Kinodynamic Planning on Constraint Manifolds
Institut de Robòtica i Informàtica Industrial, CSIC-UPC(工业机器人信息研究所,CSIC-UPC)
本文提出了一种运动学和动力学约束系统的运动规划器。前者出现在系统中存在运动学回路时,例如在并联机械手中,在合作完成给定任务的机器人中,或在涉及与环境接触的情况下。后者是必要的,以获得现实的轨迹,考虑到力作用在系统上。运动学约束使状态空间成为一个隐式定义的流形,这使得常用的运动规划技术的应用变得复杂。为了解决这个问题,规划器增量地构造状态空间流形的图集,并且使用该图集来生成随机状态并且动态地模拟系统朝向这些状态的转向。然后利用所得到的工具在状态空间上构建一个快速探索的随机树(RRT)。据我们所知,这是第一个随机kinodynamic规划隐式定义的状态空间。本文提出的测试案例验证了显着复杂的系统中的方法。
2017-05-22 cs.RO
Contact-Implicit Trajectory Optimization with Hydroelastic Contact and iLQR
University of Notre Dame(圣母大学)
接触隐式轨迹优化为机器人的操作和运动提供了一种自动生成复杂和接触丰富的行为的方法。然而,这种技术的可扩展性受到确保数值可靠性和物理真实性的挑战的限制。在本文中,我们提出了初步的结果表明,迭代线性二次调节器(iLQR)算法与最近提出的压力场为基础的水弹性接触模型,使可靠的和物理现实的轨迹优化通过接触。我们使用这种方法来合成接触丰富的行为,如四足动物的运动和整臂操纵。此外,Kinova Gen3机器人手臂上的开环回放证明了整个手臂操作轨迹的物理准确性。代码可以在https://bit.ly/ilqr_hc上找到,视频可以在https://youtu.be/IqxJKbM8_ms上找到。
2022-08-07 cs.RO
A Factor-Graph Approach for Optimization Problems with Dynamics Constraints
Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们引入动力学因子图作为一个图形框架来解决动力学问题和Kinodynamic运动规划问题,充分考虑了全身动力学和接触。动力学问题的因子图表示提供了其数学结构的深刻可视化,并可与稀疏非线性优化器结合使用,以解决机器人中具有挑战性的高维优化问题。我们可以很容易地制定kinodynamic运动规划作为一个轨迹优化问题的因素图。我们展示了灵活性和描述能力的动力学因子图,通过应用它们来控制各种动力系统,从一个简单的推车杆到一个12自由度的四足机器人。
2020-11-11 cs.RO
Hierarchical Experience-informed Navigation for Multi-modal Quadrupedal Rebar Grid Traversal
Georgia Institute of Technology(佐治亚理工学院);School of Mechanical Engineering, Georgia Institute of Technology(佐治亚理工学院机械工程学院);SkyMul Inc(SkyMul公司);School of Electrical and Computer Engineering, Georgia Institute of Technology(佐治亚理工学院电气与计算机工程学院)
本研究提出一种分层经验引导的多模态接触规划框架,结合高层接触序列规划与底层运动动力学轨迹优化,引入躯干路径引导启发式减少离线试验次数,实现四足机器人在受限钢筋环境中的敏捷导航,并通过仿真与真实硬件验证了有效性。
2024-04-13 cs.RO
Interpretability in Contact-Rich Manipulation via Kinodynamic Images
KTH Royal Institute of Technology(瑞典皇家理工学院);Chalmers University of Technology(查尔姆斯理工大学)
深度神经网络(NN)已被广泛用于接触丰富的操作任务,以模拟复杂的接触动力学。然而,基于神经网络的模型往往难以破译,这可能导致看似无法解释的行为和无法识别的失败案例。在这项工作中,我们通过引入Kinodynamic图像来解决基于NN的模型的可解释性。我们提出了一种方法,从接触丰富的操作任务的运动学和动态数据创建图像。我们的配方直观地反映了任务的状态,通过编码其kinodynamic的变化和时间演变。通过使用图像作为状态表示,我们使以前仅限于基于视觉的任务的可解释性模块的应用程序。我们使用这种表示来训练基于卷积的网络,并使用Grad-CAM(一种产生视觉解释的技术)提取模型决策的解释。我们的方法是通用的,可以应用于任何分类问题,在操作中使用同步功能,以直观地解释哪些部分的输入驱动模型的决策,并区分其故障模式。我们评估这种方法的两个例子,现实世界中的接触丰富的操纵:推和切割,已知和未知的对象。最后,我们证明了我们的方法可以对任务中的序列进行详细的视觉检查,以及对模型的行为和趋势进行高级别的评估。这项工作的数据和代码可以在https://github.com/imitsioni/interpretable_manipulation上获得。
2021-02-23 cs.RO
