Contact Anticipation for Physical Human-Robot Interaction with Robotic Manipulators using Onboard Proximity Sensors
University of Colorado Boulder(科罗拉多大学博尔德分校)
在本文中,我们提出了一个框架,机器人机械手避障和故意的物理相互作用。随着人类和机器人开始在工作和家庭环境中共存,纯粹的碰撞避免是不够的,因为人类与机器人的接触是不可避免的,并且在某些情况下是期望的。我们的工作使机械手能够预测,检测和采取行动的接触。为了实现这一点,我们允许有限的偏差,从机器人的原始轨迹,通过速度降低和运动限制。然后,如果发生接触,机器人可以检测到它和机动的基础上一种新的动态接触阈值算法。这项工作的核心贡献是动态接触阈值,它允许一个机械手与板载接近传感器跟踪附近的物体,并减少接触力的碰撞预期。我们的框架在物理人机交互过程中的自然行为。我们使用Franka Panda机器人手臂在各种场景下评估了我们的系统;总的来说,我们的结果表明,我们的贡献不仅能够避免接触并对接触做出反应,而且还能预测接触。
2021-11-30 cs.RO
Safe, Passive Control for Mechanical Systems with Application to Physical Human-Robot Interactions
Royal Institute of Technology (KTH)(瑞典皇家理工学院)
在本文中,我们提出了一种新的安全,被动,鲁棒控制律的机械系统。所提出的方法从物理人机交互的角度解决了安全问题,其中机器人不仅必须停留在预定义的区域内,而且必须遵守速度约束,并确保相对于可能由人类或环境引起的外部扰动的被动性。所提出的控制是以封闭形式编写的,即使在奇异配置期间也表现良好,并且只要安全要求(例如,速度(velocity)。所提出的方法是在一个6自由度机器人上实现的,以证明其有效性,在一个物理的人机交互任务。
2020-11-03 cs.RO
SPARCS: Structuring Physically Assistive Robotics for Caregiving with Stakeholders-in-the-loop
Cornell University(康奈尔大学);Columbia University(哥伦比亚大学)
物理机器人的现有工作是有限的,在其提供长期援助的能力。这主要是由于(一)缺乏明确界定的问题,(二)任务多样性,以及(三)接触社区利益攸关方的机会有限。我们提出构建物理辅助机器人护理与利益相关者在循环(SPARCS),以解决这些挑战。SPARCS是一个物理机器人部署框架,包括(i)构建块,定义物理机器人部署场景的模型,(ii)结构化工作流,分层工作流,使我们能够回答物理机器人部署的是什么和如何,以及(iii)SPARCS-Box,一个基于网络的平台,以促进所有利益相关者之间的对话。我们收集的临床数据为6个不同残疾的照顾对象,并展示了使用SPARCS设计定义明确的治疗方案,并确定他们的护理要求。所有数据和工作流程都可以在SPARCS-Box上使用。我们证明了实用的SPARCS在建立一个机器人辅助喂养系统的照顾对象之一。我们还进行了实验,以显示该系统的适应性,以不同的浏览场景。最后,我们通过咨询护理人员和护理人员来确定物理机器人的开放性挑战。补充材料可以在https://emprise.cs.cornell.edu/sparcs/上找到。
2022-10-20 cs.RO
Leveraging Passive Compliance of Soft Robotics for Physical Human-Robot Collaborative Manipulation
Brigham Young University(杨百翰大学)
本文通过气动连续体软体机械臂与全向移动基座组成的系统,基准测试了大型软体机器人与人协作操控长形物体的能力,结果表明其表现可媲美人类非视觉跟随者,并挑战了软体机器人力量受限的传统认知。
2025-04-11 cs.RO
Haptic Shoulder for Rendering Biomechanically Accurate Joint Limits for Human-Robot Physical Interactions
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出了一种名为SHULDRD的开源触觉肩部设备,作为人类受试者的物理替代品,用于在人机物理交互中提供力反馈与安全数据,以提升机器人辅助的安全性与有效性。
2024-09-20 cs.RO
RoboTwin-Phys: Do WAMs and VLAs Understand the Physical World?
