Maintaining the Level of a Payload carried by Multi-Robot System on Irregular Surface
Agents and Applied Robotics Group (AARG) at International Institute of Information Technology, Hyderabad (IIIT-H), India(国际信息科技大学海得拉巴分校(IIIT-H)智能代理与应用机器人小组);International Institute of Information Technology, Hyderabad (IIIT-H), India(国际信息科技大学海得拉巴分校(IIIT-H));Computer Science with IIIT-H(IIIT-H计算机科学)
本文提出了一种多机器人系统,用于在不规则地形上维持载荷水平,结合开环与闭环控制器实现稳定运输。
2025-12-19 cs.RO
Proportional Control for Stochastic Regulation on Allocation of Multi-Robots
University of Pennsylvania(宾夕法尼亚大学)
由于机器人水平的不确定性和环境对机器人行为的影响,任何用于将机器人整体分配到一组顺序任务上的策略都会受到不准确性的影响。我们接近任务分配过程中的不准确性的问题,通过建模和控制整体集成行为。我们的模型表示分配问题作为一个随机跳跃过程,我们调节这样一个过程的均值和方差。本文的主要贡献是:建立一个结构的过渡率的等效随机跳跃过程,并正式表明,这种方法导致解耦的参数,使我们能够调整的一阶和二阶矩的合奏分布的任务,这使得灵活性,以减少所需的最终分布的方差。这使我们能够直接塑造不确定性对任务组分配的影响。我们介绍了一个详细的过程来设计增益,以实现所需的平均值,并显示如何额外的参数影响的协方差矩阵,这是直接与任务分配精度的程度。我们的仿真和实验结果表明,成功地控制几个机器人合奏任务分配。
2022-12-19 cs.RO
Concurrent-Allocation Task Execution for Multi-Robot Path-Crossing-Minimal Navigation in Obstacle Environments
School of Mechanical and Aerospace Engineering, Nanyang Technological University(机械与航空航天工程学院,南洋理工大学);School of Robotics, Hunan University(机器人学院,湖南大学);School of Transportation Science and Engineering, Beihang University(交通运输科学与工程学院,北航大学)
针对障碍环境下多机器人最小路径交叉导航现有方法易失效的问题,提出CATE算法,通过构建含整数与CBF约束的在线优化框架,同时实现分配与控制计算,在保证收敛性的同时提升导航效率并降低计算量。
2025-10-28 cs.RO
Show me what you want: Inverse reinforcement learning to automatically design robot swarms by demonstration
Université libre de Bruxelles(布鲁塞尔自由大学)
自动设计是生成机器人群控制软件的一种很有前途的方法。到目前为止,自动设计依赖于任务特定的目标函数来指定所需的集体行为。在本文中,我们探讨的可能性,指定所需的集体行为,通过示范。我们开发Demo-Cho,一种自动设计方法,将逆强化学习与机器人群控制软件的自动模块化设计相结合。我们表明,只有在演示的基础上,而不需要提供一个明确的目标函数,Demo-Cho成功地生成了控制软件来执行四个任务。我们目前在模拟和物理机器人获得的结果。
2023-01-17 cs.LG cs.RO
Distributed Cascade Force Control of Soft-Tactile-Based Multi-robot System for Object Transportation
University of Prince Edward Island(爱德华王子岛大学);Japan Advanced Institute of Science and Technology(北陆先端科学技术大学院大学);University of Engineering and Technology, Vietnam(越南工程技术大学);Japan Science and Technology Agency(日本科学技术振兴机构)
本文提出一种分布式级联力控制系统,利用软触觉传感器使多机器人在无通信下协作推动物体至目标,并通过李雅普诺夫理论及实验验证其有效性。
2026-10-06 cs.RO cs.SY eess.SY
Distributed Navigation of Multi-Robot Systems For Sensing Coverage
School of Electrical Engineering and Telecommunications, The University of New South Wales(新南威尔士大学电气工程与电信学院)
本研究探讨分散控制的移动机器人覆盖问题。针对覆盖控制问题,存在与分散控制策略相关的不同方法。我们对这些方法进行了比较,并使用基于简单的局部协调规则的方法。我们调查这个广泛使用的最近邻规则为基础的方法开发覆盖控制算法。在这种方法中,一个移动机器人给予同等的重要性,每个邻居机器人在其通信范围内。我们通过使一些移动机器人比团队中的其他成员发挥更有影响力的作用来开发我们的控制方法。基于这种控制策略的方法变得有效的控制输入,说航向角,速度等达成共识的分散控制的移动机器人也可以表现出一些物理约束下的循环行为,如量化的方向的移动机器人。我们进一步研究循环行为出现由于移动机器人的量化控制在一定条件下。我们最近的邻居规则为基础的方法提供了一个有偏见的策略,循环行为的情况下出现在移动机器人的团队。我们认为一个集群技术的移动机器人团队内部。我们的分散控制策略计算移动机器人的邻居之间的相似性度量。移动机器人团队的相似性度量为基础的方法变得有效,在实现快速的共识,如航向角或速度。我们对我们开发的方法进行了严格的数学分析。我们还开发了一个条件的基础上放松的标准达成共识的速度或航向角的移动机器人。我们的验证方法是基于数学论证和广泛的计算机模拟。
