VLSI Architectures of Forward Kinematic Processor for Robotics Applications
DA-IICT(达拉姆辛德吉·安比亚尔信息与通信技术学院)
本文综述机器人正向运动学VLSI架构的多种实现方案,提出开发基于FPGA的低延迟高响应速度正向运动学处理器,以满足工业自动化等实时应用需求。
2024-03-07 cs.RO
DMotion: Robotic Visuomotor Control with Unsupervised Forward Model Learned from Videos
Peking University(北京大学);Princeton University(普林斯顿大学);Peng Cheng Lab(鹏城实验室)
学习环境的精确模型对于基于模型的控制任务至关重要。机器人视觉控制中的现有方法通常从具有大量标记的动作、对象实体或位置的数据中学习,这在许多情况下可能是苛刻的。为了应对这一限制,我们提出了一种方法,被称为DMotion,通过解开可控代理的运动来模拟过渡动态,仅从视频数据训练前向模型。对象提取器和交互学习器在没有监督的情况下以端到端的方式被训练。代理的运动显式表示使用空间变换矩阵包含物理意义。在实验中,DMotion在Grid World环境中学习精确的前向模型以及在仿真中更逼真的机器人控制环境方面取得了优异的性能。随着准确的学习前向模型,我们进一步证明了它们的使用模型预测控制作为一种有效的方法,机器人操作。
2021-07-26 cs.RO
On the Benefits of GPU Sample-Based Stochastic Predictive Controllers for Legged Locomotion
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院);University College London(伦敦大学学院)
本文提出一种基于GPU加速的样本随机控制策略用于四足机器人,以实现步态频率适应。实验表明,该方法在中等干扰下与传统MPC相当,并在持续外部干扰下显著优于基于梯度的方法。
2025-01-29 cs.RO
Scaling Nonlinear Optimization: Many Problems One GPU
Department of Mechanical Engineering, University of California, Berkeley(加州大学伯克利分校机械工程系);Department of Biosystems Science and Engineering, ETH Zürich(苏黎世联邦理工学院生物系统科学与工程系)
提出首个基于JAX的GPU批处理NLP求解器jaxipm,通过异构迭代融合和迭代级批处理实现多问题并发求解,在四旋翼控制任务中吞吐量提升达32.85倍。
2026-11-04 cs.RO
Primal-Dual iLQR for GPU-Accelerated Learning and Control in Legged Robots
Dynamic Legged Systems Laboratory, Istituto Italiano di Tecnologia (IIT), Genova, Italy(动态腿系统实验室,意大利技术研究院(IIT),意大利热那亚);Dipartimento di Informatica, Bioingegneria, Robotica e Ingegneria dei Sistemi (DIBRIS), Università di Genova, Genova, Italy(信息学院、生物工程、机器人与系统工程系(DIBRIS),热那亚大学,意大利热那亚);Polytechnique Montréal, Montreal, Canada(蒙特利尔理工学院,加拿大蒙特利尔)
本文提出了一种基于GPU加速的primal-dual iLQR方法,用于提高腿部机器人运动控制的效率和性能。
2025-12-06 cs.RO
Legged Robot State-Estimation Through Combined Forward Kinematic and Preintegrated Contact Factors
University of Michigan(密歇根大学);Toyota Research Institute(丰田研究院)
最先进的机器人感知系统使用惯性测量单元(IMU),摄像头和非线性优化技术已经实现了足够好的性能,它们现在正在被部署为技术。然而,这些方法中的许多显著地依赖于视觉,并且当视觉跟踪由于照明或特征稀缺而丢失时,这些方法常常失败。本文提出了一种足式机器人的状态估计技术,考虑到机器人的运动学模型,以及它与环境的接触。我们引入正向运动学因素和预集成的接触因素到一个因素图框架,可以增量实时解决。正向运动学因子通过噪声编码器测量将机器人的基本姿态与接触框架相关联。预积分接触系数提供了该接触框架的里程测量,同时考虑了可能的足部滑动。这两个因素共同约束了图形优化问题,从而可以估计机器人的轨迹。本文评估的方法,使用模拟和真实的感觉IMU和运动学数据从实验与卡西系列机器人设计的敏捷机器人。这些初步的实验表明,使用所提出的方法,除了IMU减少漂移和提高定位精度,这表明它的使用可以使成功的恢复从丢失的视觉跟踪。
2018-02-25 cs.RO
frax: Fast Robot Kinematics and Dynamics in JAX
Departments of Mechanical Engineering and Aeronautics & Astronautics, Stanford University(机械工程系和航空与航天系,斯坦福大学)
frax提供高性能纯Python接口,支持CPU、GPU和TPU,实现高效的实时控制与并行计算,适用于机器人运动学和动力学的高性能计算需求。
2026-05-15 cs.RO
Differentiable GPU-Parallelized Task and Motion Planning
MIT CSAIL(MIT计算机科学与人工智能实验室);NVIDIA Research(NVIDIA研究);University of Utah(犹他大学);University of Sydney(悉尼大学)
提出一种利用GPU并行性和可微优化的双层TAMP算法,可同时探索数千个候选解,在几秒内有效解决高度受限的非凸规划问题,显著优于串行方法并在真实机器人上得到验证。
2025-04-29 cs.RO
GPU Accelerated Voxel Grid Generation for Fast MAV Exploration
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心)
体素网格是一种用于机器人运动规划的最小且有效的环境表示。许多最先进的规划算法使用由自由体素、被占用体素和未知体素组成的体素网格。在本文中,我们提出了一种新的GPU加速算法划分空间成一个体素网格占用,自由和未知的体素。所提出的方法是低延迟和适合于高速导航。
2022-08-16 cs.RO
GRiD: GPU-Accelerated Rigid Body Dynamics with Analytical Gradients
Harvard University(哈佛大学);Boston Dynamics(波士顿动力公司)
我们介绍GRiD:一个GPU加速库,用于计算刚体动力学分析梯度。GRiD旨在加速最先进的机器人规划、控制和机器学习中使用的非线性轨迹优化子问题,这需要在每次迭代时对刚体动力学及其梯度进行数十到数百次自然并行计算。GRiD利用URDF解析和代码生成来提供优化的动态内核,这些内核不仅公开GPU友好的计算模式,而且还利用每个计算内的细粒度并行性和计算之间的粗粒度并行性。通过这种方法,当执行刚体动力学算法的多个计算时,GRiD提供了最先进的多线程CPU实现的7.2倍加速,并且在考虑I/O开销时保持了2.5倍加速。我们将GRiD作为开源库发布,供更广泛的机器人社区使用。
2022-02-25 cs.RO
Parameterized and GPU-Parallelized Real-Time Model Predictive Control for High Degree of Freedom Robots
Brigham Young University(杨百翰大学)
提出了一种新的输入参数化方法,提高了高自由度(DoF)机器人的模型预测控制(MPC)的易处理性。实验结果表明,通过参数化的输入轨迹的四分之三以上的优化变量,在传统的MPC中使用的可以被删除,几乎没有对系统性能的影响。这种参数化还导致轨迹更保守,在具有建模误差的欠阻尼系统中产生更少的超调。在本文中,我们提出了两个MPC的解决方案,利用这种参数化的方法。第一个使用凸解算器,第二个使用图形处理单元(GPU)上的并行计算。我们表明,这两种方法大大减少了解决时间大自由度,长时间的MPC问题,允许解决方案的实时速率。通过仿真和硬件实验,我们表明,参数化的凸求解器MPC具有更快的解决时间比传统的MPC高自由度的情况下,同时仍然达到类似的性能。对于基于GPU的MPC求解方法,我们使用了一种进化算法,我们称之为进化MPC(EMPC)。EMPC被证明有更快的解决时间为高自由度系统。通过使用更强大的GPU,EMPC的求解时间进一步减少。这表明并行MPC方法将随着GPU技术的改进和普及而变得更加有利。
2020-01-14 cs.RO cs.SY eess.SY
Accounting for Hysteresis in the Forward Kinematics of Nonlinearly-Routed Tendon-Driven Continuum Robots via a Learned Deep Decoder Network
University of Utah(犹他大学);Vanderbilt University(范德堡大学)
本文提出一种深度解码器神经网络,以点云表示形状并基于先前配置建模迟滞效应,从而准确预测腱驱动连续体机器人的完整形状,实验表明其性能显著优于现有物理模型和未考虑迟滞的学习模型。
2024-04-04 cs.RO
