Property-Aware Robot Object Manipulation: a Generative Approach
Italian Institute of Technology(意大利理工学院);University of Genoa(热那亚大学)
当运输一个物体时,我们会无意识地使我们的运动适应它的特性,例如当物品易碎时会放慢速度。一个物体的最相关的特征通过处理的方式立即向人类观察者展示,而不需要任何语言描述。这将极大地促进协作,使人形机器人能够执行向观察者传达类似直觉提示的运动。在这项工作中,我们专注于如何生成机器人运动适应隐藏的属性的操纵对象,如它们的重量和脆弱性。我们探索了利用生成对抗网络来合成与对象属性一致的新动作的可能性。生成方法的使用使我们能够创建新的和一致的运动模式,而不需要收集大量记录的人类主导的演示。此外,保留了行动的信息内容。我们的研究结果表明,生成对抗网络可以成为生成新颖和有意义的运输行为的强大工具,其结果有效地调制为对象重量和处理过程中所需的谨慎程度的函数。
2021-06-08 cs.LG cs.RO
Inference of Upcoming Human Grasp Using EMG During Reach-to-Grasp Movement
Northeastern University(东北大学)
本文提出一种基于无监督分割与标记动作转换的动态 EMG 手势分类框架,利用大规模动态抓取动作数据编码抓取意图转换,在无需运动学有监督标注的情况下实现实时抓取意图推断,并评估了不同运动阶段训练策略的性能。
2022-09-26 cs.AI cs.RO
Predicting the Timing of Camera Movements From the Kinematics of Instruments in Robotic-Assisted Surgery Using Artificial Neural Networks
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
机器人辅助手术使外科医生和患者都受益,然而,外科医生经常需要调整内窥镜摄像机以获得良好的视角。同时控制摄像机和手术器械是不可能的,并且因此,这些摄像机调整重复地中断手术。自主相机控制可以帮助克服这一挑战,但大多数现有系统都是被动的,例如,让摄像机跟随手术器械我们提出了一种预测方法,用于预测何时使用人工神经网络发生摄像机运动。我们使用了手术器械的运动学数据,这些数据是在对猪模型进行机器人辅助手术培训期间记录的。我们将数据分割成片段,并将每个片段标记为紧接在相机移动之前的片段,或者不标记的片段。由于大的类不平衡,我们训练了一个网络集合,每个网络都在训练数据的平衡子集上。我们发现,仪器的运动学数据可以用来预测相机运动何时发生,并评估了不同段持续时间和合奏大小的性能。我们还研究了可以提前多少时间预测即将到来的相机移动,并发现预测相机移动发生前0.25秒,0.5秒和1秒,相对于预测即将到来的相机移动,准确率分别达到98%,94%和84%。这表明,摄像机运动事件可以被预测得足够早,以便留出时间来计算和执行自主摄像机运动,并表明RAMIS的自主摄像机控制器有朝一日可能是可行的。
2022-02-06 cs.CV cs.LG cs.RO
Uniform vs. Lognormal Kinematics in Robots: Perceptual Preferences for Robotic Movements
本文研究人类对机器人运动的感知偏好,基于对数正态原理开发类人运动程序,并在ABB IRB 120和UR3机器人上对比梯形与钟形速度曲线,发现受试者偏好类人运动。
2024-05-29 cs.CV cs.RO
Kinematic Modularity of Elementary Dynamic Actions
Massachusetts Institute of Technology(麻省理工学院)
本文提出一种基于 Elementary Dynamic Actions 的机器人控制运动学模块化方法,通过组合基本模块生成丰富运动,避免了逆运动学等问题,并在 KUKA 机器人上验证了其简化动作生成的有效性。
2024-03-22 cs.RO
Bayesian Body Schema Estimation using Tactile Information obtained through Coordinated Random Movements
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)
