两种方法都可以执行系统动态。我们评估的性能,每种方法的系统的不同复杂性,刚性接触域。我们的测试表明,配方使用逆动力学收敛速度更快,需要更少的迭代,更强大的粗问题离散化。这些结果表明,逆动力学应优先执行的非线性系统动力学的同步方法,如直接转录。
2021-03-11 cs.RO math.OC
Cycloidal Trajectory Realization on Staircase based on Neural Network Temporal Quantized Lagrange Dynamics (NNTQLD) with Ant Colony Optimization for a 9-Link Bipedal Robot
IIT Roorkee(印度理工学院鲁尔基分校)
针对足尖式机器人,提出了一种新的能量优化关节角轨迹跟踪控制方法。针对9连杆机器人爬楼梯的问题,提出了摆动阶段的摆线轨迹,使得摆线变量与楼梯尺寸有关。采用零力矩点(ZMP)准则满足稳定性约束。本文主要分为三个步骤:1)利用无监督的人工神经网络,通过节点移动的方法,规划出初始步和后续步的稳定摆线轨迹,以实现爬楼和逆运动学。2)利用拉格朗日动力学对脚趾脚的运动模型进行动力学建模,并利用弹簧-阻尼器系统进行接触建模,然后开发神经网络时间量化拉格朗日动力学,将神经网络的逆运动学输出作为其输入。3)采用蚁群优化算法对比例微分控制器参数和躯干角进行整定,以关节空间轨迹误差和总能量消耗最小为目标。三种情况下,与可变的楼梯尺寸,并做了简要的比较,以验证我们所提出的工作的有效性,产生的模式已经在MATLAB中进行了模拟。
2021-07-21 cs.NE cs.RO cs.SY
Prioritized Inverse Kinematics: Desired Task Trajectories in Nonsingular Task Spaces
Technical University of Munich(慕尼黑工业大学);German Aerospace Center(德国航空航天中心)
一个优先逆运动学(PIK)解决方案可以被认为是一个(调节或输出跟踪)控制律的动力系统优先多个输出。我们提出了一种方法,保证从一类PIK解决方案产生的联合轨迹存在唯一的非奇异配置空间。我们首先假设所需的任务轨迹停留在非奇异任务空间,并找到任务轨迹停留在所需的任务轨迹的邻域中的条件,在该邻域中,我们可以保证在非奇异配置空间中的联合轨迹的存在性和唯一性。基于这个结果,我们找到了任务收敛的充分条件,并分析了各种稳定性的概念,如稳定性,一致稳定性,一致渐近稳定性,指数稳定性在连续和离散时间。我们讨论了为什么任务的数量是有限的离散时间,并显示如何预处理可以用来克服这个限制。
2019-10-23 cs.RO cs.SY eess.SY
LUCIDGames: Online Unscented Inverse Dynamic Games for Adaptive Trajectory Prediction and Planning
Stanford University(斯坦福大学)
现有的博弈论规划方法假设机器人知道其他代理的目标函数先验,而在实际情况下,这是很少的情况。本文介绍了LUCIDGames,逆最优控制算法,能够估计其他代理的目标函数在实时,并将这些估计在线到一个滚动时域博弈论规划。LUCIDGames解决了逆最优控制问题,通过在递归参数估计框架中重新铸造它。LUCIDGames使用无迹卡尔曼滤波器(UKF)迭代更新其他代理的成本函数参数的贝叶斯估计,随着从其他代理的观察轨迹收集更多数据,在线改进该估计。然后,规划者考虑到其他代理的贝叶斯参数估计的不确定性,规划的轨迹机器人受到不确定性椭圆约束。该算法假设机器人和环境中的其他代理之间没有显式的通信或协调。LUCIDGames的MPC实现演示了复杂自动驾驶场景的实时性能,更新频率为40 Hz。实验结果表明,LUCIDGames提高了机器人的性能,现有的博弈论和传统的MPC规划方法。我们的LUCIDGames的实现可以在www.example.com上找到。
2020-11-16 cs.GT cs.RO
TORM: Fast and Accurate Trajectory Optimization of Redundant Manipulator given an End-Effector Path
KAIST(韩国科学技术院)