Fast Motion Planning for High-DOF Robot Systems Using Hierarchical System Identification
University of Maryland at College Park(马里兰大学帕克分校);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
我们提出了一个有效的算法运动规划和控制的机器人系统具有高的自由度。这些包括高自由度软体机器人或与可变形环境交互的关节式机器人。我们的方法考虑到动力学约束,并提出了一种新的技术,使用数据驱动的方法来加速前向动力学计算。我们预先计算机器人系统的前向动力学函数的分层自适应网格。此外,我们利用欠驱动机器人系统的属性,并执行这些计算的几个自由度。我们提供我们的近似正向动力学计算的误差范围,并使用我们的方法为基础的优化运动规划和基于学习的反馈控制。我们的配方是用于运动规划的两个高自由度机器人系统:一个高自由度线驱动的弹性机器人手臂和水下游泳机器人在水中操作。与基于精确动态函数计算的现有技术相比,我们观察到性能上的一到两个数量级的改进。
2018-10-05 cs.RO
Forward Kinematics Kernel for Improved Proxy Collision Checking
University of California San Diego(加州大学圣地亚哥分校)
核函数可以在机器人技术中用于比较机器人的不同姿态,诸如在碰撞检查、逆运动学和运动规划中。这些比较通常基于联合空间测量提供距离度量,并且每秒执行数百或数千次,连续地用于变化的环境。很少有例子存在于创建新的内核,尽管它们在机器人控制和规划的计算性能和鲁棒性的显着影响。我们引入了一个新的核函数的基础上的正运动学(FK)比较机器人操作器的配置。我们将新的FK内核集成到我们的代理碰撞检查器Fastron中,Fastron以前在碰撞检查和运动规划方面表现出显着的速度改进。与以前使用的径向基函数内核相比,使用新的FK内核,我们实现了代理碰撞检查速度的两倍加速,内存减少了8倍,并将7自由度机器人手臂的分类准确率从75%提高到95%以上。与最先进的几何碰撞检查器相比,使用FK内核,碰撞检查现在快了9倍。为了展示该方法的广泛性,我们将Fastron FK应用于OMPL中的各种运动规划器,一致显示出更快的机器人规划。
2019-10-14 cs.RO
MICP-L: Mesh-based ICP for Robot Localization using Hardware-Accelerated Ray Casting
Osnabrück University(奥斯纳布吕克大学);DFKI Robotics Innovation Center(DFKI机器人创新中心);Fulda University of Applied Sciences(富尔达应用技术大学)
MICP-L利用硬件加速光线投射,将距离传感器配准到三角网格地图,实现6D机器人实时定位,并在农业、航空和汽车数据集上验证了鲁棒性。
2024-07-08 cs.RO
A Methodology for Dynamic Parameters Identification of 3-DOF Parallel Robots in Terms of Relevant Parameters
本文提出了一种基于相关参数的3自由度并联机器人动态参数识别方法,通过简化几何结构和对称性,利用加权最小二乘法进行参数识别,并通过实验验证了识别模型的正向动力学响应。
2026-03-16 cs.RO
G-VOM: A GPU Accelerated Voxel Off-Road Mapping System
Texas A&M University(得克萨斯农工大学)
我们提出了一个本地三维体素映射框架越野路径规划和导航。我们的方法提供了硬和软的积极障碍物检测,负障碍物检测,斜率估计,和粗糙度估计。通过使用3D阵列查找表数据结构并利用GPU,它可以提供在线性能。然后,我们演示了该系统的工作在三个车辆,Clearpath机器人Warthog,驼鹿和北极星游侠,并与一组预先记录的航点进行比较。这在自动操作中以4.5 m/s完成,在手动操作中以12 m/s完成,地图更新速率为10 Hz。最后给出了一个开源的ROS实现。https://github.com/unmannedlab/G-VOM
2021-09-27 cs.RO
Forward and Inverse Kinematics of a Single Section Inextensible Continuum Arm
DePaul University(德保罗大学)
连续体手臂,如躯干和肌腱机器人,位于刚性和软体机器人的两个末端之间,并承诺在可操作性,灵活性和顺应性方面获得两个世界的最佳状态。本文提出了一种新的运动学模型的一种新的恒定长度的连续体机器人,包括软,刚性元件。与传统的双驱动可变长度连续臂相比,所提出的设计利用超冗余刚性链来提供额外的结构强度。该模型引入了降阶映射,以考虑刚性连接链产生的机械约束,从而推导出封闭形式的曲线参数模型。对该模型进行了数值计算,结果表明该模型是可靠的.
