Dec, 2023

基于学习的碰撞场中的有限 Fourier 级数最优运动规划

PDF
TL;DR利用有限傅立叶级数表示连续时间运动，并提出一种调整每个机械手关节运动谐波的新规划方法。通过对动能和潜在能量进行求和计算出机械手运动谐波的哈密顿量。使用支持向量机和高斯核函数学习基于碰撞的哈密顿量，实验证明我们的方法具有高可靠性和效率。
finite fourier seriesmotion harmonicsplanning methodcollision detectionsupport vector machine
发现论文，激发创造
  • 基于物理知识的神经运动规划在约束流形上的应用

    基于物理模型的约束运动规划 (CMP) 框架通过解决约束流形上的 Eikonal 方程并训练神经网络函数，能够高效地解决各种 CMP 问题，包括物体操作和高维机器人操作等复杂情境。

    Mar, 2024

  • 使用混合最小值原理求解刚体动力学带碰撞的最优控制

    提出一种解决混合动力系统最优控制问题的算法，通过解决混合最小原则 (HMP) 导出的方程，采用逐步逼近法，解决了由不连续性产生的多个数字挑战，其准确性和收敛性均优于基于梯度下降的直接方法和深度强化学习方法。

    May, 2022

  • 频率感知模型预测控制

    通过提出基于频率的成本函数在轨迹优化中实现对于机器人模型误差的鲁棒性设计，从而增加运动规划的稳定性和兼容性。在通过模拟和硬件实验优化动作规划并在机器人 ANYmal 上进行实验后，成功地提高了机器人对于不确定环境和具有不同活动性的地形的适应性。

    Sep, 2018

  • 用符号距离场学习模型进行操作规划

    本文提出了一种基于优化的操作规划框架，其中目标是学习表示场景中物体的符号距离场的学习功能。我们通过代表物体的符号距离场来展示表示对象的方法不仅可以学习和表示多种模型，而且比点云和占用度量表示具有更高的准确性，并适用于基于优化的规划。我们通过学习运动学和动力学模型来解决在钩子上挂杯子和在桌子上推动物体等任务，这些任务都可以在相同的研究框架下解决，因为符号距离场是对象的共同表示。

    Oct, 2021

  • 使用深度神经网络在约束流形上进行快速运动规划

    本文介绍了一种新颖的学习规划框架，探讨了通过利用约束流形和神经规划方法来生成满足任意一组约束的规划，并以短常数时间计算它们的方法。

    Jan, 2023

  • 物理知识引导的神经运动规划的渐进式学习

    提出了一种新的 Eikonal 方程组合方式和逐步学习策略，用于在复杂、杂乱、多高维机器人运动规划情境中训练神经网络。实现结果表明，该方法在计算规划速度、路径质量和成功率方面均显著优于最先进的传统 MP、数据驱动 NMP 和物理信息 NMP 方法，并且可缩放到多个复杂、杂乱情境以及狭窄通道的实际机器人执行情境。

    Jun, 2023

  • 无需数据学习简化运动学

    本研究旨在自动识别高维物理系统中低能量状态下的低维子空间，通过使用神经网络来将低维潜在向量映射到完整的配置空间，并提出了对于任意系统兴趣的训练方案，为非线性、弹性体、布料子空间以及碰撞刚性体和连杆等更一般的系统都提供了有效的解决方案，可以用于操纵、标记插值和采样等应用.

    May, 2023

  • 构建最优轨迹问题的价值函数及其在图像处理中的应用

    本文提出了一种解决 Hamilton-Jacobi 方程的算法，用于优化车辆在指定区域内行驶的最佳轨迹问题，旨在利用数值方法来找到最小化行驶成本和终端成本的轨迹，并将此算法应用于图像处理领域。

    Mar, 2013

  • 基于学习的多智能体系统运动规划中的 CART: 碰撞避免和鲁棒跟踪增强

    本文介绍了 CART，一种分析方法，旨在增强一个非线性多智能体系统的基于学习的分布式动态规划策略，独立于学习误差，具有实时的避碰和强鲁棒性保证，并正式推导出安全滤波器和强鲁棒滤波器的解析形式，证明了这些结果进一步扩展到使用收缩理论的一般控制仿形非线性系统。

    Jul, 2023

  • 基于数据的一般哈密顿动力学预测 —— 学习精确辛映射

    使用生成函数的神经网络逼近演化映射，以实现非线性时间序列的学习和预测。

    Mar, 2021