WiSwarm: Age-of-Information-based Wireless Networking for Collaborative Teams of UAVs
Massachusetts Institute of Technology（麻省理工学院）；Columbia University（哥伦比亚大学）
在理论通信网络和排队系统文献中，信息量度量（AoI）得到了广泛的研究。然而，它的适用性，复杂的现实世界的时间敏感系统的实验评估在很大程度上缺乏。在这项工作中，我们开发，实施和评估基于AoI的应用层中间件，使定制的WiFi网络的时间敏感的应用程序的需求。通过控制底层WiFi网络中信息的存储和流动，我们的中间件可以：（i）防止数据包冲突;（ii）丢弃不再有用的陈旧数据包;以及（iii）动态优先传输最相关的信息。为了证明我们的中间件的好处，我们实现了一个移动跟踪应用程序，使用一群无人机通过WiFi与中央控制器通信。我们的实验结果表明，相比WiFi-UDP/WiFi-TCP，中间件可以提高信息新鲜度的109倍/48倍和跟踪精度的4倍/6倍，分别。最重要的是，我们的研究结果还表明，我们的方法的性能增益增加的系统规模和/或流量负载的增加。
2022-12-06 cs.NI cs.RO
Cloud Native Robotic Applications with GPU Sharing on Kubernetes
Zurich University of Applied Sciences (ZHAW)（苏黎世应用科学大学（ZHAW））；ETH Zürich（苏黎世联邦理工学院）；Swiss Data Science Center (SDSC)（瑞士数据科学中心（SDSC））
在本文中，我们讨论了我们在ZHAW教授机器人应用程序编程课程的经验，结合使用Kubernetes（k8s）集群和真实的异构机器人硬件。我们讨论了我们的解决方案在为学生提供无缝模拟到真实体验方面的主要优势，以及我们在联网和共享GPU以支持深度学习工作负载方面遇到的主要缺点。我们描述了当前和可预见的替代方案，以避免这些缺点在未来的课程版本，并提出了一个更云原生的方法来部署多个机器人应用程序的k8s集群。
2022-10-31 cs.AI cs.CV cs.DC
Real-time QoS Routing Scheme in SDN-based Robotic Cyber-Physical Systems
Delta-NTU Corporate Lab for CPS（Delta-NTU企业合作CPS实验室）
近年来，工业网络物理系统（CPS）因其在第四次工业革命（工业4.0）中的自动化和成本降低能力而受到制造商的极大关注。这种连接的网络和物理组件的工业网络可能包括非常昂贵的组件，例如机器人。为了在这样的网络中提供有效的通信，必须提高服务质量（QoS）。软件定义网络（SDN）通过允许集中式控制器利用统一接口对每个流进行编程，已经成为以动态方式实现QoS概念的关键技术。然而，最先进的解决方案不能有效地使用SDN的集中可见性来满足这种工业网络的QoS要求。在本文中，我们提出了一个基于SDN的路由机制，试图提高机器人的网络物理系统，具有硬实时的【形】要求的QoS。我们利用SDN的能力，动态选择路径的基础上，当前的链路参数，以提高在这种延迟约束的网络的QoS。我们验证了一个现实的工业OpenFlow拓扑所提出的方法的效率。我们的实验表明，所提出的方法显着优于现有的基于延迟的路由机制的平均吞吐量，端到端的延迟和抖动。所提出的解决方案将被证明对机器人网络物理系统的工业应用具有重要意义。
2020-04-09 cs.NI cs.RO
TimelyLLM: Segmented LLM Serving System for Time-sensitive Robotic Applications
Yale University（耶鲁大学）
本文提出TimelyLLM系统，通过分段生成与调度机制利用规划与执行阶段间的冗余，解决大语言模型服务在时间敏感机器人应用中的FCFS批处理缺陷，实现时间效用最高提升1.97倍、等待时间降低84%。
2024-12-24 cs.DC cs.LG cs.RO
Heterogeneous Ground-Air Autonomous Vehicle Networking in Austere Environments: Practical Implementation of a Mesh Network in the DARPA Subterranean Challenge
University of Colorado Boulder（科罗拉多大学博尔德分校）；University of California Santa Cruz（加州大学圣克鲁兹分校）
在现实生活场景中实现无线网状网络需要大量的系统工程工作来将网络概念转变为完整的系统。本文介绍了DARPA地下（SubT）挑战赛决赛中的一个现场系统的评估，有助于第三名的成绩。我们的系统包括一个空中和地面机器人团队，可部署的网格扩展器节点和一个人类操作员基站。本文提出了一个现实世界的评估堆栈优化的空中和地面机器人探索在RF有限的环境下，实际的系统设计限制。我们高度可定制的解决方案利用最少的非免费组件，具有适合无人机操作的形状因子选项，并提供对各级网络操作的深入了解。我们目前的性能指标的基础上，我们的表现在DARPA的地下挑战赛的最后一场比赛，展示了我们的方法的实际成功和局限性，以及一组经验教训和建议，为未来的改进。
