【AI視野·今日Robot 機器人論文速覽 第八期】Wed, 16 Jun 2021

AI視野·今日CS.Robotics 機器人學論文速覽

Wed, 16 Jun 2021

Totally 13 papers

👉上期速覽✈更多精彩請移步首頁

Daily Robotics Papers

Constrained Motion Planning of A Cable-Driven Soft Robot With Compressible Curvature Modeling Authors Jiewen Lai, Bo Lu, Qingxiang Zhao, Henry K. Chu 具有備援的電纜驅動的軟體機器人可以進行軌迹跟蹤任務，同時滿足一些額外的限制，例如通過指定方向的末端執行器跟蹤，或者擺脫可惡的機械手障礙碰撞。這些限制需要Rational計劃機器人運動。在這項工作中，我們派生了電纜驅動軟機器人的可壓縮曲率運動學，該電纜驅動的軟機器人考慮了可壓縮軟段。已經研究了在限制條件下進行軌迹跟蹤任務的軟機器人的運動規劃，包括固定方向末端執行器和機械手障礙避免。電纜緻動的逆解決方案被配制為阻尼最小二乘優化問題，并疊代地計算出線路。通過我們制作開源的模拟來評估軌迹跟蹤的性能和限制的順從，以及原型實驗。該方法可以通過定制機械手的先前運動規劃的機器人參數來廣泛地推廣到類似的多儀電纜驅動的軟機器人系統。

Task Allocation and Coordinated Motion Planning for Autonomous Multi-Robot Optical Inspection Systems Authors Yinhua Liu, Wenzheng Zhao, Tim Lutz, Xiaowei Yue 自主式多機器人光學檢測系統越來越多地應用于在過程監測和品質控制中獲得内聯測量。已經為靜态和動态環境開發了許多用于路徑規劃和機器人協調的方法，并應用于不同的領域。然而，由于内聯優化的快速計算要求，機器人末端效應器方向的獨特特性和複雜的大規模自由形式産品表面，這些方法可能無法為自主多機器人光學檢測系統工作。本文提出了一種新的任務配置設定方法，用于多機器人檢查的協調運動規劃。具體地，提出了一種局部穩健的檢查任務配置設定，以實作機器人2碰撞自由路徑規劃的有效且良好的平衡測量配置設定，并通過機器人坐标空間中的動态搜尋和探針擾動或局部路徑的動态搜尋來開發協調運動規劃機器人。案例研究表明，該方法可以減輕機器人和環境之間的碰撞風險，解決機器人之間的沖突，并顯着持續減少檢查周期時間。

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 用人造肢體同時控制的身體與天然肢體相連，長期出現在科幻小說中，但最近的技術和神經科學的進步已經開始使這種願景成為可能。通過允許個人實作其他不可能的行動，這種運動增強可以徹底改變醫學和工業應用，并深刻改變人類與其環境互動的方式。在這裡，我們通過增強的内容以及如何實作它來建構運動增強分類。通過這一架構，我們分析了擴充自由度程度的增強，讨論了諸如生理控制信号，感官回報和學習的有效增強的關鍵特征，并提出了對該領域的願景。

NeuroBEM: Hybrid Aerodynamic Quadrotor Model Authors Leonard Bauersfeld, Elia Kaufmann, Philipp Foehn, Sihao Sun, Davide Scaramuzza 等數非常靈活，實際上是經典的第一個原理模型來實作它們的限制。空氣動力學效果，而低速微不足道，在高速或靈活時機期間成為主導模型缺陷。需要精确的模組化來設計強大的高性能控制系統，并使靠近平台的實體限制。我們提出了一種混合方法，使第一個原則融合并以前所未有的準确性來學習模拟四輪車和它們的空氣動力學效果。第一個原則未能捕獲這種空氣動力學效果，當用于模拟或控制器調整時，渲染傳統方法不準确。資料驅動方法嘗試利用Blackbox模組化捕獲空氣動力學效果，例如神經網絡，但是，他們努力概括到任意飛行條件。我們的混合方法統一和優于第一原理葉片元素理論和學習的剩餘動态。它在世界上最大的運動捕獲系統之一中評估，使用自主四電位飛行資料以高達65km H的速度。結果模型以驚人的精度捕獲空氣動力推力，扭矩和寄生效應，優于50個預測誤差的現有模型，并顯示出超出訓練集的強大概括能力。