本文描述了一种计算模型,称为具有潜在连接的Dirichlet过程高斯混合模型(DPGMM-LJ),它可以以无监督的方式发现隐藏在数据分布中的潜在树结构。通过结合DPGMM-LJ和预先存在的身体地图形成方法,我们提出了一种方法,使具有多链接身体结构的智能体能够发现其运动学结构,即,身体图式,从触觉信息单独。DPGMM-LJ是一种基于贝叶斯非参数的概率模型,是Dirichlet过程高斯混合模型(DPGMM)的扩展。在模拟实验中,我们使用了一个简单的胎儿模型,该模型有五个身体部位,并在类似子宫的环境中进行结构化的随机运动。结果表明,该方法可以估计的身体部位和运动结构的数量在许多情况下,没有任何预先存在的知识。另一项实验表明,随机动作中的动作协调程度对身体图式形成的结果有很大影响。结果表明,在本实验条件下,当运动协调比为0.9时,身体图式估计的准确率最高,为84.6%。这些结果表明,运动学结构可以估计触觉信息所获得的胎儿在子宫内随机移动没有任何视觉信息,即使它的准确性不是那么高。他们还认为,在随机运动中一定程度的运动协调和足够的状态空间的维度,代表身体地图是重要的,以正确估计身体图式。
2016-12-01 cs.RO
Towards human-like kinematics in industrial robotic arms: a case study on a UR3 robot
Bialystok University of Technology(比亚韦斯托克工业大学);University of Las Palmas de G.C.(大加那利岛拉斯帕尔马斯大学);IDeTIC Institute(IDeTIC研究所)
本文以UR3机器人为例,利用快速人类运动的运动学理论及Sigma-Lognormal模型生成钟形速度曲线,使机械臂运动更具类人性,实验证实了该方法的可行性。
2024-09-25 cs.RO cs.SY eess.SY
The Effects of Selected Object Features on a Pick-and-Place Task: a Human Multimodal Dataset
University of Genoa(热那亚大学);Italian Institute of Technology(意大利技术研究院)
该研究提出一个多模态数据集,记录15名受试者在不同条件下执行1200次拾放动作,以研究物体特征(如重量和液体填充)对运动的影响,并评估传感器提取的运动学质量,为机器人领域的手-物体交互研究提供基础。
2024-07-18 cs.RO
Contact-based Grasp Control and Inverse Kinematics for a Five-fingered Robotic Hand
Department of Computer Science(计算机科学系);The University of Alabama(阿拉巴马大学)
本文提出一种结合接触控制与逆运动学的五指机器人抓取方法,在PyBullet中基于DexHand v2实现力闭合验证的稳定抓取,实验表明其具有高运动效率与位置精度,并指出拇指对掌控制仍需改进。
2025-04-25 cs.RO
Bilaterally Mirrored Movements Improve the Accuracy and Precision of Training Data for Supervised Learning of Neural or Myoelectric Prosthetic Control
University of Utah(犹他大学);Johns Hopkins Applied Physics Lab(约翰斯·霍普金斯应用物理实验室);Ultrahaptics(Ultrahaptics(优触科技))
对假肢的直观控制依赖于训练算法来将生物记录与运动意图相关联。训练数据集的质量对运行时性能至关重要,但在手部截肢后很难准确标记手部运动学。我们量化了两种不同方法标记手部运动学的准确性和精确度:1)假设参与者完美模仿假肢的预定运动(模仿训练),以及2)假设参与者在相同的双侧运动期间完美镜像他们的对侧手(镜像训练)。我们在非截肢者中比较了这些方法,使用红外摄像机实时跟踪手部的八个不同关节角度。汇总数据显示,模仿训练不占生物力学耦合或手部姿势的时间变化。镜像训练在标记手部运动学方面显着更准确和精确。然而,当训练改进的卡尔曼滤波器来估计运动意图时,模仿和镜像训练方法没有显著差异。结果表明,镜像训练方法创建了一个更忠实但更复杂的数据集。先进的算法,更能够学习复杂的镜像训练数据集,可以产生更好的运行时假肢控制。
2020-01-23 cs.RO q-bio.NC
Environment-aware Interactive Movement Primitives for Object Reaching in Clutter
