機器人詞彙表:術語與定義
完整的機器人詞彙表,收錄機器人領域的術語、概念與定義。從致動器到零點校正,掌握現代機器人技術的專業詞彙。
術語表
- 3D Gaussian Splatting: 一種場景表示法,把 3D 環境建模為大量帶有顏色、半透明的高斯團塊,可從照片最佳化而得,並能以擬真照片級畫質即時渲染。
- 6-DoF Grasp Pose: 夾爪應在該處閉合抓住物體的完整 3D 位置與 3D 方向,有別於自由參數較少的平面抓取或由上往下的抓取。
- 6D rotation representation: 把一個 3D 旋轉編碼為兩個 3D 向量,即其旋轉矩陣的前兩行,讓神經網路能預測旋轉,而不受歐拉角或四元數不連續性的影響。
- Action Chunking: 一種策略設計:機器人一次預測一小段未來動作序列,並在再次查詢策略之前執行其中數個動作,而不是每一步預測一個動作。
- Active Perception: 控制機器人如何感測、在哪裡感測,例如移動攝影機或移動物體本身,讓每一次新的量測都能減少機器人對其需要知道之事的不確定性。
- Activities of Daily Living: 人們每天進行的基本自我照顧任務,例如進食、洗澡、穿衣、如廁,以及在床與椅子之間移動;在醫療照護中用來衡量獨立程度,在機器人學中用來設定輔助目標。
- Actor-Critic: 一類強化學習方法,同時訓練兩個部分:演員,即選擇動作的策略;評論家,即用來評估並改進這些動作的學習而來的價值函數。
- Actuator: 把能量轉換成運動、用於機器人移動與操作的元件。
- Admittance Control: 一種力控制方案:量測施加在機器人上的力,並將其轉換成運動指令,讓位置控制的機器人表現得像一個選定的質量-彈簧-阻尼器。
- Affordance: 物體或環境為某個特定代理人提供的一種可能動作,例如可以被抓握的把手,或可以承托所放置物體的表面。
- AMR: 不依固定路徑、能自行導航移動的機器人
- Antipodal Grasp: 一種雙接觸點抓取,連接兩個接觸點的直線落在每個接觸點的摩擦錐之內,因此手指可以夾緊物體而不打滑。
- Anytime Motion Planning: 一種運動規劃方式:先快速回傳一條有效路徑,再於時間允許時持續改進,因此無論規劃器何時被停止,都有可用的答案。
- Articulated Body Algorithm: 一種高效率的遞迴演算法,由 Featherstone 於 1983 年提出,能以與關節數量成正比的時間,從施加的扭矩計算出機器人的關節加速度。
- Articulated object: 由以關節(通常是旋轉或滑動關節)相連的剛性部件組成的物體,例如門、抽屜、筆電或烤箱,當機器人操作它時,各部件會彼此相對移動。
- Asymmetric Actor-Critic: 一種 actor-critic 強化學習設定:critic 以特權模擬器狀態訓練,而 actor 只使用真實機器人將會擁有的觀測。
- Axis-Aligned Bounding Box: 包住一個物體、各邊與所選座標系座標軸平行的最小盒子,以最小角點與最大角點儲存,用於快速的重疊檢測與距離檢測。
- Backchannel: 聽者發出的簡短回應,例如「mhm」「yeah」或點頭,在對方繼續保有話輪的同時表示注意或理解。
- Backdrivability: 關節能否透過推動輸出端而被移動:這項特性決定了機器人能否感覺到接觸,以及能否用手移動。
- Backlash: 背隙即傳動機構中的空隙:換向後,輸出端在輸入端重新帶動它之前所移動的距離,通常以弧分表示。
- Behavior Cloning: 一種機器學習技術,機器人藉由複製專家示範來學習任務。
- Behavior Tree: 階層式控制架構,把機器人決策組織成由動作、條件與複合節點構成的模組化樹狀結構。
- Belief-Space Planning: 在機器人狀態的機率分布上進行規劃,而不是在單一估計上規劃,讓選擇動作時既能為了抵達目標,也能為了降低不確定性。
- Bézier Curve: 一種由控制點定義的多項式曲線:從第一個控制點開始、在最後一個控制點結束,並被中間的控制點拉向它們;廣泛用於機器人的路徑、軌跡與筆畫形狀。
- Bicycle model: 一種平面車輛模型,把每根車軸的兩個車輪合併成中心線上的一個車輪,為類車輛機器人帶轉向的運動提供簡單的模型,其動力學形式還包含輪胎力。
- Bird's-Eye View: 一種俯視的網格表示,涵蓋機器人或車輛周圍的區域,由光達、攝影機或兩者共同建立,用於 3D 偵測、建圖與規劃。
- BLDC Motor: 以電子換向、提供高效率與可靠致動的無刷直流馬達。
- Bundle Adjustment: 對相機姿態與 3D 地標位置(有時還包括相機參數)進行的聯合非線性最小平方精修,使所有觀測特徵的重投影誤差最小。
- Camera-Based Tactile Sensor: 一種觸覺感測器:由攝影機對柔軟彈性體皮膚(通常帶有塗層或標記)的內側取像,把接觸的形狀與運動轉換成高解析度影像。
- Camera Intrinsics: 相機的內部參數,也就是焦距、主點與鏡頭畸變,它們把相機座標系中的 3D 點對應到像素座標。
- Cascaded Control: 一種具有巢狀回饋迴路的控制結構,由外迴路為較快的內迴路計算設定值,例如無人機上依序為位置、姿態與機體角速率。
- Category-Level Manipulation: 能泛化到某一物體類別所有實例的操作,例如任何馬克杯或任何抽屜,包括從未見過、也沒有 CAD 模型的實例。
- Centroidal Dynamics: 足式或人形機器人的一種降階模型,描述接觸力如何改變其質心的運動與總角動量,而不追蹤每一個肢體。
- Chamfer Distance: 衡量兩個點集差異程度的度量,做法是把每個點與另一個集合中的最近鄰配對,並在兩個方向上結合這些距離。
- Cobot: 設計成能安全地與人類一起工作的機器人
- Complementarity Constraint: 一對乘積為零的非負條件,因此至多只有一個量可以為正;用來為接觸建模,也就是只有在間隙為零時才存在力。
- Complementary Filter: 一種簡單的估測器,對一個感測器做低通濾波、對另一個做高通濾波,藉此融合兩個雜訊互補的感測器;常用於將陀螺儀與加速度計資料融合成姿態。
