,

مقاله CoCo-InEKF: تخمین حالت با کوواریانس‌های تماس آموخته‌شده در سناریوهای پویا و غنی از تماس.

تومان249,950

تخمین حالت مقاوم برای حرکات بسیار پویا در ربات‌های دارای پا همچنان چالش‌برانگیز است، به ویژه در سناریوهای پویا و غنی از تماس. رویکردهای سنتی اغلب به حالت‌های تماس باینری (صفر و یک) متکی هستند که قادر …

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000006 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

CoCo-InEKF: تخمین حالت با کوواریانس‌های تماس آموخته‌شده در سناریوهای پویا و غنی از تماس.

CoCo-InEKF: State Estimation with Learned Contact Covariances in Dynamic, Contact-Rich Scenarios

نویسندگان: Michael Baumgartner, David Müller, Agon Serifi, Ruben Grandia, Espen Knoop, Markus Gross, Moritz Bächer

شناسه منبع: arxiv / 2605.15122

دسته: Robotics,Machine Learning,Systems and Control

چکیده (فارسی)

تخمین حالت مقاوم برای حرکات بسیار پویا در ربات‌های دارای پا همچنان چالش‌برانگیز است، به ویژه در سناریوهای پویا و غنی از تماس. رویکردهای سنتی اغلب به حالت‌های تماس باینری (صفر و یک) متکی هستند که قادر به درک ظرافت‌های تماس جزئی یا لغزش جهت‌دار نیستند. این مقاله CoCo-InEKF را معرفی می‌کند، یک فیلتر کالمن توسعه‌یافته ناوردا (invariant extended Kalman filter) که قابل تمایز (differentiable) است و به جای حالت‌های تماس باینری، از کوواریانس‌های سرعت تماس پیوسته استفاده می‌کند. این کوواریانس‌های آموخته شده به روش اجازه می‌دهند تا اطمینان تماس را به صورت پویا تعدیل کند و شرایط ظریف‌تری را از تماس محکم گرفته تا لغزش جهت‌دار یا عدم تماس، در نظر بگیرد. برای پیش‌بینی این کوواریانس‌ها برای مجموعه‌ای از نقاط کاندیدای تماس از پیش تعریف شده، ما از یک شبکه عصبی سبک استفاده می‌کنیم که به صورت سرتاسری (end-to-end) با استفاده از تابع هزینه خطای حالت آموزش داده شده است. این رویکرد نیاز به برچسب‌های تماس حقیقت زمینی (ground-truth) اکتشافی را از بین می‌برد. علاوه بر این، ما یک رویه خودکار انتخاب کاندیدای تماس را پیشنهاد می‌کنیم و نشان می‌دهیم که روش ما به محل دقیق آن‌ها حساس نیست. آزمایش‌ها بر روی یک ربات دوپا، مبادله دقت-کارایی برتری را برای تخمین سرعت خطی، و همچنین سازگاری فیلتر بهبود یافته نسبت به روش‌های پایه را نشان می‌دهد. این امر اجرای مقاوم حرکات چالش‌برانگیز، از جمله رقص و تعاملات پیچیده با زمین را، هم در شبیه‌سازی و هم در دنیای واقعی امکان‌پذیر می‌سازد.

Abstract (English)

Robust state estimation for highly dynamic motion of legged robots remains challenging, especially in dynamic, contact-rich scenarios. Traditional approaches often rely on binary contact states that fail to capture the nuances of partial contact or directional slippage. This paper presents CoCo-InEKF, a differentiable invariant extended Kalman filter that utilizes continuous contact velocity covariances instead of binary contact states. These learned covariances allow the method to dynamically modulate contact confidence, accounting for more nuanced conditions ranging from firm contact to directional slippage or no contact. To predict these covariances for a set of predefined contact candidate points, we employ a lightweight neural network trained end-to-end using a state-error loss. This approach eliminates the need for heuristic ground-truth contact labels. In addition, we propose an automated contact candidate selection procedure and demonstrate that our method is insensitive to their exact placement. Experiments on a bipedal robot demonstrate a superior accuracy-efficiency tradeoff for linear velocity estimation, as well as improved filter consistency compared to baseline methods. This enables the robust execution of challenging motions, including dancing and complex ground interactions — both in simulation and in the real world.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله CoCo-InEKF: تخمین حالت با کوواریانس‌های تماس آموخته‌شده در سناریوهای پویا و غنی از تماس.”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا