Data-Driven System Identification of Quadrotors Subject to Motor Delays
New York University(纽约大学);Tandon School of Engineering(坦登工程学院);Autonomous Robotics Research Center(自主机器人研究中心);Technology Innovation Institute(技术创新研究院)
提出一种基于本体感受数据的四旋翼系统辨识方法,利用MAP估计电机延迟等参数,仅需一分钟飞行数据即可准确恢复参数并促进大型四旋翼在户外恶劣条件下的RL端到端控制部署。
2024-09-24 cs.RO cs.SY eess.SY
Deep Learning for Model-Free Prediction of Thermal States of Robot Joint Motors
Department of Computer Science \& Engineering, Frankfurt University of Applied Sciences, 60318 Frankfurt am Main, Germany (e-mails
本研究提出一种无模型且可扩展的深度神经网络方法,利用 LSTM 和前馈层处理感知的关节力矩,有效预测了七轴冗余机器人关节电机的热行为与温度动态。
2025-09-16 cs.AI cs.ET cs.LG
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
MUJICA: Multi-skill Unified Joint Integration of Control Architecture for Wheeled-Legged Robots
College of Intelligent Robotics and Advanced Manufacturing, Fudan University(智能机器人与先进制造学院,复旦大学);Power China Huadong Engineering Corporation Limited(中国电力工程顾问集团华东分公司)
本文提出MUJICA框架,通过整合多种低级技能,实现轮腿机器人在复杂环境中的自适应移动。
2026-05-13 cs.RO
Physics-Informed Neural Networks with Unscented Kalman Filter for Sensorless Joint Torque Estimation in Humanoid Robots
Artificial and Mechanical Intelligence, Istituto Italiano di Tecnologia(人工智能与机械智能,意大利技术研究所)
本文提出一种集成物理信息神经网络和无迹卡尔曼滤波的实时力矩控制框架,解决无关节力矩传感器的人形机器人全身力矩控制问题,实验证明其比RNEA方法具有更高的跟踪精度、能效和抗干扰能力,且具备良好可扩展性。
2025-07-14 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
FutureVLA: Joint Visuomotor Prediction for Vision-Language-Action Model
FutureVLA通过联合视觉-运动预测架构,解决视觉-语言-动作模型中联合建模的挑战,提升时间连续性和视觉监督解耦能力。
2026-03-11 cs.RO
High Torque Density PCB Axial Flux Permanent Magnet Motor for Micro Robots
本文提出了一种基于PCB绕组的微尺度轴向磁通永磁电机,通过高密度互连技术实现高铜填充率,提升了微机器人在低速下的高扭矩输出能力。
2025-12-06 cs.RO
Task-space Synergies for Reaching using Upper-limb Prostheses
The University of Melbourne(墨尔本大学)
协同假肢使人的假肢的协调运动,如日常生活活动所需。这是通过将假肢的运动耦合到人类命令来实现的,例如基于运动的界面中的残肢运动。以前的研究表明,在关节空间中开发人类-假肢协同作用必须考虑个人运动行为和要执行的预期任务,需要个性化和任务校准。在这项工作中,提出了一种替代的基于协同的策略,利用任务空间中表示的协同关系。这种任务空间的协同作用有可能取代个性化和任务校准的需要与基于模型的方法,需要的知识,个人用户的手臂运动,预期的手运动在任务和自愿的信息,从假肢用户。所提出的方法进行了比较,表面肌电图为基础的关节空间协同为基础的假肢接口的运动行为和任务性能的研究,身体健全的受试者使用VR为基础的transshumeral假体。实验结果表明,对于一组向前延伸的任务,所提出的任务空间协同实现了可比的性能,关节空间协同,而不需要依赖于耗时的校准过程或人类运动学习。案例研究结果与截肢者的主题激励所提出的任务空间协同方法的进一步发展。
2020-11-03 cs.RO
Passive Reaction Analysis for Grasp Stability
Columbia University(哥伦比亚大学)
在本文中,我们专注于以下问题在多指机器人抓:假设一个外部扳手被施加到一个掌握的对象,将手和对象之间的接触力,以及手关节,响应以这样一种方式,以保持准静态平衡?特别是,我们假设没有变化的关节力矩被积极施加的电机;接触力和关节力矩的任何变化是由于专门的被动效应,在响应外部干扰。这样的被动效应包括例如由高齿轮马达驱动的接头(实践中常见的情况),并且因此不响应于外部扭矩反向驱动。为了解释在这种情况下遇到的非线性现象,以及现有方法不考虑的非线性现象,我们将问题表述为在迭代求解器的内循环中使用的混合整数规划。我们目前的证据表明,这个配方捕捉重要的影响,评估的稳定性把握采用一些最常用的驱动机制。
