Evolutionary Co-Design of Morphology and Control of Soft Tensegrity Modular Robots with Programmable Stiffness
Ecole polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
张拉整体结构重量轻，可以承受大变形，并具有出色的鲁棒性。这些独特的属性激发了机器人专家研究它们的用途。然而，张拉整体机器人的形态设计、控制、装配和驱动仍然是困难的任务。此外，张拉整体机器人的刚度仍然是一个被低估的设计参数。在这篇文章中，我们建议使用易于组装，驱动张拉整体模块和身体-大脑协同进化设计软张拉整体模块化机器人。此外，我们证明了张拉整体机器人刚度的重要性，展示了如何根据模块刚度的演变表明不同的形态，控制和运动策略。
2021-01-28 cs.RO
Tensegrity Robot Proprioceptive State Estimation with Geometric Constraints
University of Michigan（密歇根大学）
本文提出一种张拉整体机器人本体感受状态估计器，利用3杆棱柱结构几何约束结合IMU与编码器重建形状，并通过接触辅助不变扩展卡尔曼滤波器估计全局位姿，实现4.2%平均漂移，推进了该领域技术前沿。
2025-03-06 cs.RO
Bio-inspired Tensegrity Soft Modular Robots
Laboratory of Intelligent Systems at Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院智能系统实验室）
在本文中，我们介绍了一种设计原则，开发新的软模块化机器人的基础上张拉整体结构和活细胞的细胞骨架的启发。我们描述了一种新的策略，实现张拉整体结构，使用平面制造技术，如3D打印。我们使用这种策略来开发具有可编程变刚度的二十面体张拉整体结构，该结构可以在三维空间中变形。我们还描述了一个肌腱驱动的收缩机制，主动控制张拉整体模块的变形。最后，我们验证的方法在一个模块化的运动蠕虫的概念证明。
2017-08-23 cs.RO
State Estimation for Tensegrity Robots
Oak Ridge Associated Universities（橡树岭联合大学）；University of California Santa Cruz（加州大学圣克鲁兹分校）；University of California San Diego（加州大学圣地亚哥分校）；NASA Ames Research Center（NASA艾姆斯研究中心）；SGT Inc.（SGT公司）
张拉整体机器人是一类柔顺机器人，在设计必须与不确定环境交互的大规模高效系统时具有许多理想的特性。在张拉整体系统的仿真研究中，已经提出了各种有前途的控制方法。遗憾的是，张拉整体机器人的状态估计方法尚未得到深入研究。在本文中，我们提出了张拉整体机器人的状态估计器的设计和评估。这种状态估计器将使现有的和未来的控制算法从仿真转移到硬件。我们的方法是基于无迹卡尔曼滤波器（UKF），并结合惯性测量，超宽带飞行时间测距测量，和致动器状态信息。我们评估我们的方法的有效性，超级球，基于张拉整体的行星探测机器人原型。特别是，我们进行测试，以评估机器人的成功估计全球位置相对于固定的测距基站在滚动机动以及由于电缆驱动引起的小幅度变形的本地行为。
2016-02-19 cs.RO
Inclined Surface Locomotion Strategies for Spherical Tensegrity Robots
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种新型的可在陡峭斜面上进行运动的球形张拉整体机器人。通过一种新颖的控制方案，围绕多个电缆的同时驱动，机器人在硬件实验中展示了在倾斜表面上的鲁棒攀爬，并且速度比以前的球形张拉整体模型快得多。该机器人是TT系列中其他迭代的改进，也是第一个在高达24 \degree的倾斜表面上实现可靠运动的张拉整体。我们分析了单索和多索驱动下的运动仿真和硬件，并介绍了两种新的多索驱动策略，分别适用于陡坡攀爬和速度。我们提出了令人信服的理由，增加了机器人的动态能力，并激励开发的优化算法，能够利用机器人的控制权的增加。
2017-08-27 cs.RO
Impact-resistant, autonomous robots inspired by tensegrity architecture
