Continuous Sculpting: Persistent Swarm Shape Formation Adaptable to Local Environmental Changes
Northwestern University(西北大学);McCormick School of Engineering(麦考密克工程学院);Center for Robotics and Biosystems(机器人与生物系统中心);University of Pennsylvania(宾夕法尼亚大学);General Robotics, Automation, Sensing and Perception (GRASP) Lab(通用机器人、自动化、感知与操作实验室(GRASP实验室))
本文提出“连续雕塑”算法,通过机器人进出形状循环、离队充电、消息传递与运动协同,使群体形状在任意人为或环境变化下永久维持,并在仿真与真实移动机器人上验证。
2024-04-02 cs.RO
User-specific, Adaptable Safety Controllers Facilitate User Adoption in Human-Robot Collaboration
随着辅助和协作机器人在现实世界中变得越来越普遍,我们需要开发对用户安全的接口和控制器,以建立信任并鼓励采用。在这篇蓝天论文中,我们讨论了需要共同发展的任务和用户特定的安全控制器,可以适应人们的安全偏好。我们认为,虽然大多数自适应控制器专注于行为适应,安全适应也是一个主要的考虑因素,建立信任的协作系统。此外,我们强调需要适应随着时间的推移,占用户的偏好变化的经验和信任的建立。我们提供了一个通用的公式,这些接口应该是什么样子,什么功能是必要的,使他们可行和成功。在该公式中,用户提供示范和标记的安全等级,从中学习安全价值函数。这些价值函数可以通过更新演示上的安全标签来更新,以学习更新的函数。我们将讨论如何在高级别上实现这一点,以及一些有前途的方法和技术。
2022-10-14 cs.RO
Human-Robot Mutual Adaptation in Shared Autonomy
Carnegie Mellon University(卡内基梅隆大学);National University of Singapore(新加坡国立大学)
共享自主性将用户输入与机器人自主性相结合,以控制机器人并帮助用户完成任务。我们的工作旨在提高这样一个人-机器人团队的性能:机器人试图引导人类走向一个有效的策略,有时违背人类自己的偏好,同时仍然保持他的信任。我们通过一个原则性的人-机器人相互适应的形式主义来实现这一点。我们将人类的有界记忆适应模型集成到部分可观察的随机决策模型中,使机器人能够适应适应性强的人类。当人类适应性强时,机器人会引导人类采取一个好的策略,也许人类事先不知道。当人类固执而不适应时,机器人会遵从人类的偏好,以保持他们的信任。在共享自治设置中,与许多其他常见的人机协作设置不同,只有机器人的动作可以改变世界的物理状态,人类和机器人的目标并不完全可观察。我们解决这些挑战,并显示在人类受试者的实验中,提出的相互适应形式主义提高人类-机器人团队的性能,同时保持高水平的用户信任的机器人,相比,有机器人严格遵循参与者的偏好的常见方法。
2017-01-26 cs.RO
A Socially Adaptable Framework for Human-Robot Interaction
Italian Institute of Technology (IIT)(意大利理工学院);University of Genova(热那亚大学);University of Hertfordshire(赫特福德大学)
在我们的日常生活中,我们习惯于与同伴进行复杂的、个性化的、适应性的互动。为了让社交机器人能够重现这种丰富的、类似人类的互动,它应该意识到我们的需求和情感状态,并能够不断调整自己的行为。针对这个问题提出的一个解决方案是让机器人学习如何选择行为,以最大限度地提高其同伴的互动愉快度,并由内部动机系统指导,为决策过程提供自主权。我们有兴趣研究这种自适应机器人框架如何为不同的用户提供功能和个性化。此外,我们探讨是否包括在认知框架中的适应性和个性化的元素将带来任何额外的丰富的人机交互(HRI),或者如果它会带来不确定性和不可预测性,将不会被接受的机器人的人类同行。为此,我们为人形机器人iCub设计了一个社会适应框架,使其能够感知和重用来自人的情感和交互信号作为基于内部社会动机的适应输入。我们提出了一个比较互动的研究与iCub的用户作为机器人的看护人,和iCub的社会适应是由内部舒适度的指导,随着刺激的量iCub从其看护人收到。我们调查和比较的内部动态的机器人将被认为是由人在一个条件下,当机器人不个性化的互动,并在一个条件下,它是自适应的。最后,我们建立了一个自适应框架可以带来的潜在好处的上下文中有重复的互动与人形机器人。
2020-03-25 cs.RO
ADAMANT: A Pipeline for Adaptable Manipulation Tasks
TRACLabs, Inc.(TRACLabs公司)
本文介绍了ADAMANT,一套软件模块,提供抓取规划能力,现有的机器人规划和控制软件框架。我们提出的工作允许用户适应操作任务下使用广泛不同的情况下,以最小的用户输入,从而减少操作员的认知负荷。开发的工具包括(1)基于插件的组件,可以轻松扩展默认功能和使用第三方抓取库,(2)以对象为中心的方式定义任务约束,(3)用户友好的Rviz界面,使用抓取规划器实用程序,以及(4)交互式工具,使用感知数据来编程任务。我们在各种机器人模拟上测试了我们的框架。
2022-09-14 cs.RO
Get It Right: Improving Comprehensibility with Adaptable Speech Expression of a Humanoid Service Robot
Institute of Information Systems, University of Lübeck(吕贝克大学信息系统研究所)
针对仿人服务机器人在公共服务场景中的信息传递问题,本研究以机器人Pepper为案例,提出可将信息翻译为简易语言或其他口语的应用架构,以提升信息可理解性并适配个体需求。
2024-12-06 cs.AI cs.RO
A System for Fast, Resilient, and Adaptable Loco-Manipulation Behaviors on Humanoid Robots
