Dynamic Balancing of Humanoid Robot Walker3 with Proprioceptive Actuation: Systematic Design of Algorithm, Software and Hardware
Beijing Research Institute of UBTECH Robotics(优必选机器人北京研究院);Tsinghua University(清华大学)
人形机器人在不确定干扰下的动力学平衡是一个重要的问题,它要求机器人具有良好的协调全身冗余度执行多任务的能力。基于递阶优化的全身控制(WBC)已被普遍接受并应用于力矩控制机器人。良好的层次结构是WBC的先决条件,并且可以根据先验知识预定义。然而,考虑到WBC的计算复杂性,在物理应用中实时计算将是有问题的。对于本体感受驱动的机器人,减速器中的关节摩擦也会降低其力矩跟踪性能。在本文中,一个合理的层次结构的任务和约束是第一次定制的机器人动平衡。然后通过计算效率高的WBC软件实现实时WBC。该方法在具有实时通信和强大计算能力的模块化主控系统UBTMaster上得以实现。关节摩擦被很好地覆盖的模型识别后,各种平衡的情况下进行了广泛的实验上的人形步行者3与本体感受驱动。该机器人即使在外部冲击以及机器人的两个脚独立地遭受倾斜和移位干扰的情况下也显示出出色的平衡性能。结果表明,通过严格的层次结构、实时计算和关节摩擦的谨慎处理,本体感受驱动机器人能够很好地管理与非结构化环境的动态物理交互。
2021-08-09 cs.RO
SoPrA: Fabrication & Dynamical Modeling of a Scalable Soft Continuum Robotic Arm with Integrated Proprioceptive Sensing
ETH Zurich(苏黎世联邦理工学院);The University of Tokyo(东京大学)
由于其固有的顺应性,软体机器人比刚性连接机器人更通用,当它们与它们的环境交互时,例如物体操纵或仿生运动,并且被认为是将机器人引入日常环境的关键要素。虽然存在各种软机器人致动器,但过去的研究主要集中在设计和分析单个组件上。已经进行了有限的努力来组合每个部件以创建整体能力的、集成的软体机器人。理想情况下,这种机器人的行为可以被精确地建模,并且它在环境中的运动使用其本体感受,而不需要外部传感器。这项工作提出了一个设计和建模过程中的软连续体本体感受臂(SoPrA)驱动的气动。集成设计适用于分析模型,因为其内部电容式柔性传感器用于本体感受测量,其纤维增强流体弹性体致动器。所提出的解析动力学模型考虑了致动器质量和材料特性的惯性效应,并实时预测软体机器人的行为。我们的估计方法集成了分析模型与本体感受传感器来计算外力,所有这些都不依赖于外部运动捕捉系统。SoPrA的一系列实验证明了模型和传感器的估计精度。SoPrA将实现软臂操作,包括在不允许外感受测量的障碍环境中操作时的力感测。
2021-08-06 cs.RO
PPL: Point Cloud Supervised Proprioceptive Locomotion Reinforcement Learning for Legged Robots in Crawl Spaces
Shanghai Jiao Tong University(上海交通大学);Lenovo Corporation(联想集团)
本研究提出了一种点云监督的强化学习框架,用于提升四足机器人在受限空间中的运动能力,通过高效的点云特征提取和状态估计网络实现更快的训练和更敏捷的穿行性能。
2025-12-04 cs.RO
Proprioceptive State Estimation of Legged Robots with Kinematic Chain Modeling
Georgia Institute of Technology(佐治亚理工学院);Florida Institute for Human & Machine Cognition(佛罗里达人机认知研究所);University of West Florida(西佛罗里达大学)
足式机器人的运动是一个具有挑战性的任务,由于无数的子问题,如混合动力学的脚接触和所需的步态对地形的影响。通过向机器人控制器提供反馈信息,浮动基座和脚关节的准确且有效的状态估计可以帮助缓解这些问题中的大部分。当前的状态估计方法高度依赖于视觉和惯性测量的结合来提供实时估计,因此在感知差的环境中受到阻碍。在这项工作中,我们表明,通过利用机器人的运动链模型,通过因子图制定,我们可以执行状态估计的基础和腿关节,主要使用本体感受惯性数据。我们执行状态估计预集成IMU测量,正向运动学计算,并在一个基于因子图的框架接触检测的组合,使我们的状态估计受到机器人模型的约束。在模拟和硬件上的实验结果表明,我们的方法优于目前的本体感觉状态估计方法的平均27%,而被推广到各种足式机器人平台。我们证明了我们的结果定量和定性的各种各样的轨迹。
2022-12-19 cs.RO
Model-Free and Learning-Free Proprioceptive Humanoid Movement Control
