Autonomous Robots

In this paper, we present a decentralized and communication-free collision avoidance approach for multi-robot systems that accounts for both robot localization and sensing uncertainties. The approach relies on the computation of an uncertainty-aware safe region for each robot to navigate among other robots and static obstacles in the environment, under the assumption of Gaussian-distributed uncertainty. In particular, at each time step, we construct a chance-constrained buffered uncertainty-aware Voronoi cell (B-UAVC) for each robot given a specified collision probability threshold. Probabilistic collision avoidance is achieved by constraining the motion of each robot to be within its corresponding B-UAVC, i.e. the collision probability between the robots and obstacles remains below the specified threshold. The proposed approach is decentralized, communication-free, scalable with the number of robots and robust to robots’ localization and sensing uncertainties. We applied the approach to single-integrator, double-integrator, differential-drive robots, and robots with general nonlinear dynamics. Extensive simulations and experiments with a team of ground vehicles, quadrotors, and heterogeneous robot teams are performed to analyze and validate the proposed approach.

Chúng tôi đề xuất một thuật toán học trực tuyến mới, gọi là SpCoSLAM 2.0, nhằm mục đích tiếp thu khái niệm không gian và ngôn ngữ với độ chính xác cao và khả năng mở rộng tốt. Trước đây, chúng tôi đã đề xuất SpCoSLAM như một thuật toán học trực tuyến dựa trên mô hình xác suất Bayes không giám sát, tích hợp phân loại địa điểm đa phương thức, tiếp thu từ vựng và SLAM. Tuy nhiên, thuật toán ban đầu có độ chính xác ước lượng hạn chế do ảnh hưởng của các giai đoạn đầu của quá trình học và độ phức tạp tính toán tăng lên khi có thêm dữ liệu đào tạo. Do đó, chúng tôi giới thiệu các kỹ thuật như hồi phục độ trễ cố định để giảm thời gian tính toán trong khi vẫn duy trì độ chính xác cao hơn thuật toán gốc. Kết quả cho thấy, về khía cạnh độ chính xác ước lượng, thuật toán đề xuất vượt trội hơn so với thuật toán gốc và có thể so sánh với học theo lô. Ngoài ra, thời gian tính toán của thuật toán đề xuất không phụ thuộc vào số lượng dữ liệu đào tạo và trở nên cố định cho mỗi bước của thuật toán có khả năng mở rộng. Cách tiếp cận của chúng tôi sẽ đóng góp vào việc hiện thực hóa các tương tác ngôn ngữ không gian lâu dài giữa con người và robot.

Bài báo này trình bày một phương pháp mô hình hóa topo tự động và định vị trong môi trường gia đình chỉ sử dụng các cảm biến sonar chi phí thấp. Mô hình topo được trích xuất từ một bản đồ lưới bằng cách sử dụng phân tế bào và cắt đồ thị chuẩn hóa. Việc mô hình hóa topo tự động bao gồm việc trích xuất gia tăng một vùng phụ mà không cần định nghĩa trước số lượng vùng phụ. Một phương pháp định vị topo dựa trên mô hình topo này được đề xuất, trong đó bản đồ lưới địa phương hiện tại được so sánh với bản đồ lưới gốc. Quá trình định vị được thực hiện bằng cách thu được xác suất nút từ một mô hình chuyển động tương đối và khớp bản đồ lưới bất biến theo quay. Phương pháp đề xuất trích xuất một mô hình topo có cấu trúc tốt của môi trường, và việc định vị cung cấp xác suất nút đáng tin cậy ngay cả khi phải làm việc với dữ liệu sonar thưa thớt và không chắc chắn. Kết quả thực nghiệm chứng minh hiệu suất của mô hình hóa topo và định vị đề xuất trong một môi trường gia đình thực tế.

Khi robot bắt đầu tương tác với môi trường của chúng, chúng cần lý luận về khả năng tương tác của các đối tượng trong môi trường đó. Trong hầu hết các trường hợp, khả năng tương tác chỉ có thể suy ra từ các phần của đối tượng, chẳng hạn như lưỡi dao để cắt hoặc đầu búa để đóng đinh. Chúng tôi đề xuất một phương pháp phát hiện khả năng tương tác dựa trên các bộ phận theo kiểu RGB-D, trong đó các bộ phận được xác định dựa trên khả năng tương tác của chúng. Chúng tôi cho thấy rằng việc phát hiện khả năng tương tác được hưởng lợi từ việc biểu diễn đối tượng dựa trên phần, vì các bộ phận này là đặc trưng và có thể tổng quát hóa cho các đối tượng mới. Chúng tôi so sánh phương pháp của mình với các phương pháp phát hiện khả năng tương tác tiên tiến khác trên một tập dữ liệu chuẩn (Myers et al. trong Hội nghị quốc tế về robot và tự động hóa (ICRA), 2015), vượt trội hơn các phương pháp này trung bình 14% trên các mẫu đối tượng mới. Hơn nữa, chúng tôi đã áp dụng phương pháp phát hiện khả năng tương tác của mình vào một kịch bản nắm giữ robot để minh họa rằng robot có thể thực hiện các nắm giữ sau khi phát hiện khả năng tương tác.

