【AI视野·今日Robot 机器人论文速览 第七十六期】Fri, 12 Jan 2024

本文主要是介绍【AI视野·今日Robot 机器人论文速览 第七十六期】Fri, 12 Jan 2024,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

AI视野·今日CS.Robotics 机器人学论文速览
Fri, 12 Jan 2024
Totally 12 papers
👉上期速览✈更多精彩请移步主页

在这里插入图片描述

Daily Robotics Papers

Topology-Driven Parallel Trajectory Optimization in Dynamic Environments
Authors Oscar de Groot, Laura Ferranti, Dariu Gavrila, Javier Alonso Mora
在复杂、动态环境中导航的地面机器人必须计算无碰撞轨迹,以安全有效地避开障碍物。非凸优化是一种实时计算轨迹的流行方法。然而,这些方法往往收敛于局部最优解,并频繁地在不同的局部最小值之间切换,导致机器人运动效率低下且不安全。在这项工作中,我们提出了一种针对动态环境的新颖的拓扑驱动轨迹优化策略,该策略规划多个不同的规避轨迹以增强机器人的行为和效率。全局规划器迭代地生成不同同伦类中的轨迹。然后,并行工作的本地规划者会优化这些轨迹。虽然每个规划器共享相同的导航目标,但它们局部受限于特定的同伦类,这意味着每个局部规划器都会尝试不同的规避策略。然后机器人以水平后退的方式执行成本最低的可行轨迹。

RoboCup 2023 Humanoid AdultSize Winner NimbRo: NimbRoNet3 Visual Perception and Responsive Gait with Waveform In-walk Kicks
Authors Dmytro Pavlichenko, Grzegorz Ficht, Angel Villar Corrales, Luis Denninger, Julia Brocker, Tim Sinen, Michael Schreiber, Sven Behnke
RoboCup 人形联盟每年举办足球机器人世界锦标赛,其长期目标是到 2050 年战胜 FIFA 世界冠军。参赛队伍不断改进其系统。本文介绍了我们的人形足球系统的升级,带领我们的 NimbRo 团队赢得了 2023 年法国波尔多 RoboCup 人形机器人成人联盟足球锦标赛的冠军。

Volume Transfer: A New Design Concept for Fabric-Based Pneumatic Exosuits
Authors Chendong Liu, Dapeng Yang, Jiachen Chen, Yiming Dai, Li Jiang, Hong Liu
基于织物的气动外骨骼现在是一个热门研究课题,因为它比传统外骨骼更轻、更柔软。现有的研究更多地关注外装的机械性能,例如扭矩和速度,而较少关注其耐磨性,例如外观和舒适度。这项工作提出了基于织物的气动外装体积转移的新设计理念,这意味着将气动执行器的体积从服装轮廓转移到内部。这允许隐藏的外观和更大的应力区域,同时保持足够的扭矩。为了验证这个概念,我们开发了一种基于织物的气动外装,用于辅助膝关节伸展。其轮廓仅 26 毫米,受力区域几乎包裹了一半的腿部。我们使用数学模型和模拟来确定外装的参数,避免原型的多次迭代。实验结果表明,外骨骼在90kPa的压力下可以产生7.6Nm的扭矩,并对膝伸肌的肌电活动产生显着的降低。

On State Estimation in Multi-Sensor Fusion Navigation: Optimization and Filtering
Authors Feng Zhu, Zhuo Xu, Xveqing Zhang, Yuantai Zhang, Weijie Chen, Xiaohong Zhang
导航、感知和决策是智能机器人的基本任务,其本质是估计必要的系统状态。其中,导航是其他上层应用的基础,通过集成多个传感器的测量来提供精确的位置和方向。通过对每个传感器的观察进行适当的建模,用于导航的多传感器融合任务被简化为状态估计问题,可以通过优化和过滤两种方法来解决。最近的研究表明,基于优化的框架在准确性方面优于基于过滤的框架。然而,这两种方法都基于最大似然估计 MLE,并且在理论上应该与相同的线性化点、观测模型、测量和高斯噪声假设等效。在本文中,我们深入探讨了基于优化和基于过滤的方法中使用的理论和现有策略。事实证明,这两种方法在理论上是相等的,但由于实时操作中应用的策略不同,这种等价性被破坏。通过调整基于过滤的方法的现有策略,基于视觉里程计VO的蒙特卡罗模拟和车辆消融实验表明,策略调整过滤严格等于优化。

Transferability of HRI Research: Potential and Challenges
Authors Wafa Johal
随着机器人技术和人工智能的进步,机器人技术的应用正在蓬勃发展。人机交互 HRI 是机器人技术的一个重要领域,因为它使机器人能够更接近人类地与人类一起工作或为人类工作。 HRI研究成功的关键因素之一是可转移性,即研究成果被行业采用并为社会带来效益的能力。在本文中,我们探讨了 HRI 研究中可转移性的潜力和挑战。首先,我们研究了 HRI 研究的现状,并确定了可以带来成功结果的各种类型的贡献。其次,我们讨论每种类型贡献的潜在好处,并确定可以促进行业采用 HRI 研究的因素。然而,我们也认识到与可转移性相关的一些挑战,例如 HRI 从业者所需的明确工作技能的多样性、缺乏行业主导的研究以及 HRI 研究方法缺乏标准化。

