Estimating Achievable Range of Ground Robots Operating on Single Battery Discharge for Operational Efficacy Amelioration
Aalto University(阿尔托大学);Japan Adv. Institute of Sc. & Tech. (JAIST)(日本北陆先端科学技术大学院大学);Texas A&M University(得克萨斯农工大学)
移动机器人越来越多地被用于协助积极的追求和执法。这种任务的一个主要限制是分配给机器人的资源(电池)。诸如躲避者的性质和敏捷性、正在进行追击的地形、合理的穿越速度和要收集的必要数据量等因素都会影响机器人在野外的持续时间以及它可以行驶的距离。在本文中,我们开发了一个分析模型,分析了安装在机器人上的各种组件的能量利用率,以估计机器人在单个电池放电时可实现的最大操作范围。我们将能源的主要消费者分为:1。辅助机器人功能,如计算、通信、传感等,和2中所示。)这两种消耗装置都从共同的动力源获取动力,但是可实现的范围在很大程度上受可用于操纵的动力的比例的影响。对于这种情况下的研究,我们进行了实验与真实的机器人在平面和梯度表面,并评估每种情况下的估计误差。
2018-11-07 cs.RO
Estimating Forces of Robotic Pouring Using a LSTM RNN
在机器学习中,机器人能够从输入数据序列中估计动态是非常重要的。这个问题可以用递归神经网络来解决。在本文中,我们将讨论数据集的10个状态的预处理,然后使用LSTM递归神经网络从其他9个输入状态中估计一个输出状态(动态)。我们将讨论递归神经网络的体系结构、数据汇集和预处理、损失函数、测试数据的结果,并讨论可以改进网络的更改。本文的结果将用于人工智能研究,并确定LSTM递归神经网络架构估计系统动态的能力。
2019-05-02 cs.LG cs.RO
Inverse Kinematics for a 6-Degree-of-Freedom Robot Manipulator Using Comprehensive Gröbner Systems
University of Tsukuba, Tsukuba, Japan(茨口大学)
提出用综合Gröbner系统求解六自由度机械臂逆运动学,推广至相邻关节轴相交情形,实验验证有效性。
2025-09-06 cs.RO cs.SC math.AC
Long-Term Robot Navigation in Indoor Environments Estimating Patterns in Traversability Changes
University of Bonn(波恩大学)
如今,移动机器人被部署在许多室内环境中,例如办公室或医院。这些环境会受到可穿越性变化的影响,而这种变化往往是通过遵循重复模式而发生的。在本文中,我们调查的问题,在这样的环境中,在很长一段时间内,通过捕捉这些模式,并利用这些知识,作出明智的决定。我们的方法增量估计模型的遍历性变化从机器人的观察,并使用概率图形模型,使预测在目前未观察到的位置。在由预测定义的信念空间中,我们规划路径,权衡遇到障碍物的风险和访问未知位置的信息增益。我们实施了我们的方法,并在不同的室内环境中进行了测试。实验表明,从长远来看,我们的方法导致导航沿着较短的路径相比,遵循贪婪的最短路径政策。
2019-09-27 cs.RO
Estimating Infinite-Dimensional Continuum Robot States From the Tip
University of Notre Dame(圣母大学)
针对连续体机器人无限维状态估计的挑战,提出Cosserat理论边界观测器算法,通过测量末端速度旋量与位姿恢复全部状态,并在腱驱动机器人实验中验证了其快速收敛与准确跟踪实际运动的能力。
2024-02-14 cs.RO
Plug, Play and Comply: Plugin-Based Compliant Control in ROS 2
College of Information Science and Technology, Eastern Institute of Technology(信息科学与技术学院,东方理工学院);Zhejiang Key Laboratory of Industrial Intelligence and Digital Twin, Eastern Institute of Technology(浙江省工业智能与数字孪生重点实验室,东方理工学院)
该论文提出与机器人无关的柔顺控制框架,通过插件架构分离控制器与控制律,标准化接口支持多种控制公式。其参考笛卡尔阻抗控制器可在线更新柔顺方向,实验和仿真验证了在不同操纵器上的任务相关柔顺性及可移植性。
2026-10-27 cs.RO
Estimating Map Completeness in Robot Exploration
Università degli Studi di Milano(米兰大学);Politecnico di Milano(米兰理工大学)
