XiaoMi-AI文件搜索系统
World File Search SystemSIM2REAL
杂志
本期第 2 期包含三篇非常重要且不同的文章：• 第一篇文章的标题为“国防组织采用人工智能需要进一步关注道德、法律和社会方面”，强调无人机运行需要法律和监管框架。此外，它还提出并提出了关于人工智能伦理的有效观点——请注意，机器人伦理总体上是一个中心讨论话题。• 第二篇文章的标题为“基于两栖无人机的新型远程水质检测系统”，主要围绕无人机在特定公共领域应用中的使用。• 第三篇文章的标题为“为 AirSim 3D LiDAR 传感器引入噪声以减少模拟多旋翼操作中的 Sim2real 差距”，主要关注准确建模传感器噪声的重要性，因为它可能会影响空中机器人对周围环境感知的准确性和可靠性。本期最后介绍了有关无人航空的最新消息和报道。
腿部机车操作的视觉全身控制
摘要 - 我们研究了配备有手臂的腿部机器人的移动操作问题，即腿部手机。机器人腿通常用于活动性，但通过进行全身控制提供了一个机会来扩大操纵功能。也就是说，机器人可以同时控制腿部和手臂以扩展其工作区。我们提出了一个可以通过视觉观测来自主进行全身控制的框架。我们的方法，即视觉全身控制（VBC），是由低级政策组成的，使用各个自由度来跟踪人体速度以及最终效应器位置以及基于视觉输入的速度和最终效应器位置的高级政策。我们在模拟中训练两个级别的策略，并执行SIM2REAL转移以进行实际机器人部署。我们进行了广泛的实验，并在以不同的配置（高度，位置，方向）和环境中拾取不同对象时表现出明显的优势。
Koopman EDMD候选功能的分析构建，以最佳控制Ackermann Steecer evelicles
摘要：自动驾驶汽车（AV）的路径跟踪控制性能至关重要地取决于建模选择和随后的系统识别更新。传统上，汽车工程已经建立在增加白色和灰色框模型以及系统识别的忠诚度之后。尽管这些模型具有解释性，但它们会遭受建模不准确，非线性和参数变化的困扰。在另一端，端到端的黑框方法（例如行为克隆和增强学习）提供了提高的适应性，但以解释性，可推广性和SIM2REAL间隙为代价。在这方面，诸如Koopman扩展动态模式分解（KEDMD）之类的混合数据驱动技术可以通过选择“提升功能”来实现非线性动力学的线性嵌入。但是，该方法的成功主要基于提升函数和优化参数的选择。在这项研究中，我们提出了一种分析方法，使用迭代的谎言支架向量字段来构建这些提升功能，考虑了我们Ackermann Steceer的自主移动机器人的配置歧管上的载体和非独立限制。使用标准车辆动力学操纵的轨迹跟踪以及沿闭环赛车轨道进行了轨迹跟踪，显示了所获得的线性KEDMD模型的预测和控制功能。
学年的特殊主题课程列表2024-2025感知深度学习（2.0 cr。）2024秋季术语本课程公开了学生
学年的特殊主题课程列表2024-2025感知深度学习（2.0 cr。）2024秋季术语本课程使学生接触到应用于图像的深度学习的数学基础。最先进的机器人中的感知堆栈正在迅速适应深度学习的最新进步，因为它们的功效和高精度。这些基于深度学习的方法也可以使用并行的硬件（例如GPU）加速，这些硬件可以实现复杂任务（例如实时场景分割）的低延迟操作。在机器人感知的背景下，将对学生进行培训，以制定，开发和实施深度学习解决方案，以解决常见的计算机视觉问题。该课程将涵盖高级和最先进的主题，例如SIM2REAL，对神经网络，视觉变压器和扩散模型的对抗性攻击。本课程中探讨的其他主题包括图像形成，线性分类器，神经网络和反向流体，卷积神经网络（CNN），CNN体系结构，SIM2REAL，黑色和白色盒子攻击的数据生成，用于对神经网络的构建，以构建用于构建现有的艺术机器人的Art机器人堆栈。学生将了解具有最先进的深度学习工具包的机器人系统所需的考虑因素。该课程旨在平衡理论与项目的应用。推荐背景：精通编程，最好是Python，MA 1024，MA 2071/20772，MA 2621/2631机器人进行回收（2.0 cr。）2024秋季B期限介入机器人技术和AI技术的最前沿，以应对全球浪费危机。本课程基于基础机器人知识，以应对可持续废物管理中的现实世界挑战。它提供了一个了解机器人操作和机器人视觉系统的机会，并将这些知识应用于使用物理机器人平台开发废物回收系统的知识。具体来说，该课程将涵盖用于开发废物分类方法的计算机视觉算法，机器人握把和非划分的操纵算法，用于开发废物采摘和重排系统，设计各种采摘机制以及实施端到端的对象拾取管道。