University of Lincoln(林肯大学);Centre for Autonomous Systems (L-CAS)(自主系统中心(L-CAS))
在文献中开发的用于在杂乱中到达对象的大多数运动规划策略被应用于二维的(2-d)空间,其中环境的状态空间被约束在一个方向上。较少的作品已被调查,以达到目标,在3-d杂乱的空间,当这样的时候,他们有有限的性能时,应用于复杂的情况。在这项工作中,我们提出了一个受约束的多目标优化框架(OptI-ProMP),以解决在一个紧凑的杂乱的软水果集群中生长的案例研究,利用本地优化为基础的规划CHOMP达到目标的问题。OptI-ProMP的特征成本与目标邻域中的静态,动态和可推送对象相关,并且它依赖于问题初始化的概率原语。我们测试,在一个模拟的多隧道,ProMP为基础的规划者从文献和OptI-ProMP,低(3自由度)和高(7自由度)灵巧的机器人身体,分别。结果表明,碰撞和推动成本最小化与7自由度机器人运动学,除了成功的静态障碍物避免和系统漂移的可推对象的质心。
2022-10-28 cs.AI cs.RO
Generating Realistic Arm Movements in Reinforcement Learning: A Quantitative Comparison of Reward Terms and Task Requirements
Hertie Institute for Clinical Brain Research(赫蒂临床脑研究所);Centre for Integrative Neuroscience, University of Tübingen(蒂宾根大学整合神经科学中心);Institute of Computer Engineering (ZITI), Heidelberg University(海德堡大学计算机工程研究所);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Institut for Industrial Manufacturing and Management (IFF), University of Stuttgart(斯图加特大学工业制造与管理研究所);Fraunhofer Institute for Manufacturing Engineering and Automation (IPA)(弗劳恩霍夫制造工程与自动化研究所);Institute for Visualization and Interactive Systems, University of Stuttgart(斯图加特大学可视化与交互系统研究所);Institute for Modelling and Simulation of Biomechanical Systems, University of Stuttgart(斯图加特大学生物力学系统建模与仿真研究所);Department of Computer Science, University of Tübingen(蒂宾根大学计算机科学系)
该研究针对强化学习中生成真实手臂运动的问题,定量比较了任务要求、噪声及最优性原则等因素及其组合的效果,发现特定奖励项、任务要求与噪声的结合可生成类人手臂运动,为可穿戴设备的运动预测提供了参考。
2024-11-27 cs.RO
Phase Portraits as Movement Primitives for Fast Humanoid Robot Control
ATR Computational Neuroscience Laboratories(ATR计算神经科学实验室);Max Planck Institute(马克斯·普朗克研究所)
目前,机器人快速控制的常用方法主要依赖于在线求解最优控制问题。已知这样的方法是计算密集型的并且对模型精度敏感。另一方面,动物计划复杂的运动动作不仅速度快,而且似乎几乎没有努力,即使在看不见的任务。这种推断时间动态和协调的自然感觉促使我们从运动技能学习的角度来接近机器人控制,以设计快速且计算量小的控制器,这些控制器可以在温和的建模假设下由机器人自主学习。本文介绍了相图运动基元(PPMP),一个基元,预测动态的低维相空间,这反过来又是用来管理高维运动的任务。与其他原始公式的明显区别是以耦合振荡器的形式的用于相位预测的内置机制,其取代了基于模型的状态估计器,例如卡尔曼滤波器。通过优化振荡器的参数来训练该策略,该振荡器的输出以相图的形式连接到运动分布。维数的大幅减少使我们能够有效地训练和执行PPMP上一个真正的人类大小,双臂人形上身的任务,涉及20度的自由。我们证明PPMPs的相互作用,需要快速的反应时间,同时产生预期的构成适应离散和循环的任务。