- Configuration Space: 機器人所有可能組態所構成的空間,其中每一點都確定每一個關節值或物體姿態,讓運動規劃變成為單一個點尋找路徑。
- Conformal Prediction: 一種統計方法,以保留資料進行校正,把任何模型的分數轉換成以選定機率包含真實答案的預測集合。
- Constraint Manifold: 滿足一個或多個等式約束(例如讓托盤保持水平)的機器人組態集合;通常是組態空間內一個維度較低的曲面。
- Contact mode: 一個離散標籤,說明機器人與物體系統中哪些接觸處於作用狀態,以及每個接觸是黏滯還是滑動;每個標籤對應一組不同的平滑動力學。
- Control Barrier Function: 一個關於機器人狀態的函數,其正負號標示出一個安全集合,用來約束控制輸入,使從安全集合內部出發的系統可被證明永遠不會離開它。
- Convex decomposition: 把一個非凸形狀(通常是三角網格)拆成一組凸塊,讓它們的聯集近似原形狀,以便使用快速的凸碰撞演算法。
- Cooperative Perception: 多輛車、多個機器人或路側單元分享感測器資料或偵測結果的感知方式,讓每一方都能看見遮擋物後方以及自身感測器範圍以外的情況。
- Coordinate Frame: 定義原點與方向、用來描述 3D 空間中位置的參考系統,用於建立機器人元件、感測器與物體之間的相對關係。
- Cost of Transport: 一種衡量行走運動效率的無因次指標:讓物體移動給定距離所消耗的能量,除以其重量與該距離的乘積。
- Coulomb Friction: 標準的乾摩擦模型:摩擦力阻礙滑動,大小至多為摩擦係數乘以法向力,一旦表面滑動就等於此極限值。
- Covariate Shift: 模型訓練時的輸入分布與使用時遇到的輸入分布不一致,而輸入到輸出的關係維持不變;在模仿學習中,這是誤差累積的根源。
- Cross-Embodiment: 訓練單一的機器人學習策略,使其能在多種機器人機體類型上運作,讓知識在不同硬體平台之間轉移。
- Cross-Entropy Method (CEM): 一種以取樣為基礎的最佳化器,反覆取樣候選解,保留得分最好的一部分,並據以重新擬合取樣分布;廣泛用於在以模型為基礎的控制中最佳化動作序列。
- Curriculum Learning: 一種訓練策略,先給學習系統較容易的任務或範例,再逐步提高難度,讓它能掌握從零開始難以學會的技能。
- Cycloidal Drive: 高減速比的減速機構,由偏心軸推動帶凸瓣的圓盤沿固定銷滾動;因耐衝擊、背隙低而受機器人關節青睞。
- DAgger: 一種模仿學習演算法,反覆執行學習者自己的策略,由專家為它到達的狀態做標註,並在持續擴大的資料集上重新訓練,以避免誤差累積。
- Depth Camera: 擷取深度資訊、讓機器人能理解 3D 場景的攝影機。
- Dexterous Manipulation: 機器人使用多指機器手熟練地拿取與重新擺放物體的能力,可實現類似人類的工具使用與精細操作。
- Dielectric Elastomer Actuator: 一種軟性致動器,由夾在柔順電極之間的彈性體薄膜構成;高電壓把薄膜擠得更薄、攤得更寬,產生大應變。
- Differentiable Simulation: 一種能計算其輸出相對於輸入與參數之梯度的物理模擬,讓機器人控制器、設計與模型可以直接以梯度下降進行最佳化。
- Differential dynamic programming: 一種軌跡最佳化方法,沿著目前軌跡使用剩餘成本(cost-to-go)的局部二次模型,透過反覆的反向與前向階段改進控制序列。
- Differential Flatness: 某些非線性系統的一種性質:其完整狀態與輸入可寫成少數幾個平坦輸出及其導數的函數,大幅簡化軌跡規劃與控制。
- Diffusion Policy: 以擴散模型產生平順動作分布的機器人學習方法。
- Digital Twin: 實體機器人或生產系統的虛擬複本,與即時感測器資料同步,用於監控、模擬與最佳化。
- Direct Collocation: 一種軌跡最佳化方法,把取樣時間點上的狀態與控制量當作變數,並把動力學當作相鄰樣本之間的約束來施加。
- Direct Drive: 不經齒輪、直接連接負載的馬達,提供零背隙與高力透明度。
- Divergent Component of Motion: 行走機器人質心動力學中不穩定的部分,它把位置與速度結合成一個點,必須控制這個點才能讓機器人保持平衡。
- DOF: 自由度:機器人系統中獨立運動軸的數目。
- Domain Randomization: 一種模擬到現實(Sim2Real)遷移技術,在視覺外觀、物理參數與環境條件都經大量隨機化的模擬中訓練機器人學習演算法。
- Doppler Velocity Log: 一種用於水下載具的聲學感測器,根據聲波回波的都卜勒頻移量測相對於海床或相對於水體的速度,是水下航位推算的主要輸入。
- Double Integrator: 最簡單的二階動態系統:控制輸入是加速度,位置與速度是狀態。它描述在命令力作用下運動的質點。
- Dubins Car: 一種以固定速度前進、轉向速率有界的平面車輛模型;它在兩個姿態之間的最短路徑最多由三段圓弧與直線段構成。
- Dynamic Manipulation: 慣性力與加速度力對任務不可或缺的操作,例如投擲、甩動或接住物體,因此物體在接觸結束後仍會持續運動。
- Dynamic Movement Primitive: 一種運動基元,把軌跡編碼為一個穩定的二階動態系統加上一個學習得到的強迫項,讓示範的運動能以新的目標與新的速度重播。
- Dynamic Time Warping: 一種動態規劃演算法,藉由找出兩個時間序列樣本之間總距離最小且保持順序的配對,來對齊速度或長度不同的時間序列。
- Eigengrasp: 機器人手關節空間中的一個基底方向,由典型的抓取姿勢推導而來,讓手形可以用少數幾個係數來描述與搜尋,而不必用每一個關節角。
- Elastic band: 一種局部的路徑變形方法,把規劃好的路徑當作一條可伸縮的帶,由內部力拉緊、由外部力推離障礙物,因而能即時適應。
