AI視野·今日CS.Robotics 機(jī)器人學(xué)論文速覽
Wed, 18 Oct 2023
Totally 17 papers
??上期速覽?更多精彩請移步主頁
Daily Robotics Papers
|
Underwater and Surface Aquatic Locomotion of Soft Biomimetic Robot Based on Bending Rolled Dielectric Elastomer Actuators Authors Chenyu Zhang, Chen Zhang, Juntian Qu, Xiang Qian 總的來說，微型軟機(jī)器人在水環(huán)境中的實時導(dǎo)航和傳感是有前途的，因為它們具有體積小、靈活性高和對非結(jié)構(gòu)化環(huán)境的良好順應(yīng)性等優(yōu)點。在本文中，我們提出并演示了一種類似蝠鲼的軟水生機(jī)器人，該機(jī)器人通過使用具有彎曲運動的卷狀介電彈性體致動器 DEA 拍動鰭來推動自身。該機(jī)器人在電源電壓為 1300 V、17 Hz 時，表現(xiàn)出快速移動能力：以 57mm s 或每秒 1.25 體長 BL s 的速度游泳，以 64 mm s 1.36 BL s 的速度在水面滑行，以 38mm s 0.82 BL s 的速度垂直上升。 。 |
|
Towards Operationalizing Social Bonding in Human-Robot Dyads Authors Imran Khan 隨著社交機(jī)器人作為長期輔助和協(xié)作伙伴的使用勢頭不斷增強，人類與這些人工智能代理建立社會聯(lián)系似乎是不可避免的。在人類二元關(guān)系中，社會聯(lián)系在調(diào)節(jié)行為、情緒甚至健康方面發(fā)揮著強大的作用。如果要將這種情況擴(kuò)展到人類機(jī)器人二人組，則必須更好地理解這種關(guān)系的現(xiàn)象學(xué)，包括它們的出現(xiàn)和穩(wěn)定性。在本文中，我們討論了實現(xiàn)人類機(jī)器人二人組之間的社會聯(lián)系現(xiàn)象的潛在方法。我們將討論一些社會聯(lián)系的生物行為代理，擺脫使用主觀、心理測量的現(xiàn)有方法，而是將我們的方法立足于自然系統(tǒng)中社會聯(lián)系形成的一些進(jìn)化、神經(jīng)生物學(xué)和生理相關(guān)性以及生理學(xué)的減少。強調(diào)社會緩沖現(xiàn)象，b 兩人之間空間接近度的縮小，c 兩人之間的行為同步。我們?yōu)槊總€提出的組件提供相關(guān)的進(jìn)化支持，并就如何在實時人機(jī)交互場景中記錄它們提供建議和考慮。 |
|
3D Force and Contact Estimation for a Soft-Bubble Visuotactile Sensor Using FEM Authors Jing Chen Peng 1 , Shaoxiong Yao 1 , Kris Hauser 1 1 Department of Computer Science at the University of Illinois at Urbana Champaign, Urbana, Illinois, USA. 軟氣泡觸覺傳感器有潛力捕獲大接觸面上的密集接觸和力信息。然而，很難通過觀察氣泡表面直接提取接觸力，因為局部接觸由于膜力學(xué)和氣壓而顯著改變了整體表面形狀。本文提出了一種基于模型的方法，從氣泡傳感器的內(nèi)部 RGBD 相機(jī)和氣壓傳感器重建密集接觸力。我們提出了氣泡傳感器力響應(yīng)的有限元模型，該模型使用線性平面應(yīng)力近似，僅需要校準(zhǔn) 3 個變量。 |
|