2020-06-23 cs.AI cs.RO cs.SY
Deep Learning of Movement Intent and Reaction Time for EEG-informed Adaptation of Rehabilitation Robots
Rutgers University(罗格斯大学)
越来越多的证据表明,适应是康复机器人促进运动学习的关键机制。然而,它通常是基于机器人衍生的运动学,这是一个相当主观的性能测量,特别是在存在感觉运动障碍。在这里,我们提出了一种深度卷积神经网络(CNN),它使用脑电图(EEG)作为两个运动学分量的客观测量,这两个运动学分量通常用于评估运动学习和适应:i)启动目标导向运动的意图,ii)该运动的反应时间(RT)。我们评估了我们的CNN从内部实验中获得的数据,其中13名受试者在平面上向四个方向移动康复机械臂,以响应视觉刺激。我们的CNN在意图(意图与无意图)和RT(慢与快)的二进制分类中分别实现了80.08%和79.82%的平均测试准确率。我们的研究结果表明,涉及不同类型的运动学习的个人运动组件可以预测从同步的EEG数据开始之前获得的运动。因此,我们的方法可以实时通知机器人适应,并有可能进一步提高执行康复任务的能力。
2020-02-18 cs.HC cs.NE cs.RO
A Novel Approach to Model the Kinematics of Human Fingers Based on an Elliptic Multi-Joint Configuration
The Hong Kong Polytechnic University(香港理工大学)
在本文中,我们提出了一种新的运动学模型的基础上,他们的关节椭圆运动的人指骨。手关节的软弹性组织和一般解剖结构的存在高度影响骨骼的相对运动。常用的圆形轨迹假设简化了设计过程,但会导致与实际手的行为偏离。通过与传统转动关节模型的比较,证明了该模型的优势。进行仿真和实验验证所设计的正逆运动学算法。实验结果表明,该模型在模拟人体指尖运动轨迹方面具有较高的性能。
2021-07-30 cs.RO
Model-Free and Learning-Free Proprioceptive Humanoid Movement Control
National University of Singapore(新加坡国立大学);Johns Hopkins University(约翰斯·霍普金斯大学)
提出了一种新的无模型拟人机器人准静态运动控制方法。传统的基于模型的方法通常需要精确的机器人模型参数。此外,现有的基于学习的框架通常在仿真环境中训练策略,从而间接地依赖于模型。相比之下,我们提出了一个本体感受的框架,只基于感官输出。它不需要机器人运动学模型或惯性参数的先验知识。我们的方法包括三个步骤:1.在单个周期内规划不同的压力中心(CoP)和脚部位置目标对。2.通过来回轻微移动机器人的腿关节来搜索当前配置,同时记录其CoP和脚位置的传感器测量值。3.使用优化算法更新机器人运动,直到实现所有目标。我们证明了我们的方法在NAO人形机器人平台上。实验结果表明,该方法能够成功地产生稳定的机器人运动。
2023-02-28 cs.RO
Using Infant Limb Movement Data to Control Small Aerial Robots
University of California, Riverside(加州大学河滨分校)
通过偶然反馈促进探索性运动可以对婴儿期运动发育产生积极影响。我们正在进行的工作齿轮通过使用小型空中机器人的机器人辅助应急学习环境的发展。本文探讨是否空中机器人及其相关的运动控制器可以用来实现高效和高响应的机器人飞行,为我们的目的。从视频中提取婴儿踢运动学数据,并将其用于空中机器人的仿真和物理实验。两个标准的实践控制器的功效进行了评估:线性PID和非线性几何控制器。通过均方误差(以评估与输入婴儿腿部轨迹信号的总体偏差)和动态时间规整算法(以量化信号同步性)定性和定量地评估机器人匹配婴儿踢腿轨迹的能力。结果表明,它是在原则上可以跟踪婴儿踢轨迹与小型天线机器人,并确定需要进一步发展的领域,以提高跟踪质量。
2022-08-11 cs.RO
A New Human-Likeness and Comfort Index for Robot Movements Along Prescribed Paths
Department of Computer Engineering, Electrical Engineering and Applied Mathematics (DIEM), University of Salerno(萨勒诺大学计算机工程、电气工程与应用数学系)
