A Control Architecture with Online Predictive Planning for Position and Torque Controlled Walking of Humanoid Robots
Istituto Italiano di Tecnologia（意大利理工学院）；Università degli Studi di Genova（热那亚大学）；Google DeepMind（谷歌DeepMind）
人形机器人的行走模式的生成的一种常见方法包括采用分层控制架构。本文提出了一种由三个嵌套的控制回路组成的体系结构。外环利用机器人运动学模型来规划脚步位置。在中间层，预测控制器根据众所周知的桌车模型生成质心轨迹。通过一个全身逆运动学算法，我们可以定义关节参考位置控制行走。这两个循环的结果，然后解释为输入的堆栈的任务QP为基础的转矩控制器，这代表了所提出的控制架构的内环。由此产生的架构允许机器人也在扭矩控制下行走，保证更高水平的顺应性。在人形机器人iCub上进行了真实世界的实验。
2018-07-14 cs.RO
Probabilistic Learning of Torque Controllers from Kinematic and Force Constraints
Department of Advanced Robotics, Istituto Italiano di Tecnologia（意大利先进机器人研究所机器人部）；Idiap Research Institute（Idiap研究 institute）
本文提出一种概率方法，同时学习和合成扭矩控制命令，考虑任务空间、关节空间和力约束，通过概率学习不同扭矩控制器的相关性，结合高斯分布特性生成满足任务特征的新扭矩命令。
2018-08-04 cs.LG cs.RO cs.SY
Efficient Learning of Inverse Dynamics Models for Adaptive Computed Torque Control
University of Edinburgh（爱丁堡大学）；University of Liverpool（利物浦大学）
精确地建模机器人动力学对于控制、运动优化和安全的人机协作至关重要。考虑到现代机器人系统的复杂性，动力学建模仍然是不平凡的，主要是在存在顺应性致动器，机械不准确，摩擦和传感器噪声。最近的努力集中在利用数据驱动的方法，如高斯过程和神经网络，以克服这些挑战，因为它们能够捕捉这些动态，而不需要事先广泛的知识。虽然高斯过程已被证明是学习机器人动力学的有效方法，并且能够通过其方差来表示学习模型中的不确定性，但它们的代价是立方时间复杂度，而不是线性的，就像深度神经网络一样。在这项工作中，我们利用了深度内核模型的使用，它将深度学习的计算效率与内核方法（高斯过程）的非参数灵活性相结合，其首要目标是实现一个准确的概率框架，用于不确定性量化。通过使用预测方差，我们调整反馈增益，因为更准确的模型被学习，从而导致低增益控制，而不影响跟踪精度。使用模拟和真实的数据记录从一个七度的自由度机器人机械手，我们说明了如何使用随机变分推理与深内核模型增加遵守计算的扭矩控制器，并保持跟踪精度。我们通过经验展示了我们的模型如何在在线逆动力学模型学习的预测不确定性方面优于当前最先进的方法，并巩固了其在不同设置中的适应和泛化能力。
2022-05-10 cs.RO
Functional kinematic and kinetic requirements of the upper limb during activities of daily living: a recommendation on necessary joint capabilities for prosthetic arms
Chair of Robotics and Systems Intelligence, MIRMI - Munich Institute of Robotics and Machine Intelligence, Technical University of Munich (TUM)（慕尼黑工业大学机器人与系统智能主席席位、慕尼黑机器人与机器智能研究所（MIRMI））
本研究通过12名受试者执行24项日常生活活动的运动捕捉数据，计算上肢关节运动学和动力学，发现关节扭矩与质量呈线性关系，并优化腕轴方向以降低峰值功率需求，为假肢设计提供数据支持。
2024-08-26 cs.RO
Residual Deep Reinforcement Learning-Based Computed Torque Control for a Cable-Driven Lower-Limb Rehabilitation Robot under Disturbances and Parametric Uncertainties
