Xiang's Blog

Nullspace for robotics首先机器人的零空间与线性代数的中的零空间（nullspace）还是有所不同的，线性代数的nullspace指的是: $Ax=0$中$x$的所有解构成了A矩阵的nullspace，有时也称为“核”。 机器人的零空间则一般指的是：雅克比矩阵（Jacobian）的零空间。 机器人在完成任务的时候，会将任务最终分解成位姿伺服问题或者力/力矩伺服问题。而零空间内的机器人关节运动将不会影响主任务的完成。直观来讲就是：当末端保持不动，而其他关节可转动时，这些所有能转动的位形即构成零空间。 首先给出几点基本的认识： ​ a) 机器人零空间内的运动只会改变整个机器人身体的姿态不会改变； ​ b) 机器人的零空间是相对主任务定的，也就是说主任务变了，零空间也会随之改变； ​ c) 冗余自由度越多，零空间可以调整的余地越大，否则零空间的优化效果较弱；对于冗余机器人，由于机器人自由度大于空间自由度，因此在任何时候都能出现； ​ d) 对于非冗余的情况，当机器人自由度大于要控制的空间自由度时，也会出现/存在零空间（如只控制末端位置而不管姿 ...

仅用来记录一下在ROS中遇到的大大小小的问题。 About URDF/SDF 关于joint信息 全部详细信息见：LINK More about dynamics tag: 使用pybullet仿真dynamics需要关闭damping和friction？【有待测试】

Resources DeepXDE: A deep learning library for solving differential equations 2019 LINK 更倾向于PDE Neural ODE 2018 LINK Augmented Neural ODEs 2019 LINK Github Dynamically Constrained Motion Planning Networks for Non-Holonomic Robots 2020 LINK Normalizing Flows for Probabilistic Modeling and Inference 2019 LINK ZHIHU_LINK Deep learning theory review: An optimal control and dynamical systems perspective 2019 Resource: Neural ODE Code https://nbviewer.jupyter.org/github/urtrial/neural_ode/tree/maste ...

Note for: “OMPL: A Primer”This note is about a tutorial book for the ‘Open Motion Planning Library(OMPL)’. This book can be found in the OMPL webpage. Additionally, some other note about OMPL will recorded here. Here’s the webpage of OMPL: OMPL_LINK OMPL: A PrimerChap 1 IntroductionOMPL支持sampling-based methods, 其库中已经包含了部分现有的sampling-based methods。整个doc的目的是：users should be able to use OMPL.app to solve motion planning queries in 2D and 3D workspaces, and utilize the OMPL framework to develop thei ...

Mobile Manipulator Paper Reading关于在读Mobile Manipulator Door Pushing Task中遇到的一些paper的note 主要关于coordinated motion planning的一些相关方法。 DifficultiesFor door Opening Task: How to represent a state in this door opening task? When this representation has high dimension, it’s hard to find a solution. The optimal position or state to open the door is unkown. Door open problem itself need to consider a lot of stuff e.g. collide, reachability… identified the position of the door For Coordinate Motion Plannin ...

RL PushingThis blog is a note for related papers and some stuff about our traget. GoalFor now, goal is Pushing! More general, that is General contact-rich manipulation problems. 这类问题的特点就是对环境非常的敏感，而传统RL方法的一个特点是如果真实场景和训练是差距很大（环境是动态的），是很难得到一个很好地结果的。再者，对于这种与环境高度相关的问题，如何对一个动态的环境做出一个表示或者是一个理解也是至关重要的。目标就是来解决这样一个general的问题。 这类问题的一个实际例子就是pushing object。其中，目标是保持对象的直立姿势，使用机械臂+夹爪作为执行器（gripper），并将其堆到正确的随机的位置。 例如，推一杯水，水会晃，所以其质心是在变化的，同时不能让杯子倒下。而且环境的摩擦力也是不确定的。 当然，被推的物体也是不确定的，即: 被推的物体可能具有不规则的形状和质量分布，并且机器人可能会在物体上 ...

Mobile Manipulator Intro & Resource关于Mobile Manipulator的一些偏向于survey的介绍和一些资源汇总。 Papers主要是survey相关的paper Mobile Manipulation Tutorial 2020 Ros navigation tuning guide 2017123 Mobile Manipulator Intro组成：robotics arm + mobile robotic platform 最简单、最常见的具体形式： wheeled base 底盘 6 自由度（DoF）机械臂 平行二指夹爪 典型例子：Fetch：7DoF机械臂，躯干可提升，pitch, yaw head with an RGB-D camera & 2D Laser Scanner. 其他常见传感器 激光雷达：用于mapping RGB-D Camera：用于object recognition and localization 因为目前短期内的任务是尽快的实现一个在虚拟环境的task，所以这里重点关注一些 ...

Note for Dilated Conv最近在做edge detection类型的任务，在edge detection领域，也开始使用了很多semantic segmentation的方法；其中一类就是Dilated Con. 这里特此汇总一下相关的学习资源，和自己在阅读和学习时的心得。 Resources:各种资源汇总： Blogs: 总结-空洞卷积(Dilated/Atrous Convolution) 知乎专栏LINK 【深度好文】 包含了Dilated Conv问题的讨论。 如何理解空洞卷积（dilated convolution）？ 知乎提问LINK Semantic Segmentation学习流程 https://zhuanlan.zhihu.com/p/145009250 https://zhuanlan.zhihu.com/p/76603228 https://zhuanlan.zhihu.com/p/27794982 Object Detection–RCNN,SPPNet,Fast RCNN，FasterRCNN论文详解 https://blog.csdn. ...

Model Compression Paper ReadingLast note is a brief overview of model compression and a summary of learning resources. This note is focus on some specific papers and methods. Total LIST: Distilling the Knowledge in a Neural Network 2015 知识蒸馏开山之作 Knowledge Distillation本部分主要关注Knowledge Distillation(简记为KD). LIST: Distilling the Knowledge in a Neural Network 2015 Distilling the Knowledge in a Neural NetworkAuthor: Geoffrey Hinton er al LINK Conference: CVPR 2015 KEY WORDS: 知识蒸馏(Knowledge Distill ...

Model Compression Overview and Resources此NOTE主要记录一些关于model compression 方面的overview和一些不错的入门资源、survey and papers. Model pruning(模型剪枝): removes less important parameters Weight Quantization: uses fewer bits to represent the parameters Parameter sharing Knowledge distillation(知识蒸馏): trains a smaller student model that learns from intermediate outputs from the original model. Module replacing / Dynamic Computation: Can network adjust the computation power it need? Videos 知识蒸馏简述–起源、改进与研究现状【截至2020年3月 ...