Augmenting Physical Simulators with Stochastic Neural Networks: Case Study of Planar Pushing and Bouncing
Massachusetts Institute of Technology(麻省理工学院)
具有通用不确定性估计的有效的、可推广的物理仿真器在机器人状态估计、规划和控制中具有广泛的应用。在本文中,我们建立这样一个模拟器的两种情况下,平面推动和球反弹,通过增强分析刚体模拟器与神经网络,学习模型的不确定性作为残差。将符号的、确定性的模拟器与可学习的、随机的神经网络相结合,同时为我们提供了表现力、效率和可推广性。我们的模型在真实的标准基准测试中始终优于纯分析和纯学习的模拟器。与使用高斯过程建模不确定性的方法相比,我们的模型运行速度更快,更好地推广到新的对象形状,并且能够表征对象轨迹的复杂分布。
2018-08-09 cs.LG cs.RO
How Physics and Background Attributes Impact Video Transformers in Robotic Manipulation: A Case Study on Planar Pushing
KTH Royal Institute of Technology(瑞典皇家理工学院);School of Electrical Engineering and Computer Science(电气工程与计算机科学学院);Linköping University(林雪平大学);National Supercomputer Centre(国家超级计算机中心)
本研究实证调查了物理属性和场景背景特征对Video Transformers预测平面推动轨迹性能的影响,发布了大规模数据集CloudGripper-Push-1K,并提出模块化框架VOT作为案例研究对象。
2024-08-28 cs.CV cs.RO
Planar Friction Modelling with LuGre Dynamics and Limit Surfaces
Chalmers University of Technology(查尔姆斯理工大学);Lund University(隆德大学)
本文提出基于 LuGre 模型与极限表面理论的平面摩擦模型,通过推导结合预计算极限表面的降阶模型,在保持与分布式模型相当性能的同时将计算成本降低约 80 倍。
2024-05-22 cs.RO cs.SY eess.SY
COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing
Everyday Robots, X The Moonshot Factory(日常机器人,X登月工厂);Robotics at Google(谷歌机器人);University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
由于难以理解复杂的接触物理,一般的接触丰富的操作问题是机器人技术中长期存在的挑战。深度强化学习(RL)在解决机器人操作任务方面显示出巨大的潜力。然而,现有的强化学习策略对具有不同动力学特性的环境的适应性有限,这是解决许多接触丰富的操作任务的关键。在这项工作中,我们提出了接触感知的在线上下文推理(COCOI),这是一种深度RL方法,使用丰富的接触交互在线编码动态属性的上下文嵌入。我们研究这种方法的基础上,一个新的和具有挑战性的非平面推动任务,其中机器人使用单目摄像头图像和腕力扭矩传感器读数,推动一个对象到目标位置,同时保持直立。我们进行了大量的实验,以证明COCOI在模拟中的各种设置和动力学特性中的能力,以及在真实机器人上的仿真到现实迁移场景中的能力(视频:https://youtu.be/nrmJYksh1Kc)
2020-11-23 cs.LG cs.RO
Goal-Driven Robotic Pushing Using Tactile and Proprioceptive Feedback
University of Bristol(布里斯托大学)
在机器人中,非易失性操作(如推动)是移动大型、重型或笨重物体、一次移动多个物体或减少物体位置或姿态不确定性的有用方法。在这项研究中,我们提出了一种反应和自适应的方法,用于机器人推动,使用丰富的反馈,从高分辨率的光学触觉传感器来控制推动运动,而不是依赖于分析或数据驱动的模型的推动相互作用。具体而言,我们使用目标驱动的触觉探索,积极寻找稳定的推动配置,使对象保持其相对于推杆的姿态,同时逐步移动推杆和对象朝向目标。我们评估我们的方法,推动物体在平面和曲面。对于平面表面,我们表明,该方法是准确的和鲁棒的初始接触位置/角度,物体形状和起始位置的变化;对于曲面,性能略有下降。我们的工作的一个直接后果是,它表明,明确的推交互模型可能是足够的,但对于这种类型的任务是不必要的。它还提出了一个有趣的问题,即应该对系统的哪些方面进行建模,以在各种场景中实现最佳性能和泛化。最后,它强调了在开发机器人推动新方法时,在非平面表面和其他更复杂的环境中进行测试的重要性。
