A Methodology for Dynamic Parameters Identification of 3-DOF Parallel Robots in Terms of Relevant Parameters
本文提出了一种基于相关参数的3自由度并联机器人动态参数识别方法，通过简化几何结构和对称性，利用加权最小二乘法进行参数识别，并通过实验验证了识别模型的正向动力学响应。
2026-03-16 cs.RO
Nonlinear System Identification of Soft Robot Dynamics Using Koopman Operator Theory
University of Michigan（密歇根大学）
软体机器人的建模在很大程度上由于软材料的非线性特性而具有挑战性。幸运的是，这种柔软性使得在随机控制输入下安全地观察它们的行为成为可能，使它们适合大规模数据汇集和系统辨识。本文实现和评估的系统辨识方法的基础上Koopman算子理论，其中模型的非线性动力系统的构建通过线性回归的观测数据，利用的事实是，每个非线性系统具有一个线性表示在无限维空间的实值函数称为可观的。该方法不受其他非线性系统辨识方法的一些缺点的影响，这些方法通常需要手动调整训练参数并且具有有限的收敛保证。用该方法建立了气动软体机器人手臂的动力学模型，并用于预测实际系统的行为。其预测的总归一化根均方误差（NRMSE）低于其他几种识别模型，包括神经网络，NLARX，非线性Hammerstein-Wiener，线性状态空间模型。
2019-05-02 cs.RO
Singularities of serial robots: Identification and distance computation using geometric algebra
KU Leuven（鲁汶大学）；University of Cambridge（剑桥大学）
串联机器人操作器的奇异性是指机器人失去至少一个方向移动能力的配置。因此，他们的识别是根本，以提高当前的控制和运动规划策略的性能。虽然经典的方法需要计算一个6 × n或n × n矩阵的n自由度串联机器人的行列式，这项工作解决了一种新的奇异性识别方法的基础上建模的扭曲定义的关节轴的机器人作为向量的六维和三维几何代数。特别是，它包括确定哪些配置导致这些扭转的外积为零。此外，由于转子表示几何代数中的旋转，一旦这些奇点被识别，在配置空间C中定义距离函数，使得其对奇异配置集合S的限制允许我们计算任何配置到给定奇点的距离。该距离函数用于增强在三种不同场景中如何处理奇异点，即运动规划、运动控制和双边遥操作。
2021-09-26 cs.CG cs.RO
Zero-Shot Parameter Learning of Robot Dynamics Using Bayesian Statistics and Prior Knowledge
Laboratory of Machine Tools and Production Engineering of RWTH Aachen University（鲁尔大学亚琛机械加工与生产工程实验室）；Business Unit Motion Control of Siemens AG（西门子股份公司运动控制业务单元）
针对传统机器人参数辨识需大量测量且忽略先验信息的问题，提出基于贝叶斯统计的零样本参数学习方法，结合先验知识在少量或无额外测量下学习，确保物理可行性与置信区间。
2025-06-24 cs.RO cs.SY eess.SY
A new closed-loop output error method for parameter identification of robot dynamics
Université de Nantes（南特大学）；HAPTION S.A（哈普申公司）；Laboratoire Central des Ponts et Chaussées（法国路桥中央实验室）
离线机器人动力学辨识方法大多基于逆动力学模型的使用，逆动力学模型相对于动力学参数是线性的。当机器人跟踪激励系统动力学的参考轨迹时，对该模型进行采样。这允许使用线性最小二乘技术来估计参数。通过对多台样机和工业机器人的实验识别，证明了该方法的有效性。然而，该方法需要通过以高采样率对关节位置进行带通滤波来进行关节力/扭矩和位置测量以及关节速度和加速度的估计。所提出的新方法只需要关节力/扭矩测量。这是一种闭环输出误差方法，其中通常的关节位置输出被关节力/扭矩代替。它是基于一个闭环仿真的机器人使用的直接动力学模型，相同的结构的控制律，和相同的参考轨迹的实际和模拟的机器人。最佳参数最小化实际力/扭矩和模拟力/扭矩之间的误差的2-范数。这是一个非线性最小二乘问题，使用逆动力学模型可以大大简化该问题，以获得模拟力/扭矩的解析表达式，参数为线性。通过对一个2自由度直接驱动机器人的实验验证了该方法的有效性。
2010-09-23 cs.RO
Provably-Safe, Online System Identification
Robotics Institute, University of Michigan（密歇根大学机器人研究所）
本文提出一个集成框架，通过在线轨迹规划与控制生成可证明安全的激励轨迹，结合鲁棒系统辨识方法计算严格过近似边界，使机器人在满足约束和避障的同时安全自动辨识未知负载惯性参数。
2025-04-30 cs.RO
Optimal Parameter Identification for Discrete Mechanical Systems with Application to Flexible Object Manipulation
University of Colorado（科罗拉多大学）