Kharazmi University（哈拉兹米大学）
针对缆绳驱动下肢康复机器人的轨迹跟踪难题，提出残差深度强化学习增强的计算力矩控制框架，仿真显示其可提升跟踪与扰动抑制能力，保留可解释性且具鲁棒性。
2026-08-28 cs.RO cs.SY eess.SY
Gray-Box Computed Torque Control for Differential-Drive Mobile Robot Tracking
University of Tehran（德黑兰大学）
针对差速移动机器人跟踪控制中传统CTM参数不准、DRL样本效率低且稳定性弱的问题，提出用灰盒CTC替代DRL黑盒策略网络的方法，结合TD3算法、参数约束与临界阻尼调控，在MuJoCo仿真中验证了性能优于传统方案。
2025-08-30 cs.RO cs.SY eess.SY
A Realistic Model Reference Computed Torque Control Strategy for Human Lower Limb Exoskeletons
Miami University（迈阿密大学）
针对外骨骼计算力矩控制对模型精度敏感的问题，提出一种考虑参数不确定性的模型参考计算力矩控制器，通过双回路设计与真实摩擦模型提升计算效率与跟踪精度，增强系统鲁棒性。
2024-09-24 cs.RO cs.SY eess.SY
Deterministic Reconstruction of Tennis Serve Mechanics: From Aerodynamic Constraints to Internal Torques via Rigid-Body Dynamics
Department of Physics, Chonnam National University（物理系，全南国立大学）
本文提出基于物理的确定性方法，利用12自由度模型分析网球发球力学，通过轨迹优化满足空气动力学条件并计算关节扭矩，揭示运动学与动力学之间的脱节。
2025-12-20 cs.RO physics.app-ph
Kinematic Modeling and Compliance Modulation of Redundant Manipulators Under Bracing Constraints
Vanderbilt University（范德堡大学）
出于被动安全的原因，协作机器人应该理想地使用低扭矩执行器。然而，一些应用需要这些协作机器人深入到有限的空间，同时协助人类操作员完成体力要求高的任务。在本文中，我们考虑使用现场协作机器人（ISCR），平衡的被动安全指示低扭矩驱动和需要达到深密闭空间的相互冲突的需求。我们认为明智地使用支撑作为一个可能的解决方案，这些相互冲突的需求，并提出了一个建模框架，考虑到约束的运动学和支撑的末端执行器的顺应性的影响。然后，我们定义了一个冗余分辨率框架，最大限度地减少了末端执行器的方向性，同时最大限度地提高末端执行器的灵活性。运动学仿真结果表明，冗余解决策略成功地降低了顺应性，提高了运动条件，同时满足了支撑任务所施加的约束。该建模框架的应用程序可以支持未来的研究支撑位置的选择，并支持形成一个导纳控制框架的协同控制下支撑约束的ISCR。这种机器人可以通过减少导致肌肉骨骼损伤的生理负担而使未来的工人受益。
2020-08-11 cs.RO
Learning Collision-free and Torque-limited Robot Trajectories based on Alternative Safe Behaviors
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出了一种在线学习生成无碰撞和扭矩限制的机器人轨迹的方法。为了生成未来的运动，周期性地调用神经网络。基于机器人的当前运动学状态和网络输出，可以计算当前时间间隔的轨迹。我们的论文的主要思想是执行计算的运动，只有当一个无碰撞和扭矩限制的方式来继续轨迹是已知的。在实践中，针对当前时间间隔计算的运动通过制动轨迹来扩展，并且使用物理引擎来模拟。如果模拟的轨迹符合所有安全约束，则执行计算的运动。否则，在先前时间间隔中计算的制动轨迹用作替代安全行为。给定特定于任务的奖励函数，使用强化学习来训练神经网络。用于强化学习的动作空间的设计确保所有计算的轨迹符合运动学关节限制。对于我们的评估，模拟的人形机器人和工业机器人被训练到尽可能多的随机放置的目标点。我们表明，我们的方法可靠地防止碰撞与静态障碍物和机器人手臂之间的碰撞，同时产生的运动，尊重扭矩限制和运动关节限制。真实机器人的实验表明，安全的轨迹可以实时生成。
2022-10-20 cs.AI cs.RO