Whole-Body Control Framework for Humanoid Robots with Heavy Limbs: A Model-Based Approach
Department of Mechanical and Automation Engineering(机械与自动化工程系)
针对重型肢体仿人机器人因肢体运动导致的平衡问题,提出结合运动动力学规划器(MPC方案)与分层优化问题(HQP)的基于模型的全身控制框架,实验表明其可实现动态行走、抗扰动并适应复杂地形。
2025-11-15 cs.RO
Gait-Net-augmented Implicit Kino-dynamic MPC for Dynamic Variable-frequency Humanoid Locomotion over Discrete Terrains
University of Southern California(南加州大学)
针对固定时间离散化限制仿人运动控制性能的问题,提出Gait-Net增强的隐式运动学-动力学MPC方法,通过轻量级网络优化步长持续时间、落脚位置和接触力,实现了仅凭一步预览的变频率三维离散地形动态运动。
2025-05-28 cs.RO cs.SY eess.SY
Learning a Structured Neural Network Policy for a Hopping Task
Tandon School of Engineering, New York University(纽约大学坦登工程学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Ecole Normale Supérieure Paris-Saclay(巴黎-萨克雷高等师范学院)
在这项工作中,我们提出了一种方法,学习一个简单的动态运动任务,涉及硬的影响和切换接触,我们假设的接触位置和接触时间是未知的反应策略。为了学习这样的策略,我们使用最优控制来优化用于固定环境和接触的局部控制器。我们学习我们的欠驱动系统沿这些轨迹在一个样本有效的方式接触丰富的动力学。我们使用优化的策略来学习神经网络形式的反应式策略。使用一个新的神经网络架构,我们能够保留更多的信息,从本地的政策,并使其输出可解释的意义上说,它的输出所需的轨迹,前馈命令和增益可以解释。大量的仿真表明,该方法的鲁棒性不断变化的环境中,优于无模型的梯度策略为基础的方法在模拟相同的任务。最后,我们表明,学习的政策可以鲁棒地转移到一个真正的机器人。
2018-08-06 cs.RO
Multi-contact Stochastic Predictive Control for Legged Robots with Contact Locations Uncertainty
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Tandon School of Engineering, New York University(纽约大学坦登工程学院);Munich Institute of Robotics and Machine Intelligence, Technical University of Munich(慕尼黑工业大学慕尼黑机器人与机器智能研究所);University of Trento(特伦托大学)
提出面向腿足机器人的SNMPC全身轨迹优化方法,通过动力学加性不确定性和接触位置机会约束提升安全性,四足机器人蒙特卡洛实验实现100%成功率。
2024-06-12 cs.RO cs.SY eess.SY
An Open Torque-Controlled Modular Robot Architecture for Legged Locomotion Research
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Tandon School of Engineering, New York University(纽约大学坦登工程学院);Laboratory for Analysis and Architecture of Systems, Centre National pour la Recherche Scientifique(法国国家科学研究中心系统分析与架构实验室)
提出了一种新的开源力矩控制足式机器人系统,其核心是低成本、低复杂度的执行器模块。它由一个高扭矩无刷直流电机和一个低齿轮比传输适合阻抗和力控制。我们还提出了一种新的脚接触传感器适用于腿部运动与硬冲击。具有大运动范围的2.2公斤四足机器人由八个相同的致动器模块和四条带有足部接触传感器的小腿组装而成。利用标准的塑料3D打印和现成的零件,可以制造出重量轻、价格便宜的机器人,从而可以在研究界快速分发和复制。我们系统地表征了在静态和动态情况下在脚上实现的阻抗,并测量了最大无量纲腿部刚度为10.8,没有主动阻尼,这是一个跑步的人的腿部刚度。最后,为了证明四足动物的能力,我们提出了一种新的控制器,它结合了前馈接触力计算从一个kino-dynamic优化与阻抗控制的质量中心和基地的方向。该控制器可以调节复杂的运动,同时对环境的不确定性具有鲁棒性。
2020-02-23 cs.RO
Dynamic Inference on Graphs using Structured Transition Models
Carnegie Mellon University(卡内基梅隆大学)