2018-01-19 cs.RO
Aero Hand Open: A Simulation-Ready Tendon-Driven Hand for Dexterous Manipulation Learning
Chestnut Robotics(栗智机器人);California Institute of Technology(加州理工学院)
本文提出Aero Hand Open这款仿真就绪的肌腱驱动拟人化手,配套仿真模型、驱动映射与强化学习包,可实现策略在仿真中训练后直接部署到实体手,无需微调与状态估计,并发布了相关全套资源。
2026-09-25 cs.AI cs.LG cs.RO
Swim2Real: Vision-Language Models for Simulator Calibration of a Soft Robotic Fish
University of Warsaw(华沙大学);IDEAS NCBR;EPFL(瑞士联邦理工学院);ETH Zurich(苏黎世联邦理工学院);Nomagic
本文提出Swim2Real系统,利用视觉-语言模型反馈校准水下仿真实验室,无需手动设计搜索阶段。通过同时校准16个参数,显著提升仿真到现实的迁移效果,实现零样本强化学习迁移。
2026-11-10 cs.RO
The Otbot project: Dynamic modelling, parameter identification, and motion control of an omnidirectional tire-wheeled robot
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)(机器人与工业信息研究所(西班牙国家研究委员会-加泰罗尼亚理工大学))
本研究针对全向轮胎机器人Otbot开发了动力学模型,提出了参数辨识方法,并设计了基于该模型的鲁棒轨迹跟踪控制律,以克服传统纯运动学控制器在大负载或有限电机平台上的局限性。
2023-11-17 cs.RO
Robust Contact-rich Manipulation through Implicit Motor Adaptation
Idiap Research Institute(Idiap研究机构);École Polytechnique Fédérale de Lausanne(瑞士联邦理工学院)
针对富接触操作中物理参数不确定性问题,提出implicit motor adaptation方法,利用tensor train隐式表示基础策略,在粗略参数分布下高效检索参数条件化策略,无需精确系统估计与策略重训练即可实现鲁棒操作与强泛化。
2025-05-28 cs.RO
Compact Optical Single-axis Joint Torque Sensor Using Redundant Photo-Reflectors and Quadratic-Programming Calibration
MSC (Mechatronics, Systems and Control) lab(机械电子系统与控制实验室)
本文提出了一种非接触式光电反射器关节扭矩传感器,用于高精度关节级扭矩控制与安全物理交互。通过冗余光电反射器阵列和二次规划校准方法,提高了灵敏度和信噪比,实验表明在z轴扭矩测量中最大误差为0.083%FS,RMS误差为0.0266 Nm。
2026-03-17 cs.RO
Exploiting Friction in Torque Controlled Humanoid Robots
Italian Institute of Technology(意大利理工学院)
扭矩控制的人形机器人的一种常见架构包括两个嵌套的回路。外环产生所需的关节/电机扭矩,内环稳定这些所需的值。在这样做时,内环通常补偿关节摩擦现象,从而消除其固有的稳定特性,这也可能有利于高水平的控制目标。本文介绍了如何利用摩擦力的关节和任务空间控制的人形机器人。使用人形机器人iCub进行实验。
2018-08-03 cs.RO
Momentum Control of Humanoid Robots with Series Elastic Actuators
Istituto Italiano di Tecnologia(意大利技术研究院)
类人机器人可能需要在关节水平上具有一定程度的顺应性,以提高效率、耐冲击性以及与人类的安全交互。然而,关节弹性的存在使得平衡和行走控制器的设计复杂化。本文提出了一种控制框架,用于扩展基于动量的控制器开发的刚性执行器的情况下,串联弹性执行器。关键是将电机速度作为中间控制输入,然后应用高增益控制来稳定期望的电机速度,从而实现动量控制。机器人iCub模型上进行的仿真验证了所提出的方法的合理性。
2017-03-06 cs.RO math.OC
Neural Network-based Fault Detection and Identification for Quadrotors using Dynamic Symmetry
MIT(麻省理工学院)
本文提出一种基于LSTM的无模型四旋翼飞行器故障检测与隔离框架,利用动力学对称性仅对单个电机故障进行训练即可预测任意电机故障,实验表明其对部分和完全故障的预测准确率超过90%,且对模型不确定性和数据分布偏移具有鲁棒性。
2023-09-16 cs.RO cs.SY eess.SY
Model Parameter Identification via a Hyperparameter Optimization Scheme for Autonomous Racing Systems
