AI视野·今日CS.Robotics 机器人论文速读 Wed, 23 Jun 2021 Totally 14 papers ???更精彩请移动主页
Daily Robotics Papers
| Analysis of Executional and Procedural Errors in Dry-lab Robotic Surgery Experiments Authors Kay Hutchinson, Zongyu Li, Leigh A. Cantrell, Noah S. Schenkman, Homa Alemzadeh我们的目标是开发一种自动检测潜在错误动作的方法，导致机器人辅助手术中最佳外科医生的性能和安全临界事件。 |
| Formation Control with Lane Preference for Connected and Automated Vehicles in Multi-lane Scenarios Authors Mengchi Cai, Chaoyi Chen, Jiawei Wang, Qing Xu, Keqiang Li, Jianqiang Wang, Xiangbin Wu多车道道路是现实世界交通系统的典型场景。根据他们的路线和目的地，车辆通常更喜欢车道。一些现有的研究讨论了控制车辆在所需车道上行驶的问题。本文提出了在不同车道上考虑车辆偏好的控制方法。 Bi电平控制框架用于规划车辆碰撞运动，其中上层实施相对目标分配和路径规划，下层实施轨道规划和跟踪。考虑Lane根据给定的分配结果，偏好的碰撞多车辆路径规划和非降低成本和规划自由路径计算分配列表。基于冲突的搜索CBS该方法用于根据给定的分配结果规划车辆的碰撞路径。研究案例，模拟三车道道路场景。结果表明，与基于规则的方法相比，提出的地层控制方法显著高流量体积的拥堵，提高了交通效率。 |
| Experiments in Artificial Culture: from noisy imitation to storytelling robots Authors Alan F. T. Winfield, Susan Blackmore本文介绍了集体社会机器人的一系列实验，长期旨在构建文化进化的体现模式。初步实验表明，一组社会机器人的行为传统出现了，社会机器人被编程来模仿我们称之为这些副本的行为。这些实验表明，嘈杂的i.。少于完美的保真模仿，防止真实物理机器人提供自然的社会学习变化。基于模拟的内部模型，最近的实验工作扩展了机器人的认知能力，并配备了简单的人工心理理论。通过这种扩展能力，我们在当前的工作中探索，社会学习旨在模拟这种非常人类的文化传播模式，而不是模仿机器人机器人讲故事。本文介绍了这些实验、实验和结果的方法和灵感，以及研究计划的可能方向。我们希望本文不仅讨论讨论，还测试假设和故事的建议。 |
| A Survey on Human-aware Robot Navigation Authors Ronja M ller, Antonino Furnari, Sebastiano Battiato, Aki H rm , Giovanni Maria Farinella日常生活中智能系统的一部分越来越多，无缝融入了难以想象的世界。另一方面，这些系统的物理性能仅用于特定的应用，通常仅限于功能角色。娱乐和军事领域。鉴于社区当前增长和创新机器人导航的主题，人类机器人互动和人类活动的认可似乎很快就会改变。机器人越来越容易获得和使用，一般来说，它们的接受程度正在增长。然而，可以作为伴侣作用的社会兼容机器人的设计需要考虑各种研究领域。本文涉及社会兼容机器人的导航，并对相关研究领域的现有解决方案和可能的未来方向进行了调查。 |
| Total Least Squares for Optimal Pose Estimation Authors Saeed Maleki, John Crassidis, Yang Cheng, Matthias Schmid该工作提供了一个姿势估计问题的理论框架，用于使用来自地标特征的矢量观测总比例。首先，从点云特征中提取的观察向量的观察向量准备优化框架。然后，派生错误协方差表达式。通过衍生优化框架获得的姿态和位置解决方案证明CrAM R RAO下限根据姿态误差的小角度近似限制。通过一系列矢量观察扫描提供用于模拟问题的测量数据，假设完全填充的观察噪声协方差矩阵作为成本函数中的重量，以覆盖传感器不确定性的最常规情况。在这里，以前的衍生来扩大姿势估计问题，包括误差中的相关性，而不是各向同性噪声假设的例子。提出的解决方案是在蒙特卡罗框架中模拟1万个样本，以验证错误协方差分析。 |
