路面状况评估对于确保其可用性至关重要，同时仍能提供最大的道路交通安全。本文介绍了一种嵌入无人机（UAV）的鲁棒立体视觉系统。首先将目标图像的透视图转换为参考视图，这不仅提高了视差精度，而且还提高了算法的计算复杂度。然后使用双边滤波器对从立体匹配产生的成本量进行滤波。后者已经被证明是完全连通的马尔可夫随机场模型的功能最小化问题的可行解决方案。最后，通过相对于滚动角和视差投影模型最小化能量函数来变换视差图。这使得受损的道路区域与道路表面更加不同。所提出的系统在具有CUDA的NVIDIA Jetson TX2 GPU上实现以用于实时目的。通过实验证明，可以容易地将受损的道路区域与变换的视差图区分开。
translated by 谷歌翻译
我们提出了一种机器人系统，能够通过跟踪aline并拍摄高质量的人物照片来自主导航。当检测到一组人时，机器人朝向它们旋转然后返回到线，同时从不同角度连续拍摄照片。每张图片都在云中进行处理，其质量以两阶段算法进行估算。首先，面部方向和面部情绪可能性等特征被输入完全连接的神经网络，以为每个面分配质量分数。其次，通过从图像中抽象出面来提取表示，并将其输入到卷积神经网络（CNN）以对整个图像的质量进行分类。我们收集了一个数据集，其中如果主体在图像中定位良好并且以令人愉快的表情朝向相机定向，则将图片标记为高质量。我们的方法在该数据集中以78.4％的准确度检测到图片的质量，并且获得了比在97名人类评委对每张图片评分的研究中使用照相组成程序的启发式方法更好的平均用户评级（3.71 / 5）。对现有技术的统计分析验证了所得图片的质量。
translated by 谷歌翻译
LiDAR越来越多地用于智能车辆（IV）或智能运输系统（ITS）。由LiDAR传感器生成的数据的存储和传输是其部署中最具挑战性的方面之一。在本文中，我们提出了一种方法，可用于有效压缩LiDAR数据，以便于V2V或V2I应用中的存储和传输。此方法可用于执行无损或有损压缩，专为具有低处理能力的嵌入式应用而设计。通过保持数据流的结构不变，该方法还可以很容易地应用于现有的处理链。使用几个公开可用的数据集对我们的方法进行Webenchmark，并与文献中最先进的LiDAR数据压缩方法进行比较。
translated by 谷歌翻译
近年来，使用无人机，也称为无人机（UAV），近距离视觉检测已经成为许多学科的活跃领域。然而，在我们能够实现自主检查之前，特别是在检查复杂结构时，仍然存在许多挑战。复杂的城市结构，如桥梁，水坝和风力涡轮机，是大规模和几何复杂的。它需要复杂的路径规划算法来实现近距离检查，同时避免碰撞。实践中，直接在这种结构上部署路径规划结果是容易出错，成本高昂且充满危险的。在本文中，依靠微型无人机无人机，作者提出了一个经济实惠的实验平台，可以实现基于无人机的路径规划结果。该平台允许用户随时进行许多路径规划实验，而无需担心昂贵且耗时的户外测试飞行。该平台基于Crazyflie捆绑开发，包括Crazyflie 2.0 quadrotor，Crazyradio和loco定位系统（LPS）。配备板载微型FPV摄像头，可以在飞行过程中将视觉数据活泼地流式传输到主机。在此平台中明确设计了手动配置和路点控制的功能，以提高其在路径跟踪和调试方面的灵活性和性能。为了评估所提出的测试平台的实用性，测试了两种现有的基于无人机的路径规划算法。结果表明，即使存在一定程度的误差，视觉数据的质量和路径跟踪的准确性足以模拟大多数实际的检测应用。
translated by 谷歌翻译
在本文中，我们概述了机器人桩孔装配，并分析了两个主要策略：基于接触模型和接触模型 - 自由战略。更具体地说，我们首先介绍接触模型控制，包括接触状态识别和兼容控制两步。此外，我们专注于整个机器人组装系统的综合分析。其次，在没有联系状态识别过程的情况下，我们将无接触模型的学习算法分为两个主要子领域：从示范中学习和从环境中学习（主要基于强化学习）。对于每个子领域，我们调查了具有里程碑意义的研究和总体研究，以比较不同的类别。我们希望通过揭示底层链接来加强这两个研究团体之间的关系。最后，讨论了机器人桩孔组装领域的其余挑战和开放性问题。还考虑了有希望的方向和潜在的未来工作。
translated by 谷歌翻译
今天产生有效运动运动的常见策略是将问题分为两个连续步骤：第一个步骤与质心轨迹一起产生接触序列，而第二个步骤计算跟随质心图案的全身轨迹。然而，第二步通常由诸如逆运动学求解器之类的简单程序来处理。相反，我们建议使用局部最优控制求解器来计算全身轨迹，即差分动态编程（DDP）。我们的方法通过利用角动量（AM）产生更有效的运动，具有更低的力和更小的影响。在本文中，我们提出了一种原始的DDP配方，该配方利用刚性接触模型的Karush-Kuhn-Tucker约束。我们通过在真正的HRP-2机器人上执行大步骤，并通过在没有外力的情况下解决姿态控制问题，实验证明了这种方法的重要性。
translated by 谷歌翻译
时间最优路径参数化是最小化致动约束代理可以穿过给定路径的时间间隔的问题。最近，提出了用于解决该问题的有效线性时间算法。然而，它的最优性仅通过基于凸规划的更加计算密集的方法来优化地解决了问题的严格子类。在本文中，我们证明了相同的线性时间算法对于所有通过凸优化方法最优地求解的问题是渐近最优的。我们还描述了时间最优路径参数化问题的最优化，这可能是独立的兴趣。
translated by 谷歌翻译
域随机化是一种用于改善域转移的常用技术，当目标域未知或可以用于训练时，通常用于零镜头设置。在这项工作中，我们凭经验检验了域随机化对代理泛化的影响。我们的实验表明，域随机化可能导致次优的高方差策略，这些策略属于环境参数的统一采样。我们提出了ActiveDomain Randomization，一种学习参数采样策略的新算法。我们的方法通过利用随机和参考环境实例中policyrollouts的差异，在给定的随机化范围内寻找信息最丰富的环境变化。我们发现在这些情况下更频繁地训练会导致更好的整体代理一般化。此外，当域随机化和策略传输失败时，Active Domain Randomization可以更深入地了解所选参数范围和学习策略的不足，从而允许更集中的调试。我们在各种基于物理的模拟和区域机器人任务中的实验表明，这种增强可以产生更强大，更一致的策略。
translated by 谷歌翻译
解决复杂任务的大多数动物和人类运动行为涉及动态运动和丰富的接触互动。事实上，复杂的机动需要同时考虑动态运动和接触事件。我们提出了一种分层轨迹优化方法，用于规划具有非预定接触序列的动态运动。我们计算全身运动，实现无法以运动方式达到的目标。首先，我们根据机器人的质心动力学找到可行的CoM运动。然后，我们通过应用机器人的全动力学模型来改进解决方案，其中可行的CoM轨迹被用作热启动点。为了完成非预定接触行为，我们使用互补约束来描述接触模型，即环境几何和非滑动活动接触。两个优化阶段都被提出为具有ComplementarityConstraints（MPCC）的数学程序。实验性试验证明了我们的计划方法在一系列具有挑战性的任务中的表现。
translated by 谷歌翻译
传统的多腿运动运动规划方法将问题分为几个阶段，如接触搜索和轨迹生成。然而，同时推理接触和运动对于复杂的全身行为的产生至关重要。目前，耦合这些问题需要假设固定的步态序列和平坦的地形条件，或者需要具有难以处理的计算时间的非凸优化。在本文中，我们提出了一种混合整数凸形公式，以计算有效的方式同时接触位置，步态过渡和运动。与之前的作品相比，我们的方法不仅限于平坦的地形，也不限于预先指定的步态序列。相反，我们结合摩擦锥稳定裕度，近似机器人的扭矩限制，并使用混合整数凸约束来规划步态。我们通过遍历不同的挑战性地形实验验证了我们对HyQ机器人的方法，其中非凸性和平坦地形假设可能导致次优或不稳定的计划。我们的方法在保持较低的计算时间的同时增加了运动的一般性。
translated by 谷歌翻译