专栏首页arxiv.org翻译专栏共享抓取的操纵(CS RO)
原创

共享抓取的操纵(CS RO)

共享抓取是指被操纵对象与机器人手和环境之间的接触形成的抓取。通过将手部接触换成环境接触,共享抓取需要与手部较少的接触,即使在不可能完全抓取的情况下也能实现操纵。以往的研究已经将共享抓手用于非全面性操纵,如旋转和翻滚。本文对该问题进行了更广泛的处理,并提出了为所需物体运动选择最佳共享抓取和机器人动作的方法。核心问题是评估可行的接触模式:对于每个接触,该接触是否会保持活跃,以及是否会发生滑移。稳健性很重要。当一个接触模式失败时,例如,当一个接触丢失时,或者当无意的滑移发生时,操作将失败,在某些情况下可能会发生损坏。在这项工作中,我们列举了所有可行的接触模式,计算相应的控制,并选择最稳健的候选人。我们还可以优化接触几何,以提高鲁棒性。本文采用库仑摩擦力的平面刚体的准静态分析来推导算法和控制。最后,我们展示了共享抓取的鲁棒性以及我们的方法在代表性实验和例子中的使用。视频可以在 https://youtu.be/tyNhJvRYZNk 观看。

原文题目:Manipulation with Shared Grasping

原文:A shared grasp is a grasp formed by contacts between the manipulated object and both the robot hand and the environment. By trading off hand contacts for environmental contacts, a shared grasp requires fewer contacts with the hand, and enables manipulation even when a full grasp is not possible. Previous research has used shared grasps for non-prehensile manipulation such as pivoting and tumbling. This paper treats the problem more generally, with methods to select the best shared grasp and robot actions for a desired object motion. The central issue is to evaluate the feasible contact modes: for each contact, whether that contact will remain active, and whether slip will occur. Robustness is important. When a contact mode fails, e.g., when a contact is lost, or when unintentional slip occurs, the operation will fail, and in some cases damage may occur. In this work, we enumerate all feasible contact modes, calculate corresponding controls, and select the most robust candidate. We can also optimize the contact geometry for robustness. This paper employs quasi-static analysis of planar rigid bodies with Coulomb friction to derive the algorithms and controls. Finally, we demonstrate the robustness of shared grasping and the use of our methods in representative experiments and examples. The video can be found at https://youtu.be/tyNhJvRYZNk

原文作者:Yifan Hou, Zhenzhong Jia, Matthew T. Mason

原文地址:https://arxiv.org/abs/2006.02996

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 第三章 NFS网络文件系统

    NFS,全称为Network File System,即网络文件系统。功能是让不同的机器、不同的操作系统,可以彼此共享资源,一般主要部署于Linux或Unix系...

    晓天
  • 利用软接触力学同时进行轨迹优化和力控制(CS RO)

    机器人操纵器的力调制已经进行了数十年的广泛研究,但由于缺乏精确的交互接触建模和较弱的性能保证,因此尚未在安全关键型应用中普遍使用-其中很大一部分涉及交互力的调制...

    时代在召唤
  • 端到端基于视觉的机器人操纵的高效适应(CS RO)

    机器人学习系统的巨大前景之一是,它们将能够从错误中学习,并不断适应不断变化的环境。尽管有这种潜力,但当今大多数机器人学习系统都是作为固定策略部署的,部署后并未进...

    时代在召唤
  • 蝙蝠式在结构上栖息动作的仿生研究:惯性动力学(CS RO)

    蝙蝠的飞行特性在无人机设计中被忽视了。与其他动物不同,蝙蝠在栖息时利用惯性动力学来表现空中翻转。受这一独特动作的启发,这项工作开发并使用了一个名为“鱼叉”的微型...

    时代在召唤
  • DIGIT:一种用于手持操作的低成本紧凑型高分辨率触觉传感器的新设计(CS RO)

    尽管经过数十年的研究,但一般用途的徒手操纵仍然是机器人技术中尚未解决的挑战之一。限制目前的机器人操纵系统的一个因素是难以精确感应接触力——感应和推理接触力是精确...

