Extended Kalman Filter State Estimation for Autonomous Competition Robots
Henry M Gunn High School（亨利·M·冈恩高中）；University of Michigan（密歇根大学）
本文针对自主竞赛机器人定位问题，利用扩展卡尔曼滤波融合里程计、视觉地标检测和物理模型预测，在四轮麦克纳姆轮仿真中验证了该方法能提升位置与速度估计精度，并讨论了其假设与局限。
2023-10-05 cs.RO cs.SY eess.SY
A study and design of localization system for mobile robot based on ROS
近年来，移动机器人由于广泛应用于日常生活的各个领域，受到了众多研究者的关注。本文应用虚拟机器人操作系统（ROS）平台开发了机器人运动定位系统。该系统是基于相对和绝对测量方法的组合，其中的数据从编码器，数字罗盘，和激光扫描仪传感器融合使用扩展卡尔曼滤波器（EKF）。该系统还成功地消除了由环境引起的误差以及误差积累。实验结果表明，该系统具有良好的位姿精度和稳定性，可进一步应用于室内环境下的机器人工作。
2021-09-12 cs.RO cs.SY eess.SY
Mobile Robot Localization via Indoor Positioning System and Odometry Fusion
Telkom University（泰尔康大学）；National Research and Innovation Agency（国家研究与创新署）
针对室内移动机器人定位问题，本文利用EKF融合超声波IPS与轮式里程计数据，实验证明其可抑制打滑和噪声误差并显著提升定位与轨迹跟踪精度。
2025-09-20 cs.RO
Real-time 3D Human Tracking for Mobile Robots with Multisensors
Zhejiang University（浙江大学）；The University of Technology, Sydney（悉尼科技大学）
获取机器人周围目标人的准确3D位置提供了适用于各种机器人任务的基本和有价值的信息，包括家庭服务，导航和娱乐。本文提出了一个实时的【形】机器人三维人体跟踪系统，该系统结合了单目摄像机和超声波传感器的扩展卡尔曼滤波器（EKF）。该系统由三个子模块组成：单目摄像机传感器跟踪模型、超声波传感器跟踪模型和多传感器融合。提出了一种改进的视觉跟踪算法，以提供部分位置估计（2-D）。该算法的设计，以克服严重的遮挡，规模变化，目标丢失，实现鲁棒的重新检测。通过估计的3-D信息，进一步提高了尺度精度。超声波传感器阵列提供的距离信息，从目标人的机器人和高斯过程回归用于部分位置估计（2-D）。EKF被采用来顺序地处理分别来自视觉传感器和超声波传感器的以异步顺序到达的多个异构测量。在实验中，所提出的跟踪系统进行了测试，在模拟平台和实际的移动机器人的各种室内和室外场景。实验结果表明，三维跟踪系统的精度和鲁棒性方面的优越性能。
2017-03-15 cs.CV cs.RO
Online Joint Calibration of Steering Offset and Planar LiDAR Extrinsics for Wheeled Mobile Robots
ATI Motors
针对仓库移动机器人手动校准转向偏移与激光雷达外参易出错的问题，提出基于扩展卡尔曼滤波的在线联合校准方法，经实验验证可有效降低横向跟踪误差。
2026-08-28 cs.RO
Iterated Invariant EKF for Quadruped Robot Odometry
Dynamic Legged Systems Lab, Istituto Italiano di Tecnologia（动态腿系统实验室，意大利技术研究院）；Department of Mechanical Engineering, Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学机械工程系）；Department of Electrical Engineering and Computer Science, University of Liège（列日大学电气工程与计算机科学系）；Mines Paris PSL, Centre for Robotics（巴黎综合理工学院机器人中心）
本文提出基于IterIEKF的新型腿式机器人状态估计算法，利用本体感觉测量和运动学约束，提高环境鲁棒性，在精度和一致性上优于传统IEKF和SO(3)基卡尔曼滤波。
2026-04-16 cs.RO
The Iterative Equivariant Filter
The University of Sydney（悉尼大学）；McGill University（麦吉尔大学）
本文提出迭代等变滤波器（IterEqF），结合迭代扩展卡尔曼滤波与等变滤波的优点，通过迭代更新和协方差重置提升移动机器人距离定位的精度，尤其在瞬态收敛阶段表现更优。
2026-09-14 cs.RO cs.SY eess.SY