Yale University（耶鲁大学）；Rutgers University（罗格斯大学）
受张拉整体结构启发，提出一种由刚性杆和弹性腱构成的抗冲击自主机器人，具备高移动速度、姿态重建和陡坡攀爬能力，在非结构化地形导航中展现了卓越鲁棒性。
2025-01-25 cs.RO
Design of a Variable Stiffness Quasi-Direct Drive Cable-Actuated Tensegrity Robot
University of Michigan-Ann Arbor（密歇根大学安娜堡分校）
针对张拉整体机器人状态估计与载荷适配难题，本文设计模块化三杆机器人，利用QDD绳索执行器和低拉伸绳索实现高精度本体感知与实时变刚度，并通过实验验证其性能。
2024-09-09 cs.RO
Scalable Open-Source Visuotactile Sensor for 6-Axis Contact Wrench Estimation in Tensegrity Robots
University of Michigan（密歇根大学）
本文针对张拉整体机器人提出可扩展开源视觉触觉传感系统，通过集成弹性体外壳等部件及螺旋状填充粘结技术，利用触觉到扳手的神经网络实现六轴力扳手估计，实验验证其准确性和稳定性，提升了机器人触觉反馈实用性。
2026-07-20 cs.RO
Stability analysis of tensegrity mechanism coupled with a bio-inspired piping inspection robot
Léonard de Vinci Pôle Universitaire（莱昂纳多·达·芬奇大学中心）
管道检测机器人在工业中发挥着至关重要的作用，因为它们可以减少人类的工作量，并降低对生命的风险。一般来说，这些机器人的运动技术可以分为机械和仿生。法国LS2N公司设计并研制了一种刚性履带式巡检机器人，该机器人采用了槽形从动腿机构、直流电机和控制单元。该刚性原型有助于确定与管道壁实现良好接触力所需的静态力。为了实现机器人的曲面内工作，在机器人的各个模块之间引入了由三个拉簧和一个被动万向节组成的张拉整体机构。通过考虑拉索的预紧力，确定了机器人装配的最优参数，保证了整个机器人的稳定性。然而，在静态条件下，存在一些力的机器人，特别是张力整体机构的腿机构的一端与管道壁夹紧时。当管道的方向为水平时，这些力占主导地位。本文的目的是了解在机器人装配体自重作用下，弹簧刚度对张拉整体机构静稳定性的影响。
2022-06-03 cs.RO
Learning Differentiable Tensegrity Dynamics using Graph Neural Networks
Rutgers University（罗格斯大学）；Amazon Robotics（亚马逊机器人公司）；Yale University（耶鲁大学）
针对张拉整体机器人难以精确建模的问题，提出利用图神经网络对其图表示上的接触动力学进行建模，该方法在仿真与真实机器人实验中均比现有方法具有更高的准确率和计算效率。
2024-10-16 cs.RO
Efficient Model Identification for Tensegrity Locomotion
Department of Computer Science, Rutgers University（计算机科学系，罗格斯大学）
本文提出一种高效方法，利用物理引擎和贝叶斯优化框架，用于识别高维顺应性tensegrity机器人中的未知机械参数，提升运动控制精度。
2018-04-12 cs.AI cs.LG cs.RO
Morphology-Aware Graph Reinforcement Learning for Tensegrity Robot Locomotion
Robotics Department, University of Michigan（密歇根大学机器人系）
本文提出一种结合图神经网络的强化学习框架，用于提升张力结构机器人运动控制的效率与鲁棒性，通过物理拓扑图建模实现更稳定的训练效果。
2026-05-11 cs.RO
Force-Sensing Tensegrity for Investigating Physical Human-Robot Interaction in Compliant Robotic Systems