- Electro-Permanent Magnet: 一種磁鐵組件,可用短暫的電流脈衝開啟或關閉,之後不需電力即可維持狀態,用於夾爪、鎖扣與模組化機器人連接器。
- Elevation Map: 地形的 2.5D 網格地圖,為每個水平格子儲存一個高度值,通常還帶有不確定性;是足式機器人與越野機器人規劃的標準輸入。
- Embodied AI: 透過機器人機體在實體環境中感知、推理與行動的 AI 代理,閉合感知與行動之間的迴圈。
- Encoder: 把位置或運動轉換成數位訊號、用於回饋控制的感測器。
- End Effector: 機器手臂末端用來與物體互動的工具或裝置。
- End-User Robot Programming: 讓沒有機器人或程式設計專業的人,能在需要的地點與時間自行建立、調整與重新指派機器人行為的方法與工具。
- Energy tank: 機器人控制器中的一個虛擬能量儲存,追蹤所耗散與注入的能量,只在槽中有能量時才允許非被動的控制動作,使系統維持被動。
- EOAT: 裝在機器手臂末端、用來執行任務的裝置
- Equivariance: 函數或神經網路的一種性質:輸入經過變換時,輸出會以可預測的方式跟著變換,例如場景旋轉時,抓取預測也隨之旋轉。
- Ergodic Coverage: 一種規劃搜尋路徑的方法,讓機器人在每個區域停留的時間,與該區域預期包含的資訊量相符。
- Event Camera: 一種視覺感測器,其像素各自把亮度變化回報為帶時間戳記的事件,而不是輸出完整影格,因而具有極精細的時間解析度、高動態範圍,且沒有動態模糊。
- Exoskeleton: 配合穿戴者動作運作、增強人體力量、耐力或行動能力的穿戴式機器人裝置。
- Extended Kalman Filter: 卡爾曼濾波器的非線性擴展,在每個時間步於目前估計值附近將系統模型線性化,以估計動態系統的狀態。
- Exteroception: 以攝影機、光達、雷達、聲納等感測器感知機器人外部的環境,相對於感測機器人自身關節與運動的本體感知。
- Extrinsic Calibration: 求出感測器相對於機器人或另一個感測器的剛體姿態,讓量測值能放進共同的座標系。
- Extrinsic dexterity: 利用手部以外的資源,例如與環境的接觸、重力或手臂運動,來操作手中握持的物體,做到單靠手指做不到的事。
- Eye-in-Hand Camera: 安裝在機器人腕部或末端執行器上、隨夾爪一起移動的攝影機,能提供手即將接觸之物的近距離視野。
- Factor Graph: 一種二分圖,將機率分布表示為因子的乘積,把姿態與地標等未知變數,連結到約束它們的量測與先驗。
- Farthest Point Sampling: 一種從點雲中挑選固定數量的點、讓它們均勻分布在形狀上的貪婪方法,做法是反覆選擇離已選點最遠的點。
- Fault-Tolerant Control: 一種控制設計,在致動器或感測器失效等故障之後,透過容忍故障,或偵測故障並重新配置控制器,讓系統維持穩定且可用。
- Feedback Linearization: 一種非線性控制技術,利用系統模型透過狀態回饋抵消其非線性,使標準的線性控制設計可以套用到結果上。
- Finite Element Method: 一種數值方法,把固體分割成許多小元素,以計算它在負荷下如何變形、承受應力或移動,廣泛用於軟性機器人與結構零件。
- Foothold Planning: 利用地形資料與機器人的動力學,選擇足式機器人每隻腳的落點,讓每一步都穩定、可達且安全。
- Force Closure: 一種抓取性質:各接觸點藉由摩擦,能共同施加一個力旋量,抵抗作用在被夾持物體上的任何外力與外力矩。
- Force-Sensitive Resistor: 一種薄而柔軟的感測器,表面受力時電阻會下降,提供簡單、低成本的方式來偵測觸碰並估計接觸力。
- Force/Torque Sensor: 量測力與力矩、用於順應式機器人操作的感測器。
- Formation Control: 協調一群機器人,讓它們達到並維持指定的幾何配置,例如固定的距離、偏移量或沿路徑的間距,通常仰賴局部感測與通訊。
- Forward Dynamics Model: 一種模型,根據系統目前的狀態與施加的動作預測其狀態將如何改變,讓機器人在採取動作之前先模擬其效果。
- Forward Kinematics: 由機器人的關節角度計算其末端執行器位置與姿態的數學過程,基本上是在回答「給定這些關節數值,尖端在哪裡?」
- Foundation Model: 以廣泛資料訓練、可調整用於許多下游任務的大型 AI 模型。
- FPGA: 現場可程式化邏輯閘陣列:一種由可配置邏輯、記憶體與繞線構成的晶片,藉由載入組態接成客製化的數位電路,而不是執行程式。
- Frenet Frame Planning: 在與道路對齊的座標中進行的軌跡規劃,即沿參考路徑的距離與相對它的橫向偏移,通常是對許多平滑的候選軌跡取樣,並選出成本最低的有效軌跡。
- Friction Cone: 在庫侖摩擦下,表面能在不打滑的情況下傳遞的接觸力集合,形狀是繞著表面法線的圓錐,半頂角由摩擦係數決定。
- Frontier-Based Exploration: 一種探索策略:機器人反覆前往已建圖的空曠空間與未探索空間之間的分界,逐步擴展地圖,直到不再有這樣的分界為止。
- Gait: 足式機器人進行行走運動時所使用的腿部動作模式與時序。
- Gaussian process regression: 一種貝氏無母數迴歸方法,將未知函數建模為高斯過程,在每個查詢點同時給出預測均值與不確定性。
- Gear Ratio: 馬達要轉幾圈才能讓輸出轉一圈:這個數字以速度換取扭矩,也默默決定了大部分的關節行為。
- GNSS: 全球導航衛星系統:GPS、Galileo、GLONASS 與北斗(BeiDou)等衛星星系,以及利用其訊號估測全域位置、速度與時間的接收器。
- Goal-Conditioned Policy: 一種控制策略,在觀測之外把目標當作額外輸入,讓一個學習而得的模型能抵達許多不同的目標,而不是只為單一任務訓練。
- Godspeed Questionnaire: Bartneck 等人(2009)提出的一套五個問卷量表,用來量測人們如何知覺一台機器人:擬人化、生命感、好感度、知覺智慧與知覺安全。
- Graph of Convex Sets: 一種運動規劃表述,把自由空間中的凸區域連成一張圖,並以凸最佳化在其中找出一條平滑、無碰撞的路徑。