本研究提出一种基于深度卷积神经网络的方法,可根据室内环境部分栅格地图估计已探索区域规模并判断剩余区域是否值得探索,据此定义探索停止准则,平均节省40%总探索时间。
2024-06-19 cs.RO
Estimating Human Intent for Physical Human-Robot Co-Manipulation
人类团队在使用共享的心理模型进行操作任务时,可以非常有效地进行适应和协作。然而,在协作操作任务期间,人类可以使用相同的共享心智模型来执行鲁棒的低级别力和运动控制,而机器人则不存在。为了让机器人能够自然、高效地与人类执行协作任务,理解和预测人类的意图是必要的。然而,人类很难预测和建模。我们已经完成了一项探索性研究,记录了20个人的运动和力量,以更好地了解他们如何移动以及如何预测他们的运动。在本文中,我们将展示如何使用过去的运动数据来预测人类的意图。为了预测人类的意图,我们将其等同于人类团队在短时间内的速度,我们使用了神经网络。以200 Hz的频率使用前150个时间步长,可以预测接下来50个时间步长的人类意图,均方误差为0.02(m/s)^2。我们还表明,人类的意图,可以估计在一个人-机器人二元。这项工作是重要的第一步,使未来的工作集成人类意图估计机器人控制器执行短期协作轨迹。
2017-05-30 cs.RO
Temperament Engineering: Designing Strategic Behavioural Diversity in Robot Swarms
University of Bristol(布里斯托大学)
提出气质工程框架,将机器人群体行为分布作为设计对象,借鉴动物气质五轴定义连续参数,通过三阶段流程实现离线设计,以在去中心化场景中利用异质性提升群体性能。
2026-09-25 cs.MA cs.RO
Estimating Continuum Robot Shape under External Loading using Spatiotemporal Neural Networks
Hamlyn Centre for Robotic Surgery, Institute of Global Health Innovation, Imperial College London(帝国理工学院伦敦校区全球健康创新研究所机器人手术中心);Department of Mechanical Engineering and Automation, Fuzhou University(福州大学机械工程与自动化学院);TAMS Group, Informatics, University of Hamburg(汉堡大学信息学院TAMS集团)
本文提出一种时空神经网络方法,融合肌腱位移和图像数据,通过贝塞尔曲线拟合实现连续体机器人三维形状估计,在载荷下误差低至0.22毫米,优于现有方法。
2025-10-25 cs.RO
I Know What You Meant: Learning Human Objectives by (Under)estimating Their Choice Set
Virginia Tech(弗吉尼亚理工大学)
辅助机器人有可能帮助人们完成日常任务。然而,这些机器人首先需要了解用户希望它们做什么。对于没有经验的用户、老年用户和身体残疾的用户来说,教辅助机器人是很困难的,因为这些人通常无法向机器人展示他们想要的行为。我们知道,全纳学习者应该对人类教师无法展示的东西给予赞扬。但今天的机器人却恰恰相反:他们认为每个用户都有能力提供任何演示。因此,这些机器人学会模仿演示的行为,即使这种行为不是人类真正的意思!在这里,我们提出了一种不同的方法来奖励学习:机器人的原因有关用户的演示在类似或更简单的替代品的上下文中。不像以前的作品--错误地高估了人类的能力--这里我们错误地低估了人类可以输入的东西(即,他们的选择集)。我们的理论分析证明,低估人类的选择集是风险厌恶的,具有更好的最坏情况下的性能比高估。我们正式三个属性,以产生类似的和更简单的替代品。通过模拟和用户研究,我们的算法可以更好地推断人类的目标。查看用户研究:https://youtu.be/RgbH2YULVRo
2021-04-05 cs.RO
Estimating Trust in Human-Robot Collaboration through Behavioral Indicators and Explainability
Human-Robot Interaction Lab., Technical Faculty of IT and Design, Aalborg University, Denmark(人机交互实验室,信息技术与设计技术学院,阿alborg大学,丹麦);Human-Robot Interfaces and Interaction Lab., Istituto Italiano di Tecnologia (IIT), Italy(人机界面与交互实验室,意大利理工学院(IIT));Smart Production Lab., Faculty of Engineering and Natural Sciences, Aalborg University, Denmark(智能生产实验室,工程与自然科学学院,阿alborg大学,丹麦)
