Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning
Stanford University（斯坦福大学）
在模仿和强化学习中，人类监督的成本限制了机器人可以训练的数据量。一个令人向往的目标是构建自我改进的机器人：可以在最少的人类监督或监督下自主互动的机器人。这样的机器人可以收集和训练更大的数据集，从而学习更强大和性能更好的政策。虽然强化学习通过试错法为这种自主学习提供了一个框架，但实际的实现最终需要广泛的人类监督来设计奖励函数，并在交互事件之间重复重置环境。在这项工作中，我们提出了MEDAL++，一种新的设计，用于自我改进的机器人系统：在开始时给出一小组专家演示，机器人通过学习做和撤销任务来自主练习任务，同时从演示中推断奖励函数。策略和奖励函数是从高维视觉输入端到端学习的，绕过了对先前工作中使用的视觉编码器的显式状态估计或特定于任务的预训练的需要。我们首先在模拟的非情景基准EARL上评估了我们提出的算法，发现MEDAL++的数据效率更高，与最先进的基于视觉的方法相比，最终性能提高了30%。我们的真实机器人实验表明，MEDAL++可以应用于操作问题，在更大的环境比那些考虑在以前的工作，和自主自我改进可以提高成功率30-70%以上的行为克隆只是专家数据。代码、培训和评估视频以及简要概述请访问：https://architsharma97.github.io/self-improving-robots/
2023-03-02 cs.AI cs.LG cs.RO
Autonomous Warehouse Robot using Deep Q-Learning
North South University（南北大学）
在仓库中，专门的代理需要导航，避免障碍物，并最大限度地利用仓库环境中的空间。由于这些环境的不可预测性，可以应用强化学习方法来完成这些任务。在本文中，我们提出使用深度强化学习（DRL）来解决机器人导航和避障问题，并使用传统的Q学习来最大限度地利用空间进行产品放置。我们首先调查的问题，为单一的机器人的情况。接下来，基于单机器人模型，我们扩展我们的系统的多机器人的情况下。我们使用Q表的策略变化来执行多智能体Q学习。我们成功地测试了我们的模型在2D仿真环境中的单机器人和多机器人的情况下的性能。
2022-02-21 cs.AI cs.LG cs.RO
Quantum Computing and Neuromorphic Computing for Safe, Reliable, and explainable Multi-Agent Reinforcement Learning: Optimal Control in Autonomous Robotics
Intelligent Knowledge City（智能知识城）
本文探索将量子计算与神经形态计算结合用于自主机器人多智能体强化学习，以提升最优控制的安全性、可靠性与可解释性。
2025-07-05 cs.ET cs.LG cs.MA
Perception-Informed Autonomous Environment Augmentation With Modular Robots
Cornell University（康奈尔大学）；University of Pennsylvania（宾夕法尼亚大学）
我们提出了一个系统，使模块化机器人自主构建结构，以完成高层次的任务。建筑结构允许机器人克服大型障碍，扩大它可以执行的任务。这解决了模块化机器人系统的一个共同弱点，即通常难以穿越大型障碍物。本文介绍了硬件，感知和规划工具，包括我们的系统。环境表征算法识别环境中的特征，所述特征可以被增强以在环境的两个断开区域之间创建路径。特别设计的积木使机器人能够创建可以增强环境的结构，使障碍物可以穿越。一个高层次的规划者对任务、机器人运动能力和环境进行推理，以决定是否以及在哪里增强环境，以执行所需的任务。最后通过硬件实验对系统进行了验证
2018-03-01 cs.RO
Autonomous Aerial Robot for High-Speed Search and Intercept Applications
近年来，在航空机器人的背景下，高速导航和环境交互已成为一些学术和工业研究的兴趣领域。特别是，搜索和拦截（SaI）应用程序的空中机器人构成了一个引人注目的研究领域，由于其潜在的可用性在几个环境中。尽管如此，SaI任务涉及关于感觉重量、机载计算资源、致动设计以及感知和控制算法等方面的具有挑战性的发展。在这项工作中，一个完全自主的空中机器人高速物体抓取已被提出。作为一个额外的子任务，我们的系统能够自主刺穿位于靠近表面的极点的气球。我们的第一个贡献是设计的空中机器人在驱动和传感器的水平，包括一个新的夹具设计与额外的传感器，使机器人能够抓住物体在高速。第二个贡献是一个完整的软件框架，包括感知，状态估计，运动规划，运动控制和任务控制，以快速和鲁棒地执行自主抓取任务。我们的方法已经在一个具有挑战性的国际比赛中得到了验证，并取得了出色的成绩，能够在室外环境中以6 m/s的速度自主搜索，跟踪和抓取移动物体
2021-12-10 cs.AI cs.RO
Autonomous robotic nanofabrication with reinforcement learning
