MDPI开放科学分享 http://blog.sciencenet.cn/u/mdpi https://www.mdpi.com/

博文

Robotics期刊“抓取与运动控制方法”特刊文章精选

已有 210 次阅读 2024-9-5 16:09 |个人分类:编辑荐读|系统分类:论文交流

本期编辑荐读为您推荐 Robotics 期刊“抓取与运动控制方法”特刊的文章,本特刊关注解决抓取问题、建模夹持器和在各种软件环境中的机器人运动控制,以及改进新型机器人解决方案的设计,从中精选出5篇文章,欢迎感兴趣的相关领域学者阅读。

进入期刊英文主页:https://www.mdpi.com/journal/robotics

进入特刊,了解详情:https://www.mdpi.com/journal/robotics/special_issues/1G490RSDI8

                      

1.Simulated and Real Robotic Reach, Grasp, and Pick-and-Place Using Combined Reinforcement Learning and Traditional Controls

通过强化学习和传统控制相结合进行模拟和实验机器人的触及,抓取和放置

Andrew Lobbezoo et al.

https://www.mdpi.com/2073890

文章亮点:

(1) 本文回顾了在模拟和真实环境中实施传统和RL控制的结合,以验证RL方法在标准工业任务 (如到达、抓取和拣放) 中的适用性。

(2) 本文提出将智能引入机器人控制,以便在不精确定义环境、约束和行动计划的情况下完成机器人操作。

(3) 本文的实验结果为强化学习在现实世界机器人应用提供了实验数据。

               

2.Inverse Kinematics of an Anthropomorphic 6R Robot Manipulator Based on a Simple Geometric Approach for Embedded Systems

6R机械手基于简单几何方法的嵌入式系统的逆运动学

Michael Anschober et al.

https://www.mdpi.com/2384210

文章亮点:

(1) 提出了一种利用末端执行器与机械手基座之间的几何关系来解决逆运动学问题的算法。

(2) 该方法在保持准确性和实时性能的同时,最小化计算复杂性和内存消耗。通过模拟演示和在嵌入式系统上的实验结果进行了验证。

(3) 根据本文实验数据,验证了算法的简单性,实现了平台独立性,使得平均计算时间减少了5到8倍,平均误差减少了50倍。

                

3.CAD-Based Robot Programming Solution for Wire Harness Manufacturing in Aeronautic Sector

基于CAD的航空线束制造机器人编程解决方案

Javier González Huarte et al.

https://www.mdpi.com/2479836

文章亮点:

(1) 本文提出了一种新颖的双机械臂机器人解决方案,用于线束制造初期的工作台配置和电缆布线。

(2) 该方案基于线束的CAD信息,实时生成轨迹以完成初始制造任务,并自动分配整个工作给两个机器人,以完成线束制造的初始步骤。

(3) 本文中所提出的方法已在生产环境中使用不同的线束参考进行了实验验证。

               

4.Multi-Log Grasping Using Reinforcement Learning and Virtual Visual Servoing

强化学习和虚拟视觉伺服的多记录抓取

Martin Servin et al.

https://www.mdpi.com/2609756

文章亮点:

(1) 本文探索了在模拟环境中使用强化学习和虚拟视觉伺服技术进行多日志抓取,以实现自动化搬运。

(2) 本文通过分离图像分割和起重机控制,并使用虚拟相机提供基于3D重建数据的图像流,以解决抓取多根木材时的视觉信息需求。

(3) 本文展示了一个在模拟环境中95%成功率的智能体,能够从2至5根木材的复杂堆中挑选一根或多根木材,同时解决了抓取过程中信息缺失的问题。

                        

5.Constraint-Aware Policy for Compliant Manipulation

兼容操纵的约束感知策略

Daichi Saito et al.

https://www.mdpi.com/2616910

文章亮点:

(1) 本文提出了一种约束感知策略,通过根据涉及的物理约束类型将多种操控任务分组,使其适用于各种未见过的操控任务。

(2) 这种策略通过在环境中训练和基于施加力方向的特征设计奖励,实现了对不同物理约束的泛化。

(3) 本文通过实验表明,相同的策略能够在模拟和现实环境中成功执行各种顺应性操控操作。

              

Robotics 期刊介绍

主编:Marco Ceccarelli, University of Rome Tor Vergata, Italy

旨在发表机器人及机器人系统在理论、设计和应用方面的最新发展相关文章,其中涉及到机器人智能、机电一体化、仿生机器人,特别关注机器人的自主行为、多传感器融合、学习算法、系统建模、控制软件、智能执行器、服务应用和人机交互等。

2023 Impact Factor:2.9

2023 CiteScore:6.7

Time to First Decision:17.7 Days

Acceptance to Publication:2.9 Days

尾图1.jpg

尾图2.jpg



https://blog.sciencenet.cn/blog-3516770-1449772.html

上一篇:Biology:上海大学理学院——乳腺癌异质性演化的动力学新发现:内源性分子-细胞网络理论
下一篇:Nanomaterials 南京理工大学陈恺副教授团队——赝双层量子霍尔复合材料中的大极化子凝聚
收藏 IP: 61.242.144.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-9-5 22:31

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部