Optimization-Driven Design of Monolithic Soft-Rigid Grippers
Department of Information Engineering University of Florence(信息工程系佛罗伦萨大学);Department of Information Engineering and Mathematics, University of Siena(信息工程与数学系锡耶纳大学);Humanoids & Human Centered Mechatronics, Istituto Italiano di Tecnologia(人形与以人为中心的机电一体化,意大利技术研究所)
本研究提出一种结合快速原型和优化策略的方法,以提高软机器人夹持器的制造效率和现实适应性。
2024-12-10 cs.MS 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
Hybrid Control from Scratch: A Design Methodology for Assured Robotic Missions
Instituto Balseiro(巴尔塞罗研究所);Universidad Nacional de Cuyo(库约国立大学)
在过去的几十年里,机器人研究已经引导我们采用不同的体系结构来自动合成离散事件控制器,并在现实世界的机器人场景中实现这些运动和任务计划。然而,这些架构通常建立在现有的机器人硬件上,因此产生的解决方案在其设计中受到可用能力和传感器的影响和/或限制。与这些方法相比,我们提出了一种设计方法,给定一个特定的应用领域,使我们能够建立第一个端到端的实现自主机器人系统,使用离散事件控制器合成,以产生有保证的任务计划。我们验证这个机器人系统在我们的目标应用领域的几个任务。
2020-04-23 cs.RO
A Real-World Grasping-in-Clutter Performance Evaluation Benchmark for Robotic Food Waste Sorting
Faculty of Science and Technology, University of Canberra(科学与技术学院,堪培拉大学)
本文提出GRAB基准,通过1750次抓取尝试评估不同夹具在杂乱环境中的抓取性能,揭示物体质量是影响抓取表现的主要因素。
2026-04-20 cs.RO
MARS: Multi-Agent Robotic System with Multimodal Large Language Models for Assistive Intelligence
School of Computer Science and Engineering, Faculty of Innovation Engineering, Macau University of Science and Technology(澳门科技大学创新工程学院计算机科学与工程学院)
MARS系统利用多模态大语言模型实现风险感知和个性化辅助,通过多智能体决策框架提升智能家庭机器人在动态环境中的表现。
2026-04-07 cs.CV cs.RO
Integer Programming as a General Solution Methodology for Path-Based Optimization in Robotics: Principles, Best Practices, and Applications
Rutgers, the State University of New Jersey(罗格斯新泽西州立大学)
机器人编程(IP)已被证明是非常有效的解决许多基于路径的优化问题的机器人。然而,IP的应用程序通常是在一个特设的,具体问题的方式。在这项工作中,在研究了广泛的基于路径的优化问题后,我们描述了这些问题的IP解决方案方法,该方法既易于应用(在两个简单的步骤中),又在计算时间和实现的最优性方面具有高性能。我们通过应用于三个具有挑战性的基于路径的优化问题:多机器人路径规划(MPP),最小约束去除(MCR),和奖励收集问题RCP),证明了我们的方法的通用性。相关的实验表明,该方法可以有效地产生(近)最优解的问题与大的状态空间,复杂的约束条件,复杂的目标函数。结合IP方法的命题,我们介绍了两个新的和实际的机器人问题:多机器人最小约束去除(MMCR)和多机器人路径规划(MPP)与部分解决方案,这可以快速有效地解决使用我们提出的IP解决方案管道。
2019-03-01 cs.RO
Investigating Robot Control Policy Learning for Autonomous X-ray-guided Spine Procedures
Johns Hopkins University(约翰霍普金斯大学);Technical University of Munich(慕尼黑技术大学);Johns Hopkins School of Medicine(约翰霍普金斯医学院)
本文研究基于模仿学习的机器人控制策略在稀疏输入(双平面X光)下进行椎体成形术中的可行性,通过模拟环境训练策略实现基于视觉的套管针迭代对齐,首次尝试成功率达68.5%,并展示了向复杂解剖结构和真实X光的迁移能力,但存在入口点精度不足等局限。
2026-05-22 cs.AI cs.CV cs.LG
Introducing the Robot Security Framework (RSF), a standardized methodology to perform security assessments in robotics