Implementation of Torque Controller for Brushless Motors on the Omni-directional Wheeled Mobile Robot
Kasetsart University（泰国农业大学）
轮式移动机器人的主要问题是低级别控制器增益的调整，特别是在机器人比赛。在比赛过程中，机器人车轮可能会损坏地板表面，因此表面系数可能会随着时间的推移而变化。PI增益必须在每场比赛之前进行调整。在本研究中，转矩控制器的定义和实现，以解决这个问题。转矩控制器由机器人轮角速度PI控制器和无刷电机的动力学方程组成。电动机动力学可以从能量守恒定律导出。在实验中使用了三种不同的地毯，它们具有不同的摩擦系数。机器人轮的角速度分布是从机器人运动学与不同的初始条件。机器人与转矩控制器的输出路径进行了比较与常规PI控制器的机器人的输出路径时，相同的车轮角速度配置文件被应用。结果表明，力矩控制器可以提供一个更好的机器人路径比普通的PI控制器。
2017-08-04 cs.RO
A Predictive Momentum-Based Whole-Body Torque Controller: Theory and Simulations for the iCub Stepping
Istituto Italiano di Tecnologia（意大利理工学院）
在平衡时，人形机器人很容易受到外部推力等意外干扰。在这些情况下，作为步骤的反应性运动成为必要的要求，以避免潜在的有害跌倒状态。在本文中，我们设想了一个模型预测控制器，它确定了所需的一组接触扳手通过预测未来的演变的机器人，同时考虑到约束切换的情况下的步骤。通过这种策略计算的控制输入，即所需的接触扳手，通过修改目前在iCub上实现的基于动量的全身扭矩控制器，直接在机器人上获得。所提出的方法是通过模拟在步进的情况下进行验证，显示高鲁棒性和可靠性时，执行恢复策略。
2017-07-28 cs.RO
Robust Quaternion-based Cooperative Manipulation without Force/Torque Information
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出了一个任务空间控制协议的协作操作一个单一的对象由N个机器人代理。所提出的方法是分散的，在这个意义上，每个代理利用与自己和对象的动态/运动学参数和没有在线通信发生的信息。此外，不需要接触力/力矩的反馈，因此避免了使用相应的传感器。一个自适应版本的控制方案，其中代理和对象的动态参数被认为是未知的。我们还使用单位四元数来表示对象的方向。此外，代理之间的负载分配系数，并保证内力调节。最后，两个机器人手臂的实验研究验证了所提出的控制协议的正确性和有效性。
2017-04-07 cs.RO
Synthesizing Modular Manipulators For Tasks With Time, Obstacle, And Torque Constraints
Cornell University（康奈尔大学）
模块化机器人可以被定制以完成特定的任务，并重新排列以完成以前不可行的任务。挑战在于从大的搜索空间中选择合适的设计。在这项工作中，我们描述了一个框架，自动合成的设计和控制的串行链模块化机械手的任务描述。该任务包括在3D空间中要到达的点、时间约束、在末端执行器处要维持的负载以及在环境中要避免的障碍物。这些规范被编码为机器人运动学和动力学中的约束优化，如果找到解决方案，则公式返回特定的设计和控制以执行任务。最后，我们展示了我们的方法在一个复杂的规范，其中机器人导航的约束环境，同时持有一个对象。
2021-06-17 cs.RO
Kinematic Control of compliant serial manipulators composed of dual-triangles
Laboratoire des Sciences du Numérique de Nantes（南特数字科学实验室）；Ecole Centrale Nantes（南特中央理工学院）；IMT Atlantique（IMT大西洋）；Innopolis University（因诺波利斯大学）；Centre National de la Recherche Scientifique (CNRS)（法国国家科学研究中心）
研究了一种新型双三角形弹性段柔性串联机械臂的运动学控制问题。采用一些有用的优化技术来解决几何冗余问题，确保相对于施加到末端效应器的外力/力矩的机械手配置的稳定性。仿真结果证实了所开发的控制算法的有效性。
2021-02-19 cs.RO
A Dual-Cam Parallel Elastic Actuator with Shared Gas-Spring Compensation for Humanoid Ankles