提出一种机器人本地、运行时可编辑的行为编写与运行系统,结合Coactive Design原则、对象中心Affordance模板、行为树逻辑和运行时场景感知,支持双臂行走、并发动作分层,已部署于多种人形机器人,实现20多种任务变体,可在数分钟或数小时内创建新行为。
2026-06-26 cs.RO
Building an Aerial-Ground Robotics System for Precision Farming: An Adaptable Solution
Sapienza University of Rome(罗马大学);IT+Robotics Srl(IT+Robotics有限责任公司);International Research Lab 2958 Georgia Tech-CNRS(佐治亚理工-法国国家科学研究中心2958国际研究实验室);University of Freiburg(弗莱堡大学);Toyota Research Institute(丰田研究院);University of Bonn(波恩大学);Robert Bosch GmbH(罗伯特·博世有限公司);Agency for Agro-food Sector Services of the Marche Region (ASSAM)(马尔凯大区农业食品部门服务局);ETH Zurich(苏黎世联邦理工学院)
自主机器人在农业中的应用越来越受欢迎,这要归功于它对粮食安全、可持续性、资源利用效率、减少化学处理以及优化人类努力和产量的高度影响。基于这一愿景,Flourish研究项目旨在为精准农业开发一种适应性强的机器人解决方案,该解决方案将小型自主无人机(UAV)的航空勘测能力与多用途无人地面车辆(UGV)进行的有针对性的干预相结合。本文概述了该项目取得的科技进步和成果。我们介绍了多光谱感知算法和空中和地面为监测作物密度,杂草压力,作物氮营养状况,并准确地分类和定位杂草开发的系统。然后,我们介绍了我们的机器人在农业环境中量身定制的导航和地图系统,以及协作地图的模块。最后,我们提出了地面干预硬件,软件解决方案和接口,我们实施和测试在不同的田间条件和不同的作物。我们描述了一个真实的使用案例,其中无人机与UGV合作监测现场并在没有人为干预的情况下进行选择性喷洒。
2022-06-07 cs.RO
Human Motion Prediction using Semi-adaptable Neural Networks
University of California, Berkeley(加州大学伯克利分校);Carnegie Mellon University(卡内基梅隆大学)
人体运动预测是促进人机交互的重要组成部分。机器人需要准确地预测人类未来的运动,以便安全地规划自己的运动轨迹并有效地与人类合作。许多最近的方法使用深度学习方法来预测人类的运动,例如循环神经网络。然而,现有的方法缺乏适应时变人类行为的能力,并且其中许多方法没有量化预测中的不确定性。本文提出了一种使用半自适应神经网络进行人体运动预测的方法,并提供了实时的预测的不确定性界限。首先离线训练神经网络来表示人体运动过渡模型,然后采用递归最小二乘参数自适应算法(RLS-PAA)对神经网络进行在线参数自适应,并进行不确定性估计。在多个人体运动数据集上的实验结果表明,该方法在预测精度和计算效率方面均优于现有方法。
2019-09-17 cs.RO
A System for Fast, Resilient, and Adaptable Loco-Manipulation Behaviors on Humanoid Robots
Florida Institute for Human and Machine Cognition(佛罗里达人机认知研究所);University of West Florida(西佛罗里达大学)
该研究提出机器人本地可运行时编辑的行为系统,结合 Affordance Templates 等架构,在 Unitree H1-2 和 Alex 机器人上快速完成移动操作任务,性能可与近期学习系统媲美。
2026-09-02 cs.RO
Rapidly Adaptable Legged Robots via Evolutionary Meta-Learning
Robotics at Google(谷歌机器人团队);Columbia University(哥伦比亚大学)
学习适应性强的策略对于机器人在我们复杂而快速变化的世界中自主运行至关重要。在这项工作中,我们提出了一种新的元学习方法,使机器人能够快速适应动态变化。与依赖于二阶梯度估计的基于梯度的元学习算法相比,我们引入了一个更具噪声容忍度的批量爬山自适应算子,并将其与基于进化策略的元学习相结合。我们的方法显着提高了适应高噪声环境中的动态变化,这在机器人应用中很常见。我们验证了我们的方法,四足机器人,学会走路,同时受到动态变化。我们观察到,我们的方法明显优于以前的基于梯度的方法,使机器人能够根据不到3分钟的真实数据调整其策略。
2020-07-30 cs.LG cs.NE cs.RO
Simplifying Robot Programming using Augmented Reality and End-User Development
Paderborn University(帕德博恩大学)
机器人在不同的应用环境中广泛使用。教机器人在各自的环境中执行任务,需要很高的领域和编程专业知识。然而,由于机器人编程本身的复杂性,机器人编程面临很高的进入门槛。即使对于专家来说,机器人编程也是一项繁琐且容易出错的任务,可能会创建错误的机器人程序,在真实机器人上执行时会造成损坏。为了简化机器人编程的过程,我们将增强现实(AR)与最终用户开发的原则相结合。通过将它们结合起来,真实环境被扩展为有用的虚拟工件,可以使专家和非专业人员执行复杂的机器人编程任务。因此,简单的编程环境在增强现实与增强的机器人编程环境(SPEARED)开发的AR辅助机器人编程环境的原型。SPEARED利用AR将机器人和编程环境投影到目标工作空间。为了评估我们的方法,我们对来自工业自动化、机器人和AR领域的专家进行了专家访谈。专家们一致认为,SPEARED有潜力丰富和简化当前的机器人编程过程。
2021-06-15 cs.RO
A Scalable and Adaptable Multiple-Place Foraging Algorithm for Ant-Inspired Robot Swarms
University of New Mexico(新墨西哥大学);Santa Fe Institute(圣塔菲研究所)
