XiaoMi-AI文件搜索系统
World File Search System灵巧
OSAM：自主和灵巧机器人
• 高价值卫星处于孤立状态，几乎没有维修机会来纠正问题、补充燃料等。[DARPA]。 • 重力阻碍了某些结构的制造（例如超薄镜、薄纱结构）。减少上升质量。为什么要发射可以在现场收获和/或制造的资源？ • 发射整流罩限制了有效载荷的大小和重量，因此也限制了设计。模块化组装使大型和可进化的系统能够快速适应任务需求的变化或从诱发损坏中恢复。 – 一些模块类型可用于构建各种系统（例如平面阵列、望远镜、燃料库、平台） – 随用随付：多次发射、仪器更换/增强等。
一个多功能的计划者，用于学习灵巧和整体...
摘要：由于不连续的动力学以及高维状态和动作空间，机器人的操作具有挑战性。在操纵任务中成功的数据驱动方法通常需要大量数据和专家证明，通常来自人类。现有的计划者仅限于特定系统，并且通常依靠用于使用演示的专业算法。因此，我们引入了一名灵活的运动计划者，该计划量身定制了灵巧和全身锻炼任务。我们的计划者可以为增强学习算法创建可用的演示，从而消除了对额外的培训管道复杂性的需求。使用这种方法，我们可以有效地学习复杂的操纵任务的政策，仅传统的强化学习只会取得很少的进步。此外，我们证明了学习的政策可以转移到真正的机器人系统中，以解决复杂的灵巧操纵任务。项目网站：https：//jacta-manipulation.github.io/
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。
MoDex：通过学习神经手模型规划高维灵巧控制
摘要 — 在高维动作空间中控制双手一直是一个长期挑战，但人类天生就能轻松地完成灵巧的任务。在本文中，我们从人类具身认知中汲取灵感，重新将灵巧手视为可学习的系统。具体来说，我们介绍了 MoDex，这是一个采用神经手部模型来捕捉手部运动动态特征的框架。基于该模型，开发了一种双向规划方法，该方法在训练和推理方面都表现出了很高的效率。该方法进一步与大型语言模型相结合，以生成各种手势，例如“剪刀手”和“摇滚乐”。此外，我们表明，将系统动力学分解为预训练手部模型和外部模型可以提高数据效率，理论分析和实证实验都支持这一点。更多可视化结果可在 https://tongwu19.github.io/MoDex 获取。
dexo：用于教机器人灵巧操纵的手部外骨骼系统
摘要 - 我们介绍了Dexo，这是一种新型的手部外骨骼系统，旨在教机器人灵巧的操纵。与传统的远程操作系统不同，由于缺乏触觉反馈和可扩展性的限制，Dexo可以通过运动镜像和力透明性来实现自然和直观的控制。系统的被动外骨骼设计使人类用户可以直接控制机器人的灵巧手，传输精确的运动和强制数据，以在实际环境中学习复杂的任务。配备了集成的触觉传感器，Dexo捕获了高保真互动数据，促进了操纵学习，而无需昂贵的硬件或仔细的工程。我们评估了跨多个灵巧任务的系统，证明了其复制人类水平的操纵的能力及其扩展收集高质量演示数据的潜力，以培训高级机器人学习模型。与现有的远程处理方法相比，我们的实验显示了任务成功率的显着提高，这使得Dexo成为推进机器人敏捷性的强大工具。
Cyberdemo：增强现实世界灵巧操纵的模拟人类示范
我们介绍了Cyberdemo，这是一种用于机器人模仿学习的新方法，该方法利用了模拟人类的策略来实现现实世界的任务。通过在模拟环境中纳入广泛的数据增强，CyberDemo在转移到现实世界中的传统现实世界中的表现优于传统的现实世界中的演示，从而处理了多样化的物理和视觉条件。无论其负担能力和在数据收集中的便利性如何，Cyberdemo Opper-pers-pers-pers-pers of-lip-term-term of基线方法在跨不同任务的成功率方面，并具有以前未见的对象的普遍性。例如，尽管只有人类的示范插入三瓣，但它仍可以旋转新型的四阀和五角谷。我们的研究证明了模拟人类示范对现实世界灵活操纵任务的重要潜力。更多详细信息可以在https://cyber-demo.github.io/