National University of Singapore(新加坡国立大学);Johns Hopkins University(约翰斯·霍普金斯大学)
提出了一种新的无模型拟人机器人准静态运动控制方法。传统的基于模型的方法通常需要精确的机器人模型参数。此外,现有的基于学习的框架通常在仿真环境中训练策略,从而间接地依赖于模型。相比之下,我们提出了一个本体感受的框架,只基于感官输出。它不需要机器人运动学模型或惯性参数的先验知识。我们的方法包括三个步骤:1.在单个周期内规划不同的压力中心(CoP)和脚部位置目标对。2.通过来回轻微移动机器人的腿关节来搜索当前配置,同时记录其CoP和脚位置的传感器测量值。3.使用优化算法更新机器人运动,直到实现所有目标。我们证明了我们的方法在NAO人形机器人平台上。实验结果表明,该方法能够成功地产生稳定的机器人运动。
2023-02-28 cs.RO
Adaptive Locomotion on Mud through Proprioceptive Sensing of Substrate Properties
Department of Electrical and Computer Engineering University of Southern California(电气与计算机工程系美国南加州大学)
本文提出利用鳍状肢执行器电流与位置信号本体感知泥浆反力并估计其特性,结合机器人运动实现在线识别与步态自适应,从而避免打滑和被困。
2025-06-05 cs.RO
ProNav: Proprioceptive Traversability Estimation for Legged Robot Navigation in Outdoor Environments
本研究提出ProNav方法,利用足式机器人本体感受信号估计地形可通行性,优化步态并预判碰撞,结合外部感受方法实现复杂户外导航,显著提升成功率并降低能耗。
2024-01-26 cs.RO
Proprioceptive State Estimation for Quadruped Robots using Invariant Kalman Filtering and Scale-Variant Robust Cost Functions
Pontifical Catholic University of Rio de Janeiro(里约热内卢天主教大学);Istituto Italiano di Tecnologia(意大利技术研究院);University of Genoa(热那亚大学)
针对崎岖湿滑地形下足式机器人状态估计难的问题,提出结合鲁棒代价函数、仅用本体感知传感器的新型不变扩展卡尔曼滤波器,在450米以上轨迹中位姿漂移较现有最优方法最多降低40%。
2024-10-07 cs.RO
Four Simple Proprioceptive Estimators for Legged Robots
针对腿式机器人IMU漂移问题,提出四种基于足地接触的状态估计器,从接触辅助EKF到固定滞后平滑器,并在GTSAM和ROS2中实现。
2026-05-21 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
Towards Terrain-Aware Safe Locomotion for Quadrupedal Robots Using Proprioceptive Sensing
本文提出了一种基于本体感觉感知的四足机器人地形感知安全运动方法,通过生成2.5维地形图和整合控制屏障函数,提高运动安全性和鲁棒性。
2026-03-10 cs.RO
An Enhanced Proprioceptive Method for Soft Robots Integrating Bend Sensors and IMUs
Mechanical Engineering Department at the University of Michigan(密歇根大学机械工程系)
本研究提出一种集成IMU与弯曲传感器的软机器人增强型本体感知方法,利用卡尔曼滤波融合数据并采用分段常曲率模型重建形变,有效减轻IMU漂移,在45分钟连续实验中实现高精度、鲁棒的长时形状估计。
2025-11-03 cs.RO
Proprioceptive Sensor-Based Simultaneous Multi-Contact Point Localization and Force Identification for Robotic Arms
Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文提出一种基于关节力矩传感器和基座力/力矩传感器的粒子滤波改进算法,通过网格预处理实现机械臂多接触点与接触力的同时快速估计,并在7自由度机器人仿真中达到2200Hz运行频率和99.96%的单接触成功率。
2023-03-07 cs.RO
CoPRE: Improving Sensitivity in Proprioceptive Contact Detection for Low-Cost Robot Arms
