Design and Implementation of a Fuzzy Adaptive Controller for Time-Varying Formation Leader-Follower Configuration of Nonholonomic Mobile Robots
University of Tehran（德黑兰大学）
研究了基于轨迹跟踪控制策略的非完整移动机器人时变主从编队控制问题。在时变编队中，每个跟随器的相对方位和距离是可变参数，因此，即使不改变领导机器人的线速度和角速度，跟随器也可以执行各种复杂的行为。在建立时变主从编队运动学模型的基础上，采用反推控制方法保持编队结构不变。利用李雅普诺夫定理研究了编队的全局稳定性。此外，所设计的非线性控制器的缺点是在初始阶段输入指令过大。针对此问题，提出了一种模糊自适应算法来改进反演控制器，并保证了所得到的模糊自适应反演控制器的全局稳定性。在主从编队的运动学模型和控制器设计过程中考虑相对距离和方位的变化率，使得编队在动态和杂波环境中更实用，并且能够定义跟随者的复杂行为，并且提供碰撞和障碍物避免而无需在不同的控制策略之间切换。最后，所提出的运动学模型和设计的控制器的性能进行了研究，通过仿真和实验研究。
2022-05-23 cs.RO cs.SY eess.SY
Cooperative Distributed Robust Control of Modular Mobile Robots with Bounded Curvature and Velocity
University of Utah（犹他大学）
本文研究了一种新型的运动控制系统，用于具有柔性框架轮式模块化移动机器人（CFMMR）。该系统结合了基于有限曲率的运动控制器和非线性阻尼动态控制器，通过多种控制器交互形式评估不同控制结构，实验结果验证了姿态调节的有效性。
2019-05-03 cs.RO cs.SY eess.SY
Fuzzy-based Navigation and Control of a Non-Holonomic Mobile Robot
Universiti Teknologi PETRONAS（马来西亚石油科技大学）
近年来，使用非分析计算方法，如模糊逻辑，演化计算，和神经网络已经证明了这些范例的实用性和潜力的智能控制的移动机器人导航。在本文中，基于模糊控制器的自主移动机器人的理论模型的开发。本文首先建立了机器人的数学模型，包括运动学模型。然后，详细讨论了模糊逻辑控制器的设计。所提出的方法是成功地在模拟测试，它比较了三种不同的隶属函数集的有效性。结果表明，输入隶属度为3的模糊逻辑控制器比输入隶属度为5和7的控制器具有更好的性能。
2010-03-22 cs.NE cs.RO
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
Fuzzy Logic Controller Design for Mobile Robot Outdoor Navigation
Addis Ababa Institute of Technology（亚的斯亚贝巴理工学院）
本文提出一种基于模糊逻辑算法的差速驱动轮式移动机器人控制系统，通过接近和GPS传感器实现自主导航、路径规划与避障，仿真证明其能无碰撞到达目的地。
2024-01-10 cs.RO cs.SY eess.SY
NMPCB: A Lightweight and Safety-Critical Motion Control Framework for Ackermann Mobile Robot
School of Automotive Engineering at Harbin Institute of Technology（哈尔滨工业大学汽车工程学院）
针对多障碍环境下机器人运动控制难兼顾实时性与安全性的问题，提出由轻量神经网络规划器和带CBF对偶约束的MPC控制器组成的NMPCB框架，经仿真与实实验证可实现二者平衡。
2025-09-02 cs.RO
A Novel Assistive Controller Based on Differential Geometry for Users of the Differential-Drive Wheeled Mobile Robots
Tohoku University（东北大学）
某些轮式移动机器人，例如，电动轮椅可以通过用户的间接操纵杆控制来操作。当用户应该确定车辆方向和速度时，正确的转向角变得至关重要，特别是对于差动轮式车辆，因为车辆速度和方向仅用两个驱动轮控制。当用户需要实现复杂曲线时，这个问题变得更具挑战性。一种新的辅助控制器与安全约束，需要解决这些问题。而且，经典的控制方法大多需要预先确定期望的状态，这与人类对期望位置的自发决定完全矛盾。在这项工作中，我们开发了一种新的辅助控制策略的基础上微分几何只依赖于操纵杆输入和车辆状态的控制器不需要任何所需的状态。我们首先解释车辆运动学和我们设计的达布框架运动学的一个虚拟的车轮和平面的接触点。其次，几何控制器使用达布框架运动学的设计具有一定的安全约束下的平滑轨迹。我们用不同的参与者实验我们的方法，并评估其在各种路线上的表现。
2022-02-04 cs.RO cs.SY eess.SY
Closed-Loop Error Learning Control for Uncertain Nonlinear Systems With Experimental Validation on a Mobile Robot
University of Queensland（昆士兰大学）