物理人机交互（physical human-robot interaction，pHRI）领域的进步极大地提高了人类和机器人的沟通、协作和共存能力。特别地，顺应性机器人系统提供了许多特性，这些特性可以被利用来实现更有效和直观地传达意图的物理交互，使得顺应性系统在人类-机器人协作场景的更物理要求的子集中潜在地有用。张拉整体机器人是柔顺系统的一个例子，它非常适合物理交互，同时仍然保留有用的刚性特性，使其适用于各种应用。在本文中，我们提出了一个6杆球形张拉整体力传感能力的设计和初步测试。使用这个原型，我们证明了它的力传感器阵列的能力，以检测各种物理交互类型，可能会出现在人类的背景下。然后，我们训练和测试一系列的分类器使用的数据，从独特的和有代表性的互动，以证明使用这种物理形式的传感可靠地沟通的目标和意图，从人类操作员在人机协作设置的可行性。
2021-06-15 cs.RO
Tensegrity-based Robot Leg Design with Variable Stiffness
Laboratory of Intelligent Systems, École Polytechnique Fédérale de Lausanne (EPFL)（智能系统实验室，瑞士洛桑联邦理工学院（EPFL））
本文提出基于张拉整体的可变刚度机器人腿部设计，通过调节缆索张力控制关节旋转刚度，实验证明其能显著降低冲击力并在不同载荷下保持相似腿部屈曲，为更具弹性和适应性的有腿机器人提供新途径。
2025-04-28 cs.RO
6N-DoF Pose Tracking for Tensegrity Robots
Rutgers University（罗格斯大学）；Yale University（耶鲁大学）
张拉整体机器人，由压缩元件（杆）和柔性拉伸元件（例如，电缆）具有多种优点，包括柔性、低重量和抗机械冲击。然而，这些机器人的软硬混合特性也使定位和跟踪其状态的能力变得复杂。这项工作旨在解决这一领域公认的重大挑战，即，张拉整体机器人的状态估计通过一种无标记的、基于视觉的方法，以及新型的、可以测量机器人线缆长度的机载传感器。特别是，提出了一种迭代优化过程，以跟踪从RGB-D视频的张拉整体机器人的每个刚性元件的6自由度姿态，以及从电缆传感器的端盖距离测量。为了确保刚性元件的姿态估计在物理上是可行的，即，它们不会导致杆之间或与环境的碰撞，在优化过程中引入了物理约束。真实世界的实验进行了3杆张拉整体机器人，它执行运动步态。给定运动捕捉系统的地面真实数据，该方法实现了小于1厘米的平移误差和3度的旋转误差，这显着优于替代品。同时，该方法可以提供准确的姿态估计整个机器人的运动，而运动捕捉往往会失败，由于闭塞。
2022-10-13 cs.CV cs.RO
Deep Reinforcement Learning for Tensegrity Robot Locomotion
University of California, Berkeley（加州大学伯克利分校）；University of California, Santa Cruz（加州大学圣克鲁兹分校）；Autodesk, Inc.（欧特克公司）；Nasa Ames Research Center（NASA艾姆斯研究中心）；OpenAI；International Computer Science Institute（国际计算机科学研究所）
张拉整体机器人由弹性电缆连接的刚性杆组成，具有许多独特的特性，使它们成为行星探测车的吸引力。然而，由于张拉整体机器人的特殊结构和复杂的动力学，其控制仍然是一个难题。在这项工作中，我们展示了如何运动步态可以自动学习使用一种新的扩展镜像下降引导策略搜索（MDGPS）应用于周期性的运动动作，我们证明了我们的方法对张拉整体机器人运动的有效性。我们评估我们的方法与现实世界和模拟实验的超级球张拉整体机器人，表明学习的政策推广到系统参数的变化，不可靠的传感器测量，以及环境条件的变化，包括不同的地形和一系列不同的重力。我们的实验表明，我们的方法不仅学习快速，节能的反馈策略滚动步态，但这些政策可以成功地只有有限的板载传感提供的超级球的加速度计。我们比较学习的反馈政策，学习开环政策和手工设计的控制器，并证明学习的政策，使第一个连续的，可靠的运动步态真正的超级球机器人。我们的代码和其他补充材料可从www.example.com获得
2017-03-08 cs.LG cs.RO
Estimation and Control of Tensegrity Manipulator Kinematics based on Strut Inclination Angles
Kyushu Institute of Technology（九州工业大学）