Alias Robotics S.L.(Alias Robotics 有限公司);University of Twente(特文特大学)
机器人在社会中获得了相关性,越来越多地执行关键任务。机器人的安全性被低估了。机器人安全是一个复杂的领域,它往往需要一个跨学科的视角,而经典安全则落后于此。为了解决这个问题,我们提出了机器人安全框架(RSF),在机器人中进行系统的安全评估的方法。我们提出、调整和开发特定术语,并提供指导方针,以实现以下四个主要层(物理、网络、固件和应用程序)的整体安全评估。我们认为,现代机器人技术应视为同样相关的内部和外部通信安全。最后,我们反对“模糊的安全”。我们的结论是,在机器人安全领域值得进一步的研究工作。
2021-11-12 cs.CR cs.RO
Design Methodology of Hydraulically-driven Soft Robotic Gripper for a Large and Heavy Object
本文提出了一种液压驱动的软机器人夹具设计方法,通过数学模型和材料选择实现大重量物体的抓取与控制。
2026-01-14 cs.RO
An MCTS-DRL Based Obstacle and Occlusion Avoidance Methodology in Robotic Follow-Ahead Applications
Simon Fraser University(西蒙弗雷泽大学)
针对机器人前方跟随中的碰撞与遮挡问题,提出融合 MCTS 和深度强化学习的高层决策算法生成短期导航目标,并通过实验验证其优于现有方法。
2023-09-28 cs.RO cs.SY eess.SY
Robotic Fruits with Tunable Stiffness and Sensing: Towards a Methodology for Developing Realistic Physical Twins of Fruits
School of Engineering and Materials Science, Queen Mary University of London(伦敦女王学院工程与材料科学学院);Department of Robotics, Ritsumeikan University(立命馆大学机器人学系)
本文提出了一种可调刚度的机器人水果物理双胞胎,用于模拟不同成熟度水果的刚度特性,以提高机器人采摘的效率和可控性。
2026-02-20 cs.RO
Reflective-AR Display: An Interaction Methodology for Virtual-Real Alignment in Medical Robotics
Johns Hopkins University(约翰斯·霍普金斯大学);Department of Computer Science, Johns Hopkins University(约翰斯·霍普金斯大学计算机科学系);Laboratory for Computer Aided Medical Procedures, Johns Hopkins University(约翰斯·霍普金斯大学计算机辅助医疗程序实验室)
机器人辅助微创手术已被证明可以改善患者的预后,并减少并发症和恢复时间。虽然越来越多的可配置机器人手臂可以在混乱的环境中最大限度地达到并避免碰撞,但在手术过程中适当定位它们是复杂的,因为安全法规阻止了自动驾驶。我们提出了一种基于盔装显示器(HMD)的增强现实(AR)系统,旨在指导最佳手术臂设置。配备HMD的工作人员将机器人与其计划的虚拟对手对齐。在这种以用户为中心的环境中,主要的挑战是阻碍这种协作机器人解决方案的视角模糊性。为了克服这一挑战,我们引入了一种新的注册概念,通过反射式AR显示器提供多视图AR体验,同时显示来自多个视点的增强,将AR内容直观地对齐到其物理对应物。使用该系统,用户可以可视化不同的角度,同时主动调整姿势,以确定最接近的虚拟叠加到真实的注册变换。实验结果表明,在使用反射AR显示器时,虚拟和真实机器人的交互式对准的改善。我们还提出了测量配置机器人机械手在模拟套管针放置手术中使用AR指导方法。
2020-03-04 cs.CV cs.RO
FlatLab: A Unified Methodology Framework and Simulation-Based Benchmark for Robotic Manipulation of Flat Objects
Jilin University(吉林大学);Peking University(北京大学);Chinese Academy of Sciences(中国科学院);University of Birmingham(伯明翰大学)
该研究针对扁平物体机器人操作泛化能力有限的问题,提出含策略生成器与执行模块的统一框架,并构建FlatLab仿真基准,方法泛化效果优于现有基线。
2026-08-17 cs.RO
Model-Based Sensor Diagnostics for Robotic Manipulators
本文提出一种基于模型的传感器诊断方法,通过在串联弹性执行器上施加扭转弹簧、关节动力学和电机电气三类约束,实现对机器人关节扭矩传感器故障的检测与隔离。
2023-12-02 cs.RO cs.SY eess.SY
A Novel Method for Developing Robotics via Artificial Intelligence and Internet of Things