本文提出了一种通过测量柔性物体与操作臂相互作用过程中的力和位移来进行柔性物体系统辨识的方法。与以前的工作不同，建议的最优控制方法，使用变分积分器允许识别闭环，其中包括机器人手臂本身。这允许使用所得到的模型来规划机器人的配置空间。为了有效地解决由此产生的问题，我们开发了一种新的方法，用于快速离散时间伴随的梯度计算。该方法的可行性证明了使用全物理仿真在trep和使用7自由度系列弹性机器人手臂记录的数据。
2014-02-12 cs.RO
Feasible Region-based Identification Using Duality (Extended Version)
Carnegie Mellon University（卡内基梅隆大学）
我们考虑的问题，估计界限的参数表示的任务由个人机器人在多机器人系统。在我们以前的工作中，我们推导出必要条件的基础上的持久性的激发分析，这些参数的精确识别。我们的结论是，根据机器人的任务，个别机器人的动态可能无法满足这些条件，从而防止精确的推断。作为这项工作的延伸，本文侧重于估计界限的任务参数时，这些条件不满足。团队中的每个机器人都使用基于优化的控制器来协调任务满意度和避免碰撞。我们使用KKT条件的这种优化和SVD的主动防撞约束，推导出显式的拉格朗日乘子，机器人动力学和任务参数之间的关系。使用这些关系，我们能够推导出每个机器人的任务参数的界限。通过数值模拟，我们展示了我们提出的基于区域的识别方法如何在传统估计器（如UKF）失败时生成参数的可行区域。此外，经验证据表明，这种方法产生的收缩集收敛到真实的参数比UKF估计收敛的速度快得多。这些结果的视频可在https://bit.ly/2JDMgeJ上获得
2020-11-08 cs.RO math.OC
Parameter Identification and Motion Control for Articulated Rigid Body Robots Using Differentiable Position-based Dynamics
Advanced Robotics and Controls Lab, University of California San Diego（加州大学圣地亚哥分校先进机器人与控制实验室）
机器人、物体和环境的仿真建模是所有基于模型的控制和学习的基础。它广泛应用于动态规划和模型预测控制，以及用于模仿、转移和强化学习的数据生成。除了保真度，这些控制和学习环境中模型的关键特征是速度，稳定性和本地可微性。然而，当今许多流行的机器人仿真平台至少缺乏上述功能之一。最近，基于位置的动力学（PBD）由于其速度和稳定性，已成为一种非常流行的模拟工具，用于建模刚性和非刚性物体相互作用的复杂场景，并开始在机器人中获得显着的兴趣，因为它在基于模型的控制和学习中的潜在用途。因此，在本文中，我们提出了一个数学公式耦合基于位置的动力学（PBD）仿真和最优机器人设计，基于模型的运动控制和系统辨识。我们的框架打破了PBD的定义和衍生的各种类型的关节为基础的铰接刚体。提出了一种基于自动微分的反向传播算法，该算法可以同时集成位置和角度约束。我们的框架可以严格地提供原生梯度信息，并执行基于梯度的优化任务。我们还提出了铰接联合模型表示和模拟工作流程，我们的微分框架。我们证明了该框架在高效的最优机器人设计，准确的轨迹扭矩估计和支持弹簧刚度估计，我们实现了微小的误差的能力。我们还实现了阻抗控制在真正的机器人，以证明我们的微分框架在人在环应用的潜力。
2022-01-15 cs.RO
Dynamic Task Execution using Active Parameter Identification with the Baxter Research Robot
Northwestern University（西北大学）
本文介绍了实验结果的实时参数估计的系统模型和随后的轨迹优化的动态任务，使用Baxter研究机器人从Rethink机器人。一个积极的估计最大限度地提高费舍尔信息被用于实时与闭环，非线性控制技术，称为顺序动作控制。Baxter的任务是估计连接到从夹具悬挂的负载的字符串的长度，其中称重传感器为估计器提供单一的反馈源。在主动估计之后，使用trep软件包生成轨迹，该软件包控制Baxter将悬挂负载动态摆动到箱子中。几个试验不同的初始估计表明，估计需要获得足够的开环轨迹来完成规定的任务。附带的视频中还显示了使用和不使用主动估计的一次试验的结果。
2017-09-11 cs.RO
Model-Based Identification and Control of a One-Legged Hopping Robot
Bilkent University（比尔肯特大学）
弹簧-质量模型是分析和控制腿运动的成熟工具。其中，弹簧加载倒立摆（SLIP）模型已被证明是一个非常准确的描述动物运动。尽管SLIP模型被广泛使用，但它包含了不可积的姿态动力学，这使得它的运动方程无法得到解析解。幸运的是，对于不同的SLIP变体有近似的解析解。然而，这种近似的实用性主要是在模拟研究中进行测试，有几个明显的例外。这篇论文延伸到最近的近似髋关节扭矩驱动耗散SLIP（TD-SLIP）模型，使用扭矩驱动，以补偿能量损失。系统的实验仔细评估的近似解析解的预测性能，提出了一个良好的仪器单腿跳跃机器人的修订，以提高系统的兼容性和准确性。根据TD-SLIP模型修改了机器人的电子结构，使机器人使用实时操作系统来提高处理速度。利用近似解析解的预测性能所产生的参数和结果，在机器人平台上设计并实现了基于模型的控制器，以在单腿跳跃机器人平台上产生稳定的闭环运行行为。此外，在实验平台上的立场阶段的地面反作用力进行了调查，并与人类运行和传统的SLIP模型的数据进行比较，以了解扭矩驱动的模型更好地接近自然运动比传统的模型。
2018-02-26 cs.RO
