《中国人工智能学会通讯》——5.12 操作性和灵巧性

5.12 操作性和灵巧性

操作性是指机器人能够抓取(Grasp)并操作(Manipulate)人类生产生活环境中大量的日常物品。由于日常用品的形状、大小、材质和重量都不一样,在缺乏如人类一般精准的物品定位和位姿识别算法及设备,以及如人类一般的灵巧的在线抓取策略生成的情况下,人类社会环境中的机器人移动操作是一项具有相当挑战的任务。

为了解决这个问题,主要从以下三个方向努力:① 协作型灵巧机械臂的研发。目前,KUKA 开发的的轻型机械臂(Light Weight Robot [18] ),如LWR 4+、LWR iiwa 和 Universal Robots 的 UR 系列机器人[19]已经逐步成为移动操作机器人的标准配置。这类机器人的特点是自重较轻,负载在 10kg 左右。6 个或 7 个自由度,提供了抓取所需要的灵巧性。其关节的转矩感知能力,适合机器人与环境的交互。② 末端执行器的开发。移动操作机器人往往需要配以特殊的末端夹具以适应特定的物体,因为灵巧手类的末端执行器(虽然一直是通用型移动操作机器人的标配),如 Barrett Hand [20]或者 Adaptive Hand [21] 尚无法在工业级移动操作机器人上广泛使用(见图 6,图中从左至右分别为 Justin@DLR、PR2@Willow Garage、ARM@Max Planck Institute)。开发能够进行末端执行器模块化自动切换或者特种的末端执行器(如真空吸盘、可适应性夹具),成为工业用移动操作机器人的主要手段(见图 7)。③ 在线灵巧抓取和操作。大量的硬软件工具使得机器人已具备类人的灵巧抓取能力。当前主要任务,依然是如何采用最简单的硬件配置,来实现高效复杂的物体抓取、在线的立体视觉物体定位和识别[22-24] 、在线的抓取算法(如当前兴起的基于数据驱动的抓取策略生成[25-26] )。另一个跟抓取相关的研究是操作。机器人不仅需要能够抓起物体,还必须能够具备一定的操作能力,如在手操作(In-Hand Manipulation [27] )或者非抓取类操作(Non-prenhensile [28] )。

时间: 2024-08-30 06:23:53

《中国人工智能学会通讯》——5.12 操作性和灵巧性的相关文章

《中国人工智能学会通讯》——12.59 基于模糊性的半监督学习

12.59 基于模糊性的半监督学习 假设 A 是一个大数据集,并且 A 中的大部分样例没有类标:B 是 A 中一小部分样例组成的集合,并且 B 中的每个样例都有类标.利用数据集 B 我们可以训练得到分类器,但我们不能保证这样的分类器对 A-B 中的样例有较好的预测结果.基于对数据集 A-B 中的每个样例的预测结果,我们想从 A-B 中挑选出一些样例(连同对这些样例的预测结果)加入到数据集 B 中.再次利用 B 进行训练得到的分类器对于 A-B 中样例的预测精度将会有所提升.此刻需要明确的关键问题

《中国人工智能学会通讯》——12.51 现有知识图谱资源

12.51 现有知识图谱资源 知识图谱经历了由人工和群体智慧构建,到面向互联网利用机器学习和信息抽取技术自动获取的过程.根据信息来源和获取方式的不同,目前的知识图谱分为以下几类. 依靠人工构建的知识资源 早期知识资源建立是通过人工添加和群体智能合作编辑得到,如英文 Wordnet [1] 和 Cyc 项目[2] ,以及中文的Hownet.Cyc 是一个通用的世界知识库,始建于 1984 年,其目的是将上百万条知识编码为机器可处理形式,并在此基础上实现知识推理等人工智能相关任务.Cyc 包含了 5

《中国人工智能学会通讯》——12.33 众包知识库补全方法概览

12.33 众包知识库补全方法概览 本章介绍众包知识库补全的方法概览,如图 1所示.其基本思想包含两个部分,其一,利用多种数据源,如现有的多个知识库.Web 结构化数据等,提取知识数据,并将不同数据源的知识数据融合起来,以此补全知识库:其二,在融合的过程中有效地利用众包,通过众包模型细化出具体可供众包完成的任务,利用众包优化算法进行质量和成本的控制,以选择出最优的任务发布到众包平台,如美国亚马逊公司的 Mechanical Turk ( 简称 MTurk) 1 . 知识抽取:提出利用多类数据源进

