近日，机器人顶会RSS （Robotics Science and System）公布了6篇最佳论文和最佳学生论文提名，其中9位华人学生/学者入选，论文一作占三席，他们分别是卡内基梅隆大学博士生Chao Cao、麻省理工学院博士生Jingnan Shi以及佐治亚理工学院博士生Tianyu Wang。在机器人领域几大顶会中，ICRA偏向自动化应用，IROS注重前沿研究，而RSS更偏重于机器人技术、算法和系统。官方称，此次提名的6篇论文均在此做出了创新性贡献。论文1：TARE: A Hierarchical Framework for Efficiently Exploring Complex 3D Environments
卡内基梅隆大学一年级博士生，在机器人研究所，跟随Ji Zhang和Howie Choset.教授开展相关研究。此前曾参加过DARPA 地下挑战赛，并担任Team Explorer计划负责人。他对机器人导航和运动规划感兴趣，最近主要研究机器人探索和传感器覆盖规划。此前在香港大学获得计算机科学学士学位，师从Jia Pan和Wenping Wang ，之后考入CMU RI，并在Matt Travers和Howie Choset 教授的指导下，获得了机器人专业硕士学位。Hongbiao Zhu ：哈尔滨工业大学（HIT）博士研究生，师从Weidong Wang教授。同时也是卡内基梅隆大学访问学者，目前在机器人研究所与 Ji Zhang开展机器人自主探索和源定位相关研究。曾参加DARPA Subterranean 挑战赛在Exolorer项目中排名第二。
Ji Zhang ：系统科学家、Kaarta（ CMU 的衍生公司）创始人和前任首席科学家，主要工作涉及利用范围、视觉和惯性传感将 3D 映射技术商业化。最近主要研究小型飞行器如何在复杂环境中高速飞行，并避开障碍物。研究方向涉及运动规划、多机器人规划与协调、感知与3D视觉识别、多传感器数据融合等。
论文2：Optimal Pose and Shape Estimation for Category-level 3D Object Perception
麻省理工学院信息与决策系统实验室（LIDS）二年级博士生。目前在 SPARKlab 担任研究助理，由 Luca Carlone 教授指导。研究领域包括机器人技术中的鲁棒感知、算法工程和状态估计。Heng Yang：麻省理工学院信息与决策系统实验室（LIDS）和机械工程系（MechE）在读博士生。目前与Carlone教授 在SPARK（传感，感知，自主性，机器人动力学）实验室开展有关机器人感知，计算机视觉和优化学习算法的研究。他希望通过在几何视觉、鲁棒估计和优化方面的应用经验来提高机器学习和人工智能的效率、鲁棒性、可解释性。
论文3：Moving sidewinding forward: optimizing contact patterns for limbless robots via geometric mechanics
目前是佐治亚理工学院在读博士生，软机器人和生物设计实验室成员，在 Guoying Gu教授的指导下，主要研究复杂环境下蛇形机器人运动的柔顺控制。研究兴趣涉及动态运动、运动规划、经典控制、实用最优控制和强化学习。 在此之前，他硕士就读于卡内基梅隆大学 (CMU)大学机械工程专业，师从Howie Choset教授。本科就读于密歇根大学-上海交通大学联合学院，并获得了上海交通大学 (SJTU)电气与计算机工程学士学位。Shengkai Li：佐治亚理工学院物理学院博士生，主要研究兴趣包括软物质、活性物质、集体运动、统计力学、非平衡热力学
Baxi Chong：佐治亚理工学院物理学院博士生。
论文4：Toward Certifiable Motion Planning for Medical Steerable Needles
北卡罗来纳大学教堂山分校计算机科学系在读博士生。目前在Ron Alterovitz教授领导的计算机器人研究组，从事医疗/手术机器人（例如可转向针、同心管机器人和并行手术机器人）的检查/运动规划。此前，在哈尔滨工业大学（HIT）获得学士和硕士学位。以下对6 篇最佳论文和最佳学生论文提名做简单介绍。1、《TARE: A Hierarchical Framework for Efficiently Exploring Complex 3D Environments》