Real-time Model Predictive Control and System Identification Using Differentiable Physics Simulation
University of Hong Kong（香港大学）；Stanford University（斯坦福大学）
在模拟环境中开发机器人控制器是有利的，但将控制器转移到目标环境中存在挑战，通常被称为“模拟与真实的差距”。我们提出了一种方法，用于在将机器人部署到动态变化的目标环境后，不断改进建模和控制。我们开发了一个可微物理仿真框架，该框架同时执行在线系统辨识和最优控制，使用来自目标环境的实时的观测。为了确保鲁棒的系统辨识对噪声观测，我们设计了一种算法来评估我们估计的参数的置信度，使用数值分析的动态方程。为了确保实时的最优控制，我们自适应地安排未来的优化窗口，以便优化的动作可以比它们被消耗的更快地被补充，同时尽可能地保持最新的传感器信息。基于不断改进的模型的不断重新规划使机器人能够快速适应不断变化的环境，并以最有效的方式利用真实世界的数据。由于一个快速可微的物理模拟器，优化系统辨识和控制可以有效地解决机器人在实时的操作。我们证明了我们的方法在一组模拟的例子，并表明我们的结果是有利的基线方法相比。
2022-11-23 cs.GR cs.RO
Online Learning-Based Inertial Parameter Identification of Unknown Object for Model-Based Control of Wheeled Humanoids
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出一种基于在线学习的惯性参数估计框架，利用端到端学习仅凭机器人本体感觉快速辨识未知物体参数，并通过真实到仿真适配和高斯过程处理建模误差，在约0.1秒内实现高精度估计，提升轮式人形机器人模型控制性能。
2024-08-21 cs.RO
Context is Everything: Implicit Identification for Dynamics Adaptation
New York University（纽约大学）
了解环境动态对于机器人在世界上安全和最佳地行动是必要的。在现实场景中，动态是非平稳的，即使在训练过程中，也不一定能精确测量或推断环境参数等因果变量。我们提出了动态适应隐式识别（IIDA），这是一种简单的方法，可以让预测模型适应不断变化的环境动态。IIDA假设无法访问世界上的真实变化，而是从少量的上下文数据中隐式地推断环境的属性。我们展示了IIDA的能力，在看不见的环境中，通过一套模拟实验MuJoCo环境和一个真正的机器人动态滑动任务。一般来说，IIDA显着降低了模型误差，并导致更高的任务性能比常用的方法。我们的代码和机器人视频位于https://bennevans.github.io/iida/
2022-03-10 cs.AI cs.LG cs.RO
Hierarchical Human-Motion Prediction and Logic-Geometric Programming for Minimal Interference Human-Robot Tasks
University of Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Technische Universität Berlin（柏林工业大学）
在本文中，我们解决的问题，人与机器人协调的操作任务序列。我们的方法将分层人体运动预测与任务和运动规划（TAMP）集成在一起。我们首先设计了一个分层的运动预测方法相结合的逆强化学习和短期运动预测使用递归神经网络。在第二步中，我们提出了一个动态版本的TAMP算法逻辑几何规划（LGP）。我们的动态LGP版本定期重新扫描，以处理人类运动预测和实际人类行为之间的不匹配。我们通过训练预测算法并在公开的MoGaze数据集上测试框架来评估该方法的有效性。
2021-07-05 cs.RO
Trajectory-based actuator identification via differentiable simulation
Moscow Institute of Physics and Technology (MIPT)（莫斯科物理技术学院）
本文提出一种基于轨迹的执行器识别方法，利用可微模拟从编码器运动数据中拟合系统级执行器模型，无需扭矩传感器等设备，提升了机器人仿真与真实行为的衔接精度。
2026-04-16 cs.RO
Adaptive Model-Base Control of Quadrupeds via Online System Identification using Kalman Filter
Robotics Innovation Center, German Research Center for Artificial Intelligence (DFKI GmbH)（机器人创新中心，德国人工智能研究中心（DFKI GmbH））；AG Robotik, University of Bremen（机器人技术研究所，不莱梅大学）；Dynamics Division, Department of Mechanics & Maritime Sciences, Chalmers University of Technology（动力学研究所，机械与海洋科学系，查尔姆斯理工大学）
针对足式机器人模型基控制依赖固定模型、难以适配可变负载的问题，提出基于卡尔曼滤波器的在线质量与质心辨识方法，提升了强噪声下的鲁棒性与变负载时的控制跟踪性能。
2025-06-16 cs.RO
Kinematic analysis of a parallel robot for minimally invasive surgery
