Robotic design choice overview using co-simulation
Aarhus University（奥胡斯大学）；Conpleks Innovation
机器人系统的快速开发需要多学科的方法和工具来探索和比较设计方案。在本文中，我们提出了协同建模，控制器软件的连续时间模型的物理机器人组件的离散事件模型相结合。提出的联合建模方法利用VDM离散事件和20-SIM的连续时间建模。以移动机器人动物饲养系统的协同建模为例说明了协同建模方法。仿真被用来评估机器人模型的输出响应与操作需求。模拟的结果为开发人员提供了所选设计空间中每个解决方案实例的影响的概述。基于解决方案概述，开发人员可以选择被认为可行的候选机器人，并在实际的物理机器人上进行部署和测试。
2018-02-17 cs.RO
Structure and Optimization of Parameters for Neural Network Controllers in Automatic Control Systems
Tula State University（图拉国立大学）
本文提出在信息不完全且存在限制器的情况下，利用强化学习和神经网络模拟器综合神经网络控制器，以扩展可直接合成近最优控制律的系统类别。
2023-12-27 cs.RO cs.SY eess.SY
Model-Based Policy Search for Automatic Tuning of Multivariate PID Controllers
Bosch Center for Artificial Intelligence（博世人工智能中心）
本文提出基于模型的策略搜索框架，用于自动调优多变量PID控制器，通过数据驱动的方法解决复杂系统的控制器调优问题。
2017-03-08 cs.LG cs.RO cs.SY
Automatic LQR Tuning Based on Gaussian Process Global Optimization
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出一种结合线性最优控制的自动控制器调优框架，利用贝叶斯优化算法提升控制器参数，通过实验数据优化性能目标，以七自由度机械臂平衡倒立杆为例验证方法有效性。
2016-05-06 cs.LG cs.RO cs.SY
Design and Implementation of Automatic Assisted Aiming System For Robomaster EP Based on YOLOv5
The High School Affiliated to Minzu University of China（中央民族大学附属中学）
本研究针对Robomaster EP机器人自主竞赛需求，提出基于YOLOv5与DeepSORT的多目标识别与自动辅助瞄准系统，结合PID前馈与卡尔曼滤波实现精准云台跟踪，显著提升瞄准精度与竞技表现。
2024-07-23 cs.RO
Automatic Grouping of Redundant Sensors and Actuators Using Functional and Spatial Connections: Application to Muscle Grouping for Musculoskeletal Humanoids
The University of Tokyo（东京大学）
本文提出一种基于图结构嵌入功能与空间连接的自动分组方法，用于将肌肉骨骼人形机器人的冗余肌肉自动划分为前臂、上臂等区域，无需几何模型即可实现分组。
2024-09-01 cs.RO
Contact-Aware Controller Design for Complementarity Systems
University of Pennsylvania（宾夕法尼亚大学）
虽然许多机器人任务，如操纵和运动，基本上是基于与环境的接触和断开接触，但最先进的控制策略很难处理多接触运动的混合性质。这种控制器往往严重依赖于动力学，或者由于动力学中的组合结构，不适合实时控制。触觉传感器的原则性部署为稳定和鲁棒的控制提供了一种有前途的机制，但现代方法通常以特别的方式使用这些数据，例如指导防守动作。在这项工作中，通过利用接触动力学的互补结构，我们提出了一个控制框架，可以关闭丰富的，触觉传感器的循环。关键是，这个框架是非组合的，使优化算法自动合成可证明稳定的控制策略。我们证明了这种方法在三个不同的欠驱动，多接触机器人问题。
2019-09-24 cs.RO
Automatic AI controller that can drive with confidence: steering vehicle with uncertainty knowledge
ICFAI University（ICFAI大学）；Amity University（阿米提大学）；University of Georgia（佐治亚大学）；Georgia State University（佐治亚州立大学）
本研究基于贝叶斯神经网络开发车辆横向控制系统，通过量化预测不确定性建立预警机制，在置信度低于阈值时触发人工干预，确保安全。
2024-04-24 cs.AI cs.LG cs.RO
Data-efficient Learning of Morphology and Controller for a Microrobot