2019-07-15 cs.RO
LLA-MPPI: Rapidly Adaptive Whole-body Control of Legged Robots with GPU-Accelerated Parallel Simulations
Carnegie Mellon University(卡内基梅隆大学);Massachusetts Institute of Technology(麻省理工学院)
提出LLA-MPPI方法,通过GPU并行模拟器选择实现腿式机器人全身自适应控制,无需离线训练,在模拟和硬件上均显著优于基线。
2026-10-08 cs.RO cs.SY eess.SY
ParaMaP: Parallel Mapping and Collision-free Motion Planning for Reactive Robot Manipulation
School of Electrical and Information Engineering, Tianjin University(天津大学电气与信息工程学院)
ParaMaP通过并行映射与SMPC规划器实现未知环境中机器人操作的实时无碰撞运动规划。
2025-12-27 cs.RO
CafkNet: GNN-Empowered Forward Kinematic Modeling for Cable-Driven Parallel Robots
The University of Hong Kong(香港大学);Northeastern University(东北大学);University of Science and Technology of China(中国科学技术大学)
本文提出CafkNet,首次利用图神经网络学习缆索驱动并联机器人的拓扑结构,实现快速、高精度且可零样本泛化的正向运动学求解,并验证了其跨配置和sim2real迁移能力。
2024-11-25 cs.RO
PyRoki: A Modular Toolkit for Robot Kinematic Optimization
UC Berkeley(加州大学伯克利分校)
本文提出模块化跨平台工具包 PyRoki,用于求解机器人运动学优化问题,支持 CPU、GPU 和 TPU,在运动重定向与规划中表现优异,且比 cuRobo 快 1.4-1.7 倍并收敛到更低误差。
2025-05-06 cs.RO
VaPr: Variable-Precision Tensors to Accelerate Robot Motion Planning
NVIDIA Corporation(英伟达公司);Harvard University(哈佛大学)
针对高维运动生成中内存瓶颈问题,提出可变精度张量搜索优化方法,在约400万组合中确定最优精度,实验表明4位FP格式足够,并在Jetson Orin和RTX2080 Ti上分别获得6.3%和9.9%以上的加速。
2023-10-11 cs.RO
Bayesian Continuum Robot Dynamics and State Estimation
Vanderbilt University(范德堡大学);University of Utah(犹他大学)
针对连续体机器人在动态运动下现有状态估计方法忽略惯性效应的问题,提出基于Cosserat杆动力学的贝叶斯框架,将惯性和阻尼等效为载荷,实现随机前向仿真与联合状态估计,并经仿真和实验验证。
2026-09-18 cs.RO
Embodied Self-Supervised Learning (EMSSL) with Sampling and Training Coordination for Robot Arm Inverse Kinematics Model Learning
Peking University(北京大学)
针对机器人手臂逆运动学模型学习中的非凸难题,提出基于具身自监督学习(EMSSL)的采样与训练协调框架,通过批量推理和并行计算加速学习,并实现模型快速适应,实验验证了其有效性。
2025-04-23 cs.RO
Planning for robotic exploration based on forward simulation
Tampere University of Technology(坦佩雷理工大学)
本文提出基于POMDP的探索规划方法,结合信息论目标函数和正向模拟算法,通过改进的互信息近似方法提升机器人在部分已知环境中的探索效率。
2016-06-29 cs.RO cs.SY eess.SY
Learning-based Estimation of Forward Kinematics for an Orthotic Parallel Robotic Mechanism
University of California, Riverside(加州大学河滨分校);Columbia University(哥伦比亚大学)
针对面向颈椎病辅助的三链五自由度并联机器人,本文用 Koopman 算子和神经网络学习正运动学,并通过仿真与硬件实验验证其有效性。
2025-03-14 cs.RO cs.SY eess.SY