- Grasp Planning: 決定最佳夾爪定位與接近方式,以成功拿起物體的過程。
- Grasp Quality Metric: 衡量一個抓取好壞的分數,例如它的接觸能抵抗多大的干擾力旋量;用於為候選抓取排序、引導抓取最佳化,以及標註抓取資料集。
- Grasp Taxonomy: 對手握持物體方式的結構化分類,例如力量型、精準型與側向抓握,用於分析人類的抓握,以及設計與控制機器手。
- Gravity Compensation: 抵消重力對機器人的影響:把模型預測的重力扭矩加到關節命令上,或以配重或彈簧用機械方式達成。
- Gripper: 裝在機器手臂末端、用來抓取與操作物體的機械裝置。
- Ground-Penetrating Radar: 一種向地下發送無線電脈衝、記錄來自地下層與埋設物的反射,並產生地下影像的感測器;在機器人學中用於檢測與定位。
- Hall Effect Sensor: 透過量測載流導體暴露於垂直磁場時產生的電壓來偵測磁場的感測器,在機器人領域廣泛用於馬達換向。
- Hamilton-Jacobi-Bellman Equation (HJB): 一個偏微分方程,其解為連續時間最佳控制問題的最佳價值函數;它是貝爾曼最佳化原理的連續時間形式。
- Harmonic Drive: 常用於機器人關節的高減速比、零背隙齒輪機構。
- Hertz Contact Theory: Heinrich Hertz 於 1882 年提出的光滑彈性物體間無摩擦接觸之解,由壓入深度求得接觸尺寸、壓力與力,例如球體的力隨壓入深度的 3/2 次方增加。
- Hexapod: 六腳步行機器人,以受昆蟲啟發的三腳步態行走運動,具備極佳的穩定性。
- Hindsight Experience Replay (HER): 一種用於目標條件強化學習的技術,以代理人實際達到的目標重新標註失敗的回合,把稀疏獎勵下的失敗轉成有用的訓練資料。
- Homography: 一種把某個平面上的點映射到另一個平面的 3×3 射影轉換,例如兩台攝影機看到的同一個平面,或一台只旋轉的攝影機拍下的兩張影像。
- Homotopy Class: 一組起點與目標相同、不需穿過障礙物就能彼此連續變形的路徑,例如所有從某根柱子左側經過的路徑。
- Humanoid Robot: 具有類似人類之身體結構的機器人,有軀幹、手臂與腿,可在人類環境中運作。
- Hybrid A*: A* 搜尋的一種變體,適用於類車機器人:在連續狀態中模擬可行的轉向運動來擴展節點,同時以粗略的 (x, y, 航向) 網格剪枝。
- Hybrid Position/Force Control: 一種機器手臂控制方案,把任務空間劃分為控制位置的方向與相互正交、控制力的方向,讓機器人能一邊按壓表面一邊沿著表面移動。
- Hybrid system: 一種結合連續動力學與模式間離散切換的動態系統,例如在支撐與騰空之間交替的足式機器人,或是建立與斷開接觸的手。
- Imitation Learning: 機器人透過觀察並模仿專家示範來學習的機器學習方法。
- Impedance Control: 一種機器人控制策略,調節接觸點上運動與力之間的動態關係,讓機器人表現得像一個可程式設定的彈簧-阻尼系統。
- IMU: 結合加速度計與陀螺儀、量測姿態與運動的感測器。
- IMU Preintegration: 把兩個關鍵影格之間的大量 IMU 取樣,合併成一個不依賴其絕對狀態的相對運動量測,如此一來,估測值改變時最佳化器就不必重新積分。
- Instance Segmentation: 一種感知任務:找出影像或點雲中的每一個個別物體,並為它輸出各自的遮罩,通常附帶類別標籤,讓相碰的同類物體保持分開。
- Interactive Perception: 機器人透過推、拉或移動物體,刻意對環境施加動作,以揭露被動觀察無法提供之資訊的感知方式。
- Inverse Dynamics Model: 一種模型,計算讓系統從目前狀態移動到期望的下一個狀態或加速度所需的動作,例如關節扭矩或控制指令。
- Inverse Kinematics: 以數學計算達到末端執行器目標位置所需的關節角度。
- Inverse Reinforcement Learning: 學習能解釋專家示範行為的獎勵函數,再以強化學習或規劃訓練一個最佳化該獎勵的策略。
- Iterative Closest Point: 一種對齊兩個點雲的演算法,反覆把每個點與另一個點雲中的最近鄰配對,並求出最能擬合這些點對的剛體轉換。
- Jacobian: 把關節速度與末端執行器速度關聯起來的矩陣,是機器手臂控制的基礎。
- Job-Shop Scheduling: 一個在共用機台上安排工序順序的組合最佳化問題,其中每個工件都依循自己固定的機台路線,通常目標是使所有工件完成所需的時間(總完工時間,makespan)最小。
- Joint: 機器人連桿之間可活動的連接,提供運動所需的自由度。
- Keyframe: SLAM 或建圖系統選出並連同其姿態與觀測資料一起保留、供之後最佳化使用的影格,而其他大多數影格只會短暫使用後便被捨棄。
- Kinematic Redundancy: 當機器人的關節數多於任務所需時,它對該任務便是運動學冗餘的,因此同一個末端執行器姿態可以由一個連續的關節組態族達成。
- Kinematics: 研究機器人運動幾何的學問:計算關節角度如何對應到末端執行器的位置(正向運動學)以及反過來的對應(逆向運動學),不考慮力。
- Kinematic singularity: 機構的雅可比矩陣降秩的一種組態,此時末端執行器在某些方向上無法移動或施力,而鄰近的運動需要非常大的關節速度。
- Kinesthetic Teaching: 透過親手引導機器人手臂完成任務來教導機器人,同時由機器人記錄自身的關節或末端執行器運動,直接在機器人自己的身體上取得示範。
- Kinodynamic Planning: 一種同時考量幾何約束(例如碰撞)與系統動態的運動規劃,求出的是隨時間變化的控制輸入,而不只是一條無碰撞路徑。
- LIDAR: 以雷射為基礎的感測技術,利用光脈衝量測距離來建立 3D 地圖。
- LiDAR Odometry: 把連續的光達(LiDAR)掃描彼此對位或與局部地圖對位,以估計機器人的運動;除非以迴圈閉合加以修正,否則會隨距離漂移。