针对反馈线性化系统，提出了一种闭环误差学习控制（CLELC）算法，并在移动机器人上进行了实验验证。传统的反馈和前馈控制器是基于标称模型，采用反馈线性化控制（FLC）方法设计的。然后，基于滑模学习算法，利用闭环误差动态学习系统行为的智能控制器的设计。这些控制器是并行工作的，智能控制器可以逐渐取代反馈控制器对系统的控制。除了滑模学习算法的稳定性外，还证明了一个$n$阶反馈线性化系统的闭环稳定性。仿真结果表明，CLELC算法可以提高控制性能（例如，更小的上升时间、稳定时间和超调），并且与传统的FLC方法相比，在存在不确定性的情况下也提供鲁棒控制性能。为了验证CLELC算法的有效性，对履带式移动机器人的轨迹跟踪问题进行了实时研究。实验结果表明，CLELC算法比传统的FLC方法具有更高的轨迹跟踪精度。
2021-03-16 cs.RO cs.SY eess.SY
Development of control algorithms for mobile robotics focused on their potential use for FPGA-based robots
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA（国立开放与远程教育大学）；UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA（哥伦比亚师范大学）
本文研究移动机器人控制算法在FPGA上的实现与优化，涵盖PID和深度学习等方法，提升导航与避障性能，并指出标准化评估需求，为自主性改进提供方向。
2024-03-14 cs.AR cs.RO
Formation of Multiple Groups of Mobile Robots Using Sliding Mode Control
本文提出基于质心变换的滑模控制方法，用于多组移动机器人形成不同几何形状，通过设计子系统控制器并采用奇异摄动理论实现有限时间滑动表面控制，同时利用势函数梯度确保碰撞避免。
2015-05-29 cs.RO cs.SY eess.SY
A Passive Navigation Planning Algorithm for Collision-free Control of Mobile Robots
University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）
在复杂多变的环境中，由于事件的有限范围，路径规划和碰撞避免是具有挑战性的。在文献中，有多种基于模型和学习的方法，需要大量的计算资源来有效地部署，它们可能具有有限的通用性。我们提出了一个规划算法的基础上，全局稳定的被动控制器，可以计划使用有限的计算资源，在具有挑战性的环境条件下平滑的轨迹。该架构结合了最近提出的分形阻抗控制器与弹性带和有限时间不变性的区域。由于该方法是基于阻抗控制器，它也可以直接用作力/力矩控制器。我们验证了我们的方法在仿真中分析的能力，在具有挑战性的凹域通过发布的通路点，其鲁棒性低带宽反馈。使用11个代理的群体仿真验证了所提出的方法的可扩展性。我们已经在完整轮式平台上进行了硬件实验，验证了与动态代理（即，人类和机器人）。所提出的本地规划器的计算复杂性使得能够使用低功率微控制器进行部署，与依赖于数值优化的其他方法相比，降低了能耗。
2022-06-20 cs.RO
Learning Fuzzy Controllers in Mobile Robotics with Embedded Preprocessing
Centro de Investigación en Tecnoloxías da Información (CITIUS)（信息技术研究中心（CITIUS））；Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）
移动机器人控制器的自动设计通常需要两个阶段。在第一阶段，感官数据被预处理或转换为通常根据专家知识定义的高水平且有意义的变量值。在第二阶段，应用机器学习技术来获得控制器，该控制器将这些高级变量映射到实际发送给机器人的控制命令。本文介绍了一种算法，它能够嵌入到learningstage的预处理阶段，以获得控制器直接从感官的原始数据，没有专家knowledgeinvolved。由于感官数据的高维性，该方法使用量化模糊规则（QFR），能够将低级别的输入变量转换为高级别的输入变量，通过总结降低维数。所提出的学习算法，称为迭代量化模糊规则学习（IQFRL），是基于遗传编程。IQFRL能够学习不同结构的规则，并能够管理多粒度的语言变量。该算法已被测试的墙壁以下的行为在几个现实的模拟环境中具有不同的复杂性和先锋3-AT机器人在两个真实的环境中的实施。实验结果表明，IQFRL算法具有更好的性能，并与几种著名的结合不同数据预处理技术的学习算法进行了比较。此外，三个现实世界中的应用，IQFRL发挥了核心作用，也提出了：路径和物体跟踪与静态和移动障碍物的避免。
2014-11-14 cs.AI cs.LG cs.RO
New Intelligent Transmission Concept for Hybrid Mobile Robot Speed Control
本文提出了一种利用二自由度齿轮传动实现移动机器人速度控制的新概念。所开发的智能速度控制器利用齿轮箱，其中包括周转齿轮训练与两个输入，一个耦合到发动机轴和另一个变速直流电动机的轴。净输出速度是两个输入速度的组合，并且由行星齿轮训练的传动比控制。这种新方法消除了变矩器的使用，而变矩器是所有可用的自动变速器的不可或缺的部分，从而减少了液力偶合器过程中在箱体中发生的功率损失。通过逐渐改变直流电动机的速度，实现了无级变速。所开发的控制器的其他优点是靠边停车和倒车，通过智能混合直流电动机和发动机的速度来实现。这种方法在整车设计中消除了传统的制动系统。使用两个动力源，内燃机和电池驱动的直流电动机，利用混合动力汽车的现代理念。新的移动机器人速度控制器即使在内燃机故障的极端情况下也能够驱动车辆，例如，由于气体耗尽。
