Deep Reinforcement Learning for Robotics: A Survey of Real-World Successes
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Virginia（弗吉尼亚大学）；Sony AI（索尼人工智能）
该综述梳理了深度强化学习在机器人领域的真实应用成果，分析了成功关键因素与研究空白，提出未来研究方向，为打造通用真实世界机器人系统提供参考。
2024-09-16 cs.LG cs.RO
A Survey on Imitation Learning for Contact-Rich Tasks in Robotics
该综述全面梳理了机器人接触丰富型任务的模仿学习研究，涵盖示教收集方法、学习算法及多模态/基础模型带来的性能提升，明确了现有挑战，为该领域后续发展提供基础。
2025-06-16 cs.HC cs.LG cs.RO
A Survey of Deep Network Solutions for Learning Control in Robotics: From Reinforcement to Imitation
University of Freiburg（弗赖堡大学）
本文综述了深度学习在机器人学习控制中的应用，探讨了深度强化学习和模仿学习两大主流方法，分析了其在导航、 manipulation 任务中的应用及现实差距挑战。
2018-04-09 cs.AI cs.LG cs.RO
A Fog Robotics Approach to Deep Robot Learning: Application to Object Recognition and Grasp Planning in Surface Decluttering
University of California, Berkeley（加利福尼亚大学伯克利分校）；AUTOLAB at UC Berkeley（加州大学伯克利分校自动实验室）
工业、汽车和服务机器人的需求不断增长，在隐私、安全、延迟、带宽和可靠性方面对集中式云机器人模型提出了挑战。在本文中，我们提出了一种用于深度机器人学习的“雾机器人”方法，该方法以联合方式在云和边缘之间分配计算，存储和网络资源。深度模型在云中的非私有（公共）合成图像上进行训练;模型适应可信网络中边缘环境的私有真实图像，随后部署为网络中其他机器人的低延迟和安全推理/预测服务。我们将这种方法应用于表面整理，其中移动机器人通过学习深度对象识别和抓取规划模型来从杂乱的地板中拾取和分类对象。实验表明，与只使用云或边缘资源相比，Fog Robotics可以通过模拟到真实的领域自适应来提高性能，同时将推理周期时间减少4个\times，以便在213次尝试中成功地清理86%的对象。
2019-03-22 cs.RO
Service-Oriented Software Architecture for Cloud Robotics
Prince Sultan University（苏丹王子大学）；CISTER Research Unit（CISTER研究单元）；Gaitech Robotics（Gaitech机器人公司）
在本文中，我们将概述在开发与Internet和云集成的机器人应用程序和软件时，如何使用面向服务的体系结构和Web服务。这是自2010年以来从云机器人概念中出现的一个最新趋势，该概念利用云基础设施，遵循面向服务的架构方法进行机器人应用。特别是，我们区分了两个主要类别：（\textit{i.}）机器人系统的虚拟化和（\textit{ii.}）从机器人到基于云的服务的计算卸载。我们讨论了文献中提出的主要方法，设计机器人系统通过Web和他们的集成到云通过面向服务的计算框架。
2019-06-30 cs.RO cs.SE
Incentive-Compatible and Distributed Allocation for Robotic Service Provision Through Contract Theory
New York University（纽约大学）
针对机器人服务中用户需求不确定性与规模扩展问题，提出基于契约理论的激励兼容选择方法，并结合动力学与碰撞避免的分布式分配算法，经八场景仿真验证，分配效率与准确性优于现有方案。
2024-03-15 cs.RO
A Survey of research in Deep Learning for Robotics for Undergraduate research interns
Maulana Azad National Institute of Technology（莫拉纳·阿扎德国家技术研究院）；JNResearch Labs LLP（JN研究实验室有限责任公司）
在过去的几年里，基于机器人的解决方案的用例已经从工厂车间到家庭应用多样化。与此同时，深度学习方法正在取代计算机视觉、自然语言处理、语音处理等领域的传统技术，并提供稳健的结果。我们的目标是调查“应用于机器人的深度学习”这一广泛领域的一些研究实习项目，并为有抱负的学生实习生提供一个简明的观点。本文介绍了CMU机器人研究所暑期学者（RISS）的研究工作。我们特别关注使用深度学习来解决核心机器人问题以及机器人解决方案的论文。我们相信这将是有用的，特别是对实习的机器人研究所，CMU的抱负
2023-01-23 cs.AI cs.RO
Orienteering Problem with Uncertain Time-Varying Rewards: Framework and Benchmark for Everyday Service Robotics
针对日常服务机器人的带不确定时变奖励的定向越野问题，本文提出相关框架与基准，采用三种不同规划器并验证了长时域在线适应规划的有效性。
2026-08-20 cs.AI cs.RO
Robotics Software Engineering: A Perspective from the Service Robotics Domain