Signal Temporal Logic-Guided Model Predictive Control for Robust Bipedal Locomotion Resilient to Runtime External Perturbations Authors Zhaoyuan Gu, Rongming Guo, William Yates, Yipu Chen, Ye Zhao 本研究研究了基于形式化方法的雙足運動軌跡優(yōu)化 TO，重點關(guān)注機(jī)器人在不可預(yù)見的時間遇到??外部擾動的場景。 |
|
Humanising robot-assisted navigation Authors Placido Falqueto, Alessandro Antonucci, Luigi Palopoli, Daniele Fontanelli 機(jī)器人輔助導(dǎo)航是需要靈活控制方法的一類應(yīng)用的完美示例。當(dāng)人類可靠時，機(jī)器人應(yīng)該為人類的主動性讓出空間。當(dāng)人類做出不適當(dāng)?shù)倪x擇時，機(jī)器人控制器應(yīng)該引導(dǎo)他們走向更安全的路徑。共享權(quán)限控制是通過在線決定應(yīng)給予人類多少權(quán)限以及機(jī)器人應(yīng)保留多少權(quán)限來實現(xiàn)此行為的一種方法。一個懸而未決的問題是如何評估人類選擇的適當(dāng)性。一種可能的方法是考慮與機(jī)器人計算的理想路徑的偏差。這種選擇當(dāng)然是安全和高效的，但它強調(diào)了機(jī)器人決策的重要性，并將人類降級為次要角色。在本文中，我們提出了一種不同的范式，如果人類的行為在任何時候都與其他人類在類似情況下的行為非常相似，那么它就是正確的。這個想法是通過機(jī)器學(xué)習(xí)和自適應(yīng)控制的結(jié)合來實現(xiàn)的。環(huán)境地圖被分解為網(wǎng)格。在每個細(xì)胞中，我們對人類可能執(zhí)行的動作進(jìn)行分類。我們使用神經(jīng)網(wǎng)絡(luò)分類器對當(dāng)前運動進(jìn)行分類，并將概率得分用作控制中的超參數(shù)來改變干預(yù)量。本文收集的實驗表明了該想法的可行性。 |
|
Sim-to-Real Transfer of Adaptive Control Parameters for AUV Stabilization under Current Disturbance Authors Thomas Chaffre, Jonathan Wheare, Andrew Lammas, Paulo Santos, Gilles Le Chenadec, Karl Sammut, Benoit Clement 基于學(xué)習(xí)的自適應(yīng)控制方法的前提是使自主代理能夠以最少的人為干預(yù)來減少過程變化的影響。然而，其在自主水下航行器 AUV 中的應(yīng)用迄今為止受到限制，因為 1 海流擾動形式下的未知動力學(xué)，由于傳感器能力有限，我們無法正確建?；驕y量；2 AUV 任務(wù)的非線性，其中控制器響應(yīng)在某些工作點必須過于保守才能滿足其他工作點的規(guī)范。深度強化學(xué)習(xí) DRL 可以通過訓(xùn)練通用神經(jīng)網(wǎng)絡(luò)策略來緩解這些限制，但由于其固有的高樣本復(fù)雜性和分布偏移問題，DRL 算法在 AUV 上的應(yīng)用僅限于模擬環(huán)境。本文提出了一種新穎的方法，將最大熵深度強化學(xué)習(xí)框架與基于經(jīng)典模型的控制架構(gòu)相結(jié)合，以制定自適應(yīng)控制器。在此框架內(nèi)，我們引入了從模擬到真實的傳輸策略，包括以下組件：生物啟發(fā)的體驗重放機(jī)制、增強的域隨機(jī)化技術(shù)以及在物理平臺上執(zhí)行的評估協(xié)議。 |
|
