Transfer Learning in Robotics: An Upcoming Breakthrough? A Review of Promises and Challenges
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院人形与机器人研究所);KTH Royal Institute of Technology(KTH皇家理工学院);University of Ljubljana(卢布尔雅那大学)
本文统一机器人学中迁移学习的概念并提出首个考虑机器人、任务与环境的分类体系,通过综述前景与挑战,指出需关注不同抽象层次迁移、迁移差距与质量量化及负迁移风险,以推动领域突破。
2024-05-02 cs.LG cs.RO
Scaling Robust Optimization for Multi-Agent Robotic Systems: A Distributed Perspective
Georgia Institute of Technology(佐治亚理工学院)
本文提出一种可扩展的分布式鲁棒优化框架,通过ADMM方法分布计算并处理多机器人系统中的随机与确定性不确定性,实现了兼具计算效率、通信效率和可扩展性的安全多机器人控制。
2025-01-30 cs.RO cs.SY eess.SY
LiMoDE: Rethinking Lifelong Robot Manipulation from a Mixture-of-Dynamic-Experts Perspective
School of EEE, Nanyang Technological University(南洋理工大学电气与电子工程学院)
提出一种两阶段终身学习方案LiMoDE,通过动态专家混合结构实现多任务预训练和任务自适应,有效缓解灾难性遗忘并促进知识迁移。
2026-06-26 cs.AI cs.LG cs.RO
Knowledge Transfer Between Robots with Similar Dynamics for High-Accuracy Impromptu Trajectory Tracking
Vector Institute for Artificial Intelligence(矢量人工智能研究所);Electrical Power and Machines Department, Cairo University(开罗大学电力与机械系);School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航空航天工程学院);Department of Engineering, Aarhus University(奥胡斯大学工程系)
在本文中,我们提出了一种在线学习方法,该方法能够将为源机器人学习的逆动力学模型转移到目标机器人(例如,从一个四旋翼到具有不同质量或空气动力学特性的另一个四旋翼)。目标是利用来自源机器人的知识,使得目标机器人从第一次尝试起就以最少的数据收集和训练实现对任意轨迹的高精度轨迹跟踪。大多数现有的多机器人知识转移方法都是基于对从两个机器人收集的数据集的后分析。在这项工作中,我们研究了通过在线学习错误预测模块在机器人之间即兴传输模型的可行性。特别是,我们分析推导出的映射的形式学习的在线模块精确跟踪,提出了一种方法来表征机器人之间的相似性,并使用这些结果来分析整个系统的稳定性。所提出的方法是在模拟和实验验证两个不同的四旋翼执行即兴轨迹跟踪任务,四旋翼需要准确地跟踪任意手绘轨迹从第一次尝试。
2019-03-30 cs.RO
Automatic off-line design of robot swarms: exploring the transferability of control software and design methods across different platforms
Université libre de Bruxelles(布鲁塞尔自由大学);Toyota Motor Europe(丰田汽车欧洲公司)
本文首次研究自动离线设计生成的机器人集群控制软件及其设计方法在不同地面移动平台间的可迁移性,实验表明控制软件部分可迁移,但直接在新平台上应用可迁移设计方法性能更优。
2023-05-25 cs.MA cs.RO
Influence of Team Interactions on Multi-Robot Cooperation: A Relational Network Perspective
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
针对现有算法忽视团队结构的问题,提出基于关系网络的多机器人协作算法,通过设定智能体间关系赋予优先级以指导协作策略,实验证明其能有效影响算法收敛的解决方案类型。
2023-10-19 cs.MA cs.RO
Sim-to-Real Transfer Learning using Robustified Controllers in Robotic Tasks involving Complex Dynamics
Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
使用深度强化学习学习机器人任务或控制器已在模拟中被证明是有效的。模拟学习有几个优点。例如,可以完全控制模拟环境,包括在执行计算时停止运动。机器人参与的另一个优点是,通过将学习到的任务转移到真正的机器人上,可以减少机器人学习任务而不是生产的时间。迁移学习需要对真实机器人进行一定程度的微调。对于涉及复杂(非线性)动态的任务,微调本身可能花费大量时间。为了减少微调量,我们建议在仿真中学习鲁棒控制器。鲁棒控制器是通过利用连续训练集改变仿真参数(外观和动态)的能力来学习的。这种方法的另一个好处是,它简化了模拟器的物理参数的精确确定,这是一个不平凡的任务。我们展示了我们提出的方法在一个真正的设置,其中机器人的目的是解决迷宫游戏,这涉及到复杂的动态,由于静摩擦和潜在的大加速度。我们表明,在迁移学习的鲁棒控制器的微调量大幅减少相比,非鲁棒控制器。