2016-09-29 cs.RO
Adaptive Sliding Mode Control for Vehicle Platoons with State-Dependent Friction Uncertainty
Robotics Research Center, International Institute of Information Technology Hyderabad(机器人研究中心,国际信息学院海得拉巴)
针对车辆队列中未知且状态依赖的摩擦力,提出一种自适应滑模控制器,无需先验知识即可处理摩擦不确定性,实现速度调节和间距保持。
2026-06-11 cs.RO
Multi-Robot Formation Control Using Reinforcement Learning
在本文中,我们提出了一个机器学习的方法来移动一组机器人的形成。我们将问题建模为多智能体强化学习问题。我们的目标是设计一个控制策略,以保持一个理想的形成之间的一些代理(机器人),同时朝着一个理想的目标。这是通过培训我们的代理人来跟踪该集团的两名代理人并保持与这些代理人的关系来实现的。我们认为所有的代理都是同质的,并将它们建模为单一的[1]。与领导者-跟随者方法不同,在领导者-跟随者方法中,每个代理都有一个独立的目标,我们的方法旨在训练代理合作并朝着共同的目标努力。我们使用这种方法的动机是使一个完全分散的多智能体形成系统和可扩展的代理数量。
2020-01-13 cs.LG cs.RO
Anisotropic Diffusion-Driven Ergodic Coverage in Multi-Robot Systems
Department of Computer Science(计算机科学系);Brown University(布朗大学)
提出一种基于Perona-Malik各向异性扩散的遍历搜索方法,通过非均匀误差传播生成势场,引导多机器人系统实现更灵活的遍历覆盖。
2026-05-22 cs.RO
Achieving Connectivity Between Wide Areas Through Self-Organising Robot Swarm Using Embodied Evolution
Oslo Metropolitan University(奥斯陆城市大学)
通信基础设施偶尔会发生中断,专门的人工人员将出去修复中断,恢复通信能力。然而,有时这对执行任务的人员可能是危险的,这可能是在战争情况下,环境灾害如地震或有毒物质泄漏或发生火灾的情况下。因此,如果部署的自主机器人可以实现相同的结果,那么人类伤亡可以最小化:在两个先前遥远但连接的站点之间建立通信链路。在本文中,我们研究了部署移动ad hoc机器人之间的中继交通。为了让机器人正确定位自己,我们从人工生命中的自组织和涌现中获得灵感,如果调用系统中代理的正确本地规则,则可以实现共同的总体目标。我们将两个站点之间的连接方面集成到多机器人仿真平台JBotEvolver中。机器人群由Thymio II机器人组成。此外,我们比较了三种进化论,其中一种使用神经进化(神经网络的进化)来展示如何在整合中使用自组织和具身进化。我们在机器人控制器中使用的实施例显示了有希望的结果,并为进一步的调查提供了坚实的知识和指导方针。
2018-07-12 cs.NE cs.RO
Inter-Robot Interactions in Multi-Robot Systems Using Braids
Georgia Institute of Technology(佐治亚理工学院)
本文提出利用编织群元素描述机器人交互模式,以实现安全的协作运动和传感器信息交换。
2015-09-16 cs.MA cs.RO cs.SY
Computing Coordinated Motion Plans for Robot Swarms: The CG:SHOP Challenge 2021
TU Braunschweig(布伦瑞克工业大学);Stony Brook University(石溪大学)
我们给出了2021年计算几何挑战赛的概述,该挑战赛的目标是通过计算n个像素形状物体的集合S从给定的起始配置到期望的目标配置的无碰撞轨迹族来优化协调一组机器人的问题。
2021-03-29 cs.CG cs.RO
Simultaneous Position and Orientation Planning of Nonholonomic Multi-Robot Systems: A Dynamic Vector Field Approach
Peking University(北京大学)
研究了非完整多机器人系统的同时位姿规划问题。不同于一般的研究只关注最终的位置约束,我们建模的非完整移动机器人作为一个刚体,并引入方向以及位置约束的机器人的最终状态。换句话说,机器人不仅要到达指定的位置,而且还要同时指向所需的方向。这个问题的挑战在于全状态运动规划的欠驱动,因为三个状态需要仅由两个控制输入来规划。为此,我们提出了一种基于刚体建模的动态矢量场(DVF)。具体地说,机器人的方向的动态被带入到矢量场,这意味着矢量场不再是静态的2-D平面上,而是一个动态的随着姿态角的变化。因此,每个机器人都可以沿着DVF的积分曲线移动,到达期望的位置,同时,姿态角可以收敛到指定值以下的取向动力学。随后,通过在DVF框架下设计一个圆形矢量场,进一步研究了运动规划中的避障和机器人间的避碰问题。最后通过数值仿真实例验证了所提方法的有效性。
2022-09-02 cs.RO cs.SY eess.SY
Multi-Robot Control Using Time-Varying Density Functions
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种通过时变密度函数对机器人团队进行外部影响的方法。这些密度函数表示机器人应该位于何处的粗略参考。为此,提出了一种连续时间算法,移动机器人,以便提供最佳的覆盖率给定的密度函数,因为它们随着时间的推移而演变。所开发的算法代表了一个扩展到以前的覆盖率算法中,随时间变化的密度被明确考虑在一个可证明的方式。此外,该算法的分布式近似提出了机器人只需要从相邻的机器人访问信息。仿真和机器人实验表明,所提出的算法确实表现出所需的行为,在实践中,以及在理论上。