2006-01-14 cs.RO
Kinematic control design for wheeled mobile robots with longitudinal and lateral slip
University of Cambridge（剑桥大学）；University of Campinas（坎皮纳斯大学）
针对恶劣地面条件下轮式移动机器人因纵横向滑移难以控制的问题，提出一种自适应运动学控制器，有效补偿纵向滑移并处理横向滑移，理论证明误差一致最终有界，仿真验证了轨迹跟踪性能。
2021-05-13 cs.RO cs.SY eess.SY
Multi Time Scale Behaviour of The Formation of Multiple Groups of Nonholonomic Wheeled Mobile Robots
本文提出基于质心的变换方法，将非完整轮式移动机器人的联合动力学分解为三个子系统，分别设计控制器以实现多组形变和质心动态的多时间尺度收敛，同时通过势函数梯度确保避障。
2014-12-25 cs.MA cs.RO cs.SY
Simulation of optical flow and fuzzy based obstacle avoidance system for mobile robots
The Open University of Sri Lanka（斯里兰卡开放大学）；University of Colombo（科伦坡大学）
蜜蜂利用光流有效地避开障碍物。在这项研究工作中，类似的方法进行了测试模拟移动机器人。仿真框架是基于VRML和Simulink的三维世界。光流矢量计算从一个视频场景捕获的一个虚拟摄像机，它被用作输入到一个模糊逻辑控制器。模糊逻辑控制器决定机器人的运动轨迹。不同的模糊逻辑规则进行了评价。该机器人能够有效地在复杂的静态和动态环境中导航，避开路径上的障碍物。
2015-08-08 cs.CV cs.RO
Energy-Efficient Mobile Robot Control via Run-time Monitoring of Environmental Complexity and Computing Workload
University of Turku（图尔库大学）；ETH Zürich（苏黎世联邦理工学院）；Politecnico di Milano（米兰理工大学）
我们提出了一个节能控制器，以尽量减少移动机器人的能量消耗，通过动态操纵机器人的机械和计算执行器。移动机器人基于基于事件的相机执行实时基于视觉的应用。控制器的执行器是计算部分的CPU电压/频率和机械部分的电机电压。我们表明，独立地考虑机器人的速度控制和CPU的电压/频率控制并不一定会导致节能的解决方案。事实上，为了获得最高的效率，计算和机械部分应该协同控制在一起。我们提出了一个快速的爬山优化算法，让控制器找到最佳的CPU/电机配置在运行时间，每当移动机器人是面临着一个新的环境在其行程。实验结果表明，在低复杂度、中等复杂度和高复杂度的环境中，所提出的控制算法平均可以节省50.5%、41%和30%的电池能量。
2021-09-08 cs.CV cs.RO
Tracking error learning control for precise mobile robot path tracking in outdoor environment
Massachusetts Institute of Technology（麻省理工学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出了一种跟踪误差学习控制（TELC）算法，用于越野环境下移动机器人的精确路径跟踪。传统的基于跟踪误差的控制方法中，反馈和前馈控制器都是基于标称模型设计的，无法捕捉不确定性、干扰和工作条件的变化，无法保证在室外环境下精确的路径跟踪性能。在TELC算法中，前馈控制动作的更新，通过使用跟踪误差动态和对象模型失配问题，从而放弃。因此，一旦移动机器人已经在轨道上，前馈控制器就逐渐从系统的控制中消除反馈控制器。除了证明稳定性外，还证明了代价函数不存在局部极小值，从而TELC算法中的系数保证达到全局极小值。实验结果表明，TELC算法的路径跟踪性能优于传统的跟踪误差控制方法。TELC算法控制的移动机器人在越野环境下能够精确地跟踪目标路径，误差小于$10$ cm。
2021-03-21 cs.RO cs.SY eess.SY
Control of Mobile Robots Using Barrier Functions Under Temporal Logic Specifications
Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们提出了一个框架，移动机器人的时间逻辑规范使用障碍函数的控制。复杂的任务规范可以方便地使用线性时序逻辑编码。特别是，我们考虑一个片段的线性时序逻辑，其中包括一个机器人系统的运动规划规范的一大类。控制屏障功能最近已经成为一种方便的工具，以保证系统的可达性和安全性。此外，它们可以被编码为二次规划中的仿射约束。本文提出了一个将时态逻辑中的用户自定义规范转换为基于障碍函数的二次规划序列的全自动框架。此外，为了减轻不可行的情况下，我们提出的方法组成的障碍功能，以及基于优先级的控制方法，以保证控制器的可行性。我们证明了所提出的控制器合成的系统轨迹满足给定的规格。机器人仿真和实验结果提供除了理论框架。
2020-03-29 cs.RO
Decentralized, Self-organizing, Potential field-based Control for Individuallymotivated, Mobile Agents in a Cluttered Environment: A Vector-Harmonic Potential Field Approach
King Fahd University of Petroleum and Minerals（法赫德国王石油与矿业大学）
本文提出了一种去中心化、自组织的势场控制方法，用于复杂环境中多个智能体的协同运动控制，通过向量谐波势场方法实现低计算成本和自适应性。
2016-07-09 cs.RO cs.SY eess.SY
User-Conditioned Neural Control Policies for Mobile Robotics
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
提出基于FiLM层的用户条件化神经控制框架，通过无模型强化学习训练四旋翼策略，使用户能在部署时调节飞行激进程度，在仿真和实验中实现接近时间最优的性能。
2023-04-02 cs.RO
Evaluation of Smartphone IMUs for Small Mobile Search and Rescue Robots
ShanghaiTech University（上海科技大学）
小型移动机器人是搜救机器人的一个重要类别。将所有必要的组件集成到这样的小型机器人中是一项艰巨的工程任务。智能手机已经被工业界制造得体积小、重量轻、价格便宜，因此是作为此类机器人主控制器的绝佳候选者。在本文中，我们概述了如何在Android设备上使用ROS，然后评估一个对移动机器人非常重要的传感器：惯性测量单元（IMU）。在静态和动态条件下进行了实验，以测量三个智能手机和三个专业的IMU的IMU的误差。在实验中，我们使用的跟踪系统和自主移动机器人。
2019-12-03 cs.RO
Behavior-based Navigation of Mobile Robot in Unknown Environments Using Fuzzy Logic and Multi-Objective Optimization
University of Engineering and Technology - Vietnam National University, Hanoi（河内越南国家大学工程技术大学）
本文提出BBFM架构，通过模糊控制器和多目标优化协调机器人在未知环境中避障和避开局部极小值的问题，提升了导航精度和效率。
2017-03-09 cs.AI cs.RO cs.SY
An Observer-Based Key Agreement Scheme for Remotely Controlled Mobile Robots
Concordia Institute for Information Systems Engineering（康考迪亚信息系统工程研究院）
针对远程控制移动机器人在传统密码学部署受限的问题，提出一种基于非线性未知输入观测器和纠错码机制的控制理论密钥协商方案，并在Khepera-IV机器人上验证了其有效性与低控制开销。
2023-10-23 cs.CR cs.RO cs.SY
Modeling and Control of an Autonomous Three Wheeled Mobile Robot with Front Steer
Autonomous Ground Vehicle Research Group（自主地面车辆研究组）；Indian Institute of Technology (IIT) Kharagpur（印度理工学院（IIT）卡里格普尔）；West Bengal, India（印度西孟加拉）
本文提出了一种自主三轮移动机器人的前轮转向建模与控制策略，设计了速度控制PID控制器并实现了数字控制框架，同时展示了轨迹控制框架，通过实验验证了系统模型并讨论了控制器性能与鲁棒性。
2016-12-05 cs.RO cs.SY eess.SY
Simultaneous Intermittent Communication Control and Path Optimization in Networks of Mobile Robots
Duke University（杜克大学）
本文提出了一种间歇通信框架，通过移动机器人在连接移动图的边缘移动并仅在节点相遇时通信，实现网络的间歇连通性和路径优化，同时通过局部LTL公式分解和分布式冲突解决方案保证全局LTL公式的满足。
2016-09-22 cs.MA cs.RO cs.SY
Distributed Robust Learning based Formation Control of Mobile Robots based on Bioinspired Neural Dynamics
McMaster University（麦克马斯特大学）；University of Guelph（圭尔夫大学）；Carleton University（卡尔顿大学）
本文提出一种基于生物启发神经动力学的移动机器人分布式编队控制方法，通过变结构估计器、运动学跟踪控制和基于学习的鲁棒动力学控制器，解决了速度跳变与未知扰动问题，并经数学分析与仿真验证了有效性。
2024-03-23 cs.AI cs.RO cs.SY
VFH+ based shared control for remotely operated mobile robots
University of Birmingham（伯明翰大学）；University of West Attica（西阿提卡大学）
本文讨论了在危险和非结构化环境中操作的远程控制机器人的安全和有效的导航问题，或进行其他远程机器人任务。提出了一种共享控制方法，该方法将来自VFH+避障导航模块的命令与操作员通过操纵板提供的遥操作命令相混合。所提出的方法提供了几个优点，如灵活性，允许一个简单的适应控制器的行为和易于集成的可变自治系统，以及能够应付动态环境。所提出的控制器的优点证明了在灾难响应场景的实验评估。更具体地说，提出的证据表明，在安全性和任务完成时间方面，一个纯粹的遥操作方法，以及应对以前未观察到的障碍的能力有明显的性能增加。
2020-11-10 cs.HC cs.RO cs.SY
An Efficient Accelerator for Deep Learning-based Point Cloud Registration on FPGAs
Keio University（庆应义塾大学）
点云配准是许多机器人应用的基础，例如里程计和同时定位与地图构建（SLAM），它们对于自主移动机器人越来越重要。这些机器人的计算资源和功率预算是有限的，从而促进了在低成本FPGA上开发资源高效的配准方法。在本文中，我们提出了一种基于FPGA的3D点云配准的新方法，该方法基于最近的基于深度学习的方法PointNetLK。设计了一种用于PointNet特征提取的高效FPGA加速器，并在低成本和中档FPGA（Avnet Ultra96v2和Xilinx ZCU 104）上实现。我们的加速器设计的注册速度，准确性，资源使用和功耗方面进行评估。实验结果表明，PointNetLK与我们的加速器实现高达21.34倍和69.60倍的注册速度比CPU同行和ICP，分别，而仅消耗722 mW，并保持相同的精度水平。
2022-03-11 cs.AR cs.RO
Bayesian Optimization-based Nonlinear Adaptive PID Controller Design for Robust Mobile Manipulation
Chalmers University of Technology（查尔姆斯理工大学）；University College London（伦敦大学学院）
在本文中，我们提出使用非线性自适应PID控制器来调节移动机械手的关节变量。移动基座的运动对机械手的关节控制器施加不适当的干扰。在设计常规PID控制器时，需要在闭环系统的性能和灵活性与其稳定裕度之间进行权衡。所提出的非线性自适应PID控制器提供了一种机制，放松需要这样的妥协，根据误差的大小，无需专家调整的增益。因此，即使在系统建模中存在外部干扰和不确定性的情况下，我们也可以实现系统的敏捷性能，同时在输出中看到阻尼过冲，并尽可能接近地跟踪参考。我们采用贝叶斯优化方法来选择非线性自适应PID控制器的参数，以实现最佳的性能，在跟踪参考输入和抑制干扰。结果表明，一个良好的设计非线性自适应PID控制器可以有效地调节移动机械手的关节变量，而携带一个未知的沉重的负载和突然的基础运动发生。
2022-07-04 cs.RO
An Integrated FPGA Accelerator for Deep Learning-based 2D/3D Path Planning
Keio University（庆应义塾大学）
提出P3Net和P3NetCore，一种基于PointNet的轻量级2D/3D路径规划深度学习方法和FPGA加速器，在移动机器人有限资源下实现实时高性能路径规划，显著提升速度和功率效率。
2023-06-30 cs.AR cs.RO
Real-Time, Energy-Efficient, Sampling-Based Optimal Control via FPGA Acceleration
Colorado School of Mines（科罗拉多矿业学院）；Barnard College（巴纳德学院）；Columbia University（哥伦比亚大学）；Dartmouth College（达特茅斯学院）
本文提出一种基于FPGA加速的MPPI控制方法，通过深度流水线和并行性优化，实现嵌入式平台上的高效能和低能耗控制。
2026-01-23 cs.AR cs.RO
Red grape detection with accelerated artificial neural networks in the FPGA's programmable logic
Khalifa University（卡里玛大学）
本文利用FINN架构在FPGA可编程逻辑中部署三种量化人工神经网络进行红葡萄检测，其中MobileNet v1达到98%成功率和6611 FPS，证明FPGA可加速ANN并支持注意力机制。
2025-07-03 cs.AI cs.CV cs.DC
Real-Time Nonlinear Model Predictive Control of Heavy-Duty Skid-Steered Mobile Platform for Trajectory Tracking Tasks
Unit of Automation Technology and Mechanical Engineering, Faculty of Engineering and Natural Sciences, Tampere University（自动化技术与机械工程单元，工程与自然科学学院，塔尔皮亚大学）
针对重型滑移转向移动平台在不确定性和扰动下的轨迹跟踪安全问题，提出融合多传感器读数的多重打靶非线性模型预测控制框架，实现高精度实时控制并显著优于现有方法。
2025-10-03 cs.RO
Homogeneous Proportional-Integral-Derivative Controller in Mobile Robotic Manipulators
Tecnologico de Monterrey, Institute of Advanced Materials for Sustinable Manufacturing（墨西哥蒙特雷理工大学可持续制造先进材料研究所）
本文提出了一种针对移动机器人机械臂的同构PID控制器，通过同构控制理论提升系统稳定性与收敛性，实现在动态不确定性和外部干扰下的高精度轨迹跟踪性能。
2025-11-20 cs.RO nlin.AO
Hardware Neural Control of CartPole and F1TENTH Race Car
Sensors Group, Inst. of Neuroinformatics, UZH-ETH Zurich（苏黎世大学与苏黎世联邦理工学院神经信息学研究所传感器组）；U. of Seville（塞维利亚大学）；TU Delft（代尔夫特理工大学）
针对非线性模型预测控制计算成本高的问题，提出部署在低成本嵌入式FPGA上的经监督学习模仿NMPC的神经控制器，在CartPole和F1TENTH赛车上实现高频控制且实际性能优于NMPC，相关代码和硬件实现已开源。
2024-07-11 cs.LG cs.RO cs.SY
An FPGA Acceleration and Optimization Techniques for 2D LiDAR SLAM Algorithm
Keio University（庆应义塾大学）
本文提出一种基于FPGA的资源高效实现，利用RBPF算法的并行性加速2D LiDAR SLAM中的扫描匹配，在保证输出质量的同时实现5.31-8.75倍扫描匹配加速和3.72-5.10倍整体吞吐量提升，且仅占用TUL Pynq-Z2 FPGA板44%的资源。
2020-08-31 cs.RO eess.SP
Incorporating Stochastic Models of Controller Behavior into Kinodynamic Efficiently Adaptive State Lattices for Mobile Robot Motion Planning in Off-Road Environments
University of Rochester（罗切斯特大学）；DEVCOM Army Research Laboratory（陆军研究实验室）；Parsons（帕尔逊公司）
本研究提出三种将随机控制器行为模型融入KEASL规划器的方法，实验表明其产生更保守轨迹，降低预测碰撞概率，但相比扩大障碍物足迹的基线，规划成功率有所下降。
2025-08-06 cs.RO
Whole-Body Control for Velocity-Controlled Mobile Collaborative Robots Using Coupling Dynamic Movement Primitives
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)（深圳人工智能与机器人研究院（AIRS））；Harbin Institute of Technology（哈尔滨工业大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
在本文中，我们提出了一个统一的全身控制框架速度控制移动协作机器人，可以分配任务运动到手臂和移动基地根据特定的任务要求，通过调整加权因子。我们的框架侧重于解决全身协调中的两个挑战性问题：1）移动基座和手臂的不同动态特性; 2）避免违反安全和配置约束。此外，我们的控制器还包括耦合动态运动基元，以实现协作和交互应用的基本功能，例如避障、人工教学和合规控制。在此基础上，我们设计了一个自适应的运动模式，直观的物理人机交互，通过调整的权重因子。所提出的控制器是在封闭的形式，因此相当计算效率。在一个实际的移动协作机器人上进行的几个典型的实验验证了所提出的控制器的有效性。
2022-11-06 cs.RO
Real-Time Sonar Fusion for Layered Navigation Controller
University of Antwerp（安特卫普大学）；Flanders Make Strategic Research Centre（法兰德斯制造战略研究中心）
对于自主移动平台来说，在变化和动态的室内环境中导航仍然是一项复杂的任务。特别是当条件恶化时，典型的传感器模态可能无法最佳地操作，并且随后为安全导航控制提供不适当的输入。在这项研究中，我们提出了一种方法，一个动态的室内环境的导航与移动平台，一个单一的或几个声纳传感器使用分层控制系统。这些传感器可以在雨、雾、灰尘或污垢等条件下工作。在声纳图像融合中，基于声流队列激活不同的控制层，如避碰和走廊跟随行为。这项工作的新颖性是允许这些传感器被自由地定位在移动平台上，并提供了一个框架，用于设计基于移动平台周围的分区系统的最佳导航结果。本文介绍了所采用的声学流动模型，以及分层控制器的设计。接下来，在仿真验证中，提出了一种实现方法，并在真实的办公环境中使用具有一个、两个或三个声纳传感器的真实移动平台进行了验证，该移动平台具有实时的和2D导航。多传感器布局在仿真和真实实验中进行了验证，以证明控制器和传感器融合的模块化方法具有最佳效果。这项工作的结果表明，稳定和安全的室内环境中的动态对象的导航。
2022-08-23 cs.RO
Heterogeneous Full-body Control of a Mobile Manipulator with Behavior Trees
Örebro University（厄勒布鲁大学）；Center for Applied Autonomous Sensor Systems (AASS)（应用自主传感器系统中心）
将复杂机械系统（如移动机械手）的异构控制器集成在同一结构中并以模块化方式集成仍然具有挑战性。在这项工作中，我们扩展我们的框架的基础上的行为树的冗余机械系统的控制问题，指挥更复杂的系统，涉及多个低级别的控制器。这允许集成系统实现需要子系统之间协调的重要目标。
2022-10-16 cs.RO
A Holistic Approach to Reactive Mobile Manipulation
QUT Centre for Robotics（昆士兰科技大学机器人中心）
我们提出了一个可分配任务的反应式移动操作系统的设计和实现。与相关工作相反，我们将手臂和基座的自由度视为一个整体结构，这大大提高了所产生的运动的速度和流动性。这种方法的核心是一个强大的和反应式的运动控制器，它可以实现所需的末端执行器的姿态，同时避免关节位置和速度限制，并确保移动机械手在整个轨迹的机动性。这可以支持基于传感器的行为，例如闭环视觉抓取。由于在我们的方法中不涉及规划，机器人永远不会静止地思考下一步该做什么。我们展示了我们的整体运动控制器的多功能性，通过实施一个拾取和放置系统，使用行为树，并证明了这项任务的9度的自由移动机械手。此外，我们提供了一个开源的实现我们的运动控制器的非完整和全向移动机械手可在jhavl.github.io/holistic。
2022-02-02 cs.RO
An Event-based Fast Movement Detection Algorithm for a Positioning Robot Using POWERLINK Communication
Universitat de Valencia（瓦伦西亚大学）
本工作开发了一个基于事件的摄像机的跟踪系统。在FPGA中实现了一种生物启发滤波算法，在保持场景主要特征的同时，降低了噪声和传输数据。采用POWERLINK IEEE 61158工业网络实现FPGA与控制器的通信，控制器与自主开发的双轴伺服控制机器人相连。FPGA包括网络协议，以将基于事件的摄像机集成为任何其他现有网络节点。机器人的逆运动学包含在控制器中。此外，另一个网络节点用于控制气动阀以不同的速度和轨迹吹球。为了完成系统并提供比较，传统的基于框架的相机也连接到控制器。用于跟踪系统的成像数据从基于事件或基于帧的相机获得。实验结果表明，该机器人能够利用快速图像识别准确地跟踪球，具有基于事件系统的固有优势（尺寸、价格、功耗）。该作品展示了新设备和算法的开发如何高效地集成到工业系统中，将商用工业设备与新设备融合，使新技术快速进入工业领域。
2017-07-22 cs.CV cs.RO
UMI on Legs: Making Manipulation Policies Mobile with Manipulation-Centric Whole-body Controllers
Stanford University（斯坦福大学）；Columbia University（哥伦比亚大学）；Google DeepMind（谷歌DeepMind）
本研究提出UMI-on-Legs框架，结合真实UMI手持夹爪采集的任务操作数据与仿真训练的四足全身控制器，通过末端轨迹衔接两类策略，实现多类操作任务超70%成功率，并验证了固定臂预训练策略向四足系统的零样本跨本体部署。
2024-07-14 cs.RO
Efficient Kinematic Planning for Mobile Manipulators with Non-holonomic Constraints Using Optimal Control
ETH Zürich（苏黎世联邦理工学院）
研究了具有非完整约束和完整操作空间跟踪约束的移动机械臂运动学轨迹规划问题。通过求解约束序列线性二次型最优控制问题，得到了系统的整体轨迹和时变运动反馈控制器。所采用的算法具有高效率，通过一个连续的时间制定，受益于自适应步长积分器和通过线性复杂度的积分步骤的数量。在第一个应用程序的例子中，我们解决了26自由度轮式机器人的运动轨迹规划问题。在第二个例子中，我们将约束SLQ应用到现实世界中的移动机械手在滚动时域最优控制的方式，在那里我们获得最优的控制器和计划的速率高达100 Hz。
2018-01-16 cs.RO
Bayesian Multi-Task Learning MPC for Robotic Mobile Manipulation
ETH Zurich（苏黎世联邦理工学院）
由于需要解决许多不同的任务，例如开门或拾取和放置物体，机器人中的移动操作具有挑战性。通常，机器人的基本第一原理系统描述是可用的，从而激励基于模型的控制器的使用。然而，机器人动力学及其与物体的相互作用受到不确定性的影响，限制了控制器的性能。为了解决这个问题，我们提出了一个贝叶斯多任务学习模型，使用三角基函数来识别动态中的错误。通过这种方式，可以利用来自不同但相关的任务的数据来提供描述性错误模型，该模型可以针对新的、看不见的任务进行有效的在线更新。我们将这种学习方案与模型预测控制器相结合，并广泛测试所提出的方法的有效性，包括与现有的基线控制器的比较。我们目前的模拟测试与球平衡机器人，和开门硬件实验与四足机械手。
2023-03-21 cs.RO cs.SY eess.SY
Learning Holistic Whole-Body Loco-Manipulation with a Bipedal Mobile Manipulator
ZJU-UIUC Institute（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合学院）；LimX Dynamics（LimX Dynamics（深圳逐际动力））
本文提出一种基于强化学习的统一全身控制器，直接映射6自由度末端执行器目标，协调双足移动操作机器人的伸展、姿态适应与迈步，并通过真实机器人实验验证其通用性。
2026-09-17 cs.RO
