我是創始人李巖：很抱歉！給自己產品做個廣告，點擊進來看看。
近日，機器人頂會 （Robotics Science and ?System）公布了6篇最佳論文和最佳學生論文提名，其中9位華人學生/學者入選，論文一作占三席，他們分別是卡內基梅隆大學博士生Chao Cao、麻省理工學院博士生Jingnan Shi以及佐治亞理工學院博士生Tianyu Wang。
在機器人領域幾大頂會中，ICRA偏向自動化應用，IROS注重前沿研究，而RSS更偏重于機器人技術、算法和系統。官方稱，此次提名的6篇論文均在此做出了創新性貢獻。
論文1：TARE: A Hierarchical Framework for Efficiently Exploring Complex 3D Environments
卡內基梅隆大學一年級博士生，在機器人研究所，跟隨Ji Zhang和Howie Choset.教授開展相關研究。此前曾參加過DARPA 地下挑戰賽，并擔任Team Explorer計劃負責人。他對機器人導航和運動規劃感興趣，最近主要研究機器人探索和傳感器覆蓋規劃。
此前在香港大學獲得計算機科學學士學位，師從Jia Pan和Wenping Wang ，之后考入CMU RI，并在Matt Travers和Howie Choset 教授的指導下，獲得了機器人專業碩士學位。
Hongbiao Zhu ：
哈爾濱工業大學（HIT）博士研究生，師從Weidong Wang教授。同時也是卡內基梅隆大學訪問學者，目前在機器人研究所與 Ji Zhang開展機器人自主探索和源定位相關研究。曾參加DARPA Subterranean 挑戰賽在Exolorer項目中排名第二。
Ji Zhang ：
系統科學家、Kaarta（ CMU 的衍生公司）創始人和前任首席科學家，主要工作涉及利用范圍、視覺和慣性傳感將 3D 映射技術商業化。最近主要研究小型飛行器如何在復雜環境中高速飛行，并避開障礙物。研究方向涉及運動規劃、多機器人規劃與協調、感知與3D視覺識別、多傳感器數據融合等。
?
論文2：Optimal Pose and Shape Estimation for Category-level 3D Object Perception
麻省理工學院信息與決策系統實驗室（LIDS）二年級博士生。目前在 SPARKlab 擔任研究助理，由 Luca Carlone 教授指導。研究領域包括機器人技術中的魯棒感知、算法工程和狀態估計。
Heng Yang
：麻省理工學院信息與決策系統實驗室（LIDS）和機械工程系（MechE）在讀博士生。目前與Carlone教授?在SPARK（傳感，感知，自主性，機器人動力學）實驗室開展有關機器人感知，計算機視覺和優化學習算法的研究。他希望通過在幾何視覺、魯棒估計和優化方面的應用經驗來提高機器學習和人工智能的效率、魯棒性、可解釋性。
論文3：Moving sidewinding forward: optimizing contact patterns for limbless robots via geometric mechanics
目前是佐治亞理工學院在讀博士生，軟機器人和生物設計實驗室成員，在 Guoying Gu教授的指導下，主要研究復雜環境下蛇形機器人運動的柔順控制。研究興趣涉及動態運動、運動規劃、經典控制、實用最優控制和強化學習。?
在此之前，他碩士就讀于卡內基梅隆大學 (CMU)大學機械工程專業，師從Howie Choset教授。本科就讀于密歇根大學-上海交通大學聯合學院，并獲得了上海交通大學 (SJTU)電氣與計算機工程學士學位。
Shengkai Li：
佐治亞理工學院物理學院博士生，主要研究興趣包括軟物質、活性物質、集體運動、統計力學、非平衡熱力學
Baxi Chong：
佐治亞理工學院物理學院博士生。
論文4：Toward Certifiable Motion Planning for Medical Steerable Needles
北卡羅來納大學教堂山分校計算機科學系在讀博士生。目前在Ron Alterovitz教授領導的計算機器人研究組，從事醫療/手術機器人（例如可轉向針、同心管機器人和并行手術機器人）的檢查/運動規劃。此前，在哈爾濱工業大學（HIT）獲得學士和碩士學位。
以下對6 篇最佳論文和最佳學生論文提名做簡單介紹。
1、《TARE: A Hierarchical Framework for Efficiently Exploring Complex 3D Environments》
論文作者：Chao Cao,Hongbiao Zhu (CMU) ,Howie Choset (CMU) ,Ji Zhang (CMU)?