使机器人能够执行复杂的动态任务,例如在一个清扫动作中拾取物体或推离墙壁以快速转弯是一个具有挑战性的问题。这些任务中隐含的动态交互对于成功执行这些任务至关重要。图神经网络(GNN)提供了一种学习交互系统动态的原则性方法,但随着交互数量的增加,可能会遇到缩放问题。此外,使用学习的基于GNN的模型进行最优控制的问题没有得到充分的探索。在这项工作中,我们提出了一种有效地学习相互作用系统的动态的方法,同时学习动态图结构和系统的稳定和局部线性前向模型。动态图形结构通过在图形的边缘上进行概率预测来编码沿着轨迹的演变接触模式。此外,我们在学习的图结构中引入了时间依赖性,这允许我们在执行过程中合并接触测量更新,从而实现更准确的向前预测。学习的稳定和局部线性动态使得能够使用最优控制算法,例如iLQR,用于复杂交互任务的长期规划和控制。通过模拟和现实世界中的实验,我们通过使用学习到的交互动力学进行控制来评估我们的方法的性能,并展示了在训练过程中看不到的更多对象和交互的泛化。我们引入了一个控制方案,利用接触测量更新,因此是强大的预测不准确的执行过程中。
2022-09-29 cs.RO
Randomized Physics-based Motion Planning for Grasping in Cluttered and Uncertain Environments
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Institute of Industrial and Control Engineering(工业与控制工程研究所);Rice University(莱斯大学)
在杂乱和不确定的环境中规划抓取物体的运动是一项具有挑战性的任务,特别是当不存在无碰撞轨迹并且需要小心地抓取和移出阻挡道路的物体时。本文采取了不同的方法,并提出了解决这个问题,通过使用一个随机的基于物理的运动规划,允许机器人对象和对象对象之间的相互作用。其主要思想是避免一个明确的高层次推理的任务,提供一个物理引擎的运动规划器,以评估可能的复杂的多体动力学相互作用。该方法能够解决复杂情况下的问题,也考虑了对象的姿态和接触动力学的不确定性。这项工作增强了状态有效性检查器,控制采样器和树的探索策略的Kinodynamic运动规划称为KPIECE。增强算法,称为p-KPIECE,已在仿真和实际实验中得到验证。的结果进行了比较与本体物理为基础的运动规划和任务和运动规划的方法,导致规划时间,成功率和质量的解决方案路径方面的显着改善。
2017-11-27 cs.RO
Real-World Deployment of Massively Parallel Sampling-Based MPC for Contact-Rich Manipulation
Intelligent Autonomous Systems Lab, TU Darmstadt(达姆施塔特工业大学智能自主系统实验室);Interactive Robot Perception & Learning Lab, TU Darmstadt(达姆施塔特工业大学交互式机器人感知与学习实验室);German Research Center for AI (DFKI)(德国人工智能研究中心);Robotics Institute Germany (RIG)(德国机器人研究所);College of Engineering and Computer Science, VinUniversity(VinUniversity工程与计算机科学学院)
提出基于JAX和MuJoCo MJX的采样MPC框架,在Franka机器人上实现Push-T任务,MTP变体优于CEM等基线,并评估在线域随机化效果。
2026-06-23 cs.RO
VIP-Loco: A Visually Guided Infinite Horizon Planning Framework for Legged Locomotion
VIP-Loco结合视觉感知与强化学习,实现腿部机器人在复杂动态环境中的鲁棒运动规划,通过内部模型将本体状态与深度图像映射为紧凑的运动动力学特征,结合无限 horizon MPC提升适应性与结构化规划能力。
2026-03-15 cs.RO
Becoming a Fruit Ninja: Real-Time Probabilistic Kinodynamic Planning for Manipulator Projectile Interception
Purdue University(普渡大学)
提出FRUITNINJA,一种GPU上的任意时间采样规划器,通过精确三次曲线和并行搜索满足执行器限制,在实时模拟中显著提升机械臂抛射物拦截成功率。
2026-09-22 cs.RO
Efficient Multi-Contact Pattern Generation with Sequential Convex Approximations of the Centroidal Dynamics
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);New York University(纽约大学)
本文研究了物理一致的多接触行为的有效计算问题。最近的工作表明,在温和的假设下,该问题可以分解为更简单的运动学和质心动力学优化问题。基于这种方法,我们提出了一个一般的凸松弛的质心动力学导致两个计算效率高的算法的基础上迭代决议的二阶锥规划。他们优化质心轨迹,接触力,重要的是,运动的时机。我们包括在一个kino-dynamic优化方法来产生全身运动的方法。最后,该方法被嵌入到一个混合整数求解器,以进一步找到动态一致的接触序列。大量的数值实验表明,该方法的计算效率,这表明它可以用于快速滚动时域控制回路。在模拟的人形机器人和四足动物和一个真正的四足机器人上执行的计划运动进一步显示了优化运动的质量。