冗余机械手具有多个逆运动学解决方案,每个末端执行器位姿。因此,在笛卡尔空间中,可以存在遵循给定末端效应器路径的关节的许多轨迹。在本文中,我们提出了一个轨迹优化的冗余机械手(TORM)合成轨迹,按照给定的末端执行器路径准确,同时实现平滑和无碰撞的操作。我们的方法从整体上结合了三个所需的属性到轨迹优化过程中,通过集成雅可比的逆运动学求解方法和基于优化的运动规划方法。具体来说,我们使用两阶段梯度下降优化轨迹,以减少更新过程中不同属性之间的潜在竞争。为了避免陷入局部最小值,我们迭代地探索不同的候选轨迹与我们的局部更新。我们比较我们的方法与国家的最先进的方法在测试场景中,包括外部障碍和两个非障碍问题。我们的方法鲁棒性最大限度地减少姿态误差,同时满足各种理想的属性。
2020-11-07 cs.RO
Inverse Dynamics Control of Compliant Hybrid Zero Dynamic Walking
California Institute of Technology(加州理工学院)
我们提出了一个轨迹规划和控制架构的双足运动在各种速度的高度欠驱动和兼容的双足机器人。离线规划顺应性步行轨迹库,并将其存储为用于在线跟踪的多项式系数的紧凑阵列。控制实现使用一个浮动基础的逆动力学控制器,该控制器产生动态一致的前馈转矩,以实现步行使用从轨迹优化获得的信息。控制器的有效性证明在模拟和硬件上行走在室内平坦的地形和室外计划外的干扰。此外,控制器和优化源代码都可以在GitHub上获得。
2020-10-18 cs.RO
Momentum-Aware Trajectory Optimisation using Full-Centroidal Dynamics and Implicit Inverse Kinematics
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
针对现有全刚体动力学轨迹优化需预定义落脚点、调参复杂的问题,提出基于全质心动力学与隐式逆运动学的动量感知任务空间优化框架,可直接优化落脚点与接触力,在ANYmal C上实现高加速度动作并突破硬件限制。
2024-09-12 cs.RO
Collision-Free Inverse Kinematics Through QP Optimization (iKinQP)
Naval Research Laboratory(海军研究实验室)
提出一种基于二次规划的逆运动学方法iKinQP,通过将碰撞设为硬约束并优化平滑性,实现冗余机械臂实时生成无碰撞轨迹。
2023-08-29 cs.RO
Trajectory Planning and Certification for 3-DOF Robot Manipulators Using Real Quantifier Elimination Based on Comprehensive Gröbner Systems
University of Tsukuba, Tsukuba, Japan(茨口大学)
该研究针对3自由度机器人操作器,提出基于综合格罗贝格系统的实量词消去法(CGS-QE),用于轨迹规划与验证。通过计算参数系统的CGS避免逐点重算格罗贝格基,提高效率,还能验证多种轨迹的逆运动学解,算法在Risa/Asir中实现。
2026-07-14 cs.RO cs.SC math.AC
Grounding Driving VLA via Inverse Kinematics
Korea Advanced Institute of Science and Technology(韩国科学技术院);KimJaeChul AI Graduate School(金 JaeChul人工智能研究生院)
本文提出通过逆运动学求解器重新设计驾驶VLA,以解决轨迹预测中对视觉token的忽略问题,通过引入视觉状态预测和逆运动学网络,提升了视觉接地和轨迹规划性能。
2026-11-17 cs.AI cs.CV cs.RO
Stackelberg Meta-Learning for Strategic Guidance in Multi-Robot Trajectory Planning
New York University(纽约大学)
本文提出Stackelberg元学习方法,通过动态博弈建模和元学习,使领导者机器人快速适应不同跟随者,实现高效多机器人轨迹引导,提升泛化与适应性能。
2023-07-29 cs.RO
Constrained Bimanual Planning with Analytic Inverse Kinematics
Massachusetts Institute of Technology(麻省理工学院);Computer Science and Artificial Intelligence Laboratory (CSAIL)(计算机科学与人工智能实验室)
针对双臂机器人操纵物体时末端执行器变换固定的约束,提出利用解析逆运动学参数化配置空间,将可行集从零测度转为正测度,并兼容多种现有规划算法。
