开放的手臂:开源的机械臂、手和控制
本文提出了一个低成本,开源且适合深度强化学习的机器人平台来解决实验成本高的问题,该平台在机器人手眼协调和动作空间控制上进行了实验。
Aug, 2020
提出了一种低成本的智能非侵入式神经驱动假肢系统 MindArm,它使用深度神经网络将大脑信号翻译为假肢的运动,为患有残疾或运动障碍的人提供了一种替代的低成本的脑控假肢设备。
Mar, 2024
该论文提出了一个新的软件框架,用于与由 United Robotics Group 生产的第六代通用 NAO 机器人进行 HRI 实验。该框架独立于制造商提供的 API,并提供了 NAO 的基本技能和用于 HRI 的功能,如语音识别 / 合成、面部和物体检测以及使用生成预训练转换 (GPT) 模型进行对话。
Mar, 2024
通过将机械手臂整合到辅助机器人的已建立的 XR 框架中,通过评估三种不同的输入设备,为未来的发展提供经验证据,这项研究探索了在日常生活活动中与运动障碍个体的家庭护理密不可分的机械手臂,并通过初步研究提供了实证见解。
Jan, 2024
该研究提出了一种低成本的 LEAP 手型机器人手,具有新颖的运动结构,可在不同的手指姿势下实现最大的灵活性和机器学习研究,能在真实世界中执行多种操作任务,并在实验中明显优于竞争对手,成本只有 1/8。
Sep, 2023
通过增强现实(AR)远程操作系统,我们提出了一种自我监督的 6-DoF 抓取姿势检测框架,能够高效地学习人类示范,并提供不需要抓取姿势注释的 6-DoF 抓取姿势,实现了对未知物体进行仅仅通过三次示范就能够满意地学习抓取的能力。
Apr, 2024
本文提出了一种新的低成本硬件接口,用于收集人们在不同环境下的物品抓取演示,并利用这些数据通过强化学习训练出一种稳健的端到端六自由度闭环握取模型,并能成功地应用于真实机器人的握取任务中。
Dec, 2019
本文介绍了利用深度学习技术和迁移学习技术开发的机器人手臂假肢,通过 Google Inception 模型重新训练表面肌电图(sEMG)的分类层来对收集的数据进行分类,使用 Inception-v3 模型进行深度学习,并将其下载到基于 ARM 处理器的嵌入式系统上,实现对 3D 打印制造的脑控机器人手臂的控制。
May, 2020
本文基于深度学习和边缘云协作提出了机械臂抓取方法,并考虑了抓取效率和信息安全。使用 GAN 训练的编码器和解码器实现了图像加密压缩,同时保护了隐私安全,在 OCID 数据集上实现了 92% 的准确率、0.03% 的图像压缩比和 0.91 的结构差异度。
Sep, 2022