Istituto Italiano di Tecnologia（意大利技术研究院）
本文提出一种带共用气弹簧补偿的双凸轮并联弹性驱动器，构建耦合2自由度数学模型与优化设计框架，经仿真验证其可作为紧凑定制的人形踝关节扭矩补偿方案。
2026-09-01 cs.RO
Bridging Hard and Soft: Mechanical Metamaterials Enable Rigid Torque Transmission in Soft Robots
Massachusetts Institute of Technology（麻省理工学院）；University of Washington（华盛顿大学）；Northeastern University（东北大学）；University of Maryland（马里兰大学）
提出由机械超材料构成柔顺等速关节的软体机械臂，在保持被动柔顺的同时实现连续扭矩传递，并结合逆运动学神经网络完成拧灯泡、螺栓和阀门等任务。
2024-12-03 cs.RO
Optimal Design of Continuum Robots with Reachability Constraints
Autodesk Research, Autodesk Inc.（奥多比研究部，奥多比公司）；Otherlab Inc.（奥特莱博公司）
本文提出结合正逆运动学、关节扭矩最小化与 EDA 的连续体机器人优化设计方法，以满足可达性约束，并在三个应用中证明其优于 GA。
2025-03-14 cs.RO physics.app-ph
Adaptive Identification of Legged Robotic Kinematic Structure
Carnegie Mellon University（卡内基梅隆大学）
基于模型的控制通常依赖于精确的模型，该模型通常从CAD和致动器模型获得。模型越精确，控制性能越好。然而，在表现出高敏捷性动作的双足机器人中，例如跑步和跳跃，机器人硬件将遭受与环境的冲击并且在脆弱部分变形，这使得预定义的模型无效。因此，期望具有将变形考虑在内的可适应的运动学结构。考虑到这一点，我们提出了一种方法，所有的机器人关节6-DOF关节模型，并开发了一种算法，可以识别的运动运动恢复结构从运动捕获数据。我们评估算法的性能在模拟-一个三连杆摆，和一个双足机器人- ATRIAS。在模拟的情况下，该算法产生的结果，有3.6%的误差相比，地面的真相，并在现实生活中的双足机器人的算法的结果证实了我们的先验假设，其中关节变形的平面外自由度。此外，我们的算法是能够使用重建的关节模式预测扭矩和力。
2021-07-25 cs.RO
Hybrid Volitional Control of a Robotic Transtibial Prosthesis using a Phase Variable Impedance Controller
University of Notre Dame（圣母大学）
本文提出PVI-HVC混合自主控制框架，以PVIC为非自主基础控制器，使机器人小腿假肢在保持平地行走性能的同时支持上坡、避障等自主活动。
2023-09-27 cs.RO
An Open Torque-Controlled Modular Robot Architecture for Legged Locomotion Research
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Laboratory for Analysis and Architecture of Systems, Centre National pour la Recherche Scientifique（法国国家科学研究中心系统分析与架构实验室）
提出了一种新的开源力矩控制足式机器人系统，其核心是低成本、低复杂度的执行器模块。它由一个高扭矩无刷直流电机和一个低齿轮比传输适合阻抗和力控制。我们还提出了一种新的脚接触传感器适用于腿部运动与硬冲击。具有大运动范围的2.2公斤四足机器人由八个相同的致动器模块和四条带有足部接触传感器的小腿组装而成。利用标准的塑料3D打印和现成的零件，可以制造出重量轻、价格便宜的机器人，从而可以在研究界快速分发和复制。我们系统地表征了在静态和动态情况下在脚上实现的阻抗，并测量了最大无量纲腿部刚度为10.8，没有主动阻尼，这是一个跑步的人的腿部刚度。最后，为了证明四足动物的能力，我们提出了一种新的控制器，它结合了前馈接触力计算从一个kino-dynamic优化与阻抗控制的质量中心和基地的方向。该控制器可以调节复杂的运动，同时对环境的不确定性具有鲁棒性。
2020-02-23 cs.RO
SCCRUB: Surface Cleaning Compliant Robot Utilizing Bristles