Korea Advanced Institute of Science and Technology(韩国高等科学技术研究院);NASA(美国国家航空航天局)
本文提出MI-HPO方法,通过超参数优化与探索-利用策略高效辨识自主赛车AV-21的动态模型参数,收敛速度比传统方法快13倍以上,并在实地测试中实现稳定避障和217 km/h高速行驶。
2023-08-07 cs.LG cs.RO cs.SY
Friction Characterization of a Cable-Driven Differential Actuation System for Lower-Limb Exoskeletons
Institute of Mechanical Intelligence, Department of Excellence in Robotics and AI, Sant'Anna School of Advanced Studies(机械智能研究所、机器人及人工智能卓越系,圣安娜高等研究学院);Wearable Robotics s.r.l.(可穿戴机器人有限公司)
提出一种用于下肢外骨骼髋-膝关节屈伸的差动驱动架构,通过电机与关节间的线性差动映射实现协同扭矩共享,并开发基于模型的摩擦估计策略实现无传感器扭矩估计。
2026-06-16 cs.RO cs.SY eess.SY
Concurrent Policy Blending and System Identification for Generalized Assistive Control
Vanderbilt University(范德堡大学)
在这项工作中,我们解决的问题,解决复杂的协作机器人任务受到多个不同的参数。我们的方法结合了同时政策混合系统辨识,以创建广义的政策,是强大的系统参数的变化。我们采用混合网络的状态空间完全依赖于参数估计的系统辨识技术。因此,这个混合网络学习如何处理参数变化,而不是试图学习如何同时解决广义参数集的任务。我们证明了我们的计划的能力,在一个协作的机器人和人类瘙痒的任务,其中人类有运动障碍。然后,我们展示了我们的方法的效率与各种系统辨识技术相比,标准域随机化。
2022-05-19 cs.AI cs.HC cs.LG
Efficient Data-driven Joint-level Calibration of Cable-driven Surgical Robots
University of Washington(华盛顿大学);Mount Holyoke College(曼荷莲学院);University of California San Diego(加州大学圣迭戈分校);University of Michigan(密歇根大学)
本文针对绳驱动手术机器人因绳索拉伸导致的关节定位误差,提出基于原始状态和之字形轨迹的数据驱动关节级标定方法,并在 RAVEN-II 上验证其精度、持久性与实时性。
2024-08-02 cs.RO cs.SY eess.SY
Autonomous Functional Locomotion in a Tendon-Driven Limb via Limited Experience
University of Southern California(南加州大学)
只有当机器人能够用很少的尝试来教自己执行不同的任务时,即使是在复杂的身体和动态环境中,机器人也会变得无处不在。事实上,脊椎动物成功地利用试错法来学习多种任务,尽管它们有复杂的肌腱驱动解剖结构。机器人专家发现这种肌腱驱动系统特别难以控制,因为它们同时是非线性的,欠定的(许多肌腱张力结合起来产生很少的净关节扭矩)和超定的(很少的关节旋转决定了需要卷入/放出多少肌腱)。我们演示-第一次在模拟和硬件-如何无模型的方法允许Few-Shot自主学习,以产生有效的运动在3肌腱/2关节肌腱驱动的腿。最初,一个人工神经网络由使用运动牙牙学语收集的稀疏采样数据提供,创建了一个从肢体运动学到运动激活的逆映射,这类似于幼年脊椎动物在发育期间玩耍。此后,迭代奖励驱动的候选运动激活的探索,同时完善的逆映射,并找到一个功能运动极限环自主。这种生物启发的算法,我们称之为G2 P(一般到特殊),使机器人能够适应目标任务,身体力学和环境的变化。此外,这项工作使未来的研究Few-Shot自主学习的生物系统,这是他们令人羡慕的功能多功能性的基础。
2018-10-19 cs.LG cs.NE cs.RO
Closed-loop spiking control on a neuromorphic processor implemented on the iCub
Institute of Neuroinformatics, University of Zurich(苏黎世大学神经信息学研究所);ETH Zurich(苏黎世联邦理工学院);Istituto Italiano di Tecnologia(意大利技术研究院)
尽管神经形态工程承诺部署低延迟,自适应和低功耗的系统,可以导致真正自主的人工代理的设计,一个完全神经形态的人工代理的发展仍然是失踪。虽然神经形态传感和感知以及决策系统现在已经成熟,但控制和驱动部分仍然落后。在本文中,我们提出了一个闭环电机控制器上实现的混合信号模拟-数字神经形态硬件使用脉冲神经网络。该网络通过使用尖峰关系网络对目标、反馈和误差信号进行编码来执行比例控制动作。它通过连接模式连续计算误差,该模式通过前馈连接将三个变量联系起来。每个种群内的递归连接被用来加速收敛,减少失配的影响,提高选择性。神经形态电机控制器与iCub机器人模拟器连接。我们测试了我们的尖峰P控制器在一个单一的关节控制任务,特别是机器人头部偏航。尖峰控制器发送目标位置,从其编码器读取电机状态,并将电机命令发送回关节。在阶跃响应实验和目标追踪任务中测试了尖峰控制器的性能。在这项工作中,我们优化了网络结构,使其更强大的噪声输入和设备失配,从而导致更好的控制性能。
2020-09-01 cs.ET cs.NE cs.RO