Fine-Tuning Generative Models as an Inference Method for Robotic Tasks
Technion - Israel Institute of Technology(以色列理工学院)
提出一种基于交叉熵方法快速微调深度生成模型以适应机器人任务观测的通用推理方法,并在自回归模型和变分自编码器的物体形状推断、逆运动学计算及点云补全中验证了其有效性。
2023-10-19 cs.LG cs.RO
Bayesian Gaussian mixture model for robotic policy imitation
Idiap Research Institute(Idiap 研究所)
学习机器人技能的一种常见方法是模仿演示策略。由于小误差和扰动的复合,这种方法可能会让机器人离开提供演示的状态。这就需要考虑额外的策略,以保证机器人在面对未知状态时表现得适当。我们建议使用贝叶斯方法来量化每个状态下的动作不确定性。所提出的贝叶斯方法是简单的设置,计算效率高,可以适应范围广泛的问题。我们的方法利用估计的不确定性融合的模仿政策与额外的政策。在一个熊猫机器人上进行了仿真实验,仿真结果表明,该方法在连续域中使用不同的控制输入/状态对完成三个操作任务。
2019-08-07 cs.RO
Hierarchical Bayesian Data Fusion for Robotic Platform Navigation
Marquette University(马凯特大学)
近年来,数据融合已成为一个活跃的研究课题.不断增长的计算性能允许使用冗余传感器来测量单一现象。虽然贝叶斯融合方法在一般应用中是常见的,但是计算机视觉领域已经在很大程度上降级了这种方法。大多数对象跟随算法已经转向倾向于缺乏灵活性的纯机器学习融合技术。因此,需要一种更通用的数据融合方案。在这项工作中,提出了一种分层贝叶斯融合方法,通过使用冗余测量,它优于单个跟踪器。自适应框架是通过依赖于每个测量的本地统计数据和全球软化多数表决。所提出的方法进行了验证,在模拟应用程序和两个机器人平台。
2017-04-21 cs.RO
BeBOP -- Combining Reactive Planning and Bayesian Optimization to Solve Robotic Manipulation Tasks
ABB Robotics(ABB机器人公司);Lund University(隆德大学);Royal Institute of Technology (KTH)(皇家理工学院(KTH))
针对机器人操作任务快速配置需求,提出结合反应式规划构建行为树结构、贝叶斯优化学习参数的BeBOP方法,还改进随机森林不确定性估计,在基准测试中速度最高达现有强化学习算法的46倍且更不依赖奖励塑形。
2023-10-02 cs.RO
Bayesian Optimisation for Robust Model Predictive Control under Model Parameter Uncertainty
University of Sydney(悉尼大学);NVIDIA(英伟达)
我们提出了一种自适应优化方法调整随机模型预测控制(MPC)的超参数,同时联合估计的过渡模型参数的概率分布的基础上的性能奖励。特别是,我们开发了一个贝叶斯优化(BO)算法与异方差噪声模型来处理不同的噪声在MPC超参数和动态模型参数空间。典型的同方差噪声模型是不现实的调整MPC,因为随机控制器固有的噪声,和噪声的水平是由他们的超参数设置的影响。我们评估所提出的优化算法在模拟控制和机器人任务,我们共同推断控制和动力学参数。实验结果表明,我们的方法导致更高的累积奖励和更稳定的控制器。
2022-05-31 cs.AI cs.LG cs.RO
Bayesian Grasp: Robotic visual stable grasp based on prior tactile knowledge
机器人抓取检测是非结构化环境中智能操作的基本能力。以往的研究主要是通过视觉和触觉的融合来实现稳定的抓取,而整个抓取过程严重依赖于再抓取,需要花费大量的时间来调节和评估。我们提出了一种新的方法来提高机器人抓:通过学习触觉知识,机器人可以实现稳定的把握从图像。首先,我们构建了一个先验的触觉知识学习框架与新的把握质量度量,这是通过测量其抵抗外部扰动。其次,我们提出了一个多阶段的贝叶斯抓取架构,通过一个单一的RGB图像的基础上先验触觉知识生成稳定的把握配置。结果表明,该框架可以对抓握结果进行分类,对已知物体的平均准确率为86%,对新物体的平均准确率为79%。先验触觉知识比传统的基于视觉的策略提高了55%的成功率。
2019-09-16 cs.RO
Robotic Optimization of Powdered Beverages Leveraging Computer Vision and Bayesian Optimization
ETH Zürich(苏黎世联邦理工学院);EPFL(洛桑联邦理工学院);Nestle Research(雀巢研究中心)
针对食品行业对创新研究的需求,本研究引入结合优化算法与计算机视觉的机器人系统,以粉末卡布奇诺制备为案例优化食品质量,通过闭环控制提升饮料品质,证明机器人自动化在食品开发中的有效性。
2025-04-17 cs.RO
Robotic Sonographer: Autonomous Robotic Ultrasound using Domain Expertise in Bayesian Optimization
All India Institute of Medical Sciences(全印医学科学学院);Purdue University(普渡大学)
本文提出一种结合贝叶斯优化与领域专业知识的自主机器人超声系统,利用专家先验质量图和深度网络图像质量反馈,在膀胱体模上实现了98.7%的定位精度和97.8%的力度精度。
2023-07-05 cs.RO
Touch attention Bayesian models for robotic active haptic exploration of heterogeneous surfaces
Robotics Institute, Khalifa University(哈利法大学机器人研究所)
