Learning Contact-aware CPG-based Locomotion in a Soft Snake Robot
Worcester Polytechnic Institute（伍斯特理工学院）
在本文中，我们提出了一个无模型的学习为基础的控制方案，以提高其在混乱的环境中的接触感知运动性能的软蛇机器人。该控制方案包括两个合作的控制器：一个生物启发控制器（C1），控制软蛇机器人的转向和速度，和一个事件触发调节器（R2），控制转向的蛇在预期的障碍物接触和接触过程中。来自两个控制器的输入被合成为Matsuoka CPG网络的输入，以生成对软蛇的平滑和有节奏的致动输入。为了使两个控制器的稳定和有效的学习，我们开发了一个博弈论的过程，虚拟发挥，训练C1和R2与共享的潜在的基于场的奖励功能的目标跟踪任务。所提出的方法在模拟器中进行了测试和评估，并显示出显着改善的运动性能在基于障碍的环境相比，两个基线控制器。
2021-05-10 cs.RO
HapFIC: An Adaptive Force/Position Controller for Safe Environment Interaction in Articulated Systems
University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）
触觉交互对于动物的动态灵活性是必不可少的，动物使用来自其本体感受的力反馈从阻抗无缝切换到导纳行为。然而，这种能力在机器人中重现是极具挑战性的，特别是在处理复杂的交互动态，分布式接触和接触切换时。当前基于模型的控制器需要精确的交互建模来考虑接触并稳定交互。在这篇手稿中，我们提出了一个自适应力/位置控制器，利用分形阻抗控制器的无源性和非线性执行有限搜索算法，使用从传感器的力反馈信号在末端执行器。该方法是计算成本低，开放的可能性，在未来处理分布式接触。我们在物理仿真中评估了该体系结构，并表明该控制器可以鲁棒地控制与不同动力学对象的相互作用，而不会违反最大允许目标力或导致数值不稳定，即使是非常刚性的对象。所提出的控制器也可以自主处理接触切换，并可能会发现在多个领域，如腿运动，康复和辅助机器人的应用。
2021-07-20 cs.RO
Easing Reliance on Collision-free Planning with Contact-aware Control
MIT（麻省理工学院）
我们相信，机器人运动规划的未来将与今天看起来非常不同：而不是复杂的防撞轨迹与脆弱的依赖感测和估计的环境，运动计划应该包括平滑，简单的轨迹，并由机器人执行，不害怕接触。在这里，我们提出了一个“接触感知”控制器，它继续执行给定的轨迹，尽管意外的碰撞，同时保持接触力稳定和小。我们引入了一个二次规划（QP）制定，它最大限度地减少了准静态动力学和接触力约束的跟踪误差。与经典的零空间投影技术相比，在所提出的QP控制器的接触力的不等式约束允许更温和的释放时，机器人出来的接触。在准静态动力学模型中，控制动作仅包括命令的关节位置，允许QP控制器在刚度控制的机器人上运行，该机器人没有直接的扭矩控制接口，也没有准确的动态模型。所提出的QP控制器的有效性证明了在库卡iiwa手臂。
2021-09-26 cs.RO
Balancing and Walking Using Full Dynamics LQR Control With Contact Constraints
University of Southern California（南加州大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
考虑机器人动力学和接触约束的力矩控制算法对于创建类人机器人的动态行为是重要的。随着计算能力的增加，算法的复杂性也趋于增加。然而，目前还不清楚到底需要多少复杂性来创建表现出良好性能的控制器。在本文中，我们研究了一个简单的方法的基础上，接触一致的LQR控制器设计的关键姿势，以控制各种任务的人形机器人的能力。我们提出了广泛的液压，扭矩控制的人形执行平衡和步进任务的实验结果。这种反馈控制方法捕获机器人的DoF之间的必要协同作用，以保证良好的控制性能。我们表明，对于所考虑的任务，它只需要重新线性化的机器人在不同的接触配置的动力学，并沿所需的轨迹增加LQR控制器的数量不会提高性能。我们的研究结果表明，非常简单的控制器可以产生良好的性能与当前最先进的，但更复杂的，基于优化的全身控制器的竞争。实验的视频可以在https://youtu.be/5T08CNKV1hw上找到。
2017-01-27 cs.RO
Grasp'D: Differentiable Contact-rich Grasp Synthesis for Multi-fingered Hands
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Nvidia（英伟达）；Samsung（三星）