单个机器人在探索大片未绘制地图的区域时效率不高。另一种方法是使用一群简单的机器人一起工作,而不是一个高能力的机器人。中心地觅食算法(CPFA)是协调机器人群体搜索和收集任务的有效方法。机器人从中心位置(巢穴)开始,在没有全局定位或中央控制的情况下探索该区域的潜在目标,并将目标返回巢穴。CPFA的可扩展性是有限的,因为大量的机器人产生更多的机器人间的碰撞和大的搜索区域导致大量的旅行成本。我们解决这些问题的多地觅食算法(MPFA),它使用多个巢分布在整个搜索区域。机器人从一个随机分配的巢穴开始,但会带着找到的目标返回最近的巢穴。我们在机器人仿真器ARGoS中模拟了机器人群体的觅食行为,并采用遗传算法发现不同的优化觅食策略作为群体规模和目标数量的比例增加。在我们的实验中,MPFA总是产生更高的觅食率,更少的碰撞,和更低的旅行和搜索时间相比,CPFA的部分聚类目标分布。本文的主要贡献是,我们系统地量化的优点MPFA(减少旅行时间和碰撞),潜在的缺点(机器人之间的通信较少),和遗传算法的能力,调整MPFA参数,以减轻搜索效率低下,由于通信较少。
2016-12-01 cs.MA cs.RO
A life-long SLAM approach using adaptable local maps based on rasterized LIDAR images
Shanghai Jiaotong University(上海交通大学)
大多数实时自主机器人应用需要机器人长时间地穿越动态空间。在某些情况下,机器人需要在相同的环境中工作。这样的应用引起了终身SLAM系统的问题。终身SLAM提出了两个主要挑战,即跟踪不应在动态环境中失败,以及需要鲁棒且有效的映射策略。该系统应使用新信息更新地图,同时跟踪较早的观测结果。但是,长时间的映射可能需要更高的计算要求。在本文中,我们提出了一个解决问题的终身SLAM。我们将全局地图表示为一组本地地图的光栅化图像,以及负责更新本地地图和跟踪旧值的地图管理系统。我们还提出了一个有效的方法,使用袋的视觉词的方法循环闭合检测和重定位。我们评估我们的系统在KITTI数据集和室内数据集上的性能。我们的循环闭合系统报告召回率和准确率超过90%。与最先进的方法相比,我们系统的计算成本要低得多。我们的方法报告较低的计算要求,即使是长期运行。
2021-07-15 cs.RO
An Interpretable Neural Control Network with Adaptable Online Learning for Sample Efficient Robot Locomotion Learning
Vidyasirimedhi Institute of Science and Technology(维达亚希米德科学与技术学院);The Mærsk Mc-Kinney Møller Institute(马士基麦金尼·莫勒研究所);University of Southern Denmark(南方丹麦大学)
本研究针对强化学习在机器人运动学习中样本效率低、黑箱不可解释的问题,提出由三层可解释SME网络与AGOL自适应在线学习算法组成的SME-AGOL框架,兼具可解释性与更优的样本效率和运动性能。
2025-01-18 cs.LG cs.RO
Tensegrity Continuum Robots Enable Task-Adaptive Morphologies for Cooperative Behaviors
该研究提出结合张拉整体柔顺主体与爪式连接机构的模块化可重构机器人,可自重构为不同形态完成协同任务,为多功能机器人群体应用奠定基础。
2026-09-28 cs.RO
Zero-shot adaptable task planning for autonomous construction robots: a comparative study of lightweight single and multi-AI agent systems
Virginia Tech(弗吉尼亚理工学院暨州立大学);UC Davis(加州大学戴维斯分校)
本研究通过比较轻量级单 agent 和多 agent 系统,探索了零样本适应性任务规划在自主建造机器人中的应用,展示了四 agent 团队在效率和成本上的优势。
2026-01-20 cs.AI cs.RO
Rho: A Foundation for Efficiently Adaptable VLA Models
Microsoft Research(微软研究院)
Rho是一个开源权重VLA模型家族,通过动作专家架构和本体中间训练,在三种双臂机器人上实现高效数据轻量适配,并具备基于纠正反馈的在线适配能力,性能优于现有模型。
2026-09-30 cs.RO
Node Primitives: an open end-user programming platform for social robots
Tokyo University of Agriculture and Technology(东京农工大学);University of Genoa(热那亚大学)
随着机器人能够在现实世界中无缝和直观地与人交互的预期采用,需要为非技术熟练的用户提供易于理解的范例来定制机器人行为。在本文中,我们提出了一个交互设计机器人编程平台,使多学科的社会机器人的研究和应用。该平台被称为节点原语(NEP),由两个主要部分组成。一方面,已经开发了基于ZeroMQ和Python的分布式软件框架,以提供进程间通信和机器人行为规范机制。另一方面,一个基于Web的最终用户编程(EUP)接口已被开发,以允许一个简单和直观的方式编程和执行机器人的行为。为了评估NEP,我们讨论了一个人-机器人交互应用程序的开发,使用手臂手势来控制机器人的行为。建议EUP接口的可用性测试。
2017-09-25 cs.RO
Direct off-line robot programming via a common CAD package
University of Coimbra(科英布拉大学)
本文着重于直观和直接的离线机器人编程从一个常见的3-D CAD软件包上运行的CAD图纸。探讨了在CAD图形中表示机器人运动的最合适的方法,如何从图形中自动提取运动数据,将数据从虚拟(CAD模型)映射到真实环境,以及自动生成机器人路径/程序的过程。总之,本研究的目的是提出一种新的基于CAD的机器人编程系统,任何人都可以使用CAD和机器人的基本知识。不同操作任务的实验表明了该方法的有效性和通用性。
2013-09-09 cs.RO