通过增材制造建筑供应链的弹性和效率：动态能力视图的灵巧观点
Amine Belhadi，Sachin S. Kamble，Venkatesh Mani，Charbel Jose Chiappetta Jabbour，Imane Benkhati。通过添加剂制造建筑供应链的弹性和效率：动态能力视图的一种偏见的观点。国际生产生产杂志，2022，249，20 p。 10.1016/j.ijpe.2022.108516。hal-04325568
直接自我识别通过粒子滤波来进行灵巧操纵的逆雅可比亚人
摘要 - 计划和控制机器人手机操纵的能力受到了几个问题的挑战，包括系统的先验知识以及随着不同机器人手甚至掌握实例而变化的复杂物理学。最直接的手动操纵模型之一是逆雅各布，它可以直接从所需的内对象运动映射到所需的手动执行器控制。但是，获得没有复杂手动系统模型的没有复杂手动系统模型的这种反向雅各布人通常是impeasible。我们提出了一种使用基于粒子滤波器的估计方案自我识别的逆雅各布人来控制手工操作的方法，该方案利用了非隔离的手在自我识别运动过程中维持被动稳定的掌握的能力。此方法不需要对特定手动系统的先验知识，并且可以通过小型探索动作来学习系统的逆雅各布。我们的系统紧密近似近似雅各布，可用于成功执行一系列对象的操纵任务。通过在耶鲁大学模型上进行广泛的实验，我们表明所提出的系统可以提供准确的亚毫米级精度操纵，并且基于雅各布的逆控制器可以支持高达900Hz的实时操纵控制。
Robodexvlm：视觉语言模型模型的任务计划和灵活机器人操纵的运动控制
摘要 - 本文介绍了Robodexvlm，这是一个用于机器人任务计划的创新框架，并掌握了配备灵敏手的协作操纵器的检测。以前的方法着眼于简化且有限的操纵任务，这些任务通常忽略了以长期培训方式抓住各种对象相关的复杂性。相比之下，我们提出的框架利用灵巧的手能够抓住不同形状和大小的对象，同时根据自然语言命令执行任务。所提出的方法具有以下核心组件：首先，设计了一个具有任务级恢复机制的稳健任务计划器，该机制设计了视觉语言模型（VLMS），这使系统能够解释和执行长序列任务。第二，基于机器人运动学和正式方法提出了语言引导的灵活掌握感知算法，该方法是针对带有多种物体和命令的零摄像的灵巧操作量身定制的。全面的实验结果验证了Robodexvlm在处理长层场景和执行灵巧抓握方面的有效性，适应性和鲁棒性。这些结果突出了该框架在复杂环境中运行的能力，展示了其进行开放式灵巧操作的潜力。我们的开源项目页面可以在https://henryhcliu.github.io/robodexvlm上找到。
用于生物医学应用的微型机器人的制造和光学操控
图 3：OT 系统和光学原理图，以及通过不同 OT 设置进行光学微型机器人操作的概念图。（a）基于分时生成多个激光点的传统 OT 系统；相应 OT 系统的光学原理图。（b）使用传统 OT 系统灵巧操作光学微型机器人的概念图。（c）可以产生多个激光点的传统全息光镊 (HOT) 系统；相应 HOT 系统的光学原理图。图片来自 [13]。（d）使用 HOT 系统灵巧操作光学微型机器人的概念图。面板 (a) 根据 CC-BY 许可条款从 [14] 复制。版权所有 2020，作者，由 Wiley 出版。面板 (c) 经许可从 [13] 复制。版权所有 2019，IEEE。