TBML College(TBML学院)
本文描述了一种通过人工智能和物联网来发展和改进机器人领域的新方法。现在有一天,我们可以说人工智能将世界带入机器人领域。几乎所有行业都使用机器人进行大量工作。他们正在使用合作机器人来制作不同种类的作品。但是,要使机器人完成多任务还存在一些问题。因此,有一种必要的新方法来制造多任务机器人。只有通过人工智能和物联网才能实现。
2014-05-12 cs.AI cs.CY cs.RO
SERA: Safe and Efficient Reactive Obstacle Avoidance for Collaborative Robotic Planning in Unstructured Environments
在工业4.0时代,非结构化环境中多个机器人之间的安全高效协作变得越来越重要。然而,实现人类和其他机器人之间的鲁棒和自主协作需要现代机器人系统具有有效的接近感知和反应性避障。在本文中,我们提出了一种新的方法,反应全身避障,确保无冲突的机器人,机器人之间的互动,即使在动态环境中。与现有的基于Jacobian类型、基于采样或几何技术的方法不同,我们的方法利用了最新的深度学习进展和拓扑流形学习,使其能够以高计算效率和快速图遍历技术轻松推广到其他问题设置。我们的方法允许机器人手臂在没有直接接触的情况下主动避开任意3D形状的障碍物,这是对传统工业协作机器人设置的重大改进。为了验证我们的方法,我们在一个机器人平台上实现了它,该平台由具有优化的接近传感器位置的双6自由度机械臂组成,能够在不同程度的干扰下协同工作。具体而言,一只手臂在实现其预定目标的同时执行反应性全身避障,而另一只手臂则模仿具有独立和潜在对抗性运动的人类合作者的存在。我们的方法为非静止环境中的安全人机协作提供了一个强大而有效的解决方案。
2023-03-28 cs.AI cs.RO
Printable Flexible Robots for Remote Learning
Wentworth Institute of Technology(温特沃斯理工学院);Worcester Polytechnic Institute(伍斯特理工学院)
COVID-19大流行揭示了数字制造对实现在线学习的重要性,这仍然是机器人课程的一个挑战。我们引入了一种教学方法,允许学生远程参与涉及机器人设计和制造的动手机器人课程。我们的方法采用3D打印技术和柔性细丝来创建创新的软体机器人;机器人由柔性材料制成,而不是刚性材料。学生使用CAD软件设计灵活的机器人组件,如执行器,传感器和控制器,将他们的设计上传到远程3D打印站,使用网络摄像头监控打印,并在邮寄测试和组装之前与实验室工作人员一起检查组件。在课程结束时,学生将通过几个设计迭代,并创建流体驱动的软体机器人。我们的远程教学方法使教育工作者能够利用3D打印资源来教授软机器人技术,并培养学生的创造力,以设计新颖和创新的机器人。我们的方法旨在通过将动手学习经验与学习环境中的昂贵设备脱钩来实现机器人工程的民主化。
2022-07-15 cs.CY cs.RO
What can robotics research learn from computer vision research?
Australian Centre for Robotic Vision(澳大利亚机器人视觉中心);Queensland University of Technology(昆士兰科技大学)
计算机视觉和机器人研究社区都很强大。然而,近年来,由于大数据、GPU计算、新颖的学习算法和非常有效的研究方法论,计算机视觉的进展变得越来越快。相比之下,机器人技术的进展似乎较慢。的确,机器人技术后来才开始探索学习的潜力--尽管强化学习似乎提供了真正的潜力,但它相对于动力学、运动学、规划和控制等成熟知识体系的优势仍在争论之中。然而,相比机器人技术,计算机视觉的快速发展不能仅仅归功于前者采用了深度学习。在本文中,我们认为,计算机视觉的收益是由于研究方法论-严格限制下的评估与实验;大胆的数字与视频。
2020-06-12 cs.CV cs.RO
A Systematic Robot Design Optimization Methodology with Application to Redundant Dual-Arm Manipulators
Robotics Institute, Carnegie Mellon University(机器人研究所,卡内基梅隆大学)
针对农业等场景下机器人设计依赖直觉、性能难达最优的问题,提出含四模块的系统化设计优化方法,结合自运动流形冗余指标,使辣椒采摘双臂机器人可达成功率至少提升14%、灵巧性提升超30%。
2025-07-29 cs.RO
Trajectory Tracking for Robotic Arms with Input Saturation and Only Position Measurements
Jan C. Willems Center for Systems and Control(扬·C·威廉姆斯系统与控制中心);Engineering and Technology Institute Groningen (ENTEG)(格罗宁根工程技术研究所(ENTEG));University of Groningen(格罗宁根大学)
在这项工作中,我们提出了一种基于无源性的控制方法,解决了一类机械系统,包括广泛的机器人手臂的轨迹跟踪问题。所得到的控制器可以是自然饱和的,并且不需要速度测量。此外,所提出的方法不需要实施的观察员,和闭环系统的结构允许识别的李雅普诺夫函数,这简化了收敛性分析。为了证实该方法的有效性,我们与飞利浦实验机器人手臂进行实验。