2020-10-02 cs.RO
An Optimal Motion Planning Framework for Quadruped Jumping
The Chinese University of Hongkong(香港中文大学);Hong Kong Centre for Logistics Robotics(香港物流机器人中心)
本文提出了一种最佳运动规划框架,以自动生成通用的能量最佳的四足跳跃运动(例如,翻转、旋转)。通过质心动力学的跳跃运动被制定为一个12维的黑箱优化问题的机器人kino-dynamic约束。基于先验知识的方法在解决轨迹优化(TO)方面提供了巨大的成功,然而,先验知识(例如,参考运动、接触时间表),并导致次优解决方案。新提出的框架首先采用了一种基于几何学的优化方法来避免这些问题。此外,优先权的适应度函数创建的机器人地面反作用力(GRF)规划,提高收敛和搜索性能显着的算法。由于基于运动学的算法通常需要大量时间,因此运动被离线规划并存储为预运动库。选择器被设计为自动选择具有用户指定或感知信息的运动作为输入。所提出的框架已成功地验证了只有一个简单的连续跟踪PD控制器在一个开源的Mini-Cheetah几个具有挑战性的跳跃运动,包括跳过一个窗口形障碍物与30厘米的高度和左翻转超过一个矩形障碍物与27厘米的高度。
2022-07-25 cs.RO cs.SY eess.SY
Physical Kernel: Structured Visual Latents for Dark Manipulation
Harvest Praxis
本研究提出物理核(dark_f)方法,在短暂亮光编码后利用结构化视觉潜变量和开环动力学完成暗操作,在堆叠任务上显著优于逐步重编码基线,并验证了动力学与编码鲁棒性。
2026-09-15 cs.CV cs.RO
RAKOMO: Reachability-Aware K-Order Markov Path Optimization for Quadrupedal Loco-Manipulation
Dynamic Legged Systems Lab, Istituto Italiano di Tecnologia (IIT)(动态腿系统实验室,意大利技术研究院);Oxford Robotics Institute, University of Oxford(牛津大学机器人研究所)
本文提出 RAKOMO,将神经网络预测的可达性裕度纳入 KOMO,使梯度规划适配四足移动操作,并在 HyQReal 拾取放置仿真中验证其性能。
2025-07-25 cs.RO cs.SY eess.SY
Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control
Agency for Defense Development(韩国国防发展局);University of Michigan(密歇根大学)
本文提出一种融合本体与外感知信息的地形感知运动动力学模型,结合模型预测路径积分控制,实现越野环境下的高速鲁棒自主驾驶。
2023-09-22 cs.AI cs.RO cs.SY
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
Characterizing Manipulation Robustness through Energy Margin and Caging Analysis
KTH Royal Institute of Technology(瑞典皇家理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出结合能量裕度与围困分析的操作鲁棒性评估方法,并通过整合全局几何、接触变化和柔顺性的运动动力学规划框架,在仿真与真实动态操作实验中验证其预测能力。
2024-10-25 cs.RO
SurGE: Surrogate Gradient-guided Evolution for Co-design of Legged Robots with Parallel Elasticity
University of Michigan, Ann Arbor(密歇根大学安娜堡分校);University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校)
提出SurGE框架,通过可微运动动力学模型和设计感知控制策略计算代理梯度,并注入CMA-ES实现非可微协同设计,在跳跃机器人上降低37.65%的设计目标。
2026-10-08 cs.RO
FARO: Feasibility-Aware Robot Motion Optimization
Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)(慕尼黑工业大学慕尼黑机器人与机器智能研究所);Institute for Advanced Study, Technical University of Munich(慕尼黑工业大学高级研究所);Carnegie Mellon University(卡内基梅隆大学);SIEMENS AG(西门子公司);Huawei-TUM joint laboratory(华为-慕尼黑工业大学联合实验室)
针对机器人在未知场景快速规划新行为的挑战,提出嵌套运动动力学框架,结合可行性引导树搜索和大语言模型采样策略,能改善搜索过程,生成的轨迹可用强化学习控制器跟踪,质量高可用于实际运动操作场景。
