AI视野·今日CS.Robotics 机器人学论文速览
Daily Robotics Papers
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Learning Joint Space Reference Manifold for Reliable Physical Assistance Authors Amirreza Razmjoo, Tilen Brecelj, Kristina Savevska, Ale Ude, Tadej Petri , Sylvain Calinon 本文介绍了一项关于使用 Talos 人形机器人执行辅助坐站或站坐任务的研究。在此类任务中，人类在极短的时间2 8 s内施加100 200 N的巨大力量，对人类的不可预测性和机器人的稳定性控制提出了重大挑战。为了解决这些挑战，我们提出了一种为机器人寻找空间参考的方法，该方法允许机器人根据人类施加的力移动并在任务过程中控制其稳定性。具体来说，我们关注为机器人找到一维流形的问题，同时假设一个简单的控制器来引导其在该流形上的运动。为了实现这一目标，我们使用函数表示来参数化流形并解决考虑机器人稳定性和人类行为的不可预测性的优化问题。 |
| The Hand-object Kinematic Model for Bimanual Manipulation Authors Jingyi Li 本文讨论了平面手指运动学，以寻求优化的操作策略。第一步是根据线性和旋转运动的几何特征进行建模，以便机器人可以选择手指配置。该运动学模型考虑了手和物体之间的运动。基于2个手指操作案例，该模型可以输出双手操作的策略。执行策略时，第二步是根据手指的末端方向寻找合适的指关节值。 |
| Transitional Grid Maps: Efficient Analytical Inference of Dynamic Environments under Limited Sensing Authors Jos Manuel Gaspar S nchez, Leonard Bruns, Jana Tumova, Patric Jensfelt, Martin T rngren 自主代理依靠传感器数据来构建其环境的表示，这对于预测未来事件和规划自己的行动至关重要。然而，传感器测量受到范围有限、遮挡和传感器噪声的影响。这些挑战在动态环境中变得更加明显，根据不同时间的传感器读数有效推断环境状态仍然是一个悬而未决的问题。这项工作的重点是根据先前的观察和对其动态的约束来推断环境动态部分的状态，即动态对象可能所在的位置。我们将问题形式化并引入过渡网格地图 TGM，这是一种有效的分析解决方案。 TGM 基于一组适用于许多实际场景的新颖假设。它们显着降低了问题的复杂性，能够基于已知的静态地图连续预测和更新整个动态地图（见图1），这将它们与其他替代方案区分开来。 |
| Ordering-Flexible Multi-Robot Coordination for MovingTarget Convoying Using Long-TermTask Execution Authors Bin Bin Hu, Yanxin Zhou, Henglai Wei, Yan Wang, Chen Lv 在本文中，我们提出了一种协作式长期任务执行 LTTE 算法，用于由一组机器人在不断变化的环境中弹性地保护移动目标进入有序柔性凸壳内部。特别是，通过设计目标接近和感知邻居无碰撞子任务，并将这些子任务纳入约束而不是基于在线约束的优化框架中的传统成本函数，所提出的LTTE可以系统地保证网络中不断变化的环境下的长期目标护航。维欧几里得空间。然后，引入松弛变量允许违反不同子任务的约束，即来自目标接近约束的吸引和来自时变防撞约束的排斥，这导致具有任意空间排序序列的所需形成。提供严格的分析来保证渐近收敛与时变无碰撞约束引起的具有挑战性的非线性耦合。最后，使用三个自主移动机器人 AMR 进行 2D 实验来验证所提出算法的有效性，并针对不断变化的环境因素（例如不同的初始位置、一些机器人突然故障和静态障碍物）进行 3D 模拟，以展示多维适应性 |