2018-09-17 cs.LG stat.ML
Discovery and Deployment of Emergent Robot Swarm Behaviors via Representation Learning and Real2Sim2Real Transfer
University of Utah(犹他大学);George Mason University(乔治梅森大学);University of Hawaii at Manoa(马诺阿夏威夷大学)
本研究提出基于自监督表示学习与新颖性搜索的Real2Sim2Real方法,自动发现涌现群体行为并实现仿真到真实机器人的直接迁移,优于手工度量标准。
2025-02-21 cs.AI cs.MA cs.RO
To Share or Not to Share? Performance Guarantees and the Asymmetric Nature of Cross-Robot Experience Transfer
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(矢量人工智能研究所)
在机器人文献中,已经在不同的基于学习的控制框架中提出了经验转移,以最大限度地减少与训练机器人相关的成本和风险。虽然各种工作已经显示了从源机器人转移先前经验以改善或加速目标机器人的学习的可行性,但通常不能保证经验转移改善目标机器人的性能。在实践中,转移经验的有效性往往是未知的,直到它在物理机器人上进行测试。这种反复试验的方法可能非常不安全且效率低下。在我们以前的工作的基础上,在本文中,我们考虑了逆模块迁移学习框架,其中源机器人系统的逆模块被转移到目标机器人系统,以提高其对任意轨迹的跟踪性能。我们推导出一个理论界的跟踪误差时,源逆模块被转移到目标机器人,并提出了一个基于贝叶斯优化的算法来估计这个界限的数据。我们进一步强调了在文献中经常被忽视的跨机器人经验转移的不对称性。我们证明了我们的方法在四旋翼实验,并表明,我们可以保证目标机器人跟踪随机周期性轨迹的正转移。
2020-06-29 cs.RO cs.SY eess.SY
A Novel Sample-efficient Deep Reinforcement Learning with Episodic Policy Transfer for PID-Based Control in Cardiac Catheterization Robots
目前,机器人导管插入术通常用于经皮冠状动脉介入手术,它涉及操纵柔性血管内工具以打开冠状动脉中的闭塞。在这项研究中,一个样本有效的深度强化学习与情节的政策转移,第一次,用于在机器人导管插入运动控制与完全自适应PID整定策略。强化模型有助于智能体从其环境中的相互作用中不断学习,并自适应地调整PID控制增益以用于血管内工具的轴向导航。该模型被验证为轴向运动控制的机器人系统设计的血管内导管插入术。仿真和实验验证了该模型的有效性,结果表明,该模型能够自整定PID增益,适用于机器人导管系统的运动控制。平均10次试验与传统方法的性能比较表明,代理调谐增益更好,误差为0.003 mm。因此,该模型将提供更稳定的设定点运动控制机器人导管插入术。
2021-10-28 cs.LG cs.RO cs.SY
Comparative Evaluation of Learning Models for Bionic Robots: Non-Linear Transfer Function Identifications
National Yang Ming Chiao Tung University(国立阳明交通大学)
针对仿生机器人无模型控制中合适学习模型选择及传递函数构建缺乏系统探讨的问题,本研究提出涵盖数据采集、模型选择等环节的综合评估框架,可有效处理MIMO机器人数据。
2024-10-06 cs.LG cs.RO cs.SY
DiAReL: Reinforcement Learning with Disturbance Awareness for Robust Sim2Real Policy Transfer in Robot Control
Department of Computer Engineering, School of Computation, Information and Technology, Technical University of Munich(计算机工程系,计算、信息与技术学院,慕尼黑技术大学);Rosenheim University of Applied Sciences(罗森海姆应用技术大学)
针对机器人控制中仿真模型近似导致sim2real迁移受阻的问题,提出带扰动感知的强化学习方法DiAReL,引入DAMDP将扰动估计融入同策略RL训练,提升控制鲁棒性与迁移成功率。
2025-11-14 cs.LG cs.RO cs.SY
A Survey of Behavior Learning Applications in Robotics -- State of the Art and Perspectives
German Research Center for Artificial Intelligence (DFKI) GmbH(德国人工智能研究中心)
本综述针对机器学习成功引发的对机器人行为学习的过高预期,梳理复杂机器人已实现的学习行为并分类,总结可学习与应学习的行为方向,展望未来可解决的难题,提出融合多方法构建自主系统的思路。
2024-09-12 cs.LG cs.RO
Secure Robotics: A Definition and a Brief Review from a Cybersecurity Control and Implementation Methodology Perspective
