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
Distributed Formation Control of Nonlonolomic Mobile Robots by Bounded Feedback in the Presence of Obstacles
University of Nevada, Reno（内华达大学里诺分校）
研究了非完整移动机器人的分布式编队控制问题。使用基于排斥力的控制律来保证代理之间的碰撞避免。在存在障碍物的不确定环境中，排斥力和旋转方向的构造使智能体能够避开和通过障碍物。每个机器人的控制输入被设计为有界的。不同编队的数值仿真结果表明了该方法的有效性。
2017-05-09 cs.RO
Push Recovery of a Position-Controlled Humanoid Robot Based on Capture Point Feedback Control
University of Tehran（德黑兰大学）
本文采用踝关节和髋关节相结合的策略对一个位置控制的人形机器人进行了推力恢复。踝关节策略和髋关节策略分别相当于压力中心（CoP）和质心力矩枢轴（CMP）调节。为了控制CMP和CoP，我们需要扭矩控制机器人，然而大多数传统的人形机器人是位置控制的。在这方面，我们提出了一个有效的方式来实现的髋关节和踝关节的位置控制的人形机器人的战略。我们采用反馈控制器来补偿捕获点误差。使用我们的计划，一个简单而实用的推动恢复控制器的设计，可以实现在大多数传统的人形机器人，而不需要扭矩传感器。通过SURENA-Mini人形机器人在剧烈推力下的推力恢复实验，验证了该方法的有效性。
2017-10-29 cs.RO
Multimodal feedback for active robot-object interaction
Tamagawa University（玉川大学）；Advance Intelligence and Robotics Research Center（高级智能与机器人研究中心）
在这项工作中，我们提出了一个多模态系统，使用基于激光的SLAM，RGBD图像和接触传感器的主动机器人与物体的互动。在物体操作任务中，机器人通过RGBD数据调整其相对于障碍物和目标物体的初始姿态，以便在避免碰撞的同时在不同的配置空间中执行物体抓取，并使用手中的接触传感器更新与操作过程的最后步骤相关的信息。根据RoboCup 2018国际比赛规则，我们进行了一系列实验来评估所提出的系统的性能。我们将我们的方法与一些基线进行比较，即无反馈方法和仅视觉和仅挣扎反馈方法，其中我们提出的视觉和触觉反馈方法表现最好。
2018-09-10 cs.RO
GTac: A Biomimetic Tactile Sensor with Skin-like Heterogeneous Force Feedback for Robots
National University of Singapore（新加坡国立大学）；Guilin University of Electronic Technology（桂林电子科技大学）
人手的触觉感知能力在执行日常活动中是必不可少的。通过整合到手中的机械感受器同时感知法向力和剪切力，使人类能够完成日常任务，如抓取微妙的物体。在本文中，我们设计并制作了一种新型的仿生触觉传感器与皮肤的异质性，同时感知正常和剪切接触力。它通过结合非本征层（压阻传感器）和本征层（霍尔传感器）来模拟多层机械感受器，从而可以估计接触力方向、位置和关节级扭矩。通过集成我们的传感器，机器人抓取器可以在指尖获得接触力反馈;因此，机器人可以执行具有挑战性的任务，例如镊子的使用和鸡蛋抓取。这种富有洞察力的传感器设计可以定制并应用于机器人的不同领域，并为它们提供异构力感测，可能支持机器人获取类似皮肤的触觉反馈。
2022-01-28 cs.RO
Multi-Robot Target Monitoring and Encirclement via Triggered Distributed Feedback Optimization
University of Bologna（博洛尼亚大学）
本文提出一种嵌入ROS 2的触发式分布式反馈优化策略，使异构多机器人仅靠局部测量和异步通信即可协同监测包围目标并巡逻兴趣点，并通过仿真与实物实验验证其有效性。
2024-09-30 cs.RO
Enhanced Visual Feedback with Decoupled Viewpoint Control in Immersive Humanoid Robot Teleoperation using SLAM
University of Tsukuba（筑波大学）；Universite de Picardie Jules Verne（皮卡第儒勒·凡尔纳大学）；National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所）
在沉浸式人形机器人遥操作中，存在三个主要缺点，可以改变视觉反馈的透明度：由于网络通信延迟或缓慢的机器人关节运动，操作员的头部和机器人的头部之间的运动滞后。该等待时间可能导致视觉反馈中的显著延迟，这危害实施例质量，可能导致头晕，并且影响交互性，导致操作者频繁的运动暂停以使视觉反馈稳定;（ii）摄像机的视场（FOV）与耳机的视场（FOV）之间的失配，前者通常具有较低的FOV;以及（iii）人类和机器人的颈部运动范围之间的不匹配，后者通常也较低。为了利用这些缺点，我们为人形平台开发了一种解耦的视点控制解决方案，该解决方案允许低延迟的视觉反馈，并人为地增加相机的FOV范围以匹配操作员的耳机。我们的新解决方案使用SLAM技术来增强重建网格的视觉反馈，补充机器人视觉反馈未覆盖的区域。视觉反馈作为点云实时呈现给操作员。因此，操作员通过观察点云的姿态，从机器人的头部方向获得实时视觉。在基于虚拟现实的遥操作系统中，考虑到控制系统的安全性和鲁棒性，平衡这种感知和沉浸是很重要的。实验结果表明了该方法的有效性。