Bốn mươi năm trước, khái niệm không gian cấu hình (C-space) đã cách mạng hóa việc lập kế hoạch chuyển động cho robot đối với các vật thể cứng và có khớp nối. Dù đã có những tiến bộ lớn, nhưng việc xử lý các vật liệu biến dạng vẫn còn là một thách thức vì không gian trạng thái hình dạng của chúng có chiều vô hạn. Việc tìm ra những biểu diễn có độ phức tạp thấp đã trở thành một mục tiêu nghiên cứu cấp bách. Công trình này cố gắng thực hiện một bước nhỏ trong hướng đi này bằng cách đề xuất một biểu diễn trạng thái cho vải dựa trên C-space của một số điểm đặc trưng. Một phân lớp của không gian cấu hình cho n điểm trong vải được suy diễn từ đó của Đa tạp cờ, và các kỹ thuật topo để xác định sự kề nhau trong các đồ thị trạng thái tập trung vào thao tác được phát triển. Việc triển khai thuật toán của họ cho phép thu được các biểu diễn không gian trạng thái vải với các cấp độ chi tiết khác nhau và phù hợp với các mục đích cụ thể. Một ví dụ về việc sử dụng chúng để phân biệt giữa các trạng thái vải có các khả năng thao tác khác nhau được cung cấp. Các gợi ý về cách mà các đồ thị trạng thái đề xuất có thể phục vụ như một nền tảng chung để liên kết giữa nhận thức, lập kế hoạch và thao tác vải cũng được đưa ra.

Tương tác giữa con người và robot giống như con người (NHL-HRI) tự nhiên đòi hỏi robot phải có khả năng nhận diện và tạo ra nhiều hành vi tinh tế của con người, thường bị coi nhẹ bởi con người. Chúng tôi đề xuất một sự phân chia sơ bộ các yêu cầu đối với NHL-HRI thành ba nhóm thuộc tính: (1) hành vi xã hội, (2) nhận thức hướng đến mục tiêu, và (3) trí tuệ vững chắc, đồng thời trình bày kiến trúc DIARC mới cho các robot tình cảm phức tạp nhằm tương tác giữa con người và robot, với mục tiêu đáp ứng một số yêu cầu đó. Chúng tôi mô tả ngắn gọn các thuộc tính chức năng của DIARC và việc triển khai nó trong hệ thống ADE của chúng tôi. Sau đó, chúng tôi báo cáo kết quả từ các đánh giá của đối tượng con người trong phòng thí nghiệm cũng như những trải nghiệm của chúng tôi với robot chạy ADE tại cuộc thi Robot AAAI 2005 trong sự kiện Tương tác Mở và Triển lãm Robot.

This paper describes an approach to the construction of three-dimensional stochastic models for intelligent systems exploring an underwater environment. Important characteristics shared by such applications are: (1) real-time constraints; (2) unstructured, three-dimensional terrain; (3) high-bandwidth sensors providing redundant, overlapping coverage; (4) lack of prior knowledge about the environment; and (5) inherent inaccuracy or ambiguity in sensing and interpretation. The paper develops an underlying theory of stochastic backprojection and demonstrates how such an approach satisfies these five needs for undersea robotics. Models are cast as three-dimensional spatial decompositions of stochastic feature vectors. A numerical approach to incorporating new sensor information is derived from an incremental adaptation of the summation method for image reconstruction. Error and ambiguity are accounted for by blurring a spatial projection of remote-sensor data before combining them stochastically with the model. By exploiting the redundancy in high-bandwidth sensing, model certainty and resolution are enhanced as more data accumulate. In the case of a three-dimensional profiling sonar, the model converges to a “fuzzy” surface distribution from which a deterministic surface map is extracted. To verify the fundamental properties of stochastic backprojection and the resulting models, computer simulations are used to demonstrate: impulse and ramp responses; mitigation of artifacts caused by deterministic processing; incremental increase in accuracy and reduction of uncertainty; and convergence. Two examples illustrate how this approach has been successfully applied in the field for three-dimensional modeling of a sunken shipwreck by a remote undersea vehicle and for backscatter modeling of undersea terrain.

The center of mass (CoM) of a humanoid robot occupies a special place in its dynamics. As the location of its effective total mass, and consequently, the point of resultant action of gravity, the CoM is also the point where the robot’s aggregate linear momentum and angular momentum are naturally defined. The overarching purpose of this paper is to refocus our attention to centroidal dynamics: the dynamics of a humanoid robot projected at its CoM. In this paper we specifically study the properties, structure and computation schemes for the centroidal momentum matrix (CMM), which projects the generalized velocities of a humanoid robot to its spatial centroidal momentum. Through a transformation diagram we graphically show the relationship between this matrix and the well-known joint-space inertia matrix. We also introduce the new concept of “average spatial velocity” of the humanoid that encompasses both linear and angular components and results in a novel decomposition of the kinetic energy. Further, we develop a very efficient $$O(N)$$ algorithm, expressed in a compact form using spatial notation, for computing the CMM, centroidal momentum, centroidal inertia, and average spatial velocity. Finally, as a practical use of centroidal dynamics we show that a momentum-based balance controller that directly employs the CMM can significantly reduce unnecessary trunk bending during balance maintenance against external disturbance.

Monocular cameras coupled with inertial measurements generally give high performance visual inertial odometry. However, drift can be significant with long trajectories, especially when the environment is visually challenging. In this paper, we propose a system that leverages Ultra–WideBand (UWB) ranging with one static anchor placed in the environment to correct the accumulated error whenever the anchor is visible. We also use this setup for collaborative SLAM: different robots use mutual ranging (when available) and the common anchor to estimate the transformation between each other, facilitating map fusion. Our system consists of two modules: a double layer ranging, visual, and inertial odometry for single robots, and a transformation estimation module for collaborative SLAM. We test our system on public datasets by simulating UWB measurements as well as on real robots in different environments. Experiments validate our system and show our method can outperform pure visual-inertial odometry by more than 20%, and in visually challenging environments, our method works even when the visual-inertial pipeline has significant drift. Furthermore, we can compute the inter-robot transformation matrices for collaborative SLAM at almost no extra computation cost.