Bluerydge Cybersecurity and Technology(布鲁里奇网络安全与技术公司);University of Canberra(堪培拉大学);The Australian National University(澳大利亚国立大学)
安全机器人是一个多学科的努力,以改善机器人和具体的人工智能系统的网络安全态势。本文调查了封装安全机器人概念的新兴概念和想法,并确定了五个安全机器人网络安全控制实施层作为从业人员考虑的关键起点。它还认识到需要进一步研究人机信任与实施既定和新颖的网络安全控制之间的关系。
2022-11-14 cs.CR cs.RO
Feminist Perspective on Robot Learning Processes
Department of Computer Science, University of Freiburg(弗莱堡大学计算机科学系);University of Freiburg(弗莱堡大学);Freiburg im Breisgau, Germany(德国弗莱堡(地址信息,不应提取))
正如不同的研究工作报告和日常生活经验所证实的那样,学习模式可能会导致有偏见的结果。有偏见的学习模式通常会复制社会中的历史歧视,通常会对代表性较低的身份产生负面影响。机器人配备了这些模型,使它们能够操作,每天执行更复杂的任务。学习过程由不同的阶段组成,取决于人类的判断。此外,机器人决策的学习模型依赖于记录的标记数据或演示。因此,机器人学习过程容易受到与人类社会行为相关的偏见的影响。这带来了潜在的危险,特别是当机器人在人类周围工作时,学习过程可以反映当今社会的不公平。不同的女权主义建议研究社会不平等,并为消除各个领域的偏见提供了重要的视角。更重要的是,女权主义允许并仍然允许重新配置众多的社会动态和刻板印象,倡导通过多样性实现人与人之间的平等。因此,我们提供了一个女性主义的角度来看,机器人学习过程中的这项工作。我们的讨论基于交叉女权主义,社区女权主义,非殖民地女权主义和教育学的观点,我们的工作框架中的女权主义机器人方法。在本文中,我们提出了一个初步的讨论,以强调女性主义的观点来探索,预见,并最终纠正有偏见的机器人决策的相关性。
2022-01-26 cs.RO
Policy Stitching: Learning Transferable Robot Policies
Duke University(杜克大学);Air Force Research Laboratory(空军研究实验室)
本文提出 Policy Stitching 框架,通过模块化策略设计与接口潜在表征对齐,直接拼接独立训练的机器人和任务模块,实现新颖机器人—任务组合的零样本与少样本快速迁移。
2023-09-24 cs.RO cs.SY eess.SY
Humanoid-Gym: Reinforcement Learning for Humanoid Robot with Zero-Shot Sim2Real Transfer
Shanghai Qi Zhi Institute(上海期智研究院);RobotEra TECHNOLOGY CO., LTD.(RobotEra科技有限公司);Tsinghua University(清华大学)
本研究提出基于Nvidia Isaac Gym的Humanoid-Gym强化学习框架,支持人形机器人运动技能训练与零样本Sim2Real迁移,还集成多仿真验证机制,已在两款人形机器人上完成真实环境验证。
2024-05-18 cs.AI cs.LG cs.RO
Digital Twins for Human-Robot Collaboration: A Future Perspective
University of Genoa(热那亚大学)
本文综述了数字孪生在人机协作领域的最新进展,论证了其对提升系统效率效能的关键作用,展望了未来发展方向并分析了集成的优势与挑战。
2023-11-04 cs.RO
Towards Long-term Autonomy: A Perspective from Robot Learning
University of Sheffield(谢菲尔德大学);Czech Technical University(捷克理工大学);University of Lincoln(林肯大学);University of Padua(帕多瓦大学)
在未来,服务机器人有望能够在没有人为干预的情况下长时间自主运行。随着机器人技术的发展,硬件和软件都出现了许多努力实现这一目标的工作。今天,我们认为机器人长期自主的一个重要基础是机器人在现场和飞行中学习的能力,特别是当它们部署在不断变化的环境中或需要穿越不同的环境时。在本文中,我们从机器人学习的角度,特别是在线学习的角度来研究长期自主性问题,并讨论其前提“数据”和后续的“部署”。
2023-01-20 cs.AI cs.RO
REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer
Carnegie Mellon University(卡内基梅隆大学)
机器人学习中的一个流行范例是为每个新机器人从头开始训练策略。这不仅效率低下,而且对于复杂的机器人来说往往不切实际。在这项工作中,我们考虑的问题,在两个不同的机器人具有显着不同的参数,如运动学和形态学的政策。通过匹配动作或状态转换分布来训练新策略的现有方法(包括模仿学习方法)由于最优动作和/或状态分布在不同机器人中不匹配而失败。在本文中,我们提出了一种新的方法命名为$REvolveR$的使用连续进化模型的机器人策略传输实现在物理模拟器。我们找到一个连续的机器人参数的进化变化的源机器人和目标机器人之间的插值。源机器人上的专家策略通过训练逐渐演变成目标机器人的中间机器人序列来转移。在物理仿真器上的实验表明,所提出的连续进化模型可以有效地在机器人之间传递策略,并在新机器人上获得优异的样本效率。所提出的方法是特别有利的稀疏奖励设置,探索可以显着减少。代码发布于www.example.com。