2022-03-24 cs.MA cs.RO
A Taxonomy of Privacy Constructs for Privacy-Sensitive Robotics
Oregon State University（俄勒冈州立大学）
将机器人引入我们的社会也将带来对个人隐私的新担忧。为了研究这些问题，我们必须进行涉及测量隐私相关结构的人类受试者实验。本文提出了一个分类的隐私结构的基础上审查的隐私文献。未来的工作在操作隐私结构HRI研究进行了讨论。
2017-01-03 cs.CY cs.HC cs.RO
Robotics-Inspired Guardrails for Foundation Models in Socially Sensitive Domains
Yale University（耶鲁大学）；Kyoto University（京都大学）
本文提出了一种基于机器人学的护栏框架，用于在社会敏感领域中对基础模型进行运行时行为控制，以减少交互轨迹中向不良状态的漂移，并适应多样化的社会情境。
2026-05-19 cs.AI cs.RO
MOCA-S: A Sensitive Mobile Collaborative Robotic Assistant exploiting Low-Cost Capacitive Tactile Cover and Whole-Body Control
Istituto Italiano di Tecnologia（意大利技术研究院）
本文提出了MOCA-S，一种集成低成本电容触觉覆盖层和扩展全身控制器的敏感型移动协作机器人助手，通过实验验证了其在安全物理人机交互及碰撞场景下的本质安全性。
2022-02-27 cs.RO
Joint Communication-Motion Planning in Wireless-Connected Robotic Networks: Overview and Design Guidelines
State Key Laboratory of High Performance Computing (HPCL)（高性能计算国家重点实验室）；School of Computer, National University of Defense Technology（国防科技大学计算机学院）
近年来，机器人技术蓬勃发展，为了支持多机器人系统的共识和协作，机器人之间的无线通信和网络以及基础设施已变得不可或缺。在本技术说明中，我们首先概述了在设计无线连接机器人网络（WCRN）时通信感知运动规划（CAMP）的研究贡献，其中机器人所包含的运动和通信能力所提供的自由度（DoF）尚未得到充分利用。因此，我们提出了联合通信运动规划（JCMP）的框架，以及将JCMP纳入WCRN的架构。所提出的架构是由机器人运动控制和认知无线电中普遍采用的面向对象的决策行动（OODA）模型的动机。然后，我们提供了一个概述的定向模块，量化的连通性评估。之后，我们突出了JCMP模块，并将其与传统的通信规划，其中JCMP的必要性进行了验证，通过理论分析和仿真结果的说明性的例子。最后，一系列的开放性问题进行了讨论，这图片之间的差距，国家的最先进的和一个实用的WCRN。
2015-11-07 cs.RO
Low cost, easily manufactured, highly flexible strain and touch sensitive fiber for robotics applications
Wesleyan University（卫斯理大学）
提出一种仅用廉价商用部件和工具快速制造的导电纤维，兼具电阻应变传感和电容触觉传感功能，实验验证其在机器人抓取、姿态估计和近场跟踪中的应用。
2026-06-12 cs.RO
Comparison of Middlewares in Edge-to-Edge and Edge-to-Cloud Communication for Distributed ROS2 Systems
University of Turku（图尔库大学）
本研究定量分析了 ROS 2 中 DDS、MQTT 和 Zenoh 网络中间件在多主机系统中的通信性能，发现在以太网下 CycloneDDS 表现更佳，而在 Wi-Fi 和 4G 下 Zenoh 表现更好且轨迹漂移误差最小。
2024-11-16 cs.RO
Enabling Morally Sensitive Robotic Clarification Requests
Colorado School of Mines（科罗拉多矿业学院）
当前面向自然语言的机器人架构的设计使得某些架构组件能够规避道德推理能力。这方面的一个例子是，一旦在人类话语中检测到指称歧义，就自反生成澄清请求。正如先前的研究所示，这可能导致机器人（1）错误地传达他们的道德倾向，（2）削弱人类在当前环境中对道德规范的感知或应用。我们提出了一个解决这些问题的方法，通过对一个模糊的人类话语的每个潜在的消歧进行道德推理，并相应地做出反应，而不是立即和天真地要求澄清。我们在DIARC机器人架构中实现了我们的解决方案，据我们所知，DIARC机器人架构是目前唯一具有道德推理和澄清请求生成功能的机器人架构。然后，我们评估我们的方法与人类受试者的实验，其结果表明，我们的方法成功地改善了两个确定的问题。
