AI视野·今日CS.Robotics 机器人学论文速览
Thu, 4 Jan 2024
Totally 17 papers
👉上期速览✈更多精彩请移步主页

Daily Robotics Papers

Many-Objective-Optimized Semi-Automated Robotic Disassembly Sequences Authors Takuya Kiyokawa, Kensuke Harada, Weiwei Wan, Tomoki Ishikura, Naoya Miyaji, Genichiro Matsuda 这项研究解决了半自动化机器人拆卸操作的许多目标序列优化问题。为此，我们采用了受非支配排序遗传算法 NSGA III 启发的许多目标遗传算法 MaOGA 算法，以及使用存储在 3D 计算机中的 3 维 3D 几何信息从几何和机器人模拟中导出的面向机器人拆卸的约束和目标函数目标产品的辅助设计CAD模型。 MaOGA 首先基于接触和连接图 CCG 而不是随机染色体生成一组初始染色体，以避免陷入局部最小值并产生可重复的收敛。该优化对可行性和稳定性以及关于难度、效率、优先级和可分配性的目标函数施加约束，以生成满足半自动机器人拆卸的强制性要求下的许多优选条件的序列。 NSGA III 启发的 MaOGA 还利用非支配排序和带有参考线的小生境来进一步鼓励稳定的探索并统一降低整体评估值。

Fuzzy Logic Controller Design for Mobile Robot Outdoor Navigation Authors A. Wondosen, Dereje Shiferaw 世界各地的许多研究人员正在研究控制解决方案，以增强机器人在动态环境中自主导航的能力。然而，迄今为止，机器人的能力有限，地球和其他行星上的许多导航任务迄今为止都很困难。本文介绍了差动驱动轮式移动机器人控制系统的开发，该机器人根据给定的目的地信息以及通过安装的接近传感器和 GPS 传感器收集的周围数据自主控制其位置、航向和速度。该控制系统的智能是通过使用模糊逻辑算法来实现的，该算法是处理未建模系统（例如本研究中处理的动态变化环境）的非常强大的工具。模糊控制器用于解决与障碍物遍布的环境中的导航相关的问题。这些问题包括位置估计、路径规划和避障。本研究完成了系统的建模、设计和仿真。

A Soft Continuum Robot with Self-Controllable Variable Curvature Authors Xinran Wang, Qiujie Lu, Dongmyoung Lee, Zhongxue Gan, Nicolas Rojas 本文介绍了一种名为 SCoReS 的新型软连续体机器人，它能够在分段级别连续地自我控制其曲率，而以前的设计要么需要外力或机器元件，要么其可变曲率能力是离散的，具体取决于锁定机构和段的数量。具有可变曲率的能力，其控制是连续的且独立于外部因素，使得软连续体机器人在受限环境中更具适应性，类似于在自然界中观察到的大象鼻子或鸵鸟脖子，例如它们表现出多种曲率。为此，我们的软连续体机器人首次利用基于微粒颗粒干扰的可变刚度生长脊柱实现可重构的可变曲率。我们详细介绍了所提出的机器人的设计，通过梁理论和有限元分析模拟进行建模，并通过实验验证。

Distributed Pose-graph Optimization with Multi-level Partitioning for Collaborative SLAM Authors Cunhao Li, Peng Yi, Guanghui Guo, Yiguang Hong 分布式协同同步定位与建图 DCSLAM 的后端模块需要在分布式设置下求解非线性位姿图优化 PGO，也称为 SE d 同步。大多数现有的分布式图优化算法采用简单的顺序分区方案，这可能会由于每个机器人的地理位置不同而导致子图维度不平衡，从而施加额外的通信负载。此外，当前黎曼优化算法的性能还可以进一步加速。在这封信中，我们提出了一种新颖的分布式位姿图优化算法，将多级分区与加速黎曼优化方法相结合。首先，我们采用多级图划分算法对朴素位姿图进行预处理，以制定平衡优化问题。此外，受加速坐标下降法的启发，我们设计了改进的黎曼块坐标下降IRBCD算法，得到的临界点是全局最优的。最后，我们评估了四种常见的图划分方法对子图间相关性的影响，发现最高方案具有最佳的划分性能。