A novel Skill-based Programming Paradigm based on Autonomous Playing and Skill-centric Testing
University of Innsbruck(因斯布鲁克大学)
我们介绍了一种新的范例,机器人编程,我们的目标是使机器人编程更容易为没有经验的用户。为了做到这一点,我们将两个主要组成部分在一个单一的框架:自主技能的机器人演奏和可视化编程。简单的机器人程序骨架解决一个特定情况下的任务,所谓的基本行为,由用户提供。然后,机器人通过自主游戏学习如何在许多不同的情况下解决相同的任务,这减少了没有经验的机器人程序员的障碍。程序员可以混合使用可视化编程和动觉教学,以提供这些简单的程序框架。机器人程序可以通过可视化编程和动觉示教的方式交互地实现。我们进一步整合了基于经验的技能为中心的机器人软件测试的工作,使用户能够不断测试实现的技能,而不必处理特定组件的细节。
2017-09-18 cs.RO
A Platform-independent Programming Environment for Robot Control
Bonn-Rhine-Sieg University of Applied Sciences(波恩-莱茵-锡格应用技术大学)
机器人控制程序的开发是一项复杂的任务。许多机器人在电气和机械结构上有所不同,这也反映在软件上。特定的机器人软件环境支持程序开发,但主要是基于文本的,通常由具有目标机器人深刻知识的领域专家应用。本文介绍了一个图形化的编程环境,旨在减轻机器人控制程序的开发。与现有的图形化机器人编程环境相比,我们的方法侧重于并行动作序列的组成。所开发的环境允许在并行执行线上调度独立的机器人动作,并提供了避免并行动作副作用的机制。开发的环境是平台无关的,基于模型驱动的范式。通过将测序器应用于模拟服务机器人和教育机器人,证明了我们方法的可行性。
2010-10-05 cs.RO
Programming Robot Behaviors with Execution Management Functions
Universidad Politécnica de Madrid(马德里理工大学)
自主机器人的控制架构可以通过编程和集成多个软件组件来开发,这些组件分别控制单独的行为。这种方法需要额外的机制来协调它们的并发执行。本文提出了一种编程方法,这样的组件,旨在促进其协调执行。每个组件都被编程为一个模块,该模块控制单独的机器人行为以及一组用于执行管理的功能。该建议的细节以称为\textit{behaviorlib}的基于ROS的软件库的形式制定。该解决方案已被用于编程通用行为控制器,这些控制器已成功地重用于构建空中机器人中的多个应用程序。
2021-03-11 cs.RO
CARPE-ID: Continuously Adaptable Re-identification for Personalized Robot Assistance
Leonardo Labs(莱昂纳多实验室);Istituto Italiano di Tecnologia(意大利理工学院);Università di Trento(特伦托大学);Université de Lorraine(洛林大学)
针对人机交互场景中机器人需在拥挤环境下个性化识别目标的需求,提出基于持续视觉自适应的CARPE-ID行人重识别模块,经遮挡、着装变化等场景测试,其跟踪准确率优于前沿多目标跟踪方法。
2024-01-31 cs.CV cs.RO
Online and Offline Robot Programming via Augmented Reality Workspaces
Idiap Research Institute(伊迪亚普研究所)
用于工业机器人的机器人编程方法是耗时的,并且通常要求操作员具有机器人和编程方面的知识。为了降低与重新编程相关联的成本,最近已经提出了使用增强现实的各种接口,以向用户提供更直观的手段来实时控制机器人并对它们进行编程,而不必进行编码。然而,大多数解决方案要求操作员靠近真实机器人的工作空间,这意味着要么将其从生产线上移除,要么由于安全隐患而关闭整条生产线。我们提出了一种新的增强现实界面,为用户提供建模的虚拟表示的工作空间,可以保存和重用的程序新的任务或适应旧的,而不必与真正的机器人共处一室的能力。与以前的界面类似,操作员可以通过操纵虚拟机器人来编程机器人任务或实时控制机器人。我们评估的直观性和可用性的建议接口与用户的研究,其中18名参与者编程的机器人机械手拆卸任务。
2021-11-03 cs.RO
High-level robot programming based on CAD: dealing with unpredictable environments
University of Coimbra(科英布拉大学);Institute for Systems and Computer Engineering of Porto(波尔图系统与计算机工程研究所)
目的-本文的目的是提出一种基于CAD的人机界面,允许非专家用户教机器人的方式类似于人类相互教导。设计/方法/方式-直观的机器人编程是通过使用CAD图纸离线生成机器人程序。感觉反馈允许最小化不确定性的影响,提供信息以在机器人操作期间调整机器人路径。结果-据发现,它是可能的,从一个共同的CAD图纸生成一个机器人程序,并运行它没有任何重大的问题校准或CAD模型的准确性。研究限制/影响-所提出的系统的限制与事实有关,它的目的是用于特定的技术应用。实际影响-由于大多数制造企业有CAD软件包在他们的设施今天,基于CAD的机器人编程可能是一个很好的选择,而不需要熟练的机器人程序员编程机器人。独创性/价值-本文提出了一种新的基于CAD的机器人编程系统。机器人程序直接从运行在常用3D CAD软件包(Autodesk Inventor)上的CAD绘图生成,而不是从商业计算机辅助机器人(CAR)软件生成,使其成为简单的CAD集成解决方案。这是一个低成本和低设置时间的系统,不需要高级的机器人编程技能来操作它。总之,机器人程序是从机器人语言的高度抽象生成的。
2013-09-09 cs.RO
Off-line Programming and Simulation from CAD Drawings: Robot-Assisted Sheet Metal Bending
University of Coimbra(科英布拉大学)
