Parameter Identification and Motion Control for Articulated Rigid Body Robots Using Differentiable Position-based Dynamics
Advanced Robotics and Controls Lab, University of California San Diego(加州大学圣地亚哥分校先进机器人与控制实验室)
机器人、物体和环境的仿真建模是所有基于模型的控制和学习的基础。它广泛应用于动态规划和模型预测控制,以及用于模仿、转移和强化学习的数据生成。除了保真度,这些控制和学习环境中模型的关键特征是速度,稳定性和本地可微性。然而,当今许多流行的机器人仿真平台至少缺乏上述功能之一。最近,基于位置的动力学(PBD)由于其速度和稳定性,已成为一种非常流行的模拟工具,用于建模刚性和非刚性物体相互作用的复杂场景,并开始在机器人中获得显着的兴趣,因为它在基于模型的控制和学习中的潜在用途。因此,在本文中,我们提出了一个数学公式耦合基于位置的动力学(PBD)仿真和最优机器人设计,基于模型的运动控制和系统辨识。我们的框架打破了PBD的定义和衍生的各种类型的关节为基础的铰接刚体。提出了一种基于自动微分的反向传播算法,该算法可以同时集成位置和角度约束。我们的框架可以严格地提供原生梯度信息,并执行基于梯度的优化任务。我们还提出了铰接联合模型表示和模拟工作流程,我们的微分框架。我们证明了该框架在高效的最优机器人设计,准确的轨迹扭矩估计和支持弹簧刚度估计,我们实现了微小的误差的能力。我们还实现了阻抗控制在真正的机器人,以证明我们的微分框架在人在环应用的潜力。
2022-01-15 cs.RO
Dynamic Task Execution using Active Parameter Identification with the Baxter Research Robot
Northwestern University(西北大学)
本文介绍了实验结果的实时参数估计的系统模型和随后的轨迹优化的动态任务,使用Baxter研究机器人从Rethink机器人。一个积极的估计最大限度地提高费舍尔信息被用于实时与闭环,非线性控制技术,称为顺序动作控制。Baxter的任务是估计连接到从夹具悬挂的负载的字符串的长度,其中称重传感器为估计器提供单一的反馈源。在主动估计之后,使用trep软件包生成轨迹,该软件包控制Baxter将悬挂负载动态摆动到箱子中。几个试验不同的初始估计表明,估计需要获得足够的开环轨迹来完成规定的任务。附带的视频中还显示了使用和不使用主动估计的一次试验的结果。
2017-09-11 cs.RO
Model-Based Identification and Control of a One-Legged Hopping Robot
Bilkent University(比尔肯特大学)
弹簧-质量模型是分析和控制腿运动的成熟工具。其中,弹簧加载倒立摆(SLIP)模型已被证明是一个非常准确的描述动物运动。尽管SLIP模型被广泛使用,但它包含了不可积的姿态动力学,这使得它的运动方程无法得到解析解。幸运的是,对于不同的SLIP变体有近似的解析解。然而,这种近似的实用性主要是在模拟研究中进行测试,有几个明显的例外。这篇论文延伸到最近的近似髋关节扭矩驱动耗散SLIP(TD-SLIP)模型,使用扭矩驱动,以补偿能量损失。系统的实验仔细评估的近似解析解的预测性能,提出了一个良好的仪器单腿跳跃机器人的修订,以提高系统的兼容性和准确性。根据TD-SLIP模型修改了机器人的电子结构,使机器人使用实时操作系统来提高处理速度。利用近似解析解的预测性能所产生的参数和结果,在机器人平台上设计并实现了基于模型的控制器,以在单腿跳跃机器人平台上产生稳定的闭环运行行为。此外,在实验平台上的立场阶段的地面反作用力进行了调查,并与人类运行和传统的SLIP模型的数据进行比较,以了解扭矩驱动的模型更好地接近自然运动比传统的模型。
2018-02-26 cs.RO
Singularities of serial robots: Identification and distance computation using geometric algebra
KU Leuven(鲁汶大学);University of Cambridge(剑桥大学)
串联机器人操作器的奇异性是指机器人失去至少一个方向移动能力的配置。因此,他们的识别是根本,以提高当前的控制和运动规划策略的性能。虽然经典的方法需要计算一个6 × n或n × n矩阵的n自由度串联机器人的行列式,这项工作解决了一种新的奇异性识别方法的基础上建模的扭曲定义的关节轴的机器人作为向量的六维和三维几何代数。特别是,它包括确定哪些配置导致这些扭转的外积为零。此外,由于转子表示几何代数中的旋转,一旦这些奇点被识别,在配置空间C中定义距离函数,使得其对奇异配置集合S的限制允许我们计算任何配置到给定奇点的距离。该距离函数用于增强在三种不同场景中如何处理奇异点,即运动规划、运动控制和双边遥操作。
2021-09-26 cs.CG cs.RO
Online Learning-Based Inertial Parameter Identification of Unknown Object for Model-Based Control of Wheeled Humanoids
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出一种基于在线学习的惯性参数估计框架,利用端到端学习仅凭机器人本体感觉快速辨识未知物体参数,并通过真实到仿真适配和高斯过程处理建模误差,在约0.1秒内实现高精度估计,提升轮式人形机器人模型控制性能。
2024-08-21 cs.RO
Multi-Pen Robust Robotic 3D Drawing Using Closed-Loop Planning