2024-03-13 cs.RO
An Effective Trajectory Planning and an Optimized Path Planning for a 6-Degree-of-Freedom Robot Manipulator
University of Tsukuba, Tsukuba, Japan(茨川大学)
本文提出一种基于计算机代数的六自由度机械臂路径规划优化方法,通过三步流程(计算可行区域、确定轨迹与关节序列、利用Dijkstra算法求解最优逆运动学组合)实现高效规划,并经实验验证其有效性。
2025-09-06 cs.RO cs.SC math.AC
Learning Asynchronous Upper-body Task-space Trajectory Tracking Policy for Humanoid Robots
Zhejiang University(浙江大学)
针对规划与执行间的异步问题,提出异步上肢任务空间跟踪框架,通过教师-学生蒸馏初始化策略,结合滑动窗口全局奖励减少帧漂移,并利用MPC模块和自引导约束实现稀疏参考跟踪,仿真与硬件实验验证了低更新率下的优越性能。
2026-10-19 cs.RO
SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization
SPARK通过骨架对齐和运动学轨迹优化,从人类任务空间数据生成自然且动态可行的运动参考,适用于不同人形机器人平台。
2026-03-12 cs.RO
Direct Kinematics, Inverse Kinematics, and Motion Planning of 1-DoF Rational Linkages
University of Innsbruck(因斯布鲁克大学);VSB – Technical University of Ostrava(俄斯特拉发技术大学)
本研究提出了一组基于对偶四元数表示的1自由度有理单环机构轨迹规划算法,涵盖正向运动学公式、基于Gauss-Newton搜索的逆向运动学求解及弧长重参数化平滑轨迹生成,可广泛应用于四至七关节机构且无需额外几何分析。
2025-06-02 cs.RO
Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance
Faculty of Mathematics, Physics and Informatics, Comenius University Bratislava(布拉迪斯拉发夸美纽斯大学数学、物理与信息学院)
研究机器人轨迹规划问题,提出基于自监督学习框架,利用正反模型作监督机制,在含障碍物环境下规划轨迹,实验证明方法可行,针对规划器问题提出并评估了额外训练机制和缓解策略。
2026-07-24 cs.AI cs.LG cs.RO
Adaptive Trajectory Optimization for Task-Specific Human-Robot Collaboration
University of Luxembourg(卢森堡大学)
本研究提出一种人机协作的任务特定轨迹优化框架,结合逆微分Riccati方程动态规划与神经自适应PID控制,实现低复杂度下的自适应稳定精确跟踪,经仿真验证有效。
2025-03-18 cs.RO
A Spatio-temporal Graph Network Allowing Incomplete Trajectory Input for Pedestrian Trajectory Prediction
Politecnico di Milano(米兰理工学院)
STGN-IT通过引入静态障碍物节点和改进的编码方法,提升了行人轨迹预测的准确性,尤其在处理不完整历史轨迹时表现更优。
2025-01-22 cs.AI cs.CV cs.LG
Integrated Decision Making and Trajectory Planning for Autonomous Driving Under Multimodal Uncertainties: A Bayesian Game Approach
The Hong Kong University of Science and Technology(香港科技大学)
提出基于贝叶斯博弈的自动驾驶集成决策与轨迹规划框架,通过无悔学习求解贝叶斯粗相关均衡,在多模态不确定性下实现交互式最优策略,闭环仿真验证了其泛化性与有效性。
2024-09-21 cs.GT cs.RO
Optimal Control with Learned Critics under Unmodeled State Dependencies