Peking University(北京大学);Advanced Institute of Information Technology, Peking University(北京大学先进信息技术研究院)
针对机器人操作基准缺乏物理条件多样性的问题,提出 RoboTwin-Phys 基准,连续变化 13 个物理属性并发布 5000+ 演示,揭示现有模型在物理变化下的鲁棒性差距。
2026-09-23 cs.RO
Functional Co-Optimization of Articulated Robots
MIT Computer Science And Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室(CSAIL))
我们提出了参数轨迹优化,同时计算物理参数,驱动要求,和机器人运动更有效的机器人设计的方法。在该方案中,机器人的尺寸,质量,和其他物理参数同时解决传统的运动规划变量,包括动态一致的机器人状态,驱动输入,和接触力。我们的方法需要最少的用户领域的知识,只需要一个粗略的猜测的目标机器人配置序列和参数化的机器人拓扑结构作为输入。我们展示了我们的结果在四个模拟机器人,其中一个我们物理制造,以证明物理一致性。我们证明,通过优化机器人的身体参数,机器人轨迹,运动规划问题,否则将是不可行的,可以成为可行的,驱动要求可以显着降低。
2017-07-20 cs.RO
The Impact of Robots' Facial Emotional Expressions on Light Physical Exercises
University of Waterloo(滑铁卢大学)
本文研究协作机械臂的面部情绪表达对66至88岁老年人共同进行轻度锻炼的影响,发现表情反而降低能力感知且未显著提升参与度。
2023-12-04 cs.RO
Trajectory Deformations from Physical Human-Robot Interaction
Rice University(莱斯大学)
机器人正在寻找新的应用,其中与人类的物理交互是必要的:制造,医疗保健和社会任务。因此,物理人机交互(physical human-robot interaction,pHRI)领域已经利用了阻抗控制方法,其支持人与机器人之间的顺应性交互。然而,传统的阻抗控制的局限性在于-尽管提供了人来修改机器人的当前轨迹-人不能通过pHRI影响机器人的未来期望轨迹。在本文中,我们提出了一种算法的物理交互式轨迹变形,当结合阻抗控制,允许人类调制的实际和期望的轨迹的机器人。与相关工作不同的是,我们的方法明确地根据pHRI期间施加的力来变形未来所需的轨迹,但不需要持续的人类指导。我们提出了我们的方法,并验证了这种方法是与传统的阻抗控制兼容。接下来,我们使用约束优化来导出变形形状。最后,我们描述了一个实时的实现算法,并进行模拟测试的仲裁参数。实验结果表明,当与仅具有阻抗控制的pHRI相比时,人的努力减少并且运动质量提高。
2017-10-26 cs.RO
Admittance Control Parameter Adaptation for Physical Human-Robot Interaction
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学)
在物理人机交互中,机器人和人类在同一工作空间中的共存需要保证稳定的交互,试图最大限度地减少操作员的努力。为此,导纳控制被广泛使用,其参数的适当选择是至关重要的,因为它们影响机器人的稳定性和与用户交互的能力。在本文中,我们提出了一种策略,用于检测偏差的标称行为的导纳控制的机器人和适应的控制器的参数,同时保证无源性。所提出的方法在KUKA LWR 4+上进行了验证。
2017-02-27 cs.RO
Reality-assisted evolution of soft robots through large-scale physical experimentation: a review
University of Cambridge(剑桥大学)
在这篇综述中,我们介绍了现实辅助进化的框架,总结了一个日益增长的趋势,结合基于模型和无模型的方法,以提高物理体现的软体机器人的设计。在计算机中,数据驱动模型使用真实世界的实验数据来构建、调整和改进目标系统的表示。通过使用这些数据驱动的模型模拟大量的虚拟机器人,优化算法可以照亮多个设计候选人,以转移到现实世界。实际上,大规模的物理实验有利于多个候选设计的制造、测试和分析。自动化装配和可重新配置的模块化系统使现实世界的设计评估数量比以前可能的要高得多。通过物理实验收集的大量地面实况数据可以返回到虚拟环境中,以改进数据驱动模型并指导优化。将设计过程建立在物理实验的基础上,可确保虚拟机器人设计的复杂性不会超过模型限制或可用的制造技术。我们概述了在现实辅助进化的框架下,物理体现的软体机器人的设计的关键发展。
2020-10-16 cs.RO
EndoRSI: Physical-Evidence-Driven Recursive Improvement of Endoscopic Robot Policies
The Chinese University of Hong Kong(香港中文大学)
该研究提出人类管控的EndoRSI系统,利用物理实验证据迭代优化内窥镜机器人策略,使插入成功率从2/21提升至17/21,最终策略在多标本测试中表现最优,证明物理交互可用于智能体驱动的机器人策略研究。
2026-10-12 cs.RO
Effects of Interfaces on Human-Robot Trust: Specifying and Visualizing Physical Zones
Oregon State University(俄勒冈州立大学);Rhodes College(罗德学院)