Duke University(杜克大学);KTH Royal Institute of Technology(瑞典皇家理工学院);Carnegie Mellon University(卡内基梅隆大学)
CoPRE 利用无接触运动数据估计预期关节力矩,通过残差映射实现低成本机械臂高灵敏度接触检测,显著优于基线方法。
2026-09-24 cs.RO
Proprioceptive-only State Estimation for Legged Robots with Set-Coverage Measurements of Learned Dynamics
Department of Mechanical Engineering, University of Delaware(德雷塞尔大学机械工程系);Robotics Institute, Athena Research Center(阿提卡研究中心机器人研究所);School of Mechanical Engineering, National Technical University of Athens(雅典技术大学机械工程学院);HERON–Center of Excellence in Robotics(机器人卓越中心)
本文提出了一种仅依赖本体感觉的状态估计方法,利用集覆盖测量来表征测量噪声,无需假设分布,通过Gaussian滤波器系统性地融合数据,验证了其在仿真和真实四足机器人数据集中的有效性。
2026-03-18 cs.RO
Towards Proprioceptive Terrain Mapping with Quadruped Robots for Exploration in Planetary Permanently Shadowed Regions
Dynamic Legged Systems lab (DLS), Istituto Italiano di Tecnologia (IIT)(动态腿部系统实验室(DLS)、意大利技术研究所(IIT))
针对月球永久阴影区探测需求,提出一种基于四足机器人本体感受的地形映射框架,通过内部传感估计多项地形交互指标并构建多层2.5D网格地图,仿真验证了其在月球环境下的稳定建图性能。
2025-10-21 cs.RO
Inferring Soil Friction Angle from Robot Foot-Ground Force Histories: A Bayesian Inverse Approach to Proprioceptive Soil Sensing
Washington State University(华盛顿州立大学)
本研究通过贝叶斯反演从机器人足-地力历史推断无粘性土壤内摩擦角,利用物质点法模型和高斯过程代理,在匹配模型实验中实现高精度识别,支持本体感觉土壤传感发展。
2026-09-30 cs.RO
Legged Robot State Estimation using Invariant Kalman Filtering and Learned Contact Events
University of Michigan(密歇根大学)
这项工作开发了一个基于学习的接触估计器的足式机器人,绕过物理传感器的需要,并采取多模态本体感觉数据作为输入。与基于视觉的状态估计器不同,本体感受状态估计器对于诸如黑暗或有雾场景之类的感知降级的情况是不可知的。虽然一些机器人配备有专用物理传感器以检测用于状态估计的必要接触数据,但是一些机器人不具有专用接触传感器,并且在不重新设计硬件的情况下添加这样的传感器是不平凡的。经过训练的网络可以估计不同地形上的接触事件。实验表明,与最先进的视觉SLAM系统相比,接触辅助不变扩展卡尔曼滤波器可以生成准确的里程轨迹,从而实现鲁棒的本体感受里程。
2021-11-29 cs.RO
GAIT: Legged Robot Proprioceptive State Estimation with Attention over Inertial-Leg Tokens
Korea Advanced Institute of Science and Technology(韩国科学技术院)
提出一种将惯性-腿部(IL)令牌化与注意力机制结合的方法,用于足式机器人本体状态估计,通过自适应加权不同传感器测量值提升估计性能,在未见步态和复杂地形上优于现有方法。
2026-06-15 cs.RO
Safe Active Navigation and Exploration for Planetary Environments Using Proprioceptive Measurements
针对足式机器人在未知变形颗粒地形探索的通行性评估难题,提出基于本体感受和高斯过程回归的SAEGT导航框架,搭配反应式控制器实现安全探索导航,仿真验证了仅靠本体感知的可行性。
2025-10-21 cs.RO
DILIGENT-KIO: A Proprioceptive Base Estimator for Humanoid Robots using Extended Kalman Filtering on Matrix Lie Groups
Italian Institute of Technology(意大利理工学院);University of Genoa(热那亚大学);University of Waterloo(滑铁卢大学)
