Zobrazeno 1 - 10
of 33
pro vyhledávání: '"Morgan, Andrew S."'
Real-world object manipulation has been commonly challenged by physical uncertainties and perception limitations. Being an effective strategy, while caging configuration-based manipulation frameworks have successfully provided robust solutions, they
Externí odkaz:
http://arxiv.org/abs/2410.16481
Nonprehensile actions such as pushing are crucial for addressing multi-object rearrangement problems. To date, existing nonprehensile solutions are all robot-centric, i.e., the manipulation actions are generated with robot-relevant intent and their o
Externí odkaz:
http://arxiv.org/abs/2410.00261
Publikováno v:
IEEE International Conference on Robotics and Automation (ICRA), 2023
Contact can be conceptualized as a set of constraints imposed on two bodies that are interacting with one another in some way. The nature of a contact, whether a point, line, or surface, dictates how these bodies are able to move with respect to one
Externí odkaz:
http://arxiv.org/abs/2303.05565
Constraining contacts to remain fixed on an object during manipulation limits the potential workspace size, as motion is subject to the hand's kinematic topology. Finger gaiting is one way to alleviate such restraints. It allows contacts to be freely
Externí odkaz:
http://arxiv.org/abs/2201.07928
Autor:
Morgan, Andrew S., Wen, Bowen, Liang, Junchi, Boularias, Abdeslam, Dollar, Aaron M., Bekris, Kostas
Highly constrained manipulation tasks continue to be challenging for autonomous robots as they require high levels of precision, typically less than 1mm, which is often incompatible with what can be achieved by traditional perception systems. This pa
Externí odkaz:
http://arxiv.org/abs/2106.14070
Model Predictive Actor-Critic: Accelerating Robot Skill Acquisition with Deep Reinforcement Learning
Autor:
Morgan, Andrew S., Nandha, Daljeet, Chalvatzaki, Georgia, D'Eramo, Carlo, Dollar, Aaron M., Peters, Jan
Publikováno v:
2021 IEEE International Conference on Robotics and Automation (ICRA)
Substantial advancements to model-based reinforcement learning algorithms have been impeded by the model-bias induced by the collected data, which generally hurts performance. Meanwhile, their inherent sample efficiency warrants utility for most robo
Externí odkaz:
http://arxiv.org/abs/2103.13842
Publikováno v:
Frontiers in Robotics & AI; 2023, p1-15, 13p
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.