2014-04-01 cs.RO math.OC
Active Exploitation of Redundancies in Reconfigurable Multi-Robot Systems
DFKI GmbH(德国人工智能研究中心)
传统的机器人系统采用单片系统设计,而可重构的多机器人系统可以按需共享和转移物理资源。多机器人操作可以通过根据当前任务主动管理系统冗余并拥有更多选项来响应故障事件,从而受益于这种灵活性。为了支持这种积极利用机器人系统中的冗余,本文详细介绍了一种组织模型作为规划与可重构多机器人系统的基础。该模型允许利用冗余时,优化多机器人系统的生存概率相对于所需的任务。由此产生的规划方法交易的安全性对机器人操作的效率,从而提供了一个新的视角和工具来设计和改进多机器人任务。我们使用一个模拟的多机器人行星探测任务来评估这种方法,并突出了一个示范性的性能景观。
2021-06-22 cs.MA cs.RO
DNPush: Distributed Nonparallel Pushing Force Control of Multi-Robot Systems for Object Transportation
More-Than-One Robotics Laboratory, Faculty of Sustainable Design Engineering, University of Prince Edward Island(爱德华王子岛大学可持续设计工程学院多机器人实验室);Faculty of Electronics and Telecommunications, VNU University of Engineering and Technology(越南国立大学工程与技术大学电子与电信学院)
提出DNPush分布式非平行推力控制器,无需通信和物体模型,通过互惠正弦定律调节力,实现多机器人协作运输,实验验证了高精度方向控制。
2026-10-06 cs.RO cs.SY eess.SY
Reconstruction of Backbone Curves for Snake Robots
Carnegie Mellon University(卡内基梅隆大学);Georgia Institute of Technology(佐治亚理工学院)
蛇形机器人由单轴交替俯仰和偏航关节组成,具有多个内部自由度,这使得它们能够进行灵活的三维运动。在运动规划过程中,蛇形机器人的运动通常是由一系列连续的骨架曲线来描述的。然而,由于单轴旋转关节的几何布置对机器人中的旋转产生约束,因此机器人重建任意3D曲线是具有挑战性的。当机器人配置不能准确地实现由这些主干曲线限定的期望形状时,机器人可能与环境发生意外接触,使得机器人不能实现期望的运动。在这项工作中,我们提出了一种方法,蛇机器人重建所需的骨干曲线,提出了一个优化问题,利用机器人的几何结构。我们验证了我们的方法可以通过其应用程序,以常用的3D步态快速,准确的曲线配置转换。我们还通过机器人实验证明:1)我们的方法导致机器人的平滑运动; 2)我们的方法允许机器人接近连续骨干曲线序列的数值预测的机车性能。
2021-02-18 cs.RO
A C++ Implementation of a Cartesian Impedance Controller for Robotic Manipulators
Lund University(隆德大学)
笛卡尔阻抗控制是一种用于机器人的运动控制策略,其通过实现机器人相对于其外力的顺应行为来提高在部分未知环境中的安全性。这种顺从的机器人行为具有允许机器人的物理人类引导的附加益处。在本文中,我们提出了一个C++实现的遵守控制有效的任何扭矩命令的机器人机械手。所提出的控制器实现笛卡尔阻抗控制跟踪所需的末端执行器姿态。此外,关节阻抗投影在笛卡尔机器人运动的零空间中,以跟踪期望的机器人关节配置,而不干扰机器人的笛卡尔运动。所提出的实施方案还允许机器人向其环境施加所需的力和扭矩。几个安全功能,如过滤,速率限制,饱和度包括在拟议的实施。核心功能在一个可重用的基础库中,并在此基础上提供了一个机器人操作系统(ROS)ros_control集成。KUKA LBR iiwa机器人和Franka Replika机器人(Panda)在仿真和物理机器人中对该实现进行了测试。
2022-12-21 cs.RO
Exploiting Friction in Torque Controlled Humanoid Robots
Italian Institute of Technology(意大利理工学院)
扭矩控制的人形机器人的一种常见架构包括两个嵌套的回路。外环产生所需的关节/电机扭矩,内环稳定这些所需的值。在这样做时,内环通常补偿关节摩擦现象,从而消除其固有的稳定特性,这也可能有利于高水平的控制目标。本文介绍了如何利用摩擦力的关节和任务空间控制的人形机器人。使用人形机器人iCub进行实验。
2018-08-03 cs.RO
Impact-Aware Online Motion Planning for Fully-Actuated Bipedal Robot Walking
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
跟踪具有特定定时的一般步行路径的能力对于双足机器人在复杂环境中避免动态障碍物(例如行人)的操作安全性和可靠性至关重要。本文介绍了一个在线的,全身运动规划器,产生所需的影响意识的运动,全驱动双足机器人行走。所提出的规划器的主要新颖之处在于它能够实时产生所需的运动,尊重离散的冲击动力学和所需的冲击时间。为了得到建议的规划,全驱动双足机器人行走的全阶混合动力学模型,包括连续动力学和离散装载的影响。接下来,介绍了所提出的影响感知在线运动规划器。最后,一个3-D双足机器人的仿真结果证实了所提出的在线碰撞感知规划器的有效性。在线规划器能够在0.6秒内生成一个步行步的全身运动,这比典型的双足步行步短。
2019-10-25 cs.RO
Trajectory Deformations from Physical Human-Robot Interaction
Rice University(莱斯大学)
