【AI视野·今日Robot 机器人论文速览 第二十六期】Wed, 3 Nov 2021

AI视野·今日CS.Robotics 机器人学论文速览
Wed, 3 Nov 2021
Totally 14 papers
上期速览✈更多精彩请移步主页

Interesting:

床单、毛巾等布料数据集, 辅助机器人操作各种布料(from 加泰罗尼亚理工大学 CSIC-UPC, Barcelona,
Spain )

link: www.iri.upc.edu/groups/perception/ClothObjectSet/HouseholdClothSet.html

抓取模拟环境, (from 伯克利)

link： https://sites.google.com/berkeley.edu/ipcgraspsim

---

Daily Robotics Papers

A Framework for Real-World Multi-Robot Systems Running Decentralized GNN-Based Policies Authors Jan Blumenkamp, Steven Morad, Jennifer Gielis, Qingbiao Li, Amanda Prorok 图神经网络 GNN 是一种范式转换神经架构，可促进复杂多智能体行为的学习。最近的工作在集群、多代理路径规划和合作覆盖等任务中表现出卓越的性能。然而，通过基于 GNN 的学习方案得出的策略尚未在物理多机器人系统上部署到现实世界。在这项工作中，我们提出了一个系统的设计，该系统允许完全分散执行基于 GNN 的策略。我们创建了一个基于 ROS2 的框架，并在本文中详细阐述了它的细节。我们在一个需要机器人之间紧密协调的案例研究中展示了我们的框架，并展示了第一个结果，该结果表明在依赖 Adhoc 通信的分散式多机器人系统上成功部署了基于 GNN 的策略。

Minimizing Energy Consumption Leads to the Emergence of Gaits in Legged Robots Authors Zipeng Fu, Ashish Kumar, Jitendra Malik, Deepak Pathak 腿式运动通常被研究并表示为一组离散的步态模式，如步行、小跑、疾驰，它们通常被视为给定的，并在腿式机器人中预先编程，以实现不同速度的高效运动。然而，固定一组预先编程的步态限制了运动的普遍性。最近的动物运动研究表明，这些传统步态仅在理想的平坦地形条件下普遍存在，而现实世界的运动是非结构化的，更像是间歇性的步态。哪些原理可以导致哺乳动物的结构化和非结构化模式以及如何在机器人中合​​成它们在这项工作中，我们通过合成方法进行分析，并通过最小化机械能来学习移动。我们证明，学习最大限度地减少能源消耗在真实四足机器人中以不同速度出现的自然运动步态中起着关键作用。紧急步态结构在理想的地形中，看起来类似于马和羊的步态。同样的方法会导致崎岖地形中的非结构化步态，这与动物运动控制的发现一致。我们在自然地形的模拟和真实硬件中验证了我们的假设。

Learning Robotic Ultrasound Scanning Skills via Human Demonstrations and Guided Explorations Authors Xutian Deng, Yiting Chen, Fei Chen, Miao Li 医学超声已成为当今的常规检查方法，并被广泛用于不同的医学应用，因此需要机器人超声系统来自主执行超声扫描。然而，超声扫描技术相当复杂，这在很大程度上取决于超声医师的经验。在本文中，我们提出了一种基于学习的方法来从人类演示中学习机器人超声扫描技能。首先，机器人超声扫描技能被封装成一个高维多模态模型，该模型考虑了超声图像、探头的姿态位置和接触力。其次，我们利用模仿学习的力量，利用从经验丰富的超声医师的演示中收集的训练数据来训练多模态模型。最后，提出了一种带有引导探索的后优化程序，以进一步提高学习模型的性能。