University of Gothenburg（哥德堡大学）；Radboud University Nijmegen（拉德堡德大学）；University of Bergamo（贝加莫大学）
通过执行有用的任务来支持人类的机器人（又称，服务机器人）在全球范围内蓬勃发展。与工业机器人相比，服务机器人的发展带来了严重的软件工程挑战，因为它们需要高水平的鲁棒性和自主性，以便在高度异构的环境中运行。作为一个具有关键安全影响的领域，服务机器人面临着对良好软件开发实践的需求。在本文中，我们提出了第一个大规模的实证研究，以评估国家的艺术和机器人软件工程的实践。我们对来自9个不同国家的15家公司的工业从业者进行了18次半结构化访谈，并对来自机器人领域的156名受访者（来自26个国家）进行了调查。我们的研究结果提供了一个全面的图片（i）机器人工业和学术从业者应用的实践，包括过程，范例，语言，工具，框架和重用的做法，（ii）机器人软件工程的显着特点，（iii）经常面临的挑战，以及采用的解决方案。本文最后讨论的意见，推导出的假设，并提出行动的研究人员和从业人员。
2020-09-08 cs.RO cs.SE
A Comparison of Prompt Engineering Techniques for Task Planning and Execution in Service Robotics
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；Center for Robotics（机器人中心）；Computer Science Institute VI（计算机科学第六研究所）；Autonomous Intelligent Systems group（自主智能系统组）
本研究在服务机器人任务规划与执行中，系统比较了多种提示工程技术及其组合，通过仿真任务评估最先进模型的完成准确率与执行时间。
2024-11-06 cs.AI cs.RO
Towards Quality of Service and Resource Aware Robotic Systems through Model-Driven Software Development
University of Applied Sciences Ulm（乌尔姆应用科学大学）
在机器人技术中设计软件开发过程是工业服务机器人系统的基本要求之一。一个主要的挑战是从代码驱动到模型驱动的系统。这对于用具有明确属性的组件组成的系统取代手工制作的单一单元系统至关重要。此外，这通过将机器人技术知识与短周期实施技术分开来促进重用。总而言之，这是迈向“有能力”机器人的重要一步。本文报告了机器人系统的模型驱动开发过程。该过程包括一个机器人元模型与非功能属性的第一个解释。基于Eclipse的模型驱动工具链提供了模型转换和代码生成步骤。它还提供了资源参数的设计时分析（例如实时任务的可扩展性分析），作为集成机器人系统开发中实现整体资源感知的第一步。总体方法是由几个现实世界的场景。
2010-09-24 cs.RO
A Fog Robotic System for Dynamic Visual Servoing
University of California, Berkeley（加州大学伯克利分校）；Cloudminds Technology Inc.（达闼科技有限公司）；Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）
云机器人是一种范例，分布式机器人通过网络连接到云服务，以网络通信为代价获得无限的计算能力。然而，由于网络延迟和可变性等限制，很难直接从云端控制动态的、符合人类需求的服务机器人。在这项工作中，通过利用带有心跳信号的异步协议，我们将云机器人与智能边缘设备相结合，构建了一个雾机器人系统。我们使用该系统，使强大的远程操作的动态自平衡机器人从云。我们首先使用该系统从静态位置拾取箱子，这是仓库物流中通常执行的任务。为了使云遥操作更有效，我们部署了基于图像的视觉伺服（IBVS）来自动执行盒子拾取。包括apriltag识别和跟踪在内的视觉反馈在云中执行，以模拟IBVS的Fog Robotic对象识别系统。我们证明了使用这种云边缘混合的实时动态自动化系统的可行性，这为在Fog Robotics中部署具有深度学习识别系统的动态机器人控制开辟了可能性。最后，我们表明，雾机器人使自平衡服务机器人拿起一个盒子自动从一个人在非结构化环境下。
2018-09-16 cs.AI cs.RO
The utilization of spherical camera in simulation for service robotics
Warsaw University of Technology（华沙理工大学）
安全是机器人技术中最关键的因素之一，特别是当机器人必须在共享环境中与人协作时。然而，测试物理系统必须关注的不仅仅是软件。机器人系统开发中的一个常见步骤是利用模拟器，这对于导航或操作等任务非常有用。测试视觉系统更具挑战性，因为模拟数据通常与真实的摄像机读数相差甚远。在本文中，我们使用球形摄像机记录的测试图像序列的优点和~的方式来集成与现有的机器人模拟器。所提出的系统也有可能被扩展与渲染对象，以进一步提高其可用性。
2021-04-01 cs.RO
DLT federation for Edge robotics
University Carlos III of Madrid（马德里康普顿斯大学）；ADLINK Technology（凌华科技）
5G和NFV网络中的联合概念旨在提供跨多个管理域的服务编排。边缘机器人作为机器人技术的一个分支，依靠低延迟、可靠的访问连接，在网络边缘实现机器人控制。在本文中，我们提出了一种解决方案，使边缘机器人服务，以扩大其服务足迹或访问覆盖多个管理域。我们建议将分布式账本技术（DLT）应用于联合程序，以实现未公开的管理域之间的私密，安全和可信的交互。该解决方案被应用在一个真实的边缘机器人实验场景。结果显示，在外部/匿名域中部署和联合Edge机器人服务大约需要19秒，而不会出现任何服务停机时间。
