An Interactive Indoor Drone Assistant
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
随着复杂控制算法的快速发展,无人机稳定、飞行和自主操纵的能力大大提高,使我们能够更加关注整个任务以及无人机在执行任务过程中与人类及其环境的互动。在本文中,我们提出了一个室内办公室无人机助手,其任务是在我们的实验室中跑腿和执行简单的任务,同时从空间中的人类获得指示并与之互动。为了完成其任务,系统必须能够理解人类的口头指令,并在控制和硬件限制、不确定的定位信息、不可预测和不确定的障碍以及环境因素的约束下执行。我们结合并评估对话、导航、飞行控制、深度感知和碰撞避免组件。我们讨论的性能和限制,我们的助理在组件以及任务级别。在27次任务中,任务成功率达到78%。
2019-12-09 cs.HC cs.RO
Design and Implementation of a Maxi-Sized Mobile Robot (Karo) for Rescue Missions
Advanced Mobile Robotics Lab(先进移动机器人实验室)
救援机器人被期望在包括非结构化障碍物的未知环境中进行侦察和灵巧操作。尽管在救援机器人领域已经提出了各种各样的设计和实现,但将所有的机动性、灵活性和侦察能力嵌入到单个机器人中仍然是一个具有挑战性的问题。本文介绍了Karo的设计和实现,一个移动机器人,表现出高度的流动性,在保持所需的灵活性和探索能力的城市搜索和救援(USAR)任务的一面。首先从RoboCup救援机器人联盟(Rescue Robot League,RRL)的框架中引出标准救援机器人的系统需求,然后通过绘制一个运动和操作系统,提出Karo的概念设计。考虑到这一点,这项工作提出了全面的设计过程,以及详细的机械设计的机器人的平台和它的7自由度机械手。此外,我们提出的设计和实现的命令和控制系统,讨论了机器人的电源系统,传感器和硬件系统。与此同时,我们阐明了卡罗的软件系统和人机界面的实现和就业的方式。此外,我们进行广泛的评估卡罗的现场表现,调查这项工作的主要目标是否已经得到满足。我们证明,卡罗有效地完成了指定的标准化救援行动,通过评估其在RRL的测试套件和培训套件的消防部门的能力的各个方面。最后,Karo的能力的全面性已得到验证,通过绘制定量比较Karo的性能和其他领先的机器人参加RRL。
2021-01-09 cs.RO
CLIO: a Novel Robotic Solution for Exploration and Rescue Missions in Hostile Mountain Environments
University of Trento(特伦托大学);University of Batna 2(巴特纳第二大学);Free University of Bozen-Bolzano(博尔扎诺自由大学)
本文提出绳索辅助攀爬机器人CLIO,通过绳索与单腿跳跃相结合实现接近垂直山坡上的重载移动,并利用最优控制与简化模型实现快速轨迹生成,仿真验证了其有效性与可达性。
2023-04-14 cs.RO
Learning-'N-Flying: A Learning-based, Decentralized Mission Aware UAS Collision Avoidance Scheme
University of Pennsylvania(宾夕法尼亚大学);University of California, Berkeley(加州大学伯克利分校);Oregon State University(俄勒冈州立大学)
城市空中机动性,即数百架有人和无人驾驶飞机系统(UAS)执行各种任务(例如在城市内运送人员和货物)的场景,正在被接受为未来的交通解决方案。实现这一目标的关键要求之一是安全地管理这些城市空域的空中交通。由于空域的预期密度,这需要可以在线部署的快速自主解决方案。我们提出了Learning-'N-Flying(LNF)多UAS碰撞避免(CA)框架。它是分散的,在飞行中工作,允许由不同运营商管理的自主UAS在共享空域安全地执行复杂的任务,使用信号时序逻辑表示。我们最初制定了两个UAS的预测避碰问题作为一个混合整数线性规划,并表明它是难以在线解决的。相反,我们首先通过结合:a)基于学习的决策,和b)基于分散凸优化的控制来开发学习飞行(L2 F)。LNF将L2 F扩展到碰撞路径上有两个以上UAS的情况。通过大量的模拟,我们表明我们的方法可以在线运行(计算时间为毫秒级),并且在某些假设下,最坏情况下的故障率小于1%,在更宽松的操作中提高到接近0%。我们通过多个案例研究表明,我们的计划适用于各种各样的设置。