2021-08-02 cs.RO
Collaborative Planar Pushing of Polytopic Objects with Multiple Robots in Complex Scenes
College of Engineering, Peking University(北京理工大学工程学院)
针对复杂场景中多机器人协作推动多面体物体的问题,提出基于混合优化与分层搜索的框架,并采用非线性模型预测控制,经仿真和实验验证有效。
2024-06-01 cs.RO
Learning to Rearrange with Physics-Inspired Risk Awareness
UC San Diego(加州大学圣地亚哥分校);Meta
现实世界的应用需要机器人在物理世界中操作,除了完成任务外,还要意识到潜在的风险。很大一部分的危险行为来自于在不知道启示的情况下与物体的交互。为了防止代理作出不安全的决定,我们建议训练的机器人代理强化学习执行任务的物理属性,如质量和摩擦在室内环境中的意识。我们通过一个新的物理启发的奖励函数来实现这一点,该函数鼓励代理学习识别不同质量和摩擦系数的策略。我们介绍了两个新颖的和具有挑战性的室内重排任务-可变摩擦推动任务和可变质量推动任务-允许评估的学习政策,在权衡性能和物理启发的风险。我们的研究结果表明,通过配备建议的奖励,代理是能够学习的政策,选择推动目标或目标达到的轨迹,以最小的物理成本,这可以进一步利用作为一种预防措施,以限制代理的行为,在安全批评的环境。
2022-06-26 cs.RO
Model-Based Adaptive Precision Control for Tabletop Planar Pushing Under Uncertain Dynamics
提出基于学习模型与MPPI控制器的桌面推操作框架,用单一模型实现多任务,无需重训,在仿真和真实实验中达到高精度定位与轨迹跟踪。
2026-09-17 cs.RO
Position prediction using disturbance observer for planar pushing
University of Leeds(利兹大学)
由机器人在平面上推动的刚体物体的位置和方向是非常难以预测的。在本文中,预测问题制定为干扰观测器设计问题。扰动观测器提供了对作用于对象的模型误差和外部扰动的总和的精确估计。从估计结果,它揭示了有一个很强的线性关系之间的作用力或扭矩和估计的干扰。所提出的预测算法有两个阶段:识别和预测。在辨识阶段,线性关系是由观测器的输出用递归最小二乘算法来辨识的。在预测阶段中,所识别的线性关系与将由任务规划器提供的力规划一起使用,以预测对象的位置和取向。该算法进行了测试,六个不同的推实验数据可从麻省理工学院MCube实验室。与简单的校正算法相比,所提出的算法在减少预测误差方面表现出改进的性能。
2023-01-17 cs.RO cs.SY eess.SY
Quasi-static Analysis of Planar Sliding Using Friction Patches
University of Siena(锡耶纳大学);Istituto Italiano di Tecnologia (IIT)(意大利理工学院)
对物体的平面滑动进行了建模和分析。该模型可用于对位于表面上的物体进行非线性操作。我们研究可能产生的摩擦接触,如一个柔软的手指和一个平面物体之间产生的运动在桌子上。具体地说,使用准静态分析,我们能够推导出一个混合动力系统来预测对象的运动。该模型可用于找到系统的固定点和对象达到这种配置所采取的路径。获得规划的重要信息,例如物体粘在摩擦片上、枢转或完全滑动的条件。实验结果证实了该模型的有效性,为广泛的应用。
2019-04-14 cs.RO
Friction Estimation for In-Hand Planar Motion
Department of Electrical Engineering, Chalmers University of Technology, SE-41296 Gothenburg, Sweden(电气工程系,楚尔姆斯理工大学,瑞典哥德堡);Department of Automatic Control, Lund University, SE-22100 Lund, Sweden(自动控制系,吕勒奥大学,瑞典卢德)
本文提出一种基于触觉测量在线估计平行夹爪手内滑动操作中静/库仑摩擦及接触半径的方法,并引入启发式处理快速滑-粘动力学,经仿真与实物验证。
2025-07-09 cs.RO
Decision Making in Joint Push-Grasp Action Space for Large-Scale Object Sorting
Department of Computer Science, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校计算机科学系)
