- 自主机器人的持续学习:基于原型的方法
未来的自主智能机器人面临着从非重复稀疏数据流中学习、检测新颖性并具备无监督学习能力的挑战。本文通过提出一种名为 Continually Learning Prototypes (CLP) 的基于原型的方法,解决了这一挑战。CLP 在 FS- - 城市环境下自主探索的楼梯定位
提出了一种用于机器人自主探索城市环境的楼梯定位方法,该方法采用了级联流水线的模块化设计,由楼梯检测、线段检测和楼梯定位模块组成,在仅使用单个 RGB-D 相机的情况下,通过深度学习算法实现了准确的楼梯检测和定位。
- ViSaRL:人眼显著性引导的视觉强化学习
用基于视觉显著性引导的强化学习(ViSaRL)来训练机器人从高维像素输入中执行复杂的控制任务,通过优化视觉表征,ViSaRL 显著提高了强化学习代理在不同任务上的成功率、样本效率和泛化能力。
- 基于数据驱动的机器人和虚拟角色运动信息编码的架构设计
我们提出了一个基于数据驱动的控制架构,用于修改机器人和人工化身的运动学,以编码由人操作驱动的化身或机器人运动中的特定信息,例如情感的存在与否。我们在一个取放任务的夹取阶段的实验数据集上验证了我们的方法。
- 家庭服务机器人的长期个性化交互式连续学习架构
我们结合了持续学习、语义推理和交互式机器学习的思想,并通过人机交互开发了一种新型的交互式持续学习架构,用于在家庭环境中不断学习语义知识。我们将该架构与一个物理移动机器人集成,并在实验室环境中进行了两个月的广泛系统评估。结果表明,我们的架构能 - ROS-Causal: 基于 ROS 的人机交互应用因果分析框架
该论文介绍了 ROS-Causal,这是一个基于 ROS 的框架,用于在人机空间交互中进行数据收集和因果推理,并通过 ROS 集成的临时模拟器展示了机器人在数据收集过程中生成因果模型的效果。
- RoboEXP:基于交互式探索的机器人操作行为条件化场景图
通过交互式场景探索,RoboEXP 系统利用动作条件的场景图(ACSG)有效建模并推进机器人在各种真实环境中的操作任务。
- 基于基础模型的复杂机器人指令可验证跟随
使机器人能够遵循复杂的自然语言指令是一个重要而具有挑战性的问题。我们提出了一种名为 LIMP 的方法,利用基础模型和时间逻辑生成以指令为条件的语义地图,使机器人能够验实地遵循具有开放词汇和复杂时空约束的丰富和长期的指令,并构建了一种可解释的 - 实时多模态复杂事件检测的神经和神经符号方法的实证评估
通过分析各种传感器数据以识别复杂事件模式,本研究调查了多模态复杂事件检测中神经和神经符号结构的性能,并证明了神经符号结构在事件识别方面具有卓越的性能。
- 基于对话交互和计算机视觉的工业 4.0 时代中与协作机器人集成的新方法
机器人自动化领域正在经历一种新趋势,将工人替换为机器人和机器人作为有帮助的同事,这对组件制造商来说是一个巨大的挑战。
- 基于社交动作预测的机器人交互行为生成
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 - 自适应开放环境下的关节化物体移动操控
在本研究中,我们介绍了一个全套解决方案,即开放世界移动操作系统,用于处理开放且无结构的环境中的真实关节对象操作,如真实世界中的门、柜子、抽屉和冰箱。我们还开发了一种低成本的移动操作硬件平台,能够在无结构环境中进行安全和自主的在线调整。
- 唱出电子身体:机器人具象对用户期望的影响
使用多模态特征预测用户对给定机器人的社交和物理能力的期望,这些特征提供了关于机器人的一般心智模型的信息,可以融入互动设计和物理设计中。
- 神经场与神经场的感知:手中操作的视觉触觉感知
通过结合视觉和触觉传感来估计物体的位置和形状,本研究展示了多模态感知在手持操纵中的作用,证明触觉能够在手持操纵过程中改进视觉估计并提供更准确的感知,旨在推动机器人灵巧性的发展。
- 人类反应模拟:利用基于声音的反应增强 NAO 的社交性
通过将人类的反应融入机器人中,可以显著提高机器人在人类中的可接受度和社交性。本研究探索了社交机器人中较少研究的部分,设计了一个多模态系统,通过感知环境并在突然出现大声音时展示人类自然恐惧反应,最终定位引起恐惧的声音来源。通过整合运动生成、声 - 利用人类凝视和增强现实在机器人人机交互中教授未知物体
通过结合眼动追踪和增强现实技术,本研究通过人机交互方式教授机器人未知物体,使其在 3D 空间中识别和可视化分割对象,并通过学习获得与现有数据集训练的先进对象检测器相当的性能,展示了其多功能和适应性。
- 坐标运动规划的参数化复杂性
在这篇论文中,我们解决了关于协调运动规划(CMP)的参数化复杂性问题,即最小化机器人数量和目标的问题。我们通过对问题的最优解的结构性洞察,建立了这两个问题在前者参数化条件下的固定参数可解性。此外,我们还证明了 CMP-L 在目标参数化条件下 - 未知环境下使用信息路径规划的半监督主动学习用于语义分割
使用自适应地图规划的半监督主动学习方法,结合高质量的人工标签和自动提取的伪标签,显著降低人工标注的需求,从而在减少人工标注工作量的同时,达到接近全监督方法的分割性能,超过自监督方法。
- 从 FOON 使用搜索算法检索任务树
通过使用智能机器人和通用函数面向对象网络(FOON)以及算法 IDS 和 GBFS,本文旨在研究厨房中的任务和目标的特定步骤与执行过程,以及不同算法的性能比较。
- 通过翻译人类交互计划实现推广的零射击操作
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。