AI视野·今日CS.Robotics 机器人学论文速览
Wed, 16 Jun 2021
Totally 13 papers
👉上期速览✈更多精彩请移步主页
| Constrained Motion Planning of A Cable-Driven Soft Robot With Compressible Curvature Modeling Authors Jiewen Lai, Bo Lu, Qingxiang Zhao, Henry K. Chu 具有冗余的电缆驱动的软体机器人可以进行轨迹跟踪任务，同时满足一些额外的约束，例如通过指定方向的末端执行器跟踪，或者摆脱可恶的机械手障碍碰撞。这些约束需要Rational计划机器人运动。在这项工作中，我们派生了电缆驱动软机器人的可压缩曲率运动学，该电缆驱动的软机器人考虑了可压缩软段。已经研究了在约束条件下进行轨迹跟踪任务的软机器人的运动规划，包括固定方向末端执行器和机械手障碍避免。电缆致动的逆解决方案被配制为阻尼最小二乘优化问题，并迭代地计算出线路。通过我们制作开源的模拟来评估轨迹跟踪的性能和约束的顺从，以及原型实验。该方法可以通过定制机械手的先前运动规划的机器人参数来广泛地推广到类似的多仪电缆驱动的软机器人系统。 |
| Task Allocation and Coordinated Motion Planning for Autonomous Multi-Robot Optical Inspection Systems Authors Yinhua Liu, Wenzheng Zhao, Tim Lutz, Xiaowei Yue 自主式多机器人光学检测系统越来越多地应用于在过程监测和质量控制中获得内联测量。已经为静态和动态环境开发了许多用于路径规划和机器人协调的方法，并应用于不同的领域。然而，由于内联优化的快速计算要求，机器人末端效应器方向的独特特性和复杂的大规模自由形式产品表面，这些方法可能无法为自主多机器人光学检测系统工作。本文提出了一种新的任务分配方法，用于多机器人检查的协调运动规划。具体地，提出了一种局部稳健的检查任务分配，以实现机器人2碰撞自由路径规划的有效且良好的平衡测量分配，并通过机器人坐标空间中的动态搜索和探针扰动或局部路径的动态搜索来开发协调运动规划机器人。案例研究表明，该方法可以减轻机器人和环境之间的碰撞风险，解决机器人之间的冲突，并显着持续减少检查周期时间。 |
| Human movement augmentation and how to make it a reality Authors Jonathan Eden, Mario Br cklein, Jaime Ib ez Pereda, Deren Yusuf Barsakcioglu, Giovanni Di Pino, Dario Farina, Etienne Burdet, Carsten Mehring 用人造肢体同时控制的身体与天然肢体相连，长期出现在科幻小说中，但最近的技术和神经科学的进步已经开始使这种愿景成为可能。通过允许个人实现其他不可能的行动，这种运动增强可以彻底改变医学和工业应用，并深刻改变人类与其环境互动的方式。在这里，我们通过增强的内容以及如何实现它来构建运动增强分类。通过这一框架，我们分析了扩展自由度程度的增强，讨论了诸如生理控制信号，感官反馈和学习的有效增强的关键特征，并提出了对该领域的愿景。 |
| NeuroBEM: Hybrid Aerodynamic Quadrotor Model Authors Leonard Bauersfeld, Elia Kaufmann, Philipp Foehn, Sihao Sun, Davide Scaramuzza 等数非常敏捷，实际上是经典的第一个原理模型来实现它们的限制。空气动力学效果，而低速微不足道，在高速或敏捷时机期间成为主导模型缺陷。需要精确的建模来设计强大的高性能控制系统，并使靠近平台的物理限制。我们提出了一种混合方法，使第一个原则融合并以前所未有的准确性来学习模拟四轮车和它们的空气动力学效果。第一个原则未能捕获这种空气动力学效果，当用于模拟或控制器调整时，渲染传统方法不准确。数据驱动方法尝试利用Blackbox建模捕获空气动力学效果，例如神经网络，但是，他们努力概括到任意飞行条件。我们的混合方法统一和优于第一原理叶片元素理论和学习的剩余动态。它在世界上最大的运动捕获系统之一中评估，使用自主四电位飞行数据以高达65km H的速度。结果模型以惊人的精度捕获空气动力推力，扭矩和寄生效应，优于50个预测误差的现有模型，并显示出超出训练集的强大概括能力。 |
| Simplifying Robot Programming using Augmented Reality and End-User Development Authors Enes Yigitbas, Ivan Jovanovikj, Gregor Engels 机器人广泛跨越不同的应用上下文。教学机器人在各自的环境中执行任务，要求高领域和编程专业知识。然而，由于机器人编程本身的复杂性，机器人编程面向高进入障碍。即使对于专家来说，机器人编程也是一个笨重的，并且易于出错的任务，可以创建故障的机器人程序，在真正的机器人上执行时会造成损坏。为了简化机器人编程的过程，我们将增强现实AR与最终用户开发的原则相结合。通过组合它们，真实环境与有用的虚拟工件扩展，可以使专家以及非专业人员能够执行复杂的机器人编程任务。因此，开发了具有增强调试矛盾的增强现实中的简单编程环境作为AR辅助机器人编程环境的原型。 Speared利用AR将机器人投影到目标工作空间上。为了评估我们的方法，对工业自动化领域，机器人和AR领域的域专家专家采访进行了专业面试。专家们一致认为，Speared有可能丰富和缓解当前的机器人规划过程。 |