我们提出了一个规划器的大规模(联合国)标记的对象排序任务,它使用两种类型的操作动作:头顶抓和平面推。抓取动作在温和的假设下提供了完整性保证,平面推动是一种同时移动多个物体的加速策略。我们的主要贡献是两方面的:(1)我们提出了一个双层规划算法。我们的高级计划者基于成本模型在推动和抓取动作之间做出有效的、接近最优的选择。我们的低级规划器计算一步贪婪的推或抓动作。(2)我们提出了一种新的低层次的推动计划,可以找到一步贪婪推动行动在半离散搜索空间。搜索空间的结构,使我们能够有效的我们表明,排序到$200$对象,我们的计划可以找到接近最佳的行动与$10$秒的计算在台式机上。
2020-10-20 cs.RO
Stable Prehensile Pushing: In-Hand Manipulation with Alternating Sticking Contacts
Massachusetts Institute of Technology(麻省理工学院);Department of Mechanical Engineering(机械工程系(不提取,因为系属于细拆))
本文提出了一种方法,在手操纵规划,利用交替粘附接触的力学。特别是,我们考虑的问题,操纵一个掌握的对象使用外部推动的推杆坚持的对象。鉴于物体的物理特性,在接触和所需的重握在对象上的摩擦系数,我们提出了一个基于采样的规划框架,建立一个推动策略连接不同的可行的稳定推动,以实现所需的重握。一个有效的动力学制定,使我们能够计划在手操作100-1000倍,比我们以前的工作,建立在互补性制定。对生成的计划的实验观察表明,对象精确地按照计划者的预期在把握中移动。视频摘要--youtu.be/qOTKRJMx6Ho
2018-03-04 cs.RO
Empirical Analysis of Sim-and-Real Cotraining of Diffusion Policies for Planar Pushing from Pixels
Massachusetts Institute of Technology(麻省理工学院)
本研究实证分析仿真与真实数据联合训练扩散策略,发现仿真数据可显著提升性能,且缩小物理域差距比视觉保真度更重要,并揭示一定视觉差异有助于策略区分域。
2025-08-05 cs.AI cs.RO
Unwieldy Object Delivery with Nonholonomic Mobile Base: A Stable Pushing Approach
Delft University of Technology(代尔夫特理工大学)
针对非完整移动机器人递送无法抓取的笨重物体问题,提出基于线接触与线性运动约束的NMPC稳定推顶规划方法,并通过Husky和Boxer实验验证其效率与易实现性。
2023-09-25 cs.RO
Precision-Focused Reinforcement Learning Model for Robotic Object Pushing
Bielefeld University(比勒费尔德大学);Fraunhofer IOSB-INA(弗劳恩霍夫IOSB-INA研究所)
针对机器人非抓持操作中因物体物理属性差异导致推动精度不足的问题,提出一种基于记忆的视觉-本体感觉强化学习模型,能以更少的纠正动作将物体更精确地推至目标位置。
2024-11-13 cs.AI cs.RO
Self-Adapting Recurrent Models for Object Pushing from Learning in Simulation
University of Hamburg(汉堡大学)
平面推送是一个具有挑战性的研究课题,其核心问题是建立相互作用的动力学模型。即使是一个精确的分析动态模型本质上是不稳定的,因为物理参数,如惯性和摩擦只能近似。数据驱动模型通常依赖于大量的训练数据,但在使用真实机器人时,数据汇集非常耗时。在本文中,我们收集了所有的训练数据在物理模拟器,并建立了一个基于LSTM的模型,以适应推动动力学。域随机化被应用于捕获广义对象类的推动轨迹。当在真实机器人上执行时,经过训练的递归模型在几个步骤内适应被跟踪对象的真实动态。我们提出了算法\emph{Recurrent}模型预测路径积分(RMPPI)作为一个变化的原始MPPI方法,采用状态依赖的经常性模型。作为比较,我们还训练了一个深度确定性策略梯度(DDPG)网络作为无模型基线,它也被用作数据汇集阶段的动作生成器。在策略训练中,采用后见之明经验回放的方法来提高探索效率。在UR5平台上的推流实验证明了模型的适应性和框架的有效性。
2020-07-27 cs.RO
Pushing in the Dark: A Reactive Pushing Strategy for Mobile Robots Using Tactile Feedback
Istituto Italiano di Tecnologia(意大利技术研究院);University of Genoa(热那亚大学)