这项工作有助于开发的主动触觉探索策略的表面使用机器人手在环境中具有未知的结构。所提出的方法的架构包括两个主要的贝叶斯模型,实现触摸注意力机制的系统。该模型的PI_PER感知和区分不同类别的材料(触觉刺激)集成的顺应性和纹理特征提取的触觉感官数据。模型pi_tar主动推断机器人系统应该探索的工作空间的下一个区域,整合任务信息,从感知的触觉刺激图中提取的永久更新的显著性和不确定性图,以及返回抑制机制。实验结果表明,贝叶斯模型pi_per可以对10种不同类别的材料进行区分,平均识别率高于90%.实验证明了所提出的模型的泛化能力。在模拟中,ATLAS机器人能够执行以下由不同材料制成的两个区域之间的不连续性,其发散度小于1cm(30次试验)。在具有3种不同间断配置的情况下进行测试。贝叶斯模型已经证明了管理表面结构和感官噪声的不确定性的能力,以根据触觉感知做出正确的运动决策。
2014-09-22 cs.RO
Survivable Robotic Control through Guided Bayesian Policy Search with Deep Reinforcement Learning
许多机器人操作技能可以用确定性特征来表示,并且存在用于学习这些技能的参数化电机计划的有效技术。然而,一个积极的研究挑战仍然是在机械故障的情况下维持操纵能力。理想情况下,像生物一样,机器人代理应该能够通过适应动态对手来重新配置其控制策略。在本文中,我们提出了一种方法,允许代理生存的情况下,机械损失,并自适应地学习操纵妥协的自由度-我们称我们的方法生存机器人学习(SRL)。我们的主要思想是利用贝叶斯策略梯度编码的知识偏见后验估计,这反过来又证明了未来的政策搜索探索,在样本效率和随机探索的政策搜索方法相比。SRL将策略先验表示为高斯过程,通过将引导偏差作为来自先前重放的代理,允许近似后验的易处理计算(当真实梯度难以处理时)。我们评估我们提出的方法对现成的无模型学习算法(DDPG),测试六足机器人平台上遇到增量故障仿真,我们的实验表明,我们的方法大大提高了样本需求和定量成功率在所有故障模式。我们实验的演示视频可以在https://sites.google.com/view/survivalrl上观看
2021-06-29 cs.RO
Survivable Hyper-Redundant Robotic Arm with Bayesian Policy Morphing
在本文中,我们提出了一个贝叶斯强化学习框架,允许机器人机械手自适应地恢复随机机械故障自主,因此是生存。为此,我们制定了贝叶斯策略变形(BPM)的框架,使机器人代理,以自我修改其学习的策略后,减少其机动维数。我们建立在现有的演员-评论家的框架,并扩展它执行策略梯度更新作为后验学习,过去的政策更新作为先验分布。我们发现,政策搜索,在有偏见的方向由先前的经验,显着提高学习效率的抽样要求。我们使用BPM算法在8自由度机器人手臂上展示了我们的结果,同时有意禁用具有不同损伤类型的随机关节,如无响应关节,恒定偏移误差和角度不精确。我们的研究结果表明,即使有物理损伤,机器人手臂仍然可以成功地保持其功能,以准确地定位和抓住给定的目标对象。
2020-10-20 cs.AI cs.RO
Bayesian Optimization for Sample-Efficient Policy Improvement in Robotic Manipulation
University of Freiburg(弗赖堡大学);University of Technology Nuremberg(纽伦堡工业大学)
针对机器人操作学习样本效率低的问题,提出结合模仿学习与贝叶斯优化的BOpt-GMM方法,从少量示范初始化GMM技能模型后用少量自主执行优化,在仿真与真实实验中验证了样本效率并开源代码。
2024-10-07 cs.RO
A Bayesian Reasoning Framework for Robotic Systems in Autonomous Casualty Triage
AGH University of Krakow(克拉科夫AGH大学);Carnegie Mellon University(卡内基梅隆大学);Osnabrück University(奥斯纳布吕克大学);University of Pittsburgh(匹兹堡大学)
本文提出一种融合多视觉算法的自主机器人系统,利用贝叶斯网络提升急救分级准确性,实验显示其在生理评估和整体分级准确率上显著提升。
2026-10-06 cs.RO
Integrating Sample Inheritance into Bayesian Optimization for Evolutionary Robotics
Department of Informatics, University of Oslo(信息学院,奥斯陆大学)
本文提出利用样本继承提升贝叶斯优化在进化机器人中的性能,通过两种继承方式验证了其有效性,展示了低预算下的高效优化策略。
2026-01-07 cs.RO
Simulation-based Bayesian inference for robotic grasping
一般的机器人抓手是具有挑战性的控制,因为其丰富的非光滑接触动力学和许多来源的不确定性,由于环境或传感器噪声。在这项工作中,我们演示了如何计算6自由度把握姿势,使用基于模拟的贝叶斯推理,通过机器人在其环境中的完全随机正向模拟,同时稳健地考虑到系统中的许多不确定性。保持旋转空间的非线性的黎曼流形优化过程被用来计算最大后验把握姿势。仿真和物理基准测试表明,有前途的高成功率的方法。
2023-03-10 cs.LG cs.RO
Implicit representation priors meet Riemannian geometry for Bayesian robotic grasping
University of Liège(列日大学)
本文提出利用隐式表示构建场景相关先验,并结合基于仿真的贝叶斯推断算法,在黎曼流形上高效确定非结构化环境中的机器人抓取姿态,仿真与物理实验验证了其高成功率。
2023-04-19 cs.LG cs.RO
Simulation-based Bayesian inference for multi-fingered robotic grasping
University of Liège(列日大学)
无可否认,多指机器人抓取是通用采摘和灵巧操作的垫脚石。然而,多指夹持器仍然具有挑战性的控制,因为其丰富的非光滑接触动力学或因为传感器噪声。在这项工作中,我们的目标是通过执行贝叶斯后验推理的机器人在其环境中的完全随机正向模拟,从而强大的占系统中的许多不确定性的手配置。虽然以前的方法要么依赖于似然函数的简化代理,要么试图学习直接预测最大似然估计值,但我们提出了一种新颖的基于模拟的方法,用于基于似然函数的深度神经网络代理的完全贝叶斯推理。证据比。手的配置,发现直接优化,通过由此产生的摊销和可微的表达式后。配置空间的几何占提出了一个黎曼流形优化程序,通过神经后。模拟和物理基准测试表明该过程的成功率很高。
2021-09-29 cs.LG cs.RO