工业机器人越来越多地用于生产系统。这是因为它们是高度灵活的机器,在经济上与人类劳动力竞争。问题是它们很难编程。因此,制造系统设计人员正在寻找更直观的方法来编程机器人,特别是使用他们开发的生产系统的CAD图纸。本文介绍了一种新的基于CAD的离线机器人编程(OLP)和仿真系统,其中用于单元设计的CAD软件包也用于OLP和机器人仿真的工业应用。因此,OLP对于任何具有CAD和机器人基础知识的人来说都变得更加容易。该系统在一个机器人辅助金属板弯曲单元进行了测试。实验允许识别所提出的解决方案的优点和缺点。
2013-11-18 cs.RO
Robust and Dexterous Dual-arm Tele-Cooperation using Adaptable Impedance Control
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);School of Engineering and Informatics, University of Sussex(萨塞克斯大学工程与信息学院)
本文扩展分形阻抗控制FIC至多臂双臂远程协作,提出无需增益整定且抗延迟的高透明远程操作架构,并通过实验证明其稳定性、鲁棒性与适应性优势。
2024-02-29 cs.RO
Residual Skill Policies: Learning an Adaptable Skill-based Action Space for Reinforcement Learning for Robotics
Queensland University of Technology(昆士兰科技大学);CSIRO(澳大利亚联邦科学与工业研究组织)
基于技能的强化学习(RL)已经成为一种很有前途的策略,利用先验知识加速机器人学习。技能通常从专家演示中提取,并嵌入到一个潜在空间中,从中可以作为高级RL代理的动作进行采样。然而,这个技能空间是广阔的,并且并非所有技能都与给定的机器人状态相关,这使得探索变得困难。此外,下游RL代理仅限于学习与用于构建技能空间的任务结构相似的任务。我们首先提出了加速探索的技能空间,使用状态条件生成模型直接偏向于高层次的代理只采样技能相关的一个给定的状态的基础上先前的经验。接下来,我们提出了一个低级别的剩余策略,用于细粒度的技能适应,使下游RL代理能够适应看不见的任务变化。最后,我们在四个具有挑战性的操作任务中验证了我们的方法,这些任务与用于构建技能空间的任务不同,展示了我们在任务变化中学习的能力,同时显着加速探索,优于先前的工作。代码和视频可以在我们的项目网站上找到:https://krishanrana.github.io/reskill。
2022-11-04 cs.AI cs.LG cs.RO
Automating Manual Tasks through Intuitive Robot Programming and Cognitive Robotics
Laboratory for Machine Tools and Production Engineering (WZL) of RWTH Aachen University(亚琛工业大学机床与生产工程实验室(WZL))
本文提出了一种基于人类自然交互的直观机器人用户编程方法,利用大语言模型和计算机视觉将自然语言和手势转化为机器人程序,并通过澄清问题和视觉反馈确保程序的安全性和透明性。
2026-04-07 cs.RO
Gaussian path model library for intuitive robot motion programming by demonstration
VTT Technical Research Centre of Finland Ltd(芬兰技术研究有限公司)
本文提出一种从教学数据生成高斯路径模型的系统,构建多形状模型库用于人类示教分类,实现直观的机器人运动编程,并提出基于几何分析修改现有模型的方法。
2025-09-15 cs.RO
Semantic Robot Programming for Goal-Directed Manipulation in Cluttered Scenes
University of Michigan(密歇根大学)
我们提出的语义机器人编程(SRP)的范例作为机器人编程的收敛,通过演示和语义映射。在SRP中,用户可以通过在工作空间中演示其预期目标场景的快照来直接对机器人操作器进行编程。然后,机器人将此目标解析为场景图,该场景图由对象姿态和对象间关系组成,假设已知对象几何形状。然后使用任务和运动规划从任意初始场景配置实现用户的目标。即使面对不同的初始场景配置,SRP也能使机器人无缝适应,以达到用户演示的目标。对于场景感知,我们提出了判别式知情生成估计的场景和变换(DIGEST)的方法来推断的初始和目标状态的RGBD图像的世界。SRP与DIGEST感知的功效被证明为任务的托盘设置与密歇根州的进步获取机器人。场景感知和任务执行评估与公共家庭遮挡数据集和我们的杂乱场景数据集。
2018-10-18 cs.RO
RoboCritics: Enabling Reliable End-to-End LLM Robot Programming through Expert-Informed Critics
Department of Computer Sciences University of Wisconsin--Madison(计算机科学系威斯康星大学麦迪逊分校)
RoboCritics通过专家指导的批评者提升LLM在机器人编程中的可靠性与用户参与度。
2026-03-06 cs.RO
End-User Programming of Low- and High-Level Actions for Robotic Task Planning
Univ. Grenoble Alpes(格勒诺布尔大学)
由于从制造环境到个人家庭的最终用户任务的巨大多样性,为通用应用编程机器人极具挑战性。最近的工作集中在使最终用户能够使用演示编程对机器人进行编程。然而,从头开始教机器人新的动作,可以重复用于看不见的任务仍然是一个艰巨的挑战,通常留给机器人专家。我们提出了iRoPro,一个交互式的机器人编程框架,允许最终用户从头开始教机器人新的动作,并重新使用它们与任务规划器。在这项工作中,我们提供了一个系统实现的双臂巴克斯特机器人,(一)允许同时教学的低和高层次的行动演示,(二)包括一个用户界面的动作创建与条件推理和修改,(iii)允许创建和解决以前看不见的问题,使用任务规划的机器人实时执行。我们评估了系统的泛化能力的六个基准任务,并显示如何教的行动可以很容易地重复用于复杂的任务。我们进一步证明了它的可用性与用户的研究(N=21),用户完成了八个任务,教机器人的新动作,重复使用的任务规划。研究表明,任何编程水平和教育背景的用户都可以轻松地学习和使用该系统。
