Cooperative Assembly with Autonomous Mobile Manipulators in an Underwater Scenario
DIBRIS - Department of Computer Science, Bioengineering, Robotics and System Engineering(迪布里斯-计算机科学、生物工程、机器人与系统工程系);University of Genova(热那亚大学)
针对水下双自主机械臂协同轴孔装配问题,提出基于 TPIK 的低通信量运动学协同控制,并利用力-扭矩传感器补偿孔位姿误差、改善插入过程。
2025-05-12 cs.RO
An Open Source Computer Vision and Machine Learning Framework for Affordable Life Science Robotic Automation
本文提出一个开源机器人框架,结合计算机视觉和机器学习逆运动学,实现低成本实验室自动化任务,如菌落分拣和液体处理。
2026-03-20 cs.RO
Obstacle- and Occlusion-Responsive Visual Tracking Control for Redundant Manipulators using Reachability Measure
Samsung Electronics(三星电子);Korea Institute of Science and Technology(韩国科学技术研究院)
针对冗余机械臂多任务控制易触发运动学极限导致跟踪或避障失败的问题,提出一种结合可达性测度的优化型视觉跟踪控制方法,经仿真与硬件实验验证了该测度的有效性。
2023-11-06 cs.RO
Learning Adaptive Neural Teleoperation for Humanoid Robots: From Inverse Kinematics to End-to-End Control
Sanjar Atamuradov(独立研究者)
针对传统VR遥操作依赖IK+PD难以处理外力、适应用户及动态条件的问题,提出基于强化学习的神经遥操作框架,在宇树G1上实现跟踪误差降34%、运动平滑度升45%且保持实时性,提升遥操作自然性与鲁棒性。
2025-11-15 cs.RO
GAMORA: A Gesture Articulated Meta Operative Robotic Arm for Hazardous Material Handling in Containment-Level Environments
Department of Computer Science \& AI Muffakham Jah College of Engineering
针对高风险实验室人员暴露风险与操作精度需求,研究团队提出VR引导的GAMORA机器人系统,整合多硬件与逆运动学等技术,实现危险任务远程精准操作,兼具低功耗与可扩展性。
2025-06-17 cs.AI cs.CV cs.RO
Handling Long-Term Safety and Uncertainty in Safe Reinforcement Learning
TU Darmstadt(达姆施塔特工业大学);German Research Center for AI(德国人工智能研究中心)
本文通过引入可学习约束扩展安全探索方法ATACOM,解决安全强化学习中任务特定安全约束难以获取、长期安全性难以预见及不确定性问题,在保持训练安全性的同时实现优异最终性能。
2024-09-23 cs.LG cs.RO
Dynamics of Parallel Manipulators with Hybrid Complex Limbs -- Modular Modeling and Parallel Computing
JKU Johannes Kepler University(约翰开普勒大学)
本文提出一种针对混合复杂支链并联机器人的系统化模块化运动学与动力学建模方法,利用李群公式与约束嵌入实现EOM推导,并结合并行计算方案提升效率,最终应用于IRSBot-2与Delta机器人。
2024-12-18 cs.RO
Implementation of a self-developed model predictive control scheme for vehicle parking maneuvers
Vehicle Industry Research Center(汽车工业研究中心);Széchenyi István University(塞切尼·伊什特万大学)
在本文中,提出了一种自主开发的控制器算法的目标是处理一个基本的停车操作。自动驾驶汽车控制的最大挑战之一是正确的校准和为给定条件找到正确的车辆模型。由于许多其它研究,模型预测控制(MPC)结构已经开始成为最有前途的控制技术。在我们的工作中,我们从白皮书中实现了MPC功能。考虑到低速条件下的停车机动,我们使用的运动学自行车模型作为控制器的基础。该算法有两个主要输入:规划轨迹和车辆状态反馈信号。该控制器被实现为Simulink模型,并使用ROS框架集成到一个完整的自主控制系统。通过多个步骤验证结果:仅使用Simulink与纯运动自行车工厂模型;使用包含真实车辆模型和整个软件链的LGSVL仿真框架;控制器为真实车辆测试做好准备。
2021-09-21 cs.RO