2020-10-05 cs.NI cs.RO
fpgaDDS: An Intra-FPGA Data Distribution Service for ROS 2 Robotics Applications
Paderborn University（帕德博恩大学）
用于机器人应用的现代计算平台包括一组异构元件，例如，多核CPU、嵌入式GPU和FPGA。FPGA是可重新编程的硬件设备，可以快速和节能地计算机器人中的许多相关任务。ROS是机器人的事实上的编程标准，它将应用程序分解为一组通信节点。ReconROS是以前的一种方法，可以将完整的ROS节点映射到硬件中进行加速。由于ReconROS依赖于标准的ROS通信层，因此在硬件映射节点之间交换数据可能会导致性能瓶颈。本文介绍了fpgaDDS，一个精益的数据分布服务的硬件映射的ROS 2节点。fpgaDDS依赖于定制的和静态生成的基于流的通信架构。我们详细介绍了这种通信架构及其组件，并概述了它的好处。我们评估fpgaDDS的测试示例和一个更大的自动驾驶汽车的案例研究。与软件中的ROS 2应用程序相比，我们实现了高达13.34的加速比，并将抖动降低了两个数量级。
2023-03-01 cs.RO
NightOwl: Robotic Platform for Wheeled Service Robot
Universitas Gadjah Mada（加札马达大学）
NightOwl是专为轮式服务机器人设计的机器人平台。机器人以全方位的方式自主导航，并配备了激光雷达来感知周围区域。该平台本身是使用机器人操作系统（ROS）构建的，并使用两种不同的程序设计语言（C++和Python）编写。NightOwl由几个模块化程序组成，即硬件控制器、光探测和测距（LIDAR）、同时定位与地图构建（SLAM）、世界模型、路径规划、机器人控制、通信和行为。这些程序并行运行并相互通信以共享各种信息。本文从输入、处理和输出三个方面阐述了模块化程序的作用。此外，NightOwl还提供Gazebo和RViz中的可视化模拟。Gazebo将其环境中的机器人可视化。来自LIDAR的传感器数据和来自SLAM的结果将通过RViz可视化。
2020-11-18 cs.RO
Dealing with Run-Time Variability in Service Robotics: Towards a DSL for Non-Functional Properties
University of Applied Sciences Ulm（乌尔姆应用科学大学）
服务机器人在开放的自然环境中工作。因此，由于潜在情况的组合爆炸，在机器人设计期间不可能提前预见所有可能性。此外，由于移动机器人的资源有限，按需计划任何行动都是不可行的。因此，有必要提供一种机制，以表达可变性在设计时，可以有效地解决机器人在运行时间的基础上，然后可用的信息。在本文中，我们介绍了一个DSL来表达运行时间的变化集中在机器人的执行质量（在非功能属性，如安全性和任务效率）在不断变化的情况下，有限的资源。我们支持我们的方法的适用性集成到一个整体的机器人架构的例子。
2013-03-18 cs.RO
Service-Oriented Architecture for Space Exploration Robotic Rover Systems
LACSC – Lebanese Association for Computational Sciences（黎巴嫩计算科学协会（LACSC））
目前，工业部门正在将其业务流程转变为电子服务和基于组件的体系结构，以构建灵活、健壮和可扩展的系统，并降低与集成相关的维护和开发成本。机器人技术是另一个有前途和快速增长的行业，涉及创造以自主方式运行的机器，并为各种应用服务，包括太空探索，武器，实验室研究和制造。在太空探索中，最常见的机器人类型是行星漫游者，它在行星表面移动，并对天体表面进行彻底的地质研究。这种类型的漫游车系统仍然是ad-hoc的，因为它将其软件结合到其核心硬件中，使得整个系统内聚，紧密耦合，更容易出现缺点，灵活性较差，难以扩展和维护，并且不可能适应其他目的。本文提出了一种面向服务的体系结构的空间探测机器人漫游系统松耦合和分布式Web服务。所提出的架构由三个基本层：客户端层，对应于实际的流动站;服务器层，对应于Web服务;和中间件层，对应于企业服务总线，促进互联实体之间的互操作性。这种架构的利基是漫游者的软件组件与漫游者的身体分离和隔离，并可能部署在一个遥远的位置。面向服务的体系结构促进了客户机到服务器通信的可集成性、可伸缩性、可重用性、可维护性和互操作性。
2012-04-01 cs.RO
Survey and Perspective on Social Emotions in Robotics
Osaka University（大阪大学）；The University of Electro-Communications（电气通信大学）
本文综述了机器人社会情感的研究进展。在机器人技术中，对情感的研究已经进行了很长一段时间，包括对情感的识别，表达和基本机制的计算建模的研究。研究已经根据著名的心理学发现，如类别和维度理论。许多研究都是基于这些基本理论，只涉及基本的情绪。然而，社会情绪，也被称为更高层次的情绪，已经在心理学中进行了研究。我们相信，这些更高层次的情感值得在下一代具有社会意识的机器人机器人中加以追求。在这篇综述论文中，我们总结了心理学和神经科学中关于社会情绪的研究结果，以及迄今为止对机器人社会情绪研究的调查。此后，对机器人的社会情感的实现的研究方向进行了讨论。
2022-01-14 cs.AI cs.RO
A Survey on Privacy Attacks Against Digital Twin Systems in AI-Robotics
Mississippi State University（密西西比州立大学）
本文综述了工业4.0中AI与数字孪生赋能机器人面临的隐私攻击风险，涵盖模型窃取与数据泄露，并倡导结合伦理框架与可信自主性原则以构建安全可靠的AI机器人系统。
2024-06-27 cs.AI cs.RO