Reformulating AI-based Multi-Object Relative State Estimation for Aleatoric Uncertainty-based Outlier Rejection of Partial Measurements
Control of Networked Systems Group, University of Klagenfurt（克雷根弗特大学网络化系统控制组）
本文提出通过重新表述测量方程，利用DNN预测的概率不确定性来提高基于AI的多目标相对状态估计中部分测量异常值剔除的性能。
2026-02-02 cs.RO
Metric State Space Reinforcement Learning for a Vision-Capable Mobile Robot
我们解决的问题，自主学习控制器的视觉能力的移动机器人。我们扩展了McCallum（1995）的最近序列记忆算法，以允许在状态动作轨迹上的一般度量。我们证明了我们的方法的可行性，成功地运行我们的算法在一个真正的移动机器人。该算法是新颖和独特的，因为它（a）探索环境，并直接在移动机器人上学习，而不使用手工制作的计算机模型作为中间步骤，（b）不需要手动离散化的传感器输入空间，（c）工作在分段连续的感知空间，（d）处理部分可观测性。与以前的方法相比，这允许从更少的经验中学习。
2006-03-07 cs.LG cs.RO
A Neuro-Fuzzy Multi Swarm FastSLAM Framework
FastSLAM是使用Rao-Blackwellized粒子滤波器进行同时定位的框架。在FastSLAM中，粒子滤波用于移动机器人位姿（位置和方向）估计，扩展卡尔曼滤波器（EKF）用于特征位置估计。然而，FastSLAM随着时间的推移而退化。这种退化是由于估计机器人姿态的粒子集失去其多样性的事实。在FastSLAM中失去颗粒多样性的主要原因之一是样品分散。它发生在可能性位于建议分布的尾部时。在这种情况下，大多数粒子权重都是微不足道的。FastSLAM的另一个问题涉及用于地标位置估计的扩展卡尔曼滤波器的设计。EKF的性能和估计的质量在很大程度上取决于过程和测量噪声协方差矩阵（Q和R）的正确先验知识，在大多数应用中是未知的。另一方面，Q和R的不正确的先验知识可能严重降低卡尔曼滤波器的性能。本文提出了一种神经模糊多群FastSLAM框架。在我们提出的方法中，神经模糊扩展卡尔曼滤波器的地标特征估计，并提出了基于粒子群优化的粒子滤波器，以克服FastSLAM的繁琐。实验结果证明了该算法的有效性。
2010-03-22 cs.RO
SLAM Backends with Objects in Motion: A Unifying Framework and Tutorial
University of California, Berkeley（加州大学伯克利分校）
同时定位与地图构建（SLAM）算法经常被部署以支持广泛的机器人应用，诸如未知环境中的自主导航和虚拟现实中的场景映射。这些应用中的许多需要自主智能体在高度动态的场景中执行SLAM。为此，本教程将最近推出的基于优化的统一SLAM后端框架扩展到具有移动对象和功能的环境。使用这个框架，我们认为在动态SLAM的最新进展的和解。此外，我们提出了动态EKF SLAM：一种新的，基于过滤的动态SLAM算法从我们的框架中产生，并证明了它在数学上相当于一个直接扩展的经典EKF SLAM算法的动态环境设置。仿真实验结果表明，动态EKF SLAM算法具有较高的定位精度和运动目标姿态估计精度，以及较高的地图精度，且效率较高。
2023-02-28 cs.RO cs.SY eess.SY
HIPer: A Human-Inspired Scene Perception Model for Multifunctional Mobile Robots
Fraunhofer IPA（弗劳恩霍夫应用研究促进协会 IPA研究所）；University of Stuttgart（斯图加特大学）
本文提出类人场景感知模型 HIPer，通过识别、知识表示与解释三元架构融合检测器、SLAM、层级知识库及自学习机制，并以消融实验验证各组件在机器人取送任务中的作用。
2024-04-27 cs.RO
Online Learning of Robust Legged Odometry with Minimal Exteroceptive Supervision
University of Delaware（德克萨斯大学）
提出一种即插即用的鲁棒腿式里程计系统，利用外感受运动管线作为监督信号在线学习速度神经网络，并结合不变扩展卡尔曼滤波器融合数据，无需传感器标定或运动学建模，在不同四足平台上验证了其适应性和鲁棒性。
2026-06-23 cs.RO
Interactive Restriction of a Mobile Robot's Workspace in a Smart Home Environment
Bielefeld University of Applied Sciences（比勒费尔德应用科学大学）；Otto-von-Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
