論文の概要: Intercepting A Flying Target While Avoiding Moving Obstacles: A Unified
Control Framework With Deep Manifold Learning
- arxiv url: http://arxiv.org/abs/2209.13628v1
- Date: Tue, 27 Sep 2022 18:46:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 17:48:20.741008
- Title: Intercepting A Flying Target While Avoiding Moving Obstacles: A Unified
Control Framework With Deep Manifold Learning
- Title(参考訳): 障害物移動を避けながら飛行目標を解釈する:深層マニフォールド学習による統一制御フレームワーク
- Authors: Apan Dastider and Mingjie Lin
- Abstract要約: ロボットアームによるロボットアームによるリアルタイムな物体の干渉は、反応時間に対してほんの数ミリ秒しか許さない。
本稿では,高次元時間情報を埋め込んだロボット経路計画の統一的枠組みを提案する。
本研究は,オンボードセンシングと計算のみを用いた自律型7-DoFロボットアームへのアプローチの有効性を実証する。
- 参考スコア(独自算出の注目度): 1.5229257192293197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time interception of a fast-moving object by a robotic arm in cluttered
environments filled with static or dynamic obstacles permits only tens of
milliseconds for reaction times, hence quite challenging and arduous for
state-of-the-art robotic planning algorithms to perform multiple robotic
skills, for instance, catching the dynamic object and avoiding obstacles, in
parallel. This paper proposes an unified framework of robotic path planning
through embedding the high-dimensional temporal information contained in the
event stream to distinguish between safe and colliding trajectories into a
low-dimension space manifested with a pre-constructed 2D densely connected
graph. We then leverage a fast graph-traversing strategy to generate the motor
commands necessary to effectively avoid the approaching obstacles while
simultaneously intercepting a fast-moving objects. The most distinctive feature
of our methodology is to conduct both object interception and obstacle
avoidance within the same algorithm framework based on deep manifold learning.
By leveraging a highly efficient diffusion-map based variational autoencoding
and Extended Kalman Filter(EKF), we demonstrate the effectiveness of our
approach on an autonomous 7-DoF robotic arm using only onboard sensing and
computation. Our robotic manipulator was capable of avoiding multiple obstacles
of different sizes and shapes while successfully capturing a fast-moving soft
ball thrown by hand at normal speed in different angles. Complete video
demonstrations of our experiments can be found in
https://sites.google.com/view/multirobotskill/home.
- Abstract(参考訳): 静的な障害物や動的障害物で満たされた乱雑な環境でロボットアームによる高速移動物体のリアルタイムインターセプションは、反応時間に数十ミリ秒しかかからないため、最先端のロボット計画アルゴリズムが複数のロボットスキル(例えば、動的物体を捕捉し、障害物を避けるなど)を並行して実行するのは非常に困難かつ困難である。
本稿では,イベントストリームに含まれる高次元の時間情報を埋め込み,安全かつ衝突性のある軌道を,事前構築された2次元密結合グラフで表される低次元空間に区別することで,ロボット経路計画の統一的枠組みを提案する。
次に、高速なグラフトラバース戦略を利用して、高速な物体をインターセプトしながら、接近する障害物を効果的に回避するために必要なモータコマンドを生成する。
この手法の最も特徴的な特徴は、深部多様体学習に基づく同じアルゴリズムフレームワーク内で、オブジェクトインターセプションと障害物回避の両方を実行することである。
高効率な拡散マップに基づく変分自動符号化と拡張カルマンフィルタ(EKF)を活用することで,車載センシングと計算のみを用いた自律型7-DoFロボットアームへのアプローチの有効性を実証する。