Forschungszentrum Jülich（于利希研究中心）；RWTH Aachen University（亚琛工业大学）；Technische Universität Berlin（柏林工业大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Korea University（高丽大学）
能够像处理宏观积木一样有效地处理单个分子的能力，将使自组装无法实现的复杂超分子结构的构建成为可能。阻碍这一目标的根本挑战是原子尺度构象的不受控制的可变性和差的可观测性。在这里，我们提出了一种策略来解决这两个障碍，并通过操纵单分子来展示自主机器人纳米纤维。我们的方法采用强化学习（RL），即使面对大的不确定性和稀疏的反馈，也能找到解决方案。我们通过用扫描探针显微镜从超分子结构中自动去除分子来展示我们RL方法的潜力-这是纳米级减材制造的一个示例性任务。我们的RL代理达到了出色的性能，使我们能够自动执行以前必须由人类执行的任务。我们预计，我们的工作开辟了自主代理的机器人建设的功能超分子结构的速度，精度和毅力超出了我们目前的能力。
2020-10-01 cond-mat.mes-hall cs.AI cs.LG
ARC Nav -- A 3D Navigation Stack for Autonomous Robots
PES University（PES大学）
流行的导航栈在开源框架之上实现，如ROS（机器人操作系统）和ROS 2使用离散化的2D占用网格表示机器人工作空间。这种方法，虽然需要较少的计算，限制了使用这样的导航栈轮式机器人在平面上导航。在本文中，我们提出了一个导航堆栈，使用体积表示的机器人工作空间，因此可以扩展到空中和足式机器人通过不平坦的地形导航。此外，我们提出了一种新的基于采样的运动规划算法，该算法引入了一个双向的方法，批量通知树（BIT*）运动规划算法，同时包装它与策略切换的方法，以减少初始时间，找到一条路径，除了所需的时间，找到最短路径。
2021-11-12 cs.RO
Navigational Path-Planning For All-Terrain Autonomous Agricultural Robot
劳动力的短缺和维护成本的增加迫使许多农业企业家转向自动化和机械化方法。自主系统的关键组成部分是所使用的路径规划技术。覆盖路径规划（CPP）算法用于在农田上导航，以执行各种农业操作，如播种、犁耕或喷洒农药和肥料。本文报告比较了新的算法，自主导航的农田。为了减少导航的限制，考虑到特定的印度环境的高分辨率网格地图表示。通过将网格单元区分为覆盖的、未探索的、部分探索的和存在障碍物来覆盖自由空间。比较算法的性能进行评估，如时间效率，空间效率，准确性和鲁棒性的变化，在环境中的指标。采用机器人操作系统（ROS）、达索系统体验平台（3DS Experience）、MATLAB和Python对算法进行了仿真。实验结果证明了该算法在自主野外导航中的适用性和在机器人路径规划中的可行性。
2021-09-07 cs.CV cs.RO
Constrained Optimal Planning to Minimize Battery Degradation of Autonomous Mobile Robots
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对自主移动机器人电池退化问题，提出兼顾循环退化与日历老化、保障任务完成的约束最优规划优化框架，通过矩形分段线性近似线性化双线性问题，案例验证其可实现最优路径规划并减少电池老化。
2025-06-16 cs.RO cs.SY eess.SY
Nonvisual Classification of Ground-Condition by Artificial Proprioception in an Amoeba-Inspired Autonomous Walking Robot
该研究为变形虫启发的自主步行机器人，整合传感器与储备池计算实现人工本体感觉，完成地面状况非视觉分类，可依地面切换步态并分析传感器贡献。
2026-08-07 cs.AI cs.LG cs.RO
Obstacle Avoidance for Autonomous Mobile Robots Based on Mapping Method
Hanoi University of Industry（河内工业大学）；University of Economics - Technology for Industries（经济与技术工业大学）
近年来，移动机器人因其在各种环境中的应用而受到研究者的极大关注。移动机器人在穿越障碍物时，需要识别障碍物并生成新的轨迹以到达目的地。提出了一种基于开源的机器人操作系统（ROS）和动态窗口逼近（DWA）算法的移动机器人避障方法。实验是使用移动机器人进行的，其中导航数据是基于由激光扫描仪收集的数据。实验结果表明，该机器人能够在静态和动态障碍物环境中正常工作。
2021-09-14 cs.RO cs.SY eess.SY
Asymmetric Design of Control Barrier Function for Multiagent Autonomous Robotic Systems
Tokyo Institute of Technology（东京工业大学）
针对多智能体机器人系统在极端聚集场景下控制屏障函数无解的问题，提出基于绝对速度权重的不对称约束设计，实现分布式碰撞避免，并在仿真与真实机器人上验证有效性。
2023-11-12 cs.RO cs.SY eess.SY