2022-11-03 cs.RO
Evaluation of Human-Robot Interfaces based on 2D/3D Visual and Haptic Feedback for Aerial Manipulation
University of Naples Federico II（那不勒斯费德里科二世大学）；ETH Zurich（苏黎世联邦理工学院）；Univ Rennes（雷恩大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；IRISA（雷恩信息与自动化研究所）
本文研究在空中遥操作中引入三维混合现实视觉和三维触觉反馈对人机交互的影响，通过真实任务和虚拟方块搬运实验证明两者均能提升操作灵巧性，但飞行员经验仍是主导因素。
2024-10-20 cs.RO
Feedback-efficient Active Preference Learning for Socially Aware Robot Navigation
Purdue University（普渡大学）；Beijing University of Chemical Technology（北京化工大学）
具有社会意识的机器人导航，其中机器人需要优化其轨迹，以保持舒适和兼容的空间与人类的互动，除了达到其目标，没有碰撞，是一个基本的，但具有挑战性的任务，在人机交互的背景下。虽然现有的基于学习的方法比之前的基于模型的方法取得了更好的性能，但它们仍然存在缺点：强化学习依赖于手工制作的奖励，不太可能有效地量化广泛的社会遵从性，并可能导致奖励剥削问题;同时，反向强化学习需要昂贵的人类演示。在本文中，我们提出了一个反馈有效的主动偏好学习方法，FAPL，提取人类的舒适度和期望到一个奖励模型，以指导机器人代理探索潜在的方面的社会遵守。我们进一步引入混合经验学习，以提高人类的反馈和样本的效率，并通过广泛的仿真实验和用户研究（N=10）采用物理机器人与人类主体在现实世界的场景中导航从FAPL学习的机器人行为的好处进行评估。有关这项工作的源代码和实验视频，请访问：https://sites.google.com/view/san-fapl。
2022-07-31 cs.RO
Models of robotic feeding, choice, and the survival mechanism
Cartheur Robotics（Cartheur机器人公司）
喂食选择的图解模型揭示了机器人的基本行为。成功的选择会受到积极反馈的强化，而不成功的选择则会受到消极反馈的强化。本文将讨论机器人喂养的偶然相关的后果行为所涵盖的强烈依赖于生存。
2014-12-25 cs.RO
Dynamic Locomotion Teleoperation of a Wheeled Humanoid Robot Reduced Model with a Whole-Body Human-Machine Interface
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
双边遥操作为人形机器人提供了人类规划智能，同时使人类能够感受到机器人的感受。它有可能将具有物理能力的人形机器人转变为动态智能机器人。然而，动态双边运动遥操作仍然是一个挑战，由于它涉及到复杂的动力学。这项工作提出了我们的第一步，以应对这一挑战，通过概念的轮式人形机器人运动的身体倾斜遥操作。具体来说，我们开发了一个力反馈功能的全身人机界面（HMI），并设计了力反馈映射和两个遥操作映射，映射人体的倾斜机器人的速度或加速度。我们比较了这两个映射，并通过实验研究了力反馈的效果，其中七个人类受试者遥操作一个模拟机器人与HMI执行动态目标跟踪任务。实验结果表明，所有被试在练习后都完成了两种映射的任务，并且力反馈提高了他们的成绩。然而，受试者表现出两种不同的遥操作风格，这得益于不同的力反馈。此外，力反馈影响了被试对遥操作映射的偏好，尽管大多数被试在速度映射方面表现更好。
2021-09-08 cs.RO
Feasibility-aware Imitation Learning from Observation with Multimodal Feedback
Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology (NAIST)（信息科学系，科学技术研究生院，科学与技术国立研究所（NAIST））
FABCO通过整合基于观察的行为克隆与可行性估计，提升模仿学习性能，使机器人能稳定执行策略。
2026-02-17 cs.RO
Prometheus: Universal, Open-Source Mocap-Based Teleoperation System with Force Feedback for Dataset Collection in Robot Learning
Intelligent Space Robotics Laboratory, CDE, Skolkovo Institute of Science and Technology（智能空间机器人实验室，Skolkovo科学技术研究所）
本研究提出名为Prometheus的带力反馈开源遥操作系统，采用消费级动作捕捉设备与定制力传感结构，可让操作者感知夹持力，在提升任务成功率的同时为机器人模仿学习提供低成本大规模数据采集方案。