Motion Control of Interactive Robotic Arms Based on Mixed Reality Development Authors Hanxiao Chen 混合现实 MR 不断发展，以激发新的机器人操作模式，从而在第四次工业革命范式下实现更先进的人机交互。考虑到混合现实旨在连接物理和数字世界以提供特殊的沉浸式体验，因此有必要在已开发的MR场景中建立信息交换平台和机器人控制系统。在这项工作中，我们主要介绍了应用于不同交互式机械臂（例如 UR5、UR5e、myCobot）的多种有效运动控制方法，用于基于 Unity 的 MR 应用程序开发，包括 GUI 控制面板、文本输入控制面板、末端执行器对象动态跟踪和

Evaluation of automated driving system safety metrics with logged vehicle trajectory data Authors Xintao Yan, Shuo Feng, David J. LeBlanc, Carol Flannagan, Henry X. Liu 实时安全指标对于自动驾驶系统ADS评估驾驶情况的风险并协助决策非常重要。尽管文献中已经提出了许多实时安全指标，但缺乏对这些安全指标的系统性能评估。由于不同的安全指标采用不同的行为假设，因此很难比较安全指标并评估其性能。为了克服这一挑战，在本研究中，我们提出了一种利用记录的车辆轨迹数据的评估框架，获得主体车辆 SV 和背景车辆 BV 的车辆轨迹，并且可以消除由行为假设引起的预测误差。具体来说，考虑到 BV 的所有近期轨迹，我们检查 SV 是否在每个时刻都处于不可避免的碰撞情况。通过这种方式，我们为不同安全指标的公平比较奠定了基础，因为一个好的安全指标应该总是在碰撞不可避免的时刻提前发出警报。当获得大量行程的轨迹数据时，我们可以系统地评估和比较不同指标的统计性能。在案例研究中，使用大型模拟轨迹数据集评估了三个代表性的实时安全指标，包括碰撞时间 TTC、PEGASUS 临界指标 PCM 和模型预测瞬时安全指标 MPrISM。所提出的评估框架对于研究人员、从业者和监管机构表征不同指标并为不同应用选择适当的指标非常重要。

To Lead or to Follow? Adaptive Robot Task Planning in Human-Robot Collaboration Authors Ali Noormohammadi Asl, Stephen L. Smith, Kerstin Dautenhahn 自适应任务规划是确保有效、无缝的人机协作的基础。本文介绍了一种机器人任务规划框架，该框架考虑了人类主导的跟随偏好和性能，特别关注协作环境中的任务分配和调度。我们提出了一种主动的任务分配方法，其三个主要目标是提高团队绩效、纳入人类偏好以及维护人类对机器人和协作体验的积极看法。通过一项涉及自主移动机械手机器人与协作场景中的参与者一起工作的用户研究，我们确认任务规划框架成功实现了所有三个预期目标，从而有助于人类机器人协作中自适应任务规划的进步。

Optimizing UAV-UGV Coalition Operations: A Hybrid Clustering and Multi-Agent Reinforcement Learning Approach for Path Planning in Obstructed Environment Authors Shamyo Brotee, Farhan Kabir, Md. Abdur Razzaque, Palash Roy, Md. Mamun Or Rashid, Md. Rafiul Hassan, Mohammad Mehedi Hassan 无人驾驶飞行器 UAV 和无人驾驶地面车辆 UGV 联盟进行的最关键的应用之一是通过遵循最省时的路线同时避免碰撞来达到预定目标。不幸的是，无人机的电池寿命有限，而无人车则因障碍物和海拔变化而面临可达性的挑战。现有文献主要关注一对一的联盟，这限制了实现目标的效率。在这项工作中，我们为具有可变数量车辆的无人机 UGV 联盟引入了一种新颖的方法，采用改进的均值漂移聚类算法将目标分割为多个区域。每辆车都利用多智能体深度确定性策略梯度 MADDPG 和多智能体近端策略优化 MAPPO 这两种先进的强化学习算法，形成有效的联盟，在障碍环境中导航而不会发生碰撞。这种根据密度和范围将目标分配到各个圆形区域的方法可以显着减少达到这些目标所需的时间。此外，在联盟中引入无人机和无人地面车辆数量的可变性可以通过实现同时多目标交战来提高任务效率。