2020-10-22 cs.RO cs.SY eess.SY
ARDOP: A Versatile Humanoid Robotic Research Platform
BMS College of Engineering(BMS工程学院)
本文介绍了一种名为ARDOP的人形机器人的研制。该项目的目标是提供一种模块化、开源且廉价的人形机器人,使研究人员能够回答与机器人操纵和感知相关的各种问题。ARDOP主要包括两个功能单元,即感知和操纵系统,在这里,我们讨论了这些系统的概念和设计方法,并继续提出他们的性能仿真和各种定制设计的实验结果。
2021-08-18 cs.RO
A Verification Methodology for Safety Assurance of Robotic Autonomous Systems
Faculty of Science and Technology, Norwegian University Of Life Sciences (NMBU)(科学与技术学院,挪威生命科学大学);Department of Mechatronics, University of Agder (UiA)(机械电子系,阿格德大学);Department of Computer Science, University Of York, UK(计算机科学系,约克大学(英国))
本文提出一种覆盖全生命周期的验证方法,通过危险分析、风险评估和形式化建模,在农业机器人上验证安全关键属性,促进设计问题早期识别。
2025-10-15 cs.FL cs.RO cs.SE
Hybrid Simulator for Space Docking and Robotic Proximity Operations
在这项工作中,我们提出了一个混合模拟器空间对接和机器人接近操作方法。该方法还允许通过使用实际机器人来仿真在复杂环境中操作的目标机器人。仿真方案旨在复制目标机器人与环境交互的动态行为,而不需要处理复杂的接触动力学计算。该方法为柔性空间机器人的任务验证奠定了基础。实际的仿真机器人在结构上是刚性的,而目标机器人可以代表任何类别的机器人,例如,灵活、冗余或空间机器人。虽然仿真机器人与目标机器人在动力学上并不等价,但通过采用本文所提出的控制律,可以达到仿真机器人与目标机器人的动力学相似。深入分析了干扰和执行器动力学对机器人仿真保真度和接触稳定性的影响。
2022-10-08 cs.RO cs.SY eess.SY
Ontology-Driven Robotic Specification Synthesis
Warsaw University of Technology (WUT)(华沙技术大学);NASA Jet Propulsion Laboratory (JPL)(美国国家航空航天局喷气推进实验室);California Institute of Technology(加州理工学院)
本文提出基于本体的RSTM2方法,用于安全关键任务中机器人系统规范综合,通过随机时Petri网实现多层级蒙特卡洛模拟,支持架构权衡与资源分配。
2026-02-05 cs.AI cs.RO cs.SY
RB5 Low-Cost Explorer: Implementing Autonomous Long-Term Exploration on Low-Cost Robotic Hardware
Yale University(耶鲁大学);Boston Dynamics AI Institute(波士顿动力人工智能研究所);Harvard University(哈佛大学)
本文介绍了低成本轮式机器人RB5,通过结合前沿采样探索、向量场路径跟随与SLAM算法,在低更新频率硬件上实现室内外未知环境的自主长期探索,并利用LoRa技术实现远程人机交互。
2024-02-14 cs.RO
Towards Hierarchical Task Decomposition using Deep Reinforcement Learning for Pick and Place Subtasks
University of Verona(维罗纳大学);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);University of Glasgow(格拉斯哥大学)
深度强化学习(Deep Reinforcement Learning,DRL)是一种新兴的机器人平台自适应行为生成方法。然而,使用DRL的一个主要缺点是需要大量数据的训练机制,需要数百万次试错尝试,这在机器人系统上运行实验时是不切实际的。示教学习(LfD)通过克隆专家演示的行为来解决这个问题。然而,LfD需要大量的演示,这些演示很难获得,因为需要专用的复杂设置。为了克服这些限制,我们提出了一个多子任务强化学习方法,复杂的拾取和放置任务可以分解为低级别的子任务。这些子任务被参数化为专家网络,并通过DRL方法学习。然后,高级编排器将训练好的子任务组合在一起,以完成考虑不同初始配置的预期拾取和放置任务。作为一个测试平台,我们使用一个拾取和放置机器人模拟器来演示我们的方法,并表明我们的方法优于基于LfD的基准方法在样本效率方面。我们将学习到的策略转移到真实的机器人系统中,并使用各种几何形状的物体展示了鲁棒抓取。
2021-10-19 cs.RO
Addressing Non-Intervention Challenges via Resilient Robotics utilizing a Digital Twin