Constrained Prioritized 3T2R Task Control for Robotic Agricultural Spraying
Faculty of Electrical Engineering and Computing, University of Zagreb(萨格勒布大学电气工程与计算学院)
本文提出一种面向机械臂农业喷洒的约束优先级 3T2R 任务控制方法,在平移和旋转自由度间引入优先级,并探讨其在速度与位置逆运动学中应用于连续与选择性喷洒的实用性。
2023-07-01 cs.RO
Bridging Discrete Planning and Continuous Execution for Redundant Robot
Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)(人工智能研究所,香港科技大学(广州))
本文提出一种框架,通过规范化步骤的26邻域笛卡尔动作和几何优先机制,减少不必要的转向,消除步长振荡,并通过任务优先的阻尼最小二乘法逆运动学层,提升冗余机械臂的连续执行质量。
2026-04-29 cs.RO
AMSwarm: An Alternating Minimization Approach for Safe Motion Planning of Quadrotor Swarms in Cluttered Environments
University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);Technical University of Munich(慕尼黑工业大学);Vector Institute for Artificial Intelligence(向量人工智能研究所);University of Tartu(塔尔图大学)
本文提出了一种可扩展的在线算法来生成安全和运动学上可行的四旋翼机群轨迹。现有的方法依赖于线性化基于欧几里得距离的碰撞约束和运动约束的轴向解耦,以将每个四旋翼的轨迹优化问题减少到二次规划(QP)。这种保守的近似在杂乱的环境中常常找不到解决方案。我们提出了一种新的替代方案,处理碰撞约束,而不线性化和运动学约束的二次形式,同时仍保留QP形式。我们实现了这一点,通过重新制定的限制,在一个极形式和应用交替最小化算法产生的问题。通过大量的仿真结果,我们证明,与顺序凸规划(SCP)基线相比,我们的方法平均成功率提高了72%,任务时间减少了36%,每个代理的计算时间加快了42倍。我们还表明,来自离散时间障碍函数(BF)的碰撞约束可以被纳入,导致不同的安全行为,而无需显着的计算开销。此外,我们的优化器在处理BF约束方面优于最先进的最优控制求解器ACADO,每个代理的计算时间平均快31倍,任务时间平均减少44%。我们实验验证了我们的方法上Crazyflie四旋翼群多达12个四旋翼。现将守则及补充资料和录像公布,以供参考。
2023-03-08 cs.RO
Design And Control of A Robotic Arm For Industrial Applications
CMR Technical Campus(CMR技术学院);JNTUH University College of Engineering, Science & Technology Hyderabad(贾瓦哈拉尔·尼赫鲁科技大学海得拉巴工程科学与技术学院);Holy Mary Institute of Technology(圣玛丽技术学院)
本文提出了一种六自由度工业机器人臂,通过伺服电机和微控制器接口设计,并结合逆运动学算法和PID控制器,实现高精度和高重复性的自动化任务。
2025-11-10 cs.RO
Teleoperation of Continuum Instruments: Task-Priority Analysis of Linear Angular Command Interplay
Mechanical Engineering Department(机械工程系);Stevens Institute of Technology(史蒂文斯理工学院)
针对微创手术连续体器械遥操作难题,提出基于任务优先级的运动学公式,在RCM约束下对比线角速度指令的运动学性能,经7自由度机械臂集成的器械模块实验验证了框架有效性。
2025-09-04 cs.RO cs.SY eess.SY
Prioritized Kinematic Control of Joint-Constrained Head-Eye Robots using the Intermediate Value Approach
University of Texas at Austin(德克萨斯大学奥斯汀分校)
现有的头眼机器人凝视控制器只能处理单个注视点。在这里,提出了一种通用的头眼机器人控制器,能够执行笛卡尔空间中的同步和优先的固定轨迹。这使得能够指定具有优先级的多个操作空间行为,使得低优先级头部定向任务的执行不会干扰较高优先级的眼睛注视任务的满足。通过我们的方法,头眼机器人固有地获得仿生前庭眼反射(VOR),这是自我生成的运动下的凝视稳定的能力。所描述的控制器利用递归零空间投影来编码联合限制约束和任务优先级。为了处理关节限制任务作为约束插入或移除时出现的解不连续性,应用中间期望值(IDV)方法。实验验证的控制器的属性与梦想家人形机器人。我们的贡献是(1)制定一个理想的凝视任务作为一个操作空间定向任务,(2)IDV方法的应用细节,优先级的头眼机器人控制器,可以处理中间关节约束,和(3)最小加加速度规范的行为和轨迹生成笛卡尔空间。