在本文中,我们调查的影响界面和反馈的人机信任水平时,在共享的物理空间。我们使用的任务是在室内环境中为机器人指定一个“禁止进入”区域。我们评估了三种风格的界面(物理,AR和基于地图的)和四种反馈机制(无反馈,机器人在空间周围驱动,AR“围栏”和地图上标记的区域)。我们的评估着眼于可用性和信任度。具体来说,如果参与者相信机器人“知道”禁入区在哪里,以及他们对机器人避开该区域的能力的信心。我们使用自我报告和间接的信任和可用性测量。我们的主要发现是:1)接口和反馈确实会影响信任水平; 2)参与者在很大程度上更喜欢混合接口反馈对,其中接口的形式与反馈不同。
2021-12-01 cs.RO
An End-to-End Robot Architecture to Manipulate Non-Physical State Changes of Objects
Ulsan National Institute of Science and Technology(蔚山国立科学技术院)
随着机器人硬件和智能软件的发展,人形机器人在人类辅助服务和危险行业的繁重工作中发挥着重要作用。任务学习的最新进展使人形机器人能够进行灵巧的操作任务,如抓取物体和组装家具部件。对于人形机器人来说,在没有物理运动的情况下操作物体是一项更具挑战性的任务,因为动作的效果在物理配置空间中可能不清楚,并且在很长一段时间内有意义的动作可能非常复杂。作为示例,在智能设备中玩移动游戏具有这样的挑战,因为在长时间范围内智能设备内的滑动动作和复杂的状态转换两者。在本文中,我们解决了这个问题,通过引入一个集成的架构,连接端到端的传感器到执行器在一个人形机器人操作智能设备。我们实现了我们的集成架构在巴克斯特研究机器人和实验证明,我们的架构的机器人可以玩一个具有挑战性的手机游戏,2048游戏,准确的模拟环境。
2016-09-27 cs.RO
Human-Aware Physical Human-Robot Collaborative Transportation and Manipulation with Multiple Aerial Robots
New York University, Tandon School of Engineering(纽约大学坦登工程学院)
针对现有物理人机交互多聚焦单机器人、多空中机器人研究进展少的问题,提出含负载外力估计器、6D导纳控制器及人感知力分配的方法,通过仿真与实验首次实现四旋翼机群与人类协作完成负载全6自由度操作。
2024-12-03 cs.RO
PhyRoGen: Synthetic Generation of Physical Robot Manipulation Puzzles Using Procedural Content Generation
Technical University of Berlin(柏林技术大学);Robotics Institute Germany(德国机器人研究所)
提出PhyRoGen框架,利用程序化内容生成自动创建机器人操作谜题的合成数据集,生成的24个谜题可在1-300秒内求解,并在物理仿真中验证可操作性。
2026-06-04 cs.RO
Embodying Physical Computing into Soft Robots
Department of Mechanical Engineering, Virginia Tech(弗吉尼亚理工大学机械工程系)
本文提出将物理计算融入软机器人,通过模拟振荡器、物理共振计算和物理算法计算等方法,使软机器人实现复杂行为,如障碍避让和负载分类,提升其日常使用中的鲁棒性和智能性。
2026-02-06 cs.RO
Enhancing the Perception of Safety and Comfort during Physical Human-Robot Handshake Interactions by Integrating Flexible Elements into a Robotic Arm
ESPOL Polytechnic University(ESPOL理工大学)
本研究通过实验对比刚性关节与串联弹性执行器(SEA)柔性关节机械臂的握手交互,发现SEA能提升用户的安全感和舒适感,促进更安全、更被社会接受的人机交互。
2026-09-18 cs.RO
AgentRob: From Virtual Forum Agents to Hijacked Physical Robots
Peking University(北京大学)
AgentRob通过模型上下文协议连接虚拟论坛与物理机器人,实现多代理协作控制,展示了论坛驱动的多机器人协调可行性。
2026-02-14 cs.RO
Control Barrier Functions Solved with Hierarchical Quadratic Programming for Safe Physical Human-Robot Interaction
本文提出利用分层二次规划框架在物理人机交互中设计性能和安全任务,平衡安全与性能。通过实验证明该方法的有效性、灵活性和通用性。
2026-04-24 cs.RO
SymBridge: A Human-in-the-Loop Cyber-Physical Interactive System for Adaptive Human-Robot Symbiosis
Shandong University(山东大学);ShanghaiTech University(上海科技大学);The University of Hong Kong(香港大学);LEJU(Shenzhen) Robotics Co., Ltd(LEJU(深圳)机器人有限公司)
SymBridge 是首个融合增强现实的人在环信息物理交互系统,通过多分辨率人体运动特征与环境可供性实现实时自适应人机交互,并利用人类反馈持续优化机器人模型,有效推动人机共生研究。