- Lifelong Robot Learning: 一種學習設定:機器人以同一個模型隨時間習得一連串任務,目標是保留先前的技能,並重複利用它們來更快學會新任務。
- Linear Inverted Pendulum: 一種簡化模型,把行走或維持平衡的機器人視為位於固定高度、由無質量的腿支撐的質點,使其質心動力學成為線性且容易控制。
- Linear-Quadratic Regulator: 針對線性系統、以狀態與輸入的二次成本為目標的最佳回授控制器,其解是由黎卡提方程式求得的增益矩陣。
- Loco-Manipulation: 協調運用機器人的行走運動與操作能力,讓移動身體與處理物體一起規劃與控制,而不是分成獨立的步驟。
- Locomotion: 讓機器人能在環境中移動的基本能力,涵蓋步行、滾動、飛行與游動。
- Loop Closure: SLAM 中的一個步驟:機器人辨識出自己回到先前到過的地方,並利用這次匹配修正沿途累積的漂移。
- Magnetic actuation: 利用外部產生之磁場所施加的力與力矩來移動磁性物體,用於在沒有導線或機載馬達的情況下,操控無繫線的膠囊、導管與微型機器人。
- Manipulator: 由關節連接剛性連桿構成、可程式化的機械系統,用來在空間中移動物體或工具;這是大多數人所說的機器人手臂的正式工程名稱。
- Marching Cubes: 一種演算法,逐一處理由純量值組成的 3D 網格(例如符號距離場)中的每個立方體,從中取出表面的三角網格。
- Markov Decision Process (MDP): 循序決策的標準數學模型:由狀態、動作、轉移機率、獎勵與折扣因子構成,下一個狀態只取決於目前的狀態與動作。
- Meta-Reinforcement Learning: 一種強化學習,在許多相關任務上訓練,讓代理人學會如何適應,因此只需少量經驗,就能解決同一類型中的新任務。
- Microstepping: 一種步進馬達驅動技術:在馬達各相中設定中間的電流值,讓轉子停在全步之間,以獲得更細的解析度、更平順的運動與更低的噪音。
- Minimum-Snap Trajectory: 藉由最小化 snap(位置的四階導數)平方的積分而得到、通過各航點的平滑路徑;是規劃四旋翼飛行的標準做法。
- Mixed-Integer Programming: 一種最佳化,其中部分變數必須取整數值(通常為 0 或 1),讓單一問題能結合離散的選擇與連續的量。
- Mobile manipulator: 一種把一支或多支機器手臂與移動底座(例如輪式平台或足式機體)結合起來的機器人,因此它既能在環境中移動,也能處理物體。
- Model Predictive Control: 一種以最佳化為基礎的控制策略,利用系統的動態模型預測有限時域內的未來行為,並即時計算最佳控制動作。
- Model Predictive Path Integral: 一種以取樣為基礎的模型預測控制方法,透過動力學模型模擬許多隨機擾動的控制序列,並依成本加權求平均,以選出下一個動作。
- Monte Carlo Tree Search: 一種線上規劃演算法,藉由從模型模擬許多條軌跡來擴展搜尋樹,並利用這些軌跡的回報來選出最有希望的動作。
- Motion Planning: 計算機器人從起始配置到目標配置之無碰撞路徑的演算法。
- Motion Primitive: 機器人運動的可重複使用構件,例如參數化技能(移動到某個姿態、打開夾爪)或一段短軌跡,規劃器與策略把它們組合成較長的行為。
- Motion Retargeting: 把動作從來源身體轉移到物理尺寸不同的目標機器人上,讓遠端操作與從人到機器人的技能轉移成為可能。
- Moving horizon estimation: 一種以最佳化為基礎的狀態估計器,在最近若干時間步構成的滑動視窗內以動力學模型擬合量測,每一步重新求解,並能施加約束。
- Multi-Agent Path Finding: 為許多同時在共用圖上移動的代理人(例如網格上的倉儲機器人)計算無碰撞路徑的問題,讓每個代理人都能在沒有衝突的情況下抵達目標。
- Multi-Task Reinforcement Learning: 一種強化學習,訓練一個以任務識別碼或任務描述為條件的策略,讓它同時在一組固定的任務上表現良好。
- Narrow Passage Problem: 以取樣為基礎的規劃器在處理自由空間中狹窄走廊時遇到的困難:隨機樣本很少落在其中,因此規劃變慢,或最後採用一條很長的繞行路線。
- Neural Implicit Representation: 一種把形狀、場景或地圖儲存為神經網路的方式,這個網路把空間座標對應到佔據、符號距離、密度或顏色等值,因此可以在任意點上查詢。
- Neural Radiance Field: 一種神經場景表示法,把 3D 位置與觀看方向對應到顏色與密度,以帶有姿態的影像訓練而成,因此能渲染出場景的新視角。
- Nonholonomic Constraint: 作用於系統速度、無法積分成組態約束的一種約束,例如車輪無法橫向滑動,卻仍能到達任何位置。
- Nonprehensile Manipulation: 在不抓取物體的情況下移動物體或改變其方向,例如推、滑、傾斜、滾動、以支點轉動或拋擲,仰賴摩擦、重力與動態,而不是牢固的握持。
- Novelty Effect: 因為機器人對人們而言是新的而造成的行為與評分變化;隨著在反覆互動中逐漸熟悉機器人,這種變化通常會減弱或轉變。
- Obstacle Avoidance: 機器人運用感測器與規劃,偵測物體並繞行、不發生碰撞的能力。
- Octree: 一種樹狀資料結構,把 3D 空間遞迴地切分成八個立方體,只在有資料的地方配置精細單元,以得到精簡的地圖與快速的空間查詢。
- Odometry: 利用車輪編碼器或攝影機等感測器資料,估計機器人隨時間的位置變化。
- Offline Reinforcement Learning: 從固定、事先蒐集好的狀態轉移資料集進行的強化學習,訓練期間不再與環境互動。
- Omnidirectional Drive: 使用特殊車輪設計、讓機器人不必轉向就能朝任何方向移動的驅動系統。
- Open-Vocabulary Detection: 一種物體偵測,藉由把影像區域與語言嵌入相比對,找出任意文字查詢所描述的物體,包括訓練時從未標註過的類別。
