【AI视野·今日Robot 机器人论文速览 第三十四期】Fri, 22 Apr 2022

AI视野·今日CS.Robotics 机器人学论文速览
Fri, 22 Apr 2022
Totally 11 papers
上期速览✈更多精彩请移步主页

Daily Robotics Papers

Learning to Fold Real Garments with One Arm: A Case Study in Cloud-Based Robotics Research Authors Ryan Hoque, Kaushik Shivakumar, Shrey Aeron, Gabriel Deza, Aditya Ganapathi, Adrian Wong, Johnny Lee, Andy Zeng, Vincent Vanhoucke, Ken Goldberg 自主织物操作是机器人技术中长期存在的挑战，但由于机器人硬件的成本和多样性，评估进展很困难。使用云机器人平台 Reach，可以在物理机器人上实现低延迟远程执行控制策略，我们提出了物理硬件上织物操作算法的第一个系统基准测试。我们开发了 4 种基于学习的新算法，用于对专家动作、关键点、奖励函数和动态运动进行建模，并将这些算法与 4 种学习自由和逆动力学算法进行比较，以完成用单个机器人手臂折叠皱巴巴的 T 恤的任务。数据收集、模型训练和策略评估的整个生命周期都是远程执行的，无需物理访问机器人工作单元。结果表明，一种将模仿学习与分析方法相结合的新算法在折叠任务上达到了人类水平的 84 倍。

Message Flow Analysis with Complex Causal Links for Distributed ROS 2 Systems Authors Christophe B dard, Pierre Yves Lajoie, Giovanni Beltrame, Michel Dagenais 分布式机器人系统严重依赖发布订阅框架，例如 ROS，来有效地实现模块化计算图。 ROS 2 执行器，一个在内部处理消息的高级任务调度器，是一个性能瓶颈。在之前的工作中，我们介绍了 ros2 tracking，这是一个带有工具和工具的框架，用于实时跟踪 ROS 2。我们现在扩展该工具并利用跟踪工具提出跨分布式 ROS 2 系统的消息流分析和可视化.我们提出的方法检测输入和输出消息之间的一对多和多对多因果链接，包括通过简单的用户级注释的间接因果链接。我们在合成和真实机器人系统上验证了我们的方法，并展示了它的低运行时开销。此外，可以进一步利用底层中间执行表示数据库来提取额外的指标和高级结果。这可以提供有价值的时序和调度信息，以进一步研究和改进 ROS 2 执行器以及优化任何 ROS 2 系统。

Viko 2.0: A Hierarchical Gecko-inspired Adhesive Gripper with Visuotactile Sensor Authors Chohei Pang, Qicheng Wang, Kinwing Mak, Hongyu Yu, Michael Yu Wang 带有视觉触觉传感器的机器人抓手可以获得丰富的触觉信息以完成抓取任务，但在以足够的抓握力部分包围大型物体时遇到困难。虽然受分层壁虎启发的粘合剂是弥合性能差距的潜在技术，但它们需要较大的接触面积才能有效使用。在这项工作中，我们展示了一种名为 Viko 2.0 的自适应壁虎抓手的新版本，它有效地结合了粘合剂和视觉触觉传感器的优势。与非分层结构相比，采用多材料设计的分层结构可实现约 1.5 倍的法向附着力增加和 2 倍的接触面积。集成的视觉触觉传感器捕获分层结构的变形图像，并以 24 Hz 的频率提供接触面积、剪切力和初始滑动检测的实时测量。

Resilient robot teams: a review integrating decentralised control, change-detection, and learning Authors David M. Bossens, Sarvapali Ramchurn, Danesh Tarapore

Evaluation of Robust Point Set Registration Applied to Automotive Doppler Radar Authors Karim Haggag 点集配准是在两个点集之间找到最佳对齐的过程，它是不同领域的常见任务，尤其是在汽车和移动机器人领域。文献中提出了许多方法，其中迭代最近点 ICP 在这方面是一种众所周知的方法，它在两个点集之间建立明确的对应关系以实现配准任务。

Path Planning Algorithms for Robotic Aquaculture Monitoring Authors Anthony Davis, Srijita Mukherjee, Paul S. Wills, Bing Ouyang 空中无人机具有快速有效地监测大面积区域的巨大潜力。水产养殖是一个需要持续的水质数据才能成功养殖和收获鱼类的行业。混合空中水下机器人系统HAUCS旨在收集水产养殖池塘的水质数据，以降低农民的劳动力成本。无人机覆盖水产养殖场每个鱼塘的路线可以简化为车辆路线问题。创建一个数据集来模拟农场池塘的分布，并用于评估 HAUCS 路径规划算法 HPP。其性能与 Google 线性优化包 GLOP 和用于路由问题的 Graph Attention Model AM 进行了比较。

Coverage Control for a Multi-robot Team with Heterogeneous Capabilities using Block Coordinate Descent (BCD) Method Authors Yung Yu Andy Yiu, Ying Hing Yim, Yan Ning, Zikai Wang, Ling Shi 在本文中，我们为具有异构能力的多机器人团队提出了一种覆盖控制系统，以巡逻或监控有界环境。能力可以定义为机器人的任何标准，如剩余功率或移动速度，具体取决于目的。所提出的控制系统旨在根据机器人的能力将环境的不同部分分配给机器人，即能力较高的机器人占据较大的环境部分，而能力较低的机器人占据较小的部分。我们使用块坐标下降BCD方法交替优化部分的位置和分区方法。集中式机器用于同步机器人，并且可以以分布式方式计算每个机器人的梯度。