2018-09-24 cs.RO
Human Intention Estimation based on Hidden Markov Model Motion Validation for Safe Flexible Robotized Warehouses
University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Laboratory for Autonomous Systems and Mobile Robotics(自主系统与移动机器人实验室);Institute for Anthropomatics and Robotics(人机工程与机器人研究所);Intelligent Process Automation and Robotics Lab(智能过程自动化与机器人实验室)
随着物流业务的大幅增长,对大型仓库及其自动化的需求不断增加,因此使用机器人作为人类工人的助手正在成为优先事项。为了有效和安全地操作,机器人助手或监督系统应该实时识别人类的意图。心理理论(Theory of Mind,简称ToM)是人类对他人心理状态的一种直观概念,即:信仰和欲望,以及它们如何导致行为。在本文中,我们提出了一个基于ToM的人的意图估计算法的柔性机器人仓库。我们观察人类的,即,工人的运动,并验证它相对于目标位置使用广义沃罗诺伊图为基础的路径规划。这些意见,然后处理所提出的隐马尔可夫模型框架,估计工人的意图在一个在线的方式,能够处理不断变化的环境。为了测试所提出的意图估计,我们在现实世界的实验室仓库中进行了实验,一名工人戴着微软Hololens增强现实眼镜。此外,为了证明该方法的可扩展性,以更大的仓库,我们建议使用虚拟现实数字仓库双胞胎,以逼真地模拟工人的行为。我们进行了意图估计实验,在较大的仓库数字孪生多达24个运行的机器人。我们证明了所提出的框架估计仓库工人的意图精确,并在最后,我们讨论了实验结果。
2018-11-20 cs.RO
cpRRTC: GPU-Parallel RRT-Connect for Constrained Motion Planning
针对 GPU 上基于采样的约束运动规划不足及 pRRTC 在复杂模型与环境中的局限,提出利用 NVRTC 运行时编译的 cpRRTC 并行框架,以高效支持高复杂度约束规划并提升性能。
2025-05-11 cs.RO
Task-Priority Control of Redundant Robotic Systems using Control Lyapunov and Control Barrier Function based Quadratic Programs
Norwegian University of Science and Technology(挪威科技大学)
针对冗余度机器人系统,提出了一种基于控制李雅普诺夫函数(CLF)和控制障碍函数(CBF)的二次规划(QP)任务优先控制框架。所提出的方法保证严格的优先级之间的不同组的任务,如安全相关的,操作和优化任务。此外,可以采用惩罚参数形式的软优先级度量来对相同优先级的任务进行优先级排序。相对于运动控制方案,所提出的框架是一个整体的方法来控制冗余机器人系统,它解决了冗余分辨率,动态控制和控制分配问题同时进行。通过对超冗余关节式干预自主水下航行器(AIAUV)的数值仿真,验证了该框架的有效性。
2021-06-04 cs.RO cs.SY eess.SY
Fast Coordinated Bimanual Motion Planning With Hard Constraints
University of Zagreb(萨格勒布大学);Faculty of Electrical Engineering and Computing(电气工程与计算机学院)
针对双臂操作的相对变换硬约束问题,提出主从参数化的快速规划流水线,仿真中规划速度提升19.4倍,实际实验验证轨迹可直接迁移至硬件。
2026-08-24 cs.RO
A Non-Linear Model Predictive Task-Space Controller Satisfying Shape Constraints for Tendon-Driven Continuum Robots
University of Toronto(多伦多大学)
针对腱驱动连续机器人狭窄空间作业需求,提出融合标称PCC模型与局部反馈的非线性模型预测任务空间控制器,在仿真和硬件原型上验证了其在位置跟踪、抗扰及形状约束下的优势,可提升遥操作安全性。
2024-09-16 cs.RO
Understanding Physical Effects for Effective Tool-use
Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院);Peking University(北京大学)
我们提出了一个机器人学习和规划框架,产生一个有效的工具使用策略,最少的共同努力,能够处理不同的对象从培训。利用有限元法(FEM)为基础的模拟器,再现细粒度的,连续的视觉和物理效果,观察到的工具使用事件,基本的物理特性有助于通过拟议的迭代深化符号回归(IDSR)算法的影响。我们进一步设计了一个基于最优控制的运动规划方案,以整合机器人和工具特定的运动学和动力学,产生一个有效的轨迹,制定学习的属性。在模拟实验中,我们证明了该框架可以产生更有效的工具使用策略,与两个范例任务中观察到的策略截然不同。
