合拢式远程操作:自信地将人类输入映射为高维机器人动作
本文研究采用运动传感器技术对有限活动能力的人体上半身动作进行捕捉,将其作为输入来控制 7 自由度辅助机器臂。通过对两位参与者的实验数据进行初步分析,观察到利用机器智能可以发现高维机器人控制中一些关键的难点和不一致性,从而促进未来接口学习的发展。
Oct, 2021
在这项研究中,我们通过进行一项预先注册的随机对照试验,提供给人类被试一些确定度集合,从而研究了确定度集合对人类决策的辅助作用。结果表明,使用确定度集合来量化模型的不确定性对于人机合作决策和人工智能团队非常有帮助。
Jan, 2024
本文探讨了利用潜在动作来提高人类对辅助机器人的远程操纵效率的问题,并设计了一种基于任务示范的远程操纵算法,该算法通过提出的控制性,一致性和可伸缩性原则来评估不同的低维度嵌入,并进行了两个用户研究来验证性能。研究结果表明,利用潜在动作的辅助机器人的远程操纵效率更高,也更易于使用。
Sep, 2019
该研究论文重点探讨了传感器运动控制器观测量分布的变化检测和反应问题,通过使用符合性预测的量位分位数作为输入设计切换策略,实现了传感器分布漂移的检测,并在仿真的自动驾驶和四足机器人主动感知的两个应用案例上验证了其优势和限制。
Nov, 2023
自动化系统越来越多地使用端到端训练的控制器进行实现。本文提出了一种将详尽的闭环验证与高维控制器相连接的方法。我们的关键见解是,高维控制器的行为可以用不同状态空间区域的几个低维控制器来近似。为了平衡逼近和可验证性,我们利用最新的验证感知知识蒸馏。然后,如果低维可达性结果受到统计逼近误差的膨胀,它们就可以为高维控制器提供高可信度的可达性保证。我们研究了两种膨胀技术 -- 基于轨迹和动作 -- 它们在两个 OpenAI gym 基准测试中都表现出令人信服的性能。
Nov, 2023
这篇论文研究了对语言指导的机器人团队的任务规划问题,通过使用大型语言模型(LLMs)和基于分散式的 LLM 规划器来提高任务成功率,并采用符合预测(CP)方法来量化分布式不确定性,使机器人能够在任务中根据自身的不确定性作出决策。
Feb, 2024
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
机器学习系统中风险量化与控制的研究,集中在处理 ML 系统收集自身数据时产生的数据分布变化问题,通过扩展 conformal prediction 理论以适应任意数据分布,并提出了针对特定数据分布的可行算法,以解决这一挑战。
May, 2024
通过提供前馈多模态反馈,使用更新的 ADMC 建议,使用户能够实时比较当前和建议的映射,我们通过对比两种新方法的有效性,即 a) 不断推荐更新的 DoF 组合,或者 b) 在当前机器人运动和新建议之间使用离散阈值,在 Virtual Reality (VR) 面对面研究中与经典控制方法进行比较,降低了任务完成时间,减少了模式切换次数,显著降低了感知的工作负荷,证明了在前馈的情况下,ADMC 方法可以超越经典模式切换。连续和阈值之间没有明显的定量差异表明以用户为中心的定制选项的重要性,将这些影响纳入开发过程将提高可用性,对成功实施具有高用户接受度的机器人技术至关重要。
Jul, 2023