XiaoMi-AI文件搜索系统
World File Search Systemmanipulator
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°〜°
用于物理人体型操纵器合作的硬件式模拟器
摘要 - 本文介绍了与空中操纵器合作的硬件模拟器。模拟器为用户提供了适用于人冲水器交互活动的逼真的触觉反馈。测量硬件界面和Human/环境之间交换的力，并提供给动态模拟的空中操纵器。反过来，模拟的空中平台将其位置反馈到硬件，从而使人类能够感觉到并评估相互作用的效果。除了人冲洗操作器的合作外，模拟器还提供了发展和测试空中操纵中的自主控制策略。因此，对拟议系统的有效性以及两个案例研究进行了评估：一个协作任务，其中人类操作员将工具附加到机器人最终效用器和一个自动鸟分流器的安装任务。
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。
利用机器人操纵器进行柔性航天器建模与控制
由于存在碰撞风险和人造物体的堆积，尤其是在低地球轨道 (LEO) 中，围绕地球运行的空间垃圾的增多已成为现役航天器和未来任务面临的重大问题。为了缓解这一问题，人们提出了新的解决方案。空间机器人已被纳入在轨服务，以帮助人类在太空环境中开展活动，特别是机器人操纵器可以在主动清除碎片方面发挥关键作用。本论文的目的是开发一个灵活的航天器动力学和控制模型，包括空间操纵器。采用混合方法实现主体和操纵器动力学。具体而言，操纵器运动方程是从拉格朗日公式中获得的，而主体动力学则用刚体的欧拉方程表示。机械臂是一个带有两个连杆的两自由度 (DOF) 平面操纵器。主要结构特性是在与文献中的空间机械臂进行比较后选择的。另一方面，JAXA 微型卫星 PROCYON 被用作航天器的主体。与 PROCYON 航天器一样，也考虑了金字塔形配置的四个反作用轮系统。所有建模和仿真阶段均在 MATLAB/SIMULINK 环境中进行。这项工作的另一个重要方面是卫星的柔性部分，由 PROCYON 航天器的四个太阳能电池板表示。使用 PATRAN/NASTRAN 进行有限元法 (FEM) 分析，以获得模型所需的自然模式和频率，并评估刚性和柔性部分之间的耦合矩阵。论文的第二部分是关于控制策略。两种不同的控制器用于机械手的运动和主体姿态控制。机械臂采用简单的比例-积分-微分 (PID) 控制器，目的是实现所需的关节角度位置，以便捕获碎片/目标。对于姿态控制，采用具有线性二次调节器 (LQR) 的主动抗扰控制 (ADRC) 作为控制律，以便获得快速稳定的响应，并消除作用于系统的所有内部和外部扰动。仿真环境中的令人满意的结果证明了 ADRC 执行姿态控制的能力，
移动机械手遥操作的性能和可用性评估方案
摘要 — 本文介绍了一种标准化的移动机械手人机遥控界面 (HRTI) 评估方案。遥控操作仍然是开放环境中移动机械手的主要控制类型，尤其是四足机械手。然而，与传统机械相比，移动机械手，尤其是四足机械手，在工业中实施的系统相对较新。因此，尚未为它们建立标准化的界面评估方法。所提出的方案是评估移动机械手遥控操作的首个方案。它包括一组机器人运动测试、客观测量、主观测量和预测模型，以提供全面的评估。运动测试包括运动、操纵和综合测试。每次试验的持续时间被收集为客观测量中的响应变量。统计工具（包括平均值、标准差和 T 检验）用于交叉比较不同的预测变量。基于扩展的 Fitts 定律，预测模型采用时间和任务难度指数来预测未来任务中的系统性能。主观测量利用 NASA 任务负荷指数和系统可用性量表来评估工作量和可用性。最后，提出的方案在现实世界的四足操纵器上实施，该操纵器具有两个广泛使用的 HRTI、游戏手柄和可穿戴运动捕捉系统。
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
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。
tidybot ++：机器人学习的开源自动移动操纵器
摘要：利用最近在模仿学习中进行操作的前进的承诺将需要收集大量的人类引导示范。本文提出了一种开源设计，用于廉价，健壮且灵活的移动操纵器，该设计可以支持任意武器，从而实现了各种各样的现实世界家庭移动操纵任务。至关重要的是，我们的设计使用动力施法者使移动基础能够完全自动，能够同时独立地控制所有平面自由度。此功能使基础更具机动性，并简化了许多移动操作任务，从而消除了在非实体基础中产生复杂且耗时的动作的运动限制。我们为机器人配备了直观的手机遥控接口，以实现简单的数据获取以进行模仿学习。在我们的实验中，我们使用此界面来收集数据，并表明所产生的学习政策可以成功执行各种常见的家庭移动操纵任务。