针对人形机器人,提出了一种基于接触辅助的惯性-运动学浮动基座估计方法,该方法考虑了状态和观测在矩阵李群上的演化。这是通过应用一个几何意义的估计,其特点是集中高斯分布。像人形机器人的浮动基座系统的配置通常需要描述其基座位置和取向的额外六个自由度的知识。这个数量通常无法测量,需要估计。一个矩阵李群,封装的位置和方向和线速度的基础链接,脚的位置和方向和惯性测量单元的偏差,被用来表示的状态,而相对位置和方向的接触脚从正运动学被用作观察。由于选择了不确定性参数化,该估计器具有快速收敛的大初始化误差。在iCub仿人平台上进行了实验验证。
2021-05-31 cs.RO
Terrain-Aware Autonomous Planetary Exploration for Exteroceptive-Proprioceptive Mapping with Quadruped Scouts
Istituto Italiano di Tecnologia (IIT)(意大利理工学院)
本文提出一种结合外感受与本体感受建图的地形感知探索框架,用于四足机器人在月球类似环境中的自主导航,仿真表明该方法能有效扩展地图并降低运输成本。
2026-09-29 cs.RO
ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots
State Key Laboratory of AI Safety, Institute of Computing Technology, CAS(中国科学院计算技术研究所人工智能安全国家重点实验室);University of Chinese Academy of Sciences (CAS)(中国科学院大学);Beijing Academy of Artificial Intelligence (BAAI)(北京智源人工智能研究院)
ViLoMan提出可扩展框架,通过将人-物交互演示转为机器人轨迹并利用师生蒸馏学习统一策略,使Unitree G1人形机器人仅凭机载感知完成关门任务,实现稳健泛化与仿真到现实迁移。
2026-09-18 cs.RO
PROBE: Proprioceptive Obstacle Detection and Estimation while Navigating in Clutter
Dept. of Computer Science, Rutgers University, NJ, USA(计算机科学系,罗杰斯大学,新泽西州,美国);Amazon.com Inc.(亚马逊公司);Rutgers University(罗杰斯大学);Amazon Scholar(亚马逊学者)
针对视觉受阻场景,本文提出仅依赖本体感觉的 PROBE Transformer,利用扭矩与全身运动历史检测矩形障碍物并估计其 SE(2) 尺寸和位姿,且在仿真与真实四足机器人上验证。
2025-05-17 cs.RO
Proprioceptive Force Estimation for Quadruped Locomotion and Human-Robot Interaction
Tsinghua University(清华大学)
本研究提出一种基于本体感觉历史的共享三维力估计方法,联合训练估计器与运动策略,同时支持负载适应和牵引引导,显著提升速度跟踪、方向误差及生存率,并在Unitree Go1上验证了超限负载和牵引功能。
2026-09-29 cs.RO
Multi-IMU Proprioceptive State Estimator for Humanoid Robots
Wandercraft(Wandercraft公司);Mines Paris, PSL University(巴黎矿业学院,巴黎文理研究大学);ENSTA Paris, Institut Polytechnique de Paris(巴黎高等技术学院,巴黎理工学院)
提出一种基于扩展卡尔曼滤波的多IMU状态估计器,通过跟踪多个刚体并估计结构变形来处理任意接触配置,在人形机器人上实现了低漂移和高精度的轨迹估计。
2023-07-26 cs.RO
Toward Zero-Shot Sim-to-Real Transfer Learning for Pneumatic Soft Robot 3D Proprioceptive Sensing
New York University(纽约大学);Carnegie Mellon University(卡内基梅隆大学)
气动软体机器人在操作任务中具有许多优点。值得注意的是,其固有的合规性使其在非结构化和脆弱的环境中安全可靠。然而,由于气动软体机器人的高自由度和复杂的变形行为,其全身形状感知具有挑战性。基于嵌入式摄像头和深度学习的视觉本体感知方法通过从高维感知数据中提取全身形状信息,为本体感知提供了很好的解决方案。但目前的训练数据收集过程使其难以用于许多应用。为了解决这一挑战,我们提出并展示了一个强大的模拟到真实的管道,允许收集的软体机器人的形状信息,在高保真点云表示。使用真实的内部摄像机图像对在模拟数据上训练的模型进行评估。结果表明,该模型执行的平均倒角距离为8.85 mm和尖端位置误差为10.12 mm,即使有外部扰动的气动软体机器人的长度为100.0 mm。我们还证明了模拟到真实的管道的潜力,探索不同的视觉模式的配置,以改善基于视觉的重建结果。代码和数据集可在https://github.com/DeepSoRo/DeepSoRoSim2Real上获得。