Simplifying Robot Programming using Augmented Reality and End-User Development Authors Enes Yigitbas, Ivan Jovanovikj, Gregor Engels 機器人廣泛跨越不同的應用上下文。教學機器人在各自的環境中執行任務，要求高領域和程式設計專業知識。然而，由于機器人程式設計本身的複雜性，機器人程式設計面向高進入障礙。即使對于專家來說，機器人程式設計也是一個笨重的，并且易于出錯的任務，可以建立故障的機器人程式，在真正的機器人上執行時會造成損壞。為了簡化機器人程式設計的過程，我們将增強現實AR與最終使用者開發的原則相結合。通過組合它們，真實環境與有用的虛拟工件擴充，可以使專家以及非專業人員能夠執行複雜的機器人程式設計任務。是以，開發了具有增強調試沖突的增強現實中的簡單程式設計環境作為AR輔助機器人程式設計環境的原型。 Speared利用AR将機器人投影到目标工作空間上。為了評估我們的方法，對工業自動化領域，機器人和AR領域的域專家專家采訪進行了專業面試。專家們一緻認為，Speared有可能豐富和緩解目前的機器人規劃過程。

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 在最小的侵入性手術中越來越多地采用連續體機器人操縱器。然而，它們的非線性行為準确地對模型進行了挑戰，特别是在外部互相作用時，可能導緻控制性能差。在這封信中，我們調查采用模型自由式鋼筋學習RL，即多應用Deep Q Network Madqn的可行性，以控制2度自由DOF電纜驅動的連續外科手術器。機器人的控制被制定為一個DOF，MADQN架構中的一個代理問題，以提高學習效率。結合一種屏蔽方案，可以實作動态變化的動态設定邊界，Madqn導緻對機器人的高效和重要的控制。屏蔽MADQN使機器人能夠在外部載荷，軟障礙物和剛性碰撞下使用Subsillimeter均方誤差進行點和軌迹跟蹤，這是手術機械手遇到的常見互動情景。進一步證明控制器在具有高結構非線性的微型連續體機器人中有效，在外部有效載荷下實作了雜交準确性的軌迹跟蹤。

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 實體人體機器人互動域領域的進步會使人類和機器人溝通，合作和共存的能力提高了。特别地，相容的機器人系統提供了許多特征，可以利用可以利用更有效地直覺地通信的實體互動，使得柔順的系統在更具實體上要求更高的人類機器人協作情景中有用。 TenseGrity機器人是符合實體互動的相容系統的示例，同時仍然保持有用的剛性特性，使其成為各種應用程式的實用性。在本文中，我們介紹了一種具有力傳感能力的6巴球形緊張的設計和初步測試。使用該原型，我們展示了其力傳感器陣列檢測人類背景可能出現的各種實體互動類型的能力。然後，我們使用來自獨特和代表性互動的資料訓練并測試一系列分類器，以便展示使用這種實體模型的可行性，以便在人類機器人協作設定中可靠地傳送來自人類營運商的目标和意圖。

Causal Navigation by Continuous-time Neural Networks Authors Charles Vorbach, Ramin Hasani, Alexander Amini, Mathias Lechner, Daniela Rus 仿制學習能夠高保真，基于富裕的光電靜電環境中的願景的療法學習。然而，這種技術通常依賴于傳統的離散時間神經模型，并且通過未能考慮代理和環境之間的因果關系，概念概括地概括。在本文中，我們提出了一種使用連續時間神經網絡學習因果關系的理論和實驗架構，特别是在離散時間對應上。我們在一系列複雜任務中的視覺控制學習的視覺控制學習的背景下評估我們的方法，從短期和長期導航，通過光保護環境來追逐靜态和動态物體。我們的結果表明，因果連續時間深度模型可以執行強大的導航任務，其中先進的複發模型失敗。這些模型直接從原始視覺輸入和規模學習複雜的因果控制表示，以解決使用模仿學習的各種任務。

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 許多提高了深度增強學習RL算法的魯棒性和效率的進步可以以一種方式了解為在政策優化步驟中引入額外的目标或限制。這包括遠端作為勘探獎金，熵正則化和正規化在教師或資料前沿的思考，或者在專家或離線RL中學習時。通常，任務獎勵和輔助目标彼此沖突，是以自然将這些例子視為多目标MO優化問題的執行個體。我們研究了莫爾潛在的原則，并介紹了一種新的算法，蒸餾專家硬币的混合物，這在某些條件下直覺和規模不變。我們突出了标準MO基準問題的優勢，并考慮了案例研究，我們重新開始離線RL并從專家那裡學習作為MO問題。這導緻自然算法配方，即在現有方法之間的連接配接上闡明了光線。對于離線RL，我們使用Mo Persive來推導一個簡單的算法，它優化标準RL目标加為行為克隆術語。這一優于兩個建立的離線RL基準測試的最佳狀态。

