ROS

ROS系列文整理 (ROS Tutorials)

由於 Robot Operating System(ROS) 的中文資源還幾乎不存在(2012年),決定先撒下一點麵包屑,之後有寫出新的也會依序整理到這上面。

我覺得機器人在能源不出現問題之前,是必然崛起的一個領域。機器人的存在可以幫助人類變得更好,被解放的生產力能夠聚焦到更為重要的議題上 – 永續發展,公平正義,世界均富等等,而要在機器人產業做出能推動世界進步的成果,我認為 ROS 是一個很重要的工具。

現在(2015年)已經多了不少中文資源,大家可以參考 ROS網站中文版。另外,最近同實驗室的同學黃昭霖也開始寫一些 他自己的筆記、有一位朋友林信男最近也開始寫 ROS on Jetson的學習筆記、他甚至還幫忙整理了各種 ROS 中文資源列表 XD 如果你需要問問題,去 ROS Answers絕對是不二選擇(因為有很多ROS package的開發者會到上面回答跟自己package相關的問題),或者可以去ROS.TaipeiROS.Taiwan這個中文社群 或 另一個中文社群 逛逛。

對學習 ROS 有興趣的朋友來說,能有多一些資源參考總是好的。希望之後有心做 ROS 的人學習愉快 : D

另外推薦一下 awesome-human-robot-interaction 、 awesome-grasping、還有我跟幾個熱血的朋友弄的 TechBridge Weekly 技術週刊,每周分享最新的技術文章或工具給大家!


ROS tutorials 系列 (Beginner Level)

我的 tutorial 不詳細 go through 整個 tutorial 原文,而是就我認為重要之處詳加說明,而且有些東西原文寫得很清楚就不必重複寫了。換句話說,我仍預期你看下面這系列文章時要搭配原文看,才會比較完整。

0. 什麼是 ROS ? 要怎麼使用 ROS ? (玩ROS前必看!我盡量寫得淺顯,不是工程師應該也看得懂XD)

1. 淺談 ROS file system

2. 新增 ROS package

3. 建立 ROS packages

4. 了解 ROS Node

5. 了解 ROS Topics

6. 了解 ROS Service 跟 Parameters

7. 使用 rqt_console 跟 roslaunch

8. 使用 rosed 來編輯檔案

9. 建立自己的 msg 檔或 srv 檔

10.撰寫一個 publisher 跟 subscriber (上手 ROS Topic )

11.撰寫一個 service 跟 client (上手 ROS Service )

12.使用 rosbag 記錄和播放資料

13.使用 roswtf 來幫忙 debug

14.探索 ROS wiki

15.下一步是什麼?

———————————————–

Object Recognition 系列

使用 Object Recogniton Kitchen 的 Linemod 演算法辨識物體

Object Recognition Kitchen 透明物體辨識(演算法概念)

ecto 簡介 (1) – cell 與 plasm

ecto 簡介 (2) – tendrils 與 scheduler

一起來玩 OSRF 的 TensorFlow Object Detector

———————————————–

LSD SLAM 系列

深入學習 LSD-SLAM – 1

深入學習 LSD-SLAM – 2

深入學習 LSD-SLAM – 3

深入學習 LSD-SLAM – 4

深入學習 LSD-SLAM 番外篇 – RDS X RTAB-Map

深入學習 LSD-SLAM – 5

———————————————–

ROS觀念文

用 DDS 開發 ROS 2.0

簡介CRAM(Cognitive Robot Abstract Machine)

簡介 Knowrob (機器人知識處理的工具)

比較 Topic, Service 跟 Actionlib

ROS Navigation stack 簡介

ROS SMACH 簡介

———————————————–

讀論文系列

一起來讀 CRAM – A Cognitive Robot Abstract Machine for Everyday Manipulation in Human Environments

一起讀 Knowledge-Enabled Robotic Agents for Shelf Replenishment in Cluttered Retail Environments

———————————————–

ROS實作細節文

如何使用 Google Cartographer SLAM 演算法來建地圖

Caffe & GoogLeNet,如何幫助機器人更好地辨識物體

使用 Gazebo 模擬器控制機器人建立 2D 地圖

如何用 ROS Topic 控制機器人移動

使用 ROS 與 Gazebo 模擬一個自動避障機器人

改 launch file 中的參數值

launch file 中的條件用法

安裝 household object database

收到彩色影像,發布灰階影像 topic 的方法

接收來自 ROS Topic 的影像並偵測畫面中的動作

Guided Policy Search 環境安裝

———————————————–

ROS雜感

PR2 開箱文

ROS Kong 2014 照片集

ROS in DARPA Robotics Challenge!

———————————————–

補些關鍵字

ROS(Robot operating system), 機器人作業系統, 教學文章, 範例, 說明

最後更新:2018/11/07

Advertisements
Practical

How to convert nltk.tree.Tree to other type of Tree?

I didn’t found any example on this problem, so I want to provide sample code for someone who is not that familiar with reading API.

# Construct nltk.tree.Tree
s = '(ROOT (S (NP (NP (DT The) (JJ old) (NN oak) (NN tree)) (PP (IN from) (NP (NNP India)))) (VP (VBD fell) (PRT (RP down)))))'
my_tree = Tree.fromstring(s)

# Convert my_tree to ParentedTree
my_parented_tree = ParentedTree(0, [])
my_parented_tree = my_parented_tree.convert(my_tree)

# Check result
print(type(my_parented_tree))
my_parented_tree.draw()

 

Reference:

  1. What is the ‘cls’ variable used for in Python classes?
  2. NLTK Tree convert API
Practical

Paper reading – The naïve utility calculus: Joint inferences about the costs and rewards of actions

前言

今天讀的論文是 The naïve utility calculus: Joint inferences about the costs and rewards of actions,key insight 是把人類其實有能力去推算別人為了達成目標,所得到的 reward、跟所需耗費的 cost 大致是什麼。

以前的 work 大致都著重在人類的行為是為了完成目標,得到不同 reward,卻忽略了不同人做同一件事其實 cost 不同。

重要的人類行為

條列一些之前的發現:

  1. 人類的行為是為了某個 goal
  2. 人類會盡量採取(自認為)有效率的方式去達成目標

在這前提之下,我們就可以大致推得在 goal 是 G 的時候,採取行為 A 的機率有多高。越能有效率達到 G 的 A,被採取機率就越高。

我們用L(A|G)來表示這個可能性(likelihood)。

擷取.JPG

在這種 formulation 之下,我們可以將人類的決策行為當成一個 Markov decision process ,所以就可以:

  1. Forward: 推算出人類在某個 state 會採取什麼行為
  2. Backward: 從人類行為推算出他的 goal

擷取擷取2

這篇論文的 key insight 

上面提到的方法看起來很有趣,用基本的條件機率和貝氏定理就可以描述如何 infer 人的 action或 inverse infer 人的 goal,但如果你仔細用心就會發現,每一個 action 的成本其實不一樣,我們怎麼能只用夠不夠有效率來推論人會不會這樣做呢?(甚至可能有資訊不足的問題,例如完成 goal G 有 100 種方法,但我只聽過 5 種)

所以這篇 paper 才提出應該要用同時考慮 action 的 cost。

擷取擷取2

如何用數學和程式實作出這篇論文的概念?

這邊我也還不是很懂,看來應該是需要先讀懂他們 2009 年的那篇論文:

Baker, Chris L., Rebecca Saxe, and Joshua B. Tenenbaum. “Action understanding as inverse planning.” Cognition 113.3 (2009): 329-349.

等我懂了再寫出來分享。

擷取.JPG