Autonomous Aerial Systems Lab(自主空中系统实验室);Technical University of Munich(慕尼黑工业大学)
提出一种结合残差动力学网络与学习型价值评价函数的MPC框架,利用GPU加速批处理iLQR求解器,在不完整动力学下提升闭环控制性能。
2026-10-06 cs.AI cs.RO
Cost Inference for Feedback Dynamic Games from Noisy Partial State Observations and Incomplete Trajectories
University of California, Berkeley(加州大学伯克利分校);Delft University of Technology(代尔夫特理工大学);University of Texas, Austin(德克萨斯大学奥斯汀分校)
在多智能体动态博弈中,每个智能体的纳什均衡状态轨迹由其成本函数和博弈的信息模式决定。然而,每个代理的成本和轨迹可能对其他代理不可用。以前的工作,使用部分观察,以推断成本的动态博弈假设一个开环的信息模式。在这项工作中,我们证明了反馈纳什均衡的概念是更有表现力和编码更复杂的行为。在反馈博弈中,需要开发用于推断玩家目标的特定工具。因此,我们考虑了反馈信息模式下的动态博弈成本推断问题,仅使用部分状态观测和不完整的轨迹数据。为此,我们首先提出了一个逆反馈博弈损失函数,其最小值产生一个最接近观测数据的反馈纳什均衡状态轨迹。我们刻画景观和可微的损失函数。由于难以获得精确的梯度,我们的主要贡献是一个有效的梯度近似,这使得一种新的逆反馈游戏求解器,使用一阶优化的损失最小化。在彻底的实证评估中,我们证明了我们的算法收敛可靠,具有更好的鲁棒性和泛化性能比开环基线方法时,观察数据反映了一组球员在反馈纳什博弈。
2023-01-04 cs.MA cs.RO cs.SY
SoLo T-DIRL: Socially-Aware Dynamic Local Planner based on Trajectory-Ranked Deep Inverse Reinforcement Learning
University of Michigan(密歇根大学)
这项工作提出了一个新的框架,社会意识的动态本地规划在拥挤的环境中建立在最近提出的轨迹排名最大熵深度逆强化学习(T-MEDIRL)。为了解决社交导航问题,我们的多模态学习规划器明确地将社交互动因素以及社交意识因素考虑到T-MEDIRL管道中,以从人类演示中学习奖励函数。此外,我们提出了一种新的轨迹排名分数使用周围的机器人行人的突然速度变化,以解决次优人类示范。我们的评估表明,该方法可以成功地使机器人在拥挤的社会环境中导航,并在成功率,导航时间和入侵率方面优于最先进的社会导航方法。
2022-09-16 cs.AI cs.RO
Inverse Mixed Strategy Games with Generative Trajectory Models
Northwestern University(西北大学);Honda Research Institute(本田研究所)
本文提出将条件变分自编码器集成到可微混合策略博弈框架中的逆博弈方法,从含噪观测中实时推断高维多模态行为分布,并在模拟导航基准上验证其能逼近真实模型的纳什最优动作。
2025-02-05 cs.RO
Geometric Inverse Flight Dynamics on SO(3) and Application to Tethered Fixed-Wing Aircraft
Robotics and Mechatronics lab, Faculty of Electrical Engineering, Mathematics & Computer Science, University of Twente(代尔夫特理工大学机器人与机电实验室,电气工程、数学与计算机科学学院,代尔夫特理工大学);Department of Computer, Control and Management Engineering, Sapienza University of Rome(罗马大学计算机、控制与管理工程系,罗马萨皮恩扎大学)
本文提出一种坐标无关的逆飞行动力学方法,用于固定翼飞机在SO(3)上的建模,通过几何定义气动方向,推导轨迹到输入的映射,并应用于 tethered 飞行,揭示了气动协调与重力矢量的解耦。
2026-04-29 cs.RO cs.SY eess.SY