CESTER, Technical University of Cluj-Napoca（克卢日-纳波卡技术大学 CESTER）；École Centrale Nantes, Nantes Université, CNRS, LS2N, UMR 6004（南特中央理工大学、南特大学、法国国家科学研究中心、LS2N实验室、UMR 6004）；Technical Sciences Academy of Romania（罗马尼亚技术科学院）
本文研究了6自由度微创手术并联机器人PARA-SILSROB的运动学建模，推导了移动定向平台的正逆运动学模型闭式解，并通过数值仿真验证了内窥镜摄像机重新定向时主动器械的自动补偿运动。
2024-06-04 cs.RO
Efficient Skill Acquisition for Complex Manipulation Tasks in Obstructed Environments
University of Oxford（牛津大学）
机器人技能获取的数据效率对于在各种小批量装配环境中操作机器人至关重要。为了在这样的环境中工作，机器人必须具有强大的避障能力和多功能的目标调节能力，这些能力只需要几个简单的演示就可以获得。然而，现有的方法达不到这些要求。深度强化学习（RL）使机器人能够学习复杂的操作任务，但由于样本效率低下和安全问题，通常限于现实世界中的小任务空间。运动规划（MP）可以在有障碍的环境中生成无碰撞路径，但不能解决复杂的操纵任务，并且需要通常由用户或对象特定的姿态估计器指定的目标状态。在这项工作中，我们提出了一个系统，有效的技能获取，利用对象为中心的生成模型（OCGM）的通用目标识别，以指定一个目标MP结合RL解决复杂的操作任务在障碍环境。具体来说，OCGM实现了一次性目标物体识别和新场景中的重新识别，允许MP引导机器人到达目标物体，同时避开障碍物。这与技能转换网络相结合，该网络弥合了MP的终端状态与样本高效RL策略的可行起始状态之间的差距。实验表明，我们的基于OCGM的一次性目标识别提供了竞争力的准确性，其他基线方法，我们的模块化框架优于竞争力的基线，包括国家的最先进的RL算法，由一个显着的利润率复杂的操作任务在障碍环境。
2023-03-06 cs.LG cs.RO
Integrated Identification of Collaborative Robots for Robot Assisted 3D Printing Processes
Department of Engineering “Enzo Ferrari”, University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学“恩佐·法拉利”工程系）
本文提出了一种基于模型的集成识别方法，用于识别协作机器人、执行器和控制器的参数，以提高机器人辅助3D打印过程的精度和误差预测能力。
2026-04-02 cs.RO cs.SY eess.SY
Guarantees for Real Robotic Systems: Unifying Formal Controller Synthesis and Reachset-Conformant Identification
Technical University of Munich（慕尼黑工业大学）
针对安全关键场景中形式化属性难以转移到真实机器人的问题，提出将可达集一致性模型辨识与控制器综合相结合的方法，确保模型安全属性可转移到真实机器人，并通过真实机器人跟踪控制实验验证了其可转移性。
2023-09-12 cs.RO cs.SY eess.SY
Collision Isolation and Identification Using Proprioceptive Sensing for Parallel Robots to Enable Human-Robot Collaboration
Leibniz University Hannover（汉诺威莱布尼茨大学）
本文提出基于本体感知的并联机器人碰撞隔离与识别方法，利用外力作用线特征和FNN分类碰撞本体，并结合显式解与粒子滤波估计接触位置和力。
2023-08-18 cs.RO cs.SY eess.SY
Identification Algorithm to Determine the Trajectory of Robots with Singularities
奇异性是机器人控制中的一个重要问题。通过为机器人确定合适的轨迹，可以避免奇异情况。本文提出了一种识别算法来控制机器人，使其能够改变其方向，以避免奇异的情况。基于奇异值分解，提出了一种适用于非冗余单秩机器人的控制算法。所提出的方法是采用六个自由度的机器人，以确定其可行的轨迹。关键词：奇异性;轨迹辨识;机器人控制;辨识算法;奇异值分解。
2019-08-23 cs.RO
Cable-driven robotic interface for lower limb neuromechanics identification
Imperial College of Science, Technology and Medicine（帝国理工学院）；Queen Mary University of London（伦敦玛丽女王大学）；University of Waterloo（滑铁卢大学）；Toronto Rehabilitation Institute-University Health Network（多伦多康复研究所-大学健康网络）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文提出了一种通用的电缆驱动的机器人接口，调查髋关节，膝关节和踝关节的单关节神经力学。这种基于端点的接口提供了高度动态的交互和精确的位置控制，这通常是神经力学识别所需的。它可以与受试者直立使用，对应于行走或站立期间的自然姿势，并且与现有接口相比，不会对关节施加运动学约束。力学性能测试表明，该界面的硬度在500 N/m以上，粘度较低。利用刚性假腿和线性弹簧进行的实验表明，该方法能够准确地识别肢体的机械阻抗。一个光滑的扰动开发和测试与人类受试者，它可以用来估计髋关节神经力学。