Whole-Body Mobile Manipulation using Offline Reinforcement Learning on Sub-optimal Controllers
PEARL Lab, Computer Science Department, Technische Universität Darmstadt（达姆施塔特技术大学计算机科学系PEARL实验室）；Robotics Institute（机器人研究所）
本文提出WHOLE-MoMa方法，通过生成多样演示和离线强化学习提升全身移动操作性能，实现在无示教数据情况下实现高成功率的任务。
2026-04-14 cs.CV cs.RO
End-Effector Stabilization of a 10-DOF Mobile Manipulator using Nonlinear Model Predictive Control
University of Waterloo（滑铁卢大学）
移动机械手（安装在移动基座上的机械臂）的运动控制对于复杂的任务（如材料和包装处理）可能具有挑战性。针对由7自由度机械臂和3自由度移动基座组成的10自由度移动机械臂，设计了一种基于非线性模型预测控制（NMPC）的任务空间镇定控制器。该系统模型是基于运动学模型的末端执行器的方向直接由旋转矩阵参数化。状态和控制约束以及奇异性约束显式地包括在NMPC制定。该控制器进行了测试，使用实时仿真，表现出高的定位精度与易处理的计算成本。
2021-03-24 cs.RO cs.SY eess.SY
Whole-Body Control on Non-holonomic Mobile Manipulation for Grapevine Winter Pruning Automation
Istituto Italiano di Tecnologia（意大利技术研究院）；Università Cattolica del Sacro Cuore（圣心天主教大学）
结合了移动性和可操作性的移动机械手越来越多地用于现场的各种非结构化应用场景，例如葡萄园。因此，移动基座与机械手的协调运动是其整体性能的一个重要特征。在本文中，我们探讨了一个全身运动控制器的机器人，这是由一个2自由度的非完整轮式移动基地与7自由度的机械手（非完整轮式移动机械手，NWMM）这个机器人平台的设计，以有效地承担复杂的葡萄修剪任务。在控制框架中，任务优先级的NWMM协调运动是保证。低优先级任务被投影到最高优先级任务的零空间中，使得高优先级任务在不被低优先级任务中断的情况下完成。所提出的控制器进行了评估，在葡萄枝修剪实验方案。
2021-05-22 cs.AI cs.RO
GenerativeMPC: VLM-RAG-guided Whole-Body MPC with Virtual Impedance for Bimanual Mobile Manipulation
Intelligent Space Robotics Laboratory（智能空间机器人实验室）；Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所）
本文提出GenerativeMPC框架，通过VLM-RAG将语义理解与物理控制参数结合，实现双臂移动 manipulation的高效安全控制，实验表明在近人区域速度降低60%并实现安全社交导航。
2026-08-04 cs.RO
MOCA-S: A Sensitive Mobile Collaborative Robotic Assistant exploiting Low-Cost Capacitive Tactile Cover and Whole-Body Control
Istituto Italiano di Tecnologia（意大利技术研究院）
本文提出了MOCA-S，一种集成低成本电容触觉覆盖层和扩展全身控制器的敏感型移动协作机器人助手，通过实验验证了其在安全物理人机交互及碰撞场景下的本质安全性。
2022-02-27 cs.RO
ReMoSPLAT: Reactive Mobile Manipulation Control on a Gaussian Splat
QUT Centre For Robotics, School of Electrical Engineering and Robotics at the Queensland University of Technology（昆士兰理工大学机器人中心，电气工程与机器人学学院）
研究移动操纵器在不涉及高成本规划下如何利用高斯点云表示避免碰撞，提出基于二次规划公式的ReMoSPLAT反应式控制器，通过模拟实验验证其可行性，性能可媲美依赖完美信息的控制器，并在真实机器人平台进一步验证。
2026-07-14 cs.RO
Model Predictive Robot-Environment Interaction Control for Mobile Manipulation Tasks
ETH Zurich（苏黎世联邦理工学院）
现代的扭矩控制服务机器人在与环境交互时可以调节接触力。模型预测控制（MPC）是一种解决底层控制问题的强大方法，它允许规划全身运动，同时包括由机器人动力学或其环境施加的不同约束。然而，需要一个精确的模型的机器人环境，以实现令人满意的闭环性能。目前，这种必要性破坏了MPC在操纵任务中的性能和通用性。在这项工作中，我们结合了基于MPC的全身控制器与两个自适应计划，来自在线系统辨识和自适应控制。因此，我们使一般的移动机械手与未知的环境进行交互，而不需要重新调整参数或预先建模的相互作用的对象。结合MPC控制器，这两种自适应方法进行了验证和基准与球平衡机械手在开门和物体升降任务。
2021-06-08 cs.RO