論文地址：http://www.roboticsproceedings.org/rss17/p018.pdf
Youtube地址：https://www.youtube.com/watch?v=LVUSpNa2dac
本文提出了一種在三維環境下進行自主探測的新方法。該方法比目前使用層次結構的探索技術更快——一個層次在局部范圍內密集地計算數據和規劃路徑，而另一個層次在全局范圍內粗略地計算數據和規劃路徑。該框架表明，機器人附近的細節處理最有效，細節處理的范圍決定機器人的計算速度。
而我們的該方法根據路徑長度優化整個勘探路徑。局部區域的路徑在動力學上可跟隨高速行駛的車輛。通過地面和空中機器人自主探索高度復雜的室內外環境的實驗，結果表明，該方法的勘探效率提高了80%，與最先進的方法相比，機器人每秒的平均勘探體積，所消耗的計算量不到50%。
2、《Optimal Pose and Shape Estimation for Category-level 3D Object Perception》
作者：Jingnan Shi (MIT) ,Heng Yang (MIT) ,Luca Carlone (MIT)
論文地址：http://www.roboticsproceedings.org/rss17/p025.pdf
Youtube地址：https://www.youtube.com/watch?v=kiNBS0IF2-g
本文主要考察category-level的感知問題。給定3D傳感器數據描繪一個特定類別（例如，汽車）的目標——這些目標存在可變性（即不同的汽車模型具有不同的形狀），需要重建目標的姿態和形狀。我們考慮設計一個 active 形狀的模型，對于任意一個目標類別提供一個潛在的CAD模型庫以描述目標，同時采用一個標準的公式，將其中的姿勢和形狀估計表述為非凸優化。
本文的首要貢獻是為姿態和形狀估計提供可證明的最優解算器，特別是，證明了旋轉估計可以從物體平移和形狀的估計中解耦；最優物體旋轉可以通過小尺寸半定松弛（semidefinite relaxation）來計算；平移和形狀參數可以在給定旋轉的情況下以閉合形式（closed-form ）計算。
第二個貢獻是在解算器中添加一個異常拒絕層（ outlier rejection layer ），從而使它對大量錯誤檢測具有魯棒性。為了實現這一目標，我們將最優解封裝在一個基于漸進非凸性的魯棒估計方案中，同時，提出了一個在類別級感知中剪除離群點的圖論公式，以通過凸包和最大團計算去除離群點，實驗證明，該方法使離群點的魯棒性達到70%? 90%的異常值.
第三個貢獻是廣泛的實驗評估。除了在模擬數據集和PASCAL3D+數據集上進行燒蝕研究外，我們還將解算器與深度學習的關鍵點檢測器相結合，實驗表明，所得到的方法比ApolloScape駕駛數據集中最先進的車輛姿態估計方法更好。?
3、《Moving sidewinding forward: optimizing contact patterns for limbless robots via geometric mechanics》
作者：Baxi Chong (Georgia Tech),Tianyu Wang (Georgia Tech),Bo Lin (Georgia Tech),Shengkai Li (Georgia Tech),Howie Choset (CMU),Grigoriy Blekherman (Georgia Tech),Daniel Goldman (Georgia Tech)
論文地址：http://www.roboticsproceedings.org/rss17/p031.pdf
Youtube地址：https://www.youtube.com/watch?v=UKtzCPoQ68k
接觸規劃（contact planning）對肢體機器人的運動性能至關重要。一般來說，機械裝置與其環境之間的接觸方式和斷開模式決定了機器人的運動。這些模式（通常稱為接觸模式）在設計常常具有挑戰性。在以往的工作中，接觸模式的設計來自于對生物系統的觀察，或者根據黑盒優化算法經驗而定。
然而，這種基于啟發式的接觸模式方法只適用于特定機制，難以推廣。例如，對12-link四肢機器人穩定且有效的接觸模式并不是適用于6-link四肢機器人。在本文中，我們使用幾何運動規劃方案，開發了一個更通用的接觸模式的框架，以便針對所需的方向生成有效的運動。?
