XiaoMi-AI文件搜索系统
World File Search System抓紧
抓紧的无实际监督的细粒度分割
自动从单个深度进一步检测可抓地的区域是布操作中的关键要素。布料变形的巨大变异性促使当前大多数方法专注于识别特定的握把而不是半偏零件，因为当地区域的外观和深度变化比较大的区域更小，更易于建模。但是，诸如折叠或辅助敷料之类的任务需要识别较大的细分市场，例如语义边缘带有更多信息，而不是点。因此，我们首先仅使用深度图像来解决变形衣服中细粒区域检测的问题。我们实施了T恤的方法，并最多定义了多达6个不同程度的语义区域，包括领口，袖袖和下摆的边缘，以及顶部和底部的握把。我们引入了一个基于U-NET的网络，以细分和标记这些部分。我们的第二个贡献与培训拟议网络所需的监督水平有关。大多数方法都学会
灵巧的抓紧变压器-CVF Open Access
在这项工作中，我们提出了一种新颖的歧视性框架，用于灵巧的掌握生成，称为d外部g rasp tr ansformer（dgtr），能够通过仅使用一个向前的通行方式处理对象点云来预测一组可行的抓握姿势。我们将敏捷的掌握生成作为设定的预测任务，并为其设计一个基于变压器的握把模型。但是，我们确定此设置的预测范式在灵活的掌握领域遇到了几种优化的挑战，并导致限制性能。为了解决这些问题，我们提出了培训和测试阶段的渐进策略。首先，提出了动态静态匹配训练（DSMT）策略，以增强训练阶段的光学稳定性。第二，我们使用一对对抗性损失来实现对抗平衡的测试时间适应（ABTTA），以提高测试阶段的掌握质量。dexgraspnet数据集的实验结果证明了DGTR可以预测具有高质量和多样性的灵活掌握姿势的能力。值得注意的是，在保持质量高的同时，DGTR Sigsigs所预测的Grasp的多样性明显优于先前的多个指标，而没有任何数据预处理。代码可在https://github.com/isee-laboratory/dgtr上找到。
Omey M. Money
•Omey M.基于仿真的抓紧计划器，用于在复合板上播放过程中启用机器人抓握。IEEE在中国西安的国际机器人与自动化国际会议，2021年5月。https：//doi.org/10.1109/icra48506.2021.9560939
蘑菇中的基因组DNA
要采集的样品必须尽可能地代表板中的菌落。 例如，如果模具具有绿色和白色，请从白色部分和绿色部分收集材料；因此，对于具有不同形态学的殖民地。 在此阶段，在此阶段，在生物引擎盖下进行层流流或在实验室长凳上进行的工作，以前用70％的乙醇清洁，靠近Bunsen喙的火焰（请注意火灾风险！！ ）; •用杵直接在内机械地用杵进行机械牢牢抓紧小猫要采集的样品必须尽可能地代表板中的菌落。例如，如果模具具有绿色和白色，请从白色部分和绿色部分收集材料；因此，对于具有不同形态学的殖民地。在此阶段，在此阶段，在生物引擎盖下进行层流流或在实验室长凳上进行的工作，以前用70％的乙醇清洁，靠近Bunsen喙的火焰（请注意火灾风险！！）; •用杵直接在内机械地用杵进行机械牢牢抓紧小猫
使用基于YOLO的学习方法
摘要 - 在农业工业化的目的中，对通常栽培作物的作物收获过程的优化至关重要。如今，机器视觉的利用使农作物的自动鉴定可以提高收获效率，但仍然存在挑战。 本研究提出了一个新的框架，该框架结合了两个单独的卷积神经网络（CNN）的架构，以便同时完成模拟环境内的作物检测和收获（机器人操纵）的任务。 模拟环境中的作物图像受到随机旋转，裁剪，亮度和对比度调整，以创建数据集生成的增强图像。 只有一旦使用传统的矩形边界框（R- Bbox）来进行农作物定位，您只能看一下算法框架。 随后提出的方法通过视觉几何组模型利用了获得的图像数据，以揭示机器人操纵的抓地位置。 索引术语 - 深度学习，Yolov3密集，机器人抓紧。如今，机器视觉的利用使农作物的自动鉴定可以提高收获效率，但仍然存在挑战。本研究提出了一个新的框架，该框架结合了两个单独的卷积神经网络（CNN）的架构，以便同时完成模拟环境内的作物检测和收获（机器人操纵）的任务。模拟环境中的作物图像受到随机旋转，裁剪，亮度和对比度调整，以创建数据集生成的增强图像。只有一旦使用传统的矩形边界框（R- Bbox）来进行农作物定位，您只能看一下算法框架。随后提出的方法通过视觉几何组模型利用了获得的图像数据，以揭示机器人操纵的抓地位置。索引术语 - 深度学习，Yolov3密集，机器人抓紧。