Sparse Bayesian Inference for Dense Semantic Mapping
University of Michigan(密歇根大学)
尽管在同时定位与地图构建方面取得了令人印象深刻的进展,但由于其作为高维推理问题的固有性质,密集机器人地图构建仍然具有挑战性。在本文中,我们提出了一个密集的语义机器人映射技术,利用稀疏贝叶斯模型,特别是相关向量机,高维顺序推理。该技术是基于自动相关性确定的原则,并产生稀疏模型,使用原始密集训练集的一个小子集作为主导基础。所得到的地图后验是连续的,并且可以在任何分辨率下有效地进行查询。此外,该技术通过贝叶斯推理具有每个语义类的概率输出。我们使用公开可用的基准数据集,纽约大学深度V2和KITTI评估了所提出的相关向量语义图;结果显示,与最先进的技术相比,有希望的改进。
2017-09-22 cs.RO
Bayesian optimization for robust robotic grasping using a sensorized compliant hand
Instituto de Investigación en Ingeniería de Aragón (I3A)(阿拉贡工程研究所(I3A));Universidad de Zaragoza(萨拉戈萨大学);German Aerospace Center (DLR)(德国航空航天中心(DLR))
针对机器人在噪声与不确定性环境中抓取未知物体的问题,本文利用贝叶斯优化和触觉抓取指标,在传感器化柔顺手上实现安全、鲁棒的真实抓取。
2024-10-23 cs.AI cs.RO
PAC-DP: PAC-Bayesian Diffusion Policy Learning
University of Trento(特伦托大学);Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)(慕尼黑工业大学慕尼黑机器人与机器智能研究所)
研究针对扩散策略在有限数据下泛化控制有限的问题,提出PAC-DP,将DP建模为贝叶斯神经网络并定义泛化界导出新训练目标。该方法理论上规范DP训练,实验显示在多基准测试中性能提升,尤其在低数据和复杂任务中效果显著。
2026-07-28 cs.RO
Robust Statistics vs. Machine Learning vs. Bayesian Inference: Insights into Handling Faulty GNSS Measurements in Field Robotics
Institute of Automatic Control, RWTH Aachen University(鲁尔大学自动控制研究所);Learning Systems and Robotics Lab, Technical University of Munich(慕尼黑技术大学学习系统与机器人实验室);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所)
本文针对野外车辆定位中GNSS故障测量问题,比较鲁棒统计、机器学习和贝叶斯推断三种策略,通过城市真实数据实验,验证方法有效性并指出开放问题,以促进鲁棒状态估计研究。
2025-10-15 cs.RO
Variational Inference as Iterative Projection in a Bayesian Hilbert Space with Application to Robotic State Estimation
University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所)
变分贝叶斯推理是一种重要的机器学习工具,从统计学到机器人技术都有应用。我们的目标是找到一个近似的概率密度函数(PDF)从一个选定的家庭,在某种意义上是“最接近”的完整的贝叶斯后验。接近度通常通过选择适当的损失函数来定义,例如Kullback-Leibler(KL)散度。在本文中,我们探索了一个新的变分推理公式,利用这一事实,即(大多数)PDF是贝叶斯希尔伯特空间的成员下仔细定义的向量加法,标量乘法和内积。我们表明,在适当的条件下,基于KL发散的变分推理可以相当于迭代投影,在欧几里得意义上,贝叶斯后验到对应于所选近似族的子空间上。我们的工作通过高斯近似家庭的具体情况下,这个一般框架的细节,并显示等价于另一个高斯变分推理方法。我们还讨论了系统表现出稀疏性,这是自然的贝叶斯空间中处理的影响,并给出了一个高维机器人状态估计问题,可以处理的结果的例子。我们提供了一些初步的例子,该方法可以应用于非高斯推理,并详细讨论了该方法的局限性,以鼓励沿着这些路线的后续工作。
2022-09-26 cs.LG cs.RO stat.ML
Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms
Stanford University(斯坦福大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
强化学习方法可以实现显著的性能,但需要在同一机器人平台上收集大量的训练数据。用昂贵的数据训练的策略在对机器人硬件进行哪怕是微小的更改后都变得无用。在本文中,我们解决了具有挑战性的问题,适应的政策,训练执行任务,一个新的机器人硬件平台,只有几个演示的机器人运动轨迹的目标机器人。我们将其表述为一个Few-Shot元学习问题,其目标是找到一个元模型,该元模型捕获不同机器人平台之间共享的共同结构,以便可以执行数据高效的自适应。我们通过引入由基于概率梯度的Meta学习算法组成的学习框架来实现这样的适应,该元学习算法利用低维潜变量对由Few-Shot设置引起的不确定性进行建模。我们实验评估我们的框架上的模拟达到和一个真正的机器人采摘任务,使用400个模拟机器人产生的物理参数不同的现有的一组机器人平台。我们的研究结果表明,所提出的方法可以成功地适应不同的机器人平台与新的物理参数和我们的Meta学习算法的优越性相比,国家的最先进的方法引入的Few-Shot政策适应问题。
2021-03-05 cs.AI cs.RO
3D Cal: An Open-Source Software Library for Depth Reconstruction on Vision-Based Tactile Sensors
McCormick School of Engineering, Center for Robotics and Biosystems, Northwestern University(麦科姆ick工程学院,机器人与生物系统中心,西北大学)