ロボットマニピュレータは、大きさや形状の異なる複数の障害物を回避でき、手で投げられた速く動くソフトボールを、異なる角度で通常の速度で捕獲できた。
実験の完全なビデオデモは、https://sites.google.com/view/multirobotskill/homeで見ることができる。
関連論文リスト
- Neural Implicit Swept Volume Models for Fast Collision Detection [0.0]
本稿では,深層学習に基づく符号付き距離計算の高速化と幾何衝突チェッカーの精度保証を併用したアルゴリズムを提案する。
シミュレーションおよび実世界のロボット実験において、我々のアプローチを検証するとともに、商用ビンピッキングアプリケーションを高速化できることを実証する。
論文 参考訳(メタデータ) (2024-02-23T12:06:48Z) - Nonprehensile Planar Manipulation through Reinforcement Learning with
Multimodal Categorical Exploration [8.343657309038285]
強化学習はそのようなロボットコントローラを開発するための強力なフレームワークである。
分類分布を用いたマルチモーダル探索手法を提案する。
学習したポリシは外部の障害や観測ノイズに対して堅牢であり、複数のプッシュ器でタスクにスケールできることが示される。
論文 参考訳(メタデータ) (2023-08-04T16:55:00Z) - Leveraging Sequentiality in Reinforcement Learning from a Single
Demonstration [68.94506047556412]
本稿では,複雑なロボットタスクの制御ポリシーを1つの実演で学習するために,シーケンシャルなバイアスを活用することを提案する。
本研究は, ヒューマノイド移動やスタンドアップなど, 模擬課題のいくつかを, 前例のないサンプル効率で解くことができることを示す。
論文 参考訳(メタデータ) (2022-11-09T10:28:40Z) - A real-time dynamic obstacle tracking and mapping system for UAV
navigation and collision avoidance with an RGB-D camera [7.77809394151497]
RGB-Dカメラを用いたクワッドコプター障害物回避のためのリアルタイム動的障害物追跡とマッピングシステムを提案する。
本手法は,動的環境における障害物をリアルタイムに追跡・表現することができ,障害物を安全に回避することができる。
論文 参考訳(メタデータ) (2022-09-17T05:32:33Z) - Vision-aided UAV navigation and dynamic obstacle avoidance using
gradient-based B-spline trajectory optimization [7.874708385247353]
本稿では,ロボットの車載視力を利用した勾配に基づくB-スプライン軌道最適化アルゴリズムを提案する。
提案手法は、まず円ベースのガイドポイントアルゴリズムを用いて、静的障害物を避けるためのコストと勾配を近似する。
視界検出された移動物体では, 動的衝突を防止するために, 反射・水平距離場が同時に使用される。
論文 参考訳(メタデータ) (2022-09-15T02:12:30Z) - Simultaneous Contact-Rich Grasping and Locomotion via Distributed
Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。
ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
論文 参考訳(メタデータ) (2022-07-04T13:52:10Z) - DiffSkill: Skill Abstraction from Differentiable Physics for Deformable
Object Manipulations with Tools [96.38972082580294]
DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。
特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。
次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
論文 参考訳(メタデータ) (2022-03-31T17:59:38Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳(メタデータ) (2021-08-03T02:56:21Z) - Identification and Avoidance of Static and Dynamic Obstacles on Point
Cloud for UAVs Navigation [7.14505983271756]
クラウド入力のみを点とする静的障害と動的障害を区別する手法を提案する。
計算効率の良い障害物回避運動計画手法を提案し, 改良された相対速度法と一致している。
このアプローチは、同じフレームワークの静的障害と動的障害の両方を避けることができる。
論文 参考訳(メタデータ) (2021-05-14T02:44:18Z) - Vision-Based Mobile Robotics Obstacle Avoidance With Deep Reinforcement
Learning [49.04274612323564]
障害物回避は、移動ロボットの自律ナビゲーションのための根本的かつ困難な問題です。
本稿では,ロボットが単一眼カメラにのみ依存しなければならない単純な3D環境における障害物回避の問題を検討する。
データ駆動型エンドツーエンドディープラーニングアプローチとして,障害回避問題に取り組む。
論文 参考訳(メタデータ) (2021-03-08T13:05:46Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。