Osaka University(大阪大学);National Inst. of AIST(国立先进工业科学技术研究所)
本文开发了一个灵活的和强大的机器人系统自主绘制三维表面。该系统将2D绘图笔划和3D目标表面(网格或点云)作为输入。它将2D笔划映射到3D表面上,并使用视觉识别、抓取姿势推理和运动规划来生成机器人运动以绘制映射的笔划。与传统的机器人绘图系统相比,该系统是灵活的,因为我们没有将绘图工具固定到机器人手臂的末端。相反,机器人使用视觉系统选择绘图工具,并用手握住绘图工具进行绘画。同时,由于具有灵活性,系统具有很高的鲁棒性,由于以下工艺:首先,高质量的映射方法,以尽量减少在笔划的变形。第二,视觉检测用于在执行每个绘制动作之前重新估计绘制工具的姿态。第三,采用力控制来避免噪声视觉检测和校准,并确保笔尖和目标表面之间的牢固接触。第四,实现错误检测和恢复以处理意外问题。以闭环方式执行规划和执行,直到成功绘制笔划。我们评估了系统,并分析了使用不同的真实世界任务的各种工艺的必要性。结果表明,该系统是灵活的和强大的机器人运动,从拾取和放置笔,成功地绘制三维笔划在给定的表面上。
2020-10-01 cs.RO
Comparative Evaluation of Learning Models for Bionic Robots: Non-Linear Transfer Function Identifications
National Yang Ming Chiao Tung University(国立阳明交通大学)
针对仿生机器人无模型控制中合适学习模型选择及传递函数构建缺乏系统探讨的问题,本研究提出涵盖数据采集、模型选择等环节的综合评估框架,可有效处理MIMO机器人数据。
2024-10-06 cs.LG cs.RO cs.SY
Feasible Region-based Identification Using Duality (Extended Version)
Carnegie Mellon University(卡内基梅隆大学)
我们考虑的问题,估计界限的参数表示的任务由个人机器人在多机器人系统。在我们以前的工作中,我们推导出必要条件的基础上的持久性的激发分析,这些参数的精确识别。我们的结论是,根据机器人的任务,个别机器人的动态可能无法满足这些条件,从而防止精确的推断。作为这项工作的延伸,本文侧重于估计界限的任务参数时,这些条件不满足。团队中的每个机器人都使用基于优化的控制器来协调任务满意度和避免碰撞。我们使用KKT条件的这种优化和SVD的主动防撞约束,推导出显式的拉格朗日乘子,机器人动力学和任务参数之间的关系。使用这些关系,我们能够推导出每个机器人的任务参数的界限。通过数值模拟,我们展示了我们提出的基于区域的识别方法如何在传统估计器(如UKF)失败时生成参数的可行区域。此外,经验证据表明,这种方法产生的收缩集收敛到真实的参数比UKF估计收敛的速度快得多。这些结果的视频可在https://bit.ly/2JDMgeJ上获得
2020-11-08 cs.RO math.OC
Multiple configurations for puncturing robot positioning
University of Science and Technology of China(中国科学技术大学);Hohai University(河海大学);Jiangsu Industrial Technology Research Institute(江苏产业技术研究院);Egyptian Russian University(埃及俄罗斯大学)
本文提出了逆运动学(IK)的封闭形式的推导步骤相结合的分析和几何技术的UR机器人。本工作的创新应用是用于穿刺机器人系统的精确定位。末端执行器是穿刺针导管,需要在穿刺插入点上精确定位。IK封闭形式的解决方案带来了最多8个解决方案,代表8个不同的机器人关节配置。这些多种解决方案有助于穿刺机器人系统,它允许医生在手术过程中选择最合适的配置。因此,工作空间变得更加适合人与机器人共存。此外,IK封闭形式的解决方案是更精确的定位医疗穿刺手术相比,其他数值方法。我们包括一个性能评估的封闭形式的解决方案,并通过数值方法获得的IK。
2019-03-06 cs.RO
Momentum Model-based Minimal Parameter Identification of a Space Robot
Indian Institute of Technology, Jodhpur, Rajasthan, India(印度理工学院,朱达普尔,拉贾斯坦邦,印度);McGill University, Montreal, Quebec H3A 0C3, Canada(麦吉尔大学,蒙特利尔,魁北克 H3A 0C3,加拿大)
本文提出了一种基于动量模型的最小参数识别方法,用于在轨识别太空机器人的最小参数,这些参数能够唯一确定动量和动力学模型,从而支持卫星及其安装的机械臂的运动规划和控制。
2018-09-02 cs.RO cs.SY eess.SY
Real-time Model Predictive Control and System Identification Using Differentiable Physics Simulation
University of Hong Kong(香港大学);Stanford University(斯坦福大学)
在模拟环境中开发机器人控制器是有利的,但将控制器转移到目标环境中存在挑战,通常被称为“模拟与真实的差距”。我们提出了一种方法,用于在将机器人部署到动态变化的目标环境后,不断改进建模和控制。我们开发了一个可微物理仿真框架,该框架同时执行在线系统辨识和最优控制,使用来自目标环境的实时的观测。为了确保鲁棒的系统辨识对噪声观测,我们设计了一种算法来评估我们估计的参数的置信度,使用数值分析的动态方程。为了确保实时的最优控制,我们自适应地安排未来的优化窗口,以便优化的动作可以比它们被消耗的更快地被补充,同时尽可能地保持最新的传感器信息。基于不断改进的模型的不断重新规划使机器人能够快速适应不断变化的环境,并以最有效的方式利用真实世界的数据。由于一个快速可微的物理模拟器,优化系统辨识和控制可以有效地解决机器人在实时的操作。我们证明了我们的方法在一组模拟的例子,并表明我们的结果是有利的基线方法相比。
2022-11-23 cs.GR cs.RO
Closed-form solutions for the inverse kinematics of serial robots using conformal geometric algebra
KU Leuven – University of Leuven(鲁汶大学);University of Cambridge(剑桥大学)
本文利用共形几何代数求解串联机器人的逆运动学。经典的方法包括使用齐次矩阵,这需要很高的计算成本和执行时间或特定的几何策略,不能推广到任意串行机器人的发展。在这项工作中,我们提出了一个紧凑的,优雅的和直观的配方的机器人运动学的基础上共形几何代数,提供了一个合适的框架的封闭形式的解决方案的逆运动学问题的机械手与球形手腕。对于这类串联机器人,逆运动学问题可以分为两个子问题:位置和方向问题。后者是通过适当地分裂成三个简单的转子定义的目标方向的转子解决,而前者是通过开发一个几何策略,形成的位置部分的机器人的棱柱和旋转关节的每个组合。最后,通过推广非冗余情况下的几何解,求解了7自由度球腕冗余度机器人的运动学逆解。
2022-03-14 cs.CG cs.RO
Context is Everything: Implicit Identification for Dynamics Adaptation
New York University(纽约大学)
了解环境动态对于机器人在世界上安全和最佳地行动是必要的。在现实场景中,动态是非平稳的,即使在训练过程中,也不一定能精确测量或推断环境参数等因果变量。我们提出了动态适应隐式识别(IIDA),这是一种简单的方法,可以让预测模型适应不断变化的环境动态。IIDA假设无法访问世界上的真实变化,而是从少量的上下文数据中隐式地推断环境的属性。我们展示了IIDA的能力,在看不见的环境中,通过一套模拟实验MuJoCo环境和一个真正的机器人动态滑动任务。一般来说,IIDA显着降低了模型误差,并导致更高的任务性能比常用的方法。我们的代码和机器人视频位于https://bennevans.github.io/iida/
2022-03-10 cs.AI cs.LG cs.RO
Sample-efficient Model Predictive Control Design of Soft Robotics by Bayesian Optimization
Michigan State University(密歇根州立大学);Utah State University(犹他州立大学)
提出了一种基于贝叶斯优化的数据驱动模型预测控制(MPC)设计方法。该方法不需要对软体机器人的复杂动力学模型进行建模,而是利用贝叶斯优化方法搜索最佳预测的低维预测模型及其控制器,以最小化闭环响应的目标函数。在每次迭代中,通过贝叶斯优化从闭环输入-输出数据更新预测模型。然后基于更新的预测模型设计线性MPC,并基于闭环响应进行评估。与直接搜索控制器参数不同,闭环系统的稳定性和输入/输出约束可以很容易地在MPC设计中处理。经过几次迭代,可以得到一个收敛的(次)最优控制器的解决方案,它最小化用户定义的闭环性能指标。通过一个柔索驱动的软体机器人的高保真仿真,对所提出的方法进行了仿真和验证。仿真结果表明,所提出的方法可以实现理想的跟踪控制器的软体机器人没有事先已知的模型。
2022-10-17 cs.RO cs.SY eess.SY
Infinite-Dimensional Closed-Loop Inverse Kinematics for Soft Robots via Neural Operators
Department of Mechanical Engineering, Stanford University(机械工程系,斯坦福大学);Institute of Applied Mechanics, Friedrich-Alexander-Universität Erlangen–Nürnberg(应用力学研究所,弗赖堡-艾尔兰根-纽伦堡大学);Cognitive Robotics Department, Delft University of Technology(认知机器人系,代尔夫特理工大学)
本文提出通过神经算子网络解决软机器人无限维闭环逆运动学问题,结合驱动到形状的映射与形状到任务的映射,实现基于雅可比的CLIK算法。
2026-10-12 cs.RO cs.SY eess.SY
Validation of Tumbling Robot Dynamics with Posture Manipulation for Closed-Loop Heading Angle Control
Northeastern University(东北大学);California Institute of Technology(加州理工学院)
本文针对COBRA蛇形机器人在陡坡翻滚运动中的航向控制问题,提出降阶级联动力学模型并通过高保真仿真验证其有效性,为闭环姿态操纵控制提供基础。
2024-11-20 cs.RO cs.SY eess.SY
System Identification for Virtual Sensor-Based Model Predictive Control: Application to a 2-DoF Direct-Drive Robotic Arm
Department of Aeronautics and Astronautics, Graduate School of Engineering, Kyoto University(航空学系,工学研究科,京都大学);Kobe Steel, Ltd.(神户钢铁株式会社)
本文提出PVSID框架,利用高成本传感器在建模阶段创建虚拟传感器,实现二自由度直接驱动机械臂的非线性模型预测控制,无需运动捕捉系统即可实现精确末端轨迹跟踪。
2026-02-02 cs.RO cs.SY eess.SY
Identification Algorithm to Determine the Trajectory of Robots with Singularities
奇异性是机器人控制中的一个重要问题。通过为机器人确定合适的轨迹,可以避免奇异情况。本文提出了一种识别算法来控制机器人,使其能够改变其方向,以避免奇异的情况。基于奇异值分解,提出了一种适用于非冗余单秩机器人的控制算法。所提出的方法是采用六个自由度的机器人,以确定其可行的轨迹。关键词:奇异性;轨迹辨识;机器人控制;辨识算法;奇异值分解。
2019-08-23 cs.RO
Active Embodiment Identification with Reinforcement Learning for Legged Robots
Department of Computer Science, Technical University of Darmstadt(德累斯顿技术大学计算机科学系);Robotics Institute Germany (RIG)(德国机器人研究所(RIG);德国人工智能研究中心(DFKI);hessian.AI);German Research Center for AI (DFKI);hessian.AI
本文提出一种结合信息寻求行为与显式具身预测的主动具身识别方法,通过仿真环境中的交互学习不同形态机器人的关节级和全局具身参数。
2026-05-08 cs.RO
Identification of Prototypical Task Executions Based on Smoothness as Basis of Human-to-Robot Kinematic Skill Transfer
University of Bremen(不来梅大学)
在本文中,我们研究人类到机器人的技能转移的基础上识别的原型任务执行聚类的一组例子,由人类示威者,其中平滑度和运动学特征分别代表技能和任务性能。我们从一个实验任务中,一个工具接触到一个目标速度的支持表面的数据,我们的技能转移方法。原型任务执行识别和转移到一个通用的机器人手臂仿真。结果说明了如何基于技能和性能特征的任务模型可以为机器人应用程序提供分析和设计标准。
2020-12-03 cs.RO
Follow me: an architecture for user identification and social navigation with a mobile robot
University of Modena and Reggio Emilia(摩德纳与雷焦艾米利亚大学)
本文提出一种移动机器人架构,结合计算机视觉、机器学习与人工智能算法实现用户识别和社会导航,以提升人机交互的直观性与友好性。
2024-05-02 cs.RO
Robust Embodied Self-Identification of Morphology in Damaged Multi-Legged Robots
Mechanical and Aerospace Engineering Department, Carleton University(卡洛尔大学机械与航空航天工程系);Mechanical, Industrial, and Mechatronics Engineering Department, Toronto Metropolitan University(多伦多 Metropolitan 大学机械、工业与机电工程系)
本文提出一种基于低成本IMU数据的多足机器人自建模与损伤识别算法,通过引入FFT滤波器处理信号并比较姿态,实现对腿部缺失的自主适应,在不平整地形实验中验证了鲁棒性与计算效率。
2025-06-24 cs.RO
System Identification For Constrained Robots
Robotics Institute, University of Michigan(密歇根大学机器人研究所);University of Stuttgart(斯图加特大学)
针对传统系统辨识方法不适用于带约束腿式机器人的问题,提出一种基于迭代最小二乘的受约束机器人系统参数辨识方法,经仿真和Digit人形机器人实验验证可提升控制器跟踪性能,代码已开源。
2024-08-16 cs.RO
Identification of geometrical and elastostatic parameters of heavy industrial robots
Centre National de la Recherche Scientifique(法国国家科学研究中心);University of Nantes(南特大学)
研究了带重力补偿器的重型工业机器人的刚度建模问题。主要的注意力是支付的几何和弹性静力参数的识别和校准精度。为了减少测量误差的影响,一组的机械手配置校准实验进行了优化,相对于所提出的性能措施有关的末端执行器的位置精度。实验结果表明,所开发的技术的优点。
2013-11-26 cs.RO
Online Friction Coefficient Identification for Legged Robots on Slippery Terrain Using Smoothed Contact Gradients
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST))
本文提出一种基于平滑接触梯度的足式机器人滑溜地形在线摩擦系数辨识框架,通过优化残差并引入拒绝方法,在四足机器人KAIST HOUND上实现了快速一致的辨识。
2025-02-24 cs.RO
Coordinate-Independent Robot Model Identification
本文提出一种不依赖坐标系的机器人模型识别方法,通过双度量诱导的系统黎曼度量对逆动力学残差进行加权,消除坐标偏倚,提高识别精度。
2026-09-25 cs.RO
Physically-Consistent Parameter Identification of Robots in Contact
University of Bonn(波恩大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所);Center for Robotics(机器人中心);Roboverse Reply(Roboverse Reply公司);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所);Technical University of Munich (TUM)(慕尼黑工业大学)
本文提出通过将全身动力学投影到接触约束零空间,仅利用关节电流/扭矩测量辨识机器人惯性参数,并以线性矩阵不等式保证物理一致性,在Spot上验证了更高样本效率与跨步态泛化能力。
2025-03-18 cs.RO
CLUE-AI: A Convolutional Three-stream Anomaly Identification Framework for Robot Manipulation
Istanbul Technical University(伊斯坦布尔技术大学)
近年来,机器人安全一直是一个突出的研究课题,因为机器人更多地参与日常任务。设计所需的安全机制以使服务机器人能够意识到异常并对其做出反应是至关重要的(即,与预期结果的意外偏差)。检测和识别这些异常是满足这些要求的重要步骤。虽然提出了几种架构的异常检测,识别尚未彻底调查。这项任务具有挑战性,因为指标可能在发现异常现象之前很久就出现了。在本文中,我们提出了一个卷积三流异常识别(CLUE-AI)框架来解决这个问题。该框架融合了视觉,听觉和本体感受数据流,以识别日常物体操作异常。通过放置在机器人头部的RGB-D相机收集的2D图像流在自注意启用视觉阶段内进行处理,以捕获视觉异常指标。由放置在机器人下躯干上的麦克风提供的听觉模态在听觉阶段中在设计的卷积神经网络(CNN)内进行处理。最后,在CNN内处理由夹持器施加的力和夹持器状态以获得本体感受特征。然后将这些输出与后期融合方案相结合。我们的新的三流框架设计分析了日常的对象操作任务与巴克斯特人形机器人在半结构化的设置。结果表明,该框架实现了94%的f-分数优于其他基线分类异常,在运行时出现。
2022-03-16 cs.RO
Dynamic Parameter Identification of a Curtain Wall Installation Robotic Arm
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
针对液压驱动幕墙安装机械臂,提出融合 D-H 模型、液压缸动力学与 Stribeck 摩擦的分层递进参数辨识方法,实验将关节力矩残差标准差控制在 0.4 Nm 以下。
2025-07-23 cs.RO
CAD-based approach for identification of elasto-static parameters of robotic manipulators
Ecole des Mines de Nantes(南特高等矿业学校);Institut de Recherches en Communications et en Cybernetique de Nantes(南特通信与控制论研究所)
本文提出了一种在CAD环境下利用虚拟实验进行机械手弹性静力学参数辨识的方法。它是基于从有限元分析结果中提取的数据的数值处理,这些结果是针对孤立的机械手连杆获得的。这种方法允许获得所需的刚度矩阵,考虑到复杂的形状的链接,旋转/平移偏转和连接相邻链接的关节的特殊性之间的耦合。这些矩阵是机械手集中刚度模型的组成部分,由于其高计算效率而被广泛应用于机器人中。为了提高辨识精度,给出了虚拟实验的优化设置建议,并提出了相应的统计处理技术。仿真研究证实了所开发方法的有效性,表明评估刚度矩阵元素的准确度约为0.1%。
2013-11-26 cs.RO
Diver Identification Using Anthropometric Data Ratios for Underwater Multi-Human-Robot Collaboration
University of Minnesota(明尼苏达大学)
针对水肺装备外观相似导致AUV难以识别潜水员的问题,提出基于姿态估计人体测量比例与嵌入网络的端到端识别框架,并在受控水域实验中验证了高准确率。
2023-09-29 cs.RO
Advanced robot calibration using partial pose measurements
Ecole des Mines de Nantes(南特矿业学校);University of Nantes(南特大学)
研究了基于部分位姿测量的串联工业机器人标定问题。与其他工作相比,先进的机器人标定技术是适用于几何和弹性静力学标定。重点研究了模型参数的辨识精度。为了减少测量误差的影响,提出了直接使用几个点的位置测量,而不是计算的末端执行器的取向。所提出的方法使我们能够避免最小二乘目标的非均匀性的问题,这会出现在经典的识别技术与全姿态信息。所开发的技术不需要任何规范化,可以有效地应用于几何和弹性静力识别。一种新的方法的优点是通过比较分析,处理不同的识别策略的效率评估确认。所得到的结果已成功地应用于工业机器人的弹性静力学参数识别的加工工作单元为航天工业。
2013-11-26 cs.RO
A Failure Identification and Recovery Framework for a Planar Reconfigurable Cable Driven Parallel Robot
Clemson University(克莱姆森大学)
在缆索驱动并联机器人中,一根缆索的故障往往会导致整个机器人的完全失效。然而,丢失的静态工作空间(由于故障)通常可以通过重新配置框架上的电缆连接点来恢复。这种能力是通过向机器人添加运动学冗余来引入的,所述运动学冗余以在实时冗余分辨率控制器中操纵的移动线性滑块的形式。所提出的工作结合这个控制器的在线故障检测框架,开发一个完整的容错控制方案的自动任务恢复。该解决方案通过将末端执行器的姿态估计与通过仅依赖于末端执行器信息的交互式多模型(IMM)算法的应用的故障检测相结合来提供鲁棒性。故障和姿态估计方案,然后绑定到冗余分辨率的方法,以产生一个无缝的自动任务(轨迹)电缆故障恢复方法。
2022-09-02 cs.RO
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
Reconfigurable Robot Identification from Motion Data
Columbia University(哥伦比亚大学)
本文提出一种元自建模方法,利用本体感觉信号和深度神经网络,从运动数据中准确识别可重构机器人的形态配置,推动机器人对自身物理结构的自主理解与适应。
2024-03-15 cs.RO
A Method to use Nonlinear Dynamics in a Whisker Sensor for Terrain Identification by Mobile Robots
Imperial College London(帝国理工学院);King’s College London(伦敦国王学院)
本文展示了分析和实验证据,使用振动动力学的顺应性触须准确的地形分类在稳态运动的移动机器人。霍尔效应传感器用于测量由于来自地面的扰动而引起的晶须振动。分析结果预测,触须振动将有一个主导频率的垂直扰动频率的移动机器人夹在其他两个不太占主导地位,但不同的频率分量。这些频率分量可能来自稳态时非线性相互作用动力学引起的振动频率分叉。实验结果还表现出独特的主导频率成分的机器人的速度和地形粗糙度。这种非线性动态特征被用于深层多层感知器神经网络中对地形进行分类。对7种不同纹理的平坦地表,预测成功率为85.6%。
2021-08-04 cs.RO
Model Identification and Control of a Low-Cost Wheeled Mobile Robot Using Differentiable Physics
Rutgers University(罗格斯大学)
我们提出了一种低成本的轮式移动机器人的设计,并预测其运动的影响下的电动机转矩和摩擦力的分析模型。使用我们提出的模型,我们展示了如何分析计算一个适当的损失函数的梯度,该函数测量预测的运动轨迹和现实世界的轨迹,这是估计使用Apriltags和高架摄像头之间的偏差。这些分析梯度允许我们通过使用梯度下降最小化损失函数来自动推断未知的摩擦系数。由优化模型预测的运动轨迹与现实世界中的运动轨迹非常吻合。实验表明,我们提出的方法是计算优于现有的黑箱系统辨识方法和其他数据驱动的技术,也需要非常少的真实世界的样本准确的轨迹预测。所提出的方法结合了基于第一原理的分析模型的数据效率,以及数据驱动方法的灵活性,这使得它适用于低成本机器人。使用学习的模型和我们的基于梯度的优化方法,我们展示了如何自动计算电机控制信号,以驱动机器人沿着预先指定的曲线。
2020-09-24 cs.RO
A Unified Calibration Framework for High-Accuracy Articulated Robot Kinematics
ETH Zurich(苏黎世联邦理工学院)
本文提出了一种统一的机械臂校准框架,通过单一实验识别几何和非几何效应,显著提升校准精度。
2026-01-23 cs.RO
Robust algorithm for calibration of robotic manipulator model
Ecole des Mines de Nantes(南特矿业学院);IRCCyN(南特通信与控制研究所);École Nationale d’Ingénieurs de Metz(梅斯国立工程师学院);LCFC-ENSAM ParisTech Metz(ENSAM巴黎高科梅斯实验室);University of Nantes(南特大学)
研究了机械臂几何参数和弹性静力参数的鲁棒辨识问题。重点研究了辨识算法效率的提高。为了提高辨识精度,提出了采用加权最小二乘法的方法,该方法采用了一种新的加权系数分配算法。后者允许考虑在不同方向和整个机器人工作空间中测量系统精度的变化。通过工业机器人弹性静力学标定的应用实例说明了该方法的优越性。
2013-11-26 cs.RO
Closed-Chain Manipulation of Large Objects by Multi-Arm Robotic Systems
Nanyang Technological University(南洋理工大学)
每当多个机器人手臂同时操纵单个物体时,就会创建闭合运动链。当与机器人关节限制相结合时,闭链约束极大地改变了配置空间的连通性。我们提出了一个重握移动,称为“IK开关”,它允许有效地桥接组件的配置空间,否则相互断开。这一举措,结合其他几个发展,如一种方法,以稳定的操纵对象使用的环境,一个新的树结构,和一个兼容的控制方案,使我们能够解决复杂的闭链操纵任务,如翻转椅子框架,这是不可能实现使用现有的多臂规划方法。
2017-06-21 cs.RO
Error Identification and Recovery in Robotic Snap Assembly
Graduate School of Engineering Science, Osaka University(大阪大学工程科学研究生院);Chinese University of Hong Kong(香港中文大学)