手-物体交互的研究需要为高维多手指模型生成可行的抓取姿势，通常依赖于分析抓取合成，这往往会产生脆弱和不自然的结果。本文介绍了抓取的D，一种方法，掌握合成与微分接触模拟从已知的模型以及视觉输入。我们使用基于梯度的方法作为替代采样为基础的把握合成，没有简化的假设，如预先指定的接触位置和eigengrassps失败。这种假设限制了抓取发现，特别是排除了高接触功率抓取。相比之下，我们的基于仿真的方法允许稳定，高效，物理上逼真，高接触的把握合成，即使是高自由度的夹具形态。我们确定和解决的挑战，使把握模拟适合基于梯度的优化，如非光滑的物体表面几何形状，接触稀疏，和崎岖的优化景观。Grasp 'D与人类和机器人手模型上的分析抓取合成相比毫不逊色，并且所得到的抓取实现了超过4倍的密集接触，从而显著提高了抓取稳定性。视频和代码可在https://graspd-eccv22.github.io/上获得。
2022-08-26 cs.RO
A Sliding Mode Force and Position Controller Synthesis for Series Elastic Actuators
University of Wollongong（伍伦贡大学）；National University of Singapore（新加坡国立大学）
研究了串联弹性作动器的鲁棒力和位置控制问题。研究表明，串联弹性作动器的力控制问题可以用一个只受匹配扰动的二阶动力学模型来描述。然而，位置控制动态的串联弹性致动器是四阶的，包括匹配和失配干扰。换句话说，串联弹性致动器的位置控制比其力控制更复杂，特别是当考虑干扰时。提出了一种基于干扰观测器和滑模控制的串联弹性作动器鲁棒运动控制器。当所提出的鲁棒运动控制器被实施时，串联弹性致动器可以精确地跟踪期望的轨迹，并安全地接触未知的动态环境。所提出的运动控制器不需要精确的动态模型的致动器和环境。因此，它可以应用于许多不同的先进机器人系统，如顺应性人形机器人和外骨骼。实验验证了运动控制器的有效性。
2019-03-13 cs.RO
A Learning-based Controller for Multi-Contact Grasps on Unknown Objects with a Dexterous Hand
DLR Institute of Robotics & Mechatronics（德国宇航中心机器人与机电一体化研究所）；Technical University of Munich（慕尼黑工业大学）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
提出一种基于学习的灵巧手抓取控制器，支持多触点强力抓取，无需详细接触信息，仅需粗略3D模型，通过神经网络估计力螺旋并预测力矩，在仿真和真实手上验证了高稳定性和实时性。
2024-09-18 cs.RO
Toward Fine Contact Interactions: Learning to Control Normal Contact Force with Limited Information
Lehigh University（理海大学）；Honda Research Institute USA（美国本田研究所）
本文针对低成本、信息贫乏触觉传感条件下的机器人精细接触控制问题，提出基于无模型强化学习的法向接触力控制器，并验证其与运动控制器结合后在非抓握式灵巧操作中的有效性。
2023-05-29 cs.RO
Complete Test of Synthesised Safety Supervisors for Robots and Autonomous Systems
University of Bremen（不来梅大学）
验证的控制器合成使用世界模型，其包括人类、机器人、其它设备和待合成的控制器的所有潜在行为。世界模型能够进行定量风险评估，例如，通过随机模型检验。这样的模型描述了一系列控制器行为，其中一些行为（如果正确实施）可以保证现实世界中的总体风险是可以接受的，前提是已经做出了安全的随机假设。然后，综合选择一个可接受的风险控制器的行为。然而，由于跨越抽象、形式主义和工具边界，机器人和自主系统的验证合成必须伴随着严格的测试。一般来说，安全关键系统的标准和法规要求测试作为关键要素，以在投入使用之前获得认证信用。这篇正在进行中的论文提出了一种方法，用于对综合监督控制器进行完整的测试，这些控制器在人机协作和自动驾驶等领域实施安全属性。控制器代码由所选的控制器行为生成。然而，代码生成器即使不是不可行，也很难以正式和全面的方式进行验证。相反，利用测试，生成一个抽象的测试引用，一个符号有限状态机，具有比代码语义更简单的语义。从这个参考，一个完整的测试套件的推导和应用，以证明合成的抽象测试参考和生成的具体控制器代码运行在控制系统平台上的观测等价性。
2021-10-25 cs.RO cs.SE