2020-06-21 cs.RO cs.SY eess.SY
Optimization-Based System Identification and Moving Horizon Estimation Using Low-Cost Sensors for a Miniature Car-Like Robot
Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）
本文提出一种低成本开源微型类车机器人，采用改进自行车模型和优化系统辨识，结合移动视界估计，实现高精度状态估计与鲁棒控制，并在传感器故障下保持性能。
2024-12-14 cs.RO cs.SY eess.SY
System Identification of Thrust and Torque Characteristics for a Bipedal Robot with Integrated Propulsion
Northeastern University（东北大学）
本论文针对带集成推进装置的双足机器人Harpy，研究其推力与扭矩特性的系统辨识，通过仿真预测、推进器集成测试及电机扭矩表征，提升系统的鲁棒性、可控性与可预测性。
2025-04-28 cs.RO cs.SY eess.SY
Active Embodiment Identification with Reinforcement Learning for Legged Robots
Department of Computer Science, Technical University of Darmstadt（德累斯顿技术大学计算机科学系）；Robotics Institute Germany (RIG)（德国机器人研究所（RIG）；德国人工智能研究中心（DFKI）；hessian.AI）；German Research Center for AI (DFKI)；hessian.AI
本文提出一种结合信息寻求行为与显式具身预测的主动具身识别方法，通过仿真环境中的交互学习不同形态机器人的关节级和全局具身参数。
2026-05-08 cs.RO
Identification of Prototypical Task Executions Based on Smoothness as Basis of Human-to-Robot Kinematic Skill Transfer
University of Bremen（不来梅大学）
在本文中，我们研究人类到机器人的技能转移的基础上识别的原型任务执行聚类的一组例子，由人类示威者，其中平滑度和运动学特征分别代表技能和任务性能。我们从一个实验任务中，一个工具接触到一个目标速度的支持表面的数据，我们的技能转移方法。原型任务执行识别和转移到一个通用的机器人手臂仿真。结果说明了如何基于技能和性能特征的任务模型可以为机器人应用程序提供分析和设计标准。
2020-12-03 cs.RO
Data-driven Kinematic Modeling in Soft Robots: System Identification and Uncertainty Quantification
Iowa State University（爱荷华州立大学）；Arieca, Inc.（Arieca公司）
针对软体机器人运动学建模中的预测不确定性问题，本文比较多种机器学习模型并开发基于分裂保形预测的框架，以提供有理论保证的分布无关预测区间。
2025-07-10 cs.LG cs.RO cs.SY
Real-Time Visual Tracking and Identification for a Team of Homogeneous Humanoid Robots
University of Bonn（波恩大学）
使用一组人形机器人协作完成一项任务是一个越来越重要的研究领域。实现协作的挑战之一是机器人的相互识别和跟踪。这项工作提出了一种实时的【形】基于视觉的方法来检测和跟踪已知外观的机器人，基于静止的机器人捕获的图像。一个直方图的有向矢量描述符被用来检测机器人和机器人的航向估计的多类分类器。被跟踪的机器人根据磁力计读数报告自己的航向估计。对于跟踪，基于位置和航向的成本函数应用于每个轨迹，并且使用匈牙利算法找到检测到的机器人的全局最优标签。完整的识别和跟踪系统在足球场上使用两个igus人形开放平台机器人进行了测试。我们希望类似的系统可以用于其他人形机器人，如Nao和DARwIn-OP
2018-10-16 cs.CV cs.RO
System Identification and Control of Valkyrie through SVA--Based Regressor Computation
Texas A & M University（德州农工大学）；Georgia Institute of Technology（佐治亚理工学院）
本文利用空间向量代数(SVA)实现瓦尔基里人形机器人的同时辨识与控制，通过空间惯性张量计算动力学参数，提出高效算法实现回归器评估，用于在线系统辨识与基于模型的控制。
2016-09-12 cs.DS cs.RO cs.SY
Online Visual Robot Tracking and Identification using Deep LSTM Networks
University of Bonn（波恩大学）