用于预测机器人卡扣接头组件的现有方法不能在故障发生之前预测故障。为了解决这个问题,本文提出了一种方法,预测错误发生之前的错误状态,从而使及时恢复。机器人卡扣接头装配需要精确定位;因此,即使零件之间存在微小偏移,也可能导致装配失败。为了正确预测错误状态,我们将功能主成分分析(fPCA)应用于在错误发生之前终止的6D力/扭矩曲线。通过将特征向量应用于决策树来识别错误状态,其中在每个节点处采用支持向量机(SVM)。如果估计精度较低,则执行额外的探测以更正确地识别错误状态。最后,在识别错误状态之后,机器人基于所识别的错误状态执行错误恢复运动。通过对四个卡扣接头塑料件装配的实验结果表明,该方法能够正确地估计出机器人的错误状态,并能使机器人从错误状态中恢复过来。
2021-03-24 cs.RO
Real-Time Visual Tracking and Identification for a Team of Homogeneous Humanoid Robots
University of Bonn(波恩大学)
使用一组人形机器人协作完成一项任务是一个越来越重要的研究领域。实现协作的挑战之一是机器人的相互识别和跟踪。这项工作提出了一种实时的【形】基于视觉的方法来检测和跟踪已知外观的机器人,基于静止的机器人捕获的图像。一个直方图的有向矢量描述符被用来检测机器人和机器人的航向估计的多类分类器。被跟踪的机器人根据磁力计读数报告自己的航向估计。对于跟踪,基于位置和航向的成本函数应用于每个轨迹,并且使用匈牙利算法找到检测到的机器人的全局最优标签。完整的识别和跟踪系统在足球场上使用两个igus人形开放平台机器人进行了测试。我们希望类似的系统可以用于其他人形机器人,如Nao和DARwIn-OP
2018-10-16 cs.CV cs.RO
Online Visual Robot Tracking and Identification using Deep LSTM Networks
University of Bonn(波恩大学)
在许多应用中,协作机器人在共同的任务上工作是必要的。在机器人团队中实现协作的挑战之一是相互跟踪和识别。我们提出了一种新的管道在线视觉为基础的检测,跟踪和识别机器人与已知的和相同的外观。我们的方法在有限的硬件上实时运行的观察员机器人。与以前的机器人跟踪和识别工作不同,我们使用基于递归神经网络的数据驱动方法来学习顺序输入和输出之间的关系。我们将数据关联问题表述为多分类问题。深度LSTM网络在模拟数据集上进行训练,并在少量真实数据集上进行微调。在两个具有挑战性的数据集上进行的实验,一个是合成数据集,一个是真实数据集,其中包括长期遮挡,显示出有希望的结果。
2018-10-16 cs.CV cs.RO
Fast Object Inertial Parameter Identification for Collaborative Robots
University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);Vector Institute(向量研究所)
针对协作机器人低信噪比数据导致惯性参数辨识慢且不准的问题,提出结合刚体动力学近似与质量离散化的快速辨识方法,并通过仿真与实验验证其在典型协作工况下对现有方法的补充作用。
2023-07-06 cs.RO
TuneNet: One-Shot Residual Tuning for System Identification and Sim-to-Real Robot Task Transfer
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
随着研究人员教机器人执行越来越复杂的任务,对逼真的仿真环境的需求也在增长。通过近似真实世界物理来缩小现实差距的现有技术通常需要大量的真实世界数据和/或数千个模拟样本。本文介绍了TuneNet,这是一种基于机器学习的新方法,可以使用 * 迭代残差调整 * 技术直接调整一个模型的参数以匹配另一个模型。TuneNet使用来自目标的单个观测和最小模拟来估计两个模型之间的参数差异,从而实现快速、准确和样本效率高的参数估计。该系统可以通过监督学习在自动生成的模拟数据集上进行训练。我们表明,TuneNet可以执行系统辨识,即使当真正的参数值位于训练过程中看到的分布之外,并证明与TuneNet调整的模拟器优于现有的预测刚体运动的技术。最后,我们证明了我们的方法可以估计真实世界的参数值,允许机器人在训练过程中看不到的动态操作任务上执行模拟到真实的任务转移。代码和视频可在http://bit.ly/2lf1bAw上在线获得。
2020-02-13 cs.RO
An Energy Balance Based Method for Parameter Identification of a Free-Flying Robot Grasping An Unknown Object
Institute for Systems and Robotics(系统与机器人研究所);Instituto Superior Tecnico(高等技术学院)
机器人系统的惯性参数的估计对于更好的轨迹跟踪性能是至关重要的,特别是当基于模型的控制器用于执行精确的任务时。在本文中,我们考虑的情况下,掌握一个未知属性的自由飞行空间机器人有限的驱动。问题是要找到整个系统的惯性参数后,已执行的把握。在惯性空间中提供激励,通过优化找到激励轨迹。截断傅立叶级数用于表示参考以及跟踪轨迹。一种基于驱动功和动能变化率之间的能量平衡的方法被引入来计算用于表示执行轨迹的傅立叶级数中的谐波的数量,同时试图找到占饱和效应和保持噪声之间的平衡。研究了输入饱和对参数估计的影响。使用空间CoBot自由飞行机器人的仿真结果表明该方法的可行性。
2018-03-15 cs.RO