探讨人机交互中机器人运动舒适度与类人性联系,基于人类运动建模定义类人性指数,用于评估轨迹生成算法,通过68名受试者参与的三次实验验证,发现舒适度偏好与类人性指数分布有一致趋势。
2026-08-03 cs.RO
Motion Capture Benchmark of Real Industrial Tasks and Traditional Crafts for Human Movement Analysis
Université PSL(巴黎文理研究大学);Mines Paris(巴黎矿业学院)
本文提出七个基于惯性运动捕捉的真实工业与传统手工艺数据集,并采用混合随机-生物力学模型进行运动分析与灵巧性量化,为人体运动研究提供基准。
2023-04-03 cs.AI cs.CV cs.LG
Hardware Implementation of a Zero-Prior-Knowledge Approach to Lifelong Learning in Kinematic Control of Tendon-Driven Quadrupeds
Alfred E. Mann Department of Biomedical Engineering, University of Southern California(生物医学工程系,南加州大学);Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California(电气与计算机工程系,南加州大学);Division of Biokinesiology and Physical Therapy, University of Southern California(生物力学与物理治疗系,南加州大学)
本文提出受生物启发的G2P学习算法,在自主研制的腱驱动四足机器人上通过五分钟运动咿呀学语和15次细化试验,实现零先验知识下几分钟内学会冗余系统的自适应周期性运动控制。
2025-08-21 cs.RO
Optimizing Execution of Dynamic Goal-Directed Robot Movements with Learning Control
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ATR;Technische Universitaet Darmstadt(达姆施塔特工业大学)
需要大加速度和精确跟踪的高动态任务通常依赖于精确的模型和/或高增益反馈。虽然运动学优化允许有效的表示和在线生成击球轨迹,但学习用不准确的模型跟踪这种动态运动仍然是一个悬而未决的问题。特别是,在迭代域中,围绕学习性能的稳定性问题,可以防止基于模型的学习方法的成功实施。为了以稳定和有效的方式实现对这些任务的准确跟踪,我们提出了一种新的自适应迭代学习控制(ILC)算法,该算法使用递归方法有效地实现。此外,模型矩阵的协方差估计用于在学习期间谨慎行事。我们评估所提出的方法在广泛的模拟和我们的机器人乒乓球平台,在那里我们展示了两个七自由度拟人机器人手臂的打击性能可以优化的性能。我们在乒乓球平台上的实现与高增益PD控制,无模型ILC(简单PD反馈型)和基于模型的ILC没有谨慎的适应相比毫不逊色。
2019-03-17 cs.RO
Online Body Schema Adaptation through Cost-Sensitive Active Learning
Institute for Systems and Robotics(系统与机器人研究所);Instituto Superior Técnico(里斯本高等理工学院);Universidade de Lisboa(里斯本大学)
人形机器人具有复杂的身体和运动链,具有多个自由度(DoF),这是难以建模的。学习运动学模型的参数可以通过观察机器人连杆在预期运动期间的位置并最小化预测误差来实现。本文提出了一种基于Denavit-Hartenberg(DH)参数的人形机器人手臂体模在线估计方法。采用基于A-Optimality准则的代价敏感主动学习方法选择最优关节构型。所选择的关节配置同时最大限度地减少身体图式估计中的误差,并最大限度地减少样本之间的移动。这减少了能耗,以及机械疲劳和磨损,同时不会影响学习精度。这项工作是在模拟环境中实现的,使用iCub机器人模拟器的7 DoF手臂。手的姿势是通过放置在机器人的手掌和手背上的标记用单个相机测量的。提出了一种非参数遮挡模型,以避免选择标记不可见的关节配置,从而防止无用的尝试。结果表明,成本敏感的主动学习具有类似的准确性,标准的主动学习的方法,而减少了约一半的执行动作。