Learning a Contact-Adaptive Controller for Robust, Efficient Legged Locomotion
NVIDIA（英伟达）；Univ. of British Columbia（不列颠哥伦比亚大学）；Univ. of Washington（华盛顿大学）；Caltech（加州理工学院）；UT Austin（德克萨斯大学奥斯汀分校）；Univ. of Toronto（多伦多大学）；Vector Institute（向量学院）
我们提出了一个分层的框架，结合基于模型的控制和强化学习（RL）合成鲁棒控制器的四足动物（Unitree莱卡戈）。该系统包括一个高级控制器，学习选择一组原语响应环境的变化和一个低级控制器，利用建立的控制方法来鲁棒地执行原语。我们的框架学习一个控制器，可以动态适应具有挑战性的环境变化，包括训练期间未见过的新场景。与基线方法相比，学习控制器的能量效率提高了85%，并且更加鲁棒。我们还部署在物理机器人上的控制器没有任何随机化或适应方案。
2020-11-23 cs.LG cs.RO
The Static Center of Pressure Sensitivity: a further Criterion to assess Contact Stability and Balancing Controllers
Istituto Italiano di Tecnologia（意大利技术研究院）
腿部运动越来越受到机器人界的关注。在这方面，接触稳定性在确保机器人保持平衡方面起着至关重要的作用，并且它是平衡和行走控制器的关键要素。压力中心是一个接触稳定性标准，它定义了一个必须严格保持在支撑多边形内部的点，以确保姿势稳定性。本文引入了静压力中心灵敏度的概念：粗略地说，就是压力中心相对于系统平衡位形的变化率。这一新概念可作为评估接触稳定性鲁棒性的附加标准。我们展示了如何敏感的压力中心也可以作为一个度量来评估平衡控制器，考虑两个国家的最先进的控制策略。在简化模型上进行了分析，并在iCub人形机器人的平衡任务中进行了验证。
2017-05-29 cs.RO math.OC
Adaptive Force Controller for Contact-Rich Robotic Systems using an Unscented Kalman Filter
University of California, Los Angeles（加州大学洛杉矶分校）
针对多点接触机器人的力控需求，提出一种基于自动整定的自适应导纳控制器，可兼顾旋转摩擦、力旋量跟踪、防滑与避奇异，并在攀爬机器人硬件上验证了操作与移动任务中的鲁棒性。
2023-10-01 cs.RO cs.SY eess.SY
Safe and Robust Observer-Controller Synthesis using Control Barrier Functions
University of Michigan（密歇根大学）
本文讨论了安全关键控制器的估计反馈的综合。我们提出了一个控制器的互连，以确保非线性系统保持安全，尽管有界干扰系统的动态和测量，对应于部分状态信息。观测器和控制器的协同设计是至关重要的，因为即使在不受干扰的情况下，独立设计的观测器和控制器也可能不会使系统安全。我们提出了两种方法来合成的控制器-控制器互连。第一种方法使用输入状态稳定观测器，第二种方法使用有界误差观测器。利用这些稳定性和有界性的观测误差，我们构造了新的控制障碍函数，施加不等式约束的控制输入，当满足时，证明安全。我们提出了基于二次规划的控制器来满足这些约束，并证明了Lipschitz连续性的派生控制器。仿真和实验验证了所提方法的有效性。
2022-11-25 cs.RO cs.SY eess.SY
ContactGrasp: Functional Multi-finger Grasp Synthesis from Contact
Georgia Tech（佐治亚理工学院）；NVIDIA Robotics（英伟达机器人部门）
抓取和操纵物体是人类的一项重要技能。由于大多数物体被设计成由人手操纵，拟人化的手可以实现更丰富的人机交互。理想的抓握不仅是稳定的，而且是功能性的：它们使物体的抓握后动作成为可能。然而，高自由度的拟人的手从物体形状的功能性把握合成是具有挑战性的，因为大的优化空间。我们提出了ContactGrasp，从物体形状和物体表面上的接触的功能把握合成的框架。可以手动指定联系人或通过演示获取联系人。我们的接触表示是以对象为中心的，并允许功能把握合成，即使手模型不同于用于演示。使用数据集的接触演示从人类掌握不同的家居用品，我们合成功能性把握三个手模型和两个功能性意图。该项目的网页是https://contactdb.cc.gatech.edu/contactgrasp.html。
2019-07-25 cs.CV cs.RO