2025-10-01 cs.RO
Socially-Aware Robot Planning via Bandit Human Feedback
Duke University（杜克大学）
在本文中，我们考虑的问题，设计无碰撞，动态可行的，和社会意识的机器人在人类居住的环境中运行的轨迹。如果轨迹不会以任何方式干扰人类，导致不适，我们将其定义为具有社会意识。在本文中，不适的定义是广泛的，根据具体的个人，它可能是由于机器人太接近人类或干扰人类的视线或任务。此外，我们假设人类的反馈是一个强盗反馈，表示投诉或没有投诉的一部分，机器人轨迹，干扰人类，它不透露任何上下文信息的位置的人或投诉的原因。最后，我们假设人类可以在无障碍空间中移动，因此，人类效用可以改变。我们制定这个规划问题作为一个在线优化问题，最大限度地减少社会价值的时变机器人轨迹，所产生的人类投诉的总数定义。由于人类的效用是未知的，我们采用零阶，或导数免费，优化方法来解决这个问题，我们结合现成的运动规划，以满足动态的可行性和无碰撞规格的轨迹。据我们所知，这是一个新的框架，社会意识的机器人规划，不限于避免与人类的碰撞，而是专注于增加社会价值的机器人轨迹只使用强盗人类反馈。
2020-03-02 cs.RO
Communicating Inferred Goals with Passive Augmented Reality and Active Haptic Feedback
Virginia Tech（弗吉尼亚理工大学）
针对人类遥操作机器人时难知晓机器人推断结果的问题，提出结合被动AR可视化与主动触觉腕带提示的多模态反馈框架，可提升人类教机器人的效率并减少交互时长。
2021-09-03 cs.RO
Integrating and Evaluating Visuo-tactile Sensing with Haptic Feedback for Teleoperated Robot Manipulation
Technische Universität Darmstadt（达姆施塔特工业大学）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Hessian Centre for Artificial Intelligence (Hessian.AI)（黑森州人工智能中心）；Centre for Cognitive Science (CogSci)（认知科学中心）；Nagoya University（名古屋大学）
本研究通过为机器人配备GelSight视觉触觉传感器并利用MANUS-Gloves提供振动触觉反馈，结合两种力估计方法与VR遥操作流水线，提出评估法向力、剪切力与滑移的新颖设置，提升了遥操作系统的操作灵巧性。
2024-09-23 cs.RO
Thermal Feedback for Transparency in Human-Robot Interaction
LMU Munich（慕尼黑大学）
机器人可以帮助人类完成繁琐的任务，并提供社会支持。然而，机器人的决策和行为并不总是清楚的人类互动伙伴。在这项工作中，我们讨论了使用热反馈作为一种额外的方式来创建透明的相互作用的机会。然后，我们提出的情况下，热反馈被纳入到互动，例如，不引人注目地传达机器人的行为。我们强调了基于温度的反馈的局限性和挑战，这可以在未来的研究中探索。
2023-03-16 cs.HC cs.RO
Addressing Ambiguity in Imitation Learning through Product of Experts based Negative Feedback
University of York（约克大学）
本文提出一种利用次优示范解决歧义任务的系统，通过自身失败学习，显著提升成功率，优于传统正反馈模仿学习，且在效能和效率上更优。
2026-03-27 cs.RO
Wrapping Haptic Displays Around Robot Arms to Communicate Learning
Purdue University（普渡大学）；Virginia Tech（弗吉尼亚理工大学）
人类可以利用物理交互来教机器人手臂。当人类通过动觉引导机器人进行演示时，机器人学会了所需的任务。虽然之前的工作集中在机器人如何学习，但对于人类教师来说，了解他们的机器人正在学习什么同样重要。视觉显示可以传达这些信息;然而，我们假设视觉反馈本身错过了人类和机器人之间的物理联系。在本文中，我们介绍了一类新的软触觉显示，包裹在机器人手臂，添加信号，而不影响互动。我们首先设计了一个气动驱动阵列，保持灵活的安装。然后，我们开发这个包装的触觉显示的单维和多维版本，并探讨在心理生理测试和机器人学习的渲染信号的人类感知。我们最终发现，人们准确地区分单维反馈的韦伯分数为11.4%，识别多维反馈的准确率为94.5%。在对机器人手臂进行物理教学时，人类利用单维和多维反馈提供比视觉反馈更好的演示：我们的包裹式触觉显示减少了教学时间，同时提高了演示质量。这种改进取决于包裹的触觉显示的位置和分布。你可以在这里看到我们的设备和实验的视频：https://youtu.be/yPcMGeqsjdM
2022-12-20 cs.RO
Robust Feedback Motion Policy Design Using Reinforcement Learning on a 3D Digit Bipedal Robot
Ohio State University（俄亥俄州立大学）；Southern University of Science and Technology (SUSTech)（南方科技大学）
本文提出了一种用于学习双足运动的层次化和鲁棒性框架，并在Agility Robotics构建的3D机器人Digit上成功实现。我们提出了一个级联结构的控制器，结合了直观的反馈规则的学习过程。这种设计使得框架能够实现具有降维的状态和动作空间的策略的鲁棒和稳定的行走，显著简化了设计并降低了学习方法的采样效率。将反馈调节纳入框架中提高了学习的步行步态的鲁棒性，并确保了所提出的控制器以最小的调谐成功地实现仿真到现实迁移。我们特别提出了一个学习流水线，考虑硬件可行的机器人在学习过程中的初始姿态，以确保学习的初始状态尽可能接近机器人在硬件实验中的初始状态。最后，我们证明了我们的方法的可行性，通过成功地将模拟学习的策略转移到Digit机器人硬件上，实现了在外力干扰和训练过程中不包括的具有挑战性的地形下的持续步行步态。据我们所知，这是第一次在硬件实验中成功地将基于学习的策略转移到Digit机器人，而不使用动态随机化或课程学习。
2021-03-29 cs.RO
Learning Dynamic Robot-to-Human Object Handover from Human Feedback
National University of Singapore（新加坡国立大学）
对象切换是机器人在许多应用中与人类交互的基本但必不可少的能力，例如，照顾老人和协助制造车间的工人。它看起来很简单，因为人类几乎完美地执行对象移交。然而，人类的成功掩盖了对象切换的复杂性，即两个代理之间的协作物理交互，通信有限。本文提出了一种学习算法的动态对象移交，例如，当机器人移交水瓶马拉松运动员通过水站。我们制定的问题上下文的政策搜索，其中机器人学习对象移交与人类的互动。这里的一个关键挑战是在嘈杂的人类反馈下学习切换任务的潜在奖励。初步实验表明，该机器人能够学会自然地交出水瓶，并且能够适应人类运动的动态。未来的一个挑战是将无模型学习算法与基于模型的规划方法相结合，并使机器人能够适应人类的偏好和物体特征，如形状，重量和表面纹理。
2016-03-21 cs.RO
In-Hand Object Pose Tracking via Contact Feedback and GPU-Accelerated Robotic Simulation
Carnegie Mellon University（卡内基梅隆大学）；NVIDIA Research（英伟达研究院）
由于显著的遮挡，跟踪被机器人手握持和操纵的对象的姿态对于基于视觉的方法是困难的。先前的工作已经探索了使用接触反馈和粒子滤波器来定位手中的对象。然而，他们主要集中在静态抓取设置上，而不是在物体运动时，因为这样做需要对复杂的接触动力学进行建模。在这项工作中，我们建议使用GPU加速的并联机器人模拟和导数免费的，基于样本的优化跟踪在手对象的姿态与接触反馈在操作过程中。我们使用物理仿真作为机器人与物体交互的前向模型，该算法对仿真的状态和参数进行联合优化，使它们更好地与现实世界的状态和参数相匹配。该方法在单GPU上实时运行（30Hz），模拟实验中点云距离平均误差为6mm，真实环境中点云距离平均误差为13mm。在https://sites.google.com/view/in-hand-object-pose-tracking/上观看实验视频
2020-11-05 cs.RO
Human-in-the-Loop Robot Planning with Non-Contextual Bandit Feedback
Duke University（杜克大学）
在本文中，我们考虑的机器人导航问题，在人类居住的环境。目标是确定无碰撞和动态可行的轨迹，也最大限度地提高人类的满意度。这是因为他们可能会驾驶机器人接近需要帮助的人，或者因为他们可能会让机器人远离人类，当它干扰人类的视线或工作时。在实践中，人的满意度是主观的，很难用数学来描述。因此，我们在本文中考虑的规划问题可能缺乏重要的上下文信息。为了解决这一挑战，我们提出了一种半监督贝叶斯优化（BO）方法来设计全局最优的机器人轨迹，使用非上下文的强盗人类反馈的投诉或满意度评级的形式，表达如何令人满意的轨迹，而不透露原因。由于轨迹规划通常是定义轨迹的路点空间中的高维优化问题，因此BO可能需要过多的查询以获得人类反馈来返回良好的解决方案。为此，我们使用自动编码器将高维问题空间减少到低维潜在空间，并使用人工反馈更新。此外，我们提高了探索效率的BO偏置搜索新的轨迹对动态可行的和无碰撞的轨迹使用现成的运动规划。我们证明了我们提出的轨迹规划方法的效率，在一个场景中，人类有多样化和未知的需求。
2020-11-03 cs.RO
Large Language Models Enable Automated Formative Feedback in Human-Robot Interaction Tasks
University of Colorado Boulder（科罗拉多大学博尔德分校）
本研究提出将大型语言模型与形式化分析结合，为HRI任务生成易理解的形成性反馈，以帮助非专家学习者提升任务表现。
2024-05-25 cs.RO
Haptic Stiffness Perception Using Hand Exoskeletons in Tactile Robotic Telemanipulation
Queen Mary University of London（伦敦玛丽女王大学）；Humanoid AI（人形人工智能公司）；King’s College London（伦敦国王学院）
本文研究真实机器人遥操作中的刚度感知，提出由触觉指尖生成、并结合接触力与主从位移的手部外骨骼反馈，实验证明操作者可仅凭触觉区分不同刚度物体。
2024-12-03 cs.RO
VersualRL: Closed-Loop Verbal Reinforcement Learning with Visual Execution Feedback for Task-Level Robot Planning
Intelligent Space Robotics Laboratory, Skolkovo Institute of Science and Technology（智能空间机器人实验室，斯克尔科夫科学与技术研究所）
提出闭环言语强化学习框架，通过大语言模型与视觉语言模型交互，在符号规划层迭代优化行为树，实现可解释的任务级规划与执行不确定性下的自适应。
2026-07-21 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
Feedback MPC for Torque-Controlled Legged Robots
ETH Zurich（苏黎世联邦理工学院）；Intel Labs（英特尔实验室）
移动机器人的计算能力目前不足以实现扭矩级全身模型预测控制（MPC）的更新速率所需的复杂动态系统，如足式机器人。这个问题通常通过使用快速跟踪控制器来补偿更新之间的模型误差来规避。在这项工作中，我们表明，从差分动态规划（DDP）为基础的MPC算法的反馈政策是一个可行的替代方案，以弥合低MPC更新率和致动命令率之间的差距。我们建议增加DDP方法与放松的障碍函数，以解决摩擦锥所产生的不等式约束。一个频率相关的成本函数被用来降低高频模型误差和致动器带宽限制的敏感性。我们证明，我们的方法可以找到稳定的运动策略的扭矩控制的四足动物，ANYmal，无论是在模拟和硬件上。
2019-08-09 cs.RO
Force Feedback Control For Dexterous Robotic Hands Using Conditional Postural Synergies
Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Tecnico（高等技术学院）；Universidade de Lisboa（里斯本大学）
我们提出了一个力反馈控制器的灵巧手配备了力传感器的指尖。我们的控制器使用的条件姿势协同框架，以产生把握的姿态，即手指配置的机器人，在每个时间步骤的基础上测得的力的机器人的指尖。使用这个框架，我们能够控制的手在不同的把握类型，只有一个变量，把握大小，我们定义为拇指和食指之间的距离。我们的控制器不是独立地控制手指肢体，而是在（低维）共享空间（即协同空间）中为所有手关节生成控制信号。此外，我们的方法是模块化的，它允许执行各种类型的精度抓地力，根据抓地力的类型改变协同空间。我们表明，我们的控制器是能够解除各种重量和材料的对象，在对象的重量变化的过程中调整把握配置，并执行对象的位置和对象的布局。
2023-03-10 cs.RO
Robotic Calibration Based on Haptic Feedback Improves Sim-to-Real Transfer
Department of Applied Informatics, Comenius University Bratislava, Slovakia（应用信息学院，科门尼乌斯大学布拉迪斯拉发分校，斯洛伐克）；Department of Informatics, University of Hamburg, Germany（信息学院，汉堡大学，德国）
针对仿真与现实中机械臂末端执行器位置偏差问题，提出基于触觉反馈校准的方法，利用触摸屏获取真实EE位置，并结合线性变换和神经网络构建转换函数，显著降低定位误差。
2025-07-11 cs.RO
Updating Robot Safety Representations Online from Natural Language Feedback
Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）；University of Rochester（罗切斯特大学）；Delft University of Technology（代尔夫特理工大学）；University of Southern California（南加利福尼亚大学）；Carnegie Mellon University（卡内基梅隆大学）
本研究提出利用视觉语言模型解释自然语言反馈与图像观测，以在线更新机器人安全约束表示，并通过预热技术更新 Hamilton-Jacobi 可达性安全控制器，使机器人能在新环境中动态推断并遵守个性化安全约束。
2024-09-22 cs.RO
Adaptive Surgical Robotic Training Using Real-Time Stylistic Behavior Feedback Through Haptic Cues
University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；UT Southwestern Medical Center（德州大学西南医学中心）