在许多应用中，协作机器人在共同的任务上工作是必要的。在机器人团队中实现协作的挑战之一是相互跟踪和识别。我们提出了一种新的管道在线视觉为基础的检测，跟踪和识别机器人与已知的和相同的外观。我们的方法在有限的硬件上实时运行的观察员机器人。与以前的机器人跟踪和识别工作不同，我们使用基于递归神经网络的数据驱动方法来学习顺序输入和输出之间的关系。我们将数据关联问题表述为多分类问题。深度LSTM网络在模拟数据集上进行训练，并在少量真实数据集上进行微调。在两个具有挑战性的数据集上进行的实验，一个是合成数据集，一个是真实数据集，其中包括长期遮挡，显示出有希望的结果。
2018-10-16 cs.CV cs.RO
Follow me: an architecture for user identification and social navigation with a mobile robot
University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学）
本文提出一种移动机器人架构，结合计算机视觉、机器学习与人工智能算法实现用户识别和社会导航，以提升人机交互的直观性与友好性。
2024-05-02 cs.RO
Robust Embodied Self-Identification of Morphology in Damaged Multi-Legged Robots
Mechanical and Aerospace Engineering Department, Carleton University（卡洛尔大学机械与航空航天工程系）；Mechanical, Industrial, and Mechatronics Engineering Department, Toronto Metropolitan University（多伦多 Metropolitan 大学机械、工业与机电工程系）
本文提出一种基于低成本IMU数据的多足机器人自建模与损伤识别算法，通过引入FFT滤波器处理信号并比较姿态，实现对腿部缺失的自主适应，在不平整地形实验中验证了鲁棒性与计算效率。
2025-06-24 cs.RO
System Identification For Constrained Robots
Robotics Institute, University of Michigan（密歇根大学机器人研究所）；University of Stuttgart（斯图加特大学）
针对传统系统辨识方法不适用于带约束腿式机器人的问题，提出一种基于迭代最小二乘的受约束机器人系统参数辨识方法，经仿真和Digit人形机器人实验验证可提升控制器跟踪性能，代码已开源。
2024-08-16 cs.RO
Identification of geometrical and elastostatic parameters of heavy industrial robots
Centre National de la Recherche Scientifique（法国国家科学研究中心）；University of Nantes（南特大学）
研究了带重力补偿器的重型工业机器人的刚度建模问题。主要的注意力是支付的几何和弹性静力参数的识别和校准精度。为了减少测量误差的影响，一组的机械手配置校准实验进行了优化，相对于所提出的性能措施有关的末端执行器的位置精度。实验结果表明，所开发的技术的优点。
2013-11-26 cs.RO
Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation
Ghent University（根特大学）；Flanders Make（佛兰德制造）
针对机器人关节摩擦模型辨识的挑战，提出基于潜在动态状态的概率潜变量建模方法，通过神经网络参数化摩擦模型和潜在状态动力学，并利用EM算法求解最大似然估计，在Kuka KR6 R700平台上验证了开环预测精度的提升。
2024-12-20 cs.LG cs.RO cs.SY
Online Friction Coefficient Identification for Legged Robots on Slippery Terrain Using Smoothed Contact Gradients
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））
本文提出一种基于平滑接触梯度的足式机器人滑溜地形在线摩擦系数辨识框架，通过优化残差并引入拒绝方法，在四足机器人KAIST HOUND上实现了快速一致的辨识。
2025-02-24 cs.RO
Coordinate-Independent Robot Model Identification
本文提出一种不依赖坐标系的机器人模型识别方法，通过双度量诱导的系统黎曼度量对逆动力学残差进行加权，消除坐标偏倚，提高识别精度。
2026-09-25 cs.RO
RANSAC: Identification of Higher-Order Geometric Features and Applications in Humanoid Robot Soccer
The University of Newcastle（纽卡斯尔大学）；National ICT Australia (NICTA)（澳大利亚国家信息与通信技术研究院（NICTA））；The University of Melbourne（墨尔本大学）
一个自主智能体自我定位的能力与它在其局部环境中感知显著特征的准确度和精确度成正比。通过识别几何轮廓来识别这些特征允许对照明变化的鲁棒性，这在大多数工业机器人应用中是必要的。本文详细介绍了一个框架，随机样本共识（RANSAC）算法，经常适用于线性模型中的参数拟合，可以扩展到识别高阶几何特征。作为一个应用程序，在人形机器人足球球门柱识别的研究，与开发的系统产生一个数量级的改进，相对于传统的直方图方法的分类性能。
