已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Machine learning–driven self-discovery of the robot body morphology

运动学 计算机科学 机器人 人工智能 仿人机器人 六足动物 机器人运动学 计算机视觉 拓扑(电路) 移动机器人 数学 物理 经典力学 组合数学
作者
Fernando Díaz Ledezma,Sami Haddadin
出处
期刊:Science robotics [American Association for the Advancement of Science (AAAS)]
卷期号:8 (85) 被引量:2
标识
DOI:10.1126/scirobotics.adh0972
摘要

The morphology of a robot is typically assumed to be known, and data from external measuring devices are used mainly for its kinematic calibration. In contrast, we take an agent-centric perspective and ponder the vaguely explored question of whether a robot could learn elements of its morphology by itself, relying on minimal prior knowledge and depending only on unorganized proprioceptive signals. To answer this question, we propose a mutual information–based representation of the relationships between the proprioceptive signals of a robot, which we call proprioceptive information graphs (π-graphs). Leveraging the fact that the information structure of the sensorimotor apparatus is dependent on the embodiment of the robot, we use the π-graph to look for pairwise signal relationships that reflect the underlying kinematic first-order principles applicable to the robot’s structure. In our discussion, we show that analysis of the π-graph leads to the inference of two fundamental elements of the robot morphology: its mechanical topology and corresponding kinematic description, that is, the location and orientation of the robot’s joints. Results from a robot manipulator, a hexapod, and a humanoid robot show that the correct topology and kinematic description can be effectively inferred from their π-graph either offline or online, regardless of the number of links and body configuration.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
李禾完成签到,获得积分10
1秒前
东东东发布了新的文献求助10
1秒前
星移发布了新的文献求助10
2秒前
Scalpel完成签到 ,获得积分10
4秒前
Ck发布了新的文献求助10
5秒前
IIIIIIIIII发布了新的文献求助10
7秒前
我是老大应助addr采纳,获得10
9秒前
9秒前
科研通AI2S应助年糕炸小羊采纳,获得20
12秒前
小蘑菇应助ZXC采纳,获得10
13秒前
13秒前
14秒前
乔杰完成签到 ,获得积分10
15秒前
石斑鱼完成签到,获得积分10
16秒前
mengyuhuan完成签到 ,获得积分0
17秒前
18秒前
zhouR发布了新的文献求助10
19秒前
19秒前
xiong发布了新的文献求助30
20秒前
Lucas应助BreadCheems采纳,获得10
21秒前
hyeseongu完成签到,获得积分20
21秒前
21秒前
Owen应助Ariok采纳,获得10
22秒前
liujunjie发布了新的文献求助10
24秒前
25秒前
杀死那条鱼完成签到 ,获得积分10
26秒前
26秒前
26秒前
顾矜应助yang采纳,获得10
26秒前
充电宝应助多情的映波采纳,获得10
29秒前
29秒前
HarryQ发布了新的文献求助10
30秒前
30秒前
30秒前
samar发布了新的文献求助10
31秒前
阳子关注了科研通微信公众号
32秒前
33秒前
35秒前
Ariok发布了新的文献求助10
35秒前
wyz完成签到,获得积分10
36秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3248513
求助须知:如何正确求助?哪些是违规求助? 2891915
关于积分的说明 8269223
捐赠科研通 2559929
什么是DOI,文献DOI怎么找? 1388807
科研通“疑难数据库(出版商)”最低求助积分说明 650897
邀请新用户注册赠送积分活动 627798