我们介绍Scratchy--一种模块化，轻便的机器人，专为低预算竞争考勤而设计。它的底座主要由标准的4040铝合金轮毂构成，机器人由无刷直流电机上的四个麦克纳姆轮驱动。结合激光测距仪，我们使用估计的测距 - 由编码器计算 - 用于使用粒子滤波器创建地图。 RGB-Dcamera用于物体检测和姿势估计。此外，还可以选择使用6自由度手臂来抓取估计姿势的物体，通常用于操纵任务。机器人可以在不到一个小时的时间内组装成两个手提行李或一个更大的行李箱。因此，它为参加欧洲机器人联盟或RoboCup等机器人比赛的学生团队提供了巨大的优势。因此，这可以保证参与所需的资金，这通常是一个难以克服的障碍，一个很大的障碍。该软件和其他硬件描述可在以下网址获得：https：//github.com/homer-robotics/scratchy。
translated by 谷歌翻译
机器人在越来越复杂的环境中使用，并且有望适应变化和未知情况。最简单，最快捷的方法是改变机器人的控制系统，但对于越来越复杂的环境，人们也应该改变机器人的身体 - 它的形态 - 以更好地适应手头的任务。体验认知的理论认为，控制不是认知的唯一来源，身体，环境，这些与心灵之间的相互作用都有助于认知资源。利用这些概念可以改善适应性，稳健性和多功能性，然而，在现实世界的机器人上执行这些概念会对硬件提出额外的要求，并且与学习控制相比有几个挑战。与进化机器人技术的大部分工作相比，艾本在“进化机器人的巨大挑战”中争论真实世界的实验。这需要能够进行重复实验的强大硬件平台，当不可预见的需求出现时，这些实验同时应该是灵活的。在本文中，我们介绍了具有自适应形态的独特机器人平台。我们讨论了设计时遇到的挑战，以及从现实世界测试和学习中汲取的经验教训。
translated by 谷歌翻译
我们考虑跟踪在分布式设置中超时演变的过程状态的问题，其中多个观察者各自观察状态的部分，这是具有广泛应用的基本信息处理问题。我们提出了一种云辅助方案，其中跟踪是在云上进行的。特别是，为了提供及时和准确的更新，并缓解云计算的落后问题，我们提出了编码分布式计算方法，其中编码观察分布在多个工作者上。所提出的方案基于卡尔曼滤波器的编码版本，该滤波器对利用纠删码编码的数据进行操作，使得可以通过由工作人员的子集计算的部分更新来估计状态。我们将所提出的方案应用于跟踪多个车辆的问题，并且表明它实现了与相应的未编码方案相比更高的精度，并且当更新间隔足够大时接近理想中心化方案的准确性。最后，我们要在信息时代和估计准确性之间进行权衡。
translated by 谷歌翻译
在本文中，我们考虑为机器人生成检查路径的问题。这些路径应允许附加的测量设备执行高质量的测量。我们正式表明，生成机器人路径，同时最大限度地提高检测质量，自然对应于子模块定向转向问题。能够用数学保证生成解决方案的传统方法无法扩展到现实世界的问题。在这项工作中，我们提出了一种方法，能够为现实世界的复杂问题生成近乎最优的解决方案。我们在各种各样的检查问题中通过实验测试这种方法，并表明它几乎总是优于传统方法。我们进一步表明，近似最优性使得它更容易改变检查问题，因此更加通用。
translated by 谷歌翻译
了解人类行为是服务机器人的一个关键问题。然而，行动识别的一般趋势是在结构化数据集上开发和测试这些系统。这就是为什么这项工作提出了一个实用的基于骨架的行动识别框架，可用于实际情景。我们的结果表明，尽管非增广和非标准化数据可以在数据集的测试分割上产生可比较的结果，但它对于另一个手动收集数据的数据集远非有用。
translated by 谷歌翻译
我们提出了一个结合了分层规划和机器学习的思想的导航系统。该系统使用传统的全局规划器来计算朝向目标的最佳路径，并使用深度局部轨迹规划器和速度控制器来计算运动命令。系统的后者组件通过注意机制调整机器人的行为，使其朝向目标移动，避开障碍物，并尊重近距离行人的空间。所提出的深度模型的结构和使用注意机制都使得系统的执行可以解释。我们的仿真实验表明，所提出的架构优于基线，可以将全局计划信息和传感器数据直接映射到velocitycommands。与手工设计的传统导航系统相比，所提出的方法表现出更一致的性能。
translated by 谷歌翻译
机器人研究通常建立在通过对我们如何与世界交互的自我检查的见解所激发的方法的基础上。然而，鉴于目前关于人类认知和感觉处理的理论，有理由认为大脑的内部运作与我们与世界和我们自己的接触方式是分开的。为了修正这些从自我检查中产生的误解，本文回顾了人类对认知和行为的视觉理解，特别是操纵。我们的重点是确定总体原则，例如分离为行动和认知的视觉处理，视觉输入的分层处理，以及行动视觉处理的背景和预期性质。我们还提供了对先前关于视觉理解的理论的初步阐述，这些理论展示了自我检查如何导致错误的道路。我们希望这篇文章将为机器人研究人员提供见解，帮助他们在自我检查的道路上行进，给他们一个关于人类视觉处理的现有理论的概述，并提供进一步相关阅读的来源。
translated by 谷歌翻译
我们考虑用于表示车辆动力学的神经网络的在线适应问题。神经网络模型旨在由MPC控制法使用以自主地控制车辆。这个问题具有挑战性，因为输入和目标分布都是非平稳的，而在线适应的天真方法会导致灾难性的遗忘，从而导致控制器故障。我们提出了一种新颖的在线学习方法，它将伪排练方法与局部加权投影回归相结合。我们证明了在模拟中使用局部加权投影回归伪排练（LW-PR $ ^ 2 $）方法的有效性以及使用1/5比例自动驾驶车辆收集的大型真实世界数据集。
translated by 谷歌翻译
本文介绍了自动驾驶汽车的算法和系统架构。引入的车辆由设计用于鲁棒性，可靠性和可扩展性的软件栈提供动力。为了自主地绕过先前未知的轨道，所提出的解决方案结合了来自不同机器人领域的技术的状态。具体而言，感知，估计和控制被合并到一个高性能自主车辆中。这个复杂的机器人系统由AMZ Driverless和ETHZurich开发，在我们参加的每个比赛中获得第一名：Formula StudentGermany 2017，Formula Student Italy 2018和Formula Student Germany 2018. Wediscuss这些比赛的结果和学习，并对每个模块进行实验评估我们的解决方案
translated by 谷歌翻译
当机器人从工厂走出人类环境，外太空以及更远的地方时，他们需要技能在多种不可预见的情况下操纵他们的环境。在这方面，推动是一个非常重要的运动原语，它极大地扩展了机器人的操纵曲目。在这项工作中，我们回顾了机器人推动文献。在关注预测推动物体运动的工作的同时，我们也涵盖了推动规划和控制的相关应用。从分析方法开始，我们也将物理引擎纳入其中，然后继续讨论从数据学习模型的工作。在这样做的过程中，我们将一个单独的部分用于深度学习方法，这些方法已经在文献中看到了崛起。论文的最后给出了结论性意见和进一步的研究意见。
translated by 谷歌翻译