2022-06-30 cs.AI cs.RO
A Novel Vector-Field-Based Motion Planning Algorithm for 3D Nonholonomic Robots
Peking University(北京大学);University of Groningen(格罗宁根大学);Eindhoven University of Technology(埃因霍温理工大学)
针对3D非完整移动机器人需同时满足目标位置和终端航向的运动规划问题,提出基于速度向量场的导航与防碰撞复合向量场算法,并结合优先级策略解决多机器人运动耦合。
2023-04-08 cs.RO cs.SY eess.SY
Consideration of Vehicle Characteristics on the Motion Planner Algorithm
University of Michigan Dearborn(密歇根大学迪尔伯恩分校)
针对现有轨迹规划器未考虑质心高度影响导致不同车辆(尤其是高质心车辆)轨迹非最优的问题,提出一种采用简化双轨模型、基于稳态方程估计侧向和侧倾载荷转移以及简化轮胎模型的规划器,以降低求解器负担,并在高/低加速度条件和不同车辆高度下与粒子模型和运动学模型规划器进行对比。
2024-07-23 cs.RO cs.SY eess.SY
SMART: Scalable Multi-Agent Reasoning and Trajectory Planning in Dense Environments
Department of Civil and Environmental Engineering University of Wisconsin-Madison(威斯康星大学麦迪逊分校土木与环境工程系);School of Vehicle and Mobility, Tsinghua University(清华大学车辆与移动性学院);Department of Civil Engineering, The University of Hong Kong(香港大学土木工程系)
SMART提出一种分层多车轨迹规划框架,结合基于强化学习的优先级搜索与并行凸优化,通过空间划分和可行走廊将非凸问题解耦,在密集环境中实现高成功率和实时规划,并支持车路协同。
2025-09-19 cs.RO cs.SY eess.SY
Sequential Hierarchical Least-Squares Programming for Prioritized Non-Linear Optimal Control
Nanyang Technological University(南洋理工大学);University of Montpellier(蒙彼利埃大学);CNRS(法国国家科学研究中心)
该研究提出结合信赖域与分层步长滤波器的序列分层最小二乘规划求解器,通过内点法和零空间信赖域自适应等技术实现全局收敛,在多类测试问题中验证了计算效率,可应用于带优先级的离散非线性最优控制。
2024-02-01 cs.NA cs.RO math.NA
End-Effector Stabilization of a 10-DOF Mobile Manipulator using Nonlinear Model Predictive Control
University of Waterloo(滑铁卢大学)
移动机械手(安装在移动基座上的机械臂)的运动控制对于复杂的任务(如材料和包装处理)可能具有挑战性。针对由7自由度机械臂和3自由度移动基座组成的10自由度移动机械臂,设计了一种基于非线性模型预测控制(NMPC)的任务空间镇定控制器。该系统模型是基于运动学模型的末端执行器的方向直接由旋转矩阵参数化。状态和控制约束以及奇异性约束显式地包括在NMPC制定。该控制器进行了测试,使用实时仿真,表现出高的定位精度与易处理的计算成本。
2021-03-24 cs.RO cs.SY eess.SY
Forward Kinematics of Object Transporting by a Multi-Robot System with a Deformable Sheet
Shanghai Jiao Tong University(上海交通大学);Rutgers University(罗格斯大学)
针对多机器人以可变形薄板协同搬运物体时的位姿预测难题,本文基于 VVCM 构建并求解 CQP,提出可枚举所有可行物体位置的完整正向运动学算法。
2024-01-24 cs.RO
Kinematic Control of Redundant Robots with Online Handling of Variable Generalized Hard Constraints
Sapienza Università di Roma(罗马大学);Coventry University(考文垂大学)
本文提出广义SNS算法,统一在线处理冗余机器人关节与笛卡尔空间中可变的硬不等式约束,并通过冗余利用和最优缩放保证主任务连续性。
2022-02-26 cs.RO cs.SY eess.SY