A Survey of Behavior Trees in Robotics and AI
Royal Institute of Technology (KTH)（皇家理工学院）；ABB Future Labs（ABB未来实验室）；ABB Corporate Research（ABB企业研究院）；SAAB Aeronautics（萨博航空）；ABB Robotics（ABB机器人）
行为树（BT）是作为一种在计算机游戏中实现模块化AI的工具而发明的，但在过去十年中，它在机器人社区中受到了越来越多的关注。随着对智能体AI复杂性的要求不断提高，游戏程序员发现他们使用的有限状态机（FSM）扩展性差，难以扩展，适应和重用。在BT中，状态转换逻辑不是分散在各个状态中，而是以分层树结构组织，状态作为叶子。这对模块化有很大的影响，这反过来又简化了人类和算法的合成和分析。这些优势不仅在游戏AI设计中需要，而且在机器人技术中也需要，这一点从正在进行的研究中可以看出。在本文中，我们提出了一个全面的调查的主题的BT在人工智能和机器人应用。现有的文献进行了描述和分类的基础上的方法，应用领域和贡献，并得出结论的文件与开放的研究挑战的列表。
2020-05-13 cs.AI cs.RO
Security Considerations in AI-Robotics: A Survey of Current Methods, Challenges, and Opportunities
Mississippi State University（密西西比州立大学）
该综述针对AI-机器人系统易受安全攻击的问题，从攻击面、伦理法律、人机交互安全三个维度梳理现有研究与防御策略，并展望未来研究方向，为相关利益方提供整体安全认知参考。
2024-01-26 cs.AI cs.RO
Resource Allocation and Service Provisioning in Multi-Agent Cloud Robotics: A Comprehensive Survey
Swinburne University of Technology（斯威本科技大学）；CSIRO（澳大利亚联邦科学与工业研究组织）；Engineering Institute of Technology (EIT)（工程技术学院）；South China University of Technology（华南理工大学）；University of Manitoba（曼尼托巴大学）
如今，机器人应用被广泛采用，以增强现实世界网络物理系统（CPS）的操作自动化和性能，包括工业4.0，农业，医疗保健和灾难管理。这些应用程序由延迟敏感、数据量大和计算密集型任务组成。然而，机器人在计算能力和存储容量方面受到限制。多智能体云机器人的概念使机器人之间能够进行协作，并为机器人执行大规模应用程序创造了一个互补的环境，能够利用边缘和云资源。然而，在这样的协作环境中，机器人任务的最优资源分配是具有挑战性的实现。与机器人和计算实例相关的异构能耗率和执行成本的应用使其变得更加复杂。此外，本地机器人、边缘节点和云数据中心之间的数据传输延迟会对实时交互产生不利影响，并阻碍服务性能保证。考虑到所有这些问题，本文全面调查的最先进的资源分配和服务提供的多智能体云机器人。本文通过与当代计算范式的明确比较，提出了多智能体云机器人的应用领域，并确定了具体的研究挑战。第一次提出了一个完整的分类资源分配，连同讨论的资源池，计算卸载，和任务调度的有效服务提供。此外，我们强调了从经验教训中得出的研究差距，并提出了有利于进一步推进这一新兴领域的未来方向。
2021-04-29 cs.DC cs.RO
Autonomous Planning Based on Spatial Concepts to Tidy Up Home Environments with Service Robots
College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院）
服务机器人在家庭环境中的整理任务在机器人应用中具有挑战性，因为它们涉及与环境的各种交互。特别是，机器人不仅需要抓取、移动和释放各种家用物体，而且还需要规划放置物体的顺序和位置。在本文中，我们提出了一种新的规划方法，可以有效地估计的顺序和位置的对象整理通过学习的概率生成模型的参数。该模型允许机器人学习的对象和地方的同现概率的分布整理使用在整洁的环境中收集的多模态传感器信息。此外，我们还开发了一个自动机器人系统来执行清理操作。我们通过实验模拟来评估所提出的方法的有效性，该实验模拟再现了2018年世界机器人峰会国际机器人竞赛的Tidy Up Here任务的条件。仿真结果表明，所提出的方法，使机器人能够连续整理多个对象，并取得了最好的任务得分之间所考虑的基线整理方法。
2021-02-10 cs.AI cs.RO
Movement Primitives in Robotics: A Comprehensive Survey
Department of Computer Science and Engineering, The University of Texas at Arlington, Arlington, USA（计算机科学与工程系，德克萨斯理工大学阿灵顿分校，阿灵顿，美国）
综述机器人运动基元框架，涵盖从人类示教中编码轨迹的方法，分析弹簧-阻尼系统、概率耦合、神经网络等特性，并讨论应用与挑战。
2026-06-19 cs.AI cs.RO
Large Language Models for Robotics: A Survey
School of Intelligent Systems Science and Engineering（智能系统科学与工程学院）；Jinan University（济南大学）；School of Artificial Intelligence（人工智能学院）；Jilin University（吉林大学）；Shanghai Innovation Institute（上海创新研究院）；Lehigh University（莱文斯顿大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文综述了大语言模型在机器人领域的应用，探讨了其在机器人控制、感知、决策和规划等方面的影响与挑战。