2022-02-10 cs.AI cs.CV cs.LG
Data-driven architecture to encode information in the kinematics of robots and artificial avatars
University of Naples Federico II(那不勒斯费德里科二世大学);Scuola Superiore Meridionale(南方高等学院);University Medical Center Hamburg-Eppendorf(汉堡埃彭多夫大学医学中心)
本文提出数据驱动控制架构,通过修改机器人与人工化身的运动学,在人类操作员驱动的动作中编码情绪等信息,并在拾取放置任务数据集上完成验证。
2024-03-11 cs.LG cs.RO cs.SY
Design and Development of a Tracked Inspection Robot
本文给出了三个机会水平的巧妙微分的检验。这是主要的微分,当结果处于波动载荷下时,它将速度和力的差异解释为三个结果,但是当暴露于接近载荷时,它将等效运动和力解释为结果。的运动学和元素的确定,并假设调查下三个不同的负担情况。在三个负担情况下的运动是另外重新创造和集中在。同时介绍了它的优点及其当前和潜在的应用。
2022-09-01 cs.RO
Act4R: Action-conditioned 4D reconstruction for kinematics-free control
Johns Hopkins University(约翰斯·霍普金斯大学);University of Virginia(弗吉尼亚大学)
本文提出Act4R框架,基于3D基础模型结合空间-动作融合机制,实现动作条件下的机器人3D场景流预测,在场景流预测和逆控制性能上优于现有SoTA方法。
2026-10-14 cs.RO
Learning Robot Trajectories subject to Kinematic Joint Constraints
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
我们提出了一种方法来学习快速和动态的机器人运动,而不超过限制的位置$θ$,速度$\dotθ$,加速度$\ddotθ$和加加速度$\dddotθ$的每个机器人关节。通过将神经网络的预测映射到安全可执行的关节加速度来生成运动。神经网络被周期性地调用并通过强化学习进行训练。我们的主要贡献是计算安全关节加速度的分析程序,它认为预测频率$f_N$的神经网络。结果,频率$f_N$可以被自由选择并被视为超参数。我们表明,我们的方法是最好的惩罚违反约束,因为它提供了明确的保证,并没有扭曲所需的优化目标。此外,所选择的预测频率对学习性能和计算工作量的影响是突出的各种实验。
2021-03-27 cs.RO
Estimating Lower Body Kinematics using a Lie Group Constrained Extended Kalman Filter and Reduced IMU Count
目标:本文提出了一种算法,估计骨盆,大腿,小腿和脚的运动学在步行过程中,只有两个或三个可穿戴惯性传感器。方法:该算法采用了基于李群的扩展卡尔曼滤波器。该算法迭代预测(运动学方程)、测量(骨盆位置伪测量、零速度更新和平坦地板假设)和约束更新(铰链膝关节和踝关节、恒定腿长)。结果如下:惯性运动捕捉算法在两个数据集上进行了广泛的评估,这两个数据集显示了其相对于光学运动捕捉中的两个标准基准方法的性能(即,插入式步态(常用于步态分析)和运动学拟合(常用于动画、机器人和肌肉骨骼模拟)),深入了解不同应用领域中使用的所述方法之间的相似性和差异。我们的算法($n=14$参与者)自由行走的总体平均身体节段位置(相对于骨盆中部原点)和方向误差幅度为$5.93 \pm 1.33$ cm和$13.43 \pm 1.89^\circ$(当使用放置在足部和骨盆上的三个IMU时),以及$6.35 \pm 1.20$ cm和$12.71 \pm 1.60^\circ$(当仅使用放置在足部上的两个IMU时)。结论:该算法能够很好地跟踪直线行走的矢状面中的关节角度,但需要改进无脚本运动(例如,转身,侧步),尤其是对于动态运动或考虑临床应用时。意义:这项工作使我们更接近使用鞋子上的IMU进行全面的远程步态监测。低计算成本也表明它可以与步态辅助设备实时使用。
2021-03-21 cs.RO cs.SY eess.SY
Motion Primitive Discovery in a Humanoid Robot via Self-Organising Maps for Phase Recognition