Synthesis of Feedback Controller for Nonlinear Control Systems with Optimal Region of Attraction
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
我们提出了一个框架，用于合成的反馈控制策略，最大限度地提高区域的吸引力（ROA）的闭环非线性动力系统。我们的合成技术依赖于随机优化，这涉及到一个目标函数的计算捕获的ROA的反馈控制律。我们采用基于深度神经网络的机器学习技术来估计给定反馈控制器的ROA。总的来说，我们的技术是能够合成一个控制器共同优化传统的控制目标，如LQR成本与ROA。我们证明了我们的技术的有效性，通过详尽的实验进行各种非线性系统。
2020-04-26 cs.RO cs.SY eess.SY
Synthesising Robust Controllers for Robot Collectives with Recurrent Tasks: A Case Study
University of Bremen（不来梅大学）
本文针对具有优化目标、循环性和安全性约束的机器人群体，提出将随机双玩家博弈简化为POMDP单玩家博弈进行高层控制器综合，并通过公共建筑清洁案例提供大规模建模与综合指导。
2024-11-21 cs.AI cs.MA cs.RO
A Unified Robust Motion Controller Synthesis for Compliant Robots Driven by Series Elastic Actuators
针对串联弹性驱动器柔性机器人的位置和力控制问题，提出了一种统一的鲁棒运动控制器。它示出的柔性机器人的动力学模型不仅包括匹配，但也不匹配的干扰，通过不同的通道从控制输入作用于系统。为了解决这个复杂的鲁棒控制问题，统一的鲁棒运动控制器合成采用二阶扰动观测器（DOb），这使我们能够估计不仅干扰，而且其一阶和二阶导数，和一种新的控制器设计方法在状态空间。利用Brunovsky正则型变换和扰动及其一阶和二阶导数的估计，重构了机器人的动力学模型，从而得到了一个只包含匹配扰动的新的系统模型。通过传统的基于DOb的鲁棒控制方法消除重构系统模型的匹配干扰，简单地设计了鲁棒位置和力控制器。通过仿真验证了所提出的鲁棒运动控制器的稳定性和性能。
2022-02-01 cs.RO cs.SY eess.SY
Angular Momentum about the Contact Point for Control of Bipedal Locomotion: Validation in a LIP-based Controller
University of Michigan（密歇根大学）
在双足机器人的运动控制中，质心线速度被广泛接受为概括机器人状态向量的主要变量。本文讨论了无质量腿直线倒立摆（LIP）模型，指出了角动量在反馈控制中优于线速度的性质。为了不混淆角动量的好处与任何其他控制设计决策，我们首先重新制定标准的LIP控制器的角动量。然后，我们实现的反馈控制器的20度的自由度的双足机器人，凯西蓝，其中每条腿占近三分之一的机器人的总质量为35公斤。在该控制器下，机器人实现了快速行走、行走时快速转弯、大干扰抑制和在崎岖地形上的运动。本文中开发的推理适用于其他控制设计理念，无论是混合零动态还是强化学习。
2021-04-30 cs.RO cs.SY eess.SY
Safety Controller Synthesis for Collaborative Robots
University of York（约克大学）
针对人机协作中自动安全控制器需在弱假设下保证正确性的挑战，提出一种有工具支撑、结合制造与法规、经形式化验证且满足最优性的控制器综合方法，可实现危险检测、安全切换与任务恢复。
2020-07-07 cs.RO cs.SY eess.SY
Impact-aware humanoid robot motion generation with a quadratic optimization controller
CNRS（法国国家科学研究中心）；University of Montpellier（蒙彼利埃大学）
在类人机器人的多目标全身控制器中不处理撞击感知任务（即目的撞击）。这导致了这样一个事实，即人形机器人通常以接近零的速度操作以与外部环境交互。我们明确调查的传播的影响引起的速度和扭矩跳跃沿结构联动，并提出了一组约束，总是满足硬件限制，维持已经建立的接触和稳定性措施，即零力矩点条件。在不假设碰撞位置或时间的情况下，我们提出的控制器使人形机器人能够产生非零的接触速度，而不会破坏已建立的接触或跌倒。我们的方法的新颖之处在于建立在现有的连续动态全身多目标控制器，而不需要重置地图或混合控制。
2020-05-26 cs.RO eess.SP
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