本研究提出了一种数据驱动框架,通过行为指标和可解释性评估人机协作中的信任,实验表明机器学习模型在预测信任水平方面具有高准确率。
2026-01-27 cs.RO
Estimating Scene Flow in Robot Surroundings with Distributed Miniaturized Time-of-Flight Sensors
Oxford Robotics Institute (ORI), University of Oxford, UK(牛津机器人研究所(ORI),牛津大学,英国)
针对机器人周边运动跟踪需求,提出基于分布式微型ToF传感器低密度点云的场景流估计方法,通过聚类、ICP及噪声抑制步骤实现运动估计,实验验证其误差与传感器噪声水平相当。
2025-07-31 cs.CV cs.RO
iCub Detecting Gazed Objects: A Pipeline Estimating Human Attention
iCub Detecting Gazed Objects: A Pipeline Estimating Human Attention(iCub 视觉注意力检测:一个人类注意力估计管道)
提出基于视觉反馈的iCub注视物体检测流程,结合人脸检测、注意力预测与在线物体检测,并构建超2.2万张图像的数据集作为桌面HRI基准,验证了其提升社交机器人协作能力的潜力。
2024-05-09 cs.RO
A Robot Kinematics Model Estimation Using Inertial Sensors for On-Site Building Robotics
The University of Tokyo(东京大学)
本文提出“现场机器人”概念,利用连杆上的IMU传感器估计机器人运动学模型,并通过木棍机器人实验证明其在重新组装后仍能快速恢复并到达目标位置。
2024-10-16 cs.RO
Estimating Uncertain Spatial Relationships in Robotics
SRI International(斯坦福国际研究院);General Motors Research Laboratories(通用汽车研究实验室);UC Berkeley(加州大学伯克利分校);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
本文提出随机地图表示及构建、读取和增量修订程序,以概率方式估计不确定相对空间关系,优于保守最坏情况方法,并基于状态估计和滤波理论。
2026-09-16 cs.AI cs.RO
A Learning-Based Approach for Estimating Inertial Properties of Unknown Objects from Encoder Discrepancies
National University of Singapore(新加坡国立大学);Johns Hopkins University(约翰斯·霍普金斯大学)
提出一种仅凭编码器偏差、借助神经网络估计关节力矩并以加权最小二乘识别未知物体质量与质心的方法,在4自由度机械臂上验证有效。
2023-03-03 cs.RO
These Maps Are Made For Walking: Real-Time Terrain Property Estimation for Mobile Robots
University of Michigan(密歇根大学)
移动机器人的运动方程依赖于地形特性,如摩擦系数和接触模型参数。因此,估计这些属性是必不可少的机器人导航。理想情况下,任何估计地形属性的地图都应该实时的运行,减轻传感器噪声,并提供上述属性的概率分布,从而实现降低风险的导航和规划。本文针对这些需求,并提出了一个贝叶斯推理框架的语义映射,递归估计的地形表面轮廓和概率分布的地形属性使用的数据从一个单一的RGB-D相机。所提出的框架进行评估,在模拟对其他语义映射方法,并显示出优于这些国家的最先进的方法,正确估计模拟地面实况地形属性时,使用精度召回曲线和Kullback-Leibler发散测试进行评估。此外,所提出的方法部署在一个物理腿机器人平台在室内和室外环境中,我们表明我们的方法正确地预测在这两种情况下的地形特性。所提出的框架实时的运行,并包括一个ROS接口,易于集成。
2022-05-25 cs.RO eess.IV
Visual Haptic Reasoning: Estimating Contact Forces by Observing Deformable Object Interactions
Carnegie Mellon University(卡内基梅隆大学)