| SA-LOAM: Semantic-aided LiDAR SLAM with Loop Closure Authors Lin Li, Xin Kong, Xiangrui Zhao, Wanlong Li, Feng Wen, Hongbo Zhang, Yong Liu基于LIDAR的SLAM该系统允许比其他系统更准确、更稳定，路闭合检测仍然是一个开放的问题。随着点云的3D语义分割的发展可以很容易地获得语义信息，并可以获得先进的智能和导电。基于语义辅助激光雷达，本文提出了一种新颖的语义辅助激光雷达LoAM的Loop闭合，名为SA Loam，它利用了内径测量的语义以及环路闭合检测。具体来说，我们提出了语义辅助ICP，基于语义图的位置识别方法包括语义匹配、下采样和平面约束，并在我们的环路闭合检测模块中集成。从语义上看，我们可以提高本地化的准确性，有效地检测回路闭环，即使在大规模场景中也可以构建全局一致的语义地图。基提和福特校园数据集的广泛实验表明，与最先进的方法相比，我们的系统显著提高了基线性能，具有解读数据的泛化能力，实现了竞争力。 |
| Distributed Heuristic Multi-Agent Path Finding with Communication Authors Ziyuan Ma, Yudong Luo, Hang Ma搜索多代理路径MAPF对大型机器人系统至关重要。最近的方法加强了学习RL，在一些可观察的环境中学习分散的钢路。获得自由政策的基本挑战是代理商需要学习合作来处理拥挤。本文结合了与深Q学习的通信MAPF通过图表卷积实现合作，提供了一种基于学习的新方法。为了引导Long Horizo n目标面向任务RL在算法上，我们以单源最短路径的潜在选择为启发性指导，而不是在最现有的项目中使用特定的路径。我们的方法独立对待每个代理，并从单一代理的角度培训模型。最终培训策略适用于分散执行的每个代理。培训期间分发整个系统，在课程学习策略下进行培训。障碍环境中的实证评价显示了我们方法平均步骤的高成功率。 |
| Be your own Benchmark: No-Reference Trajectory Metric on Registered Point Clouds Authors Anastasiia Kornilova, Gonzalo Ferrer本文解决了在没有地理姿势的条件下评估轨迹质量的问题或当他们的准确性不足以进行特定任务时，在室外场景中的小规模映射。在我们的工作中，我们提出了一个没有参考度量，相互正交的度量映射映射，其通过轨迹姿势估计来自注册点云的地图的质量。妈妈与完整参考轨迹度量相对姿势错误强烈关联，使其成为采用3D传感技术的设置的轨迹基准工具。我们为这种相关性提供了数学基础，并在统计上确认合成环境。此外，由于我们的指标使用来自相互正交表面的点子集，因此我们提供了一种用于提取这种子集的算法，并评估其在合成卡拉环境和基蒂数据集中的性能。 |
| Failing with Grace: Learning Neural Network Controllers that are Boundedly Unsafe Authors Panagiotis Vlantis, Michael M. Zavlanos在这项工作中，我们考虑学习饲料前进神经网络NN控制器的问题，以在紧凑且障碍物遮挡的工作空间中安全地操纵任意形状的平面机器人。与依赖于靠近安全状态空间边界的数据点密度强烈依赖的现有方法，以训练具有闭环安全保证的NN控制器，我们提出了一种方法，该方法升温在实践中难以满足的数据上的这种假设而是允许优雅的安全违规，即可以在空间控制的有界幅度的情况下。为此，我们采用可达性分析方法来封装培训过程中的安全限制。具体地，为了获得闭环系统的正向可达集合的近似的计算上有效，我们将机器人的状态空间分配到单元中并自适应地细分包含可以在训练的控制法下逃脱安全集的状态的小区。为此，我们首先设计适合机器人S足迹的近似和近似，以便自适应地将配置空间细分为细胞。然后，在每个单元的正向可到达集之间使用重叠和该组可行的机器人配置作为安全违规的衡量标准，我们将惩罚术语引入损失函数，以惩罚训练过程中的重叠。因此，我们的方法可以为闭环系统学习一个安全的矢量字段，同时，在整个配置空间上提供对安全违规的数字最坏情况界限，由前向可达的近似值之间的重叠定义封闭的循环系统和设置不安全状态集。此外，它可以控制这些界限的计算复杂性和紧密性之间的权衡。最后，我们提供了一种仿真研究，验证了拟议方案的功效。 |
| Three-dimensional bipedal model with zero-energy-cost walking Authors Sergey Pankov我们研究了三维铰接刚体搭配模型，其具有零运输步道Gaits成本。由于模型S部件的齐全的振荡运动完全消除了脚踏碰撞，因此避免了能量损失。该模型由通过通用接头连接的两部分组成。它不依赖于任何几何形状改变机制，无麻或簧。尽管模型简化，但其碰撞Gaits具有有限速度，脚间隙和地面摩擦的特征。可以在小运动限制中分析分析碰撞频谱，无限地揭示多种周期性模式。该模式在步行循环的不同阶段的矢状和冠状平面振荡的数量不同。我们专注于具有最小数量的这种振荡的模式，提出了完整的分析解决方案。然后，我们将其向朝向一般非小型运动解决方案演变。可以通过调整单个型号参数来调整一般的碰撞模式。一些呈现的结果显示出令人惊讶的一般性和普遍性。 |