2025-12-02 cs.AI cs.RO
Acting Thoughts: Towards a Mobile Robotic Service Assistant for Users with Limited Communication Skills
University of Freiburg（弗莱堡大学）
随着自主服务机器人变得更加负担得起，因此也可供公众使用，越来越需要用户友好的界面来控制机器人系统。当前可用的控制模态通常期望用户能够通过触摸、语音或手势命令来表达他们的期望。虽然大多数用户都满足了这一要求，但瘫痪的用户可能无法使用此类系统。在本文中，我们提出了一个新的框架，允许这些用户与机器人服务助理在一个闭环的方式进行交互，只使用思想。脑机接口（BCI）系统由多个相互作用的部件组成，即，非侵入性神经元信号记录和解码、高级任务规划、运动和操纵规划以及环境感知。在各种实验中，我们证明了它的适用性和鲁棒性在现实世界中的情况下，考虑取和携带任务，涉及人机交互的任务。正如我们的结果所表明的那样，我们的系统能够适应环境的频繁变化，并在合理的时间内可靠地完成给定的任务。结合高级规划和自主机器人系统，为基于BCI的非侵入式人机交互开辟了有趣的新前景。
2018-06-12 cs.AI cs.CV cs.HC
Casting Everything to Online API Services? A Survey of Integrating Localized Speech Recognition Models in Robotic Systems
Institute of Science Tokyo（东京科学研究所）；Eindhoven University of Technology（埃因霍温理工大学）
综述自动语音识别技术在机器人系统中的集成，涵盖其从传统到深度学习模型的演变、相关数据集与工具包，介绍基于 ASR 模型家族等的部署策略及实际平台，指出挑战与未来方向，助力社交机器人研究人员探索人机交互领域。
2026-07-14 cs.RO eess.AS
A Survey of Robotic Navigation and Manipulation with Physics Simulators in the Era of Embodied AI
Department of Computer Science, City University of Hong Kong（城市大学计算机科学系）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院）；Department of Informatics, Universität Hamburg（汉堡大学信息学院）
本文综述了物理模拟器在缩小具身智能中导航与操作的模拟到现实差距方面的关键特性、任务支持及硬件需求，并提供了基准数据集、指标、平台和方法资源。
2026-10-06 cs.AI cs.RO
Service Discovery-Based Hybrid Network Middleware for Efficient Communication in Distributed Robotic Systems
Huaiyin Institute of Technology（淮阴工学院）；Chery Automobile Co., Ltd.（奇瑞汽车股份有限公司）
本文提出RIMAOS2C中间件，通过多级服务发现组播支持多种通信模式，优化数据传输效率并减少延迟不确定性，提升自动驾驶系统通信性能。
2026-03-28 cs.DC cs.NI cs.RO
Results of the Survey: Failures in Robotics and Intelligent Systems
Research Institute for Cognition and Robotics (CoR-Lab)（认知与机器人研究所）；Center of Excellence Cognitive Interaction Technology (CITEC)（认知交互技术卓越中心）；Bielefeld University（比勒费尔德大学）
2015年1月，我们在机器人研究人员中分发了一份关于机器人和智能系统故障的在线调查。这项调查的目的是找出目前存在哪些类型的故障，它们的起源是什么，以及如何监控和调试系统-特别关注性能错误。本报告概述了调查结果。
2017-08-24 cs.RO cs.SE
A Survey on Robotics with Foundation Models: toward Embodied AI
Midea Group（美的集团）
本综述全面梳理基础模型在机器人学中的应用，聚焦自主操作中的高层规划与低层控制，并总结常用数据集、模拟器及未来研究方向。
2024-02-04 cs.AI cs.RO
Towards Real-Time Monocular Depth Estimation for Robotics: A Survey
University of New South Wales（新南威尔士大学）
单目深度估计（MDE）作为自主驾驶和机器人运动估计、避障和场景理解等活动的重要组成部分，引起了计算机视觉和机器人领域的极大关注。在过去的几十年里，已经开发了大量的方法。然而，据我们所知，没有一个全面的调查MDE。本文旨在通过回顾1970年至2021年间发表的197篇相关文章来弥合这一差距。特别是，我们提供了一个全面的调查MDE涵盖各种方法，介绍了流行的性能评估指标和总结可利用的数据集。我们还总结了一些代表性方法的可用开源实现并比较了它们的性能。此外，我们还回顾了MDE在一些重要机器人任务中的应用。最后，我们总结了本文提出了一些有前途的未来研究方向。本调查有望帮助读者浏览这一研究领域。
2021-11-16 cs.RO
Robotic Grasping from Classical to Modern: A Survey
Xi’an Jiaotong University（西安交通大学）
机器人抓取一直是机器人学中的一个活跃的话题，因为抓取是机器人最基本但最具挑战性的技能之一。它要求协调机器人的感知，规划和控制的鲁棒性和智能性。然而，目前的解决方案仍然远远落后于人类，特别是在面对非结构化场景时。在本文中，我们调查的机器人抓取的进展，从经典的配方和解决方案的现代。通过回顾机器人抓取的历史，我们希望提供一个完整的视图，这个社区，也许启发不同的想法的组合和融合，我们认为这将有助于触摸和探索机器人抓取问题的本质。详细地，我们首先给出了机器人抓取的分析方法的概述。在此之后，我们提供了一个最新的国家的最先进的数据驱动的抓取方法，近年来兴起的讨论。随着计算机视觉的发展，语义抓取得到了广泛的研究，并有望成为未来自主机器人系统智能操作和技能学习的基础。因此，在我们的调查中，我们也简要回顾了这一主题的最新进展。最后，我们讨论了开放的问题和未来的研究方向，可能是重要的人类水平的鲁棒性，自主性和智能的机器人。
2022-02-08 cs.RO
The Developments and Challenges towards Dexterous and Embodied Robotic Manipulation: A Survey
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
该综述总结机器人操作从机械编程到具身智能、从简单夹具到多指灵巧手的演变及挑战，重点介绍当前具身灵巧操作在数据采集与技能学习框架的进展，并讨论三大限制其发展的关键挑战。
2025-11-18 cs.RO
Towards Conscious Service Robots
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文指出机器人面临非平稳性等挑战，提出借鉴人类认知架构（系统1和系统2），整合因果模型、工作记忆、规划与元认知处理，使下一代服务机器人实现类人学习推理，以应对新情况并自我监控以降低风险。
2025-01-25 cs.AI cs.RO
Affordances in Robotic Tasks -- A Survey
Edinburgh Centre for Robotics（爱丁堡机器人中心）；University of Edinburgh（爱丁堡大学）；Heriot-Watt University（赫瑞-瓦特大学）
示能是自主机器人代理必须感知的关键属性，以便有效地与新对象进行交互。从历史上看，这一概念来源于心理学和认知科学的文献，其中对启示的讨论使得定义很难直接转移到对机器人有用的计算规范。这篇综述文章特别关注机器人技术，因此我们从这个角度讨论相关文献。在这次调查中，我们对文献进行分类，并试图找到不同方法之间的共同点，以期在机器人技术中的应用。我们提出了一个分类的基础上的先验知识的水平，假设建立一个特定的机器人任务的重要的不同的启示组件之间的关系。我们还确定了未来改进的领域，并讨论了可能对机器人实践产生影响的可能方向。
2020-04-15 cs.RO
Towards Lifelong Self-Supervision: A Deep Learning Direction for Robotics
Draper（德雷珀实验室）
尽管在视觉等领域取得了巨大的成功，但最近的许多深度学习方法对机器人来说都有明显的缺点。这篇手稿调查了文献中有关将深度学习系统应用于机器人领域的最新工作，无论是作为估计手段还是作为直接从原始感知中解析运动命令的工具。这些最新的进展只是这个难题的一部分。我们认为，深度学习仅仅作为一种工具，不足以建立一个统一的框架来获得一般智能。出于这个原因，我们补充我们的调查与认知发展的见解，并参考经典控制理论的想法，产生一个终身学习架构的综合方向。
2016-11-01 cs.AI cs.RO
Accessible Survey of Evolutionary Robotics and Potential Future Research Directions
Bournemouth University（伯恩茅斯大学）
本文综述了应用于进化机器人领域的各种进化方法，旨在解决机器人设计和控制领域的难题。进化机器人是一个快速发展的领域，近年来吸引了大量的研究关注。因此，本文整理了最近的研究结果以及一些预期的应用。所审查的文献有系统地组织起来，对最近的事态发展作了分类概述，并以表格形式提出，以供快速参考。我们从ER的角度讨论了机器人技术中存在的突出潜力和挑战，相信这些将在不久的将来通过应用进化方法得到解决。本研究的主要目的是探讨进化方法在机器人应用程序开发中的适用性。我们相信，这项研究将使研究人员能够利用进化方法来解决机器人技术中复杂的突出问题。
2022-10-21 cs.RO
A Survey of FPGA-Based Robotic Computing
Georgia Institute of Technology（佐治亚理工学院）；Harvard University（哈佛大学）；PerceptIn Inc（佩塞普特因公司）；South China University of Technology（华南理工大学）；University of Rochester（罗切斯特大学）；Tsinghua University（清华大学）
最近的机器人研究已经取得了显着的进步，从算法，机械到硬件架构。包括机械手、足式机器人、无人机和自动驾驶汽车在内的机器人技术现在广泛应用于各种场景。然而，机器人算法的高计算量和数据复杂度对其应用提出了很大的挑战。一方面，CPU平台灵活，可以处理多个机器人任务。GPU平台具有较高的计算能力和易于使用的开发框架，因此在许多应用中被广泛采用。另一方面，基于FPGA的机器人加速器正在成为越来越有竞争力的替代方案，特别是在延迟关键和功率受限的场景中。通过专门设计的硬件逻辑和算法内核，基于FPGA的加速器可以在性能和能效方面超越CPU和GPU。在本文中，我们概述了以前的工作，基于FPGA的机器人加速器涵盖不同阶段的机器人系统管道。分析了软件和硬件优化技术和主要技术问题，以及一些商业和空间应用，作为未来工作的指导。