Mutation Sensitive Correlation Filter for Real-Time UAV Tracking with Adaptive Hybrid Label Authors Guangze Zheng, Changhong Fu, Junjie Ye, Fuling Lin, Fangqiang Ding 無人機的空中車輛無人機的視覺跟蹤面臨着衆多挑戰，例如，對象運動和閉塞。這些挑戰通常引入目标外觀的意外突變并導緻跟蹤失敗。然而，由于預定标簽，基于普遍的判别相關濾波器DCF基于誘變的跟蹤器對目标突變不敏感，其僅僅專注于訓練區域的中心。同時，由遮擋或類似物體引起的外觀突變通常會導緻錯誤資訊的不可避免地學習。為了應對外觀突變，本文提出了一種基于DCF的基于DCF的方法，以增強具有适應性雜交标簽的敏感性和抗突變，即MSCF。理想标簽與相關濾波器共同優化，仍然是時間的一緻性。此外，施加一種新的突變測量，施加稱為突變威脅因子MTF以動态校正标簽。廣泛使用的UAV基準進行了相當大的實驗。結果表明，MSCF跟蹤器的性能超過了基于技術和基于深的跟蹤器的其他26狀态。具有38幀的實時速度，所提出的方法足以讓UAV跟蹤傭金。

End-to-End Learning of Keypoint Representations for Continuous Control from Images Authors Rinu Boney, Alexander Ilin, Juho Kannala 在許多控制問題中，包括視覺，可以從場景中對象的位置推斷出最佳控制。可以使用關鍵點表示此資訊，這是輸入圖像中的空間位置清單。以前的作品顯示，使用編碼器解碼器架構的無監督前教育訓練期間了解的關鍵點表示可以為控制任務提供良好的功能。在本文中，我們表明可以學習最終的Keypoint表示結束，而無需無監督的預訓練，解碼器或額外損失。我們所提出的架構由一個可差異的keypoint提取器組成，其将估計的關鍵點的坐标直接饋送到軟演員批評代理。所提出的算法對Deepmind控制套件任務的最新狀态産生了競争力的性能。

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，我們确定了兒童目前資訊檢索過程中的挑戰，并提出了會話機器人作為以負責任的方式緩解此過程的機會。目前在此過程中使用的工具兒童，例如計算機或語音代理上的搜尋引擎，并不總是滿足其特定需求。我們提出的會話機器人維護上下文，要求澄清問題，并提出建議，以便更好地滿足兒童需求。由于孩子們往往不相信機器人，我們建議具有機器人措施，監控和适應孩子在機器人中的信任。這樣，我們希望在他們的資訊檢索過程中對孩子們對孩子們誘導态度。

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無線電頻率的高帶寬，MM波雷達提供出色的深度分辨率。然而，它們本質上從角度分辨率差，這是比相機系統更差的數量級，是以不是能夠隔離的3D成像解決方案。我們提出了Metamoran，該系統結合了雷達和錄影機系統的互補優勢，以高方位角分辨率在幾十米高的高精度下獲得深度圖像，高精度，全部來自單個固定的有利程度。 Metamoran通過應用于路邊安全基礎設施，監控和廣域映射，使得富裕的遠端深度成像。我們的主要洞察力是使用計算機視覺技術（包括圖像分割和單眼深度估計）從相機中使用高方位角分辨率，以獲得對象形狀并使用這些作為我們的新型鏡面波束形成算法的前沿。我們還将這種算法設計在雜亂的環境中，具有薄的反射和部分遮擋的場景。我們在200多個場景中對Metamoran S深度成像和傳感能力進行了詳細的評估。我們的評估表明，Metamoran估計，與28厘米的中值誤差，與單眼雷達相機基線相比，與單眼雷達相機基線相比，相比單眼雷達相機基線相比，對物體的深度估計高達60米的深度。

Chinese Abs From Machine Translation

Papers from arxiv.org

更多精彩請移步首頁

pic from pexels.com