2021-03-26 cs.RO
SQRP: Sensing Quality-aware Robot Programming System for Non-expert Programmers
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
机器人编程通常利用通过机器学习获得的一组机械技能。因为一般不能保证机器学习产生没有令人惊讶的行为的机器人程序,所以机器人程序的安全执行必须利用监控模块,该监控模块将传感器数据作为实时的输入,以确保技能执行的正确性。由于传感器和监控算法通常受到物理限制,并且有效的机器人编程对技能参数的选择敏感,因此这些考虑可能导致不同的传感器输入质量,例如视觉系统的视图覆盖范围,该视图覆盖范围确定技能是否可以成功地部署在执行任务中。选择不正确的技能参数可能会导致监控模块延迟或错过对重要事件(如机械故障)的检测。这些故障可能会降低机器人制造的吞吐量,甚至可能导致破坏性的系统崩溃。为了解决上述问题,我们提出了一个感知质量感知机器人编程系统,自动计算的传感质量作为机器人的环境的函数,并使用该信息来指导非专家用户选择适当的技能参数在编程阶段。我们在6DOF机器人手臂上展示了我们的系统框架,用于物体拾取任务。
2021-06-30 cs.RO
Programming of Skill-based Robots
VTT Technical Research Centre of Finland(芬兰VTT技术研究中心)
针对制造业对敏捷灵活自动化的需求,本文提出一种基于机器人技能库的系统,通过高级参数化操作实现快速任务编程与执行,并经实际测试验证了其可行性。
2024-09-25 cs.RO
Integer-Programming-Based Narrow-Passage Multi-Robot Path Planning with Effective Heuristics
Zhejiang University(浙江大学)
为了提高仓库类环境下多机器人系统的效率,研究了基于图的多机器人最优路径规划问题。提出了一种基于可编程方法的多机器人路径规划算法OMRPP。我们专注于减少成本所造成的一组机器人从他们的初始配置移动到目标配置在仓库般的环境。该方法的创新点包括:(1)提出了一种基于仓库类环境的拓扑地图提取方法,减小了构建IP模型的规模;(2)提出了单向通行约束,防止机器人在通行过程中发生不可解的碰撞。(3)提出了一种启发式结构,使IP模型总是具有可行的初始解,以保证模型的可解性。大量的仿真实验证明了该算法的有效性和性能。
2021-07-26 cs.RO
Design, Characterization, and Control of a Size Adaptable In-pipe Robot for Water Distribution Systems
Texas A&M University(德克萨斯A&M大学)
泄漏检测和水质监测是配水系统(WDS)中的要求和具有挑战性的任务。在线机器人就是为此目的而设计的。在我们以前的工作中,我们设计了一个管道机器人[1]。在这项研究中,我们提出了中央处理器的设计,表征和控制机器人的操作条件的基础上,在一个高压环境中的管道与高速流动的存在。为此,采用计算流体动力学(CFD)模拟极端运行条件,并对弹簧机构进行表征,以确保在极端运行条件下运行期间具有足够的稳定力。此外,一个端到端的方法,建议为我们的机器人,计算最小电池容量和极端操作条件下的操作持续时间的电源考虑。最后,我们设计了一种新的LQR-PID控制器的基础上,系统辅助矩阵,保持机器人稳定的管道内的干扰和不确定性在操作过程中。机器人控制器的ADAMS-MATLAB联合仿真显示,当系统跟踪管道中的不同期望速度(即0.12m/s、0.17m/s和0.35m/s)时,围绕x、y和z轴的旋转速度具有-4度/秒和+3度/秒的裕度。在直径为14英寸的PVC管道中进行了四次迭代的实验结果表明,该控制器使稳定状态的初始值为零,并在其附近以2度的裕度振荡,系统跟踪期望的速度为0.1m/s、0.2m/s、0.3m/s和0.35m/s,使机器人在不确定和高度干扰的管道环境中操作灵活。
2021-01-17 cs.RO cs.SY eess.SY
ReconROS Executor: Event-Driven Programming of FPGA-accelerated ROS 2 Applications
Paderborn University(帕德博恩大学)
机器人领域的许多应用都可以从FPGA加速中受益。相应的关键问题是如何将硬件加速器集成到以软件为中心的机器人编程环境中。最近,有几种方法已经证明了机器人操作系统(ROS),在机器人技术中占主导地位的编程环境的硬件加速。ROS是一个中间件层,其特点是将复杂的机器人应用程序组成为一组节点,这些节点通过发布/订阅等机制进行通信,并将它们分布在多个计算平台上。在本文中,我们提出了一种新的方法,基于事件的编程的机器人应用程序,利用ReconROS,灵活映射ROS 2节点的框架,无论是软件或可重构硬件。ReconROS执行器调度ROS 2节点的回调,并利用可重新配置的插槽模型和部分运行时重新配置来按需加载基于硬件的回调。我们描述了ReconROS执行器的方法,给出设计实例,并通过实验评估其功能的例子。
2022-01-19 cs.RO
Interactive Robot Programming for Surface Finishing via Task-Centric Mixed Reality Interfaces
Institute of Robotics and Mechatronics, German Aerospace Center (DLR)(机器人与机电系统研究所,德国航空航天中心);University of Lübeck(吕贝克大学);Autonomous Systems Lab, Institute of Computer Technology, TU Wien(自主系统实验室,计算机技术研究所,维也纳技术大学)
本文提出了一种基于任务导向的混合现实接口,使非专家能通过交互式流程直观编程机器人,实现小批量生产中的表面处理任务。
2025-12-29 cs.RO
Context-Based Meta Reinforcement Learning for Robust and Adaptable Peg-in-Hole Assembly Tasks