多机器人系统面临着减少人为干预的挑战,因为它们经常部署在危险的环境中。因此,有必要包括一种评估机器人故障率的方法,以减少对昂贵的人工干预的需求。这个问题的解决方案包括能够共同工作以确保任务弹性的机器人。为了防止这种干预,机器人应该能够共同努力,以确保任务的弹性。然而,机器人平台通常缺乏与来自不同供应商的其他平台的内置互连性。这项工作旨在通过双向数字孪生实现功能来解决这个问题。双胞胎使人类操作员能够向多机器人舰队发送信息和从多机器人舰队接收信息。这个数字孪生考虑了任务弹性以及自主和人类主导的决策,以实现多机器人舰队的弹性。这创造了不同机器人的合作、确证和协作,以利用机器人的能力并支持故障机器人的恢复。
2022-11-27 cs.HC cs.RO
Low Cost Semi-Autonomous Agricultural Robots In Pakistan-Vision Based Navigation Scalable methodology for wheat harvesting
National University of Sciences and Technology(巴基斯坦国立科技大学)
近年来,机器人已经彻底改变了我们的生活方式。其中一个尚未完全受益于机器人自动化的领域是农业。农业机器人应该在该部门的不同子领域中补充人类的艰巨任务。日本、美国、澳大利亚和德国等国对农业机器人进行了广泛的研究,主要集中在重型农业机械上。巴基斯坦是一个农业富国,其经济和粮食安全与农业特别是小麦密切相关。然而,巴基斯坦的农业研究仍然使用传统方法进行。本文试图引发在这一现代领域的研究,使我们能够受益于成本效益和资源效率的自主农业方法。本文重点研究了一种可扩展的低成本半自主小麦收获技术,主要集中在小土地持有的农民。主要的重点将放在视觉部分的导航系统部署的拟议机器人。
2015-01-10 cs.CV cs.CY cs.RO
Multimodal Behaviour Trees for Robotic Laboratory Task Automation
University of Liverpool(利兹大学)
针对实验室机器人任务执行可靠性问题,提出基于多模态感知的行为树方法,在封盖和插入任务中实现高成功率与强错误检测能力,验证了该方法在安全关键环境中的鲁棒性。
2025-06-25 cs.RO
Safe Multi-Robotic Arm Interaction via 3D Convex Shapes
Electrical and Computer Engineering Department, Tandon School of Engineering, New York University(电气与计算机工程系,工程学院,纽约大学)
本研究提出基于高阶控制屏障函数的多机械臂碰撞避障方法,通过集中式和分布式安全过滤器实现安全交互,适用于共享空间中的多机械臂协作。
2025-11-27 cs.RO cs.SY eess.SY
Towards Accessible Physical AI: LoRA-Based Fine-Tuning of VLA Models for Real-World Robot Control
Independent Researchers(独立研究者)
本文提出基于LoRA的VLA模型微调方法,使大规模VLA模型能在消费级GPU上高效运行,实现在低成本机器人平台上的现实部署。
2025-12-11 cs.AI cs.RO
Robot Motion Planning in Learned Latent Spaces
Stanford University(斯坦福大学)
本文提出了基于潜在采样的运动规划(L-SBMP),一种通过学习可规划的潜在表示来计算复杂机器人系统运动规划的方法。最近的工作在控制机器人系统有效地利用本地,低维嵌入高维动力学。在本文中,我们将这些最新进展与基于采样的运动规划(SBMP)技术相结合,以设计一种能够规划传统方法(例如,类人机器人,甚至是在视觉空间中进行规划的系统)。具体来说,学习的潜在空间是通过一个自动编码网络,一个动态网络,和碰撞检查网络,这反映了SBMP的三个主要算法原语,即状态采样,本地转向,和碰撞检查。值得注意的是,这些网络可以只通过系统状态和动作的原始数据以及监督冲突检查器来训练。在这些网络的基础上,使用基于RRT的算法直接在潜在空间中规划运动-我们将这种探索算法称为学习潜在RRT(L2 RRT)。该算法全局地探索潜在空间,并能够推广到新的环境。整体的方法证明了两个规划问题,即视觉规划问题,规划发生在视觉(像素)空间,和一个人形机器人规划问题。
2018-11-06 cs.RO
Commonsense Scene Semantics for Cognitive Robotics: Towards Grounding Embodied Visuo-Locomotive Interactions
University of Bremen(不来梅大学);Örebro University(厄勒布鲁大学)
我们提出了一个常识性的,定性的模型体现视觉空间和机车互动的语义基础。其主要贡献是将低级视觉处理与植根于人工智能的以人为本的空间和运动表示相结合的综合方法。我们展示了实际的适用性,涉及对象的相互作用和室内运动的例子。
2017-09-15 cs.AI cs.CV cs.RO
Intelligent Motion Planning for a Cost-effective Object Follower Mobile Robotic System with Obstacle Avoidance