SICNav: Safe and Interactive Crowd Navigation using Model Predictive Control and Bilevel Optimization Authors Sepehr Samavi, Florian Shkurti, Angela P. Schoellig 機(jī)器人需要預(yù)測人類的動作并做出反應(yīng)，才能在人群中導(dǎo)航而不發(fā)生碰撞。許多現(xiàn)有方法將預(yù)測與規(guī)劃脫鉤，這沒有考慮機(jī)器人和人類運動之間的相互作用，并可能導(dǎo)致機(jī)器人陷入困境。我們提出了 SICNav，一種模型預(yù)測控制 MPC 方法，可以在閉環(huán)中聯(lián)合求解機(jī)器人運動和預(yù)測人群運動。我們對人群中的每個人進(jìn)行建模，使其遵循最佳相互碰撞避免 ORCA 方案，并將該模型作為約束嵌入到機(jī)器人的局部規(guī)劃器中，從而產(chǎn)生雙層非線性 MPC 優(yōu)化問題。我們使用 KKT 重構(gòu)將雙層問題轉(zhuǎn)化為單層問題，并使用非線性求解器進(jìn)行優(yōu)化。我們的 MPC 方法可以影響行人運動，同時明確滿足單個機(jī)器人多人類環(huán)境中的安全約束。我們分析了 SICNav 在模擬環(huán)境中的性能，以演示可以影響周圍人類的安全機(jī)器人運動。 |
|
Origami-inspired Bi-directional Actuator with Orthogonal Actuation Authors Shuai Liu, Sheeraz Athar, Michael Yu Wang Origami 為設(shè)計創(chuàng)新的軟機(jī)器人執(zhí)行器提供了一種有前景的替代方案。雖然折紙的特征，例如雙向運動和結(jié)構(gòu)各向異性，在過去沒有被廣泛探索，但這封信提出了一種受雙向致動器折紙管啟發(fā)的新穎設(shè)計。該執(zhí)行器能夠在兩個正交方向上移動，并在其整個身體上具有單獨的通道來控制每個運動。我們引入了自下而上的設(shè)計方法，該方法也適用于其他復(fù)雜的運動。該執(zhí)行器采用流行的 3D 打印技術(shù)制造。為了增強其耐用性，我們嘗試了不同的 3D 打印技術(shù)和材料。使用硅旋涂進(jìn)一步提高了執(zhí)行器的強度，我們比較了涂層、未涂層和純硅樣品的性能。材料模型是通過在萬能試驗機(jī) UTM 上測試樣本來憑經(jīng)驗得出的。 |
|
Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning Authors Yunlong Song, Angel Romero, Matthias Mueller, Vladlen Koltun, Davide Scaramuzza 機(jī)器人技術(shù)的一個中心問題是如何為敏捷移動機(jī)器人設(shè)計控制系統(tǒng)。本文系統(tǒng)地研究了這個問題，重點關(guān)注具有挑戰(zhàn)性的環(huán)境下的自主無人機(jī)競賽。我們證明，在這種情況下，經(jīng)過強化學(xué)習(xí) RL 訓(xùn)練的神經(jīng)網(wǎng)絡(luò)控制器的性能優(yōu)于最優(yōu)控制 OC 方法。然后我們研究了哪些基本因素促成了 RL 的成功或限制了 OC。我們的研究表明，RL 相對于 OC 的根本優(yōu)勢不是它更好地優(yōu)化了目標(biāo)，而是它優(yōu)化了更好的目標(biāo)。 OC 通過充當(dāng)接口的顯式中間表示（例如軌跡）將問題分解為規(guī)劃和控制。這種分解限制了控制器可以表達(dá)的行為范圍，導(dǎo)致在面對未建模效應(yīng)時控制性能較差。相比之下，強化學(xué)習(xí)可以直接優(yōu)化任務(wù)級目標(biāo)，并可以利用域隨機(jī)化來應(yīng)對模型不確定性，從而發(fā)現(xiàn)更穩(wěn)健的控制響應(yīng)。我們的研究結(jié)果使我們能夠?qū)⒚艚轃o人機(jī)發(fā)揮到最大性能，實現(xiàn)超過重力加速度 12 倍的峰值加速度和每小時 108 公里的峰值速度。我們的策略在標(biāo)準(zhǔn)工作站上訓(xùn)練后幾分鐘內(nèi)就實現(xiàn)了超人的控制。 |