高度可变形布料的机器人操作提供了一个很有希望的机会来帮助人们完成几项日常任务,例如洗碗;折叠衣物;或为患有严重运动障碍的个人提供穿衣,洗澡和卫生帮助。在这项工作中,我们介绍了一种配方,使协作机器人进行视觉触觉推理与布-推断的位置和大小的物理交互过程中施加的力的行为。我们提出了两个不同的模型表示,在物理模拟训练,使触觉推理只使用视觉和机器人运动学观察。我们在机器人辅助穿衣、洗澡和洗碗任务的模拟中对这些模型进行了定量评估,并证明了经过训练的模型可以在不同的任务中进行推广,这些任务具有不同的交互、人体大小和物体形状。我们还展示了一个真实世界的移动机械手的结果,该机械手使用我们的模拟训练模型来估计施加的接触力,同时用布料执行物理辅助任务。视频可以在我们的项目网页上找到。
2022-08-11 cs.AI cs.HC cs.RO
Estimating Mass Distribution of Articulated Objects using Non-prehensile Manipulation
Georgia Institute of Technology(佐治亚理工学院);Stanford University(斯坦福大学)
我们探讨的问题,估计的质量分布的一个铰接对象的交互式机器人代理。我们的方法通过使用与对象交互的机器人代理的有限的感测和致动能力来预测对象的质量分布。我们受到人类婴儿探索性游戏的启发。我们采取监督和强化学习相结合的方法来训练一个智能体,它学会与对象进行策略性交互,以估计对象的质量分布。我们的方法由两个神经网络组成:(i)决定如何与对象交互的策略网络,以及(ii)估计质量分布的预测器网络。使用我们的方法,我们训练机器人手臂,以估计质量分布的物体与移动部件(如铰接刚体系统),通过推动它在一个表面上具有未知的摩擦性能。我们还演示了如何使用少量的真实数据进行微调,将模拟训练转移到真实硬件中。我们使用UR10机器人与具有不同质量分布的3D打印铰接链进行交互,并表明我们的方法显着优于使用随机推送与对象交互的基线系统。
2020-11-19 cs.AI cs.RO
Estimating Dynamic Soft Continuum Robot States From Boundaries
The Continuum Robotics Laboratory(连续机器人实验室);the Robotics Institute at the University of Toronto(多伦多大学机器人研究所)
本研究提出一种基于基座力/力矩测量的对偶边界观测器,实现动态无穷维软体连续体机器人状态估计,兼具传感需求低、增益调参高效等优势,经仿真与实验验证了其性能。
2026-08-17 cs.RO
Estimating the Causal Impact of Social Navigation Signals in Corridor Scenarios
University of Padua(帕多瓦大学);Institute of Cognitive Sciences and Technologies, National Research Council of Italy(意大利国家研究委员会认知科学与技术研究所)
该研究针对走廊人机交互场景,用因果模型估计社交导航信号的因果影响,发现考虑混杂因素可反转结论,证明因果模型对社交机器人导航信号决策的重要性。
2026-10-14 cs.AI cs.RO
Estimating Force Interactions of Deformable Linear Objects from their Shapes
Nanyang Technological University, School of Mechanical and Aerospace Engineering(南洋理工大学机械与航空航天工程学院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Eureka Robotics
本文提出了一种基于线缆形状信息的力估计方法,无需额外传感器即可准确识别变形线性物体的外部力相互作用。
2026-02-01 cs.RO
SurgiPose: Estimating Surgical Tool Kinematics from Monocular Video for Surgical Robot Learning
Dept. of Mechanical Engineering, Johns Hopkins University(机械工程系,约翰霍普金斯大学);Optosurgical
SurgiPose通过单目视频估计手术工具运动学,为手术机器人学习提供可行的解决方案,验证了无需真实运动学数据即可训练有效策略的可行性。
2025-12-19 cs.RO
Estimating Human Muscular Fatigue in Dynamic Collaborative Robotic Tasks with Learning-Based Models
Robotics and Mechatronics Laboratory (RML) and the KUIS AI Center(机器人与机电实验室(RML)和KUIS人工智能中心)
