Talk｜加州大学圣地亚哥分校程旭欣：视觉反馈下足式机器人的全身操作与运动

最新推荐文章于 2024-09-18 17:01:50 发布
最新推荐文章于 2024-09-18 17:01:50 发布
阅读量1k 收藏 16
点赞数 22
分类专栏： 每周Talk上架 文章标签： 机器人 强化学习 四足机器人 运动
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hanseywho/article/details/136528749
版权

本期为TechBeat人工智能社区第576期线上Talk。

北京时间3月6日(周三)20:00，加州大学圣地亚哥分校博士生—程旭欣的Talk已准时在TechBeat人工智能社区开播！

他与大家分享的主题是: “视觉反馈下足式机器人的全身操作与运动”，向大家系统地介绍了如何使用简单却高效的方法将四足机器人的功能推向极限。

Talk·信息

▼

主题：视觉反馈下足式机器人的全身操作与运动

嘉宾：加州大学圣地亚哥分校博士生 程旭欣

时间：北京时间 3月6日(周三)20:00

地点：TechBeat人工智能社区

点击下方链接，即可观看视频！

TechBeatTechBeat是荟聚全球华人AI精英的成长社区，每周上新来自顶尖大厂、明星创业公司、国际顶级高校相关专业在读博士的最新研究工作。我们希望为AI人才打造更专业的服务和体验，加速并陪伴其成长。icon-default.png?t=N7T8https://www.techbeat.net/talk-info?id=854

Talk·介绍

▼

四足机器人的硬件能力不止局限于行走。附加的机械臂完成自动抓取，视觉反馈下的极限运动能力都是很有价值的探索方向。但是sim-to-real简单的 extension 并不足以实现这些功能。本次 talk 我们将介绍如何使用简单却高效的方法将四足机器人的功能推向极限。

Talk大纲

1、四足+attached arm 完成遥操作任务

2、用自身的腿完成操作任务和灵活运动

3、视觉反馈下全身控制的四足自动抓取

4、视觉反馈下的四足极限跑酷

Talk·预习资料

▼

Image

论文链接：  

https://manipulation-locomotion.github.io/resources/Deep-Whole-Body-Control.pdf

项目链接： 

https://manipulation-locomotion.github.io

Image

论文链接：   

https://robot-skills.github.io/resources/legmanip.pdf

项目链接：  

https://robot-skills.github.io

Image

论文链接：    

https://robot-skills.github.io/resources/legmanip.pdf  

项目链接：   

https://extreme-parkour.github.io

Talk·提问交流

▼

在Talk界面下的【交流区】参与互动！留下你的打call🤟和问题🙋，和更多小伙伴们共同讨论，被讲者直接翻牌解答！

你的每一次贡献，我们都会给予你相应的i豆积分，还会有惊喜奖励哦！

Talk·嘉宾介绍

▼

Image

程旭欣

加州大学圣地亚哥分校·博士生

程旭欣是UCSD的一年级博士生，导师是Xiaolong Wang，他的主要研究兴趣是足式机器人的全身控制。在 CMU 读机器人硕士期间，他的主要研究方向是利用强化学习实现四足机器人的全身控制，操作和运动, Deep Whole-Body Control 曾入围 CoRL 最佳系统论文, 导师为 Deepak Pathak。本科时期曾到 UC Berkeley 交流，导师为 Koushil Sreenath 。