University of California, Berkeley（加州大学伯克利分校）；Facebook AI Research（Facebook人工智能研究院）
机器人设计通常是一个缓慢而困难的过程，需要迭代构建和测试原型，以顺序优化设计。对于大多数机器人来说，当验证硬件解决所需任务的能力时，需要已经有适当的控制器，而控制器又针对特定硬件进行设计和调整，这使得该过程进一步复杂化。在本文中，我们提出了一种新的方法，HPC-BBO，有效地和自动地设计硬件配置，并评估它们也自动调整相应的控制器。HPC-BBO基于分层贝叶斯优化过程，该过程迭代优化形态配置（基于控制器学习过程中先前设计的性能），随后学习相应的控制器（利用从先前形态优化中收集的知识）。此外，HPC-BBO可以一次选择多个形态设计的“批次”，从而并行硬件验证并减少耗时的生产周期。我们验证HPC-BBO的形态和控制器的设计模拟6腿微型机器人。实验结果表明，HPC-BBO优于多个竞争对手的基线，并产生一个$360\%$减少生产周期超过标准贝叶斯优化，从而减少了我们的微型机器人的假设制造时间从21个月到4个月。
2019-05-03 cs.AI cs.LG cs.RO
LLMs-guided adaptive compensator: Bringing Adaptivity to Automatic Control Systems with Large Language Models
The University of Tokyo（东京大学）；Tongji University（同济大学）；University of Oxford（牛津大学）；Chiba University（千叶大学）
本文提出LLM引导的自适应补偿器框架，利用未知系统与参考系统的响应差异生成补偿信号，在仿真和真实软体、人形机器人上验证其优于传统自适应控制且推理更简单。
2025-07-28 cs.AI cs.RO cs.SY
Combining Vision, Machine Learning and Automatic Control to Play the Labyrinth Game
本文提出结合确定性控制与学习控制的方法，利用视觉系统和PID控制器实现迷宫游戏的自动导航，通过学习提升控制性能。
2016-02-01 cs.RO cs.SY eess.SY
Fast and Efficient Locomotion via Learned Gait Transitions
University of Washington（华盛顿大学）；Robotics at Google（Google机器人部门）
我们专注于开发四足机器人的节能控制器的问题。动物可以以不同的速度主动切换步态，以降低能量消耗。在本文中，我们设计了一个分层的学习框架，其中独特的运动步态和自然的步态过渡自动出现一个简单的奖励能量最小化。我们使用进化策略（ES）训练一个高层次的步态政策，指定步态模式的每只脚，而低层次的凸MPC控制器优化电机命令，使机器人可以走在一个所需的速度使用该步态模式。我们在四足机器人上测试了我们的学习框架，并展示了自动步态转换，从步行到小跑和小跑，随着机器人速度的增加。我们表明，学习的分层控制器消耗更少的能量在很宽的运动速度范围内比基线控制器。
2021-11-22 cs.LG cs.RO
Collision probability reduction method for tracking control in automatic docking / berthing using reinforcement learning
Osaka University（大阪大学）；University of Tsukuba（筑波大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
针对自动靠泊中跟踪控制难以避免碰撞的问题，提出基于强化学习的训练方法，以降低与静态障碍物碰撞的概率，并通过数值仿真和模型实验验证了其有效性。
2024-11-04 cs.RO cs.SY eess.SY
Federated Reinforcement Learning for Collective Navigation of Robotic Swarms
The University of Manchester（曼彻斯特大学）；Czech Technical University in Prague（布拉格捷克理工大学）；Durham University（杜伦大学）
深度强化学习（DRL）的最新进展通过允许自动控制器设计而为机器人技术做出了贡献。群机器人系统需要比单个机器人系统更复杂的控制器来引导期望的集体行为，自动控制器的设计是群机器人系统设计的关键方法。虽然基于DRL的控制器设计方法显示了其有效性，但在机器人-服务器通信不稳定或有限的现实环境中，对中央训练服务器的依赖是一个关键问题。我们提出了一种新的联邦学习（FL）为基础的DRL训练策略（FLDDPG）用于群体机器人应用。通过在有限通信带宽的情况下与基线策略的比较，结果表明，FLDDPG方法导致更高的鲁棒性和推广能力到不同的环境和真实的机器人，而基线策略受到通信带宽的限制。这一结果表明，所提出的方法可以使在通信带宽有限的环境中操作的群机器人系统受益，例如，在高辐射、水下或地下环境中。