本文提出基于学习模型的动态协作机器人任务中人体肌肉疲劳估计方法,利用sEMG数据通过回归模型预测疲劳周期分数,CNN模型表现最佳,展示了跨任务泛化的潜力。
2026-02-17 cs.AI cs.HC cs.RO
DGORL: Distributed Graph Optimization based Relative Localization of Multi-Robot Systems
University of Georgia(佐治亚大学)
优化问题是许多机器人估计、规划和最优控制问题的核心。在基于模型的多机器人定位方面已经进行了几次尝试,很少有人将多机器人协作定位问题制定为因子图问题,通过图优化来解决。这里,优化目标是以分布式方式最小化估计相对位置估计的误差。我们的新的图论方法来解决这个问题包括三个主要组成部分;(连接)图形的形成,通过过渡模型的扩展,和相对姿态的优化。首先,我们使用连接的机器人之间的接收信号强度来估计相对姿态连接图,指示它们之间的相对范围。然后,我们应用一个运动模型来制定图形扩展和优化它们使用g $^2$ o图形优化作为一个分布式求解器在动态网络。最后,我们从理论上分析了该算法,并通过大量的模拟数值验证其最优性和性能。结果表明,所提出的解决方案的实用性相比,一个国家的最先进的算法在多机器人系统的协作定位。
2022-10-04 cs.MA cs.RO
DeepTerramechanics: Terrain Classification and Slip Estimation for Ground Robots via Deep Learning
Massachusetts Institute of Technology(麻省理工学院);robonity: worldwide tech consulting(robonity:全球技术咨询)
地面力学在地面车辆和地面移动机器人领域起着至关重要的作用,因为理解和估计影响车辆-地面相互作用的变量可能意味着整个任务的成功或失败。这项研究将深度学习中最先进的算法应用于两个关键问题:估计车轮打滑和对地面机器人穿越的地形进行分类。采用地面机器人平台(MIT单轮测试台,MSL Currency Rover和履带式机器人Fitorobot)收集的三个数据集,以比较传统机器学习方法(即支持向量机(SVM)和多层感知器(MLP))对深度神经网络(DNN)和卷积神经网络(CNN)的性能。这项工作还显示了某些调整参数和网络架构(MLP,DNN和CNN)对这些方法性能的影响。本文还深入讨论了DNN和CNN实施过程中的经验教训,以及如何将这些方法扩展到解决其他问题。
2018-06-12 cs.CV cs.RO
Real-time 3-D Mapping with Estimating Acoustic Materials
KAIST(韩国科学技术院)
本文提出了一个实时的【形】系统集成的声学材料估计从视觉外观和在3维的飞行映射。所提出的方法估计室内场景中周围环境的声学材料,并将它们合并到3-D占用图中,机器人在环境中移动。为了从视觉线索中估计声学材料,我们应用最先进的语义分割CNN网络,该网络基于视觉外观和声学材料具有强关联的假设。此外,我们引入了一个更新策略来处理在线映射过程中的重大估计。因此,我们的具有声学材料的环境地图可以用于与声音相关的机器人应用,例如考虑到各种声学传播(例如,反射)。
2019-09-16 cs.CV cs.RO
Can Robots "Taste" Grapes? Estimating SSC with Simple RGB Sensors
San Raffaele University of Rome(罗马圣拉斐拉大学);Sapienza University of Rome, Department of Computer, Control and Management Engineering(罗马萨皮恩扎大学计算机、控制与管理工程系)
研究提出基于简单RGB传感器在不受控光照下估算葡萄SSC(糖度)的方法,包括轻量级直方图算法和DNN模型,在跨季节和跨设备测试中MAE分别达1.46和1.05 °Brix,性能与高光谱系统相当,为机器人辅助采收提供经济高效的解决方案。
2025-06-28 cs.CV cs.RO
State Estimation of Continuum Robots: A Nonlinear Constrained Moving Horizon Approach
Egypt-Japan University of Science and Technology(埃及-日本科学技术大学);Waseda University(早稻田大学)
本文针对连续体机器人状态估计难题,提出一种基于IMU测量和在线优化的非线性约束滚动时域估计方法,并通过仿真与实验验证其能有效提升末端位置与形状估计的精度和鲁棒性。
2023-08-07 cs.RO
A Survey of Machine Learning for Estimating Workload: Considering Unknown Tasks
Oregon State University(俄勒冈州立大学)