2021-01-25 cs.LG cs.RO cs.SY
Autonomous Reactive Mission Scheduling and Task-Path Planning Architecture for Autonomous Underwater Vehicle
Flinders University of South Australia(南澳大利亚弗林德斯大学)
自主水下航行器(AUV)需要在有限的时间内完成复杂的任务。由于现有的AUV电池容量和续航能力有限,它们应该自主管理任务时间和资源,以便在更长的任务中执行有效的持续部署。任务分配需要根据资源约束做出决策,而任务分配的成本和/或价值是预先预算的。任务分布在一个特定的操作区,并通过一个航路点覆盖的网络映射。因此,设计一个有效的路由任务优先级分配框架,考虑车辆的可用性和属性是必要的,以提高任务的生产率和按时完成任务。这在很大程度上取决于任务的顺序和优先级,这些任务位于操作网络中的节点状航路点之间。另一方面,AUV在不熟悉的水下动态环境中自主操作并对突发环境变化做出快速响应是一个复杂的过程。水流的不稳定性会使潜水器偏转到不希望的方向,并干扰AUV的安全。车辆对强烈环境变化的鲁棒性对于其在不确定和动态环境中的安全和最佳操作至关重要。为此,AUV需要在顶层对环境进行总体概述,以执行自主动作选择(任务选择)和较低级别的本地运动规划器,以成功地处理不断变化的情况。本研究涉及开发一种新的反应控制体系结构,提供了更高层次的决策自主权的AUV操作,使一个单一的车辆,以完成多个任务,在一个单一的任务,面对周期性的干扰,在动荡和高度不确定的环境。
2017-06-13 cs.AI cs.RO
GuideFetch: A Task Coordination Framework for Concurrent Navigation and Object Retrieval in Assistive Robot Dogs
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Hunan University(湖南大学)
针对异构辅助机器狗的导航与物体检索并发任务,提出GuideFetch协调框架,通过LLM规划与状态验证提升执行效率,并行执行可缩短41.3%平均总完成时间。
2026-08-25 cs.CV cs.RO
Power Line Inspection Tasks with Multi-Aerial Robot Systems via Signal Temporal Logic Specifications
Czech Technical University in Prague(布拉格捷克理工大学);ENEA(意大利国家新技术、能源与可持续经济发展署)
本文提出了一种基于信号时序逻辑(STL)规范的电力线检测任务的四旋翼机群的可行和受限轨迹计算框架。规划器允许制定复杂的任务,避免障碍物,并在执行计划任务时保持无人机之间的安全距离。设置一个优化问题,以生成满足这些规范的最佳策略,并考虑车辆的约束。此外,事件触发的重规划器被提出来应对不可预见的事件和外部干扰。能量最小化项也被认为是隐含地节省四旋翼电池寿命,同时执行任务。MATLAB数值仿真和实验结果表明了该方法的有效性和可行性,并证明了其在实际应用中的可行性。
2023-02-09 cs.MA cs.RO
Monitoring autonomous persistent surveillance missions using invariance
Department of Electrical and Computer Engineering, University of the Bundeswehr Munich(德国联邦国防军 Munich 电子与计算机工程系)
本文研究了自主机器人在自主栈为黑盒时的运行时监控问题,通过将环境划分为有限区域并设计基于不变量的监控器,提出了一种分布式计算低维不变量集的方法,实现了对完整系统不变量的正确性和完备性。
2026-05-07 cs.RO cs.SY eess.SY
Autonomous Robotic Arm Manipulation for Planetary Missions using Causal Machine Learning
Cranfield University(克兰菲尔德大学);School of Aerospace, Transport and Manufacturing, Cranfield University(克兰菲尔德大学航空、运输与制造学院)