Humanoid Robots Lab and Center for Robotics, University of Bonn, Germany(波恩大学人形机器人实验室和机器人中心);Lamarr Institute for Machine Learning and Artificial Intelligence, Bonn, Germany(波恩大学拉马尔人工智能与机器学习研究所);Cyber Physical Systems Lab, Egypt Japan University of Science and Technology, Alexandria, Egypt(埃及日本科学技术大学网络物理系统实验室);Faculty of Engineering, Alexandria University, Alexandria, Egypt(亚历山大大学工程学院);Mechatronics Department, Ain Shams University, Cairo, Egypt(亚历山大大学机电系)
针对未知环境下轴孔装配的参数不确定性,提出融合正向运动学、未标定相机与力/扭矩信息的上下文元RL及分布外适应方法,提升样本效率、真实适应与泛化性能。
2025-10-18 cs.RO
A Survey on End-User Robot Programming
Johns Hopkins University(约翰斯·霍普金斯大学)
随着机器人与更广泛的最终用户交互,最终用户机器人编程通过使可能没有机器人编程经验的最终用户能够定制机器人以满足其个人上下文需求,从而帮助实现机器人编程的民主化。这篇文章调查了最终用户机器人编程的工作,重点是最终用户程序规范。它描述了主要领域,编程阶段,和最终用户机器人编程文献所代表的设计选择。该调查的结论是强调了进一步调查的开放方向,以加强和扩大最终用户机器人编程系统的范围。
2021-06-06 cs.HC cs.RO
Sociable and Ergonomic Human-Robot Collaboration through Action Recognition and Augmented Hierarchical Quadratic Programming
Istituto Italiano di Tecnologia(意大利技术研究院);Politecnico di Milano(米兰理工大学)
识别人类执行的动作并预测其意图是在人类-机器人团队中产生社交和成功协作的重要推动因素。同时,机器人应该有能力处理多个目标和约束,所产生的协作任务或人类。在这方面,我们提出了视觉技术来执行人类的动作识别和图像分类,这是集成到一个增强的分层二次规划(AHQP)计划,分层优化机器人的反应行为和人体工程学。建议的框架允许一个直观地命令机器人在空间中,而任务正在执行。这些实验证实了人体工程学和可用性的提高,这是减少肌肉骨骼疾病和增加对自动化信任的基本参数。
2022-07-07 cs.RO
Intuitive Robot Programming by Capturing Human Manufacturing Skills: A Framework for the Process of Glass Adhesive Application
University of Coimbra(科英布拉大学);Centre for Mechanical Engineering, Materials and Processes(机械工程、材料与工艺中心)
对以单调劳动为特征的制造过程的自动化有很大的需求。一些需要特殊技能的制造任务(焊接、喷漆等)因为缺少工人。机器人已被用于这些任务,但它们的灵活性有限,因为它们仍然难以由非专家编程/重新编程,使得大多数公司无法使用它们。机器人离线编程(OLP)是可靠的。然而,直接从CAD/CAM生成的路径不包括代表人类技能的相关参数,如机器人末端执行器的方向和速度。本文提出了一种直观的机器人编程系统,捕捉人类的制造技能,并将其转化为机器人程序。使用连接到工人工具的磁性跟踪系统记录来自人类熟练工人的演示。收集的数据包括工作路径的方向和速度。位置数据是从CAD/CAM中提取的,因为当由磁跟踪器捕获时,其误差是显著的。路径位姿在笛卡尔空间中进行转换,并在仿真环境中进行验证。机器人程序生成并传输到真实的机器人。玻璃胶应用过程的实验证明了该框架的直观性和有效性,在捕获人类的技能,并将其转移到机器人。
2022-09-15 cs.RO
Certifiable Robot Design Optimization using Differentiable Programming
Massachusetts Institute of Technology(麻省理工学院)
越来越需要计算工具来自动设计和验证自主系统,特别是涉及自主堆栈中的感知,规划,控制和硬件的复杂机器人系统。可微规划是近年来兴起的一种建模和优化的有力工具。然而,很少有研究已经完成,以了解如何微分编程可以用于强大的,可认证的端到端的设计优化。在本文中,我们填补了这一空白相结合的机器人设计优化微分编程与一种新的统计框架,以证明优化设计的鲁棒性。我们的框架可以为机器人系统进行端到端的优化和鲁棒性认证,实现导航,感知,规划,控制和硬件子系统的同步优化。通过仿真和硬件实验,我们展示了我们的工具如何用于解决机器人技术中的实际问题。首先,我们在5分钟内优化了机器人导航的传感器位置(具有5个子系统和6个可调参数的设计),与初始设计相比,性能提高了8.4倍。第二,我们解决了多智能体协作操作任务(3个子系统和454个参数)在一个小时内实现了44%的性能提高比初始设计。我们发现,可微规划可以比近似梯度方法更快地进行优化(每个示例分别为32%和20倍)。我们证明了每个设计的鲁棒性,并成功地在硬件中部署优化的设计。可以在https://github.com/MIT-REALM/architect上获得一个开源实现
2022-04-22 cs.RO
Forgetful Large Language Models: Lessons Learned from Using LLMs in Robot Programming
Johns Hopkins University(约翰斯·霍普金斯大学)
本研究通过实证分析LLMs在机器人编程中的执行错误,发现其源于对提示关键信息的健忘,提出提示工程策略并在三个模型上验证有效性,呼吁建立基准测试。
2023-10-10 cs.RO
Human-Robot Handovers using Task-Space Quadratic Programming