虚拟边界被用来允许人类在以人为中心的环境中交互和灵活地限制他们的移动机器人的活动，例如从工作空间中排除隐私区域或指示某些工作区域。他们已经成功地指定在交互过程中使用的方法，从人机交互。然而，这些方法往往缺乏一个富有表现力的反馈系统，被限制到机器人的板上的互动能力，并需要一个直接的视线之间的人和机器人。这会对用户体验和交互时间产生负面影响。因此，我们研究了智能环境对虚拟边界教学的影响，目的是提高机器人的感知和交互能力。为此，我们提出了一种新的互动方法的基础上的激光笔，利用灵巧家庭环境中的互动过程。该交互方法包括用于灵巧家庭环境的架构，该架构被设计为支持交互过程、在交互过程中人、机器人和智能环境的合作、包括用于感知激光光斑的固定和移动相机的合作感知以及用于从多个相机观察中提取虚拟边界的算法。实验评估的结果支持我们的假设，我们的新的交互方法具有显着更短的交互时间和更好的用户体验相比，没有支持的智能环境的方法。此外，该交互方法不会负面地影响关于完整性和准确性的其他用户要求。
2019-10-28 cs.RO
Integrating Deep RL and Bayesian Inference for ObjectNav in Mobile Robotics
Institute For Systems and Robotics（系统与机器人研究所）
本文提出结合贝叶斯推断与深度强化学习的混合对象搜索框架，通过在线更新空间信念图和训练导航策略，提升移动机器人在部分可观测环境中的搜索效率和可靠性。
2026-03-26 cs.AI cs.CV cs.RO
D-SLATS: Distributed Simultaneous Localization and Time Synchronization
University of California, Los Angeles（加州大学洛杉矶分校）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出D-SLATS框架，通过分布式扩展卡尔曼滤波和优化技术联合解决时间同步与定位问题，实现3微秒精度和30厘米误差。
2017-11-10 cs.DC cs.LG cs.NI
Towards an Accurate and Effective Robot Vision (The Problem of Topological Localization for Mobile Robots)
本研究针对办公环境移动机器人拓扑定位难题，仅用单台彩色相机图像，系统定量对比多种前沿视觉描述符、距离度量与分类器，验证了合理配置的性能优势，并在ImageCLEF机器人视觉任务中得到验证。
2025-09-05 cs.CV cs.RO
LIO-EKF: High Frequency LiDAR-Inertial Odometry using Extended Kalman Filters
Institute of Geodesy and Geoinformation, University of Bonn（波恩大学大地测量与地理信息研究所）；Department of Engineering Science at the University of Oxford（牛津大学工程科学系）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文提出紧耦合LIO-EKF激光雷达-惯性里程计系统，利用点到点配准、扩展卡尔曼滤波和考虑不确定性的自适应数据关联减少参数调优，在保持先进精度的同时显著提升计算速度。
2024-05-08 cs.RO
Deep Reinforcement Learning-based Obstacle Avoidance for Robot Movement in Warehouse Environments
AMA University（AMA大学）；New York University（纽约大学）；University of California, Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）；Northeastern University（东北大学）；Cornell University（康奈尔大学）；University of California, Irvine（加州大学欧文分校）；Northern Arizona University（北亚利桑那大学）
针对仓库环境中传统移动机器人避障策略反馈不佳的问题，提出一种基于深度强化学习的避障算法，通过改进价值函数网络并设计基于行人空间行为的奖励函数，实现了高效舒适的避障，仿真实验验证了其有效性。
2024-09-23 cs.AI cs.RO
Distributed Invariant Kalman Filter for Cooperative Localization using Matrix Lie Groups
George Mason University（乔治梅森大学）；University of California, Berkeley（加州大学伯克利分校）；University of California, Riverside（加州大学河滨分校）
针对多机器人三维协同定位，提出基于矩阵李群的分布式不变卡尔曼滤波器DInEKF，以独立于状态估计的雅可比提升一致性，并经仿真与实验验证。
2024-05-07 cs.RO cs.SY eess.SY