| Robust EMRAN based Neural Aided Learning Controller for Autonomous Vehicles Authors Sauranil Debarshi, Suresh Sundaram, Narasimhan Sundararajan本文介绍了基于在线发展神经网络的基于神经网络的逆动力学学习控制器，用于在模型不确定性和干扰下的自主车辆纵向和横向控制。使用具有动态径向基函数神经网络的反馈误差学习机制来近似车辆的逆动力学，称为扩展最小资源分配网络EMRAN。 Emran使用扩展的卡尔曼滤波方法来学习，并且增长的修剪条件有助于保持隐藏神经元的最小数量。在线学习算法有助于处理不确定性和动态变化以及道路上的未知干扰。所提出的控制架构采用EMRAN逆动态控制器辅助两个耦合的传统控制器。控制架构具有传统的PID控制器，用于巡航控制和用于路径跟踪的斯坦利控制器。将纵向和横向控制器的性能与现有的控制方法进行比较，结果清楚地表明，所提出的控制方案更好地处理干扰和参数不确定性，并且还提供更好的追踪性能在自动车辆中。 |
| SeqNetVLAD vs PointNetVLAD: Image Sequence vs 3D Point Clouds for Day-Night Place Recognition Authors Sourav Garg, Michael Milford地点识别是移动机器人本地化和导航的关键能力。基于图像或视觉地位识别VPR是一个具有挑战性的问题，因为场景外观和摄像机观点可以在重新求地的地方显着变化。与传统序列分数聚集或单图像基础技术相比，基于顺序表示的最近的VPR方法已经显示了有希望的结果。与这些努力平行，在基于深度学习的点云处理的进步之后，基于3D点云的地方识别也正在探讨。然而，一个关键问题仍然是基于显式的3D结构的位置表示总是优于基于RGB图像序列的隐式空间表示，其可以固有地学习场景结构。在这种扩展的摘要中，我们尝试通过考虑类似的公制范围来比较这两种类型的方法来表示位置。我们将3D点云的方法PointVlad与基于图像序列的方法SEQNET等，并展示了基于图像序列的技术方法，甚至可以超越通过基于点云的方法来实现给定度量标准的方法。这些性能变化可以归因于输入传感器的数据丰富度的差异以及移动机器人的数据累积策略。虽然对苹果对比的完美苹果可能不可行，但对于这两个不同的方式可能是可行的，而所呈现的比较朝着回答空间表示的更深层次问题的方向迈出了阶段，与自动驾驶和增强虚拟现实等若干应用相关。源代码可公开可用 |
| A Competitive Analysis of Online Multi-Agent Path Finding Authors Hang Ma我们研究在线多代理路径查找MAPF，其中新代理商随着时间的推移不断揭示，所有代理商必须在给定的目标位置找到碰撞的路径。我们概括了离线MAPF到在线MAPF的复杂性结果。我们将在线MAPF算法分为不同类别，基于1个可控性，它们可以在每次计划和2合理性他们规划和研究它们之间的关系的理性和研究它们之间的途径。对于常用的客观函数，我们对每个类别的在线MAPF算法进行竞争分析。我们表明，一种天真的算法在序列中一次进行一个新揭示的代理，实现了竞争比率，其在流动时间和MEPESPAN的代理的数量下方和上述竞争比率。然后，我们展示了一个反向直观的结果，如果不允许更合理的在线Mapf算法，包括计划所有新揭示的药剂的最佳路径的任何理性的在线MAPF算法，甚至是幼稚算法的最佳路径。 2D 4邻居网格。我们还在允许REROUTING的任何Rational Online MapF算法的竞争比率上获得恒定的下限。因此，结果为第一次在线设置中使用MAPF算法的有效性提供了理论上的见解。 |
| BEyond observation: an approach for ObjectNav Authors Daniel V. Ruiz, Eduardo Todt随着自动化的兴起，无人驾驶车辆成为商业产品的热门话题，作为科学研究主题。它构成了一个多学科领域的机器人，包括嵌入式系统，控制理论，路径规划，同时定位和映射SLAM，场景重建和模式识别。在这项工作中，我们展示了对传感器数据融合和最先进的机器学习算法的探索性研究可以执行称为视觉语义导航的体现人工智能E AI任务。此任务，A.K.A对象目标导航objectNav由自主导航使用自主视觉观察，在没有事先知识的情况下，使用Enocentric的视觉观测到达属于目标语义类的对象。我们的方法达到了栖息地挑战2021 Objectnav的第四位，在牧场相和试验标准阶段。 |
| Chinese Abs From Machine Translation |
Papers from arxiv.org
更多精彩请移步主页
pic from pexels.com