手术技巧直接影响手术结果;因此，需要有效的培训以确保满意的结果。许多客观的评估指标已经被开发出来，其中一些被广泛用于手术训练模拟器。这些客观指标为受训者提供了关于其表现的描述性反馈，然而，通常缺乏关于如何继续改进表现的反馈。最有效的培训方法是直观、易于理解、针对用户个性化并及时提供的方法。我们提出了一个框架，以使用户自适应训练使用近实时检测的性能，基于直观的风格的手术运动（例如，流动性、光滑度、脆度等），并提出了一种触觉反馈框架来帮助校正运动风格。我们评估的能力，三种类型的力反馈（弹簧，阻尼，弹簧加阻尼反馈），计算基于先前的用户位置，以提高不同的风格行为的用户在运动学约束达到运动任务。结果表明，在这里研究的六种风格中，有四种使用弹簧引导力反馈在统计学上有显著改善（p<0.05），并且使用弹簧反馈也发现了任务时间的显着减少。在任务中的路径直线度和瞄准误差是其他任务性能指标的研究，显着改善使用弹簧阻尼反馈。这项研究提出了一个基于近实时的以人为中心的手术行为模型的机器人手术自适应训练的基础。
2021-02-20 cs.RO
Optimal Robotic Velcro Peeling with Force Feedback
Department of Electrical and Computer Engineering, University of Minnesota（电气与计算机工程系，明尼苏达大学）；Department of Computer Science and Engineering, University of Minnesota（计算机科学与工程系，明尼苏达大学）
针对未知表面上机器人仅靠力与位置反馈剥离魔术贴的问题，提出解析建模、状态估计与启发式控制方法，实现高成功率且能耗接近完全可观测最优解。
2025-06-06 cs.RO
TEGA: A Tactile-Enhanced Grasping Assistant for Assistive Robotics via Sensor Fusion and Closed-Loop Haptic Feedback
Department of Civil and Coastal Engineering, University of Florida（土木与海岸工程系，佛罗里达大学）；Nvidia（英伟达）
TEGA通过融合EMG意图到力推断与触觉传感，提供闭环触觉反馈，提升残疾用户抓取稳定性与任务成功率。
2026-03-05 cs.RO
Integrating Contact-aware Feedback CPG System for Learning-based Soft Snake Robot Locomotion Controllers
Worcester Polytechnic Institute（伍斯特理工学院）；University of Florida（佛罗里达大学）
本文提出一种集成接触感知反馈的松冈CPG系统，结合强化学习调节器和局部反射网络，使软体蛇形机器人能穿越密集障碍物，并在仿真与实物中验证了有效性。
2023-11-15 cs.RO
Hybrid Feedback Path Following for Robotic Walkers via Bang-Bang Control Actions
University of Trento（特伦托大学）
我们展示了一个控制算法，引导机器人步行助手沿着规划的路径。控制策略利用安装在步行机后轮的机电制动器。为了降低硬件要求，我们采用了四个动作的Bang Bang方法（制动力矩为饱和值）。当平台远离路径时，我们执行一个接近阶段，其中步行者以指定的角度向平台收敛。当它接近平台时，控制策略切换到路径跟踪模式，该模式使用四个控制动作以作为状态的函数的角度朝向路径收敛。通过这种方式，可以在反馈中控制车辆，确保用户温和地收敛到计划的路径，并朝着目的地稳步前进。
2016-03-01 cs.RO
Enhancing Human-Robot Collaboration Transportation through Obstacle-Aware Vibrotactile Feedback
University of Genoa（热那亚大学）；Istituto Italiano di Tecnologia（意大利理工学院）
针对人机协作搬运大型物体时人类操作者视线受阻、态势感知不足的问题，提出基于激光雷达检测与振动触觉腰带的环境感知模块，可反馈障碍物位置与距离，实验验证其能帮助非专业用户在有隐藏障碍的未知环境中安全主导协同运输。
2023-08-24 cs.RO
Self-Sensing Feedback Control of an Electrohydraulic Robotic Shoulder
ETH Zurich（苏黎世联邦理工学院）
提出一种由自感知液压放大自愈合静电执行器驱动的仿生拮抗式机器人肩部，通过将高压驱动与低压自感知电极解耦实现无外部传感器的本体感觉反馈轨迹控制，为复杂肌肉骨骼关节排列奠定基础。
2024-04-05 cs.RO
Adaptive Tuning of Robotic Polishing Skills based on Force Feedback Model
School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院）；State Key Laboratory of Digital Manufacturing Equipment and Technology, School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院数字制造装备与技术国家重点实验室）
针对不确定环境下机器人抛光任务，提出相位调制对角递归神经网络（PMDRNN）学习力反馈模型，结合动态运动原语（DMPs）实时调整技能，显著降低训练误差并提升任务鲁棒性。
2023-11-22 cs.RO
Wrist-Squeezing Force Feedback Improves Accuracy and Speed in Robotic Surgery Training