2025-09-19 cs.RO
A Unified Stochastic Mechanism Underlying Collective Behavior in Ants, Physical Systems, and Robotic Swarms
Computer Science and Artificial Intelligence Laboratory, MIT, MA, US(麻省理工学院计算机科学与人工智能实验室);The International Institute for Industrial Environmental Economics, Lund University, Sweden(隆德大学国际工业环境经济研究所)
本文通过蚂蚁实验揭示生物与物理系统共享“不同能量函数约束下最大化”的随机机制,并据此构建统一随机模型,使机器人集群能以极低个体计算实现可扩展、去中心化的相变式合作。
2025-11-08 cs.RO
Human-State-Aware Controller for a Tethered Aerial Robot Guiding a Human by Physical Interaction
ETH Zurich(苏黎世联邦理工学院)
随着空中物理交互技术的迅速发展,空中机器人与人类进行物理交互的可能性越来越受到人们的关注。在我们之前的一项工作中,我们考虑了人类通过电缆与飞行器物理连接的首批系统之一。在那里,我们开发了一个兼容的控制器,允许机器人拉向所需的位置,只使用力作为间接的通信通道的人。然而,该控制器仅基于机器人状态,这使得系统不适应人类行为,特别是他们的行走速度。当人仍然远离期望点时,这降低了引导的有效性和舒适性。在本文中,我们正式分析的问题,并提出了一个人的状态感知控制器,其中包括一个人的速度反馈。我们从理论上证明和实验表明,这种方法提供了一个更一致的指导力量,提高了指导经验。
2022-03-07 cs.RO
SUPER-MAN: SUPERnumerary Robotic Bodies for Physical Assistance in HuMAN-Robot Conjoined Actions
Istituto Italiano di Tecnologia(意大利技术研究院)
本文提出了一种移动多余机器人的方法,在人-机器人联合行动的物理援助。本研究首先描述了超人的概念。我们的想法是开发和利用移动协作系统,可以遵循人类的现场操作命令,通过三个主要组件执行工业任务:i)准入型接口,ii)人机交互控制器,iii)多余的机器人身体。接下来,我们从理论和硬件的角度提出了两种可能的实现框架内。第一个系统被称为MOCA-MAN,包括一个冗余的扭矩控制机械臂和一个全向移动平台。第二个被称为Kairos-MAN,由一个高有效载荷的6自由度速度控制机械臂和一个全向移动平台组成。这些系统共享相同的准入接口,通过该接口,用户扳手被转换为由每个系统的全身控制器生成的局部操纵命令。此外,一个全面的用户研究与多个和跨性别的主题,揭示了定量性能的两个系统在努力的要求和灵巧的任务。此外,我们提供了定性的结果,从NASA-TLX问卷,以证明超人的方法的潜力和可接受性,从用户的角度来看。
2023-02-01 cs.RO
Unified Learning from Demonstrations, Corrections, and Preferences during Physical Human-Robot Interaction
Virginia Tech(弗吉尼亚理工大学)
本文提出一种统一学习示范、纠正和偏好的算法,通过从头学习奖励模型并应用约束优化生成轨迹,使机器人能更准确地从物理交互中学习操作任务。
2024-01-09 cs.RO
Bidirectional Human-Robot Communication for Physical Human-Robot Interaction
Carnegie Mellon University(卡内基梅隆大学);Honda Research Institute USA(本田研究院美国)
本文提出BRIDGE系统,通过自然语言实现双向人机通信,提升物理交互中的互动性和透明性。
2026-01-15 cs.RO
Physical Human-Robot Interaction for Grasping in Augmented Reality via Rigid-Soft Robot Synergy
Advanced Robotics Centre (ARC), National University of Singapore (NUS)(先进机器人中心(ARC),新加坡国立大学);Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)(高性能计算研究所(IHPC),科技研究局(A*STAR));Chair of Cognitive Systems, Technical University of Munich (TUM)(认知系统教授职位,慕尼黑技术大学);Singapore-MIT Alliance for Research and Technology (SMART) Centre(新加坡-麻省理工联合研究技术中心);Computer Science and Artificial Intelligence Lab (CSAIL), Massachusetts Institute of Technology(计算机科学与人工智能实验室(CSAIL),麻省理工学院)
本文提出了一种基于增强现实的物理人机交互框架,通过虚拟与现实的协同实现混合刚柔机器人的远程操作与抓取任务。
2026-02-19 cs.RO
MSTC*:Multi-robot Coverage Path Planning under Physical Constraints
Shanghai Key Laboratory of Trustworthy Computing(上海市可信计算重点实验室);Engineering Research Center of Software/Hardware Co-design Technology and Application (MoE)(软硬件协同设计技术与应用教育部工程研究中心);School of Software Engineering, East China Normal University(华东师范大学软件工程学院)
对于大规模的任务,覆盖路径规划(CPP)可以大大受益于多个机器人。提出了一种基于螺旋生成树覆盖的多机器人覆盖路径规划算法MSTC*。我们的算法结合了严格的物理约束,如地形的可通行性和材料的承载能力。我们比较我们的算法对国家的最先进的mCPP规则的网格地图和真实的实地地形在模拟环境中。实验结果表明,我们的方法显着优于现有的螺旋STC为基础的mCPP方法。我们的算法可以为所有机器人找到一组平衡良好的工作负载分布,因此,实现了完成覆盖的总体最短时间。
2021-08-10 cs.RO
A Suitable Hierarchical Framework with Arbitrary Task Dimensions under Unilateral Constraints for physical Human Robot Interaction
KUKA Germany GmbH(库卡德国有限公司);Leibniz University of Hannover(汉诺威莱布尼茨大学)
在过去的几年中,已经提出了一些层次框架来处理高度冗余的机器人系统。其中一些系统预计将执行多项任务,并与环境进行物理交互。然而,没有一个建议的框架是能够管理多个任务与任意的任务尺寸,同时尊重单边约束的位置,速度,加速度和力的水平,并在同一时间,直观地反应到外部力量。这项工作提出了一个框架,解决这个问题。该框架进行了测试,在模拟和一个真正的机器人。冗余协作工业机器人(KUKA LBR iiwa)的实验证明了该框架的优势相比,国家的最先进的方法。该框架直观地对外部力作出反应,并且能够限制关节位置、速度、加速度和力。
2022-04-05 cs.RO
High-Precise Robot Arm Manipulation based on Online Iterative Learning and Forward Simulation with Positioning Error Below End-Effector Physical Minimum Displacement
Peking University(北京大学)
精度是机器人手臂的关键性能指标,因为高精度操作允许更广泛的应用。传统的提高机器人手臂精度的方法依赖于误差补偿。然而,这些方法通常不鲁棒并且缺乏适应性。基于学习的方法提供了更大的灵活性和适应性,而目前的研究表明,它们往往无法达到高精度,并且难以处理许多需要高精度的场景。本文提出了一种基于在线迭代学习和前向仿真的高精度机械臂操作框架,该框架能够实现小于末端执行器物理最小位移的定位误差(精度)。此外,我们将多个高精度操作策略并行化,以更好地结合在线迭代学习和正向模拟。此外,我们考虑的关节角分辨率的实际机器人手臂,这是通常被忽略的相关工作。仿真和真实UR3机器人手臂平台上的一系列实验表明,我们提出的方法是有效的和有前途的。相关代码将很快发布。
2023-02-26 cs.RO
Physical Twins: Accelerating and Enabling Robot Learning with Phantom Platforms
University of California, San Diego(加利福尼亚大学圣迭戈分校)
提出一种改进的幻影设备作为物理孪生,支持人机物理交互算法的真实强化学习测试,并展示其多关节运动渲染能力。
2026-10-07 cs.RO
RoboFolDeX: A Physical-World Benchmark for Long-Horizon Robotic Manipulation of Deformable Objects
Fudan University(复旦大学);AI Research Center, Midea Group (Shanghai) Co., Ltd.(美的集团(上海)有限公司AI研究中心);Carnegie Mellon University(卡内基梅隆大学)
FolDeX是一个基于真实机器人数据的物理世界基准,以衣物折叠为主任务,提供2000多小时、20多任务数据,围绕数据复用四个研究轴,并建立公平评估平台,推动长时程可变形操作研究。
2026-09-22 cs.RO
Reality as a simulation of reality: robot illusions, fundamental limits, and a physical demonstration
Texas A&M University(德州农工大学);University of South Carolina(南卡罗来纳大学)
我们考虑的问题中,机器人合谋提出一个世界观,从现实不同。该调查的动机是物理验证机器人行为的问题,尽管我们手头的机器人和我们希望研究的机器人之间存在差异,或者可用的测试环境与期望的测试环境之间存在差异,或者其他潜在的不匹配。在制定了一个令人信服的错觉的概念,基本上是一个概念的系统模拟发生在现实世界中,我们研究这种类型的可模拟性的基础设施的要求方面的影响。时间是一种重要的资源:有些机器人可能能够模拟其他机器人,但速度可能低于实时速度。这种差异提供了一种以相对的形式将模拟和被模拟系统联系起来的方法。我们建立了一些定理,包括一个味道的一个不可能的结果,并提供了几个例子。最后,我们提出了一个简单的多机器人实验的基础上,这一理论的数据,与机器人导航中的一个无界领域的障碍。