2021-03-05 cs.AI cs.AR cs.RO
Internet of Things Meets Robotics: A Survey of Cloud-based Robots
Oklahoma State University（俄克拉荷马州立大学）
本文综述了物联网与机器人融合形成的机器人物联网（IoRT），重点分析其在医疗和农业中的应用，并通过企业调查揭示了物联网在提升客户体验、降本和加速开发方面的价值及安全隐私挑战。
2024-02-21 cs.NI cs.RO
Comprehensive Survey of Evolutionary Morphological Soft Robotic Systems
University of Bridgeport（布里奇波特大学）；King Saud University（沙特国王大学）
进化机器人旨在自动设计自主自适应形态机器人，这些机器人可以进化以完成特定任务，同时适应环境变化。软机器人技术已经证明了进化机器人技术用于机器人控制和形态综合的可行性。发展进化软计算技术，可以产生面向任务的结构形态机器人的动机，使软机器人领域值得认真调查和研究，因此，本文总结了一个重要的研究量的计算和软件体系结构的角度。本文回顾了文献，并讨论了进化机器人学的各个方面，包括形态软体机器人的应用，使自我组装，自我重构，自我修复，自我繁殖。然后，主要的里程碑概述了重要的形态软机器人原型，由于其在该领域的重要性。最后，评估了该领域的当前最新技术水平。
2017-05-30 cs.RO
A New Wave in Robotics: Survey on Recent mmWave Radar Applications in Robotics
University of Colorado Boulder（科罗拉多大学博尔德分校）；Seoul National University（首尔大学）；University of Toronto（多伦多大学）
本文综述76–81 GHz FMCW毫米波雷达在机器人学中的最新应用，梳理雷达原理、定位建图、检测分类及数据集与校准技术，并展望其抗恶劣视觉条件的独特优势。
2024-10-28 cs.RO
How to Integrate Digital Twin and Virtual Reality in Robotics Systems? Design and Implementation for Providing Robotics Maintenance Services in Data Centers
University of Twente（特文特大学）；Beijing Hanning Tech Co., Ltd（北京汉宁科技有限公司）
本文提出一种将数字孪生与虚拟现实集成到机器人系统中的概念，并应用于数据中心维护，通过自主机器人实时监控和虚拟现实界面实现更快、更经济、更高质量的维护服务。
2023-12-20 cs.RO cs.SY eess.SY
Large language model-based task planning for service robots: A review
School of Electrical Engineering, Yanshan University（燕山大学电气工程学院）；Engineering Research Center of Intelligent Control System and Intelligent Equipment, Ministry of Education, Yanshan University（燕山大学智能控制与设备工程研究中心）；Hebei Key Laboratory of Intelligent Rehabilitation and Neuromodulation, Yanshan University（河北省智能康复与神经调制重点实验室）；School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）；National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University（国家机器人视觉感知与控制技术工程研究中心）；Department of Automation, Shanghai Jiao Tong University（上海交通大学自动化系）；Advanced Robotics and Intelligent Systems Laboratory, School of Engineering, University of Guelph（圭尔夫大学工程学院先进机器人与智能系统实验室）
本文综述了大语言模型在服务机器人任务规划中的应用，涵盖基础技术、认知核心作用、多模态输入进展及挑战，旨在为复杂家庭环境中的任务规划提供参考。
2025-10-27 cs.RO
Formal Specification and Verification of Autonomous Robotic Systems: A Survey
University of Liverpool（利物浦大学）
本文针对自主机器人系统形式化规约与验证缺乏最新综述的问题，系统梳理了该领域的挑战、形式化体系及验证方法，填补了相关研究概述的空白。
2019-05-01 cs.FL cs.RO
Overcoming technical adoption barriers for mobile service robots in rehabilitation
TEDIRO Healthcare Robotics（TEDIRO医疗机器人公司）；MetraLabs GmbH Neue Technologien und Systeme（MetraLabs新技术与系统有限责任公司）
本文探讨移动服务机器人在康复领域的技术采用障碍，提出通过外围功能与渐进改进提升技术成熟度，强调临床测试驱动的下游开发对用户接受与广泛采用的关键作用。