《中国人工智能学会通讯》——12.50 知识图谱研究综述

12.50 知识图谱研究综述 知识图谱(Knowledge Graph, KG)旨在描述客观世界的概念.实体.事件及其之间的关系.其中,概念是指人们在认识世界过程中形成对客观事物的概念化表示,如人.动物.组织机构等:实体是客观世界中具体事物,如篮球运动员姚明.互联网公司腾讯等:事件是客观世界的活动,如地震.买卖行为等.关系描述概念.实体.事件之间客观存在的关联关系,如毕业院校描述了一个人与他学习所在学校之间的关系,运动员和篮球运动员之间的关系是概念和子概念之间的关系等.谷歌于 2012 年 5月

《中国人工智能学会通讯》——12.55 结束语

12.55 结束语 知识图谱技术是人工智能知识表示和知识库在互联网环境下的大规模应用,显示出知识在智能系统中重要性,是实现智能系统的基础知识资源.纵观知识图谱研究发展的相关研究现状,以下研究将成为未来知识图谱必须应对的挑战:① 研究知识表示和获取的新理论和方法,使知识既具有显式的语义定义,又便于大数据下的知识计算:② 随着信息技术从信息服务向知识服务的转变,研究建立知识图谱构建的平台,以服务不同的行业和应用:③ 知识图谱虽然已经在语义搜索和知识问答等应用中展示出一定的威力,但是基于知识图谱的应用

《中国人工智能学会通讯》——12.15 时空众包 : 共享经济时代的新型计算范式

12.15 时空众包 : 共享经济时代的新型计算范式 自 Jeff Howe 于 2006 年 首 次 提 出 众 包(Crowdsourcing) 概念[1]以来,这种通过公开的 Web平台,将任务分配给非特定的解决方案提供者群体来完成的分布式问题求解模式,正在变得日益流行,其更为传统的人本计算 (Human Computation) 注入了通过群体智慧来求解问题的新鲜血液.众包最著名的案例莫过于美国卡内基梅隆大学的 Luis vonAhn 教授所研发的 reCAPTCHA 系统[2] ,其巧

《中国人工智能学会通讯》——12.30 实验评估

12.30 实验评估 使用一个真实的数据集作为任务集合 , 称为China,它包含了中国的 200 个旅游风景点.在ChinaCrowds [1] 平台上进行实验.该平台是目前中国最大的众包平台,并且它具备相应的手机应用以支持相应基于位置的众包任务.采用 1 000 的预算( 每次任务分配的花费是 0.2 RMB),在每次任务分配过程中 , 安排给每个工人 h= 2 个.为验证提出的推断模型 (IM), 比较推断模型与其他两种常用的核心方法--多数投票法 (MV) 与标准期望最大化算法(EM)

《中国人工智能学会通讯》——12.43 分类型数据聚类算法研究进展

12.43 分类型数据聚类算法研究进展 在大数据环境下,许多数据是缺乏先验信息的,对数据标注的成本也越来越高,一个最自然的方法是对数据进行适当划分之后再进行相关的数据处理,而聚类分析是数据划分的一种重要技术手段[1] .在许多实际应用中,分类型变量是一种非常重要的数据表现形式[2] .比如,在问卷调查中,客户的兴趣爱好.家庭住址.教育情况都是分类型变量:在电子邮件过滤中,将邮件分为垃圾邮件和合法邮件:在医学中,一个病人受伤的程度可分为轻微的.中度的和严重的:在市场营销中,经常将客户分为高.中.低

《中国人工智能学会通讯》——12.52 知识表示

12.52 知识表示 知识表示技术可以分成符号主义和联结主义.符号主义的知识表示的基础是纽威尔和西蒙提出的物理符号系统假设[14] ,认为人类认知和思维的基本单元是符号,而认知过程就是在符号表示上的运算.联结主义认为,人的认知就是相互联系的具有一定活性值的神经单元所形成网络的整体活动,知识信息不存在于特定的地点,而是在神经网络的联结或者权重中.具体的表示方法可以分为三类. 基于符号逻辑的知识表示 此类方法基于符号逻辑进行知识表示和推理,主要包括逻辑表示法(如一阶逻辑.描述逻辑).产生式表示法和框

《中国人工智能学会通讯》——12.57 不确定性的定义

12.57 不确定性的定义 表 1 是对于几种从数学角度进行阐释的不确定性的简介. 下面讨论一种典型的不确定性--模糊集的模糊性.模糊性被用来描述两个语义之间的不明确性程度,比如热和冷.模糊性最早是由 Zadeh 在1968 年提出的,他也是模糊集理论[8]的提出者.Zadeh 模糊集理论的基本思想是,隶属度的函数值从原来的只为 0 或 1 扩展到了区间 [0,1].由于主观上有对于语义理解的不确定性,所以隶属度的函数值范围被扩展了.在模糊集理论的基础上,Luca 和Termini 在 1972