XiaoMi-AI文件搜索系统
World File Search System操纵器
使用UR3E操纵器
近年来，随着机器人技术的发展，医疗保健行业一直在取得显着进步[1]，[2]。由于Covid-19引起的大流行，使用机器人技术的医疗程序的自动化变得至关重要[3]，[4]。机器人正在逐步用于包括手术[5]，康复[6]，诊断[7]和药物输送[8]在内的广泛任务[8]，提供精度，效率和远程操作能力[9]。现代机器人技术具有使用机器人操纵器[10]进行医学检查程序的巨大潜力[10]，这些机器人使用各种末端效应子在特定任务中提供其他功能。如今，机器人臂成为医学研究小组的主要重点[11]。 机器人操纵器具有轻巧的重新配置手臂设计，高精度执行器和运动控制系统。 这些机器人用于需要高度精确和质量的任务性能的医学场景，例如组织缝合[12]，微创手术[13]，[14]和超声检查[15]。如今，机器人臂成为医学研究小组的主要重点[11]。机器人操纵器具有轻巧的重新配置手臂设计，高精度执行器和运动控制系统。这些机器人用于需要高度精确和质量的任务性能的医学场景，例如组织缝合[12]，微创手术[13]，[14]和超声检查[15]。
使用商品移动操纵器
拉动开放式橱柜和抽屉在感知中提出了许多困难的技术挑战（从车载传感器中推断物体的发电参数），计划（制定符合紧密任务约束的运动计划）和控制（在环境上施加力时进行控制和维护接触））。在这项工作中，我们构建了一个端到端系统，该系统使商品机械手操纵器（Stretch Re2）能够在以前看不见的现实世界环境中拉出开放式橱柜和抽屉。我们对该系统进行了4天的现实世界测试，这些系统涵盖了来自13个不同现实世界环境的31种不同对象。我们的系统在未看到的环境中开放新颖的机柜和抽屉的成功率为61％。对故障模式的分析表明，感知错误是我们系统最重大的挑战。我们将开放源代码和模型，供其他人复制并在我们的系统上构建。
双臂移动操纵器-RB-Y1
脚踝滚动垩堋堉°/s， - - 堋堉°〜°踝倾斜垩堋堉°/s， - 堏堉°〜°膝关节， - h°/s， - 垩堍堉°〜°hip hip patper垩堑堉°/s， - hip lip lip lip lip to -Y°〜°肩倾斜垩堑堉°/s， - shoulder°〜°肩compry°/s，堉°〜°〜°〜°肩yaw°/s， - 垩堋堉°〜°〜°弯头p Proitk垩堑堉°/s/s， - s， - 垩堎堉°〜°〜堉°wrist YAW YAW YAW YAW°°°°°°。堌堏堉°/s， - 垩堉堉°〜°腕偏航堋°/s， - 垩堐堉°〜°
自动测试管的机器人操纵器的开发
摘要：近年来，机器人技术在各个制造业中都经历了重大的发展和广泛的应用。这一进步是由人工智能和计算机视觉等技术中突破的整合所驱动的，从而使机器人在执行特定任务时变得更加聪明和适应。因此，将机器人纳入人类生产和研究活动的需求得到了加速。具体来说，在化学相关的行业中，减少或避免与化学物质的直接接触对于确保表演者的安全至关重要。在实验室环境中，已经出现了自动化任务，例如使用机器人臂的化学管布置，以提高安全性并节省研究人员的时间。以这个概念为基础，本文提出了一个机器人系统，该系统是将离心管排成托盘的实验室助理。该系统由一个5度自由的机器人组，反应堆X-150，以及深度摄像头D435和计算机视觉模型Yolov8组成。通过从Yolov8收集图像识别信息并将其与深度摄像头数据结合进行分析，系统确定管子的位置和方向，然后将其传输到机器人以进行布置过程。这种综合方法旨在提高处理离心实验的安全性。
开发飞机飞行控制中的主动操纵器
大多数为飞机控制开发的触觉界面都提供触觉支持作为控制机械手上的附加力。本研究重新审视了主动机械手，这是一种不同于现有触觉界面但与之互补的设计理念。该控制装置将飞行员施加在其上的力传送到飞机，同时通过偏转角反馈飞机的旋转速度。研究发现，与传统的被动机械手相比，主动机械手在补偿跟踪任务中大大促进了目标跟踪和干扰抑制。此外，任务性能的更大改进与更高的强制函数带宽相关。这些发现是由于主动机械手将有效受控元件动力学转变为类似积分器的动力学，同时将干扰抑制集成到神经肌肉系统中。然而，在飞机状态反馈中作用于飞机的高频干扰会对主动机械手的操作效率产生不利影响。根据实验结果和被动性理论的结果，设计和评估了一个超前 - 滞后滤波器，它可以减轻这种影响而不影响任务性能。
移动操纵器的视觉预测控制-LAA -HAL