Department of Applied Informatics Comenius University Bratislava(布拉迪斯拉发夸美纽斯大学应用信息学系)
受镜像神经元系统启发,提出两级架构用于人形机器人运动原语发现和在线相位识别。第一级用自组织映射学习运动学表示,第二级用回声状态网络评估激活轨迹。集成SOM和ESN方法,实现运动原语表示及相位识别,验证相关计算假设。
2026-07-22 cs.RO
Robotic In-Hand Manipulation for Large-Range Precise Object Movement: The RGMC Champion Solution
Tsinghua University(清华大学);Institute for Guo Qiang, Tsinghua University(清华大学国情研究院)
针对机器人抓取内物体移动需兼顾高精度、大范围与稳定抓取的难题,提出无需预训练和物体几何信息的运动学轨迹优化方法,斩获RGMC 2024手部内操作赛道冠军。
2025-03-21 cs.RO
Optimal Kinematic Design of a Robotic Lizard using Four-Bar and Five-Bar Mechanisms
Vellore Institute of Technology(韦洛尔理工学院);Indian Institute of Science(印度科学学院)
本文设计一种由四杆与五杆机构组成、仅用四个旋转驱动器实现身体到腿部运动传递的机器蜥蜴,并完成尺寸综合、运动学、奇异点、步态仿真与3D打印原型实验。
2023-08-16 cs.RO
Multi-Contact Motion Retargeting using Whole-body Optimization of Full Kinematics and Sequential Force Equilibrium
Georgia Institute of Technology(佐治亚理工学院);Twentieth Century Fox(二十世纪福克斯公司);Starfleet Academy(星际舰队学院);Tyrell Inc.(泰伦公司)
本文提出了一种多接触运动自适应框架,使遥操作的高自由度(DoF)的机器人,如四足动物和类人,在多接触设置的本地操作任务。我们提出的算法优化全身配置和制定重定向的多接触运动作为序列二次规划,这是强大的和稳定的可行性约束的边缘附近。我们的框架允许机器人的实时操作,并减少了操作员的认知负荷,因为不可行的命令会自动适应机器人的物理稳定和可行的运动。全动力学仿真结果表明了遥操作不同足式机器人的有效性,并产生丰富的多接触运动。我们评估了所提出的算法的计算效率,并进一步验证和分析多接触的机器人和四足机器人的本地操作任务达到,主动推动和各种遍历不平坦的地形。
2022-06-01 cs.RO
Bilevel Learning for Dual-Quadruped Collaborative Transportation under Kinematic and Anisotropic Velocity Constraints
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
针对四足机器人各向异性速度限制与载荷运动学约束下的双机协同运输难题,提出双层学习方法BLCT,上层学协作策略、下层优化速度控制,在复杂场景中性能优于基线方法。
2024-12-11 cs.RO
New design of smooth PSO-IPF navigator with kinematic constraints
Auckland University of Technology(奥克兰理工大学);Amirkabir University(阿米尔卡比尔理工大学);Iran University of Science and Technology(伊朗科技大学)
本文提出 SPSO-IPF 方法,结合 PSO 与改进势场法,在静态和动态环境中生成平滑安全的机器人路径,优于单独使用 PSO 或 PF。
2024-05-03 cs.RO cs.SY eess.SY
Planning of efficient trajectories in robotized assembly of aerostructures exploiting kinematic redundancy
University of Salerno(萨莱诺大学)
