機器人運動規劃

Kirjaudu sisään

näkemys - 機器人運動規劃

本文提出了一種新的逆運動學方法 ETA-IK，專為雙臂機器人系統設計，透過將運動執行時間直接納入優化過程，利用雙臂的冗餘性來優化運動執行時間，從而提高效率。

本文提出了一種基於閉環控制的多步預測運動規劃框架，該框架通過模擬物理引擎中的任務序列來實現機器人對環境的先天理解，並根據模擬結果生成最優路徑。

本文提出了一種名為 STRAP 的新型 A* 算法，用於解決桌面物件重排問題，該算法著重於提高可擴展性和規劃效率，並在固定和移動機器人平台上進行了驗證。

本文提出了一種基於混合整數模型預測控制（MPC）的機器人運動規劃方法，利用混合zonotope表示障礙物自由空間，並設計了高效的求解器，相較於傳統方法，顯著提升了求解速度。

本文提出了一種針對工業機器人從深箱中拾取箱子的時間優化運動規劃框架 BOMP，該框架考慮了機器人運動學、致動限制、抓取箱子的尺寸和垃圾桶環境的高度圖，以生成快速、平滑且無碰撞的軌跡。

本文提出了一種名為 FLIQC 的新型運動規劃器，它採用基於互補性的方法來生成機器人全身的無碰撞運動，並通過一系列凸優化問題的求解實現了高效的實時規劃。

本文提出了一種將深度強化學習 (DRL) 與躍度限制軌跡生成器 (JBTG) 和穩健的低階控制策略相結合的框架，用於在滿足運動約束的情況下進行機器人運動規劃，並通過應用於重型機械臂的仿真驗證了其有效性。

本文提出了一種基於學習的機器人局部運動規劃方法，利用超網路在線估計最大安全集，並將其整合到模型預測控制器中，以提高機器人在複雜環境中的導航安全性和效率。

本文提出了一種基於學習子目標的機器人路徑規劃方法 (PLS)，該方法結合了時間信息來選擇和規劃子目標，從而有效地在變化環境中進行導航。

DiffusionSeeder 是一種基於擴散模型的新方法，可以生成高質量的運動軌跡種子，用於加速機器人運動規劃，特別是在具有挑戰性的、障礙物密集的環境中。

Tietoja

Tuotteet

Resurssit