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本研究提出使用定制腕部挤压装置在机器人微创手术中提供力触觉反馈，实验表明该方法能显著降低新手施力并加快任务完成时间，在不牺牲速度的情况下有效提高了手术训练的技术准确性。
2023-03-31 cs.RO
Older Adults' Preferences for Feedback Cadence from an Exercise Coach Robot
Carnegie Mellon University（卡内基梅隆大学）；Robotics Institute（机器人研究所）
研究探讨老年人对健身教练机器人不同节奏反馈的偏好，发现改变反馈节奏会影响两种模式的感知，为优化反馈频率提供依据。
2026-01-13 cs.HC cs.RO
Online Multi-Contact Feedback Model Predictive Control for Interactive Robotic Tasks
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；German Aerospace Center (DLR)（德国航空航天中心（DLR））
针对交互式机器人任务中未知位置多接触的问题，提出带显式接触反馈回路的MPC方法，结合MCP-EP算法与弹簧接触模型，用微分动态规划实现7自由度机器人实时控制，多场景下验证有效。
2024-03-13 cs.RO
Effects of Robot Competency and Motion Legibility on Human Correction Feedback
Yale University（耶鲁大学）；Phillips Exeter Academy（菲利普斯埃克塞特学院）
本文通过 N=60 的 LfC 用户研究，考察机器人能力与运动可辨识性如何影响人类纠正反馈，揭示了反馈敏感性、误纠与漏纠及体力—精度相关性的变化规律。
2025-01-07 cs.RO
Sclera Force Control in Robot-assisted Eye Surgery: Adaptive Force Control vs. Auditory Feedback
Johns Hopkins University（约翰斯·霍普金斯大学）；Beihang University（北京航空航天大学）；Johns Hopkins Hospital（约翰斯·霍普金斯医院）
外科医生的手震颤限制了人类在显微外科手术中的能力，例如那些治疗眼睛的手术。相比之下，通过引入显微外科机器人来消除手震颤会减少外科医生对有用和熟悉的工具到巩膜力的触觉感知。虽然眼科手术机器人的大质量和惯性防止了外科医生的微震颤，但对小巩膜力的感知的丧失可能使巩膜处于受伤的风险中。在本文中，我们应用并比较了两种不同的方法，以确保巩膜组织的安全性，在机器人辅助眼科手术。在主动控制方法中，一个自适应力控制策略的稳定手眼机器人上实现，以控制巩膜力的大小时，他们超过安全边界。然后将该自主力补偿与被动力控制方法进行比较，在被动力控制方法中，外科医生响应于所提供的与巩膜力的大小成比例的音频反馈来执行手动调节。三个用户的试点研究表明，主动控制方法可能是更有效的。
2019-01-10 cs.RO
Beyond Visuals: Investigating Force Feedback in Extended Reality for Robot Data Collection
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本研究通过用户实验探究扩展现实中力反馈对机器人数据采集的影响，发现其能提升任务表现和用户体验，尤其在高精度操纵任务中，且效果因控制界面和任务复杂度而异。
2025-03-26 cs.HC cs.RO
Acoustic Feedback for Closed-Loop Force Control in Robotic Grinding
School of Electrical Engineering and Robotics, Queensland University of Technology（昆士兰科技大学电气工程与机器人学院）；Australian Cobotics Centre, Queensland University of Technology（昆士兰科技大学澳大利亚协作机器人中心）；Centre for Robotics, Queensland University of Technology（昆士兰科技大学机器人中心）
本文提出一种低成本声学反馈机器人磨削系统，通过接触麦克风实时估计磨削力，实现闭环力控制，相比传统力传感器更经济且适应性更强。
2026-04-06 cs.RO
AirTouch: Towards Safe Human-Robot Interaction Using Air Pressure Feedback and IR Mocap System
Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究院（Skoltech））
本文提出一种结合红外摄像头、可穿戴标记和气流势场的安全人机交互系统，通过受控气流形成物理屏障引导人类远离机器人危险区域，实验证明其能显著提高参与者保持安全距离的能力。
2023-07-31 cs.RO
Alternative Interfaces for Human-initiated Natural Language Communication and Robot-initiated Haptic Feedback: Towards Better Situational Awareness in Human-Robot Collaboration
CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61）；Monash University（莫纳什大学）
针对人机协作中的态势感知需求，本文实现并初步测试了面向Spot机器人的自然语言语音接口与机器人发起的触觉反馈接口。
2024-01-25 cs.HC cs.RO
Radiation Surveys in Active Nuclear Facilities with Heterogeneous Collaborative Mobile Robots
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出机器人辐射调查系统（RRSS），利用异构协作移动机器人团队在运行中核设施内执行全面的α/β/γ辐射调查，以替代人工操作，降低人员辐射暴露风险并提高调查覆盖率和效率。
2024-02-22 cs.RO
Autonomous Field-of-View Adjustment Using Adaptive Kinematic Constrained Control with Robot-Held Microscopic Camera Feedback
Department of Mechanical Engineering, the University of Tokyo（东京大学机械工程系）；Department of Electrical and Electronic Engineering, the University of Manchester（曼彻斯特大学电子与电气工程系）
提出一种基于机器人持显微镜相机反馈的自适应运动学约束控制方法，通过将相机外参纳入运动学模型并结合U-Net工具跟踪进行实时调整，有效提升了毫米级操作中相机视场保持的准确性与时间占比。
2024-03-29 cs.RO
Périphériques haptiques et simulation d'objets, de robots et de mannequins dans un environnement de CAO-Robotique : eM-Virtual Desktop
Tecnomatix France（法国 Tecnomatix 公司）
本文介绍了一种新的软件的开发，以管理对象，机器人和人体模型使用的可能性所给予的触觉反馈的幻影桌面设备。触觉装置提供6个位置自由度感测，但提供3个力反馈。这个名为eM-Virtual Desktop的软件集成在Tecnomatix的名为eM-Workplace的解决方案中。eM-Workplace为复杂装配设施、生产线和工作场所的规划和设计提供了强大的解决方案。在数字样机的背景下，触觉接口可以用来减少产品的开发周期。三个不同的回路根据各自的频率分别用于管理图形、碰撞检测和触觉反馈。所开发的软件目前正在欧洲汽车制造商的工业环境中进行测试。
2007-05-09 cs.RO
Leveraging Tactile Sensing to Render both Haptic Feedback and Virtual Reality 3D Object Reconstruction in Robotic Telemanipulation
Queen Mary University of London（伦敦玛丽女王大学）；School of Engineering and Materials Science（工程与材料科学学院）；Humanoid AI（人形人工智能公司）；King’s College London（伦敦国王学院）；School of Biomedical Engineering and Imaging Sciences（生物医学工程与影像科学学院）
本文提出在无相机机器人遥操作中结合触觉3D重建、VR呈现与触觉反馈，使蒙眼用户可完成精确拾取-放置任务。
2024-12-03 cs.RO
Feel Robot Feels: Tactile Feedback Array Glove for Dexterous Manipulation
本文提出TAG手套，通过高精度手部运动捕捉与高分辨率触觉反馈，实现灵巧操作的触觉闭环远程操控，提升接触几何和动态力的实时感知能力。
2026-03-30 cs.RO
Learning to Singulate Layers of Cloth using Tactile Feedback
Carnegie Mellon University（卡内基梅隆大学）
机器人布料操作的应用范围从织物制造到处理毯子和洗衣房。布料操作对于机器人来说是具有挑战性的，这主要是由于它们的高自由度、复杂的动力学以及在折叠或起皱配置时的严重自闭塞。之前的机器人布料操作工作主要依赖于视觉传感器，这可能会对细粒度的操作任务带来挑战，例如从一堆布料中抓取所需数量的布料层。在本文中，我们建议使用触觉感知的布料操作，我们附加一个触觉传感器（ReSkin）的两个指尖之一的弗兰卡机器人和训练分类器，以确定机器人是否掌握了特定数量的布层。在测试时的实验中，机器人使用这个分类器作为其政策的一部分，抓住一个或两个布层使用触觉反馈，以确定合适的抓点。超过180个物理试验的实验结果表明，所提出的方法优于基线，不使用触觉反馈，并具有更好的泛化到看不见的布相比，使用图像分类器的方法。代码、数据和视频可在https://sites.google.com/view/reskin-cloth上获得。
2022-07-22 cs.RO