Morphology-Specific Closed-Loop Control of Logarithmic-Spiral Continuum Arms via Online Jacobian Error Compensation
提出首个针对对数螺旋连续体臂的形态特异性闭环任务空间控制框架,通过分段腱驱动模型和在线雅可比误差补偿实现精确鲁棒控制,在轨迹跟踪、姿态调节等任务中优于分段常曲率基线方法。
2026-06-26 cs.RO physics.app-ph
Stochastic MPC with Multi-modal Predictions for Traffic Intersections
UC Berkeley(加州大学伯克利分校);Ford AV LLC(福特自动驾驶有限责任公司);Ford Research and Advanced Engineering(福特研究与高级工程部)
我们提出了一个随机MPC(SMPC)制定的自动驾驶在交通路口,它结合了多模态预测周围车辆的碰撞避免约束。多模态预测采用高斯混合模型(GMM),约束条件采用机会约束。我们的主要理论贡献是SMPC制定,优化了一种新的反馈政策类,旨在利用额外的结构在GMM预测,这是服从凸规划。使用反馈策略进行预测的动机是在处理周围车辆的多模态预测时需要减少保守性,特别是在交通交叉口场景中。我们评估我们的算法沿轴的流动性,舒适性,保守性和计算效率在CARLA模拟交叉口。我们的模拟使用了运动学自行车模型和在Lyft Level 5预测数据集的子集上训练的多模态预测。为了证明优化反馈策略的影响,我们比较了我们的算法与两个SMPC基线,通过优化开环序列来处理多模态碰撞避免机会约束。
2022-02-26 cs.RO cs.SY eess.SY
Surgical Robot Transformer (SRT): Imitation Learning for Surgical Tasks
Johns Hopkins University(约翰斯·霍普金斯大学);Stanford University(斯坦福大学)
本文提出相对动作公式,使达芬奇机器人能在近似运动学数据下通过模仿学习成功执行组织操作、针处理和打结等手术任务。
2024-07-17 cs.RO
Vibration Free Flexible Object Handling with a Robot Manipulator Using Learning Control
KU Leuven(鲁汶大学);Flanders Make(法兰德斯制造研究院)
许多行业广泛使用柔性材料。用机器人操作器处理柔性物体的有效方法必须解决残余振动。现有的解决方案依赖于复杂的模型,使用额外的仪器来感测振动,或者不利用大多数工业任务的重复性。本文提出了一种迭代学习控制方法,联合学习模型参数和剩余动态只使用机器人的内感知传感器。学习模型随后被用来设计最佳(PTP)轨迹,占残余振动,非线性运动学的机械手和关节限制。我们的实验表明,所提出的方法减少了一个数量级的残余振动相比,最佳的振动抑制使用的分析模型和三倍相比,现有的国家的最先进的方法。这些结果表明,一个灵活的对象的有效处理不需要复杂的模型,也不需要额外的仪器。
2022-11-20 cs.RO math.OC
Multi-agent Path Finding for Mixed Autonomy Traffic Coordination
Massachusetts Institute of Technology(麻省理工学院)
针对 CAV 与不可控 HDV 混合交通协调难题,本文提出融合 HDV 行为预测与运动基元 A* 搜索的 BK-PBS,并在高速汇入仿真中证明其优于规则跟驰和强化学习方法。
2024-09-05 cs.AI cs.MA cs.RO
Universal-jointed Tendon-driven Continuum Robot: Design, Kinematic Modeling, and Locomotion in Narrow Tubes
University of Toronto(多伦多大学);Continuum Robotics Laboratory(连续体机器人实验室)
本文提出一种基于滑膜万向节模块的腱驱动连续体机器人设计,并构建了基于优化的运动学模型以处理多一般布线腱驱动,展示了其在狭窄管道步态运动中的应用潜力。
2024-09-20 cs.RO
Kinematic Analysis and Integration of Vision Algorithms for a Mobile Manipulator Employed Inside a Self-Driving Laboratory
本文针对自主驾驶实验室中的移动机械臂,提出基于DH运动学建模与逆运动学求解,并集成特征检测与单应性姿态估计的视觉算法,实现纹理物体可靠抓取,提升自主操作与人机协作能力。
2025-10-21 cs.RO
Adaptive Preload Control of Cable-Driven Parallel Robots for Handling Task
University of Stuttgart(斯图加特大学);ISW
本文针对绳驱并联机器人搬运任务,提出基于驱动冗余性与扩展零空间公式的自适应预紧力控制方法,并通过仿真与实验验证了其在运动与操作过程中动态调节平台刚度的有效性。
2024-03-28 cs.RO cs.SY eess.SY
From Movement Kinematics to Object Properties: Online Recognition of Human Carefulness