本文提出在模拟行星环境中结合因果机器学习与强化学习,使机械臂无需先验知识或预收集数据即可通过交互识别物体的质量、摩擦系数等因果因素。
2024-03-01 astro-ph.EP astro-ph.IM cs.LG
Dynamic Q-planning for Online UAV Path Planning in Unknown and Complex Environments
Federal University of São Carlos(圣卡洛斯联邦大学);São Carlos School of Engineering, University of São Paulo(圣保罗大学圣卡洛斯工程学院);University of Sydney(悉尼大学)
针对未知复杂环境下无人机在线路径规划,提出动态确定Q学习迭代次数的方法,与固定迭代Q学习、A*、RRT和PSO对比,验证了其有效性和可靠性。
2024-02-09 cs.RO
Secure and secret cooperation in robotic swarms
Massachusetts Institute of Technology(麻省理工学院)
本文提出利用默克尔树封装群体机器人任务蓝图,使机器人通过交换密码学证明验证同伴完整性,在觅食和迷宫编队任务中验证了无需知晓高层目标即可安全协作的可行性。
2021-04-01 cs.CR cs.DS cs.ET
Multi-robot energy autonomy with wind and constrained resources
Ecole polytechnique de Montreal(蒙特利尔综合理工学院)
对多机器人系统的长期自主性的不断增长的需求的一个方面是确保能量充足。特别是在充电设施有限的场景中,电池供电的机器人需要协调以共享访问。在这项工作中,我们扩展了以前的结果,考虑机器人进行一个通用的任务,同时共享一个单一的充电站,同时受到空气阻力和风场的影响。我们基于控制屏障功能(CBF)的任务不可知框架确保了能量充足(即,保持所有机器人高于某一电压阈值)和适当的协调(即,确保可用充电站的互斥使用)。此外,我们调查的可行性要求的系统有关的个人机器人的属性,以及空气阻力和风的影响。我们展示了仿真结果,证明了所提出的框架的有效性。
2021-01-21 cs.RO cs.SY eess.SY
PlanSys2: A Planning System Framework for ROS2
Rey Juan Carlos University(胡安·卡洛斯国王大学);University of León(莱昂大学)
自主机器人需要计划他们执行的任务,以完成他们的使命。任务日益复杂,人类设计师无法预测所有可能的情况,因此基于状态机的传统控制系统是不够的。本文包含了一个描述的ROS 2规划系统(PlanSys 2在短),一个框架的象征性规划,结合了新的方法执行机器人在苛刻的环境中工作。PlanSys 2旨在成为ROS 2中的参考任务规划框架,ROS 2是机器人软件开发中{ \em de facto}标准的最新版本。在其主要特点,它可以突出的优化执行,基于行为树,通过一个新的行动拍卖协议和多机器人规划能力的计划。它已经有了一个小型但不断增长的用户和开发人员社区,本文是该项目的设计和功能的总结。
2021-07-01 cs.AI cs.RO
Acting Thoughts: Towards a Mobile Robotic Service Assistant for Users with Limited Communication Skills
University of Freiburg(弗莱堡大学)
随着自主服务机器人变得更加负担得起,因此也可供公众使用,越来越需要用户友好的界面来控制机器人系统。当前可用的控制模态通常期望用户能够通过触摸、语音或手势命令来表达他们的期望。虽然大多数用户都满足了这一要求,但瘫痪的用户可能无法使用此类系统。在本文中,我们提出了一个新的框架,允许这些用户与机器人服务助理在一个闭环的方式进行交互,只使用思想。脑机接口(BCI)系统由多个相互作用的部件组成,即,非侵入性神经元信号记录和解码、高级任务规划、运动和操纵规划以及环境感知。在各种实验中,我们证明了它的适用性和鲁棒性在现实世界中的情况下,考虑取和携带任务,涉及人机交互的任务。正如我们的结果所表明的那样,我们的系统能够适应环境的频繁变化,并在合理的时间内可靠地完成给定的任务。结合高级规划和自主机器人系统,为基于BCI的非侵入式人机交互开辟了有趣的新前景。
2018-06-12 cs.AI cs.CV cs.HC