使用视觉、用户意图推断和人机共同控制的框架,旨在解决机器人远程操作系统中的挑战,同时缓解大脑 - 计算机接口下的噪音和错误低维度运动指令问题。我们使用共同控制辅助框架对两个使用了颅内脑机接口的受试者进行实验,并取得了显着的性能提升,在门的开启、从容器中倒液体和在密集且杂乱的环境中使用新型物品等任务中进一步展示了我们架构的可扩展性。
Mar, 2015
这篇论文提出了一种名为 “Cyber-Physical POMDP” 的模型,将目标导向通信和网络控制相结合,以实现分散的移动机器人的协调,通过联合训练可以显着提高总体性能并可导致通信行动的隐式协调。
Feb, 2023
本文提出一种具有自适应性的算法,使得现有的强化学习代理可以在机器和人类代理之间进行控制转换,在类似环境中可以找到多个转换策略序列,并演示了该算法在半自动驾驶场景中具有优越性。
Feb, 2020
自动驾驶是一项新兴技术,本论文提出了一种基于深度强化学习的参数化决策框架,AUTO,在感知多模态状态特征基础上设计了图形模型来学习多模态语义特征的状态表示,并通过混合奖励函数考虑安全、交通效率、乘客舒适度等因素,以生成最佳行动。通过广泛实验,证明了 AUTO 在宏观和微观效果上领先于现有技术。
Dec, 2023
人机协作中,共享控制提供了一个机会来远程操作机器人操纵,以提高制造和装配过程的效率。本文提出了一种层次化的意图估计技术,通过将多尺度层次信息纳入神经网络中,提高了整体准确性。此外,我们还提出了一种多窗口方法,用于分配合适的层次预测窗口输入数据。各种输入的预测能力分析表明,深度层次化模型在预测准确性和早期意图识别方面具有优势。我们在虚拟现实环境中实现了该算法,通过各种装配任务的仿真,展示了在线估计的有效性。
Mar, 2024
本研究旨在引入一种新颖的多目标强化学习框架,确保任务的安全执行,优化目标之间的权衡,并符合用户的偏好。该框架包含两个主要层次:多目标任务规划器和高层选择器。通过案例研究和基准测试,证明了我们的框架在操作和移动机器人方面优于其他方法,并且能够学习多个最优权衡解决方案,符合用户的偏好,并允许用户调整优化权衡的平衡。
Jun, 2024
本研究考虑了机器人群和远程无线控制任务中的有效通信问题,并提出使用基于 VQ-VAE 编码的 DRL 动态适应量化级别的方案来提高系统性能。
Jan, 2023
本文提出了一种基于深度强化学习的半自主控制方法,可帮助外科机器人在手术过程中完成一些简单但重复的操作,用户实验表明此框架可将手术时间缩短 19.1%,行程长度缩短 58.7%。
Apr, 2022
我们提出了一种沉浸式远程操作系统 Open-TeleVision,用于收集机器人学习演示所必需的在机器人上的数据,通过在一个立体的方式中使操作者主动感知机器人的周围环境,并将操作者的手臂和手部动作映射到机器人上,创造出一种沉浸式的体验,我们通过在真实环境中收集数据并训练模仿学习策略,验证了我们系统的有效性。
Jul, 2024
本文介绍了一个基于视频游戏的界面、一个自主任务助手,以及在具有挑战性的不同类型的未知的地下环境中使用异构多智能体系统测试和部署,该工作通过人 - 自主团队平台提高了多智能体系统的人类监督控制,减少了应用切换、任务规划、执行和验证的开销,同时增加了可用的探索时间。