|
Open-Structure: a Structural Benchmark Dataset for SLAM Algorithms Authors Yanyan Li, Zhao Guo, Ze Yang, Yanbiao Sun, Liang Zhao, Federico Tombari 本文介紹了一種新的基準(zhǔn)數(shù)據(jù)集 Open Structure，用于評估視覺里程計和 SLAM 方法，它直接配備點和線測量、對應(yīng)關(guān)系、結(jié)構(gòu)關(guān)聯(lián)和共可見性因子圖，而不是提供原始圖像?；谒岢龅幕鶞?zhǔn)數(shù)據(jù)集，這些2D或3D數(shù)據(jù)可以直接輸入到SLAM管道的不同階段，以避免消融實驗中數(shù)據(jù)預(yù)處理模塊的影響。首先，我們提出了一個用于現(xiàn)實世界和模擬場景的數(shù)據(jù)集生成器。在現(xiàn)實世界場景中，它保持與實際特征提取結(jié)果相同的觀察結(jié)果和遮擋。這些生成的模擬序列通過引入各種精心設(shè)計的軌跡和觀察結(jié)果來增強數(shù)據(jù)集的多樣性。其次，使用我們的數(shù)據(jù)集提出 SLAM 基線來評估相機(jī)姿態(tài)跟蹤、參數(shù)化和優(yōu)化模塊中廣泛使用的模塊。通過在不同場景中評估這些最先進(jìn)的算法，我們可以辨別每個模塊在相機(jī)跟蹤和優(yōu)化過程中的優(yōu)點和缺點。 |
|
Greedy Perspectives: Multi-Drone View Planning for Collaborative Coverage in Cluttered Environments Authors Krishna Suresh, Aditya Rauniyar, Micah Corah, Sebastian Scherer 部署空中機(jī)器人團(tuán)隊可以在復(fù)雜的環(huán)境中大規(guī)模拍攝動態(tài)的演員群體，從而在團(tuán)隊運動和電影攝影等領(lǐng)域?qū)崿F(xiàn)新穎的應(yīng)用。為此，通過順序貪婪規(guī)劃實現(xiàn)子模最大化的方法可用于跨機(jī)器人團(tuán)隊的攝像機(jī)視圖的可擴(kuò)展優(yōu)化，但面臨著在雜亂環(huán)境中高效協(xié)調(diào)的挑戰(zhàn)。障礙物會產(chǎn)生遮擋并增加機(jī)器人間碰撞的機(jī)會，這可能違反近乎最優(yōu)保證的要求。為了協(xié)調(diào)空中機(jī)器人團(tuán)隊在密集環(huán)境中拍攝人群，需要一種更通用的視圖規(guī)劃方法。我們通過開發(fā)具有遮擋感知目標(biāo)的多機(jī)器人多演員視圖規(guī)劃器來探索碰撞和遮擋如何影響拍攝應(yīng)用中的性能，并與貪婪編隊規(guī)劃器進(jìn)行比較。為了評估性能，我們在五個具有復(fù)雜的多參與者行為的測試環(huán)境中進(jìn)行了規(guī)劃。與編隊規(guī)劃器相比，我們的順序規(guī)劃器在三個場景中比演員產(chǎn)生了 14 個更大的視圖獎勵，并且在其他兩個場景中的性能與編隊規(guī)劃相當(dāng)。我們還觀察到有和沒有機(jī)器人間碰撞約束的順序規(guī)劃的性能幾乎相同。 |
|
The Invisible Map: Visual-Inertial SLAM with Fiducial Markers for Smartphone-based Indoor Navigation Authors Paul Ruvolo, Ayush Chakraborty, Rucha Dave, Richard Li, Duncan Mazza, Xierui Shen, Raiyan Siddique, Krishna Suresh 我們提出了一個使用主流智能手機(jī)創(chuàng)建建筑比例、易于導(dǎo)航的 3D 地圖的系統(tǒng)。在我們的方法中，我們將 3D 建圖問題表述為 Graph SLAM 的一個實例，并推斷建筑物地標(biāo)基準(zhǔn)標(biāo)記的位置以及通過環(huán)境手機(jī)姿勢的可導(dǎo)航路徑。我們的結(jié)果證明了系統(tǒng)創(chuàng)建準(zhǔn)確 3D 地圖的能力。 |