Chaitanya Bharathi Institute of Technology(查塔尼亚·巴拉蒂理工学院)
很少有行业使用手动控制的机器人来搬运材料,而且这并不能在所有地方一直使用。因此,拥有机器人是非常安静的,它可以通过跟随特定的人所持有的独特颜色的物体来跟随该人。因此,我们提出了一种机器人系统,该系统使用机器人视觉和深度学习来获得所需的线速度和角速度,分别为ν和ω。这反过来又使机器人在跟随人类持有的独特颜色的物体时避开障碍物。我们提出的新方法可以准确地检测任何类型照明中独特颜色物体的位置,并告诉我们机器人所在的水平像素值,还可以告诉物体是否靠近或远离机器人。此外,我们在这个问题中使用的人工神经网络在线性和角速度预测中给了我们微小的误差,并且用于控制线性和角速度的PI控制器,其进而控制机器人的位置给了我们令人印象深刻的结果,并且这种方法优于所有其他方法。
2021-09-06 cs.CV cs.RO
Towards Massive Interaction with Generalist Robotics: A Systematic Review of XR-enabled Remote Human-Robot Interaction Systems
The Hong Kong Polytechnic University(香港理工大学);The Hong Kong University of Science and Technology (Guangzhou)(香港理工大学(广州))
该综述基于PRISMA方法系统回顾了100篇论文,总结了AR、VR、MR等扩展现实技术在远程人机交互中的应用、用户体验增强及交互设计,并指出了未来研究方向。
2024-03-26 cs.HC cs.RO
Cartman: The low-cost Cartesian Manipulator that won the Amazon Robotics Challenge
Australian Centre for Robotic Vision (ACRV)(澳大利亚机器人视觉中心 (ACRV));Queensland University of Technology (QUT)(昆士兰科技大学 (QUT))
亚马逊机器人挑战赛招募了16个团队,每个团队设计一个用于自动仓储的取放机器人,解决机器人视觉和操作的发展问题。本文介绍了我们定制的,具有成本效益的,笛卡尔机器人系统卡特曼,赢得了第一名,在比赛决赛中的14个(16个),并挑选所有9个项目在27分钟内,得分共272分。我们强调我们以经验为中心的设计方法和我们系统的关键方面,有助于我们的竞争力。我们相信这些方面对于构建强大而有效的机器人系统至关重要。
2018-02-26 cs.RO
An Empirical Design Justice Approach to Identifying Ethical Considerations in the Intersection of Large Language Models and Social Robotics
Leverhulme Centre for the Future of Intelligence, University of Cambridge(勒沃休姆未来智能中心,剑桥大学)
本文通过定性共同设计与交互研究,运用设计正义方法识别人形社交机器人作为 LLM 接口时的伦理风险,并归纳出交互、共同设计、服务条款和关系四个维度。
2024-06-12 cs.AI cs.RO
Optimizing Collaborative Robotics since Pre-Deployment via Cyber-Physical Systems' Digital Twins
Politecnico di Milano(米兰理工大学)
本文提出在预部署阶段利用数字孪生和贝叶斯优化设计协作机器人单元,通过集成生产KPI实现数据驱动决策,从而获得更安全、高效和适应性强的协作环境。
2024-10-18 cs.RO
Software-Defined Robotics -- Idea & Approach
University of New Haven(纽黑文大学)
软件定义机器人的方法论基于层次和独立的框架,可以设计和实现编程和控制不同的机器人,无论他们的制造商的参数和规格,统一的命令和通信。这种框架方法将增加在运行时间期间对特定机器人组进行(重新)编程的能力,而不会影响关键任务和工业操作中所需的其他机器人,扩展共享带宽,增强代码的可重用性,利用计算处理能力,减少对每个机器人的大量补充电气部件的不必要分析,以及获得基于云计算、虚拟机(VM)和机器人即服务(RaaS)技术中最先进的行业趋势的优势。
2017-08-20 cs.AI cs.RO
Fusion-Driven Tree Reconstruction and Fruit Localization: Advancing Precision in Agriculture
University of California, Davis(加利福尼亚大学戴维斯分校)
本研究提出一种融合RGB图像、LiDAR和IMU数据的方法,实现树体重建与果实精准定位,为农业机器人引导和精准农业提供了变革性工具。
2024-10-14 cs.CV cs.RO
Cyber-Physical Steganography in Robotic Motion Control
National Institute of Informatics(情报信息学研究所);Feng Chia University(逢甲大学);University of Tokyo(东京大学)