2020-07-16 cs.AI cs.CL cs.CY
Fairness-Sensitive Policy-Gradient Reinforcement Learning for Reducing Bias in Robotic Assistance
Kent State University（肯特州立大学）；George Washington University（乔治华盛顿大学）
针对机器人辅助服务中对不同人群的决策偏见，提出FSPGRL自反思策略梯度方法，通过检测异常梯度更新并修正策略，在餐厅服务实验中验证其可抑制偏见并提升公平性。
2023-06-07 cs.RO
When Robots Exchange Meaning: A Demo of Goal-Oriented Semantic Communications for Collaborative Robotics
本文提出一种机器人-边缘端语义通信测试平台，通过VQ-VAE等技术实现视觉压缩与语义建图，为协作机器人及相关6G网络研究提供了实用演示平台。
2026-07-31 cs.RO
MASK: Multi-Agent Semantic K-Scheduling for Risk-Sensitive 6G Robotics
Middle East Technical University（中东技术大学）；Aselsan Inc.（阿塞尔桑公司）
针对6G机器人协同感知中频谱资源受限的问题，提出多智能体语义K调度（MASK）架构，通过仲裁辅助语义信息门控（A-SIG）机制仅调度语义重要性最高的K个智能体，结合自监督全局编码器和分布策略，在严格带宽限制下实现鲁棒的风险感知协调，性能接近无通信约束基线。
2026-06-11 cs.LG cs.MA cs.RO
Planning-Assisted Context-Sensitive Autonomous Shepherding of Dispersed Robotic Swarms in Obstacle-Cluttered Environments
School of Engineering and Information Technology, University of New South Wales, Canberra ACT, Australia（工程与信息技术学院，新南威尔士大学，堪培拉ACT，澳大利亚）
针对障碍密集环境中分散机器人群体牧羊任务的现有方法不足，本文提出带避障能力的规划辅助上下文敏感自主牧羊框架，结合分层规划系统，经多场景实验验证了方法有效性。
2023-02-27 cs.NE cs.RO
Edge Computing and its Application in Robotics: A Survey
School of Computing, University of Georgia（乔治亚大学计算机学院）
本文综述边缘计算在机器人中的应用，系统梳理边缘机器人的最新进展、关键动机与挑战，并指出未来研究方向。
2025-07-01 cs.DC cs.NI cs.RO
On Self-Adaptive Mutation Restarts for Evolutionary Robotics with Real Rotorcraft
CSIRO（澳大利亚联邦科学与工业研究组织）
自适应参数越来越多地用于进化机器人领域，因为它们允许关键的进化速率在整个优化过程中以上下文敏感的方式自主变化。自适应突变的一个重要限制是，速率可以设置不利，这阻碍了收敛。速率重启通常被用来解决这个问题，但到目前为止，它只应用于进化机器人中的纯变异算法。本文重点研究了进化率重启在多个进化算子的种群算法中的应用水平。在一个真实的hexacopter悬停任务测试后，我们得出结论，个人层面的重新启动结果在更高的适应度的解决方案没有健身停滞，人口重新启动提供了一个更稳定的速率进化。如果不重新启动，实验可能会陷入次优控制器/速率组合，难以摆脱。
2017-04-03 cs.NE cs.RO
Learning Variable Impedance Control for Contact Sensitive Tasks
Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；New York University（纽约大学）
强化学习算法在解决从玩视频游戏到机器人等不同问题方面取得了巨大成功。然而，他们很难解决微妙的机器人问题，特别是那些涉及接触互动的问题。虽然原则上直接输出关节力矩的策略应该能够学习执行这些任务，但在实践中，我们看到，在动作空间中没有任何给定结构的情况下，很难鲁棒地解决问题。在本文中，我们研究了如何选择的行动空间可以给鲁棒性能存在接触的不确定性。我们提出了一种学习策略，给出输出阻抗和期望的位置在关节空间，并比较不同的接触不确定性下的转矩和位置控制的方法的性能。此外，我们提出了一个额外的奖励条款，旨在规范这些可变阻抗控制政策，使他们的可解释性，并促进其转移到真实的系统。我们提出了广泛的实验模拟浮动和固定基地系统的任务，涉及接触的不确定性，以及在一个真实的系统上运行的学习政策的结果。
