XiaoMi-AI文件搜索系统
World File Search Systemmanipulator
机器人操纵器和自动驾驶汽车的连续循环中基于平坦的控制
摘要：通过使用基于平局的控制方法来解决机器人操纵器和自动驾驶汽车的多变量和非线性动力学的控制问题，该方法在连续循环中实现。这些机器人系统的状态空间模型分为两个子系统，它们之间在级联回路中连接。这些子系统中的每个子系统都可以独立看作是一个差异的系统，并且可以通过其动力学反转来执行其控制，就像输入输出输出线性化频率的情况下一样。第二个子系统的状态变量成为第一个子系统的虚拟控制输入。又将外源控制输入应用于第一个子系统。整个控制方法是在两个连续的循环中实现的，并且通过Lyapunov稳定性分析也证明了其全球稳定性属性。在两个案例研究中确定了控制方法的有效性：（a）控制3-DOF工业刚性链接机器人操纵器，（ii）控制3-DOF自主水下容器。
科学论文的收集«Scientia
在行业5.0背景下，协作操纵机器人的动态描述方法研究的相关性是由于需要创建互动性，智能和适应性的生产系统。行业5.0专注于人类机器人的互动，协作机器人在提高生产过程的生产率和灵活性方面起着关键作用。鉴于机器人操作的环境的快速变化，重要的是开发有效的动态描述方法以确保人类相互作用的安全性和准确性。这样的方法使机器人可以快速适应不断变化的条件和不可预测的情况，这对于降低与操作员合作时的风险至关重要。此外，在行业概念中，机器人系统的发展有助于获得更高水平的自动化，个性化和网络物理系统的整合，这强调了该领域研究的重要性。在行业概念概念中的协作工作环境的动态描述的主要方法5.0中显示了图1。
基于点云对齐的藤蔓修剪的视觉伺服
摘要：本文使用机器人技术和基于视觉的反馈控制，解决了葡萄树修剪的挑战，这是农业中至关重要且艰苦的农业任务。由于3D姿势估计和特征提取方面的挑战，藤蔓的复杂结构使视觉致密暗销。是基于迭代最接近点（ICP）点云对准和基于位置的视觉伺服伺服（PBV）的组合，提出了一种基于视觉的藤蔓修剪的新方法。在藤蔓修剪的PBV中比较了四个ICP变体：标准ICP，Levenberg – Marquardt ICP，点对平面ICP和对称ICP。该方法包括一个专用的ICP初始猜测，以提高对齐速度和准确性，以及在修剪位置生成参考点云的过程。实时实验是在配备了立体相机的Franka Emika操纵器上进行的，涉及在实验室条件下的三个真实葡萄藤。
包机和探险旅行
用于数据收集、观察和协作任务执行的卓越平台 Antipodes 拥有两个 1.47 米（58 英寸）半球形丙烯酸圆顶，为深海探险期间的直接科学观察和拍摄提供卓越的视野。她的容量允许来自多个学科的船员实时协作，因此检查不仅限于操作员指定的感兴趣区域，而是由船上人员的共识决定，从而允许不同的视角。得益于其全套导航和声纳设备，Antipodes 还能够在低能见度和多变的天气条件下全天候运行，使其船员能够及时、有效地对海洋环境进行调查。除了标准的导航和采样设备套件（包括机械臂、多波束声纳和高清成像功能）外，Antipodes 还具有完全可配置性，可满足研究和商业界最复杂的数据收集需求。
佘雨辰、李爽、刘宇飞、曹梦龙，“大型太空望远镜在轨机器人组装任务设计与规划”，J. Ast
摘要：研究大型空间望远镜（LST）的概念设计和在轨装配任务规划问题。提出了分段式镜面设计，并开发了考虑机械手工作空间覆盖范围的机器人装配概念。为了减少在轨装配周期并保护易碎的镜面结构，采用几种新算法优化机器人装配路径。首先，建立装配路径与装配件数之间的映射，快速生成优化问题的候选解。其次，提出了结合蚁群算法和遗传算法的两级混合优化框架。混合优化方法能够快速收敛到接近全局最优解。通过仿真验证了所提出的模型和算法，结果表明所开发的方法可以显著提高LST的在轨装配任务效率。 © 2020 光学仪器工程师协会 (SPIE) [DOI: 10.1117/1.JATIS.6.1.017002]
三维光子中的拓扑Chern载体...