DisGNet: A Distance Graph Neural Network for Forward Kinematics Learning of Gough-Stewart Platform
Wuhan Institute of Technology(武汉工程大学);Huazhong University of Science and Technology(华中科技大学)
本文提出图神经网络 DisGNet 结合 GPU 友好的 Newton-Raphson 两阶段方法,解决 Gough-Stewart 平台正向运动学问题,在满足实时计算的同时实现超高精度位姿输出。
2024-02-14 cs.LG cs.RO
Domain-specific Hardware Acceleration for Model Predictive Path Integral Control
Univ Rennes(里昂大学);Inria(法国国家信息与自动化技术研究院);CNRS(法国国家科学研究中心);IRISA(国际信息与自动化研究所);UMR6074(法国国家科研机构联合研究单位6074)
本文提出了一种针对MPPI控制的定制硬件加速器,通过实验验证其在轨迹精度上优于基于GPU的实现。
2026-01-17 cs.AR cs.RO
High-Speed Accurate Robot Control using Learned Forward Kinodynamics and Non-linear Least Squares Optimization
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
在高速下精确控制机器人需要一个控制系统,可以考虑到机器人与环境的kinodynamic相互作用。以前的工作学习逆Kinodynamic(IKD)模型的机器人已经成功地捕捉复杂的Kinodynamic效果。然而,这些方法可以应用到的控制问题的类型仅限于以下预先计算kinodynamically可行轨迹。在本文中,我们提出了Optim-FKD,一个新的配方,准确,高速机器人控制,利用一个学习向前kinodynamic(FKD)模型和非线性最小二乘优化。Optim-FKD可用于对任何可由非线性最小二乘目标指定的控制任务进行精确、高速控制。Optim-FKD可以实时的求解路径跟踪和时间最优控制等控制目标,而不需要访问预先计算的运动学可行轨迹。我们通过在十分之一自动驾驶汽车上的实验来实证我们方法的这些能力。我们的研究结果表明,Optim-FKD可以更准确地跟踪期望的轨迹,可以找到更好的解决方案,最优控制问题比基线方法。
2022-08-03 cs.AI cs.LG cs.RO
Superfast Configuration-Space Convex Set Computation on GPUs for Online Motion Planning
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Toyota Research Institute(丰田研究所);Woven by Toyota(丰田编织)
本研究提出一种基于GPU大规模并行计算的配置空间凸集构建算法,集成到运动规划流水线中,在动态环境下实现快速可靠的高质量轨迹优化,在基准测试中速度提升17.1倍、可靠性提升27.9%。
2025-04-15 cs.CG cs.RO
CRESSim-Neo: A Batched GPU Simulation Engine for Surgical Robotics and Robot Learning
University of Alberta(阿尔伯塔大学)
本文推出CRESSim-Neo,一款面向外科机器人与机器人学习的批量GPU仿真引擎,支持多类外科相关仿真任务,在RTX 4090上实现高并行环境步性能,为相关研究提供统一可扩展平台。
2026-09-02 cs.RO
Robot Manipulator Control with Inverse Kinematics PD-Pseudoinverse Jacobian and Forward Kinematics Denavit Hartenberg
University of Bengkulu(明古鲁大学);Pusat Penelitian Elektronika dan Telekomunikasi Lembaga Ilmu Pengetahuan Indonesia(印度尼西亚科学院电子学与电信研究中心)
本文提出了基于视觉的机器人手臂机械手控制的发展,应用比例导数-伪逆雅可比(PD-PIJ)运动学和Denavit Hartenberg正运动学。基于颜色的排序对象的任务进行观察在实际系统上的机械手的实施误差传播。利用HSV颜色模型对数码相机拍摄的目标图像进行处理,计算出每个目标的质心坐标。这些坐标是末端执行器的位置目标,以拾取每个对象并根据其颜色放置到正确的位置。基于末端执行器位置目标,采用PD-PIJ逆运动学方法确定机械臂各关节的直角。由PD-PIJ发现的角度是DH正运动学的输入。重复该过程,直到方形末端执行器到达目标。利用概率密度函数(PDF)和威布尔概率分布对模型和实际机械手的实现进行了实验分析。结果表明,该机械手导航系统具有良好的性能.在机械手上进行的颜色分选实验表明,当欧氏距离误差小于1.2cm时,成功率cm为94.46%。