2026-07-22 cs.RO
SHaRe-RL: Structured, Interactive Reinforcement Learning for Contact-Rich Industrial Assembly Tasks
CITEC, Faculty of Technology, Bielefeld University, Germany(CITEC,技术学院,比勒菲尔德大学,德国);Fraunhofer IOSB-INA, Lemgo, Germany(弗劳恩霍夫 IOSB-INA,莱姆戈,德国)
SHaRe-RL通过整合先验知识,解决了工业装配中高混合低体积生产对精度、安全性和可靠性的需求,实现了高效安全的在线学习。
2026-03-17 cs.RO
MotionDisco: Motion Discovery for Extreme Humanoid Loco-Manipulation
Technical University of Munich, Germany(慕尼黑技术大学);New York University, USA(纽约大学);Carnegie Mellon University, USA(卡内基梅隆大学)
提出MotionDisco框架,通过大语言模型引导的进化搜索和顺序运动动力学轨迹优化,从零开始自动发现长时域、接触丰富的人形机器人移动操作技能,并在真实机器人上部署。
2026-06-04 cs.RO
Robust, Compliant Assembly via Optimal Belief Space Planning
Siemens Corporate Technology(西门子中央研究院);University of Freiburg(弗莱堡大学)
在自动化制造中,机器人必须可靠地装配各种几何形状和低公差的零件。理想情况下,它们可以自主地计划所需的动作。由于高维状态空间和非线性接触动力学,这提出了一个实质性的挑战。此外,物体姿态和模型参数(如摩擦力)并不确切已知,并且是不确定性的来源。本文提出的方法模型的零件装配任务作为一个信念空间规划问题的基础阻抗控制,符合系统。为了解决这个规划问题,我们引入了一个渐进最优的信念空间规划器,通过扩展一个最优的,随机的,kinodynamic运动规划器的非确定性域。在可扩展性假设下,我们建立了概率完备性和渐近最优性。我们验证了我们的方法在彻底的,模拟和现实世界的实验中的多个装配任务。实验表明,我们的规划师的能力,可靠地组装对象,完全基于CAD模型作为输入。
2018-11-09 cs.RO
CONTACT: CONtact-aware TACTile Learning for Robotic Disassembly
Department of Industrial Engineering, Purdue University(工业工程系,普渡大学);Department of Mechanical Engineering, Texas A&M University(机械工程系,德克萨斯农工大学)
CONTACT通过对比视觉、触觉RGB和触觉力场三种感知配置,发现触觉力场在机器人拆解任务中表现最佳,尤其在接触依赖和变形场景中效果显著。
2026-07-22 cs.RO
Manifold Generative Annealing for Contact Constraint-aware Impedance Control with Reinforcement Learning Prior
Carnegie Mellon University(卡内基梅隆大学);Chinese Academy of Sciences(中国科学院)
该研究针对接触丰富机器人任务中接触条件变化导致现有方法失效的问题,提出流形生成退火(MGA)框架,结合无模型与基于模型方法优化运动-阻抗,在三类任务中提升了阻抗控制的安全成功率。
2026-10-16 cs.RO
Learning Contact Dynamics using Physically Structured Neural Networks
University College London(伦敦大学学院);Imperial College London(帝国理工学院)
学习包含不同物体间接触的动力系统的物理结构化表示是机器人学中基于学习方法的一个重要问题。黑盒神经网络可以学习近似表示不连续的动态,但它们通常需要大量数据,并且在预测较长时间范围时经常会出现病态行为。在这项工作中,我们使用深度神经网络和微分方程之间的连接来设计一系列深度网络架构,用于表示对象之间的接触动态。我们表明,这些网络可以学习不连续的接触事件在一个数据有效的方式从噪声观测的设置,传统上是很难的黑箱方法和最近的物理启发神经网络。我们的研究结果表明,一种理想化的触摸反馈形式--生物系统严重依赖这种反馈--是使这种学习问题变得易于处理的关键组成部分。再加上通过网络架构引入的归纳偏差,我们的技术能够从观察中准确地学习接触动态。
2022-08-15 cs.LG cs.RO stat.ML
Whole-body Motion Control of an Omnidirectional Wheel-Legged Mobile Manipulator via Contact-Aware Dynamic Optimization
State Key Laboratory of Intelligent Manufacturing Equipment and Technology, School of Mechanical Science and Engineering, Huazhong University of Science and Technology(智能制造装备与技术国家重点实验室,机械科学与工程学院,华中科技大学)