2023-03-08 cs.RO
Proprioceptive and Exteroceptive Information Perception in a Fabric Soft Robotic Arm via Physical Reservoir Computing with minimal training data
Virginia Tech(弗吉尼亚理工大学);Arizona State University(亚利桑那州立大学)
本研究利用物理储备计算原理,仅通过气动软臂内部分布式压力数据同时预测弯曲角度与负载质量,发现线性加权求和即可实现高精度感知,且弯曲角度预测比负载预测所需训练数据更少。
2024-11-11 cs.RO
DogLegs: Robust Proprioceptive State Estimation for Legged Robots Using Multiple Leg-Mounted IMUs
Center for Robotics(机器人研究中心);Institute of Geodesy and Geoinformation(大地测量与地理信息研究所);Humanoid Robots Lab(人形机器人实验室);GNSS Research Center(全球导航卫星系统研究中心)
本文提出DogLegs系统,通过扩展卡尔曼滤波融合多传感器测量,提升四足机器人在极端环境下的状态估计精度,相关代码与数据集将公开供研究使用。
2026-09-04 cs.RO
Tactile-Proprioceptive Sensor Fusion for Contact Wrench Estimation in Whole-Body Physical Human-Robot Interaction
Department of Robotics and Mechatronics Engineering, DGIST (Daegu Gyeongbuk Institute of Science and Technology)(机器人与机电工程系,DGIST(大邱庆尚科学技术研究所));Kinetic Intelligent Machine Lab (KIMLAB), University of Illinois Urbana-Champaign(动能智能机器实验室(KIMLAB),伊利诺伊大学厄巴纳-香槟分校)
提出触觉-本体感觉融合框架,利用气动皮肤垫的触觉线索作为接触指示器,结合基于电机电流的本体感觉,通过时间卷积网络消除摩擦滞后,实现多轴接触力重建,提高物理人机交互的灵敏度和响应性。
2026-05-27 cs.LG cs.RO
Effective Locomotion at Multiple Stride Frequencies Using Proprioceptive Feedback on a Legged Microrobot
Wyss Institute for Biologically Inspired Engineering(怀斯生物启发工程研究所)
驱动、传感和计算的限制迫使小型足式机器人依赖于仔细调整的、机械介导的腿轨迹来进行有效的运动。然而,制造业的最新进展使得能够开发能够使用多自由度腿轨迹以多个步幅频率操作的小型足式机器人。本体感知和控制是将这些机器人的能力扩展到广泛的操作条件的关键。在这项工作中,我们使用伴随传感压电驱动与计算效率的框架,估计和控制腿轨迹的四足微型机器人。我们展示了在运动过程中在宽范围的步频(10-50 Hz)内的准确位置估计(< 16%的均方根误差)和控制(16%的均方根跟踪误差)。这种能力使得能够探索被设计为减少腿部滑动并增加运动性能的两个生物启发参数腿部轨迹(例如,速度、运输成本等)。使用这种方法,我们展示了高性能的运动在步幅频率(10-30赫兹)的机器人的自然动力学导致开环运动差。此外,我们验证了启发我们轨迹的生物学假设,并确定了高动态运动,低运输成本(3.33)和最小腿部滑动(< 10%)的区域。
2019-06-03 cs.RO
Pouring by Feel: An Analysis of Tactile and Proprioceptive Sensing for Accurate Pouring
Samsung AI Center NY(三星人工智能中心纽约分部)
本文研究服务机器人在无外部测量设备条件下仅凭自身关节力矩与指尖触觉传感器实现精确倒水,通过PID控制器和三个数据驱动估计器将平均误差控制在10毫升以内,并验证了对新位置和不同抓握方式的鲁棒性。
2023-10-27 cs.RO
Towards insect-like distributed proprioception in actuators and appendages for flapping-wing insect-scale aerial robots
University of Colorado Boulder(科罗拉多大学博尔德分校);Imperial College London(帝国理工学院)