Trajectory Prediction with Graph-based Dual-scale Context Fusion Authors Lu Zhang, Peiliang Li, Jing Chen, Shaojie Shen 交通参与者的运动预测对于安全和强大的自动驾驶系统至关重要，尤其是在杂乱的城市环境中。然而，由于复杂的道路拓扑以及其他代理的不确定意图，这是非常具有挑战性的。在本文中，我们提出了一个基于图形的轨迹预测网络，名为 Dual Scale Predictor DSP，它以分层方式对静态和动态驾驶环境进行编码。与基于光栅化地图或稀疏车道图的方法不同，我们将驾驶环境视为具有两层的图，同时关注几何和拓扑特征。应用图神经网络 GNN 来提取不同粒度级别的特征，然后将特征与基于注意力的层间网络进行聚合，从而实现更好的局部全局特征融合。遵循最近的目标驱动轨迹预测管道，提取目标代理的高可能性目标候选者，并以这些目标为条件生成预测轨迹。由于提出的双尺度上下文融合网络，我们的 DSP 能够生成准确的和人类一样的多模态轨迹。

Household Cloth Object Set: Fostering Benchmarking in Deformable Object Manipulation Authors Irene Garcia Camacho, J lia Borr s, Berk Calli, Adam Norton, Guillem Aleny 机器人操作的基准测试是机器人研究中的开放问题之一。在过去十年中，推动该领域取得进展的一个重要因素是不同研究小组之间共享的共同对象集的存在。然而，当涉及具有独特特殊性和挑战的类似布料的对象时，现有的对象集非常有限。本文是设计一个布料对象集的第一步，该对象集将分布在机器人布料操作社区的研究小组中。我们提出了一组家用布料对象和相关任务，这些任务旨在揭示与收集此类对象集相关的挑战，并为布料操作任务中的通用基准设计提出路线图，旨在为未来的辩论奠定基础在社区中，这对于促进对类似布料的物体的操作进行基准测试是必要的。还收集了一些 RGB D 和对象扫描作为相关配置中对象的示例。

A Hybrid Approach for Learning to Shift and Grasp with Elaborate Motion Primitives Authors Zohar Feldman, Hanna Ziesche, Ngo Anh Vien, Dotan Di Castro 机器人在现实世界中的许多可能应用领域取决于机器人抓取物体的能力。因此，机器人抓取多年来一直是一个活跃的研究领域。通过我们的出版物，我们致力于使机器人能够抓取，特别关注垃圾箱拣选应用。由于物体的排列通常杂乱无章，并且通过简单的自上而下的抓取，物体的抓取能力通常有限，因此拣选尤其具有挑战性。为了应对这些挑战，我们提出了一种基于软演员评论家 SAC 的混合离散连续适应的完全自我监督的强化学习方法。我们采用参数化运动原语来推动和抓取运动，以便能够灵活适应我们考虑的困难设置。此外，我们使用数据增强来提高样本效率。

A Minmax Utilization Algorithm for Network Traffic Scheduling of Industrial Robots Authors Yantong Wang, Vasilis Friderikos, Sebastian Andraos 新兴的 5G 及以后的无线工业虚拟化网络预计将支持大量机器人操纵器。根据所涉及的流程，这些工业机器人可能会产生大量的多模式流量，这些流量需要一直穿过网络到达公共私有边缘云，在那里进行高级处理、控制和服务编排。在本文中，我们通过利用工业环境中机器人机械手重复过程的潜在伪确定性来执行流量工程，并提出了一个整数线性规划 ILP 模型来最小化网络中的最大聚合流量。在所提出的模型中还考虑了任务序列和时间间隔要求。为了解决 ILP 中的维数灾难，我们提供了一种具有二次时间复杂度的随机搜索算法。

Simulation of Parallel-Jaw Grasping using Incremental Potential Contact Models Authors Chung Min Kim, Michael Danielczuk, Isabella Huang, Ken Goldberg 柔软顺应的钳口尖端几乎普遍用于平行钳口机器人抓手，因为它们能够增加钳口与待操作物体之间的接触面积和摩擦力。然而，众所周知，柔顺表面和刚性物体之间的相互作用很难建模。我们介绍了 IPC GraspSim，这是一种使用增量电位接触 IPC 的新型模拟器，IPC 是 2020 年为计算机图形开发的变形模型，可模拟抓取过程中顺应颌尖的动力学和变形。 IPC GraspSim 使用一组 2,000 次物理抓握来评估，其中包含 16 个对抗性对象，其中标准分析模型表现不佳。与具有 FleX 后端的分析准静态接触模型软点接触、REACH、6DFC 和动态抓取模拟器 Isaac Gym 相比，结果表明 IPC GraspSim 更准确地模拟现实世界的抓取，将 F1 分数提高了 9 。