2022-06-21 cs.AI cs.LG cs.RO
Know Thyself: Transferable Visual Control Policies Through Robot-Awareness
University of Pennsylvania(宾夕法尼亚大学)
在新机器人上从头开始训练视觉控制策略通常需要生成大量特定于机器人的数据。我们如何利用以前在另一个机器人上收集的数据来减少甚至完全消除对机器人特定数据的需求?我们提出了一个“机器人感知控制”的范例,实现这一目标,利用现成的知识机器人。然后,我们通过训练模块化动力学模型,将可转移的,机器人感知的世界动力学模块与机器人特定的,潜在的分析,机器人动力学模块耦合,在机器人感知的基于模型的RL策略中实例化。这也使我们能够设置视觉规划成本,分别考虑机器人代理和世界。我们在模拟和真实机器人的桌面操作任务上的实验表明,这些插件的改进大大提高了基于视觉模型的RL策略的可转移性,甚至允许视觉操作技能zero-shot转移到新的机器人上。项目网址:https://www.seas.upenn.edu/~hued/rac
2022-10-17 cs.CV cs.LG cs.RO
Robotic Speech Synthesis: Perspectives on Interactions, Scenarios, and Ethics
University of Edinburgh(爱丁堡大学)
近年来,许多工作已经调查了会话机器人执行特定任务的可行性,例如医疗保健和面试。伴随着这一发展而来的是一个实际问题:我们应该如何合成机器人的声音,以满足不同情况的需求?在本文中,我们讨论了这个问题,从三个方面:1)合成非语言和面向交互的语音信号,特别是反向通道的困难; 2)的场景分类的机器人语音合成; 3)伦理问题的设计机器人语音的情感和身份。我们提出了相关文献的研究结果和我们以前的工作,试图引起人类与机器人交互研究人员的注意,以设计更好的对话机器人在未来。
2022-03-17 cs.CL cs.HC cs.RO
Diffusing in Someone Else's Shoes: Robotic Perspective Taking with Diffusion
University of Hamburg(汉堡大学)
针对机器人从第三人称演示学习动作需制作第一人称演示成本高的问题,提出一种新型扩散模型,可实现第三人称到第一人称视角的物体与环境尺寸、旋转转换,让机器人直接从第三人称演示学习,兼顾两种视角的优势。
2024-10-04 cs.AI cs.RO
Trust Considerations for Explainable Robots: A Human Factors Perspective
Massachusetts Institute of Technology(麻省理工学院)
人工智能(AI)和机器人技术的最新进展引起了人们对AI系统和机器人的关注,人类用户需要能够理解。可解释人工智能(XAI)和可解释机器人文献旨在通过为用户提供有关人工智能和机器人行为的必要信息来增强人类理解和人类-机器人团队绩效。同时,人的因素文献长期以来一直致力于解决有助于人类表现的重要因素,包括人类对自治系统的信任。在本文中,从人的因素的文献,我们讨论了三个重要的信任相关的设计可解释的机器人系统的考虑:信任的基础,信任校准,和信任的特异性。我们进一步详细说明现有的和潜在的机器人系统的基础上提供的解释,可解释的机器人的信任评估指标。
2020-05-12 cs.HC cs.RO
Meta-Evolve: Continuous Robot Evolution for One-to-many Policy Transfer
Carnegie Mellon University(卡内基梅隆大学)
本文提出 Meta-Evolve 方法,通过共享树状进化路径实现连续机器人进化,将专家策略高效地从源机器人迁移到多个目标机器人,实验显示一对三操作策略迁移效率提升最高 3.2 倍,一对六运动策略迁移提升 2.4 倍。
2024-05-06 cs.AI cs.LG cs.NE
Point of View: How Perspective Affects Perceived Robot Sociability
Humanoid Robots Lab, University of Bonn, Germany(波恩大学人形机器人实验室,德国)
本文通过VR用户研究,比较全知视角与第一人称视角对机器人轨迹社交性的感知差异,发现全知视角下社交性高的轨迹在近距离第一人称体验中可能更令人不安,而头部点头等社交信号可提升感知社交性。
2026-08-11 cs.RO
Biological Robots: Perspectives on an Emerging Interdisciplinary Field
Tufts University(塔夫茨大学);Wyss Institute for Biologically Inspired Engineering(怀斯生物启发工程研究所);Harvard University(哈佛大学);University of Vermont(佛蒙特大学);Institute for Computationally Designed Organisms(计算设计生物体研究所)
科学和工程的进步经常揭示最初用于理解、预测和控制现象的经典方法的局限性。随着进步,概念类别必须经常重新评估,以更好地跟踪跨学科最近发现的不变量。必须完善框架,解决学科之间相互冲突的界限,以便更好地促进而不是限制实验方法和能力。在这篇文章中,我们讨论了发育生物学、计算机科学和机器人学交叉的问题。在生物机器人的背景下,我们探讨了由材料,信息和生命科学的最新进展驱动的概念和以前不同的领域的变化。在此,每个作者都提供了自己对这个问题的看法,由自己的学科训练框架。我们认为,与计算一样,发育生物学和机器人技术的某些方面并不依赖于特定的材料;相反,这些领域的一致性有助于阐明多尺度控制,自组装以及形式与功能之间的关系等问题。我们希望新的领域可以出现,因为技术限制所产生的边界被克服,从再生医学到有用的合成生命机器,进一步推动实际应用。