针对张拉整体连续体机械臂，提出基于支柱倾角和IMU的降阶模型与优化方法，实现实时形状估计与PI姿态控制，首次在足尺机械臂上实验验证。
2026-09-22 cs.RO
Tensegrity Robot Endcap-Ground Contact Estimation with Symmetry-aware Heterogeneous Graph Neural Network
University of Michigan（密歇根大学）
本文提出利用对称感知异构图神经网络实现张力结构机器人端帽-地面接触估计，通过本体感觉数据提升状态估计的准确性和鲁棒性。
2026-03-03 cs.RO
State and Trajectory Estimation of Tensegrity Robots via Factor Graphs and Chebyshev Polynomials
Dept. of Computer Science, Rutgers University（罗格斯大学计算机科学系）；Mech. Eng. & Material Sc. Yale University（耶鲁大学机械工程与材料科学系）
本文提出一种两阶段方法，利用因子图和切比雪夫多项式对电缆驱动tensegrity机器人进行鲁棒状态或轨迹估计，通过融合RGB-D相机和电缆长度传感器数据，提升非线性动态下的估计精度。
2026-04-09 cs.RO
An Open-Source, Reproducible Tensegrity Robot that can Navigate Among Obstacles
Y Mech. Eng., Yale Univ.（耶鲁大学机械工程系）；R Comp. Sc., Rutgers Univ.（罗格斯大学计算机科学系）
本文提出一个开源可复现的三杆张力整体机器人导航系统，集成硬件设计与建模、辨识、状态估计、规划和控制软件栈，并通过多种环境实验验证其鲁棒性与可复现性。
2025-11-08 cs.RO
Behavioral Repertoires for Soft Tensegrity Robots
Union College（联合学院）
移动软体机器人在从城市搜索和救援到行星探索等领域提供了引人注目的应用。软机器人控制的一个关键挑战是，软材料施加的非线性动力学往往会导致复杂的行为是违反直觉的，难以建模或预测。因此，移动软体机器人的大多数行为都是通过经验试错和手动调整发现的。第二个挑战是，软材料很难以高保真度进行模拟，这导致在尝试发现或优化新行为时存在显著的现实差距。在这项工作中，我们采用了质量多样性算法运行模型上的物理软张拉整体机器人，自主生成的行为剧目没有先验知识的机器人动力学，和最小的人为干预。由此产生的行为剧目显示了独特的机车步态的多样性，适用于各种任务。这些结果有助于提供一个路线图，通过现实世界的自动化增加移动软体机器人的行为能力。
2020-11-25 cs.AI 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
Real2Sim2Real Transfer for Control of Cable-driven Robots via a Differentiable Physics Engine
Rutgers University（罗格斯大学）；Yale University（耶鲁大学）
本文提出 Real2Sim2Real 策略，利用可微分物理引擎和少量真实机器人数据迭代优化仿真模型，从而发现可直接迁移到真实张拉整体机器人的运动控制策略。
2023-09-17 cs.AI cs.GR cs.LG
Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model
Rutgers University（罗格斯大学）；Yale University（耶鲁大学）
针对张拉整体机器人接触丰富动力学建模难的问题，提出结合接触感知GNN动力学模型与混合MPPI控制器的导航方法，在复杂环境中显著提升预测精度与导航性能。
2026-09-09 cs.RO
Don't Just Search, Understand: Semantic Path Planning Agent for Spherical Tensegrity Robots in Unknown Environments
针对球形张拉整体机器人在未知环境中路径规划缺乏语义理解导致冗余搜索的问题，提出基于LLM的语义智能体SATPlanner，通过自适应观测窗口动态调整感知范围，在保持路径质量的同时实现100%成功率并显著减少搜索空间。
