【AI视野·今日Robot 机器人论文速览 第六十二期】Wed, 25 Oct 2023

AI视野·今日CS.Robotics 机器人学论文速览
Wed, 25 Oct 2023
Totally 25 papers
👉上期速览✈更多精彩请移步主页

Daily Robotics Papers

EquivAct: SIM(3)-Equivariant Visuomotor Policies beyond Rigid Object Manipulation Authors Jingyun Yang, Congyue Deng, Jimmy Wu, Rika Antonova, Leonidas Guibas, Jeannette Bohg 如果机器人能够熟练折叠厨房毛巾，我们也希望它能够熟练折叠沙滩巾。然而，依赖数据集增强的现有政策学习工作在实现这种泛化水平方面仍然受到限制。我们的见解是为视觉对象表示和策略架构添加等变性。我们提出了 EquivAct，它利用 SIM 3 等变网络结构，保证所有可能的对象平移、3D 旋转和构造缩放的泛化。 EquivAct 的培训分两个阶段进行。我们首先在模拟场景点云上预训练 SIM 3 等变视觉表示。然后，我们使用少量的源任务演示，在预先训练的视觉表示之上学习 SIM 3 等变视觉运动策略。我们证明，训练后，学习到的策略直接转移到与源演示在规模、位置和方向上有很大不同的对象。在模拟中，我们在涉及可变形和铰接物体的三个操纵任务中评估了我们的方法，从而超越了先前作品考虑的典型刚性物体操纵任务。我们表明，我们的方法优于不使用等变架构或不使用对比预训练程序的先前作品。我们还展示了三个真实机器人任务的定量和定性实验，其中机器人观看了二十次桌面任务演示，并将零射击转移到更大设置中的移动操纵任务。

ConvBKI: Real-Time Probabilistic Semantic Mapping Network with Quantifiable Uncertainty Authors Joey Wilson, Yuewei Fu, Joshua Friesen, Parker Ewen, Andrew Capodieci, Paramsothy Jayakumar, Kira Barton, Maani Ghaffari 在本文中，我们开发了一种用于不确定环境中实时语义映射的模块化神经网络，它显式更新神经网络层内每个体素的概率分布。我们的方法将经典概率算法的可靠性与现代神经网络的性能和效率结合起来。尽管机器人感知通常分为现代可微分方法和经典显式方法，但两者的结合对于实时和值得信赖的性能是必要的。我们引入了一种新颖的卷积贝叶斯核推理 ConvBKI 层，该层利用共轭先验，通过深度卷积层将语义分割预测在线合并到 3D 地图中。我们将 ConvBKI 与最先进的深度学习方法和概率算法进行比较，以进行映射以评估可靠性和性能。

Human-in-the-Loop Task and Motion Planning for Imitation Learning Authors Ajay Mandlekar, Caelan Garrett, Danfei Xu, Dieter Fox 从人类演示中进行模仿学习可以教会机器人复杂的操作技能，但既费时又费力。相比之下，任务和运动规划 TAMP 系统是自动化的，擅长解决长期任务，但它们很难应用于接触丰富的任务。在本文中，我们提出了人机循环任务和运动规划 HITL TAMP，这是一种利用这两种方法优点的新颖系统。该系统采用 TAMP 门控控制机制，有选择地向人类远程操作员提供控制权或从人类远程操作员那里获取控制权。这使得人类远程操作员能够管理一组机器人，从而最大限度地提高数据收集效率。然后，将收集到的人类数据与模仿学习框架相结合来训练 TAMP 门控策略，从而与完整任务演示的训练相比获得更优异的性能。我们将 HITL TAMP 与传统远程操作系统进行了比较，在相同的时间预算下，用户收集的演示数量是其 3 倍以上。此外，只需 10 分钟的非专家远程操作数据即可训练出熟练的代理 75 成功。最后，我们收集了 2.1K 个 HITL TAMP 演示，涉及 12 个接触丰富的长期任务，并表明该系统通常会产生近乎完美的代理。

GO-FEAP: Global Optimal UAV Planner Using Frontier-Omission-Aware Exploration and Altitude-Stratified Planning Authors Weiye Zhang, Wenshuai Yu, Licong Zhuang, Xiaoyi Zhang, Zhi Zeng, Jiasong Zhu 自主探索是无人机各种应用的一个基本问题。然而，现有的方法被证明是静态局部最优和二维探索。为了应对这些挑战，本文引入了利用前沿遗漏感知探索和高度分层规划的GO FEAP全局最优无人机规划器，旨在实现高效、完整的三维探索。本文提出的前沿遗漏感知探索模块考虑了多个关键因素，包括前沿距离、附近前沿数量、前沿持续时间和前沿分类，以全面评估前沿重要性。此外，为了应对垂直变化较大的场景，我们引入了海拔分层规划策略，该策略根据海拔高度对三维空间进行分层，对每一层