XiaoMi-AI文件搜索系统
World File Search System多步操作
从动态环境中多步操作任务的演示中的逻辑学习
摘要 - 从演示中学习（LFD）是将类似人类技能授予机器人的有效框架。然而，设计一个能够无缝模仿，推广和反应在动态环境中长期地平线操纵任务的干扰的LFD框架仍然是一个挑战。为了应对这一挑战，我们提出了Logic-LFD，该逻辑LFD将任务和运动计划（TAMP）与动态运动原始词（DMP）的最佳控制配方相结合，从而使我们能够合并运动级别的Via-via-via-via-via-via-vie-vie-aint-vie-viarpoint规范并处理任务级别的变化或动态环境中的干扰。我们对我们提出的方法对几个基线进行了比较分析，从而评估了其在三个长马操纵任务中的概括能力和反应性。我们的实验证明了逻辑LFD的快速概括和反应性，用于处理任务级别的变体和长距离操纵任务中的干扰。项目网页：https：//sites.google.com/view/logic-lfd
从一个人类演示中学习多步操作任务
摘要 - 从人类示威中学习在机器人操纵中取得了显着的成就。但是，挑战仍然是开发一种与人类的能力和数据效率相匹配的机器人系统，尤其是在复杂的，非结构化的现实世界情景中。我们提出了一个处理RGBD视频的系统，以将人类的动作转化为机器人的原语，并使用接地段的任何东西来识别与任务相关的对象的关键姿势。然后，我们考虑了运动学和碰撞几何形状的人类机器人差异，以解决机器人复制人类行为方面的挑战。为了测试系统的有效性，我们进行了专注于手动洗碗的实验。在模型厨房中记录了单个人类的示例，该系统在每个步骤中取得了50-100％的成功，并且在家庭厨房中使用不同对象的整个任务获得了40％的成功率。视频可从https://robot-dishwashing.github.io获得。索引术语 - 动作学习，操纵，从演示中学习