2019-09-09 cs.RO
ARMADA: Augmented Reality for Robot Manipulation and Robot-Free Data Acquisition
Apple(苹果公司);University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出ARMADA系统,利用Apple Vision Pro增强现实提供实时虚拟机器人反馈,使无物理机器人也能采集高质量人类演示数据,实验证明反馈显著提升数据质量。
2024-12-14 cs.RO
Enhancing Physical Human-Robot Interaction: Recognizing Digits via Intrinsic Robot Tactile Sensing
Dep. Management and Engineering University of Padua(管理与工程系帕多瓦大学);CEMMPRE, Dep. Mechanical Engineering University of Coimbra(CEMMPRE,机械工程系科英布拉大学)
利用协作机器人内置扭矩传感器采集人手在触控板上书写数字时的关节力矩和末端力数据,通过双向LSTM网络实现94%准确率的在线数字识别,并在水果递送任务中验证其应用潜力。
2025-03-31 cs.RO
CoRI: Communication of Robot Intent for Physical Human-Robot Interaction
Carnegie Mellon University(卡内基梅隆大学);Honda Research Institute USA(本田研究所美国)
提出 CoRI 流水线,由运动规划与视觉感知自动生成机器人动作说明;用户研究表明其在辅助喂食、洗浴和剃须任务中显著提升意图与运动细节传达清晰度。
2025-08-29 cs.RO
Dancing with REEM-C: A robot-to-human physical-social communication study
本文以leader-follower舞蹈场景为切入点,开发结合导纳、阻抗与位置控制的分体式全身控制框架,通过实验验证控制器性能,探究机器人对人类的清晰直观通信及人类舒适度问题。
2026-09-04 cs.RO
A hybrid model-based evolutionary optimization with passive boundaries for physical human-robot interaction
Istituto Italiano di Tecnologia(意大利理工学院);São Carlos School of Engineering, University of São Paulo(圣保罗大学圣卡洛斯工程学院)
在过去的几十年里,物理人机交互领域发生了巨大的变化。因此,机器人系统的要求变得更具挑战性,包括针对不同任务和用户的个性化行为。已经提出了各种机器学习技术来赋予机器人这样的适应性特征。本文提出了一种基于模型的进化优化算法来调整手腕康复设备的视在阻抗。我们使用无源性来定义可能的控制器结果的边界,限制机器人的共享自主权,并确保耦合系统的稳定性。实验由硬件在环优化和用于腕关节康复的单自由度机器人组成。实验结果表明,所提出的技术可以产生定制的被动阻抗控制器为三个主题。此外,与定阻抗控制器相比,该方法在保证优化过程稳定性的前提下,使互作用力矩的均方根值降低了20%.
2022-03-01 cs.RO
The Robot Data Factory
Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文提出机器人数据工厂(RDF),一种任务驱动的基础设施,通过持续生成、验证和重用机器人经验,实现部署-测量-学习-重复的闭环,以支持物理人工智能的可扩展发展。
2026-09-16 cs.RO
Robot-mediated physical Human-Human Interaction in Neurorehabilitation: a position paper
Shirley Ryan AbilityLab(施里尔·瑞安能力实验室);Northwestern University(西北大学);Northeastern University(东北大学);University of Cincinnati(辛辛那提大学);Università Campus Bio-Medico di Roma(罗马大学生物医学校园);Fondazione Santa Lucia(圣拉齐乌斯基金会);University of Genoa(热那亚大学);University of Illinois in Chicago(芝加哥伊利诺伊大学);Canarian Foundation Institute of Neurological Sciences(加那利基金会神经科学研究所);Chalmers University of Technology(挑战者技术大学);Swiss Federal Institute of Technology(瑞士联邦理工学院);University of Basel(巴塞尔大学);Politecnico di Milano(米兰理工大学);Hospital Los Madroños(洛斯马德罗尼斯医院);Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Newcastle University(新castle大学)