Extensible Grounding of Speech for Robot Instruction
IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）
口语是一个方便的界面，用于指挥移动机器人。然而，要做到这一点，一些基本术语必须以感知和运动技能为基础。我们详细介绍了我们的机器人ELI上使用的语言处理，并解释了这种接地是如何执行的，它如何与用户手势交互，以及它如何处理回指等现象。然而，更重要的是，有一些概念是机器人无法预先编程的，例如家庭中各种物体的名称或它可能被要求执行的特定任务的性质。在这些情况下，至关重要的是要有一种方法来扩大基础，基本上是“通过被告知来学习”。我们描述了这是如何成功地实现学习新的名词和动词在桌面设置。创建这种语言学习内核可能是机器人需要的最后一个明确的编程-核心机制最终可以用于传授大量的知识，就像孩子从父母和老师那里学习一样。
2018-07-31 cs.AI cs.CL cs.RO
A Mobile Robotic Personal Nightstand with Integrated Perceptual Processes
Clemson University（克莱姆森大学）
我们提出了一个智能交互式床头柜安装在移动机器人，以帮助老年人在他们的家中使用物理，触觉和视觉感知。我们展示了三种不同的传感模式的集成，用于控制安装在床头柜上的机器人的导航在受限的环境中的通用客厅住房的一个单一的需要帮助和监测的个人老化。安装在房间天花板上的摄像头可以从上到下观察障碍物、人和床头柜。安装在个人的床架下方的压力传感器提供对个人状态的物理感知。床头柜上的一个近距离红外传感器作为一个触觉界面，与Wii Nunchuck（任天堂）一起控制床头柜上的日常操作。来自这三种模式的智能相结合，使路径规划的床头柜接近个人。随着越来越多的人选择留在家中的老年人越来越重视辅助技术，我们展示了如何将泛在智能带入家庭，以帮助监控和提供护理。我们的方法通过无缝集成嵌入环境结构中的不同传感器，朝着实现普遍智能迈出了一步。
2013-10-13 cs.RO
MoPA: Coordinated Mobile Manipulation via Subsystem-Specific Perception Alignment
THU（清华大学）；Xspark AI；HKUST (GZ)（香港科技大学（广州））；HKU（香港大学）
MoPA通过双感知流和感知到动作适应，对齐移动与操作的感知条件化，在ManiSkill-HAB和真实任务中实现最先进性能。
2026-09-15 cs.CV cs.RO
InCoM: Intent-Driven Perception and Structured Coordination for Mobile Manipulation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院）；AnyverseDynamics
InCoM通过意图驱动的感知和结构化协调框架，解决移动操作中基座与机械臂动作耦合及感知注意力分配问题，提升任务成功率。
2026-07-14 cs.RO
FPR -- Fast Path Risk Algorithm to Evaluate Collision Probability
随着移动机器人和自动驾驶汽车在以人为中心的环境中变得越来越普遍，需要控制碰撞风险。感知模块，例如机器视觉，提供对象位置的不确定估计。在这种情况下，经常假设一个确切已知的自由空间是无效的。显然，没有路径可以保证是无冲突的。相反，它是必要的，以计算碰撞的概率风险在任何建议的路径。FPR算法，提出了这里，有效地计算上界的碰撞风险的机器人在平面上移动。该计算根据候选轨迹的风险程度（上的界限）对候选轨迹进行排序。然后，可以根据次要标准（例如舒适度和效率）选择用户定义的主要风险阈值内的路径。本文的主要贡献是FPR算法及其“卷积技巧”，用于分解用于限制碰撞风险的积分。作为卷积技巧的结果，给定$K$障碍和$N$候选路径，计算负荷从原始$O(NK)$减少到定性更快的$O(N+K)$。
2019-09-17 cs.RO math.OC
Semantic-Aware Particle Filter for Reliable Vineyard Robot Localisation
Lincoln Centre for Autonomous Systems (L-CAS), University of Lincoln, UK（林肯自主系统中心（L-CAS），林肯大学，英国）；MAVLab, TU Delft, Netherlands（MAV实验室，代尔夫特理工大学，荷兰）；Robotics Systems Lab, ETH Zurich, Switzerland（机器人系统实验室，苏黎世联邦理工学院，瑞士）
本文提出一种语义感知粒子滤波方法，通过融合葡萄树干和支撑柱的语义检测、语义墙约束及自适应GPS先验，解决葡萄园中因行结构重复导致的定位混叠问题，并在真实环境中验证其优于AMCL和RTAB-Map。
2025-09-22 cs.CV cs.RO
Recognizing Objects In-the-wild: Where Do We Stand?