Augmented Reality User Interface for Command, Control, and Supervision of Large Multi-Agent Teams
Authors Frank Regal, Chris Suarez, Fabian Parra, Mitch Pryor
多代理人类机器人团队可以通过利用和结合人类和机器人的优势,更有效地收集有关各种环境的信息。在国防、搜索和救援、急救等行业中,异构人类机器人团队有望通过将人类从未知和潜在危险的情况中转移出来来加速数据收集并提高团队安全性。这项工作建立在 AugRE 的基础上,这是一个基于增强现实 AR 的可扩展人类机器人团队框架。它使用户能够本地化 50 个自主代理并与其进行通信。通过我们的努力,用户能够在大型团队中指挥、控制和监督代理,无论是视线还是非视线,无需事先修改环境,也不需要用户使用典型的硬件,即操纵杆、键盘、现场的笔记本电脑、平板电脑等。

Making Informed Decisions: Supporting Cobot Integration Considering Business and Worker Preferences
Authors Dakota Sullivan, Nathan Thomas White, Andrew Schoen, Bilge Mutlu
机器人在小型到大型制造商中无处不在。虽然协作机器人由于其灵活性和易用性而在这些环境中具有巨大潜力,但正确的集成对于充分发挥其潜力至关重要。具体来说,协作机器人需要以利用其优势、提高制造性能并促进与人类工人协同使用的方式进行集成。有效的集成需要机器人专家、制造工程师和业务管理员的仔细考虑和知识。我们提出了一种涉及规划、分析、开发和演示阶段的方法,以便在集成过程之前告知制造商有关其设施内协作机器人集成的信息。

Characterising the take-off dynamics and energy efficiency in spring-driven jumping robots
Authors John Lo, Ben Parslew
以前的弹簧驱动跳跃机器人的设计方法侧重于特定任务的跳跃高度优化。为此,人们提出了多种设计,包括使用非线性弹簧连杆来增加弹性能量存储和跳跃高度。然而,这些系统永远无法达到理论上的最大跳跃高度,因为在弹簧能量完全释放之前起飞,导致存储的弹性能不完全转移到重力势能。本文提出了低阶模型,旨在表征跳跃加速阶段的能量转换。它还提出了提高跳跃机器人能源效率的实用解决方案。对由旋转连杆组成的多体系统进行动态分析,并使用物理演示器进行实验验证。分析表明,低效的能量转换归因于旋转质量和非簧载质量引起的惯性效应。

Current Effect-eliminated Optimal Target Assignment and Motion Planning for a Multi-UUV System
Authors Danjie Zhu, Simon X. Yang
本文提出了一种创新方法 CBNNTAP,该方法可解决优化多无人水下航行器 UUV 系统的目标分配和运动规划时洋流带来的复杂性和挑战。该算法的核心涉及几个关键组件的集成。首先,它采用了基于生物启发神经网络的 BINN 方法,可以预测单个 UUV 的最有效路径,同时确保车辆之间避免碰撞。其次,考虑BINN算法确定的路径距离,集成了一个有效的目标分配组件。此外,CBNNTAP算法的一项关键创新是它能够解决洋流的破坏性影响,其中无缝集成了一个调整组件来抵消这些洋流造成的偏差,从而提高了运动规划和目标分配的准确性。 UUV。

Task tree retrieval from FOON using search algorithms
Authors Amitha Attapu
机器人对于自动化任务和减少所需的人力非常有用。但为了让机器人知道如何执行任务,我们需要给它一套明确的步骤来遵循。为机器人提供每项可能任务的指令几乎是不可能的。因此,我们创建并扩展了一个通用功能面向对象网络 FOON,它具有大量现有的配方信息 1 。但某些任务对于机器人来说执行起来很复杂,同样,有些任务对于人类来说执行起来也很复杂。因此,权重被添加到功能单元以表示机器人2成功执行运动的机会。给定一组厨房物品和一个目标节点,使用 Universal FOON,机器人必须能够确定厨房中是否存在所需的物品,如果是,则获取将所需的厨房物品转换为目标节点的步骤。现在,通过本文,我们使用两种算法 IDS 和 GBFS 来检索目标节点和给定厨房物品集的任务树(如果可能)。以下是本文第二节 FOON 创建的不同部分,我们将讨论与 FOON 相关的不同术语以及 FOON 的可视化。在第三节方法论中,我们讨论 IDS 和 GBFS 搜索算法以及 GBFS 中实现和使用的两种不同的启发式算法。在第四节实验讨论中,我们比较了不同算法的性能。