2022-09-11 cs.LG cs.RO
Deep Kernels for Optimizing Locomotion Controllers
KTH Royal Institute of Technology（KTH皇家理工学院）；Carnegie Mellon University（卡内基梅隆大学）
在优化运动控制器的参数时，样本效率是重要的，因为硬件实验耗时且昂贵。贝叶斯优化，一个样本有效的优化框架，最近被广泛应用于解决这个问题，但样本效率的进一步改进是现实世界的机器人和高维控制器的实际适用性所需要的。为了解决这个问题，先前的工作提出了使用领域的专业知识来构建自定义的距离度量的运动。在这项工作中，我们将展示如何自动学习这样的距离度量。我们使用一个神经网络来学习一个知情的距离度量从高保真模拟获得的数据。我们在两种不同的控制器和机器人架构上进行实验。首先，我们证明了在ATRIAS机器人硬件上优化5维控制器时样本效率的提高。然后，我们进行仿真实验，以优化一个16维控制器的7连杆机器人模型，并获得显着的改善，即使在扰动环境中优化。这表明，我们的方法是能够提高样本效率为两个不同的控制器，因此是一个合适的候选人，在未来的进一步实验的硬件。
2017-11-08 cs.LG cs.RO
Artificial Hormone Reaction Networks: Towards Higher Evolvability in Evolutionary Multi-Modular Robotics
Karl-Franzens University Graz（格拉茨卡尔·弗朗岑斯大学）
机器人控制器软件的半自动或自动合成既令人满意又具有挑战性。通过应用人工进化来合成相当简单的行为，例如避免碰撞，已经多次展示。然而，这种合成的难度随着机器人应该执行的任务的复杂性的增加而大大增加。我们试图解决这个问题的复杂性与人工稳态激素系统（AHHS），它提供了内在的，稳态的过程和（瞬态）内在的，变异的行为。通过使用AHHS，对预定义的控制器拓扑或关于应用领域的信息的需要被最小化。我们研究了控制器的原理设计和激素网络大小如何影响人工进化的整体性能（即，进化性）。这是通过比较AHHS的两种变体来完成的，这两种变体在突变时显示出不同的效果。我们进化了一个机器人的控制器，该机器人由五个自主合作的模块组成。期望的行为是通过使用模块的主铰链导致快速运动的步态形式。
2010-11-17 cs.AI cs.NE cs.RO
LAMS: LLM-Driven Automatic Mode Switching for Assistive Teleoperation
Carnegie Mellon University（卡内基梅隆大学）；University of Pittsburgh（匹兹堡大学）
针对辅助遥操作中手动模式切换繁琐、现有自动切换方案泛化性差的问题，提出LAMS方法，利用LLM基于任务上下文自动切换模式，无需预演示且可渐进优化，经实验验证能减少手动切换、提升性能且更受用户偏好。
2025-01-15 cs.AI cs.HC cs.LG
Versatile modular neural locomotion control with fast learning
The University of Southern Denmark（南丹麦大学）；Vidyasirimedhi Institute of Science and Technology（维迪亚西里梅迪科技学院）
足式机器人在高度非结构化的环境中具有很大的应用潜力。然而，运动控制的设计仍然具有挑战性。目前，控制器必须针对特定的机器人和任务进行手动设计，或者通过机器学习方法进行自动设计，这些方法需要很长的训练时间并产生大型不透明控制器。从动物运动中汲取灵感，我们提出了一个简单而通用的模块化神经控制结构，具有快速学习能力。我们的方法的主要优点是，行为特定的控制模块可以逐步增加，以获得越来越复杂的紧急运动行为，并与现有的模块接口的神经连接可以快速，自动学习。在一系列的实验中，我们展示了如何八个模块可以快速学习，并添加到一个基本的控制模块，以获得紧急的自适应行为，使六足机器人在复杂的环境中导航。我们还表明，模块可以在操作过程中添加和删除，而不会影响其余控制器的功能。最后，控制方法成功地证明了物理六足机器人。总之，我们的研究揭示了复杂机器人系统的多功能神经运动控制的快速自动设计的重要一步。
2021-07-16 cs.AI cs.LG cs.RO
Bayesian Optimization for Automatic Tuning of Torque-Level Nonlinear Model Predictive Control
NCCR Automation（自动化国家中心（NCCR Automation））
本文提出基于贝叶斯优化和数字孪生的扭矩级非线性模型预测控制自动调优方法，显著提升轨迹跟踪性能并减少求解时间。
2025-12-03 cs.AI cs.RO cs.SY
Safety Controller Synthesis for Collaborative Robots
University of York（约克大学）
针对人机协作中自动安全控制器需在弱假设下保证正确性的挑战，提出一种有工具支撑、结合制造与法规、经形式化验证且满足最优性的控制器综合方法，可实现危险检测、安全切换与任务恢复。
2020-07-07 cs.RO cs.SY eess.SY