Demonstrating Mobile Manipulation in the Wild: A Metrics-Driven Approach Authors Max Bajracharya, James Borders, Richard Cheng, Dan Helmick, Lukas Kaul, Dan Kruse, John Leichty, Jeremy Ma, Carolyn Matl, Frank Michel, Chavdar Papazov, Josh Petersen, Krishna Shankar, Mark Tjersland 我们展示了我们的通用移动操纵系统，由定制机器人平台和涵盖感知和规划的关键算法组成。为了在野外广泛测试系统并对其性能进行基准测试，我们选择了在真实的、未经修改的杂货店中进行杂货购物的场景。我们从为期 18 个月、为期六周的现场测试中收集的详细机器人日志数据中得出关键性能指标。这些客观指标是从复杂但可重复的测试中获得的，它们推动了我们研究工作的方向，并让我们不断改进系统的性能。我们发现，对复杂的移动操纵系统进行彻底的端到端系统级测试可以作为对机器人技术最先进方法的现实检验。这有效地将机器人研究工作立足于现实世界的需求和挑战，我们认为这对于该领域的进步非常有用。

Human Leading or Following Preferences: Effects on Human Perception of the Robot and the Human-Robot Collaboration Authors Ali Noormohammadi Asl, Kevin Fan, Stephen L. Smith, Kerstin Dautenhahn 实现有效、无缝的人机协作需要两个关键成果：提高团队绩效，并培养人类对机器人和协作的积极看法。本文研究了所提出的任务规划框架通过将人类主导的跟随偏好和绩效集成到其任务分配和调度过程中来实现这些目标的能力。我们设计了一个协作场景，其中机器人自主地与参与者协作。用户研究的结果表明主动任务规划框架成功实现了上述目标。我们还探讨了参与者的领导力和追随风格对其协作的影响。

Design, Manufacturing and Open-Loop Control of a Soft Pneumatic Arm Authors Jorge Francisco Garc a Samart n, Adri n Rieker, Antonio Barrientos 软机器人与传统机器人的区别在于它采用灵活的运动学。由于它们最近出现，存在许多未知领域，包括新颖的执行器、制造工艺和先进的控制方法。这项研究的重点是气动软机器人的设计、制造和控制。主要目标是开发一种模块化软机器人，具有多个部分，每个部分具有三个自由度。这产生了具有五个独立自由度的管状结构，能够跨三个空间维度进行运动。物理结构采用锡固化硅胶和蜡铸造方法，通过迭代过程进行改进。填充硅胶的 3D 打印 PLA 模具可产生所需的模型，而膀胱状结构则使用固化石蜡阳模在内部形成。对于控制，采用了根据经验微调的开环系统。

Robust Control Barrier Functions using Uncertainty Estimation with Application to Mobile Robots Authors Ersin Das, Joel W. Burdick 模型不确定性对安全关键控制系统的实施提出了重大挑战。以此为动机，本文提出了一种安全控制设计方法，可以保证非线性反馈系统在存在匹配或不匹配的未建模系统动力学和外部干扰的情况下的鲁棒性。我们的方法将控制屏障函数 CBF 与新的不确定性干扰估计器结合起来，以确保针对输入和状态相关模型不确定性的稳健安全性。我们证明了估计器误差和估计输出的上限。我们使用基于不确定性估计器的复合反馈控制律，通过补偿匹配的不确定性来自适应地提高硬安全约束下的鲁棒控制性能。然后，我们使用这种不确定性估计和估计误差范围来增强现有的 CBF 约束，以通过二次程序 CBF QP 确保稳健的安全性。我们还将我们的方法扩展到更高阶的 CBF HOCBF，以实现无与伦比的不确定性下的安全性，这会导致控制输入和干扰方面的相对程度差异。我们假设相对度差至多为 1，从而产生二阶锥体 SOC 条件。所提出的鲁棒 HOCBF 方法在不确定弹性执行器控制问题的模拟中得到了证明。

DDN-SLAM: Real-time Dense Dynamic Neural Implicit SLAM with Joint Semantic Encoding Authors Mingrui Li, Jiaming He, Guangan Jiang, Hongyu Wang 我们提出了 DDN SLAM，一种专为动态场景设计的实时密集神经隐式语义 SLAM 系统。虽然现有的神经隐式 SLAM 系统在静态场景中表现良好，但它们经常在现实环境中遇到动态干扰的挑战，导致跟踪和建图无效。