Safe reinforcement learning in uncertain contexts
Authors Dominik Baumann, Thomas B. Sch n
在现实世界中部署机器学习算法时,保证安全是一项重要资产。现有的安全学习方法通​​常考虑连续变量,即回归任务。然而,在实践中,机器人系统也会受到离散的外部环境变化的影响,例如,必须携带一定重量的物体或在冰冻、潮湿或干燥的表面上操作。这种影响可以被建模为离散的上下文变量。在现有文献中,如果考虑的话,大多数情况下都假定这些上下文是已知的。在这项工作中,我们放弃了这个假设,并展示了当我们无法直接测量上下文变量时如何进行安全学习。为了实现这一目标,我们得出了多类分类的频率论保证,使我们能够根据测量来估计当前上下文。此外,我们提出了一种通过实验识别上下文的方法。

Innate-Values-driven Reinforcement Learning for Cooperative Multi-Agent Systems
Authors Qin Yang
固有价值观描述了代理人的内在动机,反映了他们追求目标的固有兴趣和偏好,并驱使他们发展满足各种需求的各种技能。强化学习 RL 的本质是从基于奖励驱动的交互中学习,例如效用行为,就像自然代理一样。它是一个很好的模型来描述人工智能代理的内在价值驱动的 IV 行为。特别是在多智能体系统MAS中,建立人工智能智能体的意识来平衡群体效用和系统成本并满足群体成员在合作中的需求是个人学习支持社区和长期整合人类社会的一个关键问题。本文提出了一种分层复合内在价值强化学习模型内在价值驱动的强化学习(IVRL)来描述多智能体协作交互的复杂行为。我们在星际争霸多智能体挑战赛 SMAC 环境中实现了 IVRL 架构,并通过三种基准多智能体 RL 算法 QMIX、IQL 和 QTRAN 比较了先天价值智能体 Coward、Neutral 和 Reckless 三种特征下的协作性能。

Chinese Abs From Machine Translation

Papers from arxiv.org

更多精彩请移步主页


pic from pexels.com

这篇关于【AI视野·今日Robot 机器人论文速览 第七十六期】Fri, 12 Jan 2024的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/660704

相关文章

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

Spring AI ectorStore的使用流程

《SpringAIectorStore的使用流程》SpringAI中的VectorStore是一种用于存储和检索高维向量数据的数据库或存储解决方案,它在AI应用中发挥着至关重要的作用,本文给大家介... 目录一、VectorStore的基本概念二、VectorStore的核心接口三、VectorStore的

Spring AI集成DeepSeek三步搞定Java智能应用的详细过程

《SpringAI集成DeepSeek三步搞定Java智能应用的详细过程》本文介绍了如何使用SpringAI集成DeepSeek,一个国内顶尖的多模态大模型,SpringAI提供了一套统一的接口,简... 目录DeepSeek 介绍Spring AI 是什么?Spring AI 的主要功能包括1、环境准备2

Spring AI集成DeepSeek实现流式输出的操作方法

《SpringAI集成DeepSeek实现流式输出的操作方法》本文介绍了如何在SpringBoot中使用Sse(Server-SentEvents)技术实现流式输出,后端使用SpringMVC中的S... 目录一、后端代码二、前端代码三、运行项目小天有话说题外话参考资料前面一篇文章我们实现了《Spring

Spring AI与DeepSeek实战一之快速打造智能对话应用

《SpringAI与DeepSeek实战一之快速打造智能对话应用》本文详细介绍了如何通过SpringAI框架集成DeepSeek大模型,实现普通对话和流式对话功能,步骤包括申请API-KEY、项目搭... 目录一、概述二、申请DeepSeek的API-KEY三、项目搭建3.1. 开发环境要求3.2. mav

C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)

《C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)》本文主要介绍了C#集成DeepSeek模型实现AI私有化的方法,包括搭建基础环境,如安装Ollama和下载DeepS... 目录前言搭建基础环境1、安装 Ollama2、下载 DeepSeek R1 模型客户端 ChatBo

Spring AI集成DeepSeek的详细步骤

《SpringAI集成DeepSeek的详细步骤》DeepSeek作为一款卓越的国产AI模型,越来越多的公司考虑在自己的应用中集成,对于Java应用来说,我们可以借助SpringAI集成DeepSe... 目录DeepSeek 介绍Spring AI 是什么?1、环境准备2、构建项目2.1、pom依赖2.2

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll

Spring AI Alibaba接入大模型时的依赖问题小结

《SpringAIAlibaba接入大模型时的依赖问题小结》文章介绍了如何在pom.xml文件中配置SpringAIAlibaba依赖,并提供了一个示例pom.xml文件,同时,建议将Maven仓... 目录(一)pom.XML文件:(二)application.yml配置文件(一)pom.xml文件:首

SpringBoot整合DeepSeek实现AI对话功能

《SpringBoot整合DeepSeek实现AI对话功能》本文介绍了如何在SpringBoot项目中整合DeepSeekAPI和本地私有化部署DeepSeekR1模型,通过SpringAI框架简化了... 目录Spring AI版本依赖整合DeepSeek API key整合本地化部署的DeepSeek