2022-07-02 cs.AI cs.RO cs.SY
Design of a Hybrid Robot Control System using Memristor-Model and Ant-Inspired Based Information Transfer Protocols
本文提出一种混合机器人控制方法,利用蚂蚁行为启发算法和忆阻器非线性特性,在传感器信息处理受限情况下实现快速有效的情报近似。
2014-02-17 cs.ET cs.RO cs.SY
Enhancing Sim2Real Transfer for Torque-Controlled Robots through Real2Sim Dynamics Estimation and Reinforcement Learning
University of Bologna(博洛尼亚大学);University of Twente(特文特大学)
本研究提出Real2Sim2Real流水线,结合轨迹匹配等方法校准7自由度Franka Emika Panda机器人动力学,训练TQC智能体,实现力矩控制机器人Sim2Real迁移,提升了跟踪精度与鲁棒性。
2026-08-25 cs.RO cs.SY eess.SY
Identifying Functions and Behaviours of Social Robots during Learning Activities: Teachers' Perspective
University of Waterloo(滑铁卢大学);Monash University(莫纳什大学);Centre Inria Bordeaux - Sud-Ouest(法国国家信息与自动化研究所波尔多-西南研究中心)
随着人工智能的进步,研究人员越来越多地探索社交机器人在教育中可以发挥的潜在功能。由于教师是使用和应用教育技术的关键利益相关者,我们进行了一项研究,以了解教师对社交机器人如何支持课堂上各种学习活动的看法。通过采访,机器人木偶,和小组头脑风暴会议与五个小学和中学教师从当地学校在加拿大,我们采取社会技术的角度来概念化可能的机器人功能和行为,以及它们可能对当前的学习活动的设计,计划和执行的方式的影响。总体而言,教师积极响应的想法,引入社会机器人作为学习活动的技术工具,设想在使用教师机器人和学生机器人互动的差异。此外,Engestrom的活动系统模型-分析人类需求,任务和结果的框架-说明了与课堂学习活动相关的一些紧张关系。我们讨论了教师所设想的细粒度机器人功能和行为,以及它们如何解决当前的紧张局势-为改进学习活动的社交机器人的设计提供建议。
2021-10-30 cs.HC cs.RO
Off-Road Navigation of Legged Robots Using Linear Transfer Operators
Clemson University(克莱姆森大学)
该研究提出利用Perron-Frobenius算子将足式机器人越野导航问题转化为凸优化问题,通过地形数据实现有限维近似,相比标准迭代规划器能生成可通行性更优的路径。
2023-05-04 cs.RO cs.SY eess.SY
On the Role of the Action Space in Robot Manipulation Learning and Sim-to-Real Transfer
Volkswagen Group(大众集团)
该研究通过在13种动作空间下训练超250个RL智能体完成仿真操作任务并测试sim-to-real迁移效果,分析动作空间的优劣特征,为机器人操作RL算法的动作空间设计提供参考。
2024-04-29 cs.LG cs.RO
Robot Policy Evaluation for Sim-to-Real Transfer: A Benchmarking Perspective
NVIDIA(英伟达)
本文探讨了通用机器人操作策略在sim-to-real迁移评估中的挑战,提出利用高视觉保真度仿真、系统增加任务复杂度与场景扰动以及量化虚实性能对齐三项基准设计原则。
2025-08-14 cs.RO
Robotics Software Engineering: A Perspective from the Service Robotics Domain
University of Gothenburg(哥德堡大学);Radboud University Nijmegen(拉德堡德大学);University of Bergamo(贝加莫大学)
通过执行有用的任务来支持人类的机器人(又称,服务机器人)在全球范围内蓬勃发展。与工业机器人相比,服务机器人的发展带来了严重的软件工程挑战,因为它们需要高水平的鲁棒性和自主性,以便在高度异构的环境中运行。作为一个具有关键安全影响的领域,服务机器人面临着对良好软件开发实践的需求。在本文中,我们提出了第一个大规模的实证研究,以评估国家的艺术和机器人软件工程的实践。我们对来自9个不同国家的15家公司的工业从业者进行了18次半结构化访谈,并对来自机器人领域的156名受访者(来自26个国家)进行了调查。我们的研究结果提供了一个全面的图片(i)机器人工业和学术从业者应用的实践,包括过程,范例,语言,工具,框架和重用的做法,(ii)机器人软件工程的显着特点,(iii)经常面临的挑战,以及采用的解决方案。本文最后讨论的意见,推导出的假设,并提出行动的研究人员和从业人员。
2020-09-08 cs.RO cs.SE
Are Foundation Models the Route to Full-Stack Transfer in Robotics?