Recover to Predict: Progressive Retrospective Learning for Variable-Length Trajectory Prediction
Great Bay University(大湾大学);Tsinghua SIGS(清华大学SIGS);Wuhan University(武汉大学);NTU(国立科技大学);Donghua University(东华大学);CASIA(中国科学院自动化研究所)
本文提出渐进回顾框架和滚动起始训练策略,用于解决可变长度轨迹预测中的信息缺口问题,提升预测准确性。
2026-03-11 cs.AI cs.RO
An Inversion-Based Learning Approach for Improving Impromptu Trajectory Tracking of Robots with Non-Minimum Phase Dynamics
Dynamic Systems Lab(动态系统实验室);Institute for Aerospace Studies(航空航天研究 institute);University of Toronto(多伦多大学);Cairo University(开罗大学)
本文提出一种基于学习的方法,用于改进非最小相位系统的即兴轨迹跟踪,通过直接从输入输出数据学习稳定近似逆向,验证了方法的稳定性与高精度跟踪效果。
2018-03-07 cs.LG cs.RO cs.SY
Driving in Real Life with Inverse Reinforcement Learning
Motional(Motional(自动驾驶公司))
在本文中,我们介绍了第一个基于学习的规划器,使用逆强化学习(IRL)在密集的城市交通中驾驶汽车。我们的规划器DriveIRL生成一组不同的轨迹建议,使用轻量级和可解释的安全过滤器过滤这些轨迹,然后使用学习模型对每个剩余轨迹进行评分。最佳轨迹由我们自动驾驶车辆的低级控制器跟踪。我们训练我们的轨迹评分模型在拉斯维加斯的最大熵IRL框架内的专家驾驶示范的500多小时的真实世界的数据集。DriveIRL的优势包括:由于只学习轨迹评分功能,相对可解释的功能和强大的现实世界性能,因此设计简单。我们在拉斯维加斯大道上验证了DriveIRL,并在交通繁忙的情况下展示了完全自动驾驶,包括涉及切入,领头车辆突然刹车和酒店接送区的场景。我们的数据集将公开,以帮助在这一领域的进一步研究。
2022-06-07 cs.AI cs.LG cs.RO
GoIRL: Graph-Oriented Inverse Reinforcement Learning for Multimodal Trajectory Prediction
Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology, Hong Kong, China(香港理工大学电子与计算机工程系);Voyager Research, Didi Chuxing, China(维杰研究,滴滴出行,中国);Zhuoyu Technology Co., Ltd., Shenzhen, China(珠宇科技有限公司,深圳,中国)
提出GoIRL框架,通过图导向逆强化学习结合特征适配器、分层轨迹生成器和概率融合策略,在Argoverse和nuScenes基准上实现多模态轨迹预测的最先进性能和优越泛化能力。
2025-06-26 cs.CV cs.RO
IDOL: Inverse-Dynamics-Guided Future Prediction for End-to-End Autonomous Driving
Department of Electronic Engineering, Tsinghua University(清华大学电子工程系)
提出IDOL框架,通过逆动力学模型将BEV世界模型预测的未来潜在场景状态转化为规划相关的轨迹增量,实现未来预测与轨迹优化的紧密耦合,在NAVSIM基准上达到最优性能。
2026-09-29 cs.RO
Flash: Fast and Light Motion Prediction for Autonomous Driving with Bayesian Inverse Planning and Learned Motion Profiles
Five AI(Five AI公司);University of Edinburgh(爱丁堡大学)