2025-11-03 cs.RO
Multifunctional physical reservoir computing in soft tensegrity robots
School of Information Science and Technology, The University of Tokyo, Tokyo, Japan（信息科学与技术学系，东京大学，东京，日本）；Next Generation Artificial Intelligence Research Center (AI Center), The University of Tokyo, Tokyo, Japan（下一代人工智能研究中心（AI中心），东京大学，东京，日本）
本研究基于物理储层计算框架，通过仿真实现软体张拉整体机器人的多行为嵌入控制，发现系统存在反映机器人固有特性的未训练吸引子，为具身认知研究提供新方向。
2025-07-29 cs.LG cs.RO nlin.CD
Seeking Quality Diversity in Evolutionary Co-design of Morphology and Control of Soft Tensegrity Modular Robots
University of Trento（特伦托大学）
由于形态学和控制器之间的非平凡相互作用，设计最佳的软模块化机器人是困难的。进化算法（EA），结合物理模拟器，代表了一个有效的工具来克服这个问题。在这项工作中，我们研究的算法解决方案，以提高质量多样性的协同进化设计的张拉整体软模块化机器人（TSMRs）的两个机器人任务，即达到目标和挤压通过一个狭窄的通道。为此，我们使用三种不同的EA，即，MAP-Elites和两种自定义算法：一种基于生存力进化（ViE）和NEAT（ViE-NEAT），另一种称为双映射MAP-Elites（DM-ME），旨在寻求多样性，同时共同进化机器人形态和基于神经网络（NN）的控制器。详细地说，DM-ME扩展了MAP-Elites，因为它使用两个不同的特征图，分别指形态和控制器，并集成了一种机制来自动定义NN相关的特征描述符。考虑到适应度，在目标达成任务中，ViE-NEAT优于MAP-Elites，结果相当于DM-ME。相反，当考虑特征空间的“照明”方面的多样性时，DM-ME在两个任务上都优于其他两种算法，提供了更丰富的可能的机器人设计池，而ViE-NEAT在目标达成上显示出与MAP-Elites相当的性能，尽管它不利用任何地图。
2021-04-25 cs.NE cs.RO
Adaptive Tensegrity Locomotion on Rough Terrain via Reinforcement Learning
Rutgers University（罗格斯大学）
张拉整体机器人的动力学特性使其具有吸引人的耐用性和适应性，但在运动控制方面存在重大挑战。由于接触响应的高维性和复杂性，数据驱动的方法适合于产生可行的反馈策略。引导策略搜索（GPS）是一种用于优化和强化学习的样本高效和无模型混合框架，最近已被用于在平坦或略微变化的表面上产生球形6杆张拉整体机器人的周期性运动。这项工作提供了一个扩展到非周期性的运动，并实现粗糙的地形穿越，这需要更广泛的变化，自适应，和非周期性的漫游行为。该贡献改变了GPS的控制优化步骤，其局部拟合和利用动力学的代理模型，并采用现有的监督学习步骤。所提出的解决方案采用了新的过程，以确保有效的本地建模，尽管在粗糙的地形运动的样本数据的无序性。仿真结果表明，所得到的控制器保持高度自适应的行为，可靠地穿越崎岖的地形。
2018-09-27 cs.RO
An Untethered Bioinspired Robotic Tensegrity Dolphin with Multi-Flexibility Design for Aquatic Locomotion
Dartmouth College（达特茅斯学院）；University of Virginia（弗吉尼亚大学）
本研究提出一种采用多柔性设计的无系绳仿生张拉整体海豚机器人，通过可调硅橡胶尾部、绳驱动系统与可打印脊柱实现类海豚柔性运动，验证了提升仿生机器人柔性对实现类海豚运动的潜力。
2024-11-01 cs.AI cs.RO
A Recurrent Differentiable Engine for Modeling Tensegrity Robots Trainable with Low-Frequency Data
Rutgers University（罗格斯大学）