2021-08-31 cs.RO cs.SY eess.SY
Planning to Learn: Real-Time Robust Adaptive Control on the GPU with Guaranteed Future Learning
Georgia Institute of Technology(佐治亚理工学院)
本研究提出基于系统级综合的学习感知鲁棒自适应模型预测控制框架A-SLS,结合GPU加速求解器,降低可达管保守性,实现高维机器人系统实时控制,且在Crazyflie无人机硬件上验证了有效性。
2026-10-16 cs.LG cs.RO cs.SY
TurboMPC: Fast, Scalable, and Differentiable Model Predictive Control on the GPU
Dartmouth College(达特茅斯学院);Toyota Research Institute(丰田研究所)
提出TurboMPC,一种完全运行在GPU上的可微分MPC求解器,通过SQP、ADMM内求解器、隐式微分和JAX-CUDA协同设计,在约束规划、人形模仿学习和强化学习中实现高达15倍和58倍的加速,并在实车最小时间竞赛中通过贝叶斯优化调参显著提升性能。
2026-06-25 cs.LG cs.RO cs.SY
Emulating On-Orbit Interactions Using Forward Dynamics Based Cartesian Motion
University of Luxembourg(卢森堡大学);Ecole Centrale de Nantes(南特中央理工学院)
本文提出一种结合虚拟前向动力学模型与轨道动力学模拟器的控制框架,用于地面机器人模拟在轨交互,实验验证了高保真度。
2023-11-17 cs.RO cs.SY eess.SY
ScheduleStream: Temporal Planning with Samplers for GPU-Accelerated Multi-Arm Task and Motion Planning & Scheduling
NVIDIA Research Seattle Robotics Lab (SRL)(NVIDIA西雅图机器人实验室);University of Sydney(悉尼大学)
提出ScheduleStream,首个通用框架,通过混合持续动作和领域无关算法,结合GPU加速采样器,实现多臂并行任务与运动规划及调度。
2026-05-28 cs.AI cs.MA cs.RO
cuRobo: Parallelized Collision-Free Minimum-Jerk Robot Motion Generation
NVIDIA(英伟达)
提出GPU加速库cuRobo,通过并行种子、L-BFGS、带噪线搜索和粒子优化实现50ms内无碰撞机械臂运动生成,并提供快速几何规划与IK求解。
2023-11-03 cs.AR cs.DC cs.RO
mjlab: A Lightweight Framework for GPU-Accelerated Robot Learning
UC Berkeley(加州大学伯克利分校);Sorbonne University(索邦大学)
mjlab是一种轻量级GPU加速机器人学习框架,结合可组合环境和MuJoCo Warp,提供快速安装和直接访问原生数据结构的功能,并附带三种任务的参考实现。
2026-02-25 cs.RO
Real Time Collision Avoidance with GPU-Computed Distance Maps
University of Bologna(博洛尼亚大学)
提出基于 GPU 三维距离变换与体素地图的实时运动学控制框架,使 Tiago 机器人在末端位姿跟踪中统一规避外部障碍和自碰撞。
2024-07-02 cs.RO
Full-Body Visual Self-Modeling of Robot Morphologies
Columbia University(哥伦比亚大学)
物理身体的内部计算模型是机器人和动物计划和控制其行动能力的基础。这些“自我模型”允许机器人考虑多种可能的未来行动的结果,而无需在物理现实中进行尝试。最近在完全数据驱动的自建模方面取得的进展使机器能够直接从与任务无关的交互数据中学习自己的正运动学。然而,前向运动学模型只能预测形态的有限方面,例如末端执行器的位置或关节和质量的速度。一个关键的挑战是对整个形态学和运动学进行建模,而不需要事先知道形态学的哪些方面与未来的任务相关。在这里,我们建议,而不是直接建模正向运动学,一个更有用的形式的自我建模是一个可以回答空间占用查询,条件是机器人的状态。这种查询驱动的自我模型在空间域中是连续的,记忆效率高,完全可区分和运动感知。在物理实验中,我们展示了一个视觉自我模型是如何精确到工作空间的百分之一,使机器人能够执行各种运动规划和控制任务。视觉自建模还可以让机器人检测、定位并从现实世界的损坏中恢复,从而提高机器的弹性。我们的项目网站是:https://robot-morphology.cs.columbia.edu/