Online Controller Synthesis for Robot Collision Avoidance: A Case Study
本文针对机器人避障中深度学习感知的分布偏移问题，提出结合周期性监测修复、不确定性重评估与概率模型检验的在线控制器合成框架，并通过双组件配置保证系统可用性，实验证明其性能显著优于基线方法。
2025-05-06 cs.RO cs.SY eess.SY
Deductive Controller Synthesis for Probabilistic Hyperproperties
Brno University of Technology（布尔诺理工大学）；TU Wien（维也纳工业大学）
本文提出一种基于抽象精化与演绎剪枝的控制器综合方法，用于求解MDP上的概率超性质，并首次支持控制器内及控制器间结构约束，实验表明其性能显著优于现有SMT工具HyperProb。
2023-07-10 cs.AI cs.LO cs.RO
Formal Synthesis of Controllers for Safety-Critical Autonomous Systems: Developments and Challenges
Shanghai Jiao Tong University（上海交通大学）；Tongji University（同济大学）；Xiamen University（厦门大学）
本文系统综述了安全关键自主系统的形式化控制器综合技术，涵盖不同系统模型、安全规范、抽象与无抽象方法、数据驱动方法及多智能体系统可扩展性挑战，并展望了未来研究方向。
2024-02-20 cs.RO cs.SY eess.SY
DexFLEX: Contact-Aware Foundation Controller for Command-Guided Dexterity
University of California San Diego（加利福尼亚大学圣迭戈分校）；University of Pennsylvania（宾夕法尼亚大学）；Sudo AI GmbH（Sudo AI 有限公司）
DexFLEX是接触感知基础控制器，可将指尖运动草案转化为接触一致的关节指令，在三类任务中提升鲁棒性，遥操作成功率从29.2%升至78.3%，策略学习成功率达46.7%。
2026-10-14 cs.AI cs.LG cs.RO
Synthesis of Stabilizing Recurrent Equilibrium Network Controllers
University of California, Berkeley（加州大学伯克利分校）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
该研究提出基于递归平衡网络的非线性动态控制器参数化方法，推导保证部分观测扇区有界非线性系统指数稳定的参数约束，采用含凸优化投影的策略梯度综合控制器，经非线性对象仿真验证有效。
2022-09-13 cs.AI cs.RO cs.SY
Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty
Radboud University（拉德堡德大学）；University of Oxford（牛津大学）
捕捉复杂动力系统模型中的不确定性对于设计安全控制器至关重要。随机噪声导致任意的不确定性，而模型参数的不精确知识导致认知的不确定性。有几种方法使用正式的抽象来合成满足与安全性和可达性相关的时间规范的策略。然而，基本模型只捕捉任意的，但不是认识的不确定性，因此需要模型参数是精确已知的。我们的贡献，克服这个限制是一种新的抽象为基础的控制器综合方法的连续状态模型的随机噪声和不确定参数。通过抽样技术和鲁棒性分析，我们捕获任意和认知的不确定性，与用户指定的置信水平，在转移概率区间的所谓的区间马尔可夫决策过程（iMDP）。我们合成一个最佳的政策，这iMDP，翻译（与指定的置信水平）的连续模型具有相同的性能保证的反馈控制器。我们的实验基准证实，占认知的不确定性导致控制器，更强大的参数值的变化。
2022-12-07 cs.AI cs.RO cs.SY
Recurrent Neural Network Controllers Synthesis with Stability Guarantees for Partially Observed Systems
University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）；Virginia Tech（弗吉尼亚理工大学）