- Operational Space Control: 一種扭矩層級的控制方法,在末端執行器座標中寫出機器手臂的動力學,讓末端執行器可以像任務空間中的質量-彈簧-阻尼系統一樣被直接指令。
- Optical motion capture: 藉由在多台經過校正且同步的攝影機中,對標記點的影像進行三角測量,量測標記點的 3D 位置,並由此求得剛體或人體骨架的姿態。
- Parameterized Action MDP: 一種馬可夫決策過程,其動作把一個離散選擇(例如要用哪一項技能)與該選擇的連續參數(例如在哪裡或如何執行)配成一對。
- Partially Observable Markov Decision Process (POMDP): 一種數學框架,用於代理人無法直接觀測世界完整狀態、只能根據不確定的部分觀測來行動時的決策。
- Particle Filter: 一種狀態估測方法,把信念表示為一組加權樣本,以運動模型移動它們、依感測器似然度給予權重,並重新取樣。
- Passive Compliance: 內建於機器人機構中的柔性,例如彈簧、阻尼器或軟性材料,讓機器人無需任何感測或主動控制,就能順應接觸力而退讓。
- Payload: 機器人在運作時能承載或操作的最大重量。
- Peg-in-hole insertion: 把一個零件插入配合緊密的孔中;這是接觸密集組裝的標準基準,其間隙往往小於機器人的定位誤差。
- Penalty-Based Contact Model: 一種接觸模型,允許物體輕微重疊,並以與穿透深度及穿透速度成正比的彈簧-阻尼力把它們推開。
- Perceived Safety: 一個人與機器人互動或在機器人附近時,覺得有多安全、多平靜、多不受威脅;這與機器人客觀上有多安全不同。
- Perspective-n-Point: 根據物體上 n 個已知的 3D 點及其在影像中的 2D 投影,求出已校正相機相對於該物體之姿態的問題。
- Physical Human-Robot Interaction: 機器人與人透過直接或間接的實體接觸交換力量的互動,無論是計畫中的(如引導或輔助),還是計畫外的(如碰撞)。
- Pick-and-Place: 在一個位置抓取物體、並在指定目標姿態上釋放它的操作任務;它是工業自動化的基本動作,也是機器人學習的標準基準。
- PID Controller: 透過比例、積分與微分回饋將誤差降到最小的控制機制。
- Piezoresistive Tactile Sensor: 一種觸覺感測器,其感測材料在壓力或應變下會改變電阻,並以電壓或電流讀出;常見於低成本陣列、機器人皮膚與觸覺手套。
- Pinch Point: 當兩個部件之間的間隙閉合時,人體某一部位可能被夾在機器人的兩個部件之間、或機器人與固定物體之間的位置。
- Planetary Gearbox: 一種齒輪傳動系統,多個行星齒輪在環齒輪內繞著中央的太陽齒輪旋轉,以緊湊的組件提供高扭矩倍增。
- Play Data: 在人類遙控操作員沒有固定任務、自由探索環境時錄製的機器人互動資料,用來訓練目標條件策略與長時程策略。
- Point Cloud: 代表物體表面的 3D 資料點集合,由光達(LiDAR)或深度攝影機擷取。
- Pose Graph Optimization: 一種 SLAM 後端技術,透過調整由姿態構成的圖,讓姿態之間的里程計限制與迴圈閉合限制盡可能一致,藉此精修機器人的軌跡。
- Potential Field: 一種規劃與控制方法:目標產生吸引,障礙物產生排斥,機器人沿著合成勢的梯度運動;簡單且具反應性,但容易陷入局部極小值。
- Preference-Based Learning: 從人類的比較(例如兩種機器人行為中哪一種比較好)中學習獎勵函數或策略,而不是從示範或數值評分中學習。
- Probabilistic Roadmap: 一種以取樣為基礎的運動規劃器,建立一張可重複使用的圖,包含隨機的無碰撞組態以及它們之間的可行路徑,再以圖搜尋回答規劃查詢。
- Projected Gravity: 在機器人本體座標系中表示的單位重力方向;它編碼滾轉與俯仰而不含偏航,是學習型行走與平衡策略的標準傾斜輸入。
- Proprioception: 機器人對自身身體位置與動作的內部感覺。
- Protective Stop: 當受監控的限值或條件被違反時,由機器人的安全系統或安全防護裝置自動觸發的停止;與之相對的是由人按下的緊急停止。
- Proximal Policy Optimization: 一種同策略的強化學習演算法,以小幅、經過裁剪的步伐改進策略,廣泛用於在平行模擬中訓練機器人的行走運動與控制策略。
- Quadruped: 四足步行機器人,具備地形適應能力與穩定性,用於導航與檢測。
- Quasi Direct Drive: 低減速比(6:1-10:1)的致動器,結合高扭矩密度與可回驅性,用於足式機器人與人形機器人。
- Quasi-Static Manipulation: 慢到慣性力可以忽略的操作,因此機器人與物體被視為依序經過一連串力平衡的狀態。
- Raibert Heuristic: 一種足式機器人的落腳規則,把著地點放在髖部前方、距離為支撐時間的一半乘以身體速度,再加上一個與速度誤差成正比的修正。
- Range Image: 3D 距離掃描的 2D 影像,每個像素儲存沿一個光束方向量測到的距離,讓掃描具有可快速處理的影像網格。
- RANSAC: 隨機抽樣一致(Random Sample Consensus):一種強健的擬合方法,反覆以資料的小型隨機子集擬合模型,並保留與最多點一致的模型,藉此忽略離群值。
- Rapidly-exploring random tree: 一種以取樣為基礎的運動規劃器,從起始狀態長出一棵樹,反覆隨機取樣一個狀態,並把最近的樹節點朝它延伸,以快速探索大型空間。
- Reduced Coordinates: 一種只以關節變數描述具關節機構的方式,讓關節在建構上就保持相連,而不是以自由物體之間的約束來強制滿足。
- Region of attraction: 閉迴路系統從中出發會收斂到指定平衡點或設定點的初始狀態集合;它衡量控制器在受到多大擾動後仍能恢復。
- Reinforcement Learning: 一種機器學習方法,代理在獎勵訊號引導下,透過與環境的試誤互動學習最佳行為。