TU Wien（维也纳技术大学）；Italian Institute of Technology（意大利理工学院）
识别物体的能力是机器人系统在人类居住环境中工作的基本技能。尽管机器人和视觉研究界几十年来一直在努力，但机器人仍然缺乏良好的视觉感知系统，这阻碍了自主智能体在现实世界中的应用。由于缺乏能够准确代表机器人在野外感知的世界的测试平台，进展缓慢。为了填补这一空白，我们引入了一个大规模的，多视图对象数据集收集与安装在移动机器人上的RGB-D相机。该数据集嵌入了机器人在现实应用中面临的挑战，并为验证对象识别算法提供了有用的工具。除了描述数据集的特征外，本文还评估了一系列成熟的深度卷积网络在新数据集上的性能，并分析了深度表示从Web图像到机器人数据的可移植性。尽管使用这种表示方法获得了有希望的结果，但实验表明，使用现实生活中的机器人数据进行对象分类远未解决。最后，我们提供了一个比较研究，分析和突出机器人视觉的开放性挑战，解释性能的差异。
2018-05-22 cs.CV cs.RO
SuckTac: Camera-based Tactile Sucker for Unstructured Surface Perception and Interaction
受头足类动物启发，提出集成相机触觉传感器的智能吸盘SuckTac，通过结构优化与多材料铸造实现高密度感知与稳健吸附，在布料操作等任务中展现卓越性能。
2025-11-04 cs.RO
Secure Navigation using Landmark-based Localization in a GPS-denied Environment
Missouri University of Science and Technology（密苏里科技大学）
本文提出将基于地标的定位（LanBLoc）与扩展卡尔曼滤波器（EKF）结合，利用安全轨迹和凸包点包含测试实现GPS拒止环境下的安全导航，实验显示纵向误差为6.51%、ADE为2.97米、FDE为3.27米。
2024-02-22 cs.CV cs.LG cs.RO
Improvement of Robot's Simultaneous Localization and Mapping Using an Effective Transformation to Achieve Linear Model
Subsea Science and Technology Research Institute, Isfahan University of Technology, Isfahan, Iran（伊斯法罕技术大学下海科学与技术研究所，伊斯法罕，伊朗）；Department of Electrical and Computer Engineering, Isfahan University of Technology, Isfahan, Iran（伊斯法罕技术大学电气与计算机工程系，伊斯法罕，伊朗）
针对EKF-SLAM因非线性导致发散的问题，提出通过简单罗盘和有效变换将非线性模型转为线性模型，应用原始卡尔曼滤波得到LMKF SLAM，显著提升精度、收敛性和计算效率。
2026-06-26 cs.AI cs.RO
VAULT: A Mobile Mapping System for ROS 2-based Autonomous Robots
Universidad de León（莱昂大学）
针对室外场景自主机器人实时定位与一致性建图的挑战，研究提出基于ROS 2的VAULT移动测绘系统，融合多类传感器与算法实现鲁棒定位并构建3D点云地图，为自主移动机器人室外导航建图提供可靠方案。
2025-06-11 cs.RO
Thermal-LiDAR Fusion for Robust Tunnel Localization in GNSS-Denied and Low-Visibility Conditions
Virtual Vehicle Research GmbH（虚拟车辆研究有限公司）
针对隧道等GNSS拒止、低能见度且特征匮乏环境中的定位难题，本文提出热成像相机与LiDAR融合框架，结合EKF、视觉里程计和SLAM实现稳健定位，并在隧道实验中验证其优于标准方法。
2025-05-06 cs.RO cs.SY eess.SY
Equivariant Filter Design for Range-only SLAM
Australian National University（澳大利亚国立大学）；University of Twente（特文特大学）
针对仅测距SLAM问题，基于与距离测量兼容的对称李群推导出等变滤波器（EqF），无需地标位置初始化且对无先验情况具有鲁棒性，在真实数据集上准确性和鲁棒性显著优于EKF。
2025-03-05 cs.RO cs.SY eess.SY
Fault-Tolerant Multi-Modal Localization of Multi-Robots on Matrix Lie Groups