Department of Mechanical and Industrial Engineering, Northeastern University（机械与工业工程系，东北大学）；Department of Computer Science, Northeastern University（计算机科学系，东北大学）
本研究提出SCCRUB软体机器人，利用刷毛和神经网络学习逆运动学与弹性，实现开环力位控制，成功擦除顽固污渍，平均去除99.7%污染物，展示了软体机器人安全高效清洁的能力。
2025-07-08 cs.RO
Geometric Jacobians Derivation and Kinematic Singularity Analysis for Smokie Robot Manipulator & the Barrett WAM
The University of Tennessee（田纳西大学）
本文讨论了两个六自由度手臂机器人的几何雅可比矩阵的推导和运动学奇异点的识别与分析。首先，我们展示了这两个手臂的正向运动学和D-H参数。计算Barrett WAM和Smokie OUR的几何雅可比矩阵。通过分析雅可比矩阵，我们找到了J是秩亏的配置，并通过雅可比行列式推导出运动学奇点。提供了示意图来显示这两个机器人的奇异配置。最后，对7自由度Barrett WAM的冗余运动学配置方案进行了综述.
2017-07-18 cs.RO
Ankle Exoskeletons in Walking and Load-Carrying Tasks: Insights into Biomechanics and Human-Robot Interaction
Center for MicroElectroMechanical Systems (CMEMS)（微机电系统中心（CMEMS））；University of Minho（米尼奥大学）；LABBELS - Associate Laboratory（LABBELS联合实验室）
针对下肢外骨骼缺乏生物力学与HRI效应评估框架的问题，提出系统方法评估踝关节外骨骼在步行及负重任务中的影响，通过三项实验揭示其对运动学、肌肉活动及HRI扭矩的作用，为定制评估方法及未来研究提供框架。
2025-04-14 cs.RO
Human-Exoskeleton Interaction Portrait
University of Waterloo（滑铁卢大学）；Hamburg University of Technology（汉堡工业大学）；University Health Network（大学健康网络）
本文提出交互画像（IP），通过极坐标可视化肌肉活动与交互力矩的二维分布，揭示HTC与AMTC两种外骨骼控制器对应的不同人机协同适应策略。
2024-03-11 cs.RO
LIKO: LiDAR, Inertial, and Kinematic Odometry for Bipedal Robots
School of Mechatronical Engineering, Beijing Institute of Technology (BIT)（北京理工大学机电工程学院）；Qiyuan Lab（启元实验室）
本文提出基于迭代扩展卡尔曼滤波的紧耦合LiDAR-惯性-运动学里程计（LIKO），通过建模足部接触位置实现高频状态估计，并发布双足机器人数据集验证其优越性。
2024-04-28 cs.RO
RCM Constraint-Consistent Dynamic Control in Surgical Robots
Munich Institute of Robotics and Machine Intelligence, Technical University of Munich, Germany（慕尼黑机器人与机器智能研究所，慕尼黑技术大学，德国）；Mohamed Bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学，阿布扎比，阿联酋）
将远程运动中心（RCM）建模为流变完整约束，并集成到基于投影的逆动力学控制器中，实现扭矩层面的约束一致控制，降低RCM残差并平滑扭矩曲线。
2026-05-27 cs.RO cs.SY eess.SY
Enabling Scalable Kinesthetic Teaching via Observer-based Hand-guiding with Active Support
Technology & Innovation Center, KUKA（库卡技术与创新中心）；Institute of Robotics and Process Control, Technische Universität Braunschweig（布伦瑞克工业大学机器人与过程控制研究所）