- Research Through Design: 一種研究取徑,以設計與打造原型作為產生知識的主要方式,人造物以及對製作過程的反思都被視為研究成果。
- Residual Reinforcement Learning: 以強化學習學習一個加在既有控制器或學習策略動作上的修正量,讓學習從合理的行為開始,而不是從零開始。
- Reward Shaping: 在強化學習的獎勵中加入額外的項,讓代理人在第一次到達目標之前就獲得有用的回饋,理想上不改變哪種行為是最佳的。
- RGB Camera: 擷取紅、綠、藍通道的彩色相機,在機器人中廣泛用於物體偵測、視覺伺服與場景理解。
- Robot Handover: 物體在機器人與人之間的實體傳遞,可以是人到機器人或機器人到人,並透過動作、時機、抓取選擇與力來協調。
- Robotic information gathering: 規劃機器人應移動到哪裡並進行量測,使其蒐集的資料在路徑長度、時間或能量的限制內,對未知環境提供盡可能多的資訊。
- ROS: 大多數機器人軟體賴以建立的開源中介軟體與生態系,也是這個領域許多共同詞彙的來源。
- rosbag: 用來錄製來自主題的帶時間戳記訊息、並在之後回放的 ROS 工具與檔案格式;在 ROS 2 中由 rosbag2 透過 ros2 bag 指令提供。
- RRT*: 快速探索隨機樹規劃器的一種漸近最佳版本,會在成長過程中重新連接樹,讓它傳回的路徑持續朝成本最低的路徑改進。
- Safety Filter: 一個執行期的層,檢查來自標稱控制器、人或學習策略的每個指令,並以能可證明地讓系統維持在安全集合內、且最接近的指令取代它。
- Scan Matching: 估測讓一筆距離掃描與另一筆掃描或地圖對齊的剛體轉換;用於光達里程計、定位與 SLAM,把原始距離資料轉成姿態估測。
- Screw Axis: 空間中的一條直線,剛體繞它旋轉的同時沿它平移;任何剛體運動都能這樣描述,機器人關節也以螺旋軸來建模。
- SE(3): 3D 空間中剛體運動所構成的群,也就是所有旋轉與所有平移的組合,通常寫成 4×4 齊次變換矩陣。它描述姿態與姿態的變化。
- Self-righting: 機器人在翻覆或倒置著地後,利用機體外形、肢體、尾巴或其他附屬結構回到正常直立姿態的能力。
- Semantic keypoint: 在整個物體類別中定義一致的物體上的點,例如馬克杯的握把或底部中心,機器人在 3D 中偵測它,以規定與規劃操作。
- Semantic Map: 在記錄事物位置的同時也記錄其為何物的地圖,例如物體類別、實例或房間,讓機器人能執行以物體與地點來表述的目標。
- Sensor Fusion: 結合多個感測器(攝影機、IMU、光達)的資料,產生比任何單一感測器更準確可靠的感知。
- Sensorless Force Estimation: 以馬達電流、關節狀態與動態模型,而非專用的力感測器,來估測機器人對環境施加或從環境承受的力與力矩。
- Series Elastic Actuator: 一種致動器設計,刻意在馬達/減速箱輸出端與負荷之間放置順應的彈性元件(彈簧),實現精確的力控制與安全的人機互動。
- Servo Motor: 透過回饋機制實現精確位置、速度與加速度控制的電動馬達。
- Shared Autonomy: 一種控制方案:人類操作者與機器人同時作用於同一項任務,機器人推論操作者的目標,並把自己的協助混入指令中。
- Signal Temporal Logic: 一種形式化語言,用來在實數值訊號(例如機器人軌跡)上撰寫有時間界限的需求,並附帶一個強健度分數,說明一條軌跡滿足這些需求的程度有多強。
- Signed Distance Field: 一個函數或格網,為空間中的每一個點儲存它到最近表面的距離,並以正負號表示該點位於物體內部或外部。
- Sim2Real: 把在模擬中訓練的機器人技能遷移到真實世界部署的技術,即模擬到現實(Sim2Real)。
- Single Rigid Body Model: 足式機器人的降階模型,將機器人視為一個質量與慣量固定的剛體,由無質量腿上的接觸力推動;廣泛用於移動 MPC。
- SLAM: 在建構地圖的同時追蹤機器人位置的演算法。
- Slip Ring: 一種旋轉式電氣連接器,能跨越連續旋轉的關節傳遞電力或訊號,而不會讓纜線纏繞。
- Soft Actor-Critic: 一種異策略的強化學習演算法,訓練隨機策略同時最大化獎勵與動作熵,並重複使用經驗回放緩衝區中的過往經驗以提高樣本效率。
- Soft Robotics: 機器人學的子領域,以矽膠與彈性體等順應性、可變形材料打造機器人,實現與人的安全互動、精細操作與自適應夾持。
- Spring-Loaded Inverted Pendulum: 奔跑與跳躍的降階模型:一個質點在無質量的彈簧腿上彈跳,在彈簧上的支撐與彈道式騰空之間交替。
- Stepper Motor: 透過離散的旋轉步階、不需回饋感測器就能精確控制位置的電動馬達。
- Structure from Motion: 從一組彼此重疊的影像中,恢復相機姿態與場景的稀疏 3D 點雲:在不同視圖之間比對特徵,並以光束法平差精修所有結果。
- Success Weighted by Path Length: 一種導航指標:將成功乘以最短路徑距離與代理人實際行經路徑長度之比,再於各回合上取平均。
- Surfel: 表面元素:一個帶有位置、法向量與半徑的小型有向圓盤,通常也帶有顏色、信賴度與時間戳記,用於建立稠密的 3D 地圖。
- Swarm Robotics: 協調許多簡單機器人,透過局部互動實現複雜的集體行為。
- Swashplate: 一種旋翼頭機構,把致動器的運動轉換成旋轉中旋翼的槳葉螺距變化,以集體螺距產生推力,以週期螺距讓旋翼傾斜來操控方向。
- System Identification: 從量測到的輸入與輸出資料,為機器人或其他動態系統建立數學模型的過程,讓其預測的行為與真實硬體相符。
- Tactile Sensor: 量測壓力、紋理與滑動等接觸特性,賦予機器人觸覺的感測器。
- Tail-Sitter: 一種垂直起降飛行器,以尾部立在地面上,機首朝上起飛與懸停,再向前俯轉約 90 度,像定翼機一樣靠機翼飛行。
- Task and Motion Planning: 整合式規劃,同時求解要執行什麼樣的動作序列,以及如何以可行的機器人運動執行每個動作。