论文作者：Chao Cao,Hongbiao Zhu (CMU) ,Howie Choset (CMU) ,Ji Zhang (CMU) 
论文地址：http://www.roboticsproceedings.org/rss17/p018.pdfYoutube地址：https://www.youtube.com/watch?v=LVUSpNa2dac
本文提出了一种在三维环境下进行自主探测的新方法。该方法比目前使用层次结构的探索技术更快——一个层次在局部范围内密集地计算数据和规划路径，而另一个层次在全局范围内粗略地计算数据和规划路径。该框架表明，机器人附近的细节处理最有效，细节处理的范围决定机器人的计算速度。而我们的该方法根据路径长度优化整个勘探路径。局部区域的路径在动力学上可跟随高速行驶的车辆。通过地面和空中机器人自主探索高度复杂的室内外环境的实验，结果表明，该方法的勘探效率提高了80%，与最先进的方法相比，机器人每秒的平均勘探体积，所消耗的计算量不到50%。2、《Optimal Pose and Shape Estimation for Category-level 3D Object Perception》
作者：Jingnan Shi (MIT) ,Heng Yang (MIT) ,Luca Carlone (MIT)
论文地址：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的感知问题。给定3D传感器数据描绘一个特定类别（例如，汽车）的目标——这些目标存在可变性（即不同的汽车模型具有不同的形状），需要重建目标的姿态和形状。我们考虑设计一个 active 形状的模型，对于任意一个目标类别提供一个潜在的CAD模型库以描述目标，同时采用一个标准的公式，将其中的姿势和形状估计表述为非凸优化。本文的首要贡献是为姿态和形状估计提供可证明的最优解算器，特别是，证明了旋转估计可以从物体平移和形状的估计中解耦；最优物体旋转可以通过小尺寸半定松弛（semidefinite relaxation）来计算；平移和形状参数可以在给定旋转的情况下以闭合形式（closed-form ）计算。第二个贡献是在解算器中添加一个异常拒绝层（ outlier rejection layer ），从而使它对大量错误检测具有鲁棒性。为了实现这一目标，我们将最优解封装在一个基于渐进非凸性的鲁棒估计方案中，同时，提出了一个在类别级感知中剪除离群点的图论公式，以通过凸包和最大团计算去除离群点，实验证明，该方法使离群点的鲁棒性达到70%− 90%的异常值.第三个贡献是广泛的实验评估。除了在模拟数据集和PASCAL3D+数据集上进行烧蚀研究外，我们还将解算器与深度学习的关键点检测器相结合，实验表明，所得到的方法比ApolloScape驾驶数据集中最先进的车辆姿态估计方法更好。 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)
论文地址：http://www.roboticsproceedings.org/rss17/p031.pdf
Youtube地址：https://www.youtube.com/watch?v=UKtzCPoQ68k接触规划（contact planning）对肢体机器人的运动性能至关重要。一般来说，机械装置与其环境之间的接触方式和断开模式决定了机器人的运动。这些模式（通常称为接触模式）在设计常常具有挑战性。在以往的工作中，接触模式的设计来自于对生物系统的观察，或者根据黑盒优化算法经验而定。然而，这种基于启发式的接触模式方法只适用于特定机制，难以推广。例如，对12-link四肢机器人稳定且有效的接触模式并不是适用于6-link四肢机器人。在本文中，我们使用几何运动规划方案，开发了一个更通用的接触模式的框架，以便针对所需的方向生成有效的运动。 受到几何力学的启发，我们将构形空间分为形状空间（内关节角）、接触状态空间和位置空间；然后对接触状态空间和形状空间的耦合函数进行优化。该框架提供了接触模式设计的物理思考，并借鉴了经验准则。应用该框架不仅可以通过调节接触模式来控制12-link四肢机器人的运动方向，还可以为电机较少的机器人（如6-link机器人）设计有效的侧绕步态。实验表明，该方法通过机器人物理实验测试获得了很好的一致性，希望该方案能广泛地适用于机器人的接通/断开接触。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)