个人主页: https://www.techbeat.net/grzytrkj?id=37845

关于TechBeat人工智能社区

▼

TechBeat(www.techbeat.net)隶属于将门创投，是一个荟聚全球华人AI精英的成长社区。

我们希望为AI人才打造更专业的服务和体验，加速并陪伴其学习成长。

期待这里可以成为你学习AI前沿知识的高地，分享自己最新工作的沃土，在AI进阶之路上的升级打怪的根据地！

更多详细介绍>>TechBeat，一个荟聚全球华人AI精英的学习成长社区

TechBeat人工智能社区
关注
专栏目录
自主创新榜:那跳动的中国芯
12-09
1月7日,星期六,北京大学微处理器研究开发中心,中心主任程旭教授正和同事们开会讨论“北大众志-863”CPU系统芯片的应用推广。更高性能的芯片研制也已初现曙光。“‘中国芯’要做成中国百姓的‘芯’。要让这颗芯跳动在...
零样本或少样本相关论文、数据集、代码、资源整理分享
lqfarmer的博客
12-28 2839
零样本学习（Zero-Shot Learning）是AI识别方法之一。简单来说就是识别从未见过的数据类别，即训练的分类器不仅仅能够识别出训练集中已有的数据类别，还可以对于来自未见过的类别的数据进行区分。这是一个很有用的功能，使得计算机能够具有知识迁移的能力，并无需任何训练数据，很符合现实生活中海量类别的存在形式。 在传统图像识别任务中，训练阶段和测试阶段的类别是相同的，但每次...
编译原理词法分析程旭
06-19
《编译原理：词法分析程旭》 在编程世界中，编译器扮演着至关重要的角色，它将人类可读的高级语言转化为计算机可执行的机器码。编译原理是研究这一过程的理论基础，其中词法分析是编译器前端的重要组成部分。本文将...
多目标最优解求导matlab程旭
07-24
这种算法通过模拟生物进化过程，通过选择、交叉和变异操作来迭代改进解的集合，最终得到一组非劣解。 在Pareto最右搜索算法中，目标是找到Pareto前沿的一个特定部分，即那些在所有目标中至少在一个目标上达到最优的...
java版商城源码下载-resume:恢复
06-05
本科/赣南师范大学计算机系 工作年限：2年 技术博客： Github: 期望职位：Java高级程序员 期望薪资：税前月薪12k~20k，特别喜欢的公司可例外（视城市、环境而定） 期望城市：福州 志趣和自我评价 喜欢Google 喜欢...
GCMS:垃圾分类管理系统
03-23
关于作者团队人员：安徽三联学院，程旭，梅林，张俭。人员负责：所有代码实现部分由本人（程旭）一人完成。项目计划书等由其他二人负责。开发日志2021.01.25项目开始，git和本地仓库准备完成。项目计划书仍在准备。 ...
6年前倒闭的机器人独角兽，再次杀入AGV市场
nickelwang的博客
09-12 913
导语大家好，我是社长，老K。专注分享智能制造和智能仓储物流等内容。新书《智能物流系统构成与技术实践》在科技创新的浪潮中，一个曾经辉煌又迅速陨落的企业正悄然重生，引发业界广泛关注。曾经的协作机器人鼻祖Rethink Robotics，在倒闭六年后重新出击，不仅推出新一代协作机器人，更大胆进军自主移动机器人（AGV）领域，宣告了一个新时代的到来。这一戏剧性的转折，不禁让人思考：技术创新与市场需求之间的...
自动化流程机器人（RPA）
weixin_45967584的博客
09-18 550
自动化流程机器人（RPA）
机器人的动力学——牛顿欧拉，拉格朗日，凯恩
carryoutw的博客
09-18 1079
比如：性能的能耗，振动的分析，精准定位，运动轨迹优化等等，一个具体的实际例子，在工业机器人中，实现高速的点到点之间的移动，要做到平滑的运动，这时就需要考虑到各个关节之间的速度和加速度之间的关系，换一个角度，还可以进行对设备电机的选型和降低成本等。同时，刚体的运动 可以描述成：质心的平动和绕质心转动的集合。番外：看了一下完整的机器人程序源码，给我的感悟对电机的感悟是一个，如果是以后在做diy的情况下，最好使用FOC算法的无刷电机，这个可以保证速度和位置的闭环，如果可以的话可以使用更高级的电机，伺服电机等。
波士顿机器人滑环的技术特点与应用前景
Panlink的博客
09-18 579
这种设计不仅提升了滑环的传输性能，还增强了机器人系统的数据处理能力，尤其在精密操作和高速度运动的应用场景中表现尤为突出。此外，波士顿机器人滑环的维护和更换也非常简便，用户可以通过简单的操作进行维护，减少了系统停机时间和维护成本。总的来说，波士顿机器人滑环凭借其优异的耐用性、卓越的信号传输能力、灵活的定制选项、环境适应能力以及经济性，为现代机器人技术的发展提供了强有力的支持。波士顿机器人滑环作为行业中的领先产品，具有多项独特的技术特点和优势，为各种机器人系统的高效运作提供了保障。
JSP学生学籍管理系统设计与实现(源代码+论文+开题报告+外文翻译+答辩PPT).zip
09-21
1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。
省市区数据，完成三级联动，选择地区
09-21
省市区数据，完成三级联动，选择地区
机械原理课程设计网球自动捡球机.doc
最新发布
09-21
机械原理课程设计网球自动捡球机.doc
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
09-21
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
借助于Ascend310 AI处理器完成深度学习算法部署任务，
09-21
应用背景为变电站电力巡检，基于YOLO v4算法模型对常见电力巡检目标进行检测，并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务，并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
基于深度学习的物体识别与抓取方法，六自由度机械臂，python编写程序.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
09-21
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
基于深度学习的多特征电力负荷预测.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
CenterNet 部署版本，便于移植不同平台（onnx、tensorRT、rknn、Horizon）
09-21
CenterNet 是一种用于目标检测的神经网络架构，它的核心思想是利用目标的中心点作为检测的关键信息。这种方法与传统的目标检测方法（如基于边界框的方法）有所不同，因为它不直接预测目标的边界框，而是预测目标的中心点坐标和目标的宽度与高度。 CenterNet 的主要特点包括： 1. **中心点预测**：网络输出目标的中心点坐标，以及目标的宽度和高度。 2. **热图（Heatmap）**：网络生成一个热图，其中每个像素点的值表示该点成为目标中心点的概率。 3. **回归任务**：除了中心点坐标，网络还需要预测目标的宽度和高度，这通常通过预测中心点周围的偏移量来实现。 4. **多任务学习**：CenterNet 通常会同时预测目标的类别、中心点坐标、宽度、高度以及目标的旋转角度（在某些变体中）。 5. **端到端训练**：CenterNet 可以直接在最终的目标检测任务上进行端到端的训练，无需复杂的区域提议网络（Region Proposal Network, RPN）或锚点（anchor）机制。 6. **高效性**：由于省略了传统目标检测中的一些步骤，CenterNe
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值