本文提出一种基于触觉反馈的反应式推动策略,使移动机器人实时调整基座运动以将物体推至目标位置,在仿真和真实实验中均优于基线方法。
2024-03-14 cs.RO
Dynamic Model of Planar Sliding
Stony Brook University(石溪大学)
本文提出了一种用分布凸接触面模拟一般平面滑动运动的原理性方法。不确定压力分布的接触斑效应可以等效为一点接触时的接触扳手效应。我们称这个点为等效接触点。我们的动力学模型嵌入ECP的滑块的运动方程和摩擦模型,近似的分布接触补丁,并最终给我们带来了一个二次方程组。该离散时间动态模型允许我们求解切向摩擦脉冲的两个分量,即摩擦力矩和滑移速度。一旦计算出接触脉冲,就可以通过求解线性方程组来计算滑块的状态以及ECP。此外,我们还导出了滑块准静态运动状态的封闭形式解。在纯平移情况下,基于离散时间模型,给出了滑块所受摩擦力的闭合表达式和滑块在各时间步的状态。仿真例子证明了我们的方法的有效性。
2019-01-14 cs.RO
Contact-Implicit Planning and Control for Non-Prehensile Manipulation Using State-Triggered Constraints
Amazon Robotics(亚马逊机器人);Toyota Research Institute(丰田研究院)
我们提出了一种接触隐式规划方法,可以产生接触互动轨迹的非易失性操作问题,没有调整或定制的初始猜测,并具有很高的成功率。这是通过利用状态触发约束(STC)的概念来捕获离散接触模式引起的混合动力学,而无需明确推理的组合。STC使得能够以连续的方式通过严格的不等式条件触发任意约束。我们首先使用STC开发一个自动的接触约束激活方法,以最小化有效的约束空间的基础上的实用程序的接触候选人为一个给定的任务。然后,我们介绍了一个重新制定的库仑摩擦模型的基础上STC的切向力的发现是更有效的比研究互补约束为基础的方法。最后,我们将所提出的摩擦模型应用于准静态平面推进的规划与控制。基于STC的接触激活和摩擦方法的性能进行了评估,通过广泛的模拟实验中的动态推动的情况下。结果表明,我们的方法优于基线的基础上互补约束的规划时间和更高的成功率显着减少。然后,我们比较了拟静态推控制器对基于混合整数规划的方法在仿真中,发现我们的方法是计算更有效,并提供了更好的跟踪精度,与额外的好处,不需要一个初始控制轨迹。最后,我们提出了硬件实验,证明了我们的框架在执行复杂的轨迹实时,即使是低精度的跟踪系统的可用性。
2022-10-18 cs.RO
A Data-Efficient Approach to Precise and Controlled Pushing
Department of Mechanical Engineering — Massachusetts Institute of Technology(机械工程系——麻省理工学院)
本文提出了一种数据高效的方法,通过学习动态模型来控制复杂机械系统,仅需10个数据点即可完成复杂的推动作轨迹。
2018-10-09 cs.LG cs.RO cs.SY
Force Push: Robust Single-Point Pushing with Force Feedback
Technical University of Munich(慕尼黑工业大学);University of Toronto(多伦多大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);University of Toronto Robotics Institute(多伦多大学机器人研究所);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所);Vector Institute for Artificial Intelligence(向量人工智能研究所)
针对参数与位姿未知的滑块,本文提出仅依赖接触点力反馈的准静态单点平面推动控制器,并通过仿真和真实实验验证其在直曲线路径及障碍接触场景下的鲁棒性。
2024-06-17 cs.RO
Learning Goal-Oriented Non-Prehensile Pushing in Cluttered Scenes
University of Bonn(波恩大学)
在杂乱的场景中推动物体是一项具有挑战性的任务,特别是当要推动的物体最初具有未知的动态并且必须避免接触其他实体以降低损坏的风险时。在本文中,我们通过应用深度强化学习来处理这个问题,以生成机器人机械手在平面上的推动动作,其中物体必须被推到目标位置,同时避免同一工作空间中的其他物品。通过从场景的深度图像和环境的其他观察(例如末端执行器和对象之间的接触信息以及到目标的距离)学习到的潜在空间,我们的框架能够学习接触丰富的推动动作,以避免与其他对象碰撞。作为实验结果与六个自由度的机器人手臂显示,我们的系统是能够成功地推动物体从开始到结束的位置,同时避免附近的物体。此外,我们评估我们学到的政策相比,一个国家的最先进的移动机器人推控制器,并表明我们的代理执行更好的成功率,与其他物体的碰撞,并在各种情况下连续的对象接触。