机器人正在寻找新的应用,其中与人类的物理交互是必要的:制造,医疗保健和社会任务。因此,物理人机交互(physical human-robot interaction,pHRI)领域已经利用了阻抗控制方法,其支持人与机器人之间的顺应性交互。然而,传统的阻抗控制的局限性在于-尽管提供了人来修改机器人的当前轨迹-人不能通过pHRI影响机器人的未来期望轨迹。在本文中,我们提出了一种算法的物理交互式轨迹变形,当结合阻抗控制,允许人类调制的实际和期望的轨迹的机器人。与相关工作不同的是,我们的方法明确地根据pHRI期间施加的力来变形未来所需的轨迹,但不需要持续的人类指导。我们提出了我们的方法,并验证了这种方法是与传统的阻抗控制兼容。接下来,我们使用约束优化来导出变形形状。最后,我们描述了一个实时的实现算法,并进行模拟测试的仲裁参数。实验结果表明,当与仅具有阻抗控制的pHRI相比时,人的努力减少并且运动质量提高。
2017-10-26 cs.RO
Specifying and achieving goals in open uncertain robot-manipulation domains
Carnegie-Mellon University(卡内基梅隆大学);Massachusetts Institute of Technology(麻省理工学院)
本文描述了一个完整的解决方案,在开放的不确定领域的机器人的目标描述和解释的问题。给定所需情况的正式规范,其中对象仅由其属性描述,通用规划与推理工具用于为机器人导出适当的动作。这些目标是通过在线组合的层次规划,状态估计,并在实际的机器人域与大量的闭塞和传感误差鲁棒运行的执行。
2021-12-21 cs.RO
Contact Optimization for Non-Prehensile Loco-Manipulation via Hierarchical Model Predictive Control
University of Southern California(南加州大学)
最近的研究集中在四足机器人的运动或移动操作使用的机器人手臂。足式机器人可以操纵较重和较大的物体使用非弹性操作原语,如平面推动,驱动对象到所需的位置。在本文中,我们提出了一种新的分层模型预测控制(MPC)的接触优化的操作任务。使用两个级联的MPC,我们分裂的本地操作问题分为两部分:第一,以优化机器人和物体之间的接触力和接触位置,第二,通过机器人运动调节所需的相互作用力。我们的方法是成功地验证了在仿真和硬件实验。虽然基线运动MPC未能遵循所需的轨迹的对象,我们提出的方法可以有效地控制对象的位置和方向,以最小的跟踪误差。这种能力也使我们能够执行避障的机器人和对象在本地操作任务。
2022-10-07 cs.RO
Decentralized Control of Minimalistic Robotic Swarms For Guaranteed Target Encapsulation
Cornell University(康奈尔大学)
我们提出了一个分散控制算法的最低限度的机器人群体与有限的能力,使所需的全球行为出现。我们考虑的问题,搜索和封装存在于环境中的各种目标,同时避免与静态和动态障碍物的碰撞。这项工作的新颖之处是保证生成所需的复杂的群体行为与受约束的个人机器人,没有记忆,没有本地化,没有知识的确切相对位置的邻居。此外,我们分析了如何紧急行为的变化与不同的参数的任务,噪声在传感器读取,和异步执行。
2022-12-18 cs.RO
Automating the Learning of Inverse Kinematics for Robotic Arms with Redundant DoFs
National Tsing Hua University(国立清华大学)
逆运动学解决了从笛卡尔空间到机器人手臂关节位形空间的映射问题,在计算机图形学、蛋白质结构预测、机器人学等领域有着广泛的应用。随着人工神经网络(NN)的巨大进步,许多研究人员最近转向数据驱动的方法来解决IK问题。不幸的是,NN对于具有冗余自由度(DoF)的机器人手臂变得不足够。这是因为这样的手臂可能有多个角度的解决方案,以达到相同的期望姿态,而典型的神经网络只实现一对一的映射函数,它只关联一个一致的输出为一个给定的输入。为了训练可用的神经网络来解决IK问题,大多数现有的工作采用定制的训练数据集,其中每个期望的姿势只有一个角度的解决方案。这不可避免地限制了所提出的方法的推广和自动化。本文在两个方面有所突破:(1)采用系统化、机械化的方法进行训练数据采集,覆盖整个机械臂的工作空间,在机械臂研制完成后,可以实现全自动化、一次性完成;(2)一种新的NN-的框架,可以利用冗余自由度,以产生多个角度的解决方案,任何给定的期望姿态的机器人手臂。可用于机器人应用,例如避障和姿势模仿。
2022-08-29 cs.RO
An Intelligent Robotic System for Perceptive Pancake Batter Stirring and Precise Pouring
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Carnegie Mellon University(卡内基梅隆大学)
提出一种集成触觉感知与控制算法的煎饼制作机器人系统,可自主搅拌面糊、估计水-面粉比例和液位,并精确倾倒成指定复杂形状。
2024-07-01 cs.RO
Robot and Overhead Crane Collaboration Scheme to Enhance Payload Manipulation
VTT Technical Research Centre of Finland Ltd(芬兰技术研究中心有限公司);Konecranes(克诺斯克兰斯)
本文提出一种机器人与桥式起重机协作方案,利用双导纳传递函数实现平滑安全的负载引导,有效解决了传统人工精细操作费力且危险的问题。
2025-08-11 cs.RO
Provable Emergent Pattern Formation by a Swarm of Anonymous, Homogeneous, Non-Communicating, Reactive Robots with Limited Relative Sensing and no Global Knowledge or Positioning
Delft University of Technology(代尔夫特理工大学)