Institute of Robotics and Mechatronics, German Aerospace Center (DLR)(机器人与机电研究所,德国航空航天中心(DLR));Stanford AI Lab, Stanford University(斯坦福大学人工智能实验室)
本文探讨基础模型在机器人全栈迁移中的作用,分析其对不同迁移层次的影响及面临的挑战。
2026-02-25 cs.RO
Machine Learning in Robotic Ultrasound Imaging: Challenges and Perspectives
Technical University of Munich(慕尼黑工业大学)
本文综述了智能机器人超声成像系统的最新进展,重点介绍了机器学习在提升系统智能和自主动作推理中的应用,并讨论了数据稀缺等挑战及未来研究方向。
2024-01-04 cs.RO
An Industrial Perspective on Multi-Agent Decision Making for Interoperable Robot Navigation following the VDA5050 Standard
Robert Bosch GmbH(罗伯特·博世有限公司)
本文从工业视角分析了混合环境下自主移动机器人多智能体决策栈的挑战,探讨了VDA5050标准、OpenRMF框架及ROS2对系统的影响,并提出了提升导航鲁棒性与性能的方法及研究机会。
2023-11-24 cs.RO
Protective Policy Transfer
Stanford University(斯坦福大学);Georgia Institute of Technology(佐治亚理工学院)
在训练机器人在不可预测的现实世界环境中操作时,能够将现有技能转移到新的情况是一个关键能力。一个成功的转移算法不仅要尽量减少机器人在新环境中需要收集的样本数量,还要防止机器人在转移过程中损坏自身或周围环境。在这项工作中,我们引入了一个政策转移算法,以适应机器人运动技能,以新的情况下,同时尽量减少严重的故障。我们的算法在训练环境中训练两种控制策略:一种是优化的任务策略,以完成感兴趣的任务,另一种是专门用于防止机器人发生不安全事件(例如摔倒在地)的保护策略。为了决定在执行过程中使用哪个策略,我们在训练环境中学习了一个安全估计器模型,该模型估计机器人的连续安全级别。当与一组阈值一起使用时,安全估计器变成用于在保护策略和任务策略之间切换的分类器。我们评估我们的方法上四个模拟机器人运动问题和二维导航问题,并表明我们的方法可以实现成功的转移到显着不同的环境,同时考虑到机器人的安全性。
2020-12-11 cs.LG cs.RO
Are we done with object recognition? The iCub robot's perspective
Istituto Italiano di Tecnologia(意大利理工学院);Massachusetts Institute of Technology(麻省理工学院)
我们报告了对当前机器人视觉场景中物体识别的深度学习方法的优点和局限性的广泛研究,介绍了用于我们调查的新数据集。为了避免目前可用的数据集的偏见,我们考虑一个自然的人机交互设置设计的iCub人形机器人上的视觉对象识别的数据采集协议。通过分析在大规模图像检索数据集上离线训练的现成模型的性能,我们展示了知识转移的必要性。我们评估了完成最后一步的不同方法,并确定了影响机器人场景的主要瓶颈。通过研究对象分类和识别问题,我们突出了机器人应用中的对象识别与图像检索任务之间的关键差异,所考虑的深度学习方法最初就是为此设计的。简而言之,我们的研究结果证实了深度学习在这种情况下产生的显着改进,同时指出了机器人无缝部署需要解决的具体开放挑战。
2019-01-03 cs.AI cs.CV cs.LG
Underwater Human-Robot and Human-Swarm Interaction: A Review and Perspective
Technology Innovation Institute(技术创新研究院);Khalifa University(哈利法大学)
本综述梳理了水下人机交互(UHRI)及水下手势识别(UGR)的最新进展,探讨其在多机器人系统中的应用,提出融合人机自然交互与集群协调能力可提升水下复杂环境作业鲁棒性。
2024-06-21 cs.RO
Real2Sim2Real Transfer for Control of Cable-driven Robots via a Differentiable Physics Engine
Rutgers University(罗格斯大学);Yale University(耶鲁大学)
本文提出 Real2Sim2Real 策略,利用可微分物理引擎和少量真实机器人数据迭代优化仿真模型,从而发现可直接迁移到真实张拉整体机器人的运动控制策略。
2023-09-17 cs.AI cs.GR cs.LG
Transferring human emotions to robot motions using Neural Policy Style Transfer