提出一种配备灵巧机械臂的全向轮腿四足机器人,通过集成点接触与线接触建模的接触感知全身动态优化框架及统一运动学模型,实现敏捷全向移动与精确操作的实时统一控制。
2025-09-17 cs.RO
One-Shot Multimodal Learning from Demonstration with Force-Constrained Elastic Maps
针对多数示范学习方法忽视力与环境相互作用的问题,提出一次性多模态LfD框架。通过多模态概率分割提取力感知运动原语,扩展弹性映射表示并结合外力约束学习轨迹模型,经实验验证该方法具有多模态分割、力感知再现及跨平台通用性。
2026-07-13 cs.RO
FLEX: A Framework for Learning Robot-Agnostic Force-based Skills Involving Sustained Contact Object Manipulation
Tufts University School of Engineering(塔夫茨大学工程学院)
本文提出 FLEX 框架,通过在力空间学习以物体为中心的策略并解耦机器人动力学,实现持续接触与铰接物体操作的高效训练及跨物体、跨平台零重训迁移。
2025-03-17 cs.AI cs.RO
Flexure-based Environmental Compliance for High-speed Robotic Contact Tasks
Fraunhofer IPK(弗劳恩霍夫生产设备与设计技术研究所)
物理顺应性的设计-其位置,程度和结构-影响机器人在接触丰富的任务中的性能和鲁棒性。虽然顺应性通常用于机器人的关节,法兰,或末端执行器,本文提出了顺应性的结构在环境中,允许安全和鲁棒的接触,同时保持较高的运动控制带宽和精度的高阻抗机器人。这里的顺应性是通过挠曲件和粘弹性材料来实现的,挠曲件和粘弹性材料被集成到几个机构中以提供结构化顺应性,例如远程顺应性中心。使用熔融沉积成型的增材制造,允许更快的设计迭代和与标准工业设备的低成本集成。机械性能,包括总刚度矩阵,刚度比,和旋转精度,分析确定和实验结果进行比较。三个远程中心的顺应性(RCC)的设备和1自由度的线性设备的原型和测试在高速装配任务。
2022-03-14 cs.RO
Contact Tooling Manipulation Control for Robotic Repair Platform
Argonne National Laboratory(阿贡国家实验室)
本文研究机器人修复平台中动态接触工具操作的控制方法,比较混合位置-力控制、导纳控制、双边遥操作、虚拟夹具和共享控制在不同环境下的适用性与效果,为真实修复场景提供控制策略选择依据。
2024-11-21 cs.RO
Robust and Context-Aware Real-Time Collaborative Robot Handling via Dynamic Gesture Commands
Carnegie Mellon University(卡内基梅隆大学)
本文提出条件协作搬运过程(CCHP),通过从人人协作中学习上下文感知策略,解决动态手势指令下实时协作机器人搬运中人类行为异质性和感知随机性问题,在Kinova Gen3装配任务中显著降低人类工作量并提升协作流畅性。
2023-04-12 cs.RO
ConCent: Contact-Centric Real-to-Sim-to-Real Learning from One Demonstration
Microsoft Research Asia - Tokyo(微软亚洲研究院-东京);The University of Tokyo(东京大学)
提出接触中心真实-仿真-真实强化学习框架,利用真实演示中的接触事件序列作为学习目标,优化仿真中物体的接触几何,实现更稳定的策略迁移。
2026-06-29 cs.RO
StableMimic: Smooth Human-Like Recovery for Humanoid Motion Tracking - Learning Beyond the Tracking Distribution for Structured Post-Fall Behavior
Southern University of Science and Technology (SUSTech)(南方科技大学)
该研究提出StableMimic,一种在标称跟踪分布外训练的人形机器人统一跟踪器,通过专用专家与本体感知门控融合动作,在LAFAN1数据集及真实Unitree G1机器人上实现跌倒后100%恢复,跟踪与恢复性能均优于对比方法,提升了交互安全性。
2026-08-04 cs.RO
Transferring Contact, Not Just Motion: Compliant Grasping Across Dexterous Hands
University of California San Diego(加州大学圣迭戈分校)
提出跨本体力-位置接口,通过校准力矩和指尖力实现异构灵巧手间的接触感知抓取,结合流匹配视觉运动策略和混合力位控制器,实现可迁移的柔顺抓取。
2026-06-19 cs.RO
ObjRetarget: An Object-Aware Motion Retargeting Framework with Anthropomorphic Arm Constraints and Polyhedral Hand Modeling