在这项工作中,我们探索了一群匿名的,同质的,非通信的,反应式的机器人,不知道他们的全球位置,并具有有限的相对感测的紧急行为。我们介绍了一种新的方法,使这种严重限制的机器人自主安排在所需的模式,并保持it.The方法包括一个自动证明过程,以检查是否会实现给定的模式从任何初始配置的群体。这个证明过程的一个有吸引力的特点是,它本质上是局部的,尽可能避免了随着机器人、状态和动作可能性的增加而可能出现的计算爆炸。我们的方法是基于提取构成全局目标(在这种情况下,模式)的局部状态。然后,我们正式表明,这些局部状态只能共存时,实现了全球所需的模式,直到这种情况发生,总是有一系列的行动,将导致从当前的模式到所需的模式。此外,我们表明,代理人将永远不会执行的行动,可能会导致内部群体碰撞或b)导致群体分离。在离散域的模式形成的性能分析后,我们还测试了系统在连续的时间和空间模拟和再现的结果,使用异步代理在无界空间中操作。代理成功地形成所需的模式,同时避免冲突和分离。
2018-04-18 cs.RO
Coordinated Robot Navigation via Hierarchical Clustering
University of Pennsylvania(宾夕法尼亚大学)
我们介绍了使用层次聚类轻松,确定性的协调和控制多个机器人。传统的无监督学习方法,层次聚类提供了一种形式主义的识别和表示空间内聚和隔离的机器人组在不同的分辨率,通过相关的配置的连续空间的组合空间的树。我们形式化和利用这种关系,开发计算有效的反应式算法,通过组合空间导航与几何实现的层次聚类方法的特定选择。这些结构产生计算有效的矢量场规划的层次不变,以及过渡导航的配置空间。我们将这些方法应用于集中式协调和控制的$n$完美地感测和致动的欧几里德领域中的$d$维的环境空间(任意$n$和$d$)。给定一个所需的配置,支持所需的层次结构,我们构造了一个混合控制器,这是二次的$n$和代数的$d$,并证明其执行带来的所有措施,但零集的初始配置所需的目标,保证沿途没有冲突。
2015-07-06 cs.RO
Toward Achieving Formal Guarantees for Human-Aware Controllers in Human-Robot Interactions
University of Texas at Austin(得克萨斯大学奥斯汀分校)
随着人机交互的主要目标是支持人类的目标,有必要正式合成机器人控制器,可以提供所需的服务。综合技术的好处是为规范的满足提供了形式化的保证。有可能将这些技术应用于设计机器人控制器,其规格与人类的需求相结合。本文探讨了使用形式化的方法来构建人类感知的机器人控制器,以支持人类的生产力要求。我们通过人类工作量知情模型和反应合成来解决这些类型的场景。这种策略使我们能够合成控制器,满足正式规格表示为线性时序逻辑公式。我们提出了一个案例研究中,我们的原因,工作交付和皮卡任务,使机器人提高工人的生产力,但不高的工作积压引起的压力。我们证明我们的控制器使用丰田HSR,移动机械手机器人。结果表明,实现了一个强大的机器人控制器,保证正确的原因和反应,在与人类合作伙伴的协作任务。
2019-03-04 cs.RO
Bayesian Generalized Kernel Inference for Exploration of Autonomous Robots
Zhejiang University(浙江大学);Xi’an Jiaotong University(西安交通大学)
本文涉及实现高效的信息理论机器人探索与所需的性能在复杂的场景。我们建立了一个连续的轻量级推理模型来预测的互信息(MI)和相关的预测置信度的机器人的候选动作没有被显式评估。这使得机器人探索中的决策阶段可以近似以对数复杂度运行,这也将有利于在大型非结构化和混乱的地方进行在线探索,这些地方需要更多的空间样本来评估和决定。我们还开发了一个目标函数来平衡具有最高MI值的局部最优行动和具有高预测方差的全局选择。大量的数值和数据集模拟表明,我们所提出的方法在不同的环境中不失去探索性能的期望效率。我们还为机器人社区提供在GitHub上发布的开源实现代码。
2023-01-02 cs.RO
Achieving Meaningful Collaboration: Worker-centered Design of a Physical Human-Robot Collaborative Blending Task
Delft University of Technology(代尔夫特理工大学);RoboHouse
本文倡导跨学科方法,以工人为中心设计物理人机协作混合任务,探索协作机器人在飞机发动机维修中的潜力,优先考虑工人福祉和工作吸引力。
2025-10-14 cs.RO
Interactive Co-Design of Form and Function for Legged Robots using the Adjoint Method
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
我们的目标是通过减少设计和构建机器人所需的领域知识,使机器人更容易为普通用户所用。为此,我们提出了一个交互式的计算设计系统,使用户能够设计足式机器人所需的形态和行为,通过指定更高层次的描述。我们的方法的核心是一个设计优化技术,原因的结构,和运动的机器人在耦合的方式,以实现用户指定的机器人的行为和性能。我们的灵感来自最近的作品,也旨在共同优化机器人的形式和功能。然而,通过有效的计算必要的设计更改,我们的方法使我们能够保持用户在互动应用程序的循环。我们评估我们的系统在模拟自动改善机器人设计的多个场景。从物理上不可行或不足以执行用户所需任务的初始用户设计开始,我们展示了实现用户规范的优化设计,同时确保交互式设计流程。
2018-04-16 cs.RO
A Swarm of Simple Robots Constructing Planar Shapes
Memorial University of Newfoundland(纽芬兰纪念大学)
我们提出了一个新的版本,我们以前提出的算法,使一群机器人构建一个所需的形状从平面上的物体。我们还描述了一个硬件实现这个系统,它利用简单,容易来源的组件。我们把这个任务称为平面构造,它是把周围的物体聚集成某种所需的形状。作为一个示例应用程序,一群机器人可以使用这种算法不仅可以将废物收集成一堆,而且还可以将堆成一条线以便于收集。形状由称为标量场的图像指定。标量场的作用类似于模板信息素,模板信息素引导着复杂的自然结构(如白蚁丘)的构建。除了描述的算法和硬件平台,我们开发了一些性能的见解,使用自定义的仿真环境,并提出了物理机器人的实验结果。