对自动移动操纵器的需求是多种应用程序中的几种应用程序的核心，例如精密农业[1]，工业安装[2]，搜索和救援[3]或人类援助[4]。一般而言，移动操纵器必须同时执行移动基础的导航任务，并为机器人臂进行操纵。必须考虑几个挑战以执行这两个任务。从感知的角度来看，机器人系统必须配备可以检测不同地标并分析周围环境的传感器。此外，有必要确保用于执行任务的地标保留在传感器的视野中。从控制的角度来看，控制方案必须同时处理移动基础和机器人组，以使两个子系统之间的协作并避免惩罚完成另一个任务的动作。最后，有必要将机器人臂的控制与移动基础的位移进行协调，以避免机器人系统通过延伸的臂导航的情况，从而在末端效果下导致显着振动，并增加与外部元素奇异构型和碰撞的风险。与任何机器人系统一样，有许多控制移动操纵器的方法。广泛使用的解决方案包括在欧几里得空间中表达任务。在这种情况下，机器人使用板载传感器来估计系统配置。LIDAR型传感器提供几何数据，从而可以准确估计，但不能提供对环境的先进感知。基于视觉的传感器提供丰富的环境信息，但姿势估计对错误高度敏感。使用摄像机时，另一种广泛使用的解决方案
使用3D小鼠控制机器人操纵器
机器人操纵器的流体6DOF近6DOF触发器可以在不可能的情况下进行远程计算，从而促进示范数据的收集，并艾滋病常规机器人技术开发。在6DOF输入设备中，3D小鼠以其精神设计和低成本而分开，但是他们的敏感性和用户对它们的关系不足，需要特殊的设计注意事项。我们贡献了一个Web软件包，该软件包使在机器人操纵接口中集成3D小鼠容易。该软件包由可配置的输入信号处理方案组成，例如，拒绝少量输入或强调主流轴，以及对设备6DOF扭转输入的交互式视觉表示，这有助于操作员熟悉并提供可视化的辅助功能。我们提供了一个演示界面，该界面说明了与ROS/ROS2机器人系统的典型集成，并根据我们的研究经验提供了使用建议。
智能行业的机器人操纵器的基于增强学习的运动计划
摘要 - 由数字技术和自动化的整体推动的智能行业的出现，彻底改变了制造业和工业流程。机器人技术和人工智能（AI）处于这种转变的最前沿，推动了对机器人自动化和运动计划的广泛研究。传统的运动计划算法，例如人工电位领域，生物启发的启发式方法和基于抽样的方法，通常在复杂的环境中流动，因为它们的高计算需求和产生非最佳解决方案的趋势。强化学习（RL）已成为一种强大的替代方案，在动态设置中提供了实时适应和最佳决策。本文回顾了经典运动计划方法的固有局限性，并探讨了基于RL的方法中的当代趋势，重点是它们在智能行业中的应用。它突出了RL在增强适应性，效率和鲁棒性方面的优势，尤其是在高维和动态环境中。关键讨论包括将RL与传统技术的集成，RL应用在各个领域的扩展以及基于传感器的方法在改善运动控制中的作用。
动态环境中的操纵器技能再现的自适应框架
摘要 - 在不确定和动态环境中的机器人技能学习和执行是一项具有挑战性的任务。本文提出了一个自适应框架，该框架结合了从演示中学习（LFD），环境状态预测和高级决策。主动的适应性阻止了反应性适应的需求，这落在环境中的变化之后而不是预期它们背后。我们提出了一种新颖的LFD表示，即弹性拉普拉斯轨迹编辑（ELTE），它不断地适应轨迹形状，以预测未来状态的预测。然后，使用无用的卡尔曼过滤器（UKF）和Hidden Markov模型（HMM）的高级反应性系统可防止基于离散决策集的动态环境的当前状态中的不安全执行。我们首先在模拟中验证我们的LFD表示，然后在36个真实世界中使用腿部移动操纵器在实验中评估整个框架。我们在环境中不同的动态变化下显示了拟议框架的效率。我们的结果表明，所提出的框架会产生强大而稳定的自适应行为。
使用多个光学局部合作移动操纵器
摘要 - 机器人互联网（IOR）在挑战性的环境中具有复杂任务的优势，但它却带来了与服务和场景多样性，降低风险和超低延迟要求相关的挑战。为了应对这些挑战，我们提出了一种综合体系结构，可增强IOR的适应性，灵活性，鲁棒性和低潜伏期。这是通过引入网络切片，基于服务的体系结构和数字双（DT）来实现的。我们已经开发了一个开源实验平台，以展示所提出的体系结构的可定制性。在WiFi和蜂窝场景中设置了不同要求的切片，以证明其多功能性。此外，我们为IOR提出了一种DT辅助深度加固学习（DRL）方法，以改善DRL性能并减轻与不良行动相关的风险。DT用于预测物理环境中的奖励和动态状态过渡。更重要的是，我们介绍了一种资源分配方法，该方法结合了数据处理队列抢占和频谱的穿刺。这旨在适应共存的服务，特定增强的移动宽带（EMBB）和爆发的超可靠的低潜伏期通信（URLLC）。实验和数值结果验证了我们提出的方法的有效性，显示了IOR中的可定制性，鲁棒性，延迟和中断概率的提高。