| UAV-borne Mapping Algorithms for Canopy-Level and High-Speed Drone Applications Authors Jincheng Zhang, Artur Wolek, Andrew R. Willis 本文对 UAV 无人机应用的最先进测绘算法进行了全面的回顾和分析，重点关注冠层和高速场景。本文对适用于无人机测绘的传感器技术进行了全面的探索，评估了它们提供满足快速无人机测绘要求的测量的能力。此外，该研究在模拟环境中进行了大量实验，以评估三种不同映射算法 Direct Sparse Odometry DSO、Stereo DSO SDSO 和 DSO Lite DSOL 的性能。这些实验深入研究了映射精度和映射速度，为了解每种算法的优点和局限性提供了宝贵的见解。结果凸显了这些算法在满足现代无人机应用需求方面的多功能性和缺点。这些发现有助于对无人机测绘动态的细致了解，强调其在复杂环境和高速场景中的适用性。 |
| Design and Nonlinear Modeling of a Modular Cable Driven Soft Robotic Arm Authors Xinda Qi, Yu Mei, Dong Chen, Zhaojian Li, Xiaobo Tan 我们提出了一种受章鱼触手启发的新型多节电缆驱动软机器人臂以及新的建模方法。模块化机械手的每个部分均由软管主干、软硅臂体和两个刚性端盖组成，端盖连接相邻部分并解耦不同部分的驱动电缆。柔性机械臂在刚性端盖3D打印后通过铸造制成，成本低且制造方便。为了捕获由于缺乏中间刚性电缆导向装置而导致的电缆推入软硅臂体的非线性效应，以实现更高的柔顺性，开发了一个分析静态模型来捕获弯曲曲率与电缆长度之间的关系。所提出的模型在实验中显示出优于基线模型的预测性能，特别是在大弯曲条件下。基于非线性静态模型，进一步开发了多节臂的运动学模型，并用于推导运动规划算法。实验表明，所提出的软臂具有较高的灵活性和较大的工作空间，并且基于所提出的建模方法的算法的跟踪误差比基于基线模型的算法的跟踪误差最多小52。 |
| Initial Analysis of Data-Driven Haptic Search for the Smart Suction Cup Authors Jungpyo Lee, Sebastian D. Lee, Tae Myung Huh, Hannah S. Stuart 吸盘提供了一种有用的抓取解决方案，特别是在工业机器人和仓库应用中。基于视觉的抓取算法（例如 Dex Net）显示出了前景，但难以准确感知黑暗或反射物体、低分辨率特征和遮挡，从而导致吸盘抓取失败。在我们之前的工作中，我们设计了智能吸盘，它可以估计吸盘内的流动状态，并提供机械弹性末端执行器，可以通过触觉通知手臂反馈控制。然后，我们演示了该杯子的信号如何实现触觉驱动的搜索行为，以便更好地抓住对抗性物体上的点。先前的工作使用基于模型的方法来预测所需的运动方向，这就提出了数据驱动方法是否表现更好的问题。本技术报告提供了利用先前收集的数据的初步分析。 |
| Kimera2: Robust and Accurate Metric-Semantic SLAM in the Real World Authors Marcus Abate, Yun Chang, Nathan Hughes, Luca Carlone 我们对 Kimera（一个开源度量语义视觉惯性 SLAM 库）进行了改进。特别是，我们增强了 Kimera VIO（为 Kimera 提供支持的视觉惯性里程计管道），以支持更好的特征跟踪、更高效的关键帧选择以及各种输入模式，例如单目、立体和 RGB D 图像以及车轮里程计。此外，Kimera RPGO 和 Kimera PGMO（Kimera 的位姿图优化后端）也进行了更新，以支持现代异常值拒绝方法，特别是分级非凸性，以提高对虚假闭环的鲁棒性。这些新功能在各种模拟和真实机器人平台上进行了广泛评估，包括无人机、四足动物、轮式机器人和模拟自动驾驶汽车。我们对几种最先进的视觉惯性 SLAM 流程进行了比较，并讨论了新版本 Kimera 的优缺点。 |
| Multi-Profile Quadratic Programming (MPQP) for Optimal Gap Selection and Speed Planning of Autonomous Driving Authors Alexandre Miranda Anon, Sangjae Bae, Manish Saroya, David Isele 平稳、安全的速度规划对于自动驾驶车辆的成功部署至关重要。本文提出了自动驾驶最佳速度规划的数学公式，该公式已在高保真模拟和具有实际约束的真实道路演示中得到验证。该算法使用广度优先搜索来探索时间和空间域中的内部流量间隙。对于每个间隙，二次规划都会找到最佳速度曲线，使时间和空间对与动态障碍物同步。据报道，Carla 中的定性和定量分析讨论了所提出算法的平滑性和鲁棒性。 |