    刘持诚
  • 用于共享控制机器人的主动意图消歧(CS RO)

    辅助性的共享控制机器人有可能改变数百万受严重运动障碍困扰的人的生活。共享控制机器人的实用性通常依赖于其底层的自主性推断用户需求和意图的能力,而这种消除歧义的能力...

    刘持诚
  • 多模态仿真学习的泛化保证(CS RO)

    由于不完善的演示或无法模仿学习算法来准确推断专家的策略,模仿学习的控制策略通常无法推广到新的环境中。在本文中,我们通过利用可能近似正确(PAC)-贝叶斯(Bay...

    WEIIILII
  • 推和拖:水果收获机器人的主动障碍物分离方法(CS RO)

    选择性地采摘被障碍物包围的目标水果是水果收获机器人的主要挑战之一。与传统的避障方法不同,本文提出了一种结合了推和拖动作的主动式障碍物分离策略。分离运动和轨迹是基...

    时代在召唤
  • 基于注视的人机交互自然抓取意图识别(CS RO)

    眼球运动与肢体动作密切相关,因此可以用来推断运动意图。更重要的是,在某些情况下,眼球运动是患有严重运动障碍的瘫痪和受损患者与环境交流和互动的唯一途径。尽管如此,...

    毛艺漩8078803
  • 识别非平稳顺应表面上的接触参数和导纳力调制(CS RO)

    尽管已经研究了机器人机械手的自主控制数十年,但是由于缺乏安全性和性能保证,它们在安全关键型应用中并不常用-其中许多涉及相互作用力的调节。 本文提出了一种机械探测...

    时代在召唤
  • 微重力环境下的人-机器人协作:目标切换问题(CS RO)

    协同空间机器人是一个新兴的研究领域,具有很高的影响力,因为机器人在长时间的任务中以更高的精度与宇航员协作,在时间紧、风险小、无需生命支持的情况下,使其更高效、更...

    时代在召唤
  • ubuntu16.04在英文状态下安装中文语言包的过程(法二:命令行的方式)

    VPS(Virtual Private Server 虚拟专用服务器)技术,将一部服务器分割成多个虚拟专享服务器的优质服务。实现VPS的技术分为容器技术和虚拟...

    黑泽君
  • 基于PfSPZ的疟疾疫苗生产的蚊子取放系统(CS RO)

    疟疾的治疗是一项全球性的健康挑战,而从该疾病的疫苗的广泛引入中受益匪浅。已经开发出一种利用寄生虫恶性疟原虫(Pf)的子孢子(SPZ)制备活体生物疫苗的方法,该子...

    时代在召唤
  • 基于分层需求的协同多机器人系统自适应框架(CS RO)

    在复杂和动态环境中,对多机器人和群体系统的研究已经引起了对代理人的合作和协调的极大兴趣。 为了有效地适应未知环境并最大程度地发挥团队的作用,机器人需要合作,共享...

    时代在召唤
  • 意念加AI算法「复原」每个手指,智能义肢登上Nature子刊封面

    近日,瑞士洛桑联邦理工学院的研究人员开发出了一种全新的机械臂控制方法,它利用人工智能为被截肢者提供前所未有的准确操纵能力。研究人员结合了神经工程学和机器人学的专...

    机器之心
  • CentOS7部署NFS服务

    版权声明:本文为木偶人shaon原创文章,转载请注明原文地址,非常感谢。 https://b...

    shaonbean
  • DeepMind 升级深度强化学习,仅10小时训练16个机器人灵活操纵物体

    【新智元导读】DeepMind 研究人员改进深度确定策略梯度算法,在虚拟环境中训练机械臂叠协同完成堆叠积木的任务,每架机械臂的结果都被用于改进核心算法,10个小...

    新智元
  • 分类算法实例二:用Softmax算法预测葡萄酒质量

    魏晓蕾
  • DRBD详细解说及配置过程记录

    一、DRBD介绍 DRBD(Distributed ReplicatedBlock Device)是一种基于软件的,无共享,分布式块设备复制的存储解决方案,在服...

    洗尽了浮华

扫码关注云+社区

领取腾讯云代金券