该课程包括一个术语项目模块，用于开发废物排序系统的原型。先决条件：RBE 500推荐背景：RBE 549，RBE 4540，CS 541社会辅助机器人技术（2.0 cr。）2024秋季B期限探讨了旨在通过社会互动而不是身体行动来增强人类福祉和我们社会的机器人技术和AI技术的最前沿。本课程涵盖了基础，跨学科的机器人知识，以应对医疗保健，教育和其他领域中现实世界中的挑战。它引入了社会智能机器人技术的发展生命周期，包括设计，开发和评估。具体来说，该课程将涵盖：1）多模式人类机器人相互作用，包括多模式感应和感知，决策和反馈机制； 2）以人为中心的AI，并体现了AI的个性化和适应； 3）在社会辅助环境中的边界研究应用，例如老龄化护理，痴呆症护理，自闭症护理和教育。该课程旨在针对对社会机器人技术，以人为中心的计算，医疗保健，生物医学工程，人类计算机互动和社会科学以及SAR的研究前沿的学生。教学方法包括讲座，邀请专家演讲者的见解以及学生将设计的术语项目模块，建议背景：RBE/CS 526，RBE 549，RBE 595/4540，CS 541
![arxiv：2410.01273v1 [cs.ro] 2024年10月2日](/simg/7\78380b4f2236d49e7003725348d32370ccf2f6c5.webp)
arxiv：2410.01273v1 [cs.ro] 2024年10月2日
摘要 - 现实生活中的机器人导航不仅涉及到达目的地；它需要在解决方案特定目标的同时优化运动。人类表达这些目标的一种直观方式是通过诸如口头命令或粗略草图之类的抽象提示。这样的人类指导可能缺乏细节或嘈杂。尽管如此，我们希望机器人能够按预期导航。让机器人根据人类期望来解释和执行这些抽象说明，他们必须与人类对基本导航概念有共同的理解。为此，我们介绍了Canvas，这是一个新颖的框架，结合了常识感知导航的视觉和语言说明。它的成功是由模仿学习驱动的，使机器人能够从人类航行行为中学习。我们提出命令，这是一个具有人类通知结果的综合数据集，范围超过48小时，219公里，旨在训练模拟环境中的常识性导航系统。我们的实验表明，画布在所有环境中都超过了强大的基于规则的系统，并以嘈杂的说明显示出了卓越的性能。值得注意的是，在果园环境中，Ros Navstack记录了总成功率0％，帆布的总成功率为67％。画布也与人类的示范和常识性约束密切一致，即使在看不见的环境中也是如此。此外，画布的现实部署展示了令人印象深刻的Sim2real转移，总成功率为69％，强调了在模拟环境中为现实世界应用中的人类展示学习的潜力。
高级表达类人动物全身控制
类人机器人具有与Humans相似的形态，具有执行人类在日常生活中可以完成的各种任务和动作的潜力。，由于高维状态空间和控制性的综合性，发展具有人类类似人类的行为，从而限制了其现实世界的应用仍然具有挑战性。随着大规模Human运动数据集的可用性不断增长[4，45]，一种解决这一挑战的实用方法是通过跟踪和模仿人类动作来复制多功能运动[8，20，23，24]。但是，在考虑硬件时，人形机器人和人类仍然完全不同，这阻碍了机器人完全复制人类运动的能力。这提出了一个令人信服的研究问题：鉴于它们的身体局限性，我们如何在保持其稳定性和稳健性的同时，追求人形机器人的表现力，类人类的能力？在本文中，我们引入了先进的表达全身控制（Exbody 2），这是一个有效的框架，可最大程度地揭示人形机器人对可行的全身运动的表现力。该框架属于SIM2REAL管道，该政策将采用参考运动运动作为输入，并输出控制真实类人动物以在现实世界中进行运动的动作。我们培训一项单一的政策，该政策跨越了不同的输入信息。我们确定了四种技术设计以实现这一目标：（i）构建可行且多样化的培训数据集。一些作品通过完善数据集解决了这一点。我们系统地分析数据集人类运动数据集（如Amass [45]）通常包含超出机器人物理帽的复杂运动，从而使跟踪过于挑战和降低表现。前[8]，例如，通过模棱两可的描述（例如“舞蹈”）仍然可以包含不合适的动作，从而滤除了使用语言标签的不可行动作。其他AP-PARACHES，例如H2O [24]和OmniH2O [24]，采用SMPL模型来模拟虚拟类人动物并滤除复杂运动。但是，SMPL化身可以执行真正的机器人无法执行的操作，从而在模拟和现实世界可行性之间造成差距，从而仍会影响训练有效性。