介绍3D Cal开源库,将低成本3D打印机变为自动探测设备,为校准基于视觉的触觉传感器生成大量标记训练数据,还提供端到端管道训练自定义卷积网络进行深度重建,给出校准准则并展示良好性能。
2026-07-07 cs.RO
Variational Inference with Mixture Model Approximation: Robotic Applications
Idiap Research Institute(Idiap 研究院)
我们提出了一种方法来近似满足多个目标的机器人配置的分布。我们的方法使用变分推理,贝叶斯计算中的一种流行的方法,它有几个优点,基于采样的技术。为了能够表示复杂和多模态分布的配置,我们建议使用混合模型作为近似分布,最近已经获得普及的方法。在这项工作中,我们展示了这种方法的有趣特性,以及它如何应用于机器人技术中的各种问题。
2019-11-22 cs.RO
BayesOpt: A Library for Bayesian optimization with Robotics Applications
Centro Universitario de la Defensa(国防大学中心)
本文件有两个目的。一方面,我们提出了贝叶斯优化的一般框架,并将其与主动学习和贝叶斯数值分析中的一些相关领域进行了比较。另一方面,贝叶斯优化和相关问题(土匪,序贯实验设计)是高度依赖于所选择的代理模型。然而,在文献中没有明确的标准。因此,我们提出了一个快速,灵活的工具箱,允许测试和组合不同的模型和标准,很少的努力。它包含了大多数最先进的贡献、算法和模型。它的速度也消除了贝叶斯优化方法只适用于“昂贵函数”的部分耻辱。该软件是免费的,它可以在许多操作系统和计算机语言中使用。
2013-09-03 cs.AI cs.LG cs.MS
DiSECt: A Differentiable Simulation Engine for Autonomous Robotic Cutting
NVIDIA(英伟达);University of Southern California(南加州大学);University of Toronto(多伦多大学);Vector Institute(向量研究所);University of Washington(华盛顿大学);University of Sydney(悉尼大学)
软材料的机器人切割对于食品加工、家庭自动化和手术操作等应用至关重要。与机器人的其他领域一样,仿真器可以促进控制器验证、策略学习和数据集生成。此外,可微分仿真器可以实现基于梯度的优化,这对于校准仿真参数和优化控制器是非常宝贵的。在这项工作中,我们提出了DiSECt:第一个微分模拟器切割软材料。该模拟器增强了有限元法(FEM)与连续接触模型的基础上签署的距离场(SDF),以及一个连续的损伤模型,插入弹簧的切割平面的相对两侧,并允许他们削弱,直到零刚度,使裂纹形成。通过各种实验,我们评估的模拟器的性能。我们首先表明,模拟器可以进行校准,以匹配来自最先进的商业求解器和现实世界的切割数据集的合力和变形场,具有切割速度和对象实例的通用性。然后,我们表明,贝叶斯推理可以有效地利用模拟器的可微性,估计后验在一小部分的时间的衍生自由的方法超过数百个参数。最后,我们说明,在模拟中的控制参数可以优化,以尽量减少切削力通过横向切片运动。我们在项目网站https://diff-cutting-sim.github.io上发布视频和其他结果。
2021-05-25 cs.RO
Bayesian Optimization Meets Laplace Approximation for Robotic Introspection
German Aerospace Center (DLR)(德国航空航天中心);Technical University of Munich(慕尼黑工业大学)
在机器人技术中,深度学习(DL)方法的应用越来越广泛,但它们普遍无法提供可靠的置信度估计,最终将导致系统脆弱和不可靠。这阻碍了DL方法用于长期自治的潜在部署。因此,在本文中,我们引入了一种可扩展的拉普拉斯近似(LA)技术,使深度神经网络(DNN)更加内省,即使它们能够为看不见的测试数据提供对其故障概率的准确评估。特别是,我们提出了一种新的贝叶斯优化(BO)算法,以减轻他们的倾向下拟合的真实权重后验,使校准和预测的准确性可以同时优化。我们根据经验证明,与随机搜索相比,所提出的BO方法需要更少的迭代,并且我们表明,所提出的框架可以扩展到大型数据集和架构。
2020-10-30 cs.CV cs.LG cs.RO
Bayesian Active Learning for Sim-to-Real Robotic Perception
German Aerospace Center (DLR)(德国航空航天中心);Technical University of Munich (TUM)(慕尼黑工业大学)
虽然从合成训练数据中学习最近得到了越来越多的关注,但在现实世界的机器人应用中,由于所谓的模拟到真实的差距,仍然存在性能缺陷。在实践中,仅用合成数据很难解决这一差距。因此,我们专注于在Sim-to-Real学习管道中有效获取真实数据。具体来说,我们采用深度贝叶斯主动学习来最大限度地减少手动注释工作,并设计一个自主学习范式来选择被认为对人类专家有用的数据进行注释。为了实现这一点,提供可靠的不确定性估计的贝叶斯神经网络(BNN)对象检测器适于推断未标记数据的信息量。此外,为了应对不确定性为基础的抽样标签分布的错位,我们开发了一个有效的随机抽样策略,表现良好相比,其他复杂的替代品。在我们对对象分类和检测的实验中,我们展示了我们的方法的好处,并提供了可以显着减少标记工作的证据。最后,我们证明了这一想法的实际有效性,在一个辅助机器人的抓取任务。
2022-08-01 cs.AI cs.LG cs.RO
Field Estimation using Robotic Swarms through Bayesian Regression and Mean-Field Feedback
University of Notre Dame(圣母大学)
近年来,人们越来越关注使用平均场密度为基础的建模和控制策略部署机器人群。在本文中,我们研究了如何动态部署机器人的物理约束,以有效地测量和重建某些未知的空间场(如空气污染指数在一个城市)。具体而言,机器人的密度的演变是由平均场偏微分方程(PDE),这是唯一确定的机器人的个人动态建模。贝叶斯回归模型用于获得预测并返回表示预测置信度的方差函数。我们制定了一个PDE约束优化问题的基础上,这个方差函数动态生成一个参考密度信号,引导机器人到不确定的区域收集新的数据,并设计基于平均场反馈的控制律,使机器人的密度收敛到这个参考信号。我们还表明,建议的反馈法是强大的密度估计误差的意义下的输入到状态稳定性。仿真结果验证了算法的有效性。