CNRS-University of Montpellier(法国国家科学研究中心-蒙彼利埃大学);CNRS-AIST Joint Robotics Laboratory(法国国家科学研究中心-产业技术综合研究所联合机器人实验室)
人与机器人之间的双向对象切换实现了机器人以人为中心的制造或服务中的重要功能技能。实现该技能的问题在于任何解决方案处理三个重要方面的能力:(i)切换阶段的同步定时;(ii)对象姿态约束的处理;以及(iii)理解触觉交换以无缝地实现(i)的一些步骤。我们提出了一种新的方法(i)和(ii)包括明确制定的移交过程中的任务空间二次规划控制框架的约束,以实现隐式的时间和轨迹的遭遇。我们的方法是实现熊猫机械臂从人类操作员的对象。
2022-06-18 cs.RO
Offline robot programming assisted by task demonstration: an AutomationML interoperable solution for glass adhesive application and welding
Department of Mechanical Engineering, Univ Coimbra, CEMMPRE(科英布拉大学机械工程系,CEMMPRE)
本文提出一种从工人任务演示中捕获制造技能的直观机器人编程系统,通过磁跟踪和CAD/CAM数据生成机器人程序,并在玻璃涂胶与焊接实验中验证了路径误差在公差范围内。
2024-05-21 cs.RO
Understanding On-the-Fly End-User Robot Programming
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);U.S. Naval Research Laboratory(美国海军研究实验室)
本文通过培训21名用户使用现有工具创建四个场景的机器人交互,调查了即时终端用户机器人编程的体验,为系统设计以更好支持用户体验提供了见解。
2024-06-02 cs.RO
Control Barrier Functions Solved with Hierarchical Quadratic Programming for Safe Physical Human-Robot Interaction
本文提出利用分层二次规划框架在物理人机交互中设计性能和安全任务,平衡安全与性能。通过实验证明该方法的有效性、灵活性和通用性。
2026-04-24 cs.RO
Toward Automated Programming for Robotic Assembly Using ChatGPT
University of California San Diego(加利福尼亚大学圣迭戈分校);Autodesk Inc.(欧特克公司);Autodesk Research(欧特克研究院)
针对机器人自适应装配编程人力成本高、代码灵活性差的问题,提出基于ChatGPT的自动化编程系统,通过任务分解、代码生成、仿真执行与调试实现自主编程,已在实际装配项目中验证有效性。
2024-05-13 cs.RO
Inside-out Infrared Marker Tracking via Head Mounted Displays for Smart Robot Programming
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Karlsruhe University of Applied Sciences(卡尔斯鲁厄应用科学大学)
通过使用跟踪智能输入设备进行直观的机器人编程依赖于固定的外部跟踪系统,通常采用红外标记。这种方法经常与基于投影仪的增强现实相结合,以获得更好的可视化和界面。尽管组合系统提供了直观的编程平台,即使对于没有经验的用户也具有短的周期时间,但是组合系统是固定的、昂贵的并且需要大量的校准。当面对不断变化的环境和大量的机器人时,它变得非常不切实际。在这里,我们提出了我们的工作,红外线标记跟踪使用微软HoloLens盔装显示器。HoloLens可以绘制环境地图,在线注册机器人,并在机器人坐标系中跟踪配备红外标记的智能设备。我们设想我们的工作提供的基础,将多年来为需要投影仪和跟踪输入设备的系统开发的许多范例转移到一个高度便携的系统中,不需要任何校准或特殊设置。我们在工业机器人单元中测试标记跟踪的质量,并将我们的跟踪与通过ART-3跟踪系统获得的地面实况进行比较。
2023-03-28 cs.RO
Taming the Panda with Python: A Powerful Duo for Seamless Robotics Programming and Integration
Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所(MIRMI));Technical University of Munich (TUM)(慕尼黑工业大学(TUM))
本文提出面向 Franka Emika 机器人的 Python 接口与框架 panda-py,以简化机器人控制编程并无缝接入 Python 视觉、机器学习生态,避免 ROS 复杂性。
2023-07-14 cs.RO
ROS Based Visual Programming Tool for Mobile Robot Education and Applications
Inovasyon Muhendislik Ltd. Sti.(伊诺瓦逊工程有限公司)
可视化程序设计语言(VPL)提供无需键入文本的编码。VPL通过自动添加一些常用的代码结构,使程序员更容易编写代码。编码初学者通常有两个主要挑战:将想法转换为逻辑表达式和语法错误。VPL不可能出现重复错误,因为没有忘记的括号和括号。VPL为程序员提供了专注于算法的工具。VPL是教育机器人环境的新趋势。在这项研究中,机器人操作系统(ROS)兼容的基于Web的可视化编程系统已经开发的evarobot。ROS提供库和工具来帮助软件开发人员创建机器人应用程序。它提供硬件抽象、设备驱动程序、库、可视化工具、消息传递、包管理等。Blockly已被用作研究的VPL,并用于生成/使用模块(通信、传感等)。在该系统中,服务器端和客户端之间的通信由rosbridge软件包提供支持。连接到ROS的Web页面,它使用roslibjs库在服务器上运行。Rosbridge为非ROS程序提供了一个JSON API到ROS功能。
2020-11-27 cs.RO