在矛盾的视觉和触觉提示下，在虚拟环境中对软对象的感知
摘要 - 在虚拟/增强/混合现实（VR/AR/MR）中，使用手持式触觉设备渲染软虚拟对象，这是由于手工的解剖学限制以及设计的未接地性质，这会影响执行器和传感器的选择，从而限制了由该设备显示的强制性和范围的选择。我们开发了一种电缆驱动的触觉设备，用于渲染涉及抓紧和挤压3D虚拟物体（软）物体（软）对象的净力，仅在索引纤维和拇指之间。使用建议的设备，我们研究了虚拟环境中软对象的感知。我们表明，可以通过控制视觉和触觉提示之间的关系来大大扩展对象刚度的范围，可以有效地传达给虚拟环境（VES）中的用户。我们提出，一个称为明显的刚度不同的单个变量可以预测操纵冲突下人类僵硬感知的模式，该变量可用于使VES中的一系列柔软物体用于比单独的触觉设备所能实现的范围更大的柔软物体。
带有触觉传感的机器人手的通用滑动检测
滑动检测是要识别抓握过程中对象是否保持稳定，这可以显着增强操纵灵量。在这项研究中，我们探索了能够执行各种掌握类型的五指机器人手的滑移检测，并在整个五个手指上检测到滑移，而不是专注于单个指尖。首先，我们构建了一个在六种抓地力类型的日常生活中收集的数据集，其中包括200 k个数据点。第二，根据深重下降的原理，我们为不同的抓握类型（USDConvnet-dg）设计了一个轻巧的通用滑动检测网络，以对掌握状态进行分类（无触摸，打滑和稳定的抓紧）。通过将频率与时域特征相结合，该网络的计算时间仅为1.26 ms，平均精度在验证和测试数据集上的平均精度超过97％，表明了强大的概括功能。此外，我们在现实世界中的实时掌握力调整中验证了提出的USDConvnet-DG，表明它可以有效地提高机器人操作的稳定性和可靠性。
使用具有触觉传感的灵巧手指的可变形线性对象
摘要 - 关于可变形线性对象（DLO）操纵的大多数研究都假定刚性抓握。然而，除了刚性的抓握和重新抓紧之外，在掌握的范围之外，人类也是人类使用敏捷操纵DLOS的重要技能，它需要通过握住DLO来防止其掉落的同时通过手动滑动来连续更改抓握点。在没有使用专门设计但不是多功能的最终效果的情况下，实现这种技能对于机器人来说非常具有挑战性。以前的作品尝试使用通用的平行抓地力，但是由于关注和持有之间的冲突，它们的稳健性并不令人满意，这很难与一级自由的抓手保持平衡。在这项工作中，受到人类如何使用手指跟随DLOS的启发，我们探索了具有触觉感知的通用灵巧的手的用法，以模仿人类的技能并获得强大的DLO跟随。为了使硬件系统能够在现实世界中运行，我们开发了一个框架，其中包括笛卡尔空间手臂控制，基于触觉的In-Hand-hand 3-D DLO姿势估计以及特定于任务的运动设计。实验结果证明了我们方法比使用平行抓手的显着优势，以及它的稳健性，可推广性和效率。
设计和开发用于捕获的机器人抓手
Eross，Eross+，Eross IOD是一个项目，在欧盟委员会的主持下，旨在开发和演示欧洲的轨道服务（OOS）功能：在两个类似的惯性和随访机器人操作和随访机器人操作之间的两个航天器之间的近距离聚会，包括捕获，加油，可转移，包括轨道可替代的单位（Orbital of Orbital Ablect of Orbital Autits（ORBITAL））（ORBITAL）（ORUS）（ORUS）。在该计划中，越来越多的欧洲技术提供商（目前17个组织）构成了Thales Alenia Space France（TASF）的一个财团。TASF是服务器和客户端平台的集成商。DeutchesZentrumFürLuft-und Raumfahrt（DLR）负责整体机器人子系统的整合及其至关重要元素的发展 - Caesar机器人臂。piaps提供了终端效果（LAR抓紧器）和标准握把固定装置（SGF） - 在捕获准备的客户端的情况下，用于抓握的专用接口。当前的EROSS IOD项目的目标是确保到2026年的轨道示范任务。lar抓地力开发部分发生在内部PIAPS项目Orbita，该项目由波兰国家研究与开发中心建立。在这个项目中，Piaps也正在开发其他类型的机器人子系统，包括Vision