- Task-Oriented Grasping: 依照機器人接下來要用物體做什麼來選擇抓取方式,例如為了切割而握住刀柄,而不只看抓取的穩定性。
- Task Planning: 推理前置條件與效果,決定機器人為達成目標必須執行的高層動作序列。
- Task-Priority Inverse Kinematics: 用於冗餘機器人的逆向運動學,其中各任務經過排序,每個較低優先順序的任務只在不影響較高優先順序任務的運動中求解。
- Taxel: 觸覺感測器陣列中的單一感測元件,相當於觸覺中的像素;其大小與間距決定陣列的空間解析度。
- Teacher-Student Training: 一種訓練架構,把擁有特權資訊(例如真實模擬器狀態)的教師策略,蒸餾成只使用真實機器人上可用感測器的學生策略。
- Teleoperation: 由人遠端控制機器人,通常帶有視覺與觸覺回饋。
- Tendon-Driven Actuation: 透過由遠端安裝之致動器拉動的纜線或肌腱來驅動機器人關節,讓馬達可以遠離它們所控制的移動連桿。
- Terrain Traversability: 根據地形的幾何、材質與機器人本身的能力,估計地面機器人能否以及多容易駛過或走過一片地形。
- Thermoplastic Polyurethane: 一種柔韌、強韌且有彈性的熱塑性塑膠,可以 3D 列印、模塑成型或作為薄膜使用;在機器人學中廣泛用於軟性致動器、柔順手指、夾持墊片、波紋管與防護零件。
- Thrust-to-Weight Ratio: 飛行器最大可用推力與其重量的比值;對多旋翼而言,它決定飛行器能否懸停,以及還剩下多少裕度可用於加速與控制。
- Tightly Coupled Sensor Fusion: 直接從各感測器的低階量測(例如特徵觀測與原始 IMU 資料)估測一個共享狀態來融合感測器,而不是把各感測器分別算出的姿態組合起來。
- Tire slip angle: 車輪所指方向與其接地面實際移動方向之間的夾角;它是決定輪胎產生多少側向力的主要變數。
- Topological Map: 一種地圖,把環境表示為由可通行連結相連的不同地點所構成的圖,而不是精確的幾何,讓機器人能規劃這些地點之間的路線。
- Torque Control: 命令關節用多大的力推,而不是它要去哪裡:這種控制模式讓機器人能順應,並感覺到它碰觸的東西。
- Torque Density: 每單位質量或體積的扭矩:決定機器人能否承載自身致動器的數值。
- Trajectory Planning: 為機器人計算以時間參數化之路徑的過程,不只指定它該去哪裡,也指定它該在何時抵達每一點,包括速度與加速度曲線。
- Transform: 以數學描述座標框架之間的位置與方向關係,由 3D 空間中的一個旋轉與一個平移組成。
- Transformer: 以自注意力機制為基礎的神經網路架構,現已成為機器人學習策略與多模態感知的主流骨幹。
- Truncated Signed Distance Function: 一種體素地圖,只在表面周圍的薄帶內儲存到最近表面的有號距離,由多張深度影像融合而成,用來建立稠密的 3D 模型。
- Turn-Taking: 對話參與者決定誰在何時說話的協調過程,包括說話者如何讓出發言權,以及下一位說話者如何知道何時開口。
- UAV: 機上沒有駕駛的飛行機器人,從手掌大小的四旋翼無人機到定翼機都有,用於巡檢、配送與測繪。
- Underactuated Hand: 一種致動器少於關節的機器人手或夾爪,利用肌腱線、連桿或彈簧,讓手指被動地包住並貼合所抓物體的形狀。
- Underactuated system: 一種控制輸入無法在所有自由度上指令任意加速度的機械系統,例如四旋翼、台車倒單擺或足式機器人。
- Unicycle Model: 一種輪式機器人的運動學模型,把機器人視為具有平面位置與航向的單一車輪,由前進速度與轉向速率驅動,且無法橫向移動。
- URDF: 用來表示機器人模型(包括幾何與運動學)的 XML 格式。
- USD: 由 Pixar 開發的開放場景描述格式,Isaac Sim 等模擬器用它以分層檔案的形式描述機器人、環境及其物理屬性。
- Vine Robot: 一種軟性生長機器人,透過讓一根加壓薄管外翻而從尖端伸長,使它能在狹窄或雜亂的空間中延伸,且不會與周遭環境相互滑動。
- Virtual Constraint: 機器人關節座標或任務座標之間的一種關係,例如作為相位變數函數的期望姿勢,由回饋控制而不是機構來施加。
- Visual-Inertial Odometry: 融合相機影像與 IMU 量測,估測機器人的位置、姿態與速度;IMU 補足影格之間的空檔,並讓公制尺度變得可觀測。
- Visual Odometry: 透過在連續影像中追蹤視覺特徵來估計機器人或攝影機的運動,不需車輪編碼器或 GPS 就能提供位置更新。
- Visual Servoing: 利用視覺回饋對機器人運動進行的閉迴路控制,其中在攝影機影像中量測到的誤差會持續被驅向零。
- Visuomotor Policy: 一種控制策略,把攝影機影像(常連同關節狀態)直接對應到機器人動作,將感知與控制當作單一模型來學習。
- VLA: 把視覺、語言理解與機器人動作生成結合在統一架構中的基礎模型。
- VLM: 能同時理解圖片與文字的多模態 AI 模型,可進行視覺推理與描述。
- Warm Start: 以一個好的猜測(通常是先前的或相關的解)來初始化迭代求解器,而不是從零開始,以縮短求解時間,並把求解導向一個有用的局部最佳解。
- Whole-Body Control: 同時為每個關節計算指令的控制框架,讓人形機器人與複雜機器人能兼顧多項任務與約束。
- Wizard of Oz: 一種研究方法:一位隱藏的人類操作者,也就是巫師,控制機器人的部分或全部行為,而參與者與機器人互動時,就彷彿它是自主的。
- Workspace: 機器人末端執行器能到達的整個空間體積,定義了運作的邊界。
- World Model: 讓機器人能預測動作如何影響環境的內部模型。
- Wrench: 一個六維向量,結合作用在剛體上的力與力矩(扭矩),並在選定的參考點與座標系中表達。
- Yaw / Pitch / Roll: 三個旋轉角(偏航、俯仰、滾轉),描述繞垂直、橫向與前後向軸的姿態。