学习关节物体运动模型的概率框架
该论文介绍了一种通过捕捉物体的深度图像来获取其运动学模型的方法,以便于机器人能够独立使用这些物体,这种方法不需要先前的物体模型,并使用了稀疏(无标记)特征跟踪、运动分割、组件姿态估计和运动学习等技术。
Feb, 2015
通过神经网络模型,本研究提出一种新的框架来明确分解关节物体的部分运动,通过预测部分表面上的点的转换矩阵,使用空间连续的神经隐式表示来平滑地建模部分运动,在对不同类别的关节物体进行实验的数量化和质量化结果证明了我们的方法的有效性。
Nov, 2023
通过在大型语言模型(LLMs)中引入物体的运动学知识,我们提出了一个运动学感知的提示框架,来生成各种物体操作的低层运动轨迹航点,从而实现智能机器人的通用操控。我们的实验结果表明,该框架在 8 个已知物体类别上表现优于传统方法,并且在 8 个未知的关节式物体类别上展现出强大的零样本能力。同时,我们在 7 个不同的物体类别上进行的真实世界实验也证明了该框架在实际场景中的适应性。
Nov, 2023
本文介绍了一种将移动机器人操作任务的规划问题转化为学习问题的方法,并提出了一种基于 ArtObjSim 模拟器的快速和灵活的 SeqIK+$ heta_0$ 运动规划表示方法和相应的学习模型,该方法在测试时可以快速准确地预测关节式对象的运动计划。
Mar, 2023
通过学习不同类别的各种关节物体,我们提出了一种新颖的可推广关节建模和操纵框架 (GAMMA),可以从根本上改善对未知和跨类别关节物体的建模和操纵性能。
Sep, 2023
采用基于视觉的系统和神经网络,我们提出了一种使用密集的向量场来预测各种关节物体的潜在运动的方法,并在此基础上展开手部的运动规划用于操纵各种对象,实验结果表明该系统在模拟和现实世界中均取得了最优良好的表现。
May, 2022
本论文提出了一种基于自监督学习的方法,仅仅通过一组彩色图像就能够学习到一个关节物体类的几何、外表和动作的表示,从而实现这些语义维度的独立控制,该方法不需要形态学的注释,相对于现有的采用 3D 直接监督的各种方法,使用本方法只需 2D 观测即可恢复更精准的几何和外观,并且具有少样本重建、新关节生成和新视角综合生成等众多应用。
May, 2022
本篇研究提出了一种基于概率滤波方法的实时、精确估算机器人末端执行器的相机坐标系下位置的方法,并且避免了在与视觉目标的跟踪方法组合时需要进行帧变换的问题。通过建模和纠正测量误差和机器人模型不准确性,在卡尔曼滤波测量的基础上进行基于坐标粒子滤波的异步深度图像更新,使搜索所需的计算量更少。作者在真实机器人平台上进行了定量评估,并通过开放源代码的方式公开了数据集和算法,以便与其他方法进行比较。
Oct, 2016