本文综述了旨在克服生理信号与工作负载关系在未知任务间难以泛化挑战的机器学习技术,并基于可移植性、模型复杂性和适应性三个标准评估各技术的适用性,以指导未来实证实验。
2025-07-10 cs.HC cs.RO
NoContactNoWorries: Estimating Contact through Vision and Proprioception for In-Hand Dexterous Manipulation
Robotics Research Center (RRC), International Institute of Information Technology (IIIT), Hyderabad, India(印度海得拉巴国际信息技术研究所机器人研究中心);Department of Computer Science, The University of Manchester(曼彻斯特大学计算机科学系)
提出一种基于Transformer的多模态框架,融合RGB-D视觉和机器人本体感觉推断二值接触状态,作为手物交互的伪触觉信号,支持下游强化学习实现手内物体重定向并泛化至新物体。
2026-11-09 cs.AI cs.RO
Co-manipulation of soft-materials estimating deformation from depth images
Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing, National Research Council of Italy(意大利国家研究委员会智能工业技术与先进制造研究所)
本文提出一种基于深度图像和DenseNet-121卷积神经网络的数据驱动方法,用于估计人机协同操作软材料时的形变状态,相比骨骼跟踪器方法性能更优且避免了其缺点。
2023-08-08 cs.CV cs.LG cs.RO
System Identification and Control of Valkyrie through SVA--Based Regressor Computation
Texas A & M University(德州农工大学);Georgia Institute of Technology(佐治亚理工学院)
本文利用空间向量代数(SVA)实现瓦尔基里人形机器人的同时辨识与控制,通过空间惯性张量计算动力学参数,提出高效算法实现回归器评估,用于在线系统辨识与基于模型的控制。
2016-09-12 cs.DS cs.RO cs.SY
User Feedback and Sample Weighting for Ill-Conditioned Hand-Eye Calibration
Ulm University(乌尔姆大学)
本文针对手眼标定中旋转轴近似平行导致的病态优化问题,提出基于旋转轴局部密度的样本自动加权方法,并利用平移与旋转部分的敏感性估计为用户提供数据采集反馈,在KITTI里程计增强数据上验证了有效性。
2023-08-11 cs.RO
Anticipatory Planning: Improving Long-Lived Planning by Estimating Expected Cost of Future Tasks
George Mason University(乔治梅森大学)
针对服务机器人长期任务规划中忽视未来任务导致总成本高的问题,提出用图神经网络估计未来成本来增强规划,在块世界环境中总成本降低5%,提前准备时降低11%。
2023-05-08 cs.AI cs.LG cs.RO
An Electromagnetism-Inspired Method for Estimating In-Grasp Torque from Visuotactile Sensors
OMRON SINIC X Corporation(欧姆龙SINIC X公司)
研究针对触觉扭矩估计关注少的问题,提出基于触偶极矩概念的方法,通过分析二维标记位移矢量场估计抓持内扭矩,实验证明其简单且有效。
2024-04-24 cs.RO
Singularities of serial robots: Identification and distance computation using geometric algebra
KU Leuven(鲁汶大学);University of Cambridge(剑桥大学)
串联机器人操作器的奇异性是指机器人失去至少一个方向移动能力的配置。因此,他们的识别是根本,以提高当前的控制和运动规划策略的性能。虽然经典的方法需要计算一个6 × n或n × n矩阵的n自由度串联机器人的行列式,这项工作解决了一种新的奇异性识别方法的基础上建模的扭曲定义的关节轴的机器人作为向量的六维和三维几何代数。特别是,它包括确定哪些配置导致这些扭转的外积为零。此外,由于转子表示几何代数中的旋转,一旦这些奇点被识别,在配置空间C中定义距离函数,使得其对奇异配置集合S的限制允许我们计算任何配置到给定奇点的距离。该距离函数用于增强在三种不同场景中如何处理奇异点,即运动规划、运动控制和双边遥操作。
2021-09-26 cs.CG cs.RO