该研究针对扑翼昆虫级空中机器人,开发了两种嵌入式本体感知传感器,可精准跟踪冲程与俯仰角,实现碰撞检测与异步扑翼,有望提升机器人性能。
2026-08-25 cs.RO
PvP: Data-Efficient Humanoid Robot Learning with Proprioceptive-Privileged Contrastive Representations
HK PolyU(香港理工大学);LimX Dynamics;EIT, Ningbo(宁波工程学院);USTC(中国科学技术大学);ZJU-UIUC(浙江大学-UIUC);ZGCA(浙江工业大学)
PvP通过体感优先对比学习提升类人机器人学习的样本效率和性能。
2026-03-11 cs.LG cs.RO
Terrain Classification for the Spot Quadrupedal Mobile Robot Using Only Proprioceptive Sensing
Ingenuity Labs Research Institute(创新实验室研究机构);Queen's University(皇后大学)
本文针对Spot四足机器人在复杂地形上的下沉与打滑问题,提出一种仅依赖本体感知信号的地形分类器,通过降维与分类技术实现约97%准确率的三类地形识别,为可通过性地图构建和安全路径规划提供支持。
2025-08-22 cs.RO eess.SP
Proprioceptive-visual correspondence enables self-other distinction in humanoid robots
Eastern Institute of Technology, Ningbo(宁波东方理工大学);Shanghai Jiao Tong University(上海交通大学);Peking University(北京大学);Carnegie Mellon University(卡内基梅隆大学);East China Normal University(华东师范大学);Ningbo Institute of Digital Twin(宁波数字孪生研究院)
提出通过本体感觉与视觉的对应学习自我-他人区分,无需身份标签或运动学模型,并建立预测性自我模型,支持目标到达、碰撞感知运动规划和运动重定向。
2026-06-12 cs.AI cs.RO
An Adaptive Control Algorithm for Quadruped Locomotion with Proprioceptive Linear Legs
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)(深圳人工智能与机器人研究院);Georgia Institute of Technology(佐治亚理工学院);Hong Kong University of Science and Technology(香港科技大学);Southern University of Science and Technology (SUSTech)(南方科技大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
四足机器人表现出巨大的潜力,以穿越粗糙的地形与有效载荷。许多传统的腿式动态运动控制方法是基于模型的,并表现出高灵敏度的模型不确定性和有效载荷的变化。因此,高性能的模型参数估计变得不可或缺。然而,负载的惯性参数通常是未知的,动态变化时,四足机器人部署在多样化的任务。为了解决这个问题,在线识别的惯性参数和质心(CoM)的位置的负载的四足机器人吸引了越来越多的兴趣。本研究针对高负载容量(负载与机器人自重之比)四足机器人的运动,提出一种基于负载辨识的自适应控制器。我们称之为自适应控制器的四足机器人运动(ACQL),它包括一个递归的更新规律和控制规律。ACQL在线估计由有效载荷引起的外力和扭矩。该估计被纳入基于逆动力学的二次规划(QP)实现小跑步态。因此,机器人的CoM和定向轨迹的跟踪精度得到提高。所提出的方法,ACQL,在一个真正的四足机器人平台进行了验证。实验证明,有效载荷重量从20 $kg$到75 $kg$,并加载在不同的位置的机器人的躯干的估计效率。
2022-02-03 cs.RO
Proprioceptive Invariant State Estimation for Humanoid Robots on Non-Inertial Ground
Purdue University(普渡大学)
提出一种仅使用本体感觉的InEKF方法,利用足部IMU和运动学约束,实现非惯性地面上仿人机器人的实时状态估计,收敛速度提升96%,位置误差降低80%。
2026-06-19 cs.RO cs.SY eess.SY
DWMP: Leveraging Dual World Models for Humanoid Obstacle Traversal
针对人形机器人穿越障碍时多模态观测特性差异问题,提出双世界模型策略,分别用Koopman和RSSM建模动力学与视觉,融合表示生成动作,在仿真和真机上提升性能。
2026-09-14 cs.RO