针对运动觉示教中操作者疲劳与可扩展性不足的问题，提出无需额外硬件的RHOAS手部引导方案，通过力估计主动支持操作者，在用户研究中验证其可降低体力消耗并提升可操作性与用户偏好。
2026-08-12 cs.RO
Real Time Collision Avoidance with GPU-Computed Distance Maps
University of Bologna（博洛尼亚大学）
提出基于 GPU 三维距离变换与体素地图的实时运动学控制框架，使 Tiago 机器人在末端位姿跟踪中统一规避外部障碍和自碰撞。
2024-07-02 cs.RO
Enhancing Kinematic Performances of Soft Continuum Robots for Magnetic Actuation
school of automation, Beijing Institute of Technology（自动化学院，北京理工大学）
本文提出了一种通用框架，用于增强磁驱动软连续机器人运动性能，通过分析平衡流形上的黎曼雅可比谱，结合结构参数与驱动输入，优化磁铁放置和取向以提升运动表现。
2025-11-28 cs.RO
Time-Optimal Path Tracking for Industrial Robots: A Dynamic Model-Free Reinforcement Learning Approach
在追求机器人操作器沿预定路径的时间最优路径跟踪（TOPT）轨迹时，通常使用预先识别的机器人动力学模型来获得完美跟踪所需的最优轨迹。然而，由于不可避免的模型-对象失配，实际测量的转矩和由动态模型计算的转矩之间可能存在很大的误差，这导致获得的轨迹是次优的，甚至是不可行的，超过给定的限制。本文提出了一种面向TOPT的SARSA算法（TOPTO-SARSA），并提出了一种两步法寻找时间最优运动并保证可行性：首先，通过强化学习Agent与运动学模型的交互，使用TOPTO-SARSA算法寻找满足运动学约束的安全轨迹。其次，利用TOPTO-SARSA算法，通过智能体与现实世界的交互来寻找最优轨迹，并保证最后一次交互时的实测力矩满足给定的限制。在一个六自由度机器人上的实验验证了该算法的有效性。
2019-08-03 cs.RO cs.SY eess.SY
Kinova Gen3-Lite manipulator inverse kinematics: optimal polynomial solution
École de technologie supérieure（高等技术学院）
本文提出了Kinova Gen 3 Lite机器人运动学逆问题的多项式解法。该串联机器人基于6 R运动链，并且没有腕部分区。我们首先从正运动学方程提供的位置和方向的末端执行器，最后，一元多项式方程作为第一关节变量$θ_{1}$的函数。剩余的关节变量通过回代计算。因此，对于单变量方程的每个根，获得关节位置的唯一集合。数值例子，在ROS（机器人操作系统）模拟，给出验证结果，这是比较与MoveIt！and with the actual实际robot机器人.还提出了一个程序来选择一个最佳的姿态的机器人。
2021-02-01 cs.RO
Joint Inference of Kinematic and Force Trajectories with Visuo-Tactile Sensing
Georgia Institute of Technology（佐治亚理工学院）；NVIDIA（英伟达）；University of Utah（犹他大学）；University of Washington（华盛顿大学）
为了执行复杂的任务，机器人必须能够与周围环境进行交互和操纵。实现这一点的关键挑战之一是在物理交互期间的鲁棒状态估计，其中状态不仅涉及机器人和被操纵的对象，而且还涉及接触本身的状态。在这项工作中，在平面推的上下文中，我们扩展以前的基于推理的方法，状态估计在几个方面。我们估计的机器人，对象，和接触状态的多个操作平台上配置了基于视觉的关节模型跟踪器，无论是仿生触觉传感器或力-扭矩传感器。我们展示了如何融合来自跟踪器和触觉传感器的原始测量，以通过对因子图的概率推断，在批量和增量设置中，联合估计系统中的运动状态和力的轨迹。我们用我们的框架执行了几个基准测试，并展示了性能如何受到各种几何和物理约束，遮挡视觉传感器或在触觉传感器中注入噪声的影响。我们还与先前在多个数据集上的工作进行了比较，并证明了我们的方法可以有效地优化多模态传感器数据，并减少不确定性，以找到更好的状态估计。
2019-03-08 cs.RO
Development of a Deep Learning-Driven Control Framework for Exoskeleton Robots