2020-07-14 cs.AI cs.LG cs.RO
RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes
UC Berkeley（加州大学伯克利分校）
本文提出RACER强化学习框架，融合风险敏感控制、自适应动作空间课程与认知不确定性估计，使小型拉力赛车在真实越野环境中学会高速驾驶，并减少训练安全违规、提升策略性能。
2024-05-07 cs.AI cs.LG cs.RO
6IMPOSE: Bridging the Reality Gap in 6D Pose Estimation for Robotic Grasping
Technical University of Munich（慕尼黑工业大学）
6D姿态识别一直是机器人抓取成功的关键因素，最近基于深度学习的方法在基准测试中取得了显着的成果。然而，它们在实际应用中的泛化能力仍然不清楚。为了克服这一差距，我们介绍了6 IMPOSE，一种新的框架，用于模拟到真实的数据生成和6D姿态估计。6 IMPOSE由四个模块组成：第一，数据生成管道，采用3D软件套件Blender创建具有6D姿态注释的合成RGBD图像数据集。第二，使用建议的管道生成的五个家庭对象的注释RGBD数据集。第三，实时两阶段6D姿态估计方法，该方法集成了对象检测器YOLO-V4和针对时间敏感的机器人应用优化的6D姿态估计算法PVN 3D的精简实时版本。第四，一个代码库，旨在促进集成的视觉系统到一个机器人抓取实验。我们的方法证明了大量照片般逼真的RGBD图像的有效生成和训练的推理模型的成功转移到机器人抓取实验，实现了87%的总体成功率在不同的照明条件下，从杂乱的背景下抓取五个不同的家用物体。这是可能的数据生成和域随机化技术的微调，并优化的推理流水线，克服了原来的PVN 3D算法的通用性和性能的缺点。最后，我们在Github上提供代码、合成数据集和所有预训练模型。
2023-03-09 cs.CV cs.RO
A thin and soft optical tactile sensor for highly sensitive object perception
Graduate School of Natural Science and Technology, Kanazawa University（自然科学技术研究生院，金泽大学）；Faculty of Mechanical Engineering, Institute of Science and Engineering, Kanazawa University（机械工程学部，科学工程研究所，金泽大学）；Hamamatsu Photonics K.K.（Hamamatsu光子株式会社）
本研究提出了一种薄而柔软的光学触觉传感器，通过散射图案变化实现高灵敏度的力测量和纹理识别，适用于软机器人和可穿戴设备。
2026-02-03 cs.RO physics.app-ph physics.optics
Lodestar: An Integrated Embedded Real-Time Control Engine
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在这项工作中，我们提出了北极星，快速实时的【形】控制系统开发的集成引擎。使用功能框图范例，Lodestar允许复杂的多学科控制软件设计，同时自动解决执行顺序，循环数据依赖性和网络。特别是，Lodestar向用户提供了一组统一的控制、信号处理和计算机视觉例程，这些例程可以使用可互操作的用户定义的包装器与外部硬件和软件包接口。Lodestar允许直接执行用户定义的框图，或者将它们转换为无需开销的源代码，以便集成到其他程序中。我们展示了我们的框架如何偏离最先进的仿真框架中使用的方法，以实现实时的【形】性能，并将其功能与控制软件领域的现有解决方案进行比较。为了证明Lodestar在实时的【形】控制系统设计中的实用性，我们应用Lodestar实现了两个机器人手臂的实时的【形】基于扭矩的控制器。此外，我们还开发了一种新的自动聚焦算法，用于电外科和机器人辅助手术的其他领域中基于温度记录的定位和参数估计。我们将Lodestar中的算法设计方法与经典的从头开始方法进行了比较，表明Lodestar大大简化了设计过程。我们还展示了Lodestar如何在一些模拟示例中与现有的模拟和网络框架无缝对接。
2022-03-01 cs.RO cs.SY eess.SY
A Real-Time Neuro-Symbolic Ethical Governor for Safe Decision Control in Autonomous Robotic Manipulation
本文提出一种实时神经符号伦理控制器，通过整合伦理推理与风险评估机制，提升自主机器人操作中的安全决策能力，实验验证了其在不同人类接近度和操作风险下的有效性。
2026-03-15 cs.AI cs.LG cs.RO