Using multiple sensors for autonomous mobile robot navigation
Trường Đại học Công nghệ, Đại học Quốc gia Hà nội（河内国家大学科技大学）
本文提出了使用多传感器测量系统来引导自主移动机器人在房子里。该系统允许三维图像采集到全局地图，并可将图像降维到二维全局地图导航，利用李雅普诺夫函数方法进行轨迹设计，并可通过势能避障。此外，传感器集成方法的基础上扩展的卡尔曼滤波器，使我们能够识别的确切位置和方向的机器人在存在干扰的环境。
2020-05-13 cs.RO cs.SY eess.SY
Feedback Control for Autonomous Riding of Hovershoes by a Cassie Bipedal Robot
University of California, Berkeley（加州大学伯克利分校）
为了实现多模式运动，在本文中，我们开发了一个双足机器人框架，使其能够动态地在各种地形上骑着一双气垫鞋。我们开发的控制策略使Cassie双足机器人能够与Hovershoes互动，以平衡，调节前进和旋转速度，实现快速转弯，并在平坦的地形，斜坡，楼梯和粗糙的户外地形上移动。我们的传感器套件包括用于视觉SLAM的跟踪和深度摄像头，以及基于Dijkstra的全局规划器和基于定时弹性带的局部规划框架，使我们能够在导航障碍物时实现在Hovershoes上的自主骑行。我们提出了数值和实验验证我们的工作。
2019-09-21 cs.RO cs.SY eess.SY
Nukhada USV: a Robot for Autonomous Surveying and Support to Underwater Operations
The Technology Innovation Institute（技术创新研究院）；SpinItalia（SpinItalia公司）
位于阿联酋阿布扎比的技术创新研究所最近完成了一种名为Nukhada的新型无人水面航行器的生产和测试，该航行器专门用于自主调查，检查和支持水下作业。这份手稿描述了努哈达USV的主要特点，以及在开发过程中进行的一些试验。
2022-01-10 cs.RO cs.SY eess.SY
Modeling and Control of an Autonomous Three Wheeled Mobile Robot with Front Steer
Autonomous Ground Vehicle Research Group（自主地面车辆研究组）；Indian Institute of Technology (IIT) Kharagpur（印度理工学院（IIT）卡里格普尔）；West Bengal, India（印度西孟加拉）
本文提出了一种自主三轮移动机器人的前轮转向建模与控制策略，设计了速度控制PID控制器并实现了数字控制框架，同时展示了轨迹控制框架，通过实验验证了系统模型并讨论了控制器性能与鲁棒性。
2016-12-05 cs.RO cs.SY eess.SY
Specification mining and automated task planning for autonomous robots based on a graph-based spatial temporal logic
University of Notre Dame（圣母大学）
我们的目标是使自主机器人能够从演示视频中学习新技能，并使用这些新学到的技能来完成重要的高级任务。开发这种自主机器人的目标涉及到知识表示、规范挖掘和自动任务规划。对于知识表示，我们使用基于图的时空逻辑（GSTL）来捕获演示视频所演示的相关技能的时空信息。我们设计了一个规范挖掘算法，通过归纳构造空间项和时间公式，从演示视频中生成一组参数化的GSTL公式。从规范挖掘得到的参数化GSTL公式作为域理论，用于自主机器人的自动任务规划。提出了一种基于GSTL的自动任务规划方法，其中提出者用于生成有序动作，验证者用于生成可执行的任务计划。文中以表格设置为例说明了本文的主要思想。
2020-07-16 cs.AI cs.RO cs.SY
Design of Outdoor Autonomous Moble Robot
National Sun Yat-Sen University（国立中山大学）
本研究设计一个六轮户外自主式移动机器人。我们的机器人的主要设计目标是增加其在户外移动时的适应性和灵活性。这个六轮机器人平台配备了一些传感器，如全球定位系统（GPS），高清（HD）网络摄像头，光探测和测距（LiDAR）和旋转编码器。采用个人移动计算机和86Duino ONE单片机作为算法计算平台。在控制方面，使用差分GPS或摄像机来检测结构化和非结构化道路边界，以计算机器人的横向偏移和头部角度偏移。横向偏移和头部角度偏移被馈送到模糊控制器。控制输入通过左右轮转速差的Q学习来设计。这使得机器人跟踪参考路线，以便它可以留在自己的车道上。2D LiDAR还用于测量与前方障碍物的相对距离。当机器人与障碍物之间的距离小于特定的安全距离时，机器人会立即停止以避免碰撞。一个定制设计的摇臂使机器人能够爬上一个低台阶。当机器人改变位姿时，通过控制摇臂的角度来保持身体平衡。自主移动机器人已被用于我们的校园道路上的交付服务，通过集成上述系统功能。
2022-01-29 cs.RO cs.SY eess.SY
