AI视野·今日CS.Robotics 机器人学论文速览
Thu, 1 Jul 2021
Totally 11 papers
👉上期速览✈更多精彩请移步主页
Daily Robotics Papers
SimNet: Enabling Robust Unknown Object Manipulation from Pure Synthetic Data via Stereo Authors Thomas Kollar, Michael Laskey, Kevin Stone, Brijen Thananjeyan, Mark Tjersland 由于各种形状,材料,布置和照明条件,机器人操纵未知物体在非结构化环境中是一个具有挑战性的问题。即使具有大规模的现实世界数据收集,跨各种照明条件的稳健感知和操纵透明和反射物体仍然具有挑战性。为了解决这些挑战,我们提出了一种对机器人感知的实际转移来表现SIM的方法。使用模拟立体声数据作为输入和模拟对象分割掩码,3D定向边界框OBB,对象键点和差异作为输出的3D定位的对象分割掩码训练为单个多阵列神经网络。 SIMNET的一个关键组件是结合了预测差异的学习立体声子网络。 SIMNET在2D汽车检测,未知的物体检测和可变形对象键点检测中进行评估,并且显着优于使用结构化光RGB D传感器的基线。通过使用OBB和KeyPoint预测推断掌握位置,可以使用SIMNET在四个家庭环境中使用我们的丰田HSR机器人队列的简单和硬情景中的未知对象的结束操纵。在未知的对象掌握实验中,基线RGB D网络和SIMNET的预测使得大多数易于物体的成功掌握。然而,RGB D基线只有Hard为透明对象的GRASP 35,而SIMNET GRASPS 95则暗示SIMNET可以在未知环境中实现未知对象的强大操作,包括透明对象。 |
Arduino sensor integrated drone for weather indices: a prototype for pre-flight preparation Authors Theodore Karachalios, Dimitris Kanellopoulos, Fotis Lazarinis 商业气象站可以有效地收集指定区域的天气数据。然而,它们的接地传感器限制了可以记录的数据量,因此未能在诸如微尺度区域的局域中收集精确的气象数据。发生这种情况是因为微尺度区域的天气条件即使具有小的高度变化,也可以变化很大。目前,无人机运营商必须检查当地的天气状况,以确保安全和成功的航班。这项任务通常是前飞行准备的一部分。由于飞行条件和最重要的飞行安全受到天气的大大影响,因此无人机运营商需要为飞行区域提供更准确的本地化天气图阅读。在本文中,我们介绍了Arduino传感器集成的无人机,其内置的气象站,记录了垂直区域的天气状况,其中将部署无人机。 Asid是一种基于自主的无人机的系统,监测前飞行准备的天气条件。 ASID系统的操作基于运行自动飞行轮廓的Arduino微控制器,以记录温度,气压,湿度等的气象数据.Arduino微控制器还拍摄地平线的照片,以实现可见性的客观评估,基座和云的数量。 |
Robust Inertial-aided Underwater Localization and Navigation based on Imaging Sonar Keyframes Authors Yang Xu, Ronghao Zheng, Meiqin liu, Senlin Zhang 成像声纳在自主水下车辆AUV中的水下定位和导航中表现出比光学摄像机更好的灵活性。然而,水下声学特征的稀疏性和声纳帧中的仰角的损失已经施加了退化案例,即根据基于优化的或基于EKF的同时定位和映射SLAM的受约束或不可接受的情况。在这些情况下,相对模糊的传感器姿势和地标不能进行三角形。为了处理这一点,本文提出了一种基于声纳关键帧KFS和弹性滑动窗口的鲁棒成像声纳方法。进一步分析了退化案例,并证明了两种行动中的2D地标的三角化性质。这些退化案例是受到区分的,并且通过显着标准选择声纳KF来提取并保存来自先前的声纳测量的信息。结合惯性测量,提出了弹性滑动窗口后端优化,以主要利用过去的突出声卡帧并限制优化规模。比较实验验证了所提出的方法的有效性及其对来自错误数据关联的异常值的稳健性,即使没有循环关闭。 |
