Human-robot collaboration
PulseAugur coverage of Human-robot collaboration — every cluster mentioning Human-robot collaboration across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法改进了机器人从人类反馈中学习
一篇新研究论文提出了IMPLIED，一种用于改进人机协作中偏好学习的方法。传统方法依赖固定规则来推断人类偏好，但该论文表明，人类提供的隐含信息通常与这些规则不同。IMPLIED学习随着时间的推移推断和修正这些隐含信息，从而实现更准确的偏好估计和更理性的机器人行为。该方法在模拟和实际的机器人披萨制作研究中进行了评估，其表现优于现有基线，并接近人类水平。
-
新的STEP系统通过面向状态的大语言模型增强人机协作
研究人员开发了STEP，一个旨在增强工业环境中人机协作的新型系统。STEP利用多模态大语言模型（MM-LLMs）来解释人类意图和规划任务，并明确估计系统状态和预测状态转换。这种方法旨在克服当前MM-LLMs缺乏状态意识、可能产生模糊或幻觉动作的局限性。在模拟机器人装配任务中的评估表明，与现有方法相比，STEP显著提高了动作的可执行性并减少了最终状态错误。
-
无线5G系统增强工业领域的人机协作
研究人员开发了一个基于5G的无线系统，以增强工业环境中的人机协作（HRC），特别是对于需要频繁重新配置工作单元的任务。该系统利用了一种新颖的电池供电、多传感器平台和一个用于物体检测、姿态估计和鲁棒手部识别的计算机视觉模块。该设置旨在克服传统有线基础设施的局限性，从而在再制造和操作员培训等应用中实现更大的灵活性和安全性。
-
机器人技术研究增强了人机协作的情境感知能力
这篇研究论文介绍了一种增强机器人情境感知能力的新颖解决方案，这对于机器人在动态、以人为中心的で环境中安全运行至关重要。该工作侧重于两个关键领域：使机器人能够重新识别和跟踪特定个体以改善人机协作，以及增强其对环境的几何和语义理解以实现更好的导航和交互。这些进步旨在创造更具感知能力、能够与人类及其周围环境进行更顺畅、更自然交互的机器人。
-
机器人关节传感器无需外部硬件即可实现触觉手势识别
研究人员开发了一种深度学习方法，仅使用工业机器人内置的关节传感器进行触觉手势识别。该方法无需外部传感器，为人类与机器人协作提供了更具成本效益和可扩展性的解决方案。在 Franka Emika Research 机器人上的实验表明，基于声谱图的卷积神经网络（CNN）模型在接触检测和手势分类方面达到了超过 95% 的准确率，证明了无传感器触觉识别的可行性。
-
新框架通过 RGB-D 视频创建可交互数字孪生
研究人员开发了 ArtiTwinSplat，一个用于从 RGB-D 视频创建物体可交互数字孪生的新框架。该方法利用 3D 高斯溅射来保持视觉真实性，并采用无监督流水线从观察到的运动中发现物体关节和运动学。生成的数字孪生稳定、可查询，并适用于实时渲染、视点控制和交互式操作，为具身人工智能和人机协作提供了实用的解决方案。
-
新的VistaRef框架提升物体检测中的空间定向感知能力 · 已追踪2个来源
研究人员推出了一种名为VistaRef的新框架，旨在提高指向物体检测任务中的空间定向感知能力。该系统解决了现有基于Transformer的模型中存在的局限性，这些模型常常忽略细粒度的几何关系，导致指向定位不准确。VistaRef包含一个局部手部实体建模模块，以更好地捕捉手指偏差，以及一个几何射线建模模块，将方向信息转换为显式的空间特征。方向一致性对齐损失进一步优化了手部存在和指向一致性，与基线模型相比，在地面化准确性上取得了显著的14…