Jul, 2023

四足机械臂快速物体视觉伺服和抓取的运动学分离阻抗控制

PDF
TL;DR本研究提出一种基于解耦臂运动链和阻抗控制的物体搜索、接近和抓取（SAG）控制流程，它集成了基于图像的视觉伺服（IBVS），可用于任何移动平台（轮式或履带式车辆），但最适合于具有对干扰的反应性的四足操纵器。其中，阻抗控制的柔顺性使得机器人在与人类和环境的交互时更安全。在我们配备了 7 个自由度机械臂的 140 kg HyQReal 四足机器人上进行的各种实验中，我们展示了所提出方法的性能和稳健性，包括动态移动、在外部干扰下的跟踪和目标物体的快速运动。
发现论文，激发创造
  • 视觉引导的物体抓取

    本文介绍一种视觉伺服方法，用于对象抓取和更一般地，将末端执行器与对象对齐的问题。首先，我们扩展了 Espiau 等人提出的方法 [1]，适用于没有安装在被控制机器人上的相机，并强调实时估计图像雅可比的重要性。其次，我们展示了如何使用非校准的立体摄像头设置，在三维射影空间中表示抓取或更一般地表示两个物体之间的对齐。这种三维射影表示是视角无关的，可以轻松映射到图像设定点，不需要任何关于相机参数的知识。第三，我们对视觉伺服算法的性能和这种方法能够获得的抓握精度进行了分析。

    Nov, 2023

  • 一个用于四肢动物运动研究的开放式扭矩控制模块化机器人架构

    本文介绍一种基于低成本，低复杂度的驱动模块的开源扭矩控制步态机器人系统，具有适合于阻抗和力控制的高扭矩无刷直流电机和低齿轮比传动，通过标准塑料 3D 打印和现成零件组装可以制作出轻便、廉价的机器人。同时，作者们还演示了一种基于 kino-dynamic 优化器的前馈接触力控制器，结合质心与基础定向的阻抗控制器可以稳健地监管机器人的复杂运动。

    Sep, 2019

  • 使用模拟深度图像学习真实世界机器人抓取的视觉动作控制器

    该研究提出了一种用于机器人抓取的闭环控制器的学习方法，该方法使用卷积神经网络学习关于图像的真实抓取的距离函数，可以应对虚拟和真实噪声传感器图像中的机械误差，感知误差和抓握时物体的不确定性。

    Jun, 2017

  • 人形机器人的分层视觉运动控制

    在此项工作中，我们使用基于任务的高层控制器与低层运动控制器结合的体系结构，开发了一个控制物理仿真的复杂人形智能体的系统，以解决需要在环境中移动并从 RGB 摄像机中检测物体的任务。

    Nov, 2018

  • 用于空中操纵的视觉惯性远程操作

    本文提出了一种新型的遥操作系统，其结合了触觉设备和虚拟现实，为遥操作者提供 3D 视觉反馈，通过利用机载视觉和惯性传感器、对象跟踪算法和对象数据库实现。通过室内和室外实验，我们证明了提出的系统在实现高级空中操作任务方面的优势，包括抓取、放置、施力和插销孔插入。

    Mar, 2020

  • 神经机器人握取中的逆向运动学与人形机体代理

    该研究论文介绍了一种新颖的零射击运动规划方法，允许用户快速设计机器人在笛卡尔空间中平滑运动。该方法基于贝塞尔曲线的笛卡尔平面将其转化为关节空间轨迹，采用我们的神经启发式逆运动学（IK）方法 CycleIK，通过将其扩展到任意机器人设计，实现了平台独立性。该运动规划器在两个人形机器人 NICO 和 NICOL 的人机协作抓取场景中进行了评估。我们在核心上采用一个大型语言模型（LLM）作为其实体化代理，并将我们最初为 NICOL 引入的实体化代理推广到 NICO，并允许用户以口头方式指导不同的机器人执行一组离散的物理动作。我们为其动作空间贡献了一个抓取原始动作，可以精确操纵家庭物品。新的 CycleIK 方法在仿真中与流行的数值逆运动学求解器和最先进的神经逆运动学方法进行了比较，并在算法运行时间非常短的情况下表现出与或超过所有评估方法。该抓取原始动作在 NICOL 和 NICO 机器人上进行了评估，并分别报告了每个机器人的抓取成功率为 72％至 82％。

    Apr, 2024

  • 结构化环境下软柔性臂位姿控制的视觉伺服

    本文提出了一种基于卷积神经网络的方法，针对软臂在结构化环境下实现视觉伺服平稳可靠的 3D 定位，通过神经网络对所需的位置控制器进行预测并使用比例控制法减少误差。

    Feb, 2022

  • 从示范中学习视觉四足机器人的运动和操作技能

    四足机器人在人类环境中的逐渐整合以及与实际场景中物体的互动通过将运动 - 操纵过程分解为低层次的强化学习和高层次的行为克隆，我们使得四足机器人能够仅使用其腿部完成现实世界的操纵任务，并通过模拟和实际实验验证了我们的方法。

    Mar, 2024

  • 快速学习四足动物在复杂地形上的敏捷奔跑

    使用无模型强化学习在仿真环境下训练的，基于镜像世界神经网络的四足机器人运动控制器具有极强的抗扰动性能和泛化能力，能够协调机器人的动作频率和运动速度，实现更加自然和合理的运动模式。

    Jul, 2022

  • 用深度强化学习控制 Solo12 四足机器人

    在本论文中，我们首次实现了基于深度强化学习的韧性端到端控制器在 Solo12 四足机器人上的应用，通过学习关节阻抗参考值来实现。我们详细介绍了学习过程和在真实机器人上的迁移方法。在实验中，我们展示了 Solo12 机器人作为一个开放源码平台在学习与控制相结合的研究中的适用性，因为学习到的控制器易于迁移和部署。

    Aug, 2023