本文提出机器人运动控制中的信息物理隐写范式,利用环境刺激影响机器人运动并从轨迹解码消息,以完整性和低偏差保障保密性,并通过多任务仿真验证。
2025-01-08 cs.AI cs.CR cs.RO
Towards hybrid primary intersubjectivity: a neural robotics library for human science
Okinawa Institute of Science and Technology Graduate University(冲绳科学技术大学院大学)
人机交互正在成为认知科学的一个有趣的研究领域,特别是对于社会认知的研究。互动理论家认为,初级主体间性是一种非精神主义的、前理论的、非概念性的过程,它为某种程度的沟通和理解奠定了基础,并为更高层次的认知技能提供了支持。我们认为,这种低层次的认知互动,控制是共享的二元遭遇,是容易与神经机器人的研究。因此,在这项工作中,我们追求三个主要目标。首先,从主动推理的概念出发,我们研究了初级主体间性作为一种第二人称视角的经验,其特征是预测性参与,其中感知,认知和行动在二元互动中被解释为一个解释学循环。其次,我们提出了一个开放源码的方法命名为\textit{neural robotics library}(NRL)的实验人机交互,并在实时与虚拟笛卡尔机器人(VCBot)进行交互的演示程序。最后,通过一个研究案例,我们讨论了人-机器人(混合)主体间性可以为人类科学研究做出贡献的一些方式,例如发展心理学,教育技术和认知康复领域。
2020-06-29 cs.HC cs.NE cs.RO
A Robotic Line Scan System with Adaptive ROI for Inspection of Defects over Convex Free-form Specular Surfaces
The Hong Kong Polytechnic University(香港理工大学);Hong Kong Applied Science and Technology Research Institute(香港应用科技研究院)
在本文中,我们提出了一种新的机器人系统,执行缺陷检测任务的自由曲面镜面。自主程序是由一个六自由度的机械手,配备了线扫描相机和高强度照明系统。我们的方法首先使用对象的CAD网格模型来实现K均值无监督学习算法,该算法将对象的表面分割成具有相似曲率的区域。然后,通过使用自适应算法来计算扫描路径,该自适应算法调整相机的ROI以适当地观察具有不规则形状的区域。针对深度传感器捕获的镜面目标存在的盲点问题,提出了一种新的基于迭代最近点的投影配准方法,该方法能够在机器人坐标系中鲁棒地定位目标。最后,图像处理流水线自动检测所捕获的高分辨率图像中的表面缺陷。详细的实验研究与视觉引导的机器人扫描系统的报告,以验证所提出的方法。
2020-08-25 cs.RO
Sigma-3: Integration and Analysis of a 6 DOF Robotic Arm Configuration in a Rescue Robot
North South University(北南大学)
本文介绍了一种名为Sigma 3的救援机器人,它是为潜在的应用而开发的,例如在人类无法到达的地方为人类提供帮助,以评估危险环境。此外,这些类型的机器人可以通过适当的控制系统进行远程控制。所提出的方法力在两个问题上:1。新颖的机制设计,用于测量与Sigma 3,2集成的臂的旋转、关节、自由度的连杆。精确测量末端执行器的三维运动控制。在所提出的机制设计中,自由度测量由平面和空间机构提出,其中4种类型的刚性关节建立每个自由度,由6个高扭矩MG 996 R伺服电机控制。旋转和自由度的测量是由旋转矩阵、逆运动学的理论参考和实验结果组成的。所提出的方法在振荡阻尼性能表现出小于百分之三的误差,而配置的手测试。另一个评估的工作时间状态有力地捍卫低功耗能力的机制。
2020-04-28 cs.RO cs.SY eess.SY
Curate, Connect, Inquire: A System for Findable Accessible Interoperable and Reusable (FAIR) Human-Robot Centered Datasets
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对机器人数据集缺乏策展标准导致发现与重用困难的问题,本文提出一个FAIR原则的以人为中心的机器人数据集策展与访问系统,包含结构化数据集策展发布方法和ChatGPT驱动的自然语言对话查询接口,显著提升了人机交互数据的可访问性与可理解性。
2025-05-30 cs.HC cs.IR cs.RO
AMP2026: A Multi-Platform Marine Robotics Dataset for Tracking and Mapping
McGill University(麦吉尔大学);MILA - Quebec AI Institute(魁北克人工智能研究所);Université Paris-Saclay, CentraleSupélec(巴黎-萨克雷大学,中央超导学院);University of Minnesota(明尼苏达大学);Texas A&M University(德克萨斯阿姆斯特朗大学);Woods Hole Oceanographic Institution(伍兹霍尔海洋研究所);Binghamton University(宾厄姆顿大学)
AMP2026数据集通过多平台传感器采集,用于支持海洋环境中的多视角跟踪与制图研究。