交通场景中道路使用者的运动预测对于自动驾驶系统至关重要,自动驾驶系统必须在复杂的动态环境中做出安全和鲁棒的决策。我们提出了一种新的自动驾驶运动预测系统。我们的系统是基于贝叶斯逆规划框架,有效地编排基于地图的目标提取,一个经典的基于控制的轨迹生成器和混合专家模型收集专门从事运动轮廓预测的轻量级神经网络。与许多替代方法相比,这种模块化有助于隔离性能因素并更好地解释结果,而不会影响性能。该系统解决了多个方面的利益,即多模态,运动轮廓的不确定性和轨迹的物理可行性。我们报告了几个实验与流行的高速公路数据集NGSIM,展示了最先进的性能方面的轨迹误差。我们还对系统组件进行了详细分析,并进行了基于行为(例如变道与随道)对数据进行分层的实验,以深入了解该领域的挑战。最后,我们提出了一个定性分析,以显示我们的方法的其他好处,如解释输出的能力。
2022-08-15 cs.RO
Neural-Learning Trajectory Tracking Control of Flexible-Joint Robot Manipulators with Unknown Dynamics
Rensselaer Polytechnic Institute(伦斯勒理工学院)
快速、精确的运动控制对于制造业应用中的工业机器人非常重要。然而,一些协作机器人为了安全而牺牲精度,特别是对于高运动速度。性能下降是由关节伺服控制器不能解决机器人臂的不确定非线性动态特性引起的,由于关节的灵活性。我们考虑两种方法来提高轨迹跟踪性能,通过前馈补偿。第一种方法使用迭代学习控制,与基于梯度的迭代更新产生的机器人前向动力学模型。第二种方法使用动态逆直接补偿机器人的前向动力学。如果前向动态是严格适当的或者是非最小相位的(例如,由于时间延迟),其稳定逆将是非因果的。这两种方法都需要机器人动力学模型。本文介绍了使用递归神经网络(RNNs)来近似这些动态模型的结果-前向动态在第一种情况下,逆动态(可能是非因果关系)在第二种情况下。我们使用双向RNN来捕捉非因果关系。RNN基于命令轨迹和实际机器人响应的集合进行训练。我们使用Baxter机器人来评估这两种方法。Baxter机器人具有显着的关节灵活性,由于串联弹性关节致动器。这两种方法都实现了相当大的改进,在未经补偿的机器人运动,随机关节轨迹和笛卡尔运动。逆动力学方法是特别有吸引力的,因为它可以用来更准确地跟踪用户输入,如在遥控操作。
2019-08-08 cs.RO
Inverse Reinforcement Learning Under Noisy Observations
Institute for AI, University of Georgia(佐治亚大学人工智能研究所)
我们考虑的问题,执行逆强化学习时,专家的轨迹是不完美的学习者观察。相反,向学习者提供对轨迹的嘈杂连续时间观察。这个问题具有广泛的应用,我们在这里考虑的具体应用是学习者试图穿透机器人巡逻的周界的场景。学习者的视野是有限的,由于它不能观察巡逻的完整轨迹。相反,我们允许学习者听专家的运动声音,它也可以使用观察模型来估计专家的状态和动作。将专家的状态和行为视为隐数据,提出了一种基于期望最大化和最大熵原理的算法来解决非线性、非凸问题。相关工作考虑离散时间观测和不包括动作的观测模型。相比之下,我们的技术对专家的状态和动作都有期望,即使在极端噪音和更广泛的应用中也能进行学习。
2017-10-27 cs.AI cs.LG cs.RO
A Recursive Lie-Group Formulation for the Second-Order Time Derivatives of the Inverse Dynamics of parallel Kinematic Manipulators
Institute of Robotics, Johannes Kepler University(机器人研究所,约翰尼斯·凯普勒大学);Robotics Innovation Center, DFKI GmbH(机器人创新中心,DFKI GmbH)
本文首次提出利用李群公式化和递归算法高效计算并联运动学机械臂逆动力学解的二阶时间导数,以支持配备串联弹性执行器的PKM轨迹跟踪控制,并通过数值实验验证方法有效性。
2025-07-18 cs.NA cs.RO math.DG
Fast maneuver recovery from aerial observation: trajectory clustering and outliers rejection
INRIA(法国国家信息与自动化研究所);Université Paris Dauphine-PSL(巴黎多芬大学-PSL大学集团);Valeo(法雷奥)
本文提出基于空中观测数据的轨迹聚类与异常值剔除方法,在不依赖地图信息的情况下从原始数据中提取汽车、行人和骑行者等道路使用者的典型轨迹类别,并在交叉口和环岛场景中验证其有效性,为后续行为预测和学习任务提供可靠数据基础。
2024-07-03 cs.AI cs.CV cs.RO