2021-06-02 cs.RO cs.SY eess.SY
Uncertainty-aware deep learning for robot touch: Application to Bayesian tactile servo control
University of Bristol(布里斯托大学)
这项工作研究了触觉机器人中的不确定性感知深度学习(DL)的基础上,最近推出的机器人视觉的一般框架。对于测试场景,我们考虑光学触觉感知结合DL来估计边缘姿态作为反馈信号,以围绕各种2D测试对象伺服。我们证明了不确定性感知DL可以提高确定性DL方法的姿态估计。该系统估计与每个预测相关联的不确定性,该不确定性与时间相干性一起用于经由卡尔曼滤波器改进预测,并且因此改进触觉伺服控制。机器人能够鲁棒地遵循所有呈现的轮廓形状,不仅将误差减少到原来的两倍,而且还使轨迹从先前确定性网络引起的不期望的噪声行为中平滑。在我们看来,随着触觉机器人领域在使用DL方面的成熟,不确定性的估计将成为复杂环境中物理交互任务控制的关键组成部分。
2021-04-29 cs.RO
The Treachery of Images: Bayesian Scene Keypoints for Deep Policy Learning in Robotic Manipulation
University of Freiburg(弗莱堡大学);University of Technology Nuremberg(纽伦堡工业大学)
本文提出贝叶斯关键点跟踪方法BASK,通过解决图像歧义实现尺度不变关键点跟踪,在遮挡和视野外物体场景下提升机器人操作策略学习的样本效率和鲁棒性。
2023-09-20 cs.AI cs.CV cs.RO
Integrating Deep RL and Bayesian Inference for ObjectNav in Mobile Robotics
Institute For Systems and Robotics(系统与机器人研究所)
本文提出结合贝叶斯推断与深度强化学习的混合对象搜索框架,通过在线更新空间信念图和训练导航策略,提升移动机器人在部分可观测环境中的搜索效率和可靠性。
2026-03-26 cs.AI cs.CV cs.RO
LBAP: Improved Uncertainty Alignment of LLM Planners using Bayesian Inference
University of Maryland, College Park(马里兰大学学院公园分校)
针对大语言模型在机器人规划中存在幻觉、易导致错误执行或频繁求助人类的问题,提出结合贝叶斯推理实现不确定性对齐的LBAP方法,通过融合场景接地与世界知识校准置信度,在仿真与真实任务中提升成功率并降低人类干预率。
2025-06-17 cs.RO
Robotic Long-Horizon Manipulation with Bayesian Non-parametric Skill Priors
提出利用贝叶斯非参数模型(狄利克雷过程混合)预训练技能先验,增强强化学习在长时程操作任务中的技能多样性与迁移效率,超越现有方法。
2026-10-06 cs.AI cs.RO
Bayesian Retraction Optimization for Tissue Attachment Mapping in Surgical Dissection
The Robotics Center and the Kahlert School of Computing at the University of Utah(美国犹他大学机器人中心和卡尔特计算学院);School of Computational Science and Engineering, Georgia Institute of Technology(美国佐治亚理工学院计算科学与工程学院);Department of Electrical and Computer Engineering and Department of Computer Science, Vanderbilt University(美国范德堡大学电气与计算机工程系和计算机科学系)
针对外科医生短缺,该研究将组织附着识别视为概率问题,提出基于顺序贝叶斯希尔伯特地图和贝叶斯回缩优化的方法,避免显式组织建模,在模拟中验证并实现向实际机器人解剖实验的零样本转移,为自动化手术解剖提供新途径。
2026-07-22 cs.RO
Robotic Control Optimization Through Kernel Selection in Safe Bayesian Optimization
School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院);Singapore Institute of Manufacturing Technology, A*STAR(新加坡制造技术研究院(新加坡科研局));Department of Electrical and Computer Engineering, National University of Singapore(新加坡国立大学电气与计算机工程系);Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)机器人与自主系统学部)
本文提出一种基于学习的控制优化方法,通过核选择增强加性高斯过程的安全贝叶斯优化算法,高效解决高维复杂系统的多控制器优化问题,并在Safe Control Gym基准的无人机PID控制中验证了其优于现有技术的显著改进。
2024-11-12 cs.RO cs.SY eess.SY
Target-free Extrinsic Calibration of Event-LiDAR Dyad using Edge Correspondences
The University of Hong Kong(香港大学);Centre for Transformative Garment Production(变革性服装生产中心);Peng Cheng Laboratory(鹏城实验室)
本文提出一种无需标定板的事件相机与激光雷达外部参数标定方法,通过关联事件和点云中的边缘特征,实现高鲁棒性的标定。
2023-05-06 cs.RO
RUSOpt: Robotic UltraSound Probe Normalization with Bayesian Optimization for In-plane and Out-plane Scanning