2026-09-16 cs.RO
Simulation for Planetary Robotic Perception and Autonomy: A Concise Survey of Recent Capabilities and Gaps
DGIST（大邱庆北科学技术院）
本文综述行星机器人感知与自主性仿真，从开放性、场景覆盖、传感器支持和环境真实性四维度评估，指出公共可用性不均、漫游车中心覆盖及操作约束报告不足等差距。
2026-09-29 cs.RO
A Survey of Decision-Theoretic Approaches for Robotic Environmental Monitoring
该综述首次全面梳理了机器人环境监测领域的决策论方法，明确了环境表示方式与任务求解思路，归纳了决策优化的六大维度，指出了领域现存挑战与发展机遇。
2023-11-06 cs.RO
Synchronous Robotic Framework
California State University Long Beach（加州州立大学长滩分校）
我们提出了一个同步的机器人测试平台，称为SyROF，允许快速实施的机器人群。我们的主要目标是降低本科生和研究生进入合作机器人系统的门槛。该测试平台提供了一个高级编程环境，允许实现定时输入/输出自动机（TIOA）。SyROF提供了以下独特的特性：1）一个透明的机制来同步机器人动作，2）一个成员服务与故障检测器，和3）一个透明的服务，以提供公共知识，在每一轮。这些特性对于简化机器人群的实现是至关重要的。该软件分为五层：下层由一个实时订阅系统组成，允许任务之间的有效通信。下一层是卡尔曼滤波器的实现，以估计机器人的位置、方向和速度。第三层由同步器组成，同步执行机器人动作，为所有活动参与者提供公共知识，并处理故障。第五层是编程环境。
2020-06-08 cs.RO
Cloudroid: A Cloud Framework for Transparent and QoS-aware Robotic Computation Outsourcing
National Key Laboratory for Parallel and Distributed Processing, National University of Defense Technology（国防科技大学并行与分布处理国家重点实验室）
许多机器人任务需要大量的计算，这很容易超过机器人的机载计算机能力。解决这一挑战的一个有前途的解决方案是将计算外包给云。然而，在机器人软件中利用云资源的潜力是困难的，因为它涉及复杂的代码修改和广泛的（重新）配置过程。此外，服务质量（QoS），如及时性，这是关键的机器人的行为，必须考虑。在本文中，我们提出了一个透明的和QoS感知的软件框架称为Cloudroid云机器人应用程序。该框架支持将现有的机器人软件包直接部署到云端，透明地将其转换为可通过互联网访问的云服务。通过自动生成的服务存根，机器人应用程序可以将其计算外包给云，而无需任何代码修改。此外，机器人和云可以合作，以保持特定的QoS属性，如请求响应时间，即使在一个高度动态和资源竞争的环境。我们基于一组典型的机器人场景和一组在现实世界机器人实践中广泛采用的软件包对Cloudroid进行了评估。结果表明，机器人的能力可以显着提高，而无需修改代码和特定的QoS目标可以得到保证。在某些任务中，与机器人本地设置相比，“云+机器人”设置显示出数量级的改进性能。
2017-05-16 cs.DC cs.RO
Augmented Reality and Robotics: A Survey and Taxonomy for AR-enhanced Human-Robot Interaction and Robotic Interfaces
University of Calgary（卡尔加里大学）；University College London（伦敦大学学院）
本文基于对460篇研究论文的调查，对增强现实和机器人技术进行了分类。增强和混合现实（AR/MR）已经成为增强人机交互（HRI）和机器人接口（例如，致动的和形状改变的界面）。最近，越来越多的HCI、HRI和机器人研究已经证明了AR如何实现人与机器人之间更好的交互。然而，研究往往仍然集中在个人的探索和关键的设计策略，研究问题很少进行系统的分析。在本文中，我们综合和分类这一研究领域在以下方面：1）增强现实的方法; 2）机器人的特点; 3）目的和好处; 4）分类的信息; 5）设计组件和策略的视觉增强; 6）交互技术和方式; 7）应用领域;和8）评估策略。我们制定了关键的挑战和机遇，以指导和通知未来的研究在AR和机器人。
2022-03-07 cs.CV cs.HC cs.RO
FogROS2-FT: Fault Tolerant Cloud Robotics
University of California, Berkeley（加利福尼亚大学伯克利分校）；Robert Bosch Research and Technology Center North America（罗伯特·博世北美研究与技术中心）；Carnegie Mellon University（卡内基梅隆大学）
针对云机器人面临的成本高、云服务易停机、网络QoS波动等问题，提出具备多云复制容错能力的FogROS2-FT框架，可可靠使用低成本竞价实例，在多类任务中显著降低成本与长尾延迟。
2024-12-06 cs.AI cs.DC cs.NI
3D Gaussian Splatting in Robotics: A Survey
Shanghai Jiao Tong University（上海交通大学）；University of Cambridge（剑桥大学）；Imperial College London（伦敦帝国学院）
本综述全面回顾了3D Gaussian Splatting (3DGS) 在机器人学中的应用与技术进展，涵盖场景理解、交互任务、数据集评估及未来挑战。
2024-12-19 cs.RO