2020-04-28 cs.RO
Achieving Interaction Fluidity in a Wizard-of-Oz Robotic System: A Prototype for Fluid Error-Correction
Swansea University(斯旺西大学);University of Hertfordshire(赫特福德大学)
本文提出了一种满足流畅错误纠正需求的Wizard-of-Oz系统原型,通过引入中断性和纠正性、可轮询性、延迟测量与优化以及动作时间准确可重现性等关键指标,提升人机交互的流畅性。
2026-04-21 cs.RO
Distributed Formation Control for Autonomous Robots in Dynamic Environments
Institute of Control Engineering, University of the Federal Armed Forces Hamburg(汉堡联邦国防军大学控制工程研究所);Department of Computer Science and Engineering, University of Nevada, Reno(内华达大学雷诺分校计算机科学与工程系);Department of Electrical Engineering and Computer Science, Cleveland State University(克利夫兰州立大学电气工程与计算机科学系)
在本文中,我们提出了一种新的分布式编队控制方法,自主机器人遵循所需的形成,同时跟踪动态环境中的移动目标。在我们的方法中,所需的编队,其中包括虚拟节点排列成特定的形状,首先生成。然后,自主机器人的控制所提出的人工力场,以收敛到这些虚拟节点没有碰撞。基于李雅普诺夫方法的稳定性分析。此外,在避障控制器的设计中,一种新的旋转力场和排斥力场的组合允许机器人避开和逃离凸和非凸形状的障碍物。以V形编队和圆形编队为例,利用各自的优势,验证了该方法的有效性。
2017-05-04 cs.RO
Adaptive actuation of magnetic soft robots using deep reinforcement learning
Wuhan National High Magnetic Field Center, Huazhong University of Science and Technology(华中科技大学武汉国家强磁场中心);State Key Laboratory of Advanced Electromagnetic Engineering and Technology, Huazhong University of Science and Technology(华中科技大学强电磁工程与新技术国家重点实验室)
磁性软体机器人由于其独特的无约束驱动和良好的可控性等优点而受到越来越多的关注。然而,在许多情况下,找到所需的磁化模式或磁场来实现这些机器人的期望功能是相当具有挑战性的。目前还没有一个统一的设计框架,现有的方法主要依赖于人工智能,这是很难满足所需的机器人运动的高复杂性水平。在这里,我们开发了一种智能的方法来解决相关的反设计问题,通过引入一种新的仿真平台的基础上Cosserat棒模型和基于TD 3的深度强化学习框架的磁性软体机器人人实现。我们证明了具有不同磁化模式的磁性软体机器人可以在模拟中学习在没有人类指导的情况下移动,并且可以自主产生有效的磁场,然后可以直接应用于开环方式的真实磁性软体机器人。
2022-04-25 cs.RO
Learning Human Preferences Over Robot Behavior as Soft Planning Constraints
Meta AI;Yale University(耶鲁大学)
本文提出将人类偏好编码为软规划约束的新问题表述,并通过数据驱动方法在Habitat 2.0重排任务中实现机器人对三类偏好的推断,为自适应规划行为奠定基础。
2024-03-28 cs.RO
Achieving Faster and More Accurate Operation of Deep Predictive Learning
Waseda University(早稻田大学);School of Fundamental Science and Engineering(基础理工学部)
针对机器人操作速度与精度难以兼得的问题,本文提出一种慢速教导、高速推理的运动生成模型,在真实机器人叠杯任务中达到94%成功率。
2024-08-03 cs.RO
Global-Position Tracking Control of 3-D Bipedal Walking via Virtual Constraint Design and Multiple Lyapunov Analysis
Purdue University(普渡大学)
腿部运动性能的安全关键度量是机器人在环境中跟踪其期望的时变位置轨迹的能力,其在本文中被称为“全局位置跟踪”。本文介绍了一种非线性控制方法,实现渐近全局位置跟踪的三维(3-D)双足机器人行走。由于复杂的混合机器人模型和随时间变化的期望全局位置轨迹,设计全局位置跟踪控制器是一个具有挑战性的问题。为了解决这个问题,第一个主要贡献是建设的影响不变性,以确保所有期望的轨迹尊重脚着陆的影响动态,这是实现渐进跟踪的混合步行系统的必要条件。由于这些条件独立于期望的全局位置,因此可以利用这些条件来解耦全局位置的较高级别规划和剩余轨迹的较低级别规划,从而极大地减轻了运动规划的计算负担。第二个主要贡献是基于Lyapunov的混合闭环系统的稳定性分析,它产生了足够的条件来指导控制器的设计,以实现渐进的全局位置跟踪在完全驱动行走。仿真和实验的3-D双足机器人与20个转动关节证实了所提出的控制方法在保证准确的跟踪的有效性。
2021-08-08 cs.RO
Human-State-Aware Controller for a Tethered Aerial Robot Guiding a Human by Physical Interaction
ETH Zurich(苏黎世联邦理工学院)