School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)人工智能学院);School of Computing, University of Portsmouth(朴茨茅斯大学计算学院)
提出ObjRetarget框架,用于从人类视频学习机器人灵巧操作,集成拟人化手臂轨迹约束与结构化手-物体几何建模,提升操作成功率与接触稳定性,泛化性好。
2026-07-07 cs.RO
Proprioceptive Image: An Image Representation of Proprioceptive Data from Quadruped Robots for Contact Estimation Learning
Dynamic Legged Systems (DLS) lab, Istituto Italiano di Tecnologia (IIT)(动态腿足系统实验室,意大利理工学院);University of Genoa(热那亚大学)
本文提出将四足机器人本体时间序列数据转换为结构化二维图像的方法,利用卷积神经网络学习运动相关任务。通过编码多信号的时序动态,保留机器人形态结构,提升特征空间丰富性。在接触估计任务中,实验表明图像表示优于传统序列模型,接触状态准确率提升16.8个百分点。
2026-03-26 cs.RO
TacClaw-Infinity: A Large-Scale Vision-Tactile-Language-Action Dataset for Dexterous Manipulation
该研究提出TacClaw-Infinity大规模VTLA数据集,通过全球分布式收集构建,开发了多模态处理流程,在数据和模型层面验证其有效性,实现跨异构机器人的无特定演示迁移。
2026-11-02 cs.RO
Force-Aware Reinforcement Learning with Hybrid Sensorless Force Estimation for Wheeled-Legged Loco-Manipulation
Chinese University of Hong Kong(香港中文大学)
本文提出一种结合混合无传感器力估计的力感知强化学习方法,用于轮腿式移动操作,实现无末端力传感器下的力引导控制,并通过仿真和硬件实验验证其性能。
2026-09-15 cs.RO
Continuous Manifold-Decomposed Impedance Retargeting for Contact-Rich Imitation Learning
The University of Tokyo(东京大学)
提出CMDIR,将固定阻抗演示转化为连续变阻抗控制器,作为模仿学习监督,在真实接触任务中提升保留率并降低力波动,FastMPO加速5.8-9.4倍。
2026-09-15 cs.RO
Digital-Twin Evaluation for Proactive Human-Robot Collision Avoidance via Prediction-Guided A-RRT*
Department of Mechanical and Aerospace Engineering, Tandon School of Engineering, New York University(1 机械与航空航天工程系,工程学院,纽约大学)
针对人机协作主动避碰需求,提出融合细粒度人体运动预测、A-RRT*规划与数字孪生验证的安全框架,在试验中实现100%避碰、高安全间距与快速重规划,性能优于传统运动学规划器。
2025-10-03 cs.RO
A Visuo-Tactile Data Collection System with Haptic Feedback for Coarse-to-Fine Imitation Learning
Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文提出一种视觉-触觉数据采集系统,生成时间结构丰富的接触密集演示,用于模仿学习。通过直接驱动夹具和触觉阵列,保留自然触觉反馈,结合实时注释,生成多模态数据集以支持粗到细学习算法。
2026-07-28 cs.RO
PRISM: Polynomial Representations for Interaction-Structured Motor Control
University of Michigan(密歇根大学)
研究针对机器人观察中物理变量交互作用问题,提出PRISM策略表示,通过因式分解多项式模块展现高阶交互特征,在强化和模仿学习中应用,提升了人形机器人运动等性能,还能产生无传感器柔顺行为,表明多项式表示应成运动控制标准选择。
2026-10-19 cs.RO
STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching
本文提出STRIDE框架,结合拉格朗日神经网络与条件流匹配,分离保守刚体动力学与非保守随机交互效应,提升机器人在不确定环境中的预测精度与控制可靠性。
2026-03-15 cs.LG cs.RO
Whole-Body MPC and Online Gait Sequence Generation for Wheeled-Legged Robots
ETH Zürich(苏黎世联邦理工学院)