摘要本文提出了一个旨在实现基于微控制器的人形机器人（例如Inmoov机器人）的系统[1]。该系统由视觉传感器，中央控制器和操纵器组成。我们修改了开源异议检测软件Yolo（您只看一次）V2 [2]，并将其与视觉传感器相关联，以使传感器不仅能够检测目标对象的类别，还可以借助深度摄像头来检测位置。我们还根据边界框技术估计目标的尺寸（即，目标的高度和宽度）（图1）。之后，我们将信息发送到中央控制器（人形机器人），该机器人控制着操纵器（定制的机器人手），以借助反运动学理论抓住对象。我们进行实验以使用Inmoov机器人测试我们的方法。实验表明，我们的方法是检测物体并驱动机器人手抓住目标对象的方法。
不可观察的蒙特卡洛计划非骚扰重排任务
摘要 - 在这项工作中，我们提出了一位用于创建开环轨迹的计划者，该轨迹可以使用非恐怖分子的方法来解决不确定性下的重排计划问题。我们首先将蒙特卡洛树搜索算法扩展到了不可观察的域。然后，我们提出了两项默认政策，使我们能够快速确定实现目标的潜力，同时考虑到重新安排计划至关重要的联系。第一个策略使用从一组用户演示中生成的学习模型。可以快速查询此模型的一系列动作，这些操作试图创建与对象并实现目标。第二策略在全州空间的子空间中使用了启发式指导计划者。使用这些目标知情政策，我们能够快速找到该问题的初始解决方案，然后在时间允许的情况下不断地重新填充解决方案。我们在桌子上的7个自由度操纵器移动对象上演示了我们的算法。
4M25-最终报告系统标识和基于模型的...
已经开发了一个简单的软操作器 - 一种仅在其底部致动的连续软杆，以探索这些模型。系统标识首先是使用全部信息，然后使用有限的信息来得出操纵器的动力学。然后，通过基于模型的RL对控制器进行训练，目的是将Ma-Nipulator保持在直立位置。这种方法通过通过学习动力学生成模拟数据来规避收集数据以进行无模型增强学习的效率低下。的目标是，通过对模拟动态进行训练，增强能够比实时培训更快，从而提高数据效率。比较了无模型和基于模型的方法以测试这一点。然后，还将增强学习与传统线性季节调节器（LQR）控制和比例积分衍生物（PID）控制的功效进行比较。作为外部影响和训练，有Pilco（（Deisenroth＆Rasmussen，2011）），这是一种基于Gaussian过程的控制学习计划，用于系统识别和策略搜索试验之间的控制。
OE5011：海洋机器人课程内容
OE5011：海洋机器人课程内容：海洋机器人和机器人配置简介；自主水下滑翔机（AUGS），自动水下车辆（AUV）和远程操作的水下车辆。驱动和传感系统；沟通;操纵；相互作用;指导，导航和控制；和任务控制系统。用于同时定位和映射（SLAM），故障检测/公差系统的算法；多个协调的车辆；和网络车辆。签名检测，分析和优化；雷达，声纳和导航的传感器网络；推进系统的设计；以及轨迹测量和模拟。设计和分析AUGS/AUV，运动预测和控制系统以及合作自适应抽样技术的推进器。紫外线的可变浮力系统的设计。uvs的基于DCDM的控制器的设计。使用AUGS/AUV，水下车辆操纵器系统，生物模拟的水下机器人技术和生物风格的机器人系统进行遥感和环境监测。来自印度，大韩民国，日本和美国的案例研究。 教科书：来自印度，大韩民国，日本和美国的案例研究。教科书：
与处理、存储相关的远程技术 - OSTI.gov
燃料处理活动的范围、集装箱装卸作业、废水处理、设施维护、设施设计和工具设计。表 I 中按主题和论文编号对应用和技术进行了索引。每种应用中的技术状态表示为生产 (P)、演示 (D)、实验 (E) 或设计 (C) 模式。操作方法或模式表示为手动 (M)、遥控 (T)、机器人自动化 (R) 或硬自动化 (H)。这些方法之间的区别定义如下：手动是直接手动操作远程工具；遥控利用手动操作的机械或机电机器的中介来操纵工具（例如主从操纵器）；机器人意味着灵活的自动化或对全部或部分操作进行编程的能力；硬自动化意味着不可编程的自动机械。如果传感器集成到应用系统中，则传感器的类型在第三列中指明。表中的数字是指论文编号，根据摘要末尾的论文列表。