随着空中物理交互技术的迅速发展,空中机器人与人类进行物理交互的可能性越来越受到人们的关注。在我们之前的一项工作中,我们考虑了人类通过电缆与飞行器物理连接的首批系统之一。在那里,我们开发了一个兼容的控制器,允许机器人拉向所需的位置,只使用力作为间接的通信通道的人。然而,该控制器仅基于机器人状态,这使得系统不适应人类行为,特别是他们的行走速度。当人仍然远离期望点时,这降低了引导的有效性和舒适性。在本文中,我们正式分析的问题,并提出了一个人的状态感知控制器,其中包括一个人的速度反馈。我们从理论上证明和实验表明,这种方法提供了一个更一致的指导力量,提高了指导经验。
2022-03-07 cs.RO
Developing a Simple Model for Sand-Tool Interaction and Autonomously Shaping Sand
Carnegie Mellon University(卡内基梅隆大学)
与沙子互动的机器人的自主性将实现广泛的有益行为,从建筑和农业车辆的地球移动到火星漫游者的崎岖地形。这项工作的目的是将沙子塑造成所需的形状。与实现机器人的期望状态的其他常见自主任务不同,实现连续可变形环境(如沙子)的期望形状是更具挑战性的任务。机器人的运动状态可以用x、y、z、roll、pitch、yaw等几个状态来描述,但是沙子的形状不能用几个值来描述。沙子是由数十亿个小颗粒聚集而成的。在通过只看高度图的表面来简化沙子和工具交互的模型之后,我们可以将问题公式化为仍然是高维的(数百到数千个状态维度),但更容易解决。我们展示了如何将这个问题转化为图搜索问题,并使用A-star算法解决它,并报告了使用深度强化学习方法(如深度Q网络和深度确定性策略梯度)的初步结果。
2019-08-07 cs.RO
Distributed Planning for Rigid Robot Formations with Probabilistic Collision Avoidance
Technical University of Denmark(丹麦技术大学);Czech Technical University in Prague(布拉格捷克技术大学)
本文提出一种确保概率碰撞避免的刚性机器人编队分布式规划方法,通过参数化编队变换、期望速度映射、一致性步骤与约束满足步骤实现编队内部碰撞避免,并在仿真与真实遥操作实验中验证了有效性。
2024-08-27 cs.RO cs.SY eess.SY
A geometric approach towards inverse kinematics of soft extensible pneumatic actuators intended for trajectory tracking
Eindhoven University of Technology(埃因霍温理工大学);University of Twente(特文特大学)
软体机器人是机器人学中超冗余的有趣例子,然而,这些机器人的非线性连续动力学以及超弹性和粘弹性材料的使用使得这些机器人的建模更加复杂。提出了一种用于多段可伸缩软体机器人轨迹跟踪的几何逆运动学(IK)模型。使用优化方法,所需的配置变量的软致动器所需的末端执行器的位置。此外,机器人的冗余度应用于第二任务应用,例如倾角控制。该模型的性能进行了研究,通过模拟,数值基准测试和实验验证,结果表明,较低的计算成本和更高的精度相比,大多数现有的方法。该方法易于应用于多节软体机器人,无论是在2D和3D。作为案例研究,使用控制单元测试了完全3D打印的软体机器人操纵器,模型预测与实验结果吻合良好。
2022-11-11 cs.RO
Fast Whole-Body Motion Control of Humanoid Robots with Inertia Constraints
University of Bonn(波恩大学)
我们介绍了一种新的,分析方法产生全身运动的人形机器人,它近似所需的复合刚体(CRB)的惯性。我们的方法使用减少五个质量模型,其中四个质量归因于四肢,一个用于躯干。这种紧凑的制定允许找到一个分析解决方案,结合运动学与质量分布和惯性特性的人形机器人。然后直接使用笛卡尔空间中的质量的定位来获得具有基于简单几何的关系的关节角度。运动是通过所需的脚定位和CRB惯性特性产生的姿势的时间演变来实现的。因此,我们实现了几十微秒量级的短计算时间。这使得该方法适合于具有有限计算资源的应用,或者将它们花费在诸如模型预测控制之类的高层任务上。该方法进行评估,通过执行动态踢运动与一个igus类人开放平台机器人。
2020-07-13 cs.RO
A Passivity-based Approach for Variable Stiffness Control with Dynamical Systems
Technical University of Munich(慕尼黑工业大学);University of Trento(特伦托大学);TU Wien(维也纳工业大学);German Aerospace Center (DLR)(德国航空航天中心(DLR))
本研究提出一种基于无源性的变刚度控制方法,将运动生成与控制整合于单闭环,结合一阶动力系统与能量罐概念,保障交互安全性与自由运动稳定性,经仿真和实物实验验证了性能与安全性。
2023-07-18 cs.RO
Achieving Dexterous Bidirectional Interaction in Uncertain Conditions for Medical Robotics
Institute for Perception, Action, and Behaviour, School of Informatics, University of Edinburgh(爱丁堡大学信息学院感知、行动与行为研究所);University College London(伦敦大学学院);University of Sussex(萨塞克斯大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Université de Lorraine(洛林大学)
针对医疗机器人与患者复杂物理交互的安全性挑战,本研究初步评估了基于分形阻抗控制(FIC)的控制架构在远程手术、康复及超声扫描场景的应用,验证其延迟鲁棒性、行为切换能力及非结构化环境适应性,无需参数调整即可完成相关任务。
2024-11-27 cs.RO
