当前机器人拾取方法的管道通常包括几个阶段：抓握姿势检测，寻找检测到的姿势的逆运动溶液，计划无碰撞轨迹，然后用开放环轨迹执行对Grasp Pose的执行。低级跟踪控制器。虽然这些抓握方法在将静态对象掌握在台式顶上方面表现出良好的性能，但在受约束环境中抓住动态对象的问题仍然是一个开放的问题。我们提出了神经运动场，这是一种新颖的对象表示，将对象点云和相对任务轨迹编码为由神经网络参数化的隐式值函数。以对象为中心的表示形式在SE（3）空间上建模了连续分布，并使我们能够通过利用基于采样的MPC来反应地执行握把以优化此值函数。
translated by 谷歌翻译
机器人需要能够从用户学习概念，以便将其功能调整到每个用户的唯一任务。但是当机器人在高维输入上运行时，如图像或点云，这是不切实际的：机器人需要一种不切实际的人类努力来学习新概念。为了解决这一挑战，我们提出了一种新方法，其中机器人学习概念的低维变体，并使用它来生成更大的数据集，用于在高维空间中学习概念。这使得只有在训练时间等地访问的语义上有意义的特权信息，如对象姿势和边界框，这允许更丰富的人类交互来加速学习。我们通过学习介词概念来评估我们的方法，这些概念描述了对象状态或多对象关系，如上面，近，近或对齐，这是用户规范任务目标和机器人的执行约束的关键。使用模拟人类，我们表明，与直接在高维空间中的学习概念相比，我们的方法可以提高样本复杂性。我们还展示了学习概念在7 DOF法兰卡熊猫机器人上的运动规划任务中的效用。
translated by 谷歌翻译