张拉整体机器人由刚性杆和柔性索组成，由于存在复杂的动力学和大量自由度，很难精确建模和控制。微分物理引擎最近已被提出作为一种数据驱动的方法，这种复杂的机器人系统的模型识别。这些引擎通常以高频率执行，以实现精确的仿真。然而，由于现实世界传感器的限制，用于训练可微分引擎的地面真实轨迹通常在如此高的频率下不可用。目前的工作重点是这种频率失配，这影响建模精度。我们提出了一种递归结构的可微物理引擎的张拉整体机器人，它可以有效地训练，即使低频轨迹。为了训练这种新的经常性引擎在一个强大的方式，这项工作介绍相对于以前的工作：（i）一个新的隐式集成方案，（ii）一个渐进的训练管道，和（iii）可微碰撞检查。MuJoCo上的NASA二十面体SUPERballBot模型被用作地面实况系统来收集训练数据。模拟实验表明，一旦循环微分引擎已经训练给定的低频轨迹从MuJoCo，它能够匹配MuJoCo的系统的行为。成功的标准是使用可微分引擎学习的运动策略是否可以被转移回地面实况系统并导致类似的运动。值得注意的是，训练可微分引擎使得策略可转移到地面实况系统所需的地面实况数据的量是直接在地面实况系统上训练策略所需的数据的1%。
2022-07-06 cs.AI cs.GR cs.LG
Geometric Static Modeling Framework for Piecewise-Continuous Curved-Link Multi Point-of-Contact Tensegrity Robots
University of Alabama（阿拉巴马大学）
本文针对由两根半圆形曲杆和12根缆索构成的TeXploR张拉整体机器人，提出几何静力学建模框架，首次对非球形两点接触系统进行运动学与几何建模，并通过实验验证了模型精度。
2024-11-21 cs.RO
Soft yet Effective Robots via Holistic Co-Design
Laboratory for Information & Decision Systems（信息与决策系统实验室）；Massachusetts Institute of Technology（麻省理工学院）；Delft University of Technology（代尔夫特理工大学）；Scuola Superiore Sant’Anna（圣安娜高等学院）；Embodied AI AG（具身人工智能有限公司）；EPFL（瑞士联邦理工学院）；National University of Singapore（新加坡国立大学）；Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室）
本文针对软体机器人设计中任务性能与耐久性、可制造性难以兼顾的问题，提出整体协同设计框架，通过纳入多元设计价值、结合现实原型与代理指标，同时优化功能、耐久和可制造性。
2026-09-30 cs.RO
Redundancy Resolution in Kinematic Control of Serial Manipulators in Multi-Obstacle Environment
IMT Atlantique Bretagne Pays de la Loire（大西洋布列塔尼卢瓦尔河国家高等矿业电信学校）；Centre National de la Recherche Scientifique (CNRS)（法国国家科学研究中心）
研究了一种由多个张拉整体组成的串联机械臂在多障碍物环境中运动时的冗余度分解问题。将一般问题分解为两个子问题，分别处理机器人末端执行器的无碰撞路径规划和机器人本体的无碰撞运动规划。第一个问题用离散动态规划求解，第二个问题用混合线性等式/非等式约束的二次规划求解。所提出的技术的效率是通过模拟确认。
2021-08-02 cs.RO
Covy: An AI-powered Robot with a Compound Vision System for Detecting Breaches in Social Distancing
Delft University of Technology（代尔夫特理工大学）；Prince Sultan University（苏丹王子大学）
本文介绍了一种复合视觉系统，使机器人定位的人高达15米远，使用廉价的相机。并且，它提出了一个强大的导航堆栈，结合了深度强化学习（DRL）和概率定位方法。为了测试这些系统的有效性，我们制作了一个低成本的移动机器人原型，我们称之为Covy。Covy可用于在流行病期间促进社交距离或估计人群密度等应用。我们通过在模拟和现实环境中进行的大量实验来评估Covy的性能。我们的研究结果表明，Covy的复合视觉算法使所使用的深度相机的范围增加了一倍，并且其混合导航堆栈比纯粹的基于DRL的导航堆栈更鲁棒。