Model-Based Capacitive Touch Sensing in Soft Robotics: Achieving Robust Tactile Interactions for Artistic Applications
Departamento de Mecánica de la Universidad de Chile(智利大学机械系);Soft Robotics Lab (SRL) at ETH Zurich(苏黎世联邦理工学院软机器人实验室);University of Applied Sciences Karlsruhe(卡尔斯鲁厄应用技术大学);Proxception GmbH(Proxception有限公司)
本文提出一种结合电容式触觉传感器与SOFA框架在线固体力学仿真的软体机器人触觉技术,实现对任意形状的接触检测与多点触摸,且不受气动驱动变形影响,在艺术雕塑中验证了其定位鲁棒性。
2025-03-04 cs.RO
Passive Obstacle Aware Control to Follow Desired Velocities
Swiss Federal School of Technology in Lausanne - EPFL(洛桑联邦理工学院);Massachusetts Institute of Technology(麻省理工学院)
针对自主机器人实时避障与抗扰动需求,提出一种障碍物感知被动阻尼控制方法,可在无障碍区保持柔顺、近障时增阻避障,经7自由度机械臂验证抗碰撞能力优于基线,提升了复杂不确定环境下的机器人控制安全性。
2024-07-13 cs.RO cs.SY eess.SY
The Law of Task-Achieving Body Motion: Axiomatizing Success of Robot Manipulation Actions
AICOR Institute for Artificial Intelligence University of Bremen(人工智能研究所大学不莱梅)
本文提出任务达成身体运动定律,通过公理化规范确保机器人操作动作在语义、因果和可行性方面的正确性,支持运动合成与故障诊断。
2026-02-06 cs.RO
3D Underactuated Bipedal Walking via H-LIP based Gait Synthesis and Stepping Stabilization
California Institute of Technology(加州理工学院)
在本文中,我们全面提出了一个混合线性倒立摆(H-LIP)为基础的方法,合成和稳定的3D足欠驱动双足步行,重点是彻底的硬件实现。H-LIP的建议,以捕捉欠驱动和驱动部分的机器人行走的重要组成部分。然后,基于H-LIP直接合成机器人步行步态。我们全面描述的周期轨道的H-LIP和可证明的步进稳定通过其一步到一步(S2 S)的动力学,然后利用近似的S2 S动力学的质心(COM)的水平状态的机器人行走。近似设施的H-LIP为基础的步进控制器,以提供所需的步长,以稳定的机器人行走。通过实现所需的步长,机器人实现动态和稳定的行走。该方法在三维欠驱动双足机器人Cassie的仿真和实验中得到了充分的评价,该机器人具有很高的通用性和鲁棒性。
2021-11-03 cs.RO
Robotic Sensor Network: Achieving Mutual Communication Control Assistance With Fast Cross-Layer Optimization
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);Southern University of Science and Technology(南方科技大学);University of Macau(澳门大学);University of New South Wales(新南威尔士大学)
本文提出相互通信控制辅助(MCCA)概念,利用MPC2设计联合优化传感器功率与机器人动作,实现实时跨层优化,在高保真模拟器中显著提升了通信效率与导航时间。
2024-11-18 cs.RO
Industrial Robot Trajectory Tracking Using Multi-Layer Neural Networks Trained by Iterative Learning Control
Rensselaer Polytechnic Institute(伦斯勒理工学院)
在某些应用中需要快速和精确的机器人运动,例如电子制造,增材制造和装配。大多数工业机器人运动控制器允许外部命令的运动轮廓,但轨迹跟踪性能受到机器人动力学和关节伺服控制器的影响,用户没有直接存取和很少的信息。在将外部命令作为设定点传输到内部控制回路时的时间延迟进一步损害了性能。提出了一种结合神经网络和迭代学习控制来提高多轴关节型工业机器人轨迹跟踪性能的方法。对于一个给定的期望轨迹,外部命令是迭代细化使用高保真度动态仿真器,以补偿机器人内环动态。这些期望的轨迹和相应的细化输入轨迹,然后用于训练多层神经网络,以仿真的非线性内循环动力学的动态逆。我们证明了,有了足够丰富的训练集,训练好的神经网络可以很好地推广到训练集之外的轨迹。在将训练好的神经网络应用于物理机器人时,跟踪性能仍然得到改善,但不如在模拟器中那么多。我们表明,迁移学习可以有效地弥合仿真和物理机器人之间的差距。最后,我们在其他机器人模型上对训练好的神经网络进行了仿真测试,证明了通用网络的可能性。该方法的开发和评估基于ABB IRB 6640 -180工业机器人和ABB RobotStudio软件包。
2019-03-04 cs.RO
Achieving Stable High-Speed Locomotion for Humanoid Robots with Deep Reinforcement Learning
School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院);Ningbo Institute of Digital Twin, Eastern Institute of Technology(浙大宁波理工学院宁波数字孪生研究院)
本文提出结合深度强化学习与运动动力学先验的 KSLC 方法,通过协调手臂运动提升人形机器人高速运动稳定性,在仿真中实现 3.5 m/s 速度跟踪并验证了泛化能力。
2024-09-25 cs.RO