SEED: Series Elastic End Effectors in 6D for Visuotactile Tool Use Authors H.J. Terry Suh, Naveen Kuppuswamy, Tao Pang, Paul Mitiguy, Alex Alspach, Russ Tedrake 我们在 6D SEED 中提出了系列弹性末端效应器的框架，它将空间顺应性元素与视觉触觉相结合，以在野外抓握和操纵工具。我们的框架将系列弹性的好处概括为 6 自由度，同时使用视觉触觉提供控制抽象。我们提出了一种通过视觉触觉进行相对姿态估计的算法，以及一种能够实现与环境稳定力交互的空间混合力位置控制器。我们证明了我们的框架对需要调节空间力的工具的有效性。

Differential Flatness and Flatness Inspired Control of Aerial Manipulators based on Lagrangian Reduction Authors Skylar X. Wei, Peder Harderup, Joel Burdick 本文表明，由欠驱动多旋翼基座和任意 k 链接的铰接式机械手组成的一般类空中机械手的动力学是微分平坦的。破坏对称性下的拉格朗日约简方法产生约简运动方程，其关键变量质心线性动量、车辆偏航角和机械手相对关节角成为平坦输出。利用平坦度理论和推力输入的二阶动态扩展，我们将空中操纵器的力学转换为具有有效相对度的等效平凡形式。

Safe Online Gain Optimization for Variable Impedance Control Authors Changhao Wang, Zhian Kuang, Xiang Zhang, Masayoshi Tomizuka 对于许多接触丰富的操作任务来说，平滑的行为更可取。阻抗控制是通过模仿质量弹簧阻尼系统来调节机器人运动的一种有效方式。因此，机器人行为可以由阻抗增益确定。然而，为不同的任务调整阻抗增益是很棘手的，尤其是对于非结构化环境。此外，在线调整最佳增益以满足随时间变化的性能指标更具挑战性。在本文中，我们提出了可变阻抗控制安全 OnGO VIC 的安全在线增益优化。通过将阻抗控制的动力学重新表述为控制仿射系统，其中阻抗增益是输入，我们提供了一个新的视角来理解可变阻抗控制。此外，我们通过在线收集的力信息创新地制定了一个优化问题，以实时获得最佳阻抗增益。建议的框架中还嵌入了安全约束，以避免不必要的碰撞。我们在三个操作任务上通过实验验证了所提出的算法。

Learning Eye-in-Hand Camera Calibration from a Single Image Authors Eugene Valassakis, Kamil Dreczkowski, Edward Johns 手眼相机校准是机器人技术中一个基本且长期研究的问题。我们提出了一项关于使用基于学习的方法从单个 RGB 图像在线解决此问题的研究，同时使用完全合成的数据训练我们的模型。我们研究了三种主要方法：一种直接从图像中预测外在矩阵的直接回归模型，一种回归 2D 关键点然后使用 PnP 的稀疏对应模型，以及一种使用回归深度和分割图来启用 ICP 姿态估计的密集对应模型。

NSS-VAEs: Generative Scene Decomposition for Visual Navigable Space Construction Authors Zheng Chen, Lantao Liu 检测可导航空间是机器人导航成功的第一步，也是关键的一步。在这项工作中，我们将视觉可导航空间分割视为场景分解问题，并提出了一个新网络 NSS VAEs Navigable Space Segmentation Variational AutoEncoders，这是一种基于表示学习的框架，使机器人能够以无监督的方式学习可导航空间分割。与严重依赖监督学习策略并且通常需要大量像素级注释图像的流行分割技术不同，所提出的框架利用生成模型变分自动编码器 VAE 来学习概率折线表示，该表示紧凑地勾勒出所需的可导航空间边界。独特的是，我们的方法还评估了与场景非结构化相关的预测不确定性，这对于非结构化环境中的机器人导航很重要。通过大量实验，我们验证了我们提出的方法即使没有单个标签也可以达到非常高的准确度 90。

Chinese Abs From Machine Translation

Papers from arxiv.org

更多精彩请移步主页

---

pic from pexels.com