gazebo
PulseAugur coverage of gazebo — every cluster mentioning gazebo across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法通过知识图谱增强自主机器人
研究人员开发了一种将知识图谱集成到ROS 2系统中的新方法，以改进自主机器人任务。该方法包括定义任务参数、构建任务、规划序列以及在知识图谱中表示数据。使用Aerostack2框架进行的模拟搜索和救援任务证明了该方法在增强机器人决策和性能方面的有效性。
-
新型机器人导航系统使用贝叶斯优化增强规划
研究人员开发了一种新的无地图自主机器人导航框架，该框架将反应式规划与非线性模型预测控制（MPC）相结合。该系统使用基于 LiDAR 的高斯占用表示和 A* 搜索算法来生成无碰撞轨迹，然后由 MPC 公式进行跟踪。为了优化控制器参数，采用了利用树状 Parzen 估计器（TPE）和高斯过程代理的离线贝叶斯优化方案。该框架在 Unitree Go2 机器人在模拟和物理硬件上成功进行了评估，实现了 90.0% 的导航成功率，并展示了从模拟到…
-
新AI框架通过选择性推理提升无人机自主性
一种名为持久任务运行时（PMR）的新框架已被开发出来，通过选择性地调用外部代理AI进行恢复推理来增强无人机（UAV）的自主性。这种方法旨在平衡高级AI的优势与物理无人机在延迟和资源成本方面的实际限制。PMR框架集成了学习到的调用认知价值（learned-CVI）来确定何时远程推理最有利，与现有方法相比，显著提高了复杂场景下的成功率，并减少了代理调用的频率。
-
CropCraft 为机器人仿真生成逼真的 3D 农场环境
研究人员开发了 CropCraft，一个使用 Blender 和 Python 构建的开源工具，用于生成逼真的 3D 农业环境以进行机器人仿真。该工具可以创建多样化的场景，如间作和葡萄园，并包含详细的植物模型和逼真的空间变异性。CropCraft 还为生成世界中的元素提供地面实况标注，从而促进感知和导航算法的开发。初步应用表明，仅在 CropCraft 生成的数据上训练的模型在作物-杂草语义分割方面取得了具有竞争力的仿真到现实性能。
-
DRL通过sim-to-sim-to-real策略增强机器人姿态控制
研究人员开发了一种深度强化学习（DRL）方法，以改进双阿克曼转向机器人的姿态控制，解决了策略从仿真到实际应用迁移的挑战。他们的方法ManeuverNet被扩展以处理完整的姿态控制，并结合了sim-to-sim-to-real策略来应对驱动不确定性。通过在PyBullet环境中利用Gazebo模拟的驱动效应进行训练，DRL策略在Gazebo中达到了92%的成功率，在实体机器人上达到了69%的成功率，且无需进一步调整。
-
AI代理PEACE利用LLM规划增强无人机自主性
研究人员开发了PEACE，这是一种专为自主无人机设计的新型规划器-执行器代理。该系统将由大型语言模型处理的高层任务规划与使用结构化ROS 2接口的低层控制分开。PEACE使用物体检测器和深度投影构建世界模型以进行3D定位，而约束执行层则确保遵守高度和地理围栏限制。与紧耦合系统相比，该方法旨在提高可解释性并减少LLM调用，这已在PX4模拟中得到证明。
-
因果框架提升了机器人在动态环境中的效率和安全性
研究人员为在动态环境中运行的自主移动机器人开发了一个新的基于因果的决策框架。该框架利用因果推理来模拟因果关系，使机器人能够更好地预测环境因素并更有效地规划任务。该方法在仓库场景中进行了测试，通过估算电池使用情况和人为障碍物来指导任务时间和策略，与非因果方法相比，效率和安全性得到了提高。