Autonomous Space Robotics and Mechatronics Laboratory, Carleton University（卡尔顿大学自主空间机器人与机电一体化实验室）
本文提出一种基于矩阵李群的容错多模态多机器人定位框架，通过新颖的随机运算构建伪位姿并结合EKF融合多传感器数据，引入故障检测模块确保可靠性，实验证明其在多机器人定位中具备高效、可扩展和实时性能。
2025-05-01 cs.RO cs.SY eess.SY
Odometry Calibration and Pose Estimation of a 4WIS4WID Mobile Wall Climbing Robot
Croatian Academy of Sciences and Arts（克罗地亚科学与艺术学院）
本文基于多模态测量融合设计了四轮独立转向四轮独立驱动壁爬机器人姿态估计器，采用扩展卡尔曼滤波和无迹卡尔曼滤波方法，解决传统定位传感器在复杂建筑立面环境中的不可行性问题。
2025-09-04 cs.RO
Multi-robot Mission Planning in Dynamic Semantic Environments
Washington University at St. Louis（圣路易斯华盛顿大学）；University of Pennsylvania（宾夕法尼亚大学）
提出了一种新的不确定动态环境下的语义多机器人规划问题。特别是，该环境是由非合作的，移动的，不确定的标记的目标。这些目标是由随机动力学，而他们的当前和未来的位置，以及他们的语义标签是不确定的。我们的目标是控制移动传感机器人，使他们能够完成协作的语义任务定义在不确定的当前/未来的位置和标签，这些目标。我们使用线性时序逻辑（LTL）来表达这些任务。我们提出了一种基于采样的方法，探索机器人运动空间，任务规范空间，以及未来的配置标记的目标，以设计最佳路径。这些路径在线修改，以适应不确定的感知反馈。据我们所知，这是第一个工作，解决语义任务规划问题的不确定性和动态语义环境。我们提供了大量的实验，证明所提出的方法的效率
2023-03-03 cs.RO cs.SY eess.SY
CSubBT: A Self-Adjusting Execution Framework for Mobile Manipulation System
Hunan University（湖南大学）
针对移动机器人因感知与实际差异导致规划动作失败的问题，提出基于行为树的自适应执行框架CSubBT，通过分解动作、约束采样处理异常，提升操作鲁棒性。
2025-02-28 cs.RO
Active Robot-Assisted Feeding with a General-Purpose Mobile Manipulator: Design, Evaluation, and Lessons Learned
Georgia Institute of Technology（佐治亚理工学院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
饮食是日常生活（ADL）中保持健康和独立生活的基本活动。虽然已经引入了许多辅助设备，但由于设备的物理或感知限制，许多残疾人仍然受到限制，无法独立进食。在这项工作中，我们提出了一个新的膳食援助系统和评估该系统与运动障碍的人。我们还讨论了经验教训，并根据评估设计见解。该助餐系统使用了一种通用移动机械手，Willow Garage PR 2，它有可能成为一种多功能的辅助技术。我们的主动喂食框架使机器人能够自动将食物送到用户的口中，减少了用户头部移动的需要。用户界面、视觉引导行为和安全工具允许患有严重运动障碍的人成功使用该系统。我们评估了我们的系统，共有10名健全的参与者和9名运动障碍的参与者。两组参与者都成功地使用该系统吃下了各种食物，并报告了系统自主行为的高成功率。总体而言，操作该系统的参与者报告称，该系统舒适、安全且易于使用。
2019-09-16 cs.RO
A Pairwise Human-Human Interaction Detection and Recognition Framework for Mobile Service Robots
Wallenberg AI, Autonomous Systems and Software Program – Humanity and Society（瓦伦贝格人工智能、自主系统和软件计划—人类与社会）
提出两阶段框架，先利用轻量几何和运动线索识别交互对，再通过关系网络分类交互类型，在JRDB数据集上以较低计算成本取得竞争性能，并在CAD和零样本数据集上验证泛化性。
2026-06-24 cs.RO
The Effects of Communication Delay on Human Performance and Neurocognitive Responses in Mobile Robot Teleoperation