|
Manta Ray Inspired Flapping-Wing Blimp Authors Kentaro Nojima Schmunk, David Turzak, Kevin Kim, Andrew Vu, James Yang, Sreeauditya Motukuri, Ningshi Yao, Daigo Shishika 比飛行器或飛艇更輕，是一個不斷發(fā)展的機(jī)器人平臺，具有多種有益特性，例如能源效率、耐碰撞性以及在人類用戶附近工作的能力。雖然現(xiàn)有的飛艇設(shè)計主要使用螺旋槳推進(jìn)，但我們將注意力集中在另一種運動方法上，即拍打機(jī)翼。具體來說，本文介紹了一種受蝠鲼啟發(fā)的撲翼飛艇，與從昆蟲或鳥類汲取靈感的撲翼飛行器的現(xiàn)有研究形成鮮明對比。我們介紹了飛艇的總體設(shè)計和控制方案以及機(jī)翼性能的分析。通過實驗研究了機(jī)翼形狀和撲動特性對推力產(chǎn)生的影響。 |
|
Collision Cone Control Barrier Functions: Experimental Validation on UGVs for Kinematic Obstacle Avoidance Authors Bhavya Giri Goswami, Manan Tayal, Karthik Rajgopal, Pushpak Jagtap, Shishir Kolathaya 自主性的進(jìn)步使機(jī)器人能夠在不同的環(huán)境中進(jìn)行密切的人類交互，從而需要控制器提供正式的安全保證。本文介紹了一個實驗平臺，旨在驗證和演示專為無人地面車輛 UGV 定制的新型控制障礙功能 CBF，通過集成碰撞錐的概念來主動防止與運動障礙物發(fā)生碰撞。雖然現(xiàn)有的 CBF 配方在靜態(tài)障礙物方面表現(xiàn)出色，但扭矩加速控制獨輪車和自行車模型的擴(kuò)展卻取得了有限的成功。非完整 UGV 模型中的傳統(tǒng) CBF 應(yīng)用已表現(xiàn)出控制保守性，特別是在轉(zhuǎn)向推力控制被認(rèn)為不可行的情況下。從路徑規(guī)劃中的碰撞錐體中汲取靈感，我們提出了一種開創(chuàng)性的 CBF 公式，確保獨輪車和自行車模型的理論安全保證。核心前提圍繞著使障礙物的速度遠(yuǎn)離車輛，建立約束以永遠(yuǎn)避免指向它的矢量。 |
|
Vision and Language Navigation in the Real World via Online Visual Language Mapping Authors Chengguang Xu, Hieu T. Nguyen, Christopher Amato, Lawson L.S. Wong 在看不見的環(huán)境中導(dǎo)航對于移動機(jī)器人來說至關(guān)重要。增強它們遵循自然語言指令的能力將進(jìn)一步提高在未見過的情況下的導(dǎo)航效率。然而，最先進(jìn)的 SOTA 視覺和語言導(dǎo)航 VLN 方法主要在模擬中進(jìn)行評估，忽略了復(fù)雜且嘈雜的現(xiàn)實世界。由于視覺域差距和缺乏關(guān)于不可見環(huán)境的先驗知識，將模擬訓(xùn)練的 SOTA 導(dǎo)航策略直接轉(zhuǎn)移到現(xiàn)實世界具有挑戰(zhàn)性。在這項工作中，我們提出了一種新穎的導(dǎo)航框架來解決現(xiàn)實世界中的 VLN 任務(wù)。利用強大的基礎(chǔ)模型，所提出的框架包括四個關(guān)鍵組件：1 基于 LLM 的指令解析器，將語言指令轉(zhuǎn)換為一系列預(yù)定義的宏動作描述；2 在線視覺語言映射器，構(gòu)建實時視覺語言映射以維護(hù)對不可見環(huán)境的空間和語義理解，3 基于語言索引的定位器，將每個宏觀動作描述基于地圖上的路徑點位置，以及 4 基于 DD PPO 的本地控制器，用于預(yù)測動作。我們在看不見的實驗室環(huán)境中在 Interbotix LoCoBot WX250 上評估了擬議的流程。 |