本文提出机器人介导的人与人物理互动框架,结合治疗师的临床经验与机器人的准确性,旨在提升神经康复的效果。
2025-11-27 cs.RO
Prospect Theory in Physical Human-Robot Interaction: A Pilot Study of Probability Perception
本研究通过物理耦合任务探讨人类在不确定性下的行为差异,发现两种决策模式并提出累积前景理论作为更准确的行为模型。
2025-12-09 cs.RO
Optimizing Collaborative Robotics since Pre-Deployment via Cyber-Physical Systems' Digital Twins
Politecnico di Milano(米兰理工大学)
本文提出在预部署阶段利用数字孪生和贝叶斯优化设计协作机器人单元,通过集成生产KPI实现数据驱动决策,从而获得更安全、高效和适应性强的协作环境。
2024-10-18 cs.RO
Human Whole-Body Dynamics Estimation for Enhancing Physical Human-Robot Interaction
Fondazione Istituto Italiano di Tecnologia(意大利技术研究院基金会);Università di Genova(热那亚大学)
在过去的二十年里,科学界对理解和塑造人类与机器人之间的交互机制表现出极大的兴趣。交互意味着两个二元代理之间的通信,如果交互类型是物理的,则通信由交互期间交换的力的集合表示。在这种情况下,量化这些力量的作用变得至关重要的相互作用机制的理解。在目前的科学阶段,经典机器人是为人类而建造的,但科学需求正在朝着机器人必须与人类合作的方向发展。这将通过向机器人提供它们正在与之交互的代理的足够多的信息(即,人的运动学和动力学模型)。在人类需要机器人帮助的现代,显然是相反的趋势,本文试图回答以下问题:机器人需要人类吗?机器人应该认识他们的人类伙伴吗?这里提供了一个试探性的答案,在一个实时的情况下,同时人体全身运动跟踪和动态估计的新框架的形式。该框架包括一组安装在身体上的传感器和能够估计人体中不可直接测量的物理量的概率算法(即,扭矩和内力)。这篇论文主要集中在检索人体动力学估计的最重要的作用,但直截了当地说,它留下了大门打开下一个发展步骤:通过人体动力学反馈的机器人控制器。这一步将使机器人能够通过生成增强的(有意的)交互来观察和理解人类伙伴。
2019-12-03 cs.RO
Robot Navigation Using Physically Grounded Vision-Language Models in Outdoor Environments
University of Maryland, College Park(马里兰大学帕克分校)
本文提出 VLM-GroNav,通过将视觉-语言模型与本体感觉物理接地相结合,动态评估户外地形可通过性并实时重规划轨迹,在腿式和轮式机器人上实现导航成功率最高提升50%。
2024-09-30 cs.RO
Intelligent Physical Attack Against Mobile Robots With Obstacle-Avoidance
Shanghai Jiao Tong University(上海交通大学);Ministry of Education of China(中国教育部);Shanghai Engineering Research Center of Intelligent Control and Management(上海智能控制与管理工程技术研究中心)
近年来,移动机器人的安全问题引起了人们的广泛关注。在本文中,我们提出了一个智能物理攻击,以陷阱移动机器人到一个预设的位置,通过学习避障机制,从外部观察。我们工作的突出新颖性在于揭示了具有智能和先进设计的基于物理的攻击可能会带来真正的威胁,而无需事先了解系统动态或访问内部系统。这种攻击是传统网络空间安全对策无法应对的。在实践中,所提出的攻击的基石是积极探索受害机器人与环境的复杂交互特性,并学习避障知识,表现在其行为的有限观察。然后,我们提出了最短路径和放手攻击算法,以找到有效的攻击路径,从巨大的运动空间,实现驱动到陷阱的目标,以低成本的路径长度和活动周期,分别。证明了算法的收敛性,并进一步推导了攻击性能界。大量的模拟和真实实验说明了所提出的攻击的有效性,这预示着未来对机器人系统新的物理威胁和防御的研究。
2022-08-20 cs.RO
A Data-Driven Approach for Contact Detection, Classification and Reaction in Physical Human-Robot Collaboration
Roma Tre University(罗马第三大学);University of Cassino and Southern Lazio(卡西诺和南拉齐奥大学)
本文考虑的情况下,机器人和人类操作员共享相同的工作空间,机器人都能够进行自主任务,并与人类进行物理交互,以实现共同的目标。在这种情况下,由于任务和环境的复杂性,人类行为的不确定性以及对彼此行为的典型缺乏意识,可能会发生人与机器人之间的有意和意外接触。在这里,基于递归神经网络(RNN)的两阶段策略被设计为检测有意和意外接触:在第一阶段检测与人的接触的发生,而在第二阶段执行有意和意外之间的分类。然后分别由机器人执行准入控制策略或回避动作。该方法也适用于机器人同时与人类和环境交互的情况,其中后者的交互扳手通过高斯混合模型(GARCH)建模。控制障碍函数(CBF)包括,在控制级,以保证满足机器人和任务的约束,同时执行适当的交互策略。该方法已被验证的一个真正的设置组成的Kinova的1002机器人。