Universidad Complutense de Madrid (UCM)(马德里康普顿斯大学 (UCM));Universidad Carlos III de Madrid (UC3M)(马德里卡洛斯三世大学 (UC3M));CNRS(法国国家科学研究中心);University Rennes(雷恩大学);Inria(法国国家信息与自动化研究所);IRISA(法国布列塔尼计算机科学与随机系统研究所)
针对机器人领域缺乏预训练运动分类架构的问题,提出NPST3框架,结合TD3网络与自编码器实现人类运动风格向机器人运动的离线/在线迁移,在两类机器人平台上经147份问卷验证有效性。
2024-02-01 cs.RO
Action Detection from a Robot-Car Perspective
Universitá degli Studi Federico II(那不勒斯费德里科二世大学);Oxford Brookes University(牛津布鲁克斯大学)
我们提出了新的道路事件和活动检测(READ)数据集,从自动驾驶汽车的角度设计和创建,以应对自动驾驶的行动检测挑战。READ将为计算机视觉、智能汽车和机器学习领域的学者提供机会,研究令人兴奋的新问题,如理解复杂的(道路)活动、识别有感知能力的代理的行为、预测未来行动和事件的标签和位置,最终目标是支持自主决策。
2018-07-30 cs.CV cs.MA cs.RO
Identification of Prototypical Task Executions Based on Smoothness as Basis of Human-to-Robot Kinematic Skill Transfer
University of Bremen(不来梅大学)
在本文中,我们研究人类到机器人的技能转移的基础上识别的原型任务执行聚类的一组例子,由人类示威者,其中平滑度和运动学特征分别代表技能和任务性能。我们从一个实验任务中,一个工具接触到一个目标速度的支持表面的数据,我们的技能转移方法。原型任务执行识别和转移到一个通用的机器人手臂仿真。结果说明了如何基于技能和性能特征的任务模型可以为机器人应用程序提供分析和设计标准。
2020-12-03 cs.RO
A Conformal Mapping-based Framework for Robot-to-Robot and Sim-to-Real Transfer Learning
University of Virginia(弗吉尼亚大学)
本文提出了一种新的方法,教师和学习机器人之间的运动规划和控制策略的转移。通过这项工作,我们建议减少模拟与真实的差距,将为特定系统设计的知识转移到不同的机器人中,并补偿系统老化和故障。为了解决这个问题,我们引入了一个基于Schwarz-Christoffel映射的方法来几何拉伸和适应从教师到学习者的命令空间的控制输入。我们还提出了一种基于原始运动生成的方法来创建运动计划和控制输入兼容的学习者的能力。我们的方法进行了验证与不同的机器人系统导航闭塞环境的模拟和实验。
2021-09-19 cs.RO
Person Transfer in the Field: Examining Real World Sequential Human-Robot Interaction Between Two Robots
Northeastern University(东北大学);Carnegie Mellon University(卡内基梅隆大学)
本文通过4天7小时的现场研究,观察18次两台机器人间的“人员转移”并访谈11名参与者,揭示移动机器人交接、信任与位置等序贯人机交互设计要点。
2024-06-11 cs.HC cs.RO
Latent Emission-Augmented Perspective-Taking (LEAPT) for Human-Robot Interaction
Smart Systems Institute, National University of Singapore(新加坡国立大学智能系统研究所);National University of Singapore(新加坡国立大学)
针对部分可观测人机交互中的视角采择难题,提出分解式多模态潜在状态空间世界模型LEAPT,通过生成虚构观测并优化ELBO建模不确定性,在三项HRI任务上显著优于基线。
2023-08-12 cs.AI cs.HC cs.RO
Dissecting liabilities in adversarial surgical robot failures: A national (Danish) and European law perspective
Department of Computer and Information Sciences, University of Strathclyde(斯特拉斯克莱德大学计算机与信息科学系)