2022-07-15 cs.RO
Nonprehensile Planar Manipulation through Reinforcement Learning with Multimodal Categorical Exploration
The University of Edinburgh(爱丁堡大学);The Alan Turing Institute(艾伦·图灵研究所)
提出基于分类分布的多模态探索强化学习方法,解决了非抓握式平面推动任务中精度低和运动简单的问题,实现了对任意位姿的高精度、鲁棒操作及仿真到真实机器人的迁移。
2023-08-04 cs.AI cs.LG cs.RO
PushingBots: Collaborative Pushing via Neural Accelerated Combinatorial Hybrid Optimization
School of Advanced Manufacturing and Robotics, Peking University(先进制造与机器人学院,北京大学)
PushingBots通过神经加速的组合混合优化实现机器人协作推搡,解决复杂环境中多物体精准推运问题。
2025-11-20 cs.RO
Linear Time-Varying MPC for Nonprehensile Object Manipulation with a Nonholonomic Mobile Robot
University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学);University of Naples(那不勒斯大学)
本文提出了一种非完整移动机器人通过推动操作物体的技术,推动是一种非连续的操作运动基元。这种原语涉及与机器人和被操纵对象之间的摩擦相关联的单边约束。违反此约束会在操纵过程中产生对象的滑动,从而阻止正确完成任务。设计了一种线性时变模型预测控制,使控制行为中包含了适当的单边约束。该方法是通过先锋3-DX轮式机器人执行的推动操作的包装在动态仿真环境中进行验证。
2020-03-23 cs.RO
Push-MOG: Efficient Pushing to Consolidate Polygonal Objects for Multi-Object Grasping
UC Berkeley(加州大学伯克利分校);University of Leeds(利兹大学)
提出Push-MOG算法,利用平行夹爪执行叉式推动动作以聚合多边形物体形成可抓取簇,从而实现多物体抓取,在物理清理实验中使每次行程平均抓取物体数提高34%。
2023-06-24 cs.RO
A Probabilistic Model for Planar Sliding of Objects with Unknown Material Properties: Identification and Robust Planning
Rutgers University(罗格斯大学)
本文介绍了一种新的技术,学习未知物体的质量和摩擦分布的概率模型,并通过使用学习到的模型执行鲁棒滑动动作。所提出的方法在两个连续的阶段中执行。在探索阶段,机器人从不同角度戳桌面物体。观察到的物体的运动与各种假设的质量和摩擦模型的模拟运动进行比较。然后,相对于未知的质量和摩擦参数对仿真与现实的差距进行微分,并使用解析计算的梯度来优化这些参数。由于它是很难解开的质量从摩擦系数在低数据和准静态运动制度,我们的方法保留了一组局部最优的对质量和摩擦模型。基于每对模型的相对准确度来计算模型上的概率分布。在开发阶段,使用概率规划器来选择具有高置信度的稳定的目标配置和航路点。所提出的技术进行评估,对真实的物体,并使用一个真正的机械手。结果表明,该方法不仅可以准确识别非均匀物体的质量和摩擦系数,而且可以在不需要人工帮助或反馈的情况下,成功地将未知物体滑到桌子边缘并从那里拾取。
2020-08-05 cs.RO cs.SY eess.SY
Dynamic object goal pushing with mobile manipulators through model-free constrained reinforcement learning
HHCM lab, IIT(IIT基因瓦实验室);DIBRIS, University of Genoa(热那亚大学DIBRIS学院);RSL, ETH Zürich(苏黎世联邦理工学院机器人实验室);NVIDIA(NVIDIA公司)
针对未知物体动态推送难题,提出无模型约束强化学习控制器,使带臂四足机器人仅凭物体位姿即可自适应选择推点与方向,并在仿真和硬件上实现高成功率与鲁棒性。
2025-10-21 cs.LG cs.RO cs.SY
Context-aware collaborative pushing of heavy objects using skeleton-based intention prediction