IIT, Goa(果阿印度理工学院);Purdue University(普渡大学);Indian Institute of Technology (IIT), Delhi(德里印度理工学院)
针对自主机器人超声系统图像质量受探头朝向影响的问题,提出基于贝叶斯优化的探头法向校准方法RUSOpt,结合力测量与力学原理构建目标函数并加入正则化处理噪声,经体模与仿真验证角度误差低,可高效提升成像质量。
2023-10-05 cs.LG cs.RO
Bayesian Optimization for Developmental Robotics with Meta-Learning by Parameters Bounds Reduction
LIRIS, CNRS UMR 5205 Ecole Centrale de Lyon(里昂中央理工学院 LIRIS 实验室(法国国家科学研究中心 UMR 5205))
在机器人技术中,方法和软件通常需要优化超参数,以便有效地执行特定任务,例如从不同对象的同质堆中进行工业装箱。我们提出了一个发展框架的基础上长期记忆和推理模块(贝叶斯优化,视觉相似性和参数边界减少),允许机器人使用元学习机制,提高这种连续和约束参数优化的效率。新的优化被视为机器人的学习,可以利用过去的经验(存储在情节和过程存储器中),以通过使用从具有新任务的机器人实现的最佳优化计算的减少的参数边界来缩小搜索空间(例如,基于存储在语义记忆中的对象的视觉相似性,从相似对象的同质堆中进行装箱)。作为例子,我们已经面对系统的9个连续的超参数的约束优化的专业软件(Kamido)在工业机器人手臂装箱任务,每次都需要正确地处理新的对象的一个步骤。我们使用模拟器为8个不同的对象创建装箱任务(7个在模拟中,一个在真实设置中,没有和有来自其他类似对象的经验的元学习)尽管优化预算很小,但仍实现了良好的结果,当使用元学习时,性能更好(总体成功率为84.3% vs 78.9%,每次优化的小预算为30次迭代)(p值=0.036)。
2020-07-30 cs.AI cs.LG cs.RO
Active Exploration in Bayesian Model-based Reinforcement Learning for Robot Manipulation
Instituto de Investigación en Ingeniería de Aragón (i3A)(阿拉贡工程研究所);University of Zaragoza(萨拉戈萨大学)
本文针对机器人操作中数据采集昂贵的问题,提出在探索阶段通过贝叶斯神经网络主动学习动力学模型,以最大化信息采集并估计转移新颖性作为奖励,在保证模型质量的同时显著降低对机器人执行步骤的需求。
2026-10-15 cs.LG cs.RO
Bayesian Optimization Using Domain Knowledge on the ATRIAS Biped
Robotics Institute, School of Computer Science, Carnegie Mellon University(卡内基梅隆大学计算机科学学院机器人研究所);Robotics, Perception and Learning, CSC, KTH Royal Institute of Technology(瑞典皇家理工学院计算机科学与通信系机器人、感知与学习部门)
机器人中的控制器通常由专家设计的机器人组成,在更高的维度上很难调整。通常使用仿真来学习这些参数,但在仿真中学习的控制器通常不会转移到硬件。这需要直接在硬件上进行优化。然而,在硬件上收集数据可能是昂贵的。这导致了最近对将数据高效学习技术应用于机器人技术的兴趣。一种流行的方法是贝叶斯优化(BO),这是一种样本效率高的黑盒优化方案,但其性能通常在更高的维度上会下降。我们的目标是克服这个问题,结合领域知识,以减少在一个有意义的方式维数,重点是双足运动。在以前的工作中,我们提出了一种基于人类行走知识的转换,将16维控制器投影到1维空间。在仿真中,这表明了增强的样本效率时,优化人类启发的神经肌肉行走控制器的人形模型。在本文中,我们提出了一个广义的特征变换适用于非人形机器人形态和评估ATRIAS双足机器人-在模拟和硬件。我们提出了三种不同的步行控制器,两个评估真实的机器人。我们的研究结果表明,与传统BO相比,这种特征变换捕获了行走的重要方面,并加速了硬件和模拟的学习。
2017-09-18 cs.RO
Modeling and Predicting Trust Dynamics in Human-Robot Teaming: A Bayesian Inference Approach
University of Michigan(密歇根大学);Department of Industrial and Operations Engineering, University of Michigan(密歇根大学工业与运营工程系)
在过去的二十年里,对自动化的信任,或者最近对自主性的信任,受到了广泛的研究关注。大多数先前的文献采用了“快照”的信任的观点,通常通过在实验结束时进行问卷调查来评估信任。然而,这种“快照”观点没有承认信任是一个随时间变化的变量,可以随着时间的推移而加强或衰减。为了填补研究空白,本研究的目的是模型的信任动态时,人类与机器人代理随着时间的推移进行交互。该研究的基本前提是,通过与机器人代理进行交互并观察其随时间的表现,理性的人类代理将相应地更新他/她对机器人代理的信任。在此基础上,提出了一种基于Beta分布的个性化信任预测模型,并利用贝叶斯推理学习模型参数。我们提出的模型坚持三个主要属性的信任动态在以前的实证研究报告。我们使用现有的数据集测试了所提出的方法,该数据集涉及39名人类参与者在模拟监视任务中与4架无人机进行交互。所提出的方法获得了0.072的均方根误差(RMSE),显着优于现有的预测方法。此外,我们确定了三种不同类型的信任动态,贝叶斯决策者,振荡器,和不信者,分别。该预测模型可用于个性化和自适应技术的设计。
2020-10-01 cs.HC cs.RO
Bayesian Optimization with Safety Constraints: Safe and Automatic Parameter Tuning in Robotics
1 Learning \& Adaptive Systems Group, Department of Computer Science, ETH Zurich, Switzerland. 2 Dynamic Systems Lab, Institute for Aerospace Studies, University of Toronto, Canada.
