通过学习人类常常防范的对策,我们提出一种新颖的博弈论框架,用于联合规划和预测,以提高机器人在人群导航中的安全性。
Aug, 2023
人体运动预测是高效和安全的人机协作的重要步骤。我们提出了一种新颖的人体运动预测框架,该框架在高斯过程回归模型中结合了人体关节约束和场景约束,以在一定时间范围内预测人体运动。该框架还结合了在线上下文感知约束模型来利用任务相关的运动,并在人机协作设置中使用 UR5 机器人手臂实现了实时性能。模拟和实验结果表明,当明确考虑这些约束条件时,高斯过程框架的性能得到了显著改善。
Oct, 2023
本文提出了一种新的框架来处理机器人导航中预测人类动态的问题,该框架将人类运动(或轨迹)和骨骼姿态预测这两个任务统一起来,并考虑到了场景和社交上下文等多种因素,最终在两个社交数据集上表现优异。
Jul, 2020
ManiPose 是一个旨在推进姿势多变的操作任务研究的开创性基准,它包含模拟环境、数据集和基准,并在姿势估计、姿势感知操作和真实机器人技能迁移等方面取得了显著进展。
Mar, 2024
近年来,人与机器之间的有效和安全协作在第四工业革命场景中变得极为重要。而实现这种协作范式的一个关键前提就是准确理解机器人在其环境中的三维姿态。因此,在本文中,我们介绍了一种利用深度数据来准确确定机器人关节的三维位置的新型基于视觉的系统。具体而言,我们证明了所提出的系统通过共同学习预测未来姿态的能力,能够提高当前姿态估计的准确性。事实上,我们引入了姿态预测的概念,即系统利用对未来的学习知识来改善对当前姿态的估计能力。我们在两个不同的数据集上进行了实验评估,展示出最先进且实时的性能,并验证了所提出方法在机器人和人类场景下的有效性。
本文提出了一种以机器学习为基础的家庭机器人物品操控规划框架,该框架结合了大规模众包数据集和三种不同形态的语言特征,使得即使对于未曾见过的物品,家庭机器人也能够对其进行操控。
Apr, 2015
我们研究如何通过大量的人类视频数据学习机器人在与未知对象交互时的多样化操作技能,采用分解方法从人类视频数据中学习人类如何完成期望任务,并将其转化为机器人的行为,从而实现零样本通用操作。
Dec, 2023
在本文中,我们提出了一种在共享的人机表示空间中建模社交动作预测的方法,通过这种方法我们能够合成与人类在社交场景中相互作用的机器人动作,即使在运动训练中没有观察到任何机器人。我们开发了一种名为 ECHO 的基于 Transformer 的架构,在上述共享空间中操作来预测社交场景中遇到的个体未来动作。与先前的工作相反,我们重新制定了社交动作问题,将其视为根据周围的个体来改进预测的单个动作的问题,这有助于训练,并且在场景中只有一个人时允许进行单个动作预测。我们在多人和人机动作预测任务中评估了我们的模型,并且取得了领先的性能,而且具有高效和实时执行的特点。此外,我们的定性结果展示了我们的方法通过文本命令生成可控制的人机交互行为的有效性。
Feb, 2024
该研究介绍了一种预测和规划机制,该机制通过目光和手势作为模型输入来预测人类意图,并实时移动向人类指定的位置,以实现人机协作的高效安全的物体递交。
Mar, 2022
本论文提出一种基于无标注训练数据的方法,结合深度动作条件视频预测模型和模型预测控制,使真实机器人能够进行非抓取操作,比如推动物体,并且可以处理训练过程中没有出现过的新物体。
Oct, 2016