Miami University（迈阿密大学）
本文提出了一种计算高效的深度学习控制框架，用于高自由度外骨骼机器人，以解决传统模型控制在实时计算中的限制。通过设计一个并行结构的深度神经网络，结合物理数据训练，实现了轨迹跟踪的关节扭矩预测，并通过比例导数控制器补偿预测误差，展示了控制方案的稳定性与鲁棒性。
2026-02-27 cs.RO cs.SY eess.SY
Kinematic and Dynamic Analysis of the 2-DOF Spherical Wrist of Orthoglide 5-axis
Institut de Recherche en Communication et Cybernétique de Nantes（南特通信与控制研究所）
本文研究了一种二自由度球面五轴机器人手腕的运动学和动力学。后者是由两个机械手组成的并联运动学机器：i）三轴的三自由度平移并联机械手，属于Delta机器人家族，和ii）敏捷眼;两自由度平行球形手腕。模型中使用的几何和惯性参数通过CAD软件确定。球腕的性能强调通过几个测试轨迹。还分析了加工和/或切削力以及切削刀具长度对腕部动态性能的影响。最后，提出了一个初步选择的电机所需的执行机构进行测试轨迹的速度和扭矩。
2009-04-01 cs.RO physics.class-ph
Kinematic Resolutions of Redundant Robot Manipulators using Integration-Enhanced RNNs
South China University of Technology（华南理工大学）
最近，一个时变二次规划（QP）框架，描述冗余机器人操作器的跟踪操作被引入到处理许多机器人控制任务的运动学分辨率。基于这种时变QP框架的推广，两种方案，即，重复运动方案和混合转矩方案。然而，测量噪声是不可避免的冗余度机器人操作器执行跟踪任务时。为了解决这个问题，本文提出了一种新的集成增强型递归神经网络（IE-RNN）。结合上述两种方案，IE-RNN可以准确地完成跟踪任务。理论分析和仿真结果都证明了IE-RNN在不同的测量噪声下都能收敛到零。实验结果表明，该算法具有良好的收敛性和较强的鲁棒性。
2020-09-02 cs.RO cs.SY eess.SY
Model Predictive Control Design of a 3-DOF Robot Arm Based on Recognition of Spatial Coordinates
University of Liverpool（利物浦大学）
采用模型预测控制（MPC）对三自由度机械臂的输入力矩进行优化，使其能够运行到目标位置并准确抓取物体。首先使用单目相机来识别物体的颜色和深度。然后，将逆运动学计算与通过坐标变换得到的物体空间坐标相结合，得到各伺服机构所需的转角。最后，建立了机器人手臂结构的动力学模型，并应用模型预测控制仿真伺服系统的最优输入转矩，以最小化代价函数。
2022-09-04 cs.RO cs.SY eess.SY
A Fuzzy Logic-based Cascade Control without Actuator Saturation for the Unmanned Underwater Vehicle Trajectory Tracking
University of Guelph（圭尔夫大学）
针对无人水下航行器（UUV）轨迹跟踪过程中存在的执行器饱和问题，提出了一种智能控制策略。控制策略包括两部分：运动学建模部分，采用模糊逻辑-精细反推控制，使控制速度在可接受的范围内，误差波动小;基于由改进的运动控制推导的速度，在动力学建模中引入滑模控制，得到相应的作用在车体上的力矩和力。利用运动学模型计算出的控制速度和动力学模型推导出的控制力，可以保证UUV轨迹的鲁棒性和精确性，且不出现执行器饱和现象。
2022-10-04 cs.AI cs.RO cs.SY
An $O(n$)-Algorithm for the Higher-Order Kinematics and Inverse Dynamics of Serial Manipulators using Spatial Representation of Twists
Institute of Robotics, Johannes Kepler University Linz（机器人研究所，约翰·凯撒大学林茨）
针对机械臂控制需计算关节力矩高阶导数的需求，提出采用旋量空间表示的李群O(n)算法，含二阶逆动力学及四阶运动学算法，可通过易获取的矢量参数化，已在7自由度Franka Emika Panda机器人上验证。
2025-06-12 cs.RO cs.SC math.GR