Embedded out-of-distribution detection on an autonomous robot platform Authors Michael Yuhas, Yeli Feng, Daniel Jun Xian Ng, Zahra Rahiminasab, Arvind Easwaran 机器学习ML正在积极地发现现代网络物理系统CPS,其中许多是安全关键实时系统。众所周知,当测试数据是关于模拟训练和验证数据的新颖时,ML输出不可靠,即,分发OOD测试数据。我们在实时嵌入式自治鸭斑上实施无监督的深神经网络的探测器并评估检测性能。我们的OOD探测器可以在我们设计的制动试验床上停止鸭子的紧急情况下的87.5的成功率。我们还提供关于在DuckieBot上的机器人操作系统ROS中间件特定于特定于机器人操作系统ROS中间件的资源挑战的案例分析。 |
Decomposing the Prediction Problem; Autonomous Navigation by neoRL Agents Authors Per R. Leikanger 导航世界是任何生活实体的基本能力。在技术中实现了相同程度的自由,已被证明是困难的。大脑是唯一能够自愿导航的已知机制,使神经科学成为自主主义的最佳启示源。假设状态表示是关键,我们探讨大脑和机器如何代表导航状态的差异。当加强学习R1需要根据马尔可夫特性需要单片状态表示,欧几里德空间NRES的神经表示反映了通过分布式激活模式的导航状态。在通过实验验证我们的理论发现之前,我们展示了导向的NRES定向的RL Neorl代理。最终,Neorl代理能够穿过状态空间的行为合成,允许将问题分解成较小的空间,减轻了维度的诅咒。 |
Biologically Inspired Model for Timed Motion in Robotic Systems Authors Sebastian Doliwa, Muhammad Ayaz Hussain, Tim Sziburis, Ioannis Iossifidis 该工作的目标是在特定考虑时间稳定的特定考虑下,在机器人系统中依次定时运动动作的运动模型的发展,这是保持近似恒定的整体运动时间同步行为。这在模拟和物理机器人系统中都证明了拦截三维空间中的移动目标的任务。动机来自人形运动,时序发挥着重要作用,以产生与动态环境的互动的自然主义行为,以及在线上的自适应规划和执行动作序列。在生物系统中,许多生理和解剖功能遵循特定的周期性和稳定化,这在对外部干扰的一定程度上表现出一定程度的弹性。其主要方面是稳定运动时机与有限的扰动。特别是人的臂运动,即当达到某个目标点,构成或配置时,显示稳定行为。该工作包括利用扩展卡尔曼滤波器EKF,其被实施为预测目标位置,同时应对非线性系统动态。生物系统中的周期性和时间稳定由Hopf振荡器人工产生,产生用于平滑和可重复运动的正弦速度曲线。 |
Deep Multi-Modal Contact Estimation for Invariant Observer Design on Quadruped Robots Authors Tzu Yuan Lin, Ray Zhang, Justin Yu, Maani Ghaffari 这项工作有关开发基于深度学习的联系估算,用于绕过物理接触传感器的需要,并从联合编码器,运动学和惯性测量单元中获取多模态的预知感官数据作为输入。与基于视觉的状态估计不同,预型状态估算变得不可知论者对感知劣化的情况,如黑暗或有雾的场景。对于有脚机器人,可靠的运动学和联系数据是开发出人的国家估算。虽然有些机器人配备有专用接触传感器或弹簧来检测接触,但有些机器人没有专用的接触传感器,并且添加这种传感器是非微不足道的,而不重新设计硬件。训练有素的深网络可以准确地估计不同地形和机器人Gaits上的联系,并沿着联系人辅助不变扩展卡尔曼滤波器部署以生成内径轨迹。该滤波器可相实地执行艺术视觉SLAM系统的状态。 |