|
An empirical study of automatic wildlife detection using drone thermal imaging and object detection Authors Miao Chang, Tan Vuong, Manas Palaparthi, Lachlan Howell, Alessio Bonti, Mohamed Abdelrazek, Duc Thanh Nguyen 人工智能有潛力通過具有成本效益的方法收集和解釋野生動物數(shù)據(jù)，為野生動物管理做出寶貴貢獻(xiàn)。遙控飛機(jī)系統(tǒng) RPAS 或無人機(jī)和熱成像技術(shù)的最新進(jìn)展創(chuàng)造了收集野生動物數(shù)據(jù)的新方法。這些新興技術(shù)可以為標(biāo)準(zhǔn)費力的現(xiàn)場技術(shù)提供有前途的替代方案，并覆蓋更大的區(qū)域。在這項研究中，我們對基于無人機(jī)的野生動物檢測進(jìn)行了全面的回顧和實證研究。具體來說，我們收集了無人機(jī)衍生的野生動物熱探測的真實數(shù)據(jù)集。我們收集的數(shù)據(jù)中檢測到的野生動物，包括樹棲動物、考拉、灰樹熊和地面棲息物種，均由專家通過邊界框進(jìn)行注釋。然后，我們在收集的數(shù)據(jù)集上對最先進(jìn)的對象檢測算法進(jìn)行基準(zhǔn)測試。 |
|
LiDAR-based 4D Occupancy Completion and Forecasting Authors Xinhao Liu, Moonjun Gong, Qi Fang, Haoyu Xie, Yiming Li, Hang Zhao, Chen Feng 場景完成和預(yù)測是自動駕駛汽車等移動代理研究中兩個流行的感知問題。現(xiàn)有的方法孤立地處理這兩個問題，導(dǎo)致對這兩方面的看法不同。在本文中，我們在自動駕駛的背景下引入了一種新穎的 LiDAR 感知任務(wù)：占用完成和預(yù)測 OCF，以將這些方面統(tǒng)一到一個有凝聚力的框架中。這項任務(wù)需要新的算法來解決三個挑戰(zhàn)：1 稀疏到密集重建，2 部分到完全幻覺，3 3D 到 4D 預(yù)測。為了進(jìn)行監(jiān)督和評估，我們從公共自動駕駛數(shù)據(jù)集中整理了一個名為 OCFBench 的大規(guī)模數(shù)據(jù)集。我們分析了密切相關(guān)的現(xiàn)有基線模型和我們自己的數(shù)據(jù)集上的性能。我們預(yù)計這項研究將激發(fā)并呼吁對 4D 感知這一不斷發(fā)展的關(guān)鍵領(lǐng)域進(jìn)行進(jìn)一步研究。 |
| Chinese Abs From Machine Translation |
Papers from arxiv.org
更多精彩請移步主頁文章來源：http://www.zghlxwxcb.cn/news/detail-719109.html
pic from pexels.com文章來源地址http://www.zghlxwxcb.cn/news/detail-719109.html
到了這里，關(guān)于【AI視野·今日Robot 機(jī)器人論文速覽 第五十七期】Wed, 18 Oct 2023的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