2021-11-21 cs.AI cs.CV cs.LG
DiffPhD: A Unified Differentiable Solver for Projective Heterogeneous Materials in Elastodynamics with Contact-Rich GPU-Acceleration
National Taiwan University(国立台湾大学);MoonShine Animation Studio(MoonShine 动画工作室);National University of Singapore(新加坡国立大学);The University of British Columbia(不列颠哥伦比亚大学);Independent Researcher(独立研究员);National Yang Ming Chiao Tung University(阳明交通大学)
DiffPhD通过整合 stiffness-aware 项目权重、信任域特征值过滤和统一GPU管道,解决异质材料中的超弹性、大变形和接触丰富问题,实现高精度与速度的平衡。
2026-05-14 cs.DC cs.GR cs.NA
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
Isaac Gym: High Performance GPU-Based Physics Simulation For Robot Learning
NVIDIA(英伟达)
Isaac Gym提供了一个高性能的学习平台,可以直接在GPU上为各种机器人任务进行训练策略。物理模拟和神经网络策略训练都驻留在GPU上,并通过直接将数据从物理缓冲区传递到PyTorch张量进行通信,而无需通过任何CPU瓶颈。这导致在单个GPU上进行复杂机器人任务的快速训练时间,与使用基于CPU的模拟器和用于神经网络的GPU的传统RL训练相比,提高了2-3个数量级。我们在\url{https://sites.google.com/view/isaacgym-nvidia}和isaac健身房托管结果和视频可以在\url{https://developer.nvidia.com/isaac-gym}下载。
2021-08-25 cs.LG cs.RO
FF-SRL: High Performance GPU-Based Surgical Simulation For Robot Learning
Sano Centre for Computational Medicine(桑诺计算医学中心);Department of Engineering for Innovation Medicine(创新医学工程系);University of Verona(威尼斯大学)
FF-SRL提出在单个GPU上同时完成手术物理仿真与强化学习训练,消除CPU-GPU数据传输瓶颈,将复杂组织操作任务训练时间从常见CPU/GPU仿真器缩短一个数量级至几分钟,并开源代码以促进机器人手术自动化研究。
2025-06-03 cs.RO
Elevation Mapping for Locomotion and Navigation using GPU
ETH Zurich(苏黎世联邦理工学院)
感知周围环境对于自主移动机器人至关重要。高程图为地面机器人提供了一种节省内存、简单而强大的几何表示。机器人可以使用这些信息在未知环境中进行导航或在粗糙地形上进行感知运动控制。根据应用程序的不同,可能会包含各种后处理步骤,例如平滑、修复或平面分割。在这项工作中,我们提出了一个高程映射管道,利用GPU进行快速有效的处理,并具有导航和运动的附加功能。我们证明了我们的映射框架,通过广泛的硬件实验。我们的绘图软件在DARPA地下挑战赛期间成功部署用于地下勘探和四足动物运动的各种实验。
2022-04-27 cs.RO
UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms
THU(清华大学);SJTU(上海交通大学);SII(上海信息所);Motphys;HITSZ(哈尔滨工业大学);BIT(北京理工大学);NEU(南京大学);SUSTech(四川大学);TJU(天津大学);DISCOVER Robotics;HKUST(GZ)(香港科技大学(广州));Galbot;NUS(国立新加坡大学);WTU(武汉理工大学);HBUT(湖南大学);AMD;NJU(南京大学);ZJU(浙江大学);Dexmal;Sharpa;D-Robotics
提出UniLab异构CPU-仿真/GPU-学习架构,通过统一运行时解耦CPU并行仿真与GPU策略更新,在相同硬件配置下将端到端训练效率提升3-10倍,并减少对NVIDIA CUDA的依赖。
2026-06-02 cs.RO
Batched Differentiable Rigid Body Dynamics in PyTorch for GPU-Accelerated Robot Learning
University of Southampton(南安普顿大学)