Proprioceptive Sketches as Long-Horizon Intent for Generative Action Policies
Hong Kong Polytechnic University(香港理工大学);National University of Singapore(新加坡国立大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Great Bay University(大湾区大学)
提出本体感觉动作模型(PAM),通过生成紧凑的关节空间草图作为长时程意图,在Transformer去噪器中联合生成动作,提升机器人任务成功率。
2026-10-05 cs.RO
Graph-based Proprioceptive Localization Using a Discrete Heading-Length Feature Sequence Matching Approach
Texas A&M University(德克萨斯农工大学)
本体感觉定位是指一类新的机器人自我中心定位方法,不依赖于外部地标的感知和识别。这些方法自然不受恶劣天气、不良照明条件或其他可能阻碍诸如相机或激光测距仪的外感受传感器的极端环境条件的影响。这些方法依赖于本体感受传感器,例如惯性测量单元(IMU)和/或车轮编码器。在磁接收的辅助下,传感器可以提供车辆轨迹的基本估计,该估计用于查询先前已知的地图以获得位置。命名为基于图形的本体感受定位(GGPL),我们提供了一个低成本的后备解决方案,在具有挑战性的环境条件下的定位。作为一个机器人/车辆行驶,我们提取一个序列的标题长度值的直线段的轨迹和匹配的序列与预处理的标题长度图(HLG)从先前已知的地图抽象本地化的机器人下的图形匹配的方法。使用来自HLG的信息,我们的位置对准和验证模块补偿轨迹漂移,车轮打滑或轮胎充气水平。我们已经实现了我们的算法,并在模拟和物理实验中进行了测试。该算法成功地运行在寻找机器人的位置,并实现定位精度的水平,先验地图允许(小于10米)。
2020-05-27 cs.CV cs.RO
Terrain Classification Enhanced with Uncertainty for Space Exploration Robots from Proprioceptive Data
German Research Center for Artificial Intelligence(德国人工智能研究中心);University of Bremen(不来梅大学);University of Groningen(格罗宁根大学)
本文提出一种基于不确定性量化的神经网络方法,利用本体数据实现可靠的地形分类,以提高空间探索机器人在不可预测环境中的决策可靠性。
2024-07-03 cs.LG cs.RO
Online Estimation of Articulated Objects with Factor Graphs using Vision and Proprioceptive Sensing
University of Edinburgh(爱丁堡大学);University of Freiburg(弗莱堡大学)
本文提出融合神经网络视觉可供性预测与交互式运动学传感的因子图在线铰接估计方法,并通过真实机器人共享自主开门实验验证,未知铰接物体自主开启成功率达80%。
2023-09-28 cs.RO
ProWorld: Multi-View World Model with Proprioceptive Feedback for Closed-Loop Policy Evaluation
Sun Yat-sen University(中山大学);University of Macau(澳门大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Meituan(美团);South China University of Technology(华南理工大学)
ProWorld是带本体感受反馈的多视图世界模型,通过联合预测多视图视频与机器人状态、用失败交互扩充训练,在TriWorldBench上取得最高得分,能准确评估机器人操作策略的成功率。
2026-10-14 cs.RO
When Absolute State Fails: Evaluating Proprioceptive Encodings for Robust Manipulation
TELEXISTENCE Inc, Foundation Model Division(TELEXISTENCE公司基础模型部门);The University of Tokyo(东京大学)
研究探讨了本体感觉状态编码策略,通过系统分析联合表示发现,简单的回合间相对框架在任务性能与鲁棒性之间提供了最佳平衡,优于基线方法。
2026-05-13 cs.AI cs.RO
Proprioceptive External Torque Learning for Floating Base Robot and its Applications to Humanoid Locomotion
Seoul National University(首尔国立大学)