Italian Institute of Technology(意大利技术研究院);University of Genoa(热那亚大学)
在操纵物体时,人类会根据所处理物体的特性来调整自己的动作。因此,一个细心的观察者可以预见被操纵物体的隐藏属性,如它的重量,温度,甚至它是否需要特别小心的操作。这项研究是朝着赋予人形机器人这最后一种能力迈出的一步。具体来说,我们研究了机器人如何仅从视觉在线推断人类伙伴在移动物体时是否小心。我们证明了一个人形机器人可以执行这种推理,即使在低分辨率的相机具有高精度(高达81.3%)。只有在没有障碍物的短距离移动中,谨慎识别是不够的。通过观察伙伴的动作来迅速识别运动的谨慎性,将允许机器人调整其对物体的动作,以显示与人类伙伴相同的照顾程度。
2021-09-01 cs.AI cs.RO
Joint Space Control via Deep Reinforcement Learning
NVIDIA(英伟达);Georgia Tech(佐治亚理工学院)
控制机器人操纵器的主要方式是使用手工制作的微分方程,利用某种形式的逆运动学/动力学。我们提出了一个简单的,多功能的联合级控制器,完全免除微分方程。通过无模型强化学习训练的深度神经网络用于从任务空间映射到关节空间。实验表明,该方法能够实现与传统方法相似的误差,同时通过自动处理冗余、关节限制和加减速曲线,大大简化了过程。基本的技术扩展到避免障碍物,通过增加输入到网络与最近的障碍物的信息。结果显示在模拟和真实的机器人通过仿真到现实迁移的学习政策。我们表明,无论是在模拟还是在现实世界中,通过适度的训练,都可以达到亚厘米级的精度。
2021-08-20 cs.RO
Projection-Retraction MPPI: Exact Constraint-Manifold Control for Manipulators
School of Mechanical Engineering, Kyung Hee University(庆熙大学机械工程学院);Institutes of Convergence Technology(融合技术研究院)
本文针对MPPI处理操纵约束的缺陷,提出PR-MPPI算法,通过投影与回退机制精确强制执行约束,在仿真与真实硬件的双臂系统上验证了其有效性。
2026-08-11 cs.RO
Traj-LIO: A Resilient Multi-LiDAR Multi-IMU State Estimator Through Sparse Gaussian Process
Zhejiang University(浙江大学)
提出基于稀疏高斯过程的多LiDAR多IMU状态估计器Traj-LIO,利用连续时间轨迹和改进状态表示解决异步融合与传感器故障问题,实现实时鲁棒估计。
2024-02-14 cs.CV cs.RO
Soft Actor-Critic Algorithm with Truly-satisfied Inequality Constraint
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)
强化学习中的软行动者-批评者(SAC)有望成为下一代机器人控制方案之一。其最大化策略熵的能力将使机器人控制器对噪声和扰动具有鲁棒性,这对于现实世界的机器人应用是有用的。然而,在当前实现中,最大化策略熵的优先级被自动调整,其规则可以被解释为等式约束,将策略熵绑定到其指定的下限。因此,与我们的预期相反,当前的SAC不再是最大化政策熵。为了解决这个问题,在SAC中,本文改进了其实现与学习状态相关的松弛变量适当处理的不等式约束,以最大化的政策熵,通过将其重新制定为相应的等式约束。引入松弛变量优化开关型损失函数,考虑到满足等式约束和检查下限的双重目标。在Mujoco和Pybullet模拟器中,修改后的SAC在统计上实现了对对抗攻击的更高鲁棒性,同时正则化了动作的范数。一个真实的机器人变阻抗任务,证明了修改后的SAC现实世界的机器人控制的适用性。特别是,修改后的SAC保持了物理人机交互的自适应行为,这在训练过程中根本没有经验。https://youtu.be/EH3xVtlVaJw
2023-07-02 cs.AI cs.LG cs.RO
An End-to-End Differentiable Framework for Contact-Aware Robot Design
Massachusetts Institute of Technology(麻省理工学院);Texas A&M University(德克萨斯A&M大学)
目前机器人操作的主要范例包括两个独立的阶段:机械手设计和控制。由于机器人的形态和如何控制它是密切相关的,设计和控制的联合优化可以显着提高性能。现有的协同优化方法是有限的,无法探索丰富的设计空间。主要原因是权衡设计的复杂性,这是必要的接触丰富的任务对制造,优化,接触处理等的实际限制,我们克服了这些挑战,通过建立一个端到端的差分框架接触感知机器人设计。该框架的两个关键组成部分是:一种新的基于变形的参数化,允许设计具有任意复杂几何形状的铰接刚性机器人,以及一个可微分的刚体模拟器,可以处理接触丰富的场景,并计算全谱运动学和动力学参数的分析梯度。在多个操作任务上,我们的框架优于现有的方法,这些方法要么只优化控制,要么使用替代表示进行设计,要么使用无梯度方法进行协同优化。
2021-08-24 cs.AI cs.GR cs.RO