School of Mechanical Engineering, Beijing Institute of Technology, Beijing, China（机械工程学院，北京理工大学，北京，中国）；Beijing Institute of Technology, Zhuhai, China（北京理工大学，珠海，中国）
针对移动机器人遥操作中通信延迟对人机协作的不利影响，本研究通过人在环实验结合EEG与行为数据，首次揭示不同延迟对人类表现及神经认知的影响，识别出表现下降阈值与神经认知特征，为延迟补偿策略设计提供关键依据。
2025-08-25 cs.RO
Split Covariance Intersection Filter Based Visual Localization With Accurate AprilTag Map For Warehouse Robot Navigation
Department of Automation, Shanghai Jiao Tong University（上海交通大学自动化系）；Université Paris-Saclay, ENS Paris-Saclay, CNRS, Centre Borelli（巴黎-萨克莱大学、巴黎-萨克莱高等学院、法国国家科学研究中心、Borelli中心）
针对仓库机器人导航，提出基于分裂协方差交叉滤波器的视觉定位系统，利用精确AprilTag地图融合测量与运动数据，有效处理非线性、时间相关性及异常值，并在真实环境中验证了其优势。
2025-08-14 cs.RO
Multisensory Omni-directional Long-term Place Recognition: Benchmark Dataset and Analysis
Colorado School Of Mines（科罗拉多矿业学院）
识别以前访问过的地方，也称为位置识别（或环路闭合检测）是实现完全自主移动机器人和自动驾驶车辆导航的关键。通过各种同时定位与地图构建技术（SLAM）增强，环路闭合检测允许增量姿态校正，并且可以支持高效且准确的地图创建。然而，重复和相似的场景（感知混叠）和长期的外观变化（例如天气变化）是当前地点识别算法的主要挑战。我们介绍了一个新的数据集多传感器全向长期位置识别（MOLP），包括全向强度和视差图像。该数据集提出了户外移动机器人和当前位置识别算法所面临的许多挑战。使用MOLP数据集，我们制定了一个正则化的稀疏凸优化问题的位置识别问题。我们的结论是，从强度图像中提取的信息是优于视差图像在隔离歧视性的功能，成功的长期位置识别。此外，当这些区别性的功能从全向视觉传感器中提取，一个强大的双向环路闭合检测方法的建立，允许移动机器人闭环，而不管在方向上的差异时，重访一个地方。
2017-04-18 cs.RO
GIRA: Gaussian Mixture Models for Inference and Robot Autonomy
Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本研究提出开源框架GIRA，以高斯混合模型为基础构建统一感知建模框架，搭配GPU加速函数实现10-100倍的GMM学习提速，可同时满足大小尺度场景的机器人感知需求，推动相关技术创新与应用。
2024-03-13 cs.CG cs.CV cs.LG
Augmenting Visual SLAM with Wi-Fi Sensing For Indoor Applications
University at Buffalo（布法罗大学）；University of Southern California（南加利福尼亚大学）
最近的趋势加速了移动设备和机器人上的空间应用的发展。这些包括导航、增强现实、人机交互等。这种应用的关键技术是了解设备的位置和周围环境的地图。这个通用的问题，被称为同时定位与地图构建（SLAM），是机器人技术中广泛研究的主题。然而，视觉SLAM算法面临着一些挑战，包括感知混淆和高计算成本。这些挑战影响视觉SLAM算法的准确性、效率和可行性，特别是对于长期SLAM，以及它们在资源受限的移动设备中的使用。一个平行的趋势是，在大多数城市环境中，用于快速互联网接入的Wi-Fi路由器无处不在。大多数机器人和移动设备也配备了Wi-Fi无线电。我们提出了一种利用Wi-Fi接收信号强度来缓解视觉SLAM算法所面临的挑战的方法。为了证明这一想法的实用性，这项工作做出了以下贡献：（i）我们提出了一种将Wi-Fi传感集成到视觉SLAM算法中的通用方法，（ii）我们将这种传感集成到三种众所周知的SLAM算法中，（iii）使用四个不同的数据集，我们证明了这种增强的性能相比，原来的视觉算法和（iv）我们比较我们的工作Wi-Fi增强的FABMAP算法。总体而言，我们表明，我们的方法可以将视觉SLAM算法的准确性平均提高11%，并将计算时间平均减少15%至25%。
2019-03-15 cs.RO
Diffusion Based Robust LiDAR Place Recognition