2022-08-23 cs.AI cs.RO
Learning Ball-balancing Robot Through Deep Reinforcement Learning
Zhejiang University（浙江大学）；Shanghai Jiao Tong University（上海交通大学）；Tencent Robotics X（腾讯Robotics X）
球平衡机器人是测试平衡控制器有效性的良好平台。考虑到平衡控制，传统的基于模型的反馈控制方法得到了广泛的应用。然而，接触和碰撞很难建模，并且经常导致平衡控制失败，特别是当球机器人倾斜大角度时。为了探索球机器人的最大初始倾斜角度，平衡控制被解释为一个恢复任务，使用强化学习（RL）。RL对于难以建模的系统来说是一种强大的技术，因为它允许代理通过与环境交互来学习策略。本文将常规反馈控制器与RL方法相结合，提出了一种复合控制器。我们通过训练代理成功地执行涉及接触和碰撞的恢复任务来显示复合控制器的有效性。仿真结果表明，与传统的基于模型的控制器相比，使用复合控制器，球机器人可以在更大的初始倾斜角设置下保持平衡。
2022-08-22 cs.RO
One-Shot Hierarchical Imitation Learning of Compound Visuomotor Tasks
UC Berkeley（加州大学伯克利分校）
我们考虑的问题，学习多阶段的视觉为基础的任务在一个真正的机器人从一个单一的视频的人执行的任务，同时利用演示数据的子任务与其他对象。这一问题提出了若干重大挑战。没有遥操作的视频演示很容易为人类提供，但不提供任何直接的监督。从原始像素学习策略可以实现完全的通用性，但需要学习具有许多参数的大型函数逼近器。最后，复合任务可能需要不切实际的演示数据量，当被视为一个整体的技能。为了解决这些挑战，我们提出了一种方法，学习如何学习原始的行为，从视频演示和如何动态地组成这些行为来执行多阶段的任务，通过“看”一个人的演示。我们的研究结果模拟Sawyer机器人和真正的PR2机器人说明了我们的方法学习各种订单履行和厨房服务任务与新的对象和原始像素输入。
2018-10-25 cs.AI cs.CV cs.LG
Multi-Object Graph Affordance Network: Goal-Oriented Planning through Learned Compound Object Affordances
Bogazici University（博阿齐奇大学）；TUBITAK BILGEM（土耳其科学技术研究理事会信息科学与安全研究所）
本文提出多物体图关联网络，通过图神经网络学习复合物体关联性，预测物体与复合体交互结果，并规划堆叠、插入和穿过等动作序列，在模拟和真实环境中验证了有效性。
2024-12-17 cs.AI cs.RO
The Holy Grail of Multi-Robot Planning: Learning to Generate Online-Scalable Solutions from Offline-Optimal Experts
University of Cambridge（剑桥大学）；DEVCOM Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）
许多多机器人规划问题都受到维数灾难的困扰，这使得将解决方案应用于大规模问题实例的难度增加。在多机器人规划中使用基于学习的方法具有很大的希望，因为它使我们能够将昂贵但最佳的求解器的在线计算负担卸载到离线学习过程中。简单地说，这个想法是训练一个策略来复制一个小规模系统生成的最优模式，然后将该策略转移到更大的系统中，希望学习到的策略可以扩展，同时保持接近最优的性能。然而，一些问题阻碍了我们充分发挥这一想法的潜力。这份不切实际的文件阐述了仍然存在的一些关键挑战。
2021-07-26 cs.LG cs.MA cs.RO
Coordinated Multi-Robot Disassembly for Makespan Optimization of Large-Scale Assemblies
Technical University of Berlin（柏林工业大学）；Robotics Institute Germany (RIG)（德国机器人研究所）