受到幾何力學的啟發，我們將構形空間分為形狀空間（內關節角）、接觸狀態空間和位置空間；然后對接觸狀態空間和形狀空間的耦合函數進行優化。該框架提供了接觸模式設計的物理思考，并借鑒了經驗準則。應用該框架不僅可以通過調節接觸模式來控制12-link四肢機器人的運動方向，還可以為電機較少的機器人（如6-link機器人）設計有效的側繞步態。實驗表明，該方法通過機器人物理實驗測試獲得了很好的一致性，希望該方案能廣泛地適用于機器人的接通/斷開接觸。
4、《DiSECt: A Differentiable Simulation Engine for Autonomous Robotic Cutting》
作者：Eric Heiden (University of Southern California),Miles Macklin (NVIDIA),Yashraj S Narang (NVIDIA),Dieter Fox (NVIDIA),Animesh Garg (University of Toronto, Vector Institute, NVIDIA),Fabio Ramos (NVIDIA, University of Sydney)
論文地址：http://www.roboticsproceedings.org/rss17/p067.pdf
Youtube地址：https://www.youtube.com/watch?v=xqSB8eoypj8
機器人切割軟材料對于食品加工、家庭自動化和外科手術操作等應用至關重要。與機器人學的其他領域一樣，模擬器可以促進控制器驗證、策略學習和數據集生成。此外，可微仿真器可以實現基于梯度的優化，這對于標定仿真參數和優化控制器是非常有價值的。
在這項工作中，作者提出了第一個針對切割軟材料的可微模擬器——DiSECt。該模擬器通過基于符號距離場（SDF）的連續接觸模型和連續損傷模型對有限元法（FEM）進行了擴充，該模型將彈簧插入切削平面的對側，并允許彈簧減弱至零剛度，從而形成裂紋。本文通過各種實驗，對模擬器的性能進行了評估。作者首先展示了模擬器可以校準以匹配SOTA的商業求解器和真實世界切割數據集的合力和變形場，具有切割速度和目標實例的通用性。
作者之后證明了利用模擬器的可微性，在無導數方法的一小部分時間內估計數百個參數的后驗概率，可以有效地進行貝葉斯推理。最后，作者表明模擬控制參數可以優化，以盡量減少切削力通過橫向切片運動。?
5、《Toward Certifiable Motion Planning for Medical Steerable Needles》
作者：Mengyu Fu (University of North Carolina at Chapel Hill),Oren Salzman (Technion),Ron Alterovitz (University of North Carolina at Chapel Hill)
論文地址：https://www.youtube.com/watch?v=GYHr-xndYMk
Youtube地址：http://www.roboticsproceedings.org/rss17/p081.pdf
?
醫用引導針可以沿著三維曲線軌跡移動來避免解剖障礙物，以到達人體內具有臨床意義的靶點。自動化可操縱引導針程序可使醫生和患者最大限度地利用引導針的可操縱性，安全、準確地達到諸如活檢和癌癥局部治療等醫療程序的目標點，從而充分發揮引導針的潛力。
為了使醫療程序的自動化在臨床上得到接受，從病人護理、安全和監管的角度證明程序自動化中涉及的運動規劃算法的正確性和有效性是至關重要的。在本文中，作者采取了一個重要的步驟，來創建一個可證明的運動規劃可操縱引導針。?
本文提出了第一個用于可操縱引導針的運動規劃器，它能保證在臨床上適當的假設下，它將在有限的時間內計算到指定目標的精確的避障運動計劃，或者通知用戶不存在這樣的計劃。基于一種新的多分辨率規劃方法，提出了一種高效的、分辨率完備的可操縱針運動規劃方法。與 SOTA 可操縱針運動規劃器相比，本文證明了新的分辨率完整運動規劃器計算計劃更快，成功率更高。
6、《Learning Riemannian Manifolds for Geodesic Motion Skills》
作者：Hadi Beik-mohammadi (Bosch Center for Artificial Intelligence),Soren Hauberg (TU Denmark),Georgios Arvanitidis (MPI for Intelligent Systems, Tübingen),Gerhard Neumann (Karlsruhe Institute of Technology),Leonel Rozo (Bosch Center for Artificial Intelligence)
論文地址：
http://www.roboticsproceedings.org/rss17/p082.pdf
Youtube地址：https://www.youtube.com/watch?v=K6DkUjVIG-Y
為了讓機器人與人類并肩工作，在非結構化的環境中發揮作用，它們必須學習新的運動技能，并在飛行中適應不可見的環境。這要求學習模型捕捉相關的運動模式，同時提供足夠的靈活性，使編碼的技能適應新的要求，如動態避障。
本文引入了黎曼流形的觀點來解決這個問題，并從人類的示范學習黎曼流形，其中測地線是自然的運動技能。本文通過在機器人末端執行器的位置和方向空間上的變分自動編碼器（VAE）來實現這一點。測地運動技能可以讓機器人規劃數據流形上任意點之間的運動。他們還提供了一個簡單的方法，通過重新定義一個在線方式的環境指標來避障。
此外，測地學自然地利用多解決方案設置所產生的流形來設計以前沒有演示過的運動。作者使用一個7自由度的機械手來測試學習框架，在這里，機器人滿意地學習和再現具有復雜運動模式的真實技能，來避免以前看不見的障礙物，并在多個解決方案設置中生成新的運動。
參考鏈接：https://roboticsconference.org/program/papers/018/
雷鋒網雷鋒網
(公眾號：雷鋒網)
雷鋒網
雷鋒網特約稿件，未經授權禁止轉載。詳情見。
科技獵