Robotic Systems Lab (RSL), ETH Zurich（苏黎世联邦理工学院机器人系统实验室（RSL））；Max Planck Institute for Intelligent Systems Tübingen（图宾根马克斯·普朗克智能系统研究所）
针对建筑工地重复特征与感知混淆导致的定位难题，本文提出基于PointNet++骨干扩散模型的激光雷达全局重定位方法，在合成点云训练后实现多模态位置预测，五个真实数据集上平均精度达77% +/-2m且平均误差优于基线两倍。
2025-04-16 cs.LG cs.RO
FusionPortable: A Multi-Sensor Campus-Scene Dataset for Evaluation of Localization and Mapping Accuracy on Diverse Platforms
The Hong Kong University of Science and Technology（香港科技大学）；Southern University of Science and Technology（南方科技大学）；Clear Water Bay Institute of Autonomous Driving（清水湾自动驾驶研究院）
结合多个传感器使机器人能够最大限度地提高其对环境的感知意识，并增强其对外部干扰的鲁棒性，这对机器人导航至关重要。本文提出了FusionPortable基准，一个完整的多传感器数据集与移动机器人的一组不同的序列。本文提出了三个贡献。我们首先推出一个便携式多功能多传感器套件，提供丰富的感官测量：10 Hz LiDAR点云，20 Hz立体帧图像，来自立体事件相机的高速和异步事件，来自IMU的200 Hz惯性读数和10 Hz GPS信号。传感器已经在硬件中进行了时间同步。该设备重量轻，自成一体，并支持移动机器人的即插即用。其次，我们构建了一个数据集，通过收集17个序列，覆盖了校园内的各种环境，利用多个机器人平台进行数据汇集。一些序列对现有的SLAM算法具有挑战性。第三，我们为解耦定位和映射性能评估提供了基础事实。我们还评估了最先进的SLAM方法，并确定其局限性。该数据集由原始传感器测量、地面实况、校准数据和评估算法组成，将在https://ram-lab.com/file/site/multi-sensor-dataset上发布。
2022-08-25 cs.RO
LatentSLAM: unsupervised multi-sensor representation learning for localization and mapping
Ghent University - imec（根特大学-imec）；University of Antwerp - Flanders Make（安特卫普大学-Flanders Make）
用于同时定位与地图构建（SLAM）的生物启发算法（诸如RatSLAM）已被证明在室内和室外环境中产生有效且鲁棒的机器人导航。然而，一个缺点是由于低维感觉模板的模板匹配而对感知混叠的敏感性。在本文中，我们提出了一种无监督的表示学习方法，产生低维的潜在状态描述符，可用于RatSLAM。我们的方法是传感器不可知的，可以应用于任何传感器模态，如我们所示的相机图像，雷达距离多普勒地图和激光雷达扫描。我们还展示了如何结合多个传感器可以通过减少错误匹配的数量来增加鲁棒性。我们评估了在类似仓库的环境中导航的移动机器人捕获的数据集，移动通过具有相似外观的不同过道，使得SLAM算法难以消除位置的歧义。
2021-05-07 cs.AI cs.RO
JRDB: A Dataset and Benchmark of Egocentric Robot Visual Perception of Humans in Built Environments
Stanford University（斯坦福大学）；Monash University（莫纳什大学）
我们提出了JRDB，一个新的自我中心的数据集收集从我们的社会移动操纵器JackRabbot。该数据集包括64分钟的带注释的多模态传感器数据，包括15 fps的立体圆柱形360 $^\circ$ RGB视频、来自两个Velodyne 16激光雷达的3D点云、来自两个Sick激光雷达的线3D点云、音频信号、30 fps的RGB-D视频、来自鱼眼相机的360 $^\circ$球形图像和来自机器人车轮的编码器值。我们的数据集融合了来自传统上代表性不足的场景的数据，如室内环境和行人区域，所有这些都是从机器人的自我角度来看的，包括静止和导航。该数据集已被注释为超过230万个边界框，分布在5个单独的相机上，以及场景中所有人周围的180万个相关3D长方体，总计超过3500个时间一致的轨迹。结合我们的数据集和注释，我们推出了2D和3D人物检测和跟踪的基准和指标。有了这个数据集，我们计划在未来扩展更多类型的注释，我们希望为以自我为中心的机器人视觉，自主导航以及人类环境中社交机器人的所有感知任务领域的研究提供新的数据源和测试平台。
2021-04-24 cs.CV cs.RO