本文提出了一种通用算法,允许在目标函数之外存在多个独立的安全约束。该算法在给定初始安全参数的情况下,最大化性能,但仅评估满足所有安全约束的参数。通过利用高斯过程先验的正则性假设,该算法仔细探索参数空间,并展示了如何利用上下文变量安全地将知识转移到新任务中。
2020-04-07 cs.LG cs.RO cs.SY
Deep Kernel and Image Quality Estimators for Optimizing Robotic Ultrasound Controller using Bayesian Optimization
All India Institute of Medical Sciences (AIIMS)(全印度医学科学学院);Purdue University(普渡大学);Indian Institute of Technology (IIT), Delhi(印度理工学院德里分校)
针对自主机器人超声高维探头控制样本效率低的问题,提出结合深度核的贝叶斯优化方法与两种深度卷积神经网络图像质量估计器,在膀胱体模实验中实现6D控制样本效率超50%提升,且具备跨患者适应性。
2023-10-11 cs.LG cs.RO
Bayesian Optimization Meets Riemannian Manifolds in Robot Learning
Bosch Center for Artificial Intelligence(博世人工智能中心);Idiap Research Institute(Idiap研究院)
贝叶斯优化(BO)由于其数据效率和无梯度的方法,最近在机器人中流行起来,用于优化直接强化学习中的控制参数和参数策略。然而,当参数空间是高维的时,其性能可能会严重受损。解决这个问题的一种方法是将领域知识引入BO框架。我们建议利用非欧几里德参数空间的几何形状,这经常出现在机器人(如方向,刚度矩阵)。我们的方法,建立在黎曼流形理论,允许BO通过几何感知核函数在参数空间中正确测量相似性,并优化流形上的采集函数作为一个无约束的问题。我们测试我们的方法在几个基准人工景观,并使用7自由度模拟机器人学习方向和阻抗参数的操作技能。
2019-10-11 cs.LG cs.RO
Meta-Learning Priors for Efficient Online Bayesian Regression
Stanford University(斯坦福大学)
高斯过程(GP)回归由于其通用性、使用简单性和贝叶斯预测的实用性而在机器人中得到了广泛的应用。GP回归的主要实现是基于非参数核的方法,因为它可以拟合任意非线性函数。然而,这种方法有两个主要缺点:(1)它在计算上效率低下,因为计算与样本数量的比例很差;以及(2)它可能是数据效率低下的,因为通过选择内核和相关超参数来编码可以帮助模型的先验知识通常具有挑战性和不直观。在这项工作中,我们提出了ALPaCA,一种有效的贝叶斯回归算法,解决了这些问题。ALPaCA使用样本函数的数据集来学习特定于域的有限维特征编码,以及相关权重的先验,使得该特征空间中的贝叶斯线性回归产生后验预测密度的准确在线预测。这些特征是神经网络,其通过元学习(或“学习-学习”)方法进行训练。ALPaCA直接从数据集中提取所有先验信息,而不是将先验信息限制在核超参数的选择上。此外,通过在权重空间中操作,它大大降低了样本复杂度。我们调查的性能ALPaCA两个简单的回归问题,两个模拟机器人系统,并在变道驾驶任务由人类执行。我们发现我们的方法优于基于内核的GP回归,以及最先进的元学习方法,从而为机器人中的许多回归任务提供了一个有前途的插件工具,其中可扩展性和数据效率很重要。
2018-10-31 cs.LG cs.RO
Unified Data Collection for Visual-Inertial Calibration via Deep Reinforcement Learning
ETH Zurich(苏黎世联邦理工学院)
视觉惯性传感器在机器人领域有着广泛的应用。然而,良好的性能往往需要不同的复杂的运动例程,以准确地校准相机的内在和传感器间的外在。这项工作提出了一种新的配方,学习的运动策略上执行的机器人手臂自动数据汇集校准内在和外在的联合。我们的方法使用无模型深度强化学习对校准过程进行了建模,以导出一种策略,该策略指导持有传感器的机器人手臂的运动,以有效地收集可用于相机内部校准和相机IMU外部校准的测量值。给定当前姿态和收集的测量值,学习策略生成优化传感器校准精度的后续变换。在模拟和一个真正的机器人系统的评估表明,我们学到的政策产生有利的运动轨迹,并有效地收集足够的测量,产生所需的内在和外在的短路径长度。在模拟中,我们能够以比手工制定的策略快10倍的速度执行校准,这比人类专家快3倍。
2021-09-30 cs.LG cs.RO
Bayesian Controller Fusion: Leveraging Control Priors in Deep Reinforcement Learning for Robotics
Queensland University of Technology(昆士兰科技大学)
本文提出 Bayesian Controller Fusion (BCF) 混合控制策略,通过融合传统手工控制器和无模型深度强化学习的不确定性感知分布式输出进行控制仲裁,实现了安全、高效的探索,并在真实机器人导航和到达任务中显著超越单一方法性能。
2023-04-03 cs.AI cs.RO cs.SY