Resilient Navigation for Autonomous Farm Robots by Leveraging Jerk-Augmented Models with IMU-Only Disturbance Rejection
Iowa State University（爱荷华州立大学）；Salin247
针对农业机器人传感器中断和振动问题，提出加加速度增强EKF与多调谐因子自适应方法，动态调整测量协方差，显著降低3D位置RMSE。
2026-06-09 cs.RO cs.SY eess.SY
Autonomous Locomotion Mode Transition in Quadruped Track-Legged Robots: A Simulation-Based Analysis for Step Negotiation
University of Cambridge（剑桥大学）；ClearPath AI
本文提出了一种用于四足混合机器人自主切换运动模式的方法，特别是在跨越不同高度台阶时，通过能量效率评估机制实现平稳过渡。
2024-04-02 cs.RO cs.SY eess.SY
Development of an Autonomous Sanding Robot with Structured-Light Technology
CUHK T Stone Robotics Institute（CUHK T Stone机器人研究所）；Innovation and Technology Commission of Hong Kong（香港创新及科技委员会）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出了一种能够自主完成未知物体打磨工作的机器人，通过结构光相机扫描建模、优化运动规划和阻抗模型控制，实现了无需人工干预的自主打磨。
2019-03-08 cs.RO cs.SY eess.SY
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
On the Ergodicity of an Autonomous Robot for Efficient Environment Explorations
本文研究了自主机器人环境探测的遍历性问题。作为参考的空间分布由高斯混合物给出，并且机器人的质量生成被假设为瘦高斯。要解决的主要问题是，然后找出适当的时机，机器人访问，以及离开每个组件明智的高斯为目的，实现遍历。所提出的方法的新颖性是，没有近似是必需的开发方法。给出了遍历函数的定义，并基于时间分析给出了收敛条件。并给出了实现遍历性的形式化算法。为了支持所提出的算法的有效性，仿真结果提供。
2020-05-05 cs.SY eess.SY
Towards Integrating Formal Verification of Autonomous Robots with Battery Prognostics and Health Management
Heriot-Watt University（赫瑞-瓦特大学）；University of Liverpool（利物浦大学）
电池是自主机器人的关键部件。它的性能限制了机器人的安全性和可靠性。与液体燃料不同，电池作为一种化学装置，具有复杂的特征，包括（i）连续充电时容量衰减;（ii）在给定功率需求下，随着荷电状态（SOC）下降，放电率增加。现有的形式化验证研究的自主机器人，考虑能源的限制，形式化的能源组成部分，在一个通用的方式，这样的电池功能被忽略。在本文中，我们建立了一个无人机（UAV）检查任务的风电场和通过概率模型检验在PRISM显示（i）如何电池的功能可能会影响验证结果显着在实际情况下;和（ii）如何电池的功能，连同动态环境和电池安全策略，共同影响验证结果。潜在的解决方案，明确集成电池性能和健康管理（PHM）与自主机器人的形式化验证也进行了讨论，以激励未来的工作。
2019-08-22 cs.AI cs.RO cs.SY
Uncertainty-Aware Task Allocation for Distributed Autonomous Robots
New Mexico State University（新墨西哥州立大学）
本文讨论了分布式自主机器人（DAR）的态势感知的任务分配问题与不确定性。任务分配过程中的不确定性传播是通过使用Sigma-Point采样机制的Unscented变换来完成的。它具有很大的潜力，被用于通用的任务分配方案，在这个意义上说，没有必要修改现有的任务分配方法，已开发不考虑的不确定性的态势感知。所提出的框架进行了测试，在模拟环境中，决策者需要确定分配给多个移动飞行机器人的位置来作为已知的均值和协方差的随机变量的多个位置的最优分配。仿真结果表明，所提出的随机任务分配方法产生的分配比不考虑不确定性的总成本减少30%。
2021-07-21 cs.AI cs.RO cs.SY
A Fuzzy Approach to Qualification in Design Exploration for Autonomous Robots and Systems
University of Bristol（布里斯托大学）
本文提出了一种模糊方法，用于处理设计探索中对要求的模糊满足度，通过模糊逻辑和模型检查分析模糊和概率要求，从而在系统设计中确定不同要求之间的权衡。
2017-05-11 cs.SE cs.SY eess.SY