Feasible Region-based Identification Using Duality (Extended Version)
Carnegie Mellon University(卡内基梅隆大学)
我们考虑的问题,估计界限的参数表示的任务由个人机器人在多机器人系统。在我们以前的工作中,我们推导出必要条件的基础上的持久性的激发分析,这些参数的精确识别。我们的结论是,根据机器人的任务,个别机器人的动态可能无法满足这些条件,从而防止精确的推断。作为这项工作的延伸,本文侧重于估计界限的任务参数时,这些条件不满足。团队中的每个机器人都使用基于优化的控制器来协调任务满意度和避免碰撞。我们使用KKT条件的这种优化和SVD的主动防撞约束,推导出显式的拉格朗日乘子,机器人动力学和任务参数之间的关系。使用这些关系,我们能够推导出每个机器人的任务参数的界限。通过数值模拟,我们展示了我们提出的基于区域的识别方法如何在传统估计器(如UKF)失败时生成参数的可行区域。此外,经验证据表明,这种方法产生的收缩集收敛到真实的参数比UKF估计收敛的速度快得多。这些结果的视频可在https://bit.ly/2JDMgeJ上获得
2020-11-08 cs.RO math.OC
Estimating Properties of Solid Particles Inside Container Using Touch Sensing
Carnegie Mellon University(卡内基梅隆大学)
本研究利用触觉传感和设计的机器人动作序列,通过提取力/扭矩及高速GelSight传感器的振动与倾倒特征,估计容器内固体颗粒的质量、体积、大小和形状,并在37种日常颗粒上验证了高精度与泛化能力。
2023-07-28 cs.RO
Learning to Estimate the Pose of a Peer Robot in a Camera Image by Predicting the States of its LEDs
Dalle Molle Institute for Artificial Intelligence (IDSIA)(达勒·莫勒人工智能研究所(IDSIA))
提出利用机器人 LED 亮灭状态预测作为自监督前置任务,训练全卷积网络从相机图像学习同伴机器人的 6D 相对位姿估计,并在真实轮式机器人上验证其少标签微调、定位与泛化效果。
2024-10-06 cs.RO
Robot Vitals and Robot Health: Towards Systematically Quantifying Runtime Performance Degradation in Robots Under Adverse Conditions
University of Birmingham(伯明翰大学)
本文讨论了自动检测和量化的远程移动机器人在任务执行过程中的性能下降的问题。机器人在执行任务过程中可能会遇到各种不确定性和逆境,这会削弱其有效执行任务的能力,并导致其性能下降。这种情况可以通过及时的检测和干预(例如,由远程人类监督者在远程操作模式下接管控制)。受医院病人分流系统的启发,我们引入了“机器人生命体征”的框架来估计整体“机器人健康”。机器人的生命体征是一组指标,用于估计机器人在给定时间点面临的性能下降程度。机器人健康是一个度量,它将机器人的生命体征组合成性能退化的单个标量值估计。实验,无论是在模拟和一个真正的移动机器人,表明所提出的机器人的生命体征和机器人的健康可以有效地用来估计机器人的性能下降在运行时。
2022-07-04 cs.AI cs.HC cs.RO
ARS: Agentic Reward System for Robot Learning
AIRC, Midea Group(美的集团人工智能研究中心)
本文提出智能体奖励系统(ARS),利用通用视觉语言模型通过自适应视觉检查和子智能体验证,改进机器人进度奖励建模,抑制虚假进度,并在仿真和真实机器人上验证其有效性。
2026-09-29 cs.LG cs.RO
Explaining Reward Functions to Humans for Better Human-Robot Collaboration
Massachusetts Institute of Technology(麻省理工学院)
描述代理奖励功能的可解释AI技术可以在各种设置中增强人机协作。在价值对齐设置中,人类对代理奖励功能的理解特别有益。在价值对齐背景下,代理的目的是通过交互来推断人类的奖励功能,以便它可以帮助人类完成任务。如果人类能够理解智能体的奖励理解中存在的差距,他们将能够更有效地教学,从而更快地提高人类智能体团队的绩效。为了支持人类合作者在价值对齐设置和类似的情况下,首先重要的是要了解不同的奖励解释技术在各种领域的有效性。在本文中,我们介绍了奖励解释技术的信息模态的分类,提出了一套评估技术,人类奖励的理解,并介绍了四个轴的域复杂性。然后,我们提出了一个实验来研究一组广泛的奖励解释技术的相对有效性,这些技术涵盖了一组不同复杂度的域中的多种信息形式。
2021-10-08 cs.AI cs.HC cs.RO