Efficient Hybrid Neuromorphic-Bayesian Model for Olfaction Sensing: Detection and Classification
Khalifa University(哈利法大学);Center for Autonomous Robotic Systems(自主机器人系统中心)
本文提出卷积脉冲神经网络与贝叶斯脉冲神经网络结合的混合模型,用于机器人嗅觉检测与分类,在保证准确率的同时显著提升能效。
2024-06-05 cs.RO eess.SP
Continuous Target-free Extrinsic Calibration of a Multi-Sensor System from a Sequence of Static Viewpoints
AIT Austrian Institute of Technology(奥地利AIT技术研究所)
移动机器人应用需要关于平台上各个传感器的几何位置的精确信息。该信息由定义传感器如何相对于固定参考坐标系旋转和平移的外部校准参数给出。错误的校准参数对典型的机器人估计任务(例如SLAM)具有负面影响。在这项工作中,我们提出了一种新的方法,在机器人的操作过程中的校准参数的连续估计。参数估计基于传感器从多个静态视点获取的点云的匹配。因此,我们的方法不需要任何特殊的校准目标,并适用于任何传感器的测量可以转换为点云。我们通过校准由2个激光雷达传感器,3个摄像机和成像雷达传感器组成的多传感器系统来证明我们的方法的适用性。
2022-07-08 cs.CV cs.RO
Clustering Trust Dynamics in a Human-Robot Sequential Decision-Making Task
University of Michigan(密歇根大学);Air Force Research Laboratory(空军研究实验室)
在本文中,我们提出了一个框架的信任感知顺序决策的人-机器人团队。我们模型的问题作为一个有限的地平线马尔可夫决策过程与奖励为基础的性能指标,允许机器人代理,使信任意识的建议。实验结果表明,该信任更新模型能够准确地捕捉人类主体的时刻到时刻的信任变化。此外,我们集群的参与者的信任动态分为三类,即贝叶斯决策者,振荡器,和不信者,并确定个人特征,可用于预测哪种类型的信任动态的一个人将属于。我们发现,不信者不太外向,不太令人愉快,对机器人代理的期望较低,相比贝叶斯决策者和振荡器。振荡器明显比贝叶斯决策者更沮丧。
2022-06-03 cs.HC cs.RO
DiSECt: A Differentiable Simulator for Parameter Inference and Control in Robotic Cutting
University of Southern California(南加州大学);NVIDIA(英伟达);University of Washington(华盛顿大学);University of Toronto(多伦多大学);Vector Institute(向量研究所);University of Sydney(悉尼大学)
软材料的机器人切割对于食品加工、家庭自动化和手术操作等应用至关重要。与机器人的其他领域一样,仿真器可以促进控制器验证、策略学习和数据集生成。此外,可微分仿真器可以实现基于梯度的优化,这对于校准仿真参数和优化控制器是非常宝贵的。在这项工作中,我们提出了DiSECt:第一个微分模拟器切割软材料。该模拟器增强了有限元法(FEM)与连续接触模型的基础上签署的距离场(SDF),以及一个连续的损伤模型,插入弹簧的切割平面的相对两侧,并允许他们削弱,直到零刚度,使裂纹形成。通过各种实验,我们评估的模拟器的性能。我们首先表明,模拟器可以进行校准,以匹配来自最先进的商业求解器和现实世界的切割数据集的合力和变形场,具有切割速度和对象实例的通用性。然后,我们表明,贝叶斯推理可以有效地利用模拟器的可微性,估计后验在一小部分的时间的衍生自由的方法超过数百个参数。接下来,我们说明了在模拟中的控制参数可以优化,以尽量减少通过横向切片运动的切削力。最后,我们进行实验,一个真正的机器人手臂配备切片刀推断力的测量仿真参数。通过优化刀的切片运动,我们在水果切割场景中显示,与垂直切割运动相比,平均刀力可以减少40%以上。我们在项目网站https://diff-cutting-sim.github.io上发布代码和其他材料。
2022-03-19 cs.AI cs.RO
Bayesian Inverse Physics for Neuro-Symbolic Robot Learning
Robotics Research Group University of Bremen(不莱梅大学机器人研究组);Robotics Innovation Center DFKI GmbH(DFKI机器人创新中心);Technical University of Chemnitz(化学工业大学);Technical University of Darmstadt(图尔恩技术大学);Systems AI for Robot Learning DFKI GmbH(DFKI机器人学习系统AI);Robotics Research Group, University of Bremen(不莱梅大学机器人研究组);Robotics Innovation Center, DFKI GmbH(DFKI机器人创新中心)
本文提出融合可微物理、贝叶斯推理与元学习的神经符号机器人框架,以提升机器人在未知动态环境中的泛化、推理与快速适应能力。
2025-06-10 cs.AI cs.RO