论文地址：http://www.roboticsproceedings.org/rss17/p067.pdf
Youtube地址：https://www.youtube.com/watch?v=xqSB8eoypj8机器人切割软材料对于食品加工、家庭自动化和外科手术操作等应用至关重要。与机器人学的其他领域一样，模拟器可以促进控制器验证、策略学习和数据集生成。此外，可微仿真器可以实现基于梯度的优化，这对于标定仿真参数和优化控制器是非常有价值的。在这项工作中，作者提出了第一个针对切割软材料的可微模拟器——DiSECt。该模拟器通过基于符号距离场（SDF）的连续接触模型和连续损伤模型对有限元法（FEM）进行了扩充，该模型将弹簧插入切削平面的对侧，并允许弹簧减弱至零刚度，从而形成裂纹。本文通过各种实验，对模拟器的性能进行了评估。作者首先展示了模拟器可以校准以匹配SOTA的商业求解器和真实世界切割数据集的合力和变形场，具有切割速度和目标实例的通用性。作者之后证明了利用模拟器的可微性，在无导数方法的一小部分时间内估计数百个参数的后验概率，可以有效地进行贝叶斯推理。最后，作者表明模拟控制参数可以优化，以尽量减少切削力通过横向切片运动。 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)
论文地址：https://www.youtube.com/watch?v=GYHr-xndYMk
Youtube地址：http://www.roboticsproceedings.org/rss17/p081.pdf
医用引导针可以沿着三维曲线轨迹移动来避免解剖障碍物，以到达人体内具有临床意义的靶点。自动化可操纵引导针程序可使医生和患者最大限度地利用引导针的可操纵性，安全、准确地达到诸如活检和癌症局部治疗等医疗程序的目标点，从而充分发挥引导针的潜力。为了使医疗程序的自动化在临床上得到接受，从病人护理、安全和监管的角度证明程序自动化中涉及的运动规划算法的正确性和有效性是至关重要的。在本文中，作者采取了一个重要的步骤，来创建一个可证明的运动规划可操纵引导针。 本文提出了第一个用于可操纵引导针的运动规划器，它能保证在临床上适当的假设下，它将在有限的时间内计算到指定目标的精确的避障运动计划，或者通知用户不存在这样的计划。基于一种新的多分辨率规划方法，提出了一种高效的、分辨率完备的可操纵针运动规划方法。与 SOTA 可操纵针运动规划器相比，本文证明了新的分辨率完整运动规划器计算计划更快，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)
论文地址：http://www.roboticsproceedings.org/rss17/p082.pdfYoutube地址：https://www.youtube.com/watch?v=K6DkUjVIG-Y
为了让机器人与人类并肩工作，在非结构化的环境中发挥作用，它们必须学习新的运动技能，并在飞行中适应不可见的环境。这要求学习模型捕捉相关的运动模式，同时提供足够的灵活性，使编码的技能适应新的要求，如动态避障。本文引入了黎曼流形的观点来解决这个问题，并从人类的示范学习黎曼流形，其中测地线是自然的运动技能。本文通过在机器人末端执行器的位置和方向空间上的变分自动编码器（VAE）来实现这一点。测地运动技能可以让机器人规划数据流形上任意点之间的运动。他们还提供了一个简单的方法，通过重新定义一个在线方式的环境指标来避障。此外，测地学自然地利用多解决方案设置所产生的流形来设计以前没有演示过的运动。作者使用一个7自由度的机械手来测试学习框架，在这里，机器人满意地学习和再现具有复杂运动模式的真实技能，来避免以前看不见的障碍物，并在多个解决方案设置中生成新的运动。参考链接：https://roboticsconference.org/program/papers/018/
雷锋网雷锋网雷锋网
我在思考中