针对大规模装配体拆卸的多机器人规划问题，提出CoMuDi方法，集成ST-RRT*规划器，经多组装配体实验验证其能最小化完工时间且成功率高、空闲时间短。
2026-08-07 cs.RO
An Integrated Dynamic Method for Allocating Roles and Planning Tasks for Mixed Human-Robot Teams
Istituto Italiano di Tecnologia（意大利技术研究院）；Politecnico di Milano（米兰理工大学）
提出了一种新的基于行为树的混合人-机器人团队任务规划与分配的集成动态方法。行为树的制定允许编码一个单一的工作作为一个复合的不同的任务与时间和逻辑约束。这样，角色分配问题不再是离线集中式优化问题，而是由多个简化的在线优化子问题求解，没有复杂的、跨调度的任务依赖关系。这些子问题被定义为混合线性规划，即根据工人行动相关的成本和工人的可用性，在可用的工人之间分配尚未执行的任务。为了表征所开发的方法的行为，我们选择进行不同的模拟实验，其中的动作工作分配和计算复杂性的结果进行评估。所得到的结果，由于算法的性质和模拟代理的行为的可能性，也应该很好地描述算法在实际实验中的表现。
2023-01-19 cs.AI cs.RO
CURE: Simulation-Augmented Auto-Tuning in Robotics
University of South Carolina（南卡罗来纳大学）；Texas A&M University（德克萨斯农工大学）；Carnegie Mellon University（卡内基梅隆大学）
CURE通过识别因果相关配置选项并利用仿真学习因果模型，缩减搜索空间，实现机器人配置的快速自动调优，并验证了其在物理机器人和仿真间的可迁移性。
2025-02-25 cs.AI cs.RO
Hierarchical LLM-Based Multi-Agent Framework with Prompt Optimization for Multi-Robot Task Planning
Data Science Laboratories, NEC Corporation（日本电气株式会社数据科学实验室）
本文提出一种分层多智能体框架，结合提示优化提升多机器人任务规划的准确性和效率。
2026-02-26 cs.AI cs.MA cs.RO
BAMAX: Backtrack Assisted Multi-Agent Exploration using Reinforcement Learning
Thoughtworks India Pvt Ltd.（Thoughtworks印度私人有限公司）
针对多机器人协作完全探索未知环境的难题，提出基于强化学习的回溯辅助多智能体探索方法BAMAX，利用回溯机制提升探索效率，实验证明其在多种六边形网格中实现了更快的覆盖率和更少的回溯。
2024-11-13 cs.AI cs.RO
Learning Risk-aware Costmaps for Traversability in Challenging Environments
Georgia Institute of Technology（佐治亚理工学院）；NASA Jet Propulsion Laboratory, California Institute of Technology（美国国家航空航天局喷气推进实验室，加州理工学院）；University of Goettingen（哥廷根大学）
在未知和非结构化环境中自主机器人探索和导航的主要挑战之一是确定机器人可以或不能安全移动的位置。一个重要的困难来源，在这个决定来自随机性和不确定性，来自定位误差，传感器稀疏性和噪声，难以建模的机器人地面相互作用，和干扰的车辆的运动。解决这个问题的经典方法依赖于对周围地形的几何分析，这可能容易产生建模错误，并且计算成本很高。此外，建模不确定的可通行性成本的分布是一项艰巨的任务，由上述各种误差源。在这项工作中，我们采取原则性的学习方法来解决这个问题。我们引入了一个神经网络架构，鲁棒学习的可通行性成本的分布。因为我们的动机是保护机器人的生命，所以我们从学习尾部风险的角度来解决这个学习问题，即条件风险价值（CVaR）。我们表明，这种方法可靠地学习预期的尾部风险给定一个期望的概率风险阈值在0和1之间，产生一个遍历成本图，这是更强大的离群值，更准确地捕捉尾部风险，更计算效率，当与基线相比。我们验证我们的方法收集的数据足式机器人导航具有挑战性的，非结构化的环境，包括废弃的地铁，石灰岩洞穴，熔岩管洞穴。
2022-09-04 cs.AI cs.LG cs.RO