我们的论文提出了一个模型预测控制器作为一个单一的任务制定,同时优化车轮和躯干运动。这种在线关节速度和地面反作用力优化集成了轮式四足机器人的kinodynamic模型。它定义了单刚体动力学以及机器人的运动学,同时将车轮视为移动的地面接触。通过这种方法,我们可以准确地捕捉机器人的滚动约束和动力学,使自动发现的混合机动没有不必要的运动学。该配方的通用性,通过同时优化机器人的全身变量允许一组参数,并使在线步态序列适应可能。非周期性步态序列是通过腿部运动工具自动发现的,而不需要预定义的接触和抬离时间,从而降低高达85%的运输成本。我们的实验演示了在具有挑战性的室内和室外环境中的四足机器人与非转向轮的动态运动。该论文的研究结果有助于评估一个分解的,即,轮和躯干运动的顺序优化,以及单任务运动规划器与一个新的数量,预测误差,它描述了如何以及滚动时域规划器可以预测机器人的未来状态。为此,我们报告了高达71%的改进,使用我们提出的单任务的方法,使快速运动可行,并揭示轮式足式机器人的全部潜力。
2021-07-06 cs.RO cs.SY eess.SY
Learning to Walk from Three Minutes of Real-World Data with Semi-structured Dynamics Models
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Washington(华盛顿大学)
本文提出融合 Lagrangian 先验与黑箱自回归外力模型的半结构化动力学框架 SSRL,使 Unitree Go1 仅用数分钟真实数据即可在软硬表面从零学会动态行走。
2024-10-28 cs.LG cs.RO math.OC
Scalable Multi-Robot Motion Planning Using Workspace Guidance-Informed Hypergraphs
Parasol Lab, Department of Computer Science, University of Illinois Urbana-Champaign(Parasol实验室,计算机科学系,伊利诺伊大学厄巴纳-香槟分校)
本文通过扩展DaSH框架并结合工作空间拓扑引导与改进的冲突解决机制,实现了拥挤狭窄环境中多达128台机器人的可扩展多机器人运动规划。
2025-11-05 cs.MA cs.RO
First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion
Applied AI Lab (A2I)(应用人工智能实验室(A2I));Dynamic Robot Systems (DRS)(动态机器人系统(DRS));Oxford Robotics Institute (ORI), University of Oxford(牛津大学牛津机器人研究所(ORI))
传统的四足动物控制方法通常采用简化的手衍生模型。这显著降低了机器人的能力,因为其有效的运动范围被缩减。此外,Kinodynamic约束通常是不可微的,并且难以在优化方法中实现。在这项工作中,这些挑战是解决框架四足动物控制优化结构化的潜在空间。深度生成模型捕获可行的关节配置的统计表示,而复杂的动态和终端约束通过高级语义指标表示,并由在潜在空间上操作的学习分类器表示。因此,复杂的约束呈现微分和评估的数量级快于分析方法。我们验证的可行性运动轨迹优化使用我们的方法在模拟和现实世界中的ANYmal四足动物。我们的研究结果表明,这种方法是能够产生平滑和可实现的轨迹。据我们所知,这是第一次潜在的空间控制已成功地应用于一个复杂的,真正的机器人平台。
2020-11-20 cs.LG cs.RO
DuetHOI: Language-Guided Bimanual Hand--Object Motion Generation with Articulation Planning and Contact Refinement
Hefei University of Technology(合肥工业大学);Shanghai Jiao Tong University(上海交通大学)
StructBiHOI通过结构化关节建模框架实现长时程双臂手-物体交互生成,提升稳定性和效率。
2026-08-03 cs.CV cs.RO
Contact-GraspNet: Efficient 6-DoF Grasp Generation in Cluttered Scenes
NVIDIA(英伟达);German Aerospace Center (DLR)(德国航空航天中心);Technical University of Munich (TUM)(慕尼黑工业大学);University of Washington(华盛顿大学)
在不受约束、杂乱的环境中抓取看不见的物体是自主机器人操作的基本技能。尽管最近在全6自由度抓取学习方面取得了进展,但现有方法通常由复杂的顺序管道组成,这些管道具有几个潜在的故障点和不适合闭环抓取的运行时间。因此,我们提出了一个端到端的网络,有效地生成一个分布的6自由度平行颚把握直接从一个场景的深度记录。我们的新的把握表示对待记录点云的3D点作为潜在的把握接触。通过将完整的6-DoF抓取姿势和宽度植根于观察到的点云中,我们可以将抓取表示的维度降低到4-DoF,这极大地促进了学习过程。我们的类不可知方法在1700万次模拟抓握上进行了训练,并很好地推广到现实世界的传感器数据。在结构化混乱中看不见的物体的机器人抓取研究中,我们实现了超过90%的成功率,与最近的最先进的方法相比,将失败率降低了一半。
2021-03-25 cs.CV cs.RO