在过去的十年中,手术机器人的重要性和使用率都有所上升。对于手术机器人来说,连接性对于接受软件更新、接受指令和传输传感数据是必要的,但它也会使机器人暴露于网络攻击,这可能会损害患者或外科医生。这些伤害通常是由安全故障引起的,就像工业机器人的事故一样,但网络攻击是由安全故障引起的。我们在本文中专门针对手术机器人创建了这两种类型故障的分类法。这些机器人越来越多地在欧盟(EU)销售和使用;因此,我们考虑欧盟法律如何看待和对待手术机器人。具体而言,如果伤害是由无法明确识别的对手造成的安全故障造成的,监管机构和制造商拥有哪些权利,以及患者或制造商在欧盟的单一国家法律体系中将拥有哪些法律救济和行动。我们发现,选定的国家法律制度可以充分处理对手术机器人的攻击,因为它可以有效地补偿病人。这是因为它的灵活性;第二,对故障原因的安全性与安全性之间明显缺乏区分,而是侧重于有害影响,从而使患者受益;第三,如果患者选择单独的公法措施来恢复损害赔偿,则可以通过撤销其作为当事人的地位来免除制造商的责任。此外,我们发现,目前的欧盟法律确实考虑了手术机器人的安全性和安全性方面,没有通过字面措辞提及,但它也增加了手术机器人制造商的大量责任和责任,赋予患者特殊权利,并赋予监管机构巨大的权力。
2022-01-31 cs.CR cs.CY cs.RO
A blessing or a burden? Exploring worker perspectives of using a social robot in a church
School of Computing Science, University of Glasgow(计算科学学院,格拉斯哥大学)
本研究针对社会效益优先的教堂场景,通过访谈15名不同利益相关者并采用反思性主题分析,探究工作人员对引入社交机器人的看法,发现反应褒贬不一,明确了潜在应用场景,指出需兼顾经济与社会无形价值来确定机器人角色。
2025-06-28 cs.HC cs.RO
Introduction to Human-Robot Interaction: A Multi-Perspective Introductory Course
Colorado School of Mines(科罗拉多矿业学院)
本文介绍了一门面向计算机、机械和机器人专业学生的项目驱动型人机交互导论课程,涵盖从利益相关者分析到经验评估的全流程,整合了定性、设计、计算和定量方法。
2024-03-22 cs.HC cs.RO
Humanoid Robots and Humanoid AI: Review, Perspectives and Directions
Frontier AI Research Centre, Macquarie University(前沿人工智能研究中心,麦考瑞大学)
本文综述约30款人形机器人,提出向人形AI及新一代AI人形机器人转变的范式,展望从类人外观向具人性、人性化规范及技术进步的未来方向。
2025-10-12 cs.RO
Autonomous Removal of Perspective Distortion for Robotic Elevator Button Recognition
The Chinese University of Hong Kong(香港中文大学)
电梯按钮识别被认为是使移动机器人能够自主电梯操作的不可或缺的功能。然而,由于不利的图像条件和各种图像失真,识别精度仍有待提高。在本文中,我们提出了一种新的算法,可以自主校正的电梯面板图像的透视失真。该算法首先利用高斯混合模型(GMM)进行基于按钮识别结果的网格拟合过程,然后利用估计的网格中心作为参考特征来估计相机运动,以校正透视失真。该算法无需特征检测或特征匹配过程,对噪声和离群点的鲁棒性优于传统的基于特征的几何方法。为了验证该算法的有效性,我们收集了一个电梯面板数据集的50个图像从不同的视角拍摄。实验结果表明,该算法能准确估计摄像机运动,有效去除透视畸变。
2019-12-26 cs.CV cs.RO eess.IV
A Multimedia Framework for Continuum Robots: Systematic, Computational, and Control Perspectives
Graduate Institute of Architecture(建筑研究所);National Yang Ming Chiao Tung University(国立阳明交通大学)
针对连续体机器人开发缺乏集成框架的问题,本文提出一种整合系统架构、动力学计算与控制策略的统一多媒体框架,可提升开发效率与质量。
2024-10-06 cs.MM cs.RO
Perspective-corrected Spatial Referring Expression Generation for Human-Robot Interaction
Nanjing University(南京大学)
设计用于在真实场景中与人类交互的智能机器人需要能够通过自然语言主动引用实体。在空间指称表达中,由于参考系的多样性,不可避免地会产生歧义,这将导致人与机器人之间的理解鸿沟。为了缩小这一差距,在本文中,我们提出了一种新的视角校正空间参考表达式生成(PcSREG)的方法,考虑到参考帧的选择,人机交互。该方法将指称表达式的生成简化为空间关系单元的生成过程。首先,我们挑选出所有的地标在这些空间关系的单位根据熵的偏好,并允许其更新通过堆栈模型。然后根据不同的参考框架策略生成所有可能的指称表达。最后,我们使用概率引用表达式解析模型来评估每个表达式,并找到满足适当性和有效性的最佳表达式。我们在一个机器人系统上实现了该方法,实验结果表明,该方法可以生成更有效的空间参考表达式。
2022-04-03 cs.CL cs.HC cs.RO