2013-10-22 cs.AI cs.CV cs.RO
Physically-Consistent Parameter Identification of Robots in Contact
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）；Roboverse Reply（Roboverse Reply公司）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Technical University of Munich (TUM)（慕尼黑工业大学）
本文提出通过将全身动力学投影到接触约束零空间，仅利用关节电流/扭矩测量辨识机器人惯性参数，并以线性矩阵不等式保证物理一致性，在Spot上验证了更高样本效率与跨步态泛化能力。
2025-03-18 cs.RO
An End-to-End Framework for Modelling Pneumatic Soft Robots Based on Differentiable Finite Element Methods
University of Oxford（牛津大学）
本文提出一个基于可微有限元方法的端到端框架，用于气动软体机器人的建模与系统辨识，通过自动网格生成和点云数据校准实现高精度建模，并支持轨迹优化，实验显示最大位置误差小于3毫米。
2026-10-06 cs.RO cs.SY eess.SY
CLUE-AI: A Convolutional Three-stream Anomaly Identification Framework for Robot Manipulation
Istanbul Technical University（伊斯坦布尔技术大学）
近年来，机器人安全一直是一个突出的研究课题，因为机器人更多地参与日常任务。设计所需的安全机制以使服务机器人能够意识到异常并对其做出反应是至关重要的（即，与预期结果的意外偏差）。检测和识别这些异常是满足这些要求的重要步骤。虽然提出了几种架构的异常检测，识别尚未彻底调查。这项任务具有挑战性，因为指标可能在发现异常现象之前很久就出现了。在本文中，我们提出了一个卷积三流异常识别（CLUE-AI）框架来解决这个问题。该框架融合了视觉，听觉和本体感受数据流，以识别日常物体操作异常。通过放置在机器人头部的RGB-D相机收集的2D图像流在自注意启用视觉阶段内进行处理，以捕获视觉异常指标。由放置在机器人下躯干上的麦克风提供的听觉模态在听觉阶段中在设计的卷积神经网络（CNN）内进行处理。最后，在CNN内处理由夹持器施加的力和夹持器状态以获得本体感受特征。然后将这些输出与后期融合方案相结合。我们的新的三流框架设计分析了日常的对象操作任务与巴克斯特人形机器人在半结构化的设置。结果表明，该框架实现了94%的f-分数优于其他基线分类异常，在运行时出现。
2022-03-16 cs.RO
Dynamic Parameter Identification of a Curtain Wall Installation Robotic Arm
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
针对液压驱动幕墙安装机械臂，提出融合 D-H 模型、液压缸动力学与 Stribeck 摩擦的分层递进参数辨识方法，实验将关节力矩残差标准差控制在 0.4 Nm 以下。
2025-07-23 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
CAD-based approach for identification of elasto-static parameters of robotic manipulators
Ecole des Mines de Nantes（南特高等矿业学校）；Institut de Recherches en Communications et en Cybernetique de Nantes（南特通信与控制论研究所）
本文提出了一种在CAD环境下利用虚拟实验进行机械手弹性静力学参数辨识的方法。它是基于从有限元分析结果中提取的数据的数值处理，这些结果是针对孤立的机械手连杆获得的。这种方法允许获得所需的刚度矩阵，考虑到复杂的形状的链接，旋转/平移偏转和连接相邻链接的关节的特殊性之间的耦合。这些矩阵是机械手集中刚度模型的组成部分，由于其高计算效率而被广泛应用于机器人中。为了提高辨识精度，给出了虚拟实验的优化设置建议，并提出了相应的统计处理技术。仿真研究证实了所开发方法的有效性，表明评估刚度矩阵元素的准确度约为0.1%。
2013-11-26 cs.RO
Diver Identification Using Anthropometric Data Ratios for Underwater Multi-Human-Robot Collaboration
University of Minnesota（明尼苏达大学）
针对水肺装备外观相似导致AUV难以识别潜水员的问题，提出基于姿态估计人体测量比例与嵌入网络的端到端识别框架，并在受控水域实验中验证了高准确率。
2023-09-29 cs.RO
Advanced robot calibration using partial pose measurements
Ecole des Mines de Nantes（南特矿业学校）；University of Nantes（南特大学）