| Towards Safe Control of Continuum Manipulator Using Shielded Multiagent Reinforcement Learning Authors Guanglin Ji, Junyan Yan, Jingxin Du, Wanquan Yan, Jibiao Chen, Yongkang Lu, Juan Rojas, Shing Shin Cheng 在最小的侵入性手术中越来越多地采用连续体机器人操纵器。然而，它们的非线性行为准确地对模型进行了挑战，特别是在外部相互作用时，可能导致控制性能差。在这封信中，我们调查采用模型自由式钢筋学习RL，即多应用Deep Q Network Madqn的可行性，以控制2度自由DOF电缆驱动的连续外科手术器。机器人的控制被制定为一个DOF，MADQN框架中的一个代理问题，以提高学习效率。结合一种屏蔽方案，可以实现动态变化的动态设定边界，Madqn导致对机器人的高效和重要的控制。屏蔽MADQN使机器人能够在外部载荷，软障碍物和刚性碰撞下使用Subsillimeter均方误差进行点和轨迹跟踪，这是手术机械手遇到的常见交互情景。进一步证明控制器在具有高结构非线性的微型连续体机器人中有效，在外部有效载荷下实现了杂交准确性的轨迹跟踪。 |
| Force-Sensing Tensegrity for Investigating Physical Human-Robot Interaction in Compliant Robotic Systems Authors Andrew R. Barkan, Akhil Padmanabha, Sala R. Tiemann, Albert Lee, Matthew P. Kanter, Yash S. Agarwal, Alice M. Agogino 物理人体机器人互动域领域的进步会使人类和机器人沟通，合作和共存的能力提高了。特别地，兼容的机器人系统提供了许多特征，可以利用可以利用更有效地直观地通信的物理交互，使得柔顺的系统在更具物理上要求更高的人类机器人协作情景中有用。 TenseGrity机器人是符合物理交互的兼容系统的示例，同时仍然保持有用的刚性特性，使其成为各种应用程序的实用性。在本文中，我们介绍了一种具有力传感能力的6巴球形紧张的设计和初步测试。使用该原型，我们展示了其力传感器阵列检测人类背景可能出现的各种物理交互类型的能力。然后，我们使用来自独特和代表性交互的数据训练并测试一系列分类器，以便展示使用这种物理模型的可行性，以便在人类机器人协作设置中可靠地传送来自人类运营商的目标和意图。 |
| Causal Navigation by Continuous-time Neural Networks Authors Charles Vorbach, Ramin Hasani, Alexander Amini, Mathias Lechner, Daniela Rus 仿制学习能够高保真，基于富裕的光电静电环境中的愿景的疗法学习。然而，这种技术通常依赖于传统的离散时间神经模型，并且通过未能考虑代理和环境之间的因果关系，概念概括地概括。在本文中，我们提出了一种使用连续时间神经网络学习因果关系的理论和实验框架，特别是在离散时间对应上。我们在一系列复杂任务中的视觉控制学习的视觉控制学习的背景下评估我们的方法，从短期和长期导航，通过光保护环境来追逐静态和动态物体。我们的结果表明，因果连续时间深度模型可以执行强大的导航任务，其中先进的复发模型失败。这些模型直接从原始视觉输入和规模学习复杂的因果控制表示，以解决使用模仿学习的各种任务。 |
| On Multi-objective Policy Optimization as a Tool for Reinforcement Learning Authors Abbas Abdolmaleki, Sandy H. Huang, Giulia Vezzani, Bobak Shahriari, Jost Tobias Springenberg, Shruti Mishra, Dhruva TB, Arunkumar Byravan, Konstantinos Bousmalis, Andras Gyorgy, Csaba Szepesvari, Raia Hadsell, Nicolas Heess, Martin Riedmiller 许多提高了深度增强学习RL算法的鲁棒性和效率的进步可以以一种方式理解为在策略优化步骤中引入额外的目标或约束。这包括远程作为勘探奖金，熵正则化和正规化在教师或数据前沿的思考，或者在专家或离线RL中学习时。通常，任务奖励和辅助目标彼此冲突，因此自然将这些例子视为多目标MO优化问题的实例。我们研究了莫尔潜在的原则，并介绍了一种新的算法，蒸馏专家硬币的混合物，这在某些条件下直观和规模不变。我们突出了标准MO基准问题的优势，并考虑了案例研究，我们重新开始离线RL并从专家那里学习作为MO问题。这导致自然算法配方，即在现有方法之间的连接上阐明了光线。对于离线RL，我们使用Mo Persive来推导一个简单的算法，它优化标准RL目标加为行为克隆术语。这一优于两个建立的离线RL基准测试的最佳状态。 |