2026-03-04 cs.RO
Weakly-Supervised Domain Adaptation of Deep Regression Trackers via Reinforced Knowledge Distillation
University of Udine(乌迪内大学)
深度回归跟踪器是最快的跟踪算法之一,因此适合实时机器人应用。然而,由于分布偏移和过拟合,它们的精度在许多领域是不够的。在本文中,我们克服了这样的局限性,提出了第一种方法域适应这样一类的跟踪器。为了减少标签的努力,我们提出了一个弱监督的适应策略,其中强化学习是用来表示弱监督作为一个标量的应用程序相关的和时间延迟的反馈。同时,采用知识蒸馏来保证学习稳定性,并压缩和传输来自功能更强大但速度更慢的跟踪器的知识。五个不同的机器人视觉领域的广泛实验证明了我们的方法的相关性。在嵌入式设备和没有GPU的机器上实现了实时速度,同时精度也达到了显著的效果。
2021-03-26 cs.CV cs.RO
Hardware-in-the-Loop Simulation for Evaluating Communication Impacts on the Wireless-Network-Controlled Robots
Zhejiang University(浙江大学);Royal Institute of Technology (KTH)(皇家理工学院(KTH));ABB Corporate Research Sweden(瑞典ABB公司研究院)
针对无线通信对机器人系统影响的评估需求,提出一种接入真实网络设备的硬件在环仿真方法,无需大幅修改原控制器即可实验,在两类典型机器人场景下验证其能得到更贴合实际的通信影响评估结果。
2022-09-28 cs.AR cs.RO
Ranging-Based Localizability Optimization for Mobile Robotic Networks
针对移动机器人网络协作定位精度受网络几何影响的问题,提出基于CRLB势场的轨迹规划与分布式部署方法,建立与图刚性联系,经仿真和实验验证。
2022-11-16 cs.MA cs.RO
HATP: An HTN Planner for Robotics
CNRS(法国国家科学研究中心);LAAS(系统分析与体系结构实验室);Univ de Toulouse(图卢兹大学);INSA(国立应用科学学院)
层次任务网络规划是一种基于领域控制知识的层次化规划方法,它可以减少传统规划的搜索空间。这提供了一种直观的方法,用于指定关于机器人和智能体应如何执行任务的高级指令,同时也为规划者提供了足够的灵活性来选择较低级别的步骤及其排序。在本文中,我们提出了HATP(分层代理的任务规划)规划框架,扩展了传统的HTN规划域的表示和语义,使它们更适合机器人专家,并处理代理作为“第一类”实体的语言。前者是通过允许“社会规则”来定义,指定什么行为是可接受的/不可接受的域中的代理/机器人,并交错规划与几何推理,以验证在线-相对于一个详细的几何3D世界-人类/机器人的行动目前正在追求的HATP。
2014-06-12 cs.AI cs.RO
PneuGelSight: Soft Robotic Vision-Based Proprioception and Tactile Sensing
University of Illinois, Urbana-Champaign, USA(伊利诺伊大学厄巴纳-香槟分校);Carnegie Mellon University, USA(卡内基梅隆大学)
PneuGelSight通过内置相机实现高分辨率本体感觉与触觉感知,结合模拟到现实的管道,为柔软机器人提供新颖的传感方法。
2026-01-26 cs.RO
A Methodology for Designing Knowledge-Driven Missions for Robots
Computer Vision and Aerial Robotics group (CVAR), Centre for Automation and Robotics (CAR) Universidad Politécnica de Madrid (UPM), Madrid, Spain(计算机视觉与空中机器人小组(CVAR)、自动化与机器人中心(CAR)马德里理工大学(UPM)、马德里,西班牙)
本文提出了一种基于知识图谱的机器人任务设计方法论,通过在ROS 2系统中实现,提升自主任务的效率和智能性。
2026-07-30 cs.AI cs.RO
LanPose: Language-Instructed 6D Object Pose Estimation for Robotic Assembly
Tsinghua University(清华大学);Technical University of Munich(慕尼黑工业大学)
本文提出LanPose框架,通过融合几何与语言特征并利用交叉注意力机制,实现基于自然语言指令的的6D物体位姿估计,在真实机器人装配场景中验证了其有效性。
2023-10-20 cs.RO
ROB 204: Introduction to Human-Robot Systems at the University of Michigan, Ann Arbor
University of Michigan(密歇根大学)
本文介绍密歇根大学机器人学核心课程ROB 204,该课程通过“学习-强化-整合”方法教授人机交互与社会参与式设计,培养学生从社会技术角度设计机器人系统并评估其可用性的能力。
2024-05-23 cs.RO