研究了基于部分位姿测量的串联工业机器人标定问题。与其他工作相比，先进的机器人标定技术是适用于几何和弹性静力学标定。重点研究了模型参数的辨识精度。为了减少测量误差的影响，提出了直接使用几个点的位置测量，而不是计算的末端执行器的取向。所提出的方法使我们能够避免最小二乘目标的非均匀性的问题，这会出现在经典的识别技术与全姿态信息。所开发的技术不需要任何规范化，可以有效地应用于几何和弹性静力识别。一种新的方法的优点是通过比较分析，处理不同的识别策略的效率评估确认。所得到的结果已成功地应用于工业机器人的弹性静力学参数识别的加工工作单元为航天工业。
2013-11-26 cs.RO
A Failure Identification and Recovery Framework for a Planar Reconfigurable Cable Driven Parallel Robot
Clemson University（克莱姆森大学）
在缆索驱动并联机器人中，一根缆索的故障往往会导致整个机器人的完全失效。然而，丢失的静态工作空间（由于故障）通常可以通过重新配置框架上的电缆连接点来恢复。这种能力是通过向机器人添加运动学冗余来引入的，所述运动学冗余以在实时冗余分辨率控制器中操纵的移动线性滑块的形式。所提出的工作结合这个控制器的在线故障检测框架，开发一个完整的容错控制方案的自动任务恢复。该解决方案通过将末端执行器的姿态估计与通过仅依赖于末端执行器信息的交互式多模型（IMM）算法的应用的故障检测相结合来提供鲁棒性。故障和姿态估计方案，然后绑定到冗余分辨率的方法，以产生一个无缝的自动任务（轨迹）电缆故障恢复方法。
2022-09-02 cs.RO
Adaptive Identification of Legged Robotic Kinematic Structure
Carnegie Mellon University（卡内基梅隆大学）
基于模型的控制通常依赖于精确的模型，该模型通常从CAD和致动器模型获得。模型越精确，控制性能越好。然而，在表现出高敏捷性动作的双足机器人中，例如跑步和跳跃，机器人硬件将遭受与环境的冲击并且在脆弱部分变形，这使得预定义的模型无效。因此，期望具有将变形考虑在内的可适应的运动学结构。考虑到这一点，我们提出了一种方法，所有的机器人关节6-DOF关节模型，并开发了一种算法，可以识别的运动运动恢复结构从运动捕获数据。我们评估算法的性能在模拟-一个三连杆摆，和一个双足机器人- ATRIAS。在模拟的情况下，该算法产生的结果，有3.6%的误差相比，地面的真相，并在现实生活中的双足机器人的算法的结果证实了我们的先验假设，其中关节变形的平面外自由度。此外，我们的算法是能够使用重建的关节模式预测扭矩和力。
2021-07-25 cs.RO
Reconfigurable Robot Identification from Motion Data
Columbia University（哥伦比亚大学）
本文提出一种元自建模方法，利用本体感觉信号和深度神经网络，从运动数据中准确识别可重构机器人的形态配置，推动机器人对自身物理结构的自主理解与适应。
2024-03-15 cs.RO
A Method to use Nonlinear Dynamics in a Whisker Sensor for Terrain Identification by Mobile Robots
Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）
本文展示了分析和实验证据，使用振动动力学的顺应性触须准确的地形分类在稳态运动的移动机器人。霍尔效应传感器用于测量由于来自地面的扰动而引起的晶须振动。分析结果预测，触须振动将有一个主导频率的垂直扰动频率的移动机器人夹在其他两个不太占主导地位，但不同的频率分量。这些频率分量可能来自稳态时非线性相互作用动力学引起的振动频率分叉。实验结果还表现出独特的主导频率成分的机器人的速度和地形粗糙度。这种非线性动态特征被用于深层多层感知器神经网络中对地形进行分类。对7种不同纹理的平坦地表，预测成功率为85.6%。
2021-08-04 cs.RO
Model Identification and Control of a Low-Cost Wheeled Mobile Robot Using Differentiable Physics
Rutgers University（罗格斯大学）
我们提出了一种低成本的轮式移动机器人的设计，并预测其运动的影响下的电动机转矩和摩擦力的分析模型。使用我们提出的模型，我们展示了如何分析计算一个适当的损失函数的梯度，该函数测量预测的运动轨迹和现实世界的轨迹，这是估计使用Apriltags和高架摄像头之间的偏差。这些分析梯度允许我们通过使用梯度下降最小化损失函数来自动推断未知的摩擦系数。由优化模型预测的运动轨迹与现实世界中的运动轨迹非常吻合。实验表明，我们提出的方法是计算优于现有的黑箱系统辨识方法和其他数据驱动的技术，也需要非常少的真实世界的样本准确的轨迹预测。所提出的方法结合了基于第一原理的分析模型的数据效率，以及数据驱动方法的灵活性，这使得它适用于低成本机器人。使用学习的模型和我们的基于梯度的优化方法，我们展示了如何自动计算电机控制信号，以驱动机器人沿着预先指定的曲线。
2020-09-24 cs.RO
Constrained Stein Variational Gradient Descent for Robot Perception, Planning, and Identification
University of Utah Robotics Center（犹他大学机器人中心）；NVIDIA（英伟达）
本文提出两种将约束优化原理与 Stein 变分梯度下降相结合的新框架，用于在满足任意约束条件下学习近似分布，并在机器人运动规划、关节角度和物体位姿估计等任务中验证了其有效性。
2025-05-31 cs.LG cs.RO