Pontryagin Neural Operator for Solving Parametric General-Sum Differential Games Authors Lei Zhang, Mukesh Ghimire, Zhe Xu, Wenlong Zhang, Yi Ren 两个玩家一般和微分博弈的值是 Hamilton Jacobi Isaacs HJI 方程的粘性解。此类游戏的价值和策略近似值受到维度 CoD 的诅咒。通过物理信息神经网络缓解 CoD 当由于状态约束而出现值不连续性时，PINN 会遇到收敛问题。除了这些挑战之外，通常还需要在游戏参数空间中学习可概括的值和策略，例如，在信息不完整时进行游戏参数推断。为了应对这些挑战，我们在本文中提出了一种 Pontryagin 模式神经算子，该算子在具有参数状态约束的游戏的安全性能方面优于现有最先进的 SOTA。我们的主要贡献是引入了根据向前和向后的肋骨推出之间的差异定义的肋骨损失，这在计算上是便宜的。我们表明，在存在状态约束的情况下，肋动力学的不连续性可以有效地实现不连续值的学习，而无需像当前 SOTA 所建议的那样需要手动监督数据。

Indoor Obstacle Discovery on Reflective Ground via Monocular Camera Authors Feng Xue, Yicong Chang, Tianxi Wang, Yu Zhou, Anlong Ming 视觉障碍物发现是室内移动机器人自主导航的关键一步。成功的解决方案在多个场景中有很多应用。反射地面是例外之一。在这种情况下，地板上的反射类似于真实世界，这会混淆障碍物发现并使导航失败。我们认为，这个问题的关键在于获得反射和障碍的判别特征。请注意，障碍物和反射可以通过 3D 空间中的地平面分开。根据这一观察，我们首先引入一种基于预校准的地面检测方案，该方案使用机器人运动来预测地平面。由于机器人运动不受反射影响，该方案避免了反射导致的地面检测失败。给定检测到的地面，我们设计地面像素视差来描述像素相对于地面的位置。在此基础上，提出了一种统一的外观几何特征表示来描述矩形框内的对象。最终，基于检测框架分割，设计了外观几何融合回归器，以利用所提出的特征来发现障碍物。它还可以防止我们的模型过多地关注障碍物的一部分而不是整个障碍物。为了进行评估，我们引入了新的 Obstacle on Reflective Ground ORG 数据集，其中包含 15 个具有各种地面反射的场景，总共超过 200 个图像序列和 3400 个 RGB 图像。地面和障碍物的像素级注释提供了与我们的方法和其他方法的比较。通过减少反射的误检测，所提出的方法优于其他方法。

Off-Road LiDAR Intensity Based Semantic Segmentation Authors Kasi Viswanath, Peng Jiang, Sujit PB, Srikanth Saripalli LiDAR 用于自动驾驶，提供 3D 空间信息并实现越野环境中的准确感知，有助于障碍物检测、地图绘制和路径规划。基于学习的激光雷达语义分割利用机器学习技术对激光雷达点云中的对象和区域进行自动分类。由于存在具有不同颜色、纹理和未定义边界的不同对象，基于学习的模型在越野环境中表现不佳，这可能导致使用传统的基于几何的特征准确分类和分割对象的困难。在本文中，我们通过利用激光雷达强度​​参数来增强越野环境中的对象分割来解决这个问题。我们的方法在 RELLIS 3D 数据集中进行了评估，并产生了有希望的结果，作为初步分析，与更复杂的基于深度学习的基准相比，水坑和草地类的 MIoU 得到了改进。该方法经过了 Velodyne 和 Ouster LiDAR 系统之间的兼容性评估，确保其跨平台适用性。

SwapTransformer: highway overtaking tactical planner model via imitation learning on OSHA dataset Authors Alireza Shamsoshoara, Safin B Salih, Pedram Aghazadeh 本文研究了高速公路场景中有关变换车道和超越其他速度较慢的车辆的高层决策问题。特别是，本文旨在改进高速公路上自动超车和变道的旅行辅助功能。模拟中收集了约900万个样本，包括车道图像和其他动态物体。为了应对这一挑战，发布了模拟高速公路 OSHA 数据集上的超车数据。为了解决这个问题，设计并实现了一种名为 SwapTransformer 的架构，作为 OSHA 数据集上的模仿学习方法。此外，还提出了未来点和汽车距离网络预测等辅助任务，以帮助模型更好地理解周围环境。所提出的解决方案的性能与多层感知器 MLP 和多头自注意力网络作为模拟环境中的基线进行了比较。我们还展示了有和没有辅助任务的模型的性能。所有模型都根据不同的指标进行评估，例如完成每圈的时间、超车次数以及与速度限制的速度差。

Chinese Abs From Machine Translation

Papers from arxiv.org

更多精彩请移步主页

---

pic from pexels.com