| Design and Evaluation of a Socially Assistive Robot Schoolwork Companion for College Students with ADHD Authors Amy O Connell, Ashveen Banga, Jennifer Ayissi, Nikki Yaminrafie, Ellen Ko, Andrew Le, Bailey Cislowski, Maja Matari 患有多动症的大学生对简单的社交辅助机器人 SAR 做出了积极的反应，这些机器人可以监控注意力并提供非语言反馈，但研究仅在实验室中进行了简短的研究。我们为患有 ADHD 的大学生提供了宿舍 SAR 学习伴侣的初步设计和评估。这项工作代表了正在进行的以用户为中心的参与式设计过程的介绍阶段。在为期三周的受试者用户研究中，自述有成人 ADHD 症状的大学生 N 11 在宿舍中与 SAR 研究同伴一起呆了两周，并在基于计算机的系统中呆了一周。为了开发长期在宿舍使用的 SAR，我们重点关注 1 评估患有 ADHD 的大学生对 SAR 学习伙伴的可用性和需求，2 收集参与者有关 SAR 设计和功能的反馈。 |
| Sprout: Designing Expressivity for Robots Using Fiber-Embedded Actuator Authors Amy Koike, Michael Wehner, Bilge Mutlu 在本文中，我们探讨了软机器人技术如何帮助创建一种新的机器人表达形式。我们推出了 Sprout，一款富有表现力的软机器人，它通过改变身体形状来传达其内部状态。 Sprout 可以使用集成到其结构中的纤维嵌入式执行器来延伸、弯曲、扭曲和扩展。这些变形使芽苗菜能够表达其内部状态，例如，通过扩张来表达愤怒，向侧面弯曲身体来表达好奇心。通过两项用户研究，我们调查了用户如何解读 Sprout 的表情、他们对 Sprout 的看法以及他们对 Sprout 设计未来迭代的期望。 |
| Modularis: Modular Underwater Robot for Rapid Development and Validation of Autonomous Systems Authors Baker Herrin, Victoria Close, Nathan Berner, Joshua Herbert, Ethan Reussow, Ryan James, Cale Woodward, Jared Mindlin, Sebastian Paez, Nilson Bretas, Jane Shin 由于环境的复杂性，与其他领域相比，自主水下机器人通常需要更高的成本和时间进行演示。由于容量和有效负载灵活性有限，找到价格实惠、可定制且易受环境变化影响的现成水下机器人具有挑战性。专门的应用或任务可能需要定制水下机器人，但这个过程可能比购买现成的自主水下航行器 AUV 更昂贵、更耗时。为了应对这些挑战，我们提出了一种模块化水下机器人 Modularis，它可以作为开源测试台系统。 |
| Learning Crowd Behaviors in Navigation with Attention-based Spatial-Temporal Graphs Authors Yanying Zhou, Jochen Garcke 对于移动机器人来说，在与人类共享的动态环境中安全高效的导航仍然是一项开放且具有挑战性的任务。之前的工作已经证明了使用强化学习框架来训练高效导航策略的有效性。然而，当人群配置发生变化（即变得更大或更复杂）时，它们的性能就会恶化。因此，充分理解人群复杂、动态和精细的互动至关重要，从而为机器人导航带来主动和有远见的行为。本文提出了一种基于注意力机制的新型深度图学习架构，利用时空图来增强机器人导航。我们使用空间图来捕获当前的空间交互，并通过与 RNN 的集成，时间图利用过去的轨迹信息来推断每个智能体的未来意图。时空图推理能力使机器人能够更好地理解和解释代理之间在时间和空间上的关系，从而做出更明智的决策。 |
| Chinese Abs From Machine Translation |