Survivable Robotic Control through Guided Bayesian Policy Search with Deep Reinforcement Learning Authors Sayyed Jaffar Ali Raza, Apan Dastider, Mingjie Lin 许多机器人操纵技能可以用确定性特征表示,并且存在有效的技术来学习参数化的电机计划,以获得这些技能。然而,在机械故障的情况下,有效的研究挑战仍仍然是为了维持操纵能力。理想情况下,像生物生物一样,机器人代理应该能够通过适应动态对手来重新配置其控制政策。在本文中,我们提出了一种方法,该方法允许代理在机械损失的情况下存活,并自适应地学习损害自由度的操纵,我们称之为能够生存的机器人学习SRL。我们的主要思想是利用贝叶斯政策梯度来编码后部估计中的知识偏差,这反过来在样本效率方面减轻了未来的政策搜索探索,与随机探索基于策略搜索方法相比。 SRL代表了作为高斯过程的政策前沿,当真正的梯度是棘手的,通过将导向偏差与先前重放的代理结合,允许对近似后的近似的近似的计算。我们评估我们提出的方法,以防止货架模型自由学习算法DDPG,在遇到增量故障仿真的六脚踏机器人平台上测试,我们的实验表明,我们的方法在很大程度上改善了所有失效模式中的样本需求和定量成功比率。可以查看我们的实验的示范视频 |
Koopman Spectrum Nonlinear Regulator and Provably Efficient Online Learning Authors Motoya Ohnishi, Isao Ishikawa, Kendall Lowrey, Masahiro Ikeda, Sham Kakade, Yoshinobu Kawahara 大多数现代化的加强学习算法沿着轨迹优化累积单步成本。优化的运动通常是不自然的,例如具有突然加速的行为,浪费能量和缺乏可预测性。在这项工作中,我们通过Koopman Spectrum的最小化在受控动态的Koopman运算符中,通过最小化的Koopman频谱来介绍控制非线性系统的新颖范式。这诱导更广泛的动态行为,这些行为在稳定的歧管上发展,例如非线性振荡器,封闭的环,以及平滑运动。我们证明,在该范例中,累积成本不可能的一些动态实现是可行的。此外,我们为我们的问题提供了一种可透明的在线学习算法,以便在某些结构假设下享受亚线性遗憾。 |
RICE: Refining Instance Masks in Cluttered Environments with Graph Neural Networks Authors Christopher Xie, Arsalan Mousavian, Yu Xiang, Dieter Fox 在杂乱环境中分段,不间断的对象实例是机器人在非结构化环境中运行时的重要功能。虽然以前的方法表现出有希望的结果,但它们仍然倾向于在高度杂乱的场景中提供不正确的结果。我们假设一个网络架构,该架构在高级编码对象之间的关系可能是有益的。因此,在这项工作中,我们提出了一种通过利用基于曲线图的实例掩码的图形来改进此类方法的输出的新框架。我们培训能够对分段进行智能扰动的深度网络,以及可以编码对象之间关系的图形神经网络来评估扰动的分割。我们所提出的方法与以前的作品正交,并在与它们结合时实现最新的现有性能。我们展示了一种应用程序,该应用程序使用我们的方法产生的不确定性估计来指导操纵器,从而有效地了解杂乱的场景。可以找到代码,模型和视频 |
Learning to Map for Active Semantic Goal Navigation Authors Georgios Georgakis, Bernadette Bucher, Karl Schmeckpeper, Siddharth Singh, Kostas Daniilidis 我们认为看不见环境中的目标目标导航问题。在我们看来,解决这个问题需要学习上下文语义前提,鉴于室内环境的空间和语义变异,这是一个具有挑战性的努力。当前方法学习通过在仅限于代理可观察区域的空间表示上运行的目标导向策略函数来隐式编码这些前瞻。在这项工作中,我们提出了一种新颖的框架,它积极学习在代理视野之外生成语义地图,并利用未观察区域的语义课程的不确定性来决定长期目标。我们证明,通过这种空间预测策略,我们能够在可以在未知环境中利用的场景中学习语义前沿。此外,我们展示了如何通过在寻找语义目标期间使用剥削进行勘探来定义不同的目标。我们的方法在TATTPORT3D DataSet提供的视觉现实环境中验证,并在对象目标导航任务上显示最先进的状态。 |
Chinese Abs From Machine Translation |