ARMOR：面向人oid机器人碰撞规避与运动规划的自主感知
机器人学
2024-12-03 v1 机器学习
摘要
人oid机器人在感知与感知能力方面存在显著差距，使得在密集环境中进行运动规划变得困难。为此，我们引入 ARMOR，一个集成硬件与软件的新型自主感知系统，特别 incorporates 可用于人oid机器人的佩戴式深度传感器。我们的分布式感知方法增强了机器人的空间感知能力，并促进了更灵活的运动规划。我们还在仿真中训练了一个基于Transformer的模仿学习（IL）策略，通过利用来自 AMASS 数据集中约86小时的真实人类动作，执行动态碰撞规避。我们显示，与多个密集头戴式和外部安装式深度摄像机 setup 相比，ARMOR 感知性能更优，碰撞减少 63.7%，成功率提高 78.7%。我们还将 ARMOR IL 策略与基于抽样的运动规划专家 cuRobo 进行比较，结果显示碰撞减少 31.6%，成功率提高 16.9%，计算延迟降低 26 倍。最后，我们将 ARMOR 感知部署在来自 Fourier Intelligence 的真实世界 GR1 人oid机器人上。我们将在 arXiv 版本的文本中更新源码、硬件描述和 3D CAD 文件的链接。
引用
@article{arxiv.2412.00396,
title = {ARMOR: Egocentric Perception for Humanoid Robot Collision Avoidance and Motion Planning},
author = {Daehwa Kim and Mario Srouji and Chen Chen and Jian Zhang},
journal= {arXiv preprint arXiv:2412.00396},
year = {2024}
}