与刚性机器人操作与紧凑的自由度,柔软的机器人必须思考无限维状态空间。映射这个连续状态空间提出了重大挑战,特别是当处理一组有限的离散传感器。从这些稀疏重构机器人的状态输入是具有挑战性的,尤其是传感器位置有深远的下游影响丰富的学习模型机器人的任务。在这项工作中,我们提出一个新颖的表示co-learning传感器位置和复杂的任务。具体来说,我们现在的神经结构处理车载传感器信息学习突出的位置和稀疏的选择最佳的任务绩效。我们评估模型和学习算法六软机器人形态为各种监督学习任务,包括触觉传感和本体感受。我们也强调软子空间可视化和机器人运动控制的应用程序。我们的方法演示了性能优越的任务学习算法和人工基线同时学习传感器位置和潜在语义上有意义的空间。gydF4y2Ba

作者:安德鲁·斯皮尔伯格*亚历山大Amini *,莉莲的下巴,Wojciech Matusik,罗斯和丹妮拉发表在:IEEE机器人与自动化字母(RA-L),与2021年RoboSoft表示。半岛app官网gydF4y2Ba

完整的视频:gydF4y2Ba