提出BARD,一种基于PyTorch的批处理可微刚体动力学库,通过三级缓存、无矩阵乘法的关节变换和层级并行传播,在GPU上实现高达64倍的前向运动学加速,并支持梯度计算。
2026-05-29 cs.RO
Virtual Forward Dynamics Models for Cartesian Robot Control
FZI Forschungszentrum Informatik(FZI信息技术研究中心)
在工业背景下,导纳控制是一个重要的计划,在编程机器人与环境的互动任务。这些机器人通常在关节级实现高增益干扰抑制,并隐藏对速度或位置控制接口后面的致动器的直接存取。使用腕力-扭矩传感器来增加这些系统的顺应性,力分辨控制律必须将来自笛卡尔空间的控制信号映射到关节运动。虽然前向动力学算法将完美地适合于该任务描述,但它们在笛卡尔机器人控制中的应用还没有得到很好的研究。本文提出了一个一般概念的虚拟前向动力学模型的笛卡尔机器人控制和研究如何向前映射的行为比较完善的替代品。通过与末端执行器相比减少虚拟系统的连杆质量,虚拟系统在操作空间动力学中变为线性。实验重点是稳定性和可操作性,特别是在奇异配置。我们的研究结果表明,通过这种技巧,前向动力学可以结合雅可比逆和雅可比转置的好处,在这方面,优于阻尼最小二乘法。
2020-09-24 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
FlashNav: Training Deployable Robot Navigation Policies in Seconds
Eastern Institute of Technology, Ningbo(宁波东方理工大学);The Hong Kong Polytechnic University(香港理工大学);National University of Singapore(新加坡国立大学);University of Science and Technology of China(中国科学技术大学);Shanghai Jiao Tong University(上海交通大学)
提出FlashNav框架,通过GPU加速和MDP对齐实现20秒内训练可部署的导航策略,在TurtleBot2和Unitree Go2上验证成功。
2026-10-02 cs.RO
Train Robots in a JIF: Joint Inverse and Forward Dynamics with Human and Robot Demonstrations
Dept. of Computer Science(计算机科学系);Dept. of Mechanical Engineering(机械工程系);Columbia University(哥伦比亚大学)
提出一种结合多模态人类演示的联合逆正向动力学预训练方法,通过提取潜在状态表示提升数据效率,实现仅需少量机器人演示的高效微调,支持视觉与触觉多模态融合,推动可扩展的机器人操作学习。
2025-04-28 cs.RO
Evaluation of Position and Velocity Based Forward Dynamics Compliance Control (FDCC) for Robotic Interactions in Position Controlled Robots
University of Luxembourg(卢森堡大学);PPRIME Institute(PPRIME研究所);CNRS(法国国家科学研究中心);ENSMA(国立高等机械与航空技术学院);University of Poitiers(普瓦捷大学)
在机器人操作中,末端执行器的顺应性是执行接触丰富的任务,如加工,装配和人机交互的必要前提。大多数机器人手臂是硬件级别的位置控制刚性系统。因此,增加合规性变得至关重要。在这些系统中的合规性最近已经实现了使用前向动力学合规性控制(FDCC),这是由于其虚拟的前向动力学模型,可以实现的位置和速度控制的机器人。本文评估了控制接口(因此控制域)的选择,这虽然被认为是微不足道的,是必不可少的,由于其特性的差异。在某些情况下,选择仅限于可用的硬件接口。然而,考虑到可选择的选项,基于速度的控制接口使顺应性控制成为更好的候选者,因为更平滑的顺应性行为、减少的交互力和所做的功。为了证明这些点,本文FDCC上UR10e六自由度机械手速度和位置控制模式进行评估。该评估基于使用3D打印工件的力控制基准测试指标。真实的实验倾向于选择速度控制而不是位置控制。
2022-10-24 cs.RO
GPUSimBench: Towards Scalable and Reliable GPU-Accelerated Simulators in Embodied AI
Shanghai AI Laboratory(上海人工智能实验室);MIRAI(未来人工智能研究所);Nanyang Technological University(南洋理工大学);Nanjing University(南京大学)
研究具身人工智能中GPU加速模拟器问题,通过GPUSimBench工具,建立物理基础评估、基准测试并行可扩展性,揭示并量化GPU批处理执行的不确定性,确定模拟器堆栈随机经验模式,强调无界扩展对可重复性的影响。
2026-07-16 cs.RO