本文提出了一種名為 OWL-TAMP 的新方法,該方法利用視覺語言模型 (VLM) 為任務和運動規劃 (TAMP) 系統生成約束條件,使其能夠理解和執行開放世界的語言指令,並在模擬和真實機器人環境中進行了實驗驗證。
本文提出了一種用於多個不合作無人機群體在避免碰撞的同時獨立覆蓋共同區域的演算法,該演算法基於 Voronoi 剖分和 ORCA 避碰方法,並通過模擬驗證了其有效性。
本文提出了一種名為多目標學習 (MOL) 的新型自動課程學習方法,利用多目標演算法來增強四足機器人的運動學習。
自動化的概念由來已久,早在公元前 3 世紀的希臘化時期就已經出現,而現今的人工智能技術正在逐步取代人類的工作。
研究人員開發了一種新型外骨骼控制器,該控制器利用深度神經網路估計生物關節力矩,可以根據使用者的動作提供即時輔助,並已在多種活動中證明其有效性,顯著降低了使用者的能量消耗。
本文提出了一種名為「關係關鍵點約束」(ReKep)的新方法,利用語義關鍵點定義約束條件,以指定機器人手臂、物體和環境之間的預期空間關係,並透過分層優化框架,將 ReKep 轉化為閉環策略,實現複雜的機器人操作任務。
本文提出了一種基於動態關係推理的社交機器人導航方法,透過推斷代理之間成對和群組關係的演變,實現更安全、高效且符合社會規範的導航策略。
本文提出了一種結合輸入整形技術和迭代學習控制的控制策略,用於抑制 Delta 機器人的殘餘振動,並提高其軌跡跟踪精度。
本文提出了一種基於控制障礙函數 (CBFs) 的學習控制策略,用於解決存在模型誤差和致動器約束的機器人系統的奇異點問題,並通過高保真模擬驗證了該方法的有效性。
本文提出了一種基於虛擬實境 (VR) 的遙操作方法,通過修改任務雅可比矩陣將追蹤器映射到機器人關節,並使用放鬆障礙函數進行自碰撞避免,從而實現對半身人形機器人的高效、安全控制。