SelfD: Self-Learning Large-Scale Driving Policies From the Web Authors Jimuyang Zhang, Ruizhao Zhu, Eshed Ohn Bar 有效利用互联网上免费提供的大量以自我为中心的导航数据可以推进通用智能系统，即跨视角、平台、环境条件、场景和地理位置进行稳健扩展。然而，很难直接利用如此大量的未标记和高度多样化的数据来完成复杂的 3D 推理和规划任务。因此，研究人员主要专注于将其用于不考虑最终导航目标的各种辅助像素和图像级计算机视觉任务。在这项工作中，我们介绍了 SelfD，这是一个通过利用大量在线单目图像来学习可扩展驾驶的框架。我们的关键思想是在从未标记数据中学习模仿代理时利用迭代半监督训练。为了处理不受约束的视点、场景和相机参数，我们训练了一个基于图像的模型，该模型直接学习在鸟瞰 BEV 空间中进行规划。接下来，我们使用未标记的数据通过自我训练来增强初始训练模型的决策知识和鲁棒性。特别是，我们提出了一个伪标记步骤，该步骤可以通过基于假设规划的数据增强来充分利用高度多样化的演示数据。我们使用大量公开可用的 YouTube 视频数据集来训练 SelfD，并全面分析其在具有挑战性的导航场景中的泛化优势。

Multi-UAV trajectory planning for 3D visual inspection of complex structures Authors Stefan Ivi , Bojan Crnkovi , Luka Grb i , Lea Matlekovi 本文提出了一种用于 3D 自主无人机体积覆盖和视觉检测的新轨迹规划算法。该算法是针对 3D 域的最先进的热方程驱动区域覆盖 HEDAC 多主体区域覆盖算法的扩展。对于给定的目标勘探密度场，该算法设计一个势场并将无人机引导到具有较高潜力的区域，即剩余密度值较高的区域。通过实现距离场并在达到距离阈值时纠正代理的方向向量，可以防止代理和具有域边界的代理之间的碰撞。考虑一个单位立方体测试用例来评估这种体积覆盖的轨迹规划策略。对于视觉检测应用，该算法辅以相机方向控制。设计了一个包含从域中的任何点到结构表面的最近距离的场。计算该场的梯度以获得整个轨迹的相机方向。考虑了三个不同复杂度的不同测试用例来验证所提出的视觉检查方法。最简单的场景是使用三架无人机检查类似结构的合成门户。其他两个检查场景基于实际结构，其中无人机通常用于风力涡轮机和桥梁。当部署到风力涡轮机检查时，两架模拟的无人机穿越光滑的螺旋轨迹成功地探索了整个涡轮机结构，同时将摄像机对准涡轮机叶片的曲面。在桥梁测试案例中，通过使用一架无人机和五架无人机，证明了对复杂结构的有效目视检查。

Unseen Object Instance Segmentation with Fully Test-time RGB-D Embeddings Adaptation Authors Lu Zhang, Siqi Zhang, Xu Yang, Zhiyong Liu 分割看不见的物体是机器人的一项关键能力，因为它在操作过程中可能会遇到新的环境。最近，一种流行的解决方案是利用大规模合成数据的 RGB D 特征，并将模型直接应用于看不见的现实世界场景。然而，尽管深度数据具有良好的泛化能力，但由于 Sim2Real 差距导致的域转移是不可避免的，这对看不见的对象实例分割 UOIS 模型提出了关键挑战。为了解决这个问题，我们在本文中重新强调了跨 Sim2Real 域的适应过程。具体来说，我们提出了一个框架来基于 BatchNorm 层的参数进行完全测试时间 RGB D 嵌入自适应 FTEA。为了构建测试时间反向传播的学习目标，我们提出了一种新的非参数熵目标，可以在没有明确分类层的情况下实现。此外，我们设计了一个跨模态知识蒸馏模块来鼓励测试期间的信息传递。所提出的方法可以有效地使用测试时间图像进行，无需注释或重新访问大规模合成训练数据。除了显着节省时间外，所提出的方法还在重叠和边界度量上持续改进了分割结果，在两个真实世界的 RGB D 图像数据集上实现了最先进的性能。

Relevance-guided Unsupervised Discovery of Abilities with Quality-Diversity Algorithms Authors Luca Grillotti, Antoine Cully 质量多样性算法提供了有效的机制来生成大量多样化和高性能的解决方案，这些解决方案已被证明有助于解决下游任务。然而，这些算法中的大多数都依赖于行为描述符来表征手工编码的多样性，因此需要有关所考虑任务的先验知识。在这项工作中，我们介绍了相关性引导的无监督能力发现，这是一种质量多样性算法，可以自主地找到适合手头任务的行为特征。特别是，我们的方法引入了一个自定义多样性度量，该度量导致在学习的行为描述符空间中感兴趣的区域附近的解决方案密度更高。我们在模拟机器人环境中评估我们的方法，机器人必须根据其完整的感官数据自主发现其能力。我们评估了导航到随机目标、高速前进和执行半滚动的三个任务的算法。

Chinese Abs From Machine Translation

Papers from arxiv.org

更多精彩请移步主页

---

pic from pexels.com