| Mutation Sensitive Correlation Filter for Real-Time UAV Tracking with Adaptive Hybrid Label Authors Guangze Zheng, Changhong Fu, Junjie Ye, Fuling Lin, Fangqiang Ding 无人机的空中车辆无人机的视觉跟踪面临着众多挑战，例如，对象运动和闭塞。这些挑战通常引入目标外观的意外突变并导致跟踪失败。然而，由于预定标签，基于普遍的判别相关滤波器DCF基于诱变的跟踪器对目标突变不敏感，其仅仅专注于训练区域的中心。同时，由遮挡或类似物体引起的外观突变通常会导致错误信息的不可避免地学习。为了应对外观突变，本文提出了一种基于DCF的基于DCF的方法，以增强具有适应性杂交标签的敏感性和抗突变，即MSCF。理想标签与相关滤波器共同优化，仍然是时间的一致性。此外，施加一种新的突变测量，施加称为突变威胁因子MTF以动态校正标签。广泛使用的UAV基准进行了相当大的实验。结果表明，MSCF跟踪器的性能超过了基于技术和基于深的跟踪器的其他26状态。具有38帧的实时速度，所提出的方法足以让UAV跟踪佣金。 |
| End-to-End Learning of Keypoint Representations for Continuous Control from Images Authors Rinu Boney, Alexander Ilin, Juho Kannala 在许多控制问题中，包括视觉，可以从场景中对象的位置推断出最佳控制。可以使用关键点表示此信息，这是输入图像中的空间位置列表。以前的作品显示，使用编码器解码器架构的无监督前培训期间了解的关键点表示可以为控制任务提供良好的功能。在本文中，我们表明可以学习最终的Keypoint表示结束，而无需无监督的预训练，解码器或额外损失。我们所提出的架构由一个可差异的keypoint提取器组成，其将估计的关键点的坐标直接馈送到软演员批评代理。所提出的算法对Deepmind控制套件任务的最新状态产生了竞争力的性能。 |
| Does your robot know? Enhancing children's information retrieval through spoken conversation with responsible robots Authors T. Beelen, E. Velner, R. Ordelman, K.P. Truong, V. Evers, T. Huibers 在本文中，我们确定了儿童当前信息检索过程中的挑战，并提出了会话机器人作为以负责任的方式缓解此过程的机会。目前在此过程中使用的工具儿童，例如计算机或语音代理上的搜索引擎，并不总是满足其特定需求。我们提出的会话机器人维护上下文，要求澄清问题，并提出建议，以便更好地满足儿童需求。由于孩子们往往不相信机器人，我们建议具有机器人措施，监控和适应孩子在机器人中的信任。这样，我们希望在他们的信息检索过程中对孩子们对孩子们诱导态度。 |
| A Hybrid mmWave and Camera System for Long-Range Depth Imaging Authors Diana Zhang, Akarsh Prabhakara, Sirajum Munir, Aswin Sankaranarayanan, Swarun Kumar 由于MMWAVE无线电频率的高带宽，MM波雷达提供出色的深度分辨率。然而，它们本质上从角度分辨率差，这是比相机系统更差的数量级，因此不是能够隔离的3D成像解决方案。我们提出了Metamoran，该系统结合了雷达和摄像机系统的互补优势，以高方位角分辨率在几十米高的高精度下获得深度图像，高精度，全部来自单个固定的有利程度。 Metamoran通过应用于路边安全基础设施，监控和广域映射，使得富裕的远程深度成像。我们的主要洞察力是使用计算机视觉技术（包括图像分割和单眼深度估计）从相机中使用高方位角分辨率，以获得对象形状并使用这些作为我们的新型镜面波束形成算法的前沿。我们还将这种算法设计在杂乱的环境中，具有薄的反射和部分遮挡的场景。我们在200多个场景中对Metamoran S深度成像和传感能力进行了详细的评估。我们的评估表明，Metamoran估计，与28厘米的中值误差，与单眼雷达相机基线相比，与单眼雷达相机基线相比，相比单眼雷达相机基线相比，对物体的深度估计高达60米的深度。 |
| Chinese Abs From Machine Translation |
Papers from arxiv.org
更多精彩请移步主页
pic from pexels.com