随着时间的推移,航空航天生产量不断增加,机器人解决方案已逐步引入航空装配线,以实现高质量标准,高生产率,灵活性和降低成本。机器人工作单元有时以安装在滑道上的机器人为特征,以增加机器人工作空间。滑动引入了额外的自由度,使系统在运动学上冗余,但该功能很少用于提高性能。本文提出了一种新的概念,在轨迹规划,利用冗余,以满足额外的要求。采用动态规划技术,计算优化的轨迹,最小化或最大化感兴趣的性能指标。该用例定义在LABOR(复合材料航空结构的精益自动化装配和控制)项目上,该项目采用安装在线性轴上的两个协作的六轴机器人来执行机身壁板的装配操作。考虑到该工作单元的需求,最大限度地减少了不必要的机器人运动以提高安全性,最大限度地提高了机械刚度以增加钻孔操作期间的稳定性,避免了碰撞,同时遵守了关节限制和可用的规划时间。在仿真环境中进行实验,在那里执行的最佳轨迹,突出显示所产生的性能和改进相对于非优化的解决方案。
2021-07-09 cs.RO
Design and construction of a wireless robot that simulates head movements in cone beam computed tomography imaging
Hamedan University of Technology(哈马丹理工大学);Hamadan University of Medical Sciences(哈马丹医科大学);Pprime Institute CNRS(法国国家科学研究中心Pprime研究所);ENSMA(国立高等机械与航空技术学院);University of Poitiers(普瓦捷大学)
本文设计并构建了一种绳索驱动并联机器人,可在CBCT扫描仪内以3自由度同步模拟干颅骨头部运动,用于研究运动伪影并构建参考数据集,实验显示其运动可重复性超过95%。
2024-10-01 cs.RO physics.med-ph
Interactive Expressive Motion Generation Using Dynamic Movement Primitives
Socially Intelligent Robotics Lab, Institute for Artificial Intelligence, University of Stuttgart(社会智能机器人实验室,人工智能研究所,斯图加特大学);Collaborative Artificial Intelligence Group, Institute for Visualization and Interactive Systems, University of Stuttgart(协作人工智能小组,可视化与交互系统研究所,斯图加特大学)
为实现社交机器人与人类的自主表现力交互,提出基于动态运动基元实现关键动画原则的方法,构建可学习可调制的运动生成模型,经多平台实验验证可通过单模型生成多样细腻的表情动作。
2025-10-02 cs.GR cs.RO
Anticipating many futures: Online human motion prediction and synthesis for human-robot collaboration
KTH Royal Institute of Technology(瑞典皇家理工学院)
人类和机器人之间流畅而安全的互动需要双方都能预测到对方的行动。人类意图推断的一种常见方法是使用监督分类器对朝向已知目标的特定轨迹进行建模。然而,这些方法没有考虑到未来可能的运动,也没有利用运动学线索,如清晰和可预测的运动。这些方法的瓶颈是缺乏一般人体运动的精确模型。在这项工作中,我们提出了一个有条件的变分自编码器,它被训练来预测一个窗口的未来人类运动给定的窗口过去的帧。使用从RGB深度图像获得的骨架数据,我们展示了这种无监督的方法可以用于在线运动预测长达1660毫秒。此外,我们演示了在线目标预测后的第一个300-500毫秒的运动发作,而不使用目标特定的训练数据。我们的概率方法的优点是可以抽取未来可能运动的样本。最后,我们研究如何运动和运动学线索表示的学习低维流形。
2017-02-27 cs.CV cs.HC cs.RO
Kinematic control design for wheeled mobile robots with longitudinal and lateral slip
University of Cambridge(剑桥大学);University of Campinas(坎皮纳斯大学)
针对恶劣地面条件下轮式移动机器人因纵横向滑移难以控制的问题,提出一种自适应运动学控制器,有效补偿纵向滑移并处理横向滑移,理论证明误差一致最终有界,仿真验证了轨迹跟踪性能。
2021-05-13 cs.RO cs.SY eess.SY