Proprioceptive Sensor-Based Simultaneous Multi-Contact Point Localization and Force Identification for Robotic Arms
Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文提出一种基于关节力矩传感器和基座力/力矩传感器的粒子滤波改进算法,通过网格预处理实现机械臂多接触点与接触力的同时快速估计,并在7自由度机器人仿真中达到2200Hz运行频率和99.96%的单接触成功率。
2023-03-07 cs.RO
An Untethered Brittle Star-Inspired Soft Robot for Closed-Loop Underwater Locomotion
Carnegie Mellon University(卡内基梅隆大学)
与刚性机器人相比,软体机器人能够与其环境进行固有的更安全的交互,因为它们可以响应于意外的刺激而机械变形。然而,它们复杂的机械结构可能会使规划和控制变得困难,特别是在运动等任务中。在这项工作中,我们提出了一个移动和不受约束的水下爬行软体机器人,帕特里克,配对的试验台,演示闭环运动规划。PATRICK的设计灵感来自于BrittleStar,它的五条柔性腿由总共20根形状记忆合金(SMA)线驱动,通过其巨大的输入空间提供了丰富多样的可能运动。我们提出了一个运动规划基础设施的基础上一组简单的帕特里克的运动原语,并提供实验表明,规划器可以命令机器人的目标状态。这些实验有助于第一个例子的闭环,状态空间目标寻求的水下,无绳系,软爬行机器人,并取得进展,实现完全自主的软移动机器人系统。
2020-08-03 cs.RO
Planning Multimodal Exploratory Actions for Online Robot Attribute Learning
State University of New York at Binghamton(纽约州立大学宾汉姆顿分校);Tufts University(塔夫茨大学)
机器人经常需要感知物体属性,如“红色”,“重”和“空”,使用多模态探索性动作,如“看”,“举”和“摇”。“机器人属性学习算法的目标是在给定探索性动作的情况下为每个可感知属性学习观察模型。一旦学习了属性模型,它们就可以用来识别新对象的属性,回答诸如“这个对象是红色和空的吗?“属性学习和识别在文献中被视为两个独立的问题。在本文中,我们首先定义了一个新的问题,称为在线机器人属性学习(On-RAL),机器人的工作属性学习和属性识别同时进行。然后,我们开发了一种算法,称为信息理论奖励塑造(ITRS),积极解决探索和开发之间的权衡在RAL问题。将ITRS与竞争机器人属性学习基线进行了比较,实验结果表明ITRS在学习效率和识别精度方面具有优势。
2021-06-08 cs.RO
Fail-RAG : A Retrieval Augmented Generation Informed Framework for Robot Failure Identification
Hitachi America, Ltd.(日立美国有限公司)
提出Fail-RAG框架,利用检索增强生成和视觉语言模型,通过嵌入故障图像和上下文信息并查询数据库,实现机器人操作故障的高效检测,在仓库自动化任务中平均检测准确率提升25个百分点。
2026-06-19 cs.RO
Person Re-Identification for Robot Person Following with Online Continual Learning
Southern University of Science and Technology(南方科技大学);Guangdong University of Technology(广东工业大学)
针对机器人跟随人员中固定特征提取器因领域偏移导致重识别失败的问题,提出基于在线持续学习的ReID框架,利用短期和长期经验在线优化特征提取器,显著提升了复杂条件下的重识别准确率。
2024-07-26 cs.RO
HiCRISP: An LLM-based Hierarchical Closed-Loop Robotic Intelligent Self-Correction Planner
Shanghai Jiao Tong University(上海交通大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Oxford(牛津大学)
针对 LLM 机器人系统执行中难以自校正的问题,本文提出分层闭环框架 HiCRISP,可监控并修正高层规划与低层动作错误,虚拟和真实基准实验验证了其优越性能。
2024-04-08 cs.RO
Sampling-Based System Identification with Active Exploration for Legged Robot Sim2Real Learning
Carnegie Mellon University(卡内基梅隆大学);Google DeepMind(谷歌DeepMind)
针对足式机器人仿真到现实的差距问题,提出两阶段框架SPI-Active,结合大规模并行采样参数辨识与主动探索策略,实现精准策略迁移,运动任务性能较基线提升42-63%。
2025-05-20 cs.RO
Enabling Autonomous Navigation in a Snake Robot through Visual-Inertial Odometry and Closed-Loop Trajectory Tracking Control
Electrical and Computer Engineering(电气与计算机工程系)
本研究通过视觉-惯性里程计和闭环轨迹跟踪控制,实现蛇形机器人在无外部跟踪设施环境下的自主导航,验证了多路径点跟踪的准确性。
2025-12-09 cs.RO