机器人设计优化，模仿学习和系统标识共享一个常见的问题，该问题需要对机器人或任务参数进行优化，同时在优化机器人运动的同时。为了解决这些问题，我们可以使用可区分的最佳控制，以使机器人运动相对于参数的运动的梯度。我们提出了一种通过敏感性分析（SA）通过差分动态编程（DDP）算法进行分析分析计算这些梯度的方法。我们表明，计算梯度时必须包括二阶动力学项。但是，在计算运动时，我们不需要包括它们。我们验证我们在摆和双摆系统上的方法。此外，我们比较使用使用迭代线性二次调节器（ILQR）的衍生物，该线性二次调节器（ILQR）在Kinova ARM的共同设计任务上忽略了这些二阶术语，我们在其中优化了目标机器人的链路长度达到任务。我们表明，使用ILQR梯度忽略二阶动力学的优化会影响衍生物的计算。取而代之的是，使用DDP梯度优化，对于一系列初始设计，使我们的公式扩展到复杂的系统。
translated by 谷歌翻译
我们为腿部机器人和动态操作的计算共同设计提供了一个多功能框架。当前的最新方法通常基于随机采样或并发优化。我们提出了一种新型的二元优化方法，该方法利用运动计划子问题的衍生物（即较低级别）。这些运动规划衍生物使我们能够将任意的设计约束和成本纳入通用非线性计划（即上层）。我们的方法允许在较低级别使用任何可区分的运动计划者，还允许捕获任意设计约束和成本的高层。它有效地优化了机器人的形态，有效载荷分布和执行参数，同时考虑其完整的动态，关节限制和物理约束，例如摩擦锥。我们通过设计跳跃和小跑的四倍机器人来演示这些功能。我们证明我们的方法能够为这些任务设计一个更节能的独奏机器人。
translated by 谷歌翻译
在过去的几十年中，虚拟领域的许多方面都得到了增强，从亚马逊的Alexa和Apple的Siri等数字助手到出现到重新品牌的Meta的最新元元努力。这些趋势强调了产生对人类的影像性视觉描述的重要性。近年来，这导致了所谓的深层和说话的头部生成方法的快速增长。尽管它们令人印象深刻和受欢迎程度，但它们通常缺乏某些定性方面，例如纹理质量，嘴唇同步或解决方案以及实时运行的实用方面。为了允许虚拟人类化身在实际场景中使用，我们提出了一个端到端框架，用于合成能够语音的高质量虚拟人脸，并特别强调性能。我们介绍了一个新的网络，利用Visemes作为中间音频表示，并采用层次图像综合方法的新型数据增强策略，该方法允许解散用于控制全球头部运动的不同模态。我们的方法是实时运行的，与当前的最新技术相比，我们能够提供卓越的结果。
translated by 谷歌翻译