Mar, 2023

草莓团控深层功能预测控制及触觉预测

PDF
TL;DR本文提出了一种基于数据驱动前向模型和机器人触觉预测的新方法来解决机器人推动任务中的物理机器人交互问题，并将该模型融入到深度函数预测控制系统中，以控制物体的位移。实验结果表明，该控制器可以成功地控制机器人操纵任务中的物理机器人交互问题，并能够将方法推广到其他物体和任务中。
physical robot interactiondata-driven forward modeldeep functional predictive controlrobotic manipulation taskstactile predictions
发现论文，激发创造
  • 触觉操纵：基于深度预测模型的触控控制

    本文中，我们提出了一种深度触觉模型预测的方法，结合高分辨率触觉传感器，通过无监督自主交互生成模型以从原始触觉传感器输入进行学习，并将学习到的模型用于将物体重新定位到用户指定的配置，从而实现非握持操作的触觉控制。

    Mar, 2019

  • 从模拟到机器人的触觉基连续力控制策略转移

    使用触觉传感器，并通过模型无关的深度强化学习方法实现力量控制，能够在仿真环境中进行训练，然后转移到实际机器人上，实现模拟到实际的迁移。

    Nov, 2023

  • 深度触觉模型预测控制的机器人辅助穿衣

    介绍了一种深度循环预测模型，可预测机器人给予人体的服装施加的力量，该模型使用从模拟环境中收集的数据进行自我监督训练，为机器人的穿衣辅助提供了更好的解决方案。

    Sep, 2017

  • 自主草莓采摘机器人系统（Robofruit）

    通过开发具有模块化设计、2.5 维自由度摘取器，以及新型感知系统进行草莓采摘，本文提出的解决方案可以高效、可靠地摘取整个草莓园中的草莓，有效避免了对水果的损害，具有很好的应用前景。

    Jan, 2023

  • 结合视觉和触觉感知进行视频预测

    本论文探究将触觉感应应用于物理机器人相互作用的视频预测模型，结果表明增加触觉反馈有助于提高场景预测准确性和增强机器人在物理相互作用过程中的感知和理解能力。

    Apr, 2023

  • 通过信念空间控制学习主动触觉感知

    机器人在开放环境中操作时，会遇到未知的物理特性的新对象，需要通过交互来感知这些特性，并利用生成的世界模型来估计物体的物理参数，并开发一种信息收集模型预测控制器，以自主学习触觉探索策略。我们的研究在虚拟环境中评估了这种方法，发现我们的方法能够以直观的方式高效地收集关于所需特性的信息。最后，我们在真实机器人系统上验证了我们的方法，成功地从零开始学习和执行信息收集策略以估计物体的高度。

    Nov, 2023

  • RoboPack: 学习基于触觉信息的密集装箱动力学模型

    利用视触知觉感知和深度学习的方法来进行机器人操作，其中结合了视触反馈，通过学习神经网络模型进行物体状态估计和未来状态预测。通过使用真实世界的数据进行训练，该模型可以在在线适应中进行触觉信息驱动的预测，具有较强的有效性。

    Jul, 2024

  • 动作条件下的触觉预测：滑动预测案例研究

    本研究提出了两种新型的数据驱动的行动条件触觉预测模型，用于预测真实世界中机器人交互任务期间的触觉信号，并使用我们的新颖触觉数据集对这些模型进行了比较，结果显示我们的模型在定性、定量和滑动预测得分方面都具有优越性。

    May, 2022

  • 接触筛选：零件匹配的交互式触觉感知

    本文章提出了一种使用基于视觉的触觉传感器进行交互式感知的方法，其中训练了一个深度神经网络来预测任意形状的零件的概率对应关系，并设计了一个粒子滤波器来优化感知任务并提高机器人操作的效率。

    Mar, 2023

  • LeTac-MPC：学习型模型预测控制在触觉反应抓取中的应用

    LeTac-MPC 是一种基于学习的模型预测控制（MPC）方法，通过利用视觉基于触觉传感器 GelSight 的高分辨率触觉反馈，实现了对不同物体物理特性的动态和力交互任务中的稳健抓取控制。

    Mar, 2024