本文提出一种仅用本体感知传感器学习浮动基座机器人外部关节力矩的 GRU 网络方法,其估计误差小于动量观测器,可支持 ZMP 反馈实现稳定行走,并有望移除力矩传感器。
2023-09-08 cs.AI cs.RO
Multi-Class Human/Object Detection on Robot Manipulators using Proprioceptive Sensing
MINDLab, Institute of Mechatronic Systems, ZHAW(苏黎世应用科技大学机电系统研究所MINDLab);Institute of Mechatronics system, ZHAW(苏黎世应用科技大学机电系统研究所)
本文提出多类人类/物体检测方法,通过Franka Emika Panda机械臂采集数据,采用LSTM、GRU和Transformer模型,实现实时91.11%的识别准确率,验证了多类检测模型的可行性。
2026-06-29 cs.AI cs.RO
ProTracer: Proprioception-Guided Failure Diagnosis in Robot Manipulation
Australian Institute for Machine Learning(澳大利亚机器学习研究所);School of Allied Health and Human Performance, Adelaide University(阿德莱德大学联合健康与人类绩效学院)
本文提出ProTracer,一种无需训练的框架,结合视觉语言模型与本体感觉信号,实现机器人操作故障检测、分类、解释及起始定位,并引入FailTime基准验证其有效性。
2026-10-16 cs.CV cs.RO
GelSight Svelte: A Human Finger-shaped Single-camera Tactile Robot Finger with Large Sensing Coverage and Proprioceptive Sensing
Massachusetts Institute of Technology(麻省理工学院)
本文提出GelSight Svelte人指形状单相机触觉传感器,利用曲面镜实现大范围触觉与本体感知,并通过卷积神经网络从骨架变形图像估计弯曲和扭转力矩,在多种抓取模式中验证了其能力。
2023-09-19 cs.CV cs.RO
Fully Proprioceptive Slip-Velocity-Aware State Estimation for Mobile Robots via Invariant Kalman Filtering and Disturbance Observer
University of Michigan(密歇根大学);Woven Planet
针对移动机器人滑移估计问题,提出融合惯性测量单元与机体速度数据、嵌入滑移速度到$\text{SE}_3(3)$李群的基于DOB的RI-EKF全本体感受状态估计器,经Husky机器人实验验证有效且开源可复现。
2023-10-01 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
Contact-Anchored Proprioceptive Odometry for Legged and Wheel-Legged Robots
Institute of Optics and Electronics, Chinese Academy of Sciences(中国科学院光学与电子学研究所);Shenzhen Astralldynamics Technology(深圳星辰动力科技)
本文提出一种纯本体感觉状态估计器,利用IMU和电机测量估计机器人姿态和速度,通过接触作为运动学锚点,结合高度聚类和时间衰减校正,解决四足和轮腿机器人中的漂移问题。
2026-06-29 cs.RO eess.SP
TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST))
本研究提出TRACE模型,通过引入足部感知交叉注意力模块等技术,结合策略随机化与部分现实微调,提升四足机器人在不可靠接触条件下的本体里程计性能,降低位置漂移并改善仿真到现实的迁移效果。
2026-08-07 cs.AI cs.RO
ProDapt: Proprioceptive Adaptation using Long-term Memory Diffusion
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(矢量人工智能研究所);Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室);Technical University of Munich (TUM)(慕尼黑工业大学)
针对扩散模型在模仿学习中依赖外部传感器且缺乏长期记忆的问题,提出ProDapt方法,通过在扩散过程中结合机器人与环境先前接触的长期记忆(关键点)作为策略输入,使机器人仅靠本体感觉数据即可完成任务。
2025-02-28 cs.LG cs.RO cs.SY