Human-Robot Interfaces and Interaction Lab, Istituto Italiano di Tecnologia(人类-机器人接口与交互实验室,意大利技术研究院);Instituto Israelita de Ensino e Pesquisa, Hospital Israelita Albert Einstein(以色列教育与研究学院,以色列医院阿尔伯特·爱因斯坦医院)
针对无直接力反馈的重物协作推拉场景,提出用有向图神经网络分析时空人体姿态以预测运动意图,实验表明机器人辅助可降低人力消耗并提升任务效率。
2025-05-15 cs.RO
Omnipush: accurate, diverse, real-world dataset of pushing dynamics with RGB-D video
Massachusetts Institute of Technology(麻省理工学院)
推动是机器人的基本技能。现有的工作已经展示了如何利用推的模型来实现各种任务,包括在不确定性下的抓取,手操纵和清除混乱。然而,这些模型是近似的,这限制了它们的适用性。基于学习的方法可以准确地直接从原始感官数据中推理,并有可能推广到更广泛的场景。然而,开发和测试这些方法需要足够丰富的数据集。在本文中,我们介绍Omnipush,一个数据集与各种各样的平面推送行为。特别是,我们为250个对象中的每个对象提供250次推送,所有这些都使用RGB-D和高精度跟踪系统进行记录。构建对象是为了系统地探索影响推送的关键因素-对象的形状及其质量分布-这些因素在以前的数据集中没有得到广泛的探索,并允许在模型学习中研究泛化。Omnipush包括元学习动态模型的基准,这需要算法做出良好的预测并估计自己的不确定性。我们还提供了一个RGB视频预测基准,并提出了适合此数据集的其他相关任务。数据和代码可在\url{https://web.mit.edu/mcube/omnipush-dataset/}上获得。
2021-08-19 cs.CV cs.LG cs.RO
In-Hand Manipulation via Motion Cones
Massachusetts Institute of Technology(麻省理工学院)
在本文中,我们提出的力学和算法来计算一个物体在一个平面上推动的可行运动的集合。这组被称为运动锥,并且先前被描述为用于水平面中的非易失性操纵任务。我们将其几何结构推广到更广泛的平面任务,其中外力(如重力)影响推动的动力学,以及抓取器,物体和推动器之间存在复杂的相互作用的任务。我们证明了运动锥是由一组低曲率曲面定义的,并给出了一个多面体锥近似,我们用运动跟踪系统记录的2000个推压实验验证了它的有效性。运动锥通过提供可行运动集的界限以及描述哪些推力将粘滞或滑动来抽象模拟摩擦推力所涉及的代数。我们证明了他们使用的动态传播步骤中的采样为基础的规划算法在手操纵。规划器生成的轨迹涉及连续推动序列,速度比等效算法提高5- 1000倍。视频摘要--https://youtu.be/tVDO8QMuYhc
2019-02-23 cs.RO
Learning Goal-Directed Object Pushing in Cluttered Scenes With Location-Based Attention
Humanoid Robots Lab, University of Bonn, Germany(波恩大学人形机器人实验室);School of Informatics, The University of Edinburgh, Edinburgh, UK(爱丁堡大学信息学院);The Alan Turing Institute, London, UK(艾伦·图灵研究所);The Lamarr Institute, Bonn, Germany(波恩兰马尔研究所);The Center for Robotics, University of Bonn, Germany(波恩大学机器人中心)
针对杂乱场景下非抓取式物体推送的欠驱动与避障难题,提出融合位置注意力的强化学习框架,无需预定义路径且考虑目标朝向,经仿真和真实KUKA iiwa机械臂验证可成功避障完成目标位姿推送。
2025-08-01 cs.RO
Multi-Modal Non-Prehensile Estimation of Physical Parameters via Press-and-Pull Tipping
该研究提出一种结合滑动与按压-拉动倾翻的多模态框架,通过融合力觉、视觉和本体感觉,无需抓取或先验模型即可估计物体质量、质心高度和摩擦,实验验证了其有效性和鲁棒性。
2026-09-29 cs.RO
VOFA: Visual Object Goal Pushing with Force-Adaptive Control for Humanoids
