論文の概要: Exploring of Discrete and Continuous Input Control for AI-enhanced Assistive Robotic Arms

• arxiv url: http://arxiv.org/abs/2401.07118v1
• Date: Sat, 13 Jan 2024 16:57:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 19:46:28.938430
• Title: Exploring of Discrete and Continuous Input Control for AI-enhanced Assistive Robotic Arms
• Title（参考訳）: AI強化ロボットアームの離散・連続入力制御の探索
• Authors: Max Pascher and Kevin Zinta and Jens Gerken
• Abstract要約: 協調ロボットは、オブジェクトの把握や操作といったタスクのために、複数の自由度(DoF)を管理する必要がある。 本研究は,3種類の入力デバイスを,支援ロボットのための確立されたXRフレームワークに統合することによって探索する。
• 参考スコア（独自算出の注目度）: 5.371337604556312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic arms, integral in domestic care for individuals with motor impairments, enable them to perform Activities of Daily Living (ADLs) independently, reducing dependence on human caregivers. These collaborative robots require users to manage multiple Degrees-of-Freedom (DoFs) for tasks like grasping and manipulating objects. Conventional input devices, typically limited to two DoFs, necessitate frequent and complex mode switches to control individual DoFs. Modern adaptive controls with feed-forward multi-modal feedback reduce the overall task completion time, number of mode switches, and cognitive load. Despite the variety of input devices available, their effectiveness in adaptive settings with assistive robotics has yet to be thoroughly assessed. This study explores three different input devices by integrating them into an established XR framework for assistive robotics, evaluating them and providing empirical insights through a preliminary study for future developments.
• Abstract（参考訳）: 運動障害者の在宅ケアに不可欠なロボットアームは、自立して日常生活活動(adl)を行うことができ、介護者への依存度を低減できる。 これらの共同作業ロボットは、オブジェクトの把握や操作といったタスクのために、複数の自由度(DoF)を管理する必要がある。 通常2つのDoFに制限される通常の入力デバイスは、個々のDoFを制御するために頻繁に複雑なモードスイッチを必要とする。 フィードフォワードマルチモーダルフィードバックによる現代的な適応制御は、タスク全体の完了時間、モードスイッチの数、認知負荷を低減する。 様々な入力デバイスが利用可能であるにもかかわらず、補助ロボットによる適応的な設定の有効性はまだ十分に評価されていない。 本研究は, ロボット工学の確立したXRフレームワークに組み込んだ3種類の入力デバイスについて検討し, 今後の発展に向けた予備研究を通じて, 実験的な知見を提供する。

関連論文リスト

• Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
  脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。 現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。 本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T21:00:30Z)
• AdaptiX -- A Transitional XR Framework for Development and Evaluation of Shared Control Applications in Assistive Robotics [5.651597803136407]
  本稿では,高分解能シミュレーション環境における共有制御アプリケーションの開発と評価のためのAdaptiXフレームワークを提案する。 初期のフレームワークは、仮想現実感(VR)の例を含むシミュレーションされたロボットアーム、複数の標準制御インタフェース、特殊な記録/再生システムで構成されている。 本稿では,AdaptiXの能力と限界を概観し,その枠組みに基づく3つの研究分野について述べる。
  論文  参考訳（メタデータ） (2023-10-24T14:44:41Z)
• In Time and Space: Towards Usable Adaptive Control for Assistive Robotic Arms [5.988522447941765]
  ロボットアームは、ユーザーがタスクを実行するためにいくつかの自由度(DoF)を制御する必要がある。 Modern Adaptive DoF Mapping Controls (ADMC) は、必要なモードスイッチ数を削減できたが、これまでは認識された作業負荷を大幅に削減できなかった。 我々は、ADMCのリコメンデーションを更新してフィードフォワードのマルチモーダルフィードバックを提供することによって、この問題に対処する。
  論文  参考訳（メタデータ） (2023-07-06T11:51:43Z)
• Spatiotemporal modeling of grip forces captures proficiency in manual robot control [5.504040521972806]
  本稿では,ロボットの手動制御における個々のグリップ力の変動を予測するために,人工知能を利用したこれまでの研究に基づいて構築した。 統計的分析は、初心者と熟練した専門家の数千のグリップフォースにおいて、フォアスキルの時間的変動をもたらす。
  論文  参考訳（メタデータ） (2023-03-03T15:08:00Z)
• AR3n: A Reinforcement Learning-based Assist-As-Needed Controller for Robotic Rehabilitation [0.0]
  本稿では,ロボットによる手書き再生作業において,強化学習を利用して適応支援を行う支援支援(AAN)コントローラAR3nを提案する。 複数の被験者にまたがってAR3nを一般化するための仮想患者モデルを提案する。 このシステムは、被験者の追跡誤差に基づいてロボット支援をリアルタイムで調整し、ロボット支援の量を最小化する。
  論文  参考訳（メタデータ） (2023-02-28T21:04:05Z)
• Learning to Walk Autonomously via Reset-Free Quality-Diversity [73.08073762433376]
  品質多様性アルゴリズムは、多様かつ高いパフォーマンスのスキルからなる大規模で複雑な行動レパートリーを発見することができる。 既存のQDアルゴリズムは、手動による人間の監督と介入を必要とするエピソードリセットと同様に、多数の評価を必要とする。 本稿では,オープンエンド環境におけるロボットの自律学習に向けたステップとして,リセットフリー品質多様性最適化(RF-QD)を提案する。
  論文  参考訳（メタデータ） (2022-04-07T14:07:51Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• Learning to Control Complex Robots Using High-Dimensional Interfaces: Preliminary Insights [22.719193009150867]
  7自由度ロボットアームを制御するための入力として、モーションセンサーで捉えた上半身の限られた動きを探索する。 密度の高いセンサ信号でさえ、信頼性の高い高次元ロボット制御に必要な健全な情報や独立性を欠いている可能性がある。
  論文  参考訳（メタデータ） (2021-10-09T23:38:22Z)
• Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
  多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。 本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。 我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
  論文  参考訳（メタデータ） (2021-09-19T18:00:51Z)
• Integrated Benchmarking and Design for Reproducible and Accessible Evaluation of Robotic Agents [61.36681529571202]
  本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。 このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。 本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
  論文  参考訳（メタデータ） (2020-09-09T15:31:29Z)
• Improving Input-Output Linearizing Controllers for Bipedal Robots via Reinforcement Learning [85.13138591433635]
  入力出力線形化コントローラの主な欠点は、正確な力学モデルが必要であり、入力制約を考慮できないことである。 本稿では,強化学習技術を用いた二足歩行ロボット制御の具体例について,両課題に対処する。
  論文  参考訳（メタデータ） (2020-04-15T18:15:49Z)

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。