神经网络控制器由于其灵活性和表现力而在控制任务中变得流行。稳定性是安全关键动力系统的一个重要特性，而部分观测系统的稳定性，在许多情况下，需要控制器保持和处理过去的长期记忆。将一类重要的递归神经网络（RNN）作为非线性不确定部分可观测系统的动态控制器，基于积分二次约束、S引理和序列凸化方法，推导出凸稳定性条件.为了确保在学习和控制过程中的稳定性，我们提出了一个投影的政策梯度方法，迭代地执行的稳定性条件，在重新参数化的空间，利用温和的额外信息系统动态。数值实验表明，我们的方法学习稳定控制器，而使用更少的样本，并取得更高的最终性能相比，政策梯度。
2021-12-07 cs.AI cs.RO cs.SY
Zonotope-based Symbolic Controller Synthesis for Linear Temporal Logic Specifications
Dalian University of Technology（大连理工大学）；UCLouvain（比利时鲁汶大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出一种基于zonotope的局部到全局控制策略，通过状态空间划分、接受路径验证和迭代符号综合，解决非线性系统在LTL规范下的控制器设计问题。
2024-05-02 cs.RO cs.SY eess.SY
Semi-Supervised Trajectory-Feedback Controller Synthesis for Signal Temporal Logic Specifications
Stanford University（斯坦福大学）
有时空规则规定机器人在复杂环境中应如何操作，例如，道路规则规定了（自动驾驶）车辆在道路上的行为。然而，将这些规则无缝地整合到机器人控制策略中仍然具有挑战性，特别是对于实时应用。在这项工作中，给定一个所需的时空规格表示的信号时序逻辑（STL）语言，我们提出了一个半监督控制器的合成技术，是调谐到类人的行为，同时满足所需的STL规范。离线时，我们通过对抗性训练方案合成了一个伪反馈神经网络控制器，该训练方案在计算控制时总结了过去的时空行为，然后在线时，我们执行梯度步骤以提高规范满意度。离线阶段的核心是一个基于模仿的正则化组件，它促进了更好的政策探索，并有助于诱导自然的人类行为。我们的实验表明，与仅在以前的工作中优化STL目标相比，具有基于模仿的正则化导致更高的定性和定量性能。我们证明了我们的方法的有效性与说明性的案例研究，并表明我们提出的控制器优于一个国家的最先进的射击方法在性能和计算时间。
2022-02-04 cs.RO cs.SY eess.SY
Verified Synthesis of Optimal Safety Controllers for Human-Robot Collaboration
University of Bremen（不来梅大学）；University of York（约克大学）；University of Sheffield（谢菲尔德大学）
本研究提出一种工具支持的人机协作安全控制器综合、验证与确认方法，结合流程与安全法规从可行设计空间中选优、形式化验证并在数字孪生中确认，通过制造单元案例验证了方法有效性。
2021-06-11 cs.HC cs.RO cs.SE
Controller Synthesis for Discrete-Time Polynomial Systems via Occupation Measures
Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院）
本文通过占用测度方法为离散时间多项式动力系统设计非线性状态反馈控制器，将控制器合成问题转化为无限维线性规划问题，并通过松弛为有限维半正定规划问题，从而提取非线性控制器，该方法具有计算复杂度低且可扩展性强的优势。
2018-07-26 cs.RO cs.SY eess.SY
OneVision: Centralized to Distributed Controller Synthesis with Delay Compensation
University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提出了一种新的算法，以简化分布式机器人系统的控制器开发受到外部观测，干扰和通信延迟。与以前的方法，提出专门的解决方案来处理特定的机器人应用程序的通信延迟，我们的算法使用任意的集中式控制器作为规范，并自动生成分布式控制器与通信管理和延迟补偿。我们将我们的目标表述为非线性最优控制--使用后悔最小化目标来衡量分布式代理的行为与无延迟集中式响应的不同程度--并求解最优行动w.r.t.使用基于梯度的优化对该目标进行局部估计。我们分析了我们提出的算法的线性时不变的特殊情况下的行为，并证明了闭环动态满足一种形式的输入到状态稳定w.r.t.意想不到的干扰和观察。我们在模拟和现实世界的机器人任务的实验结果表明，我们的方法的实际用途，并显示出显着的改善，几个基线方法。
2021-04-14 cs.MA cs.RO cs.SY