2021-06-12 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
One-Shot Learning from Demonstration of Contact-Rich Robotic Manipulation by Identifying Physical Interactions
该研究提出一种明确建模物理交互的机器人操作演示学习方法,仅用单次演示即可复现复杂接触型任务,提升了对环境几何变化的鲁棒性、泛化性与在线自适应能力,填补了可解释少样本LfD的空白。
2026-08-26 cs.RO
Early Prediction for Physical Human Robot Collaboration in the Operating Room
Purdue University(普渡大学)
为了实现自然流畅的人类机器人协作流程,机器人理解其人类同伴的正在进行的动作,预测其在不久的将来的行为,并相应地规划其动作是至关重要的。具体地,进行早期预测的能力是重要的,使得机器人可以预见到轮位转换事件的精确定时,并且足够早地开始运动规划和执行以平滑轮位转换。这种主动行为可以减少人的等待时间,提高效率,增强协作任务的自然性。为此,本文提出了一种早期轮换预测算法的设计和实现,迎合物理人类机器人协作场景。具体而言,机器人擦洗护士(RSN)系统,它可以理解外科医生的多模态通信线索,并执行轮采取预测。所开发的算法进行了测试,在一个外科医生护士串联的模拟手术程序的收集的数据集。所提出的话轮预测算法被发现是显着优于其算法同行,是更准确的比人类基线时,很少的部分输入(小于30%的全部行动)。在观察到更多信息后,该算法可以达到与人类相当的性能,F1得分为0.90。
2017-09-26 cs.RO
Exploiting Physical Dynamics to Detect Actuator and Sensor Attacks in Mobile Robots
Pennsylvania State University(宾夕法尼亚州立大学)
移动机器人是网络空间和物理世界紧密耦合的网络物理系统。对移动机器人的攻击可以超越网络防御,并在物理世界中升级为灾难性后果。在本文中,我们专注于主动攻击,能够直接影响机器人任务操作的检测。通过利用移动机器人的物理动力学,我们开发的RIDS,一种新的机器人入侵检测系统,可以检测致动器攻击以及传感器攻击的非线性移动机器人随机噪声。我们实现和评估的RIDS Khepera移动机器人对具体的攻击情况下,通过各种攻击渠道,包括信号干扰,传感器欺骗,逻辑炸弹,物理损坏。对20个实验结果的评价表明,假阳性率和假阴性率的平均值均小于1%。每次攻击的平均检测延迟保持在0.40秒以内。
2017-08-06 cs.CR cs.RO
Towards Shared Embodied Intelligence in Humanoid Robots through Optimization Development and Testing of the Human Aware ergoCub Robot
GenerativeBionics(生成生物技术);Artificial and Mechanical Intelligence(人工与机械智能);School of Computer Science, University of Manchester(曼彻斯特大学计算机科学学院);Humanoid Sensing and Perception(人形感知与感知);iCub Tech Facility(iCub技术设施);DiMEILA, Istituto Nazionale Assicurazione Infortuni sul Lavoro (INAIL)(DiMEILA,意大利国家职业伤害保险机构(INAIL))
提出一种融合共享智能与具身认知的架构,通过优化机器人硬件与控制以符合人体工学指标,实现人机物理协作,并以ergoCub人形机器人为具体实现。
2026-05-26 cs.RO
Grounded-Dreamer: Robot Learning from World Model Synthetic Data with Physical Grounding
Peking University(北京大学);Lightwheel(光速);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
Grounded-Dreamer框架结合生成式视频模型与仿真物理引擎,从少量真实图像合成带物理 grounding 的机器人操纵数据,无需人类远程操作,可高效训练机器人操纵策略,实验验证其效果显著。
2026-10-12 cs.RO
CushSense: Soft, Stretchable, and Comfortable Tactile-Sensing Skin for Physical Human-Robot Interaction
Cornell University(康奈尔大学)
本文提出 CushSense,一种基于织物的柔软可拉伸触觉皮肤,通过电容变化检测接触,成本低、精度高且耐用,适用于机器人护理等物理人机交互任务。
2024-05-06 cs.RO
iFAN Ecosystem: A Unified AI, Digital Twin, Cyber-Physical Security, and Robotics Environment for Advanced Nuclear Simulation and Operations
Georgia Institute of Technology(佐治亚理工学院)
iFAN生态系统通过整合AI、数字孪生、网络物理安全和机器人技术,为核模拟和操作提供高保真度的虚拟测试平台,支持自主和网络容错的核操作验证。
2026-01-27 cs.RO