Department of Computer Science, The University of Texas at Austin(德克萨斯大学奥斯汀分校计算机科学系);Amazon Inc.(亚马逊公司);Sony AI(索尼人工智能)
本文提出VOFA系统,通过视觉引导实现对未知物理属性物体的精准推动,解决重物操控中的未知质量和地面摩擦问题,实现在仿真和现实中的高成功率表现。
2026-07-22 cs.RO
Push Anything: Single- and Multi-Object Pushing From First Sight with Contact-Implicit MPC
General Robotics, Automation, Sensing, and Perception (GRASP) Laboratory(通用机器人、自动化、感知与感知实验室)
本研究提出C3+算法,通过接触隐式MPC实现从首次视觉感知到多对象推移的高效操控,实现98%的成功率。
2026-03-05 cs.RO
Learning to Slide Unknown Objects with Differentiable Physics Simulations
Rutgers University(罗格斯大学)
我们提出了一种新的技术,推动一个未知的对象从一个初始配置的目标配置与稳定性约束。所提出的方法利用可微物理模型的最新进展来学习被推物体的未知机械特性,例如它们的质量分布和摩擦系数。所提出的学习技术计算物体的预测姿态与其实际观察到的姿态之间的距离的梯度,并利用该梯度来搜索减小现实差距的机械特性的值。所提出的方法还用于优化策略,以有效地将对象推向所需的目标配置。使用真实机器人采集数据的真实物体实验表明,该方法可以从少量的推动动作中识别异构物体的力学特性。
2020-06-04 cs.LG cs.RO cs.SY
PokeRRT: Poking as a Skill and Failure Recovery Tactic for Planar Non-Prehensile Manipulation
University of Colorado Boulder(科罗拉多大学博尔德分校)
提出 PokeRRT 运动规划算法,将戳刺作为一种非抓持操作技能及失败恢复策略,与抓取放置协同提升操作弹性,实验证明其在杂乱环境中规划轨迹高效,且在成功率和任务时间上优于推挤与抓取。
2024-06-04 cs.RO
Realtime State Estimation with Tactile and Visual sensing. Application to Planar Manipulation
Massachusetts Institute of Technology(麻省理工学院)
准确且鲁棒的对象状态估计使得能够成功地进行对象操纵。视觉传感被广泛用于估计物体的姿态。然而,在一个混乱的场景或在一个紧张的工作空间,机器人的末端执行器往往从视觉传感器遮挡对象。然后机器人失去视觉反馈,必须回到开环执行。在本文中,我们集成了触觉和视觉输入使用的框架,解决SLAM问题,增量平滑和映射(iSAM),提供一个快速和灵活的解决方案。视觉感测提供全局姿态信息,但通常是有噪声的,而接触感测是局部的,但其测量相对于末端执行器更准确。通过将它们结合起来,我们的目标是利用它们的优势并克服它们的局限性。我们探讨的背景下,一个推杆滑块系统的技术。我们适应iSAM的测量成本和运动成本推的情况下,并使用仪器设置来评估不同的物体形状,不同的表面材料,并在不同的接触模式下的估计质量。
2018-05-15 cs.RO
Vib2Move: In-Hand Object Reconfiguration via Fingertip Micro-Vibrations
Department of Robotics(机器人学系);University of Michigan(密歇根大学)
本研究提出Vib2Move手内物体位姿重构方法,通过振动驱动器调摩擦、推导滑动模型、设计运动规划器,实现真实场景下平面物体低于6毫米的高精度定位操作。
2025-06-12 cs.RO
SOMA: Stack-of-Objects Manipulation using a Quadruped Robot
SOMA是一种分层强化学习框架,使四足机器人能通过集成基座高度控制实现三维非抓取物体堆操作,在模拟中获高成功率,且可零样本迁移到真实Unitree Go1机器人。
2026-10-16 cs.AI cs.RO
The Robustness of Tether Friction in Non-idealized Terrains
University of California at Berkeley(加州大学伯克利分校);Johnson Space Center, NASA(美国国家航空航天局约翰逊航天中心)
本文研究移动机器人在低牵引力非理想地形中利用自然物体和系绳绞盘效应放大保持力的方法,并通过多种机器人配置验证其鲁棒性与774倍的力增益。
2022-08-22 cs.MA cs.RO