Riemannian Flow Matching Policy for Robot Motion Learning
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院人形机器人与智能系统研究所）；Bosch Center for Artificial Intelligence（博世人工智能中心）
本文提出Riemannian Flow Matching Policies (RFMP)，一种用于学习机器人视觉运动策略的新模型，利用流匹配方法高效编码高维多模态分布并具备几何感知能力，实验表明相比Diffusion Policies，它能生成更平滑的动作轨迹且推理时间显著降低。
2024-08-27 cs.LG cs.RO
Implicit representation priors meet Riemannian geometry for Bayesian robotic grasping
University of Liège（列日大学）
本文提出利用隐式表示构建场景相关先验，并结合基于仿真的贝叶斯推断算法，在黎曼流形上高效确定非结构化环境中的机器人抓取姿态，仿真与物理实验验证了其高成功率。
2023-04-19 cs.LG cs.RO
Riemannian geometry as a unifying theory for robot motion learning and control
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
黎曼几何是一个数学领域，是革命性科学发现的基石，如广义相对论。尽管早期用于机器人设计和最近的应用程序，利用特定的几何数据，它在机器人技术中仍然被忽视。在这篇蓝天论文中，我们认为黎曼几何提供了最合适的工具来分析和生成具有许多自由度的机器人的协调一致的节能运动。通过初步的解决方案和新的研究方向，我们讨论了如何利用黎曼几何来设计和结合机器人技术的物理意义的协同作用，以及该理论如何打开大门耦合运动协同与感知输入。
2022-09-30 cs.RO
Geometry-aware Bayesian Optimization in Robotics using Riemannian Matérn Kernels
St. Petersburg State University（圣彼得堡国立大学）；University of Cambridge（剑桥大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Bosch Center for Artificial Intelligence（博世人工智能中心）；Imperial College London（帝国理工学院）；St. Petersburg Department of Steklov Mathematical Institute of Russian Academy of Sciences（俄罗斯科学院斯捷克洛夫数学研究所圣彼得堡分所）
贝叶斯优化是一种数据高效的技术，可用于机器人控制参数调整，参数化策略自适应和结构设计。许多这些问题需要优化的功能定义在非欧几里德域，如球体，旋转群，或空间的正定矩阵。要做到这一点，我们必须在感兴趣的空间上放置一个高斯过程，或者等价地定义一个核。有效的核通常反映了它们所定义的空间的几何形状，但设计它们通常是不平凡的。最近的工作黎曼Matérn内核，随机偏微分方程和Laplace-Beltrami算子的谱理论的基础上，提供了有前途的途径，朝着构建这样的几何感知内核。在本文中，我们研究了在机器人感兴趣的流形上实现这些内核的技术，展示了它们在一组人工基准函数上的性能，并说明了各种机器人应用的几何感知贝叶斯优化，包括方向控制，可操作性优化和运动规划，同时显示其改进的性能。
2023-03-18 cs.LG cs.RO
Riemannian Time Warping: Multiple Sequence Alignment in Curved Spaces
Technology and Innovation Center (TIC), KUKA Deutschland GmbH（技术与创新中心（TIC），KUKA德国公司）；Institute of Robotics and Process Control (IRP), Technische Universität Braunschweig（机器人与过程控制研究所（IRP），柏林工业大学）
针对弯曲空间中多信号时间对齐的缺失，提出黎曼时间规整（RTW）方法，利用黎曼流形几何结构高效对齐多序列，并在合成与真实机器人数据实验中显著优于现有基线。
2025-07-14 cs.LG cs.RO
Riemannian Optimization for Active Mapping with Robot Teams
University of California San Diego（加利福尼亚大学圣迭戈分校）；Technical University of Munich（慕尼黑工业大学）
本文提出ROAM方法，将多机器人主动建图建模为黎曼流形上的分布式优化问题，通过单跳通信实现三维语义地图估计与SE(3)轨迹规划，并在仿真和真实实验中验证其性能。
2024-05-05 cs.RO
A Riemannian Take on Distance Fields and Geodesic Flows in Robotics
Idiap Research Institute（Idiap研究机构）；École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院洛桑分校）
本文提出了一种基于黎曼几何的神经求解器，用于在机器人任务中计算测地线和最短路径，通过无网格隐式表示解决黎曼恩方程，实现对非欧几里得结构的高效建模。
2026-01-27 cs.RO
Learning Deep Robotic Skills on Riemannian manifolds
Aalto University（阿尔托大学）；University of Trento（特伦托大学）
提出深度生成模型 RiemannianFlow，通过保距映射在流形与切空间间转换以处理几何约束，实现 Riemannian 数据上稳定机器人技能学习，并经数据集与真实 PiH 任务验证。
2022-10-27 cs.RO
Fast and Robust Visuomotor Riemannian Flow Matching Policy
Bosch Center for Artificial Intelligence（博世人工智能中心）；Division of Robotics, Perception, and Learning, KTH Royal Institute of Technology（机器人、感知与学习 division，皇家理工学院）；Computer Science Department of the Technische Universität Darmstadt（达姆施塔特技术大学计算机科学系）
本文提出黎曼流匹配策略（RFMP）及其稳定变体SRFMP，利用流匹配的快速推理与黎曼几何约束，在十个模拟和真实任务上超越扩散策略和一致性策略。
2025-08-07 cs.LG cs.RO
Task Adaptation in Industrial Human-Robot Interaction: Leveraging Riemannian Motion Policies
ETH Zurich（苏黎世联邦理工学院）
针对工业人机交互需求，提出基于黎曼运动策略的模块化运动控制框架，实现免手动控制、复杂任务组合及意图识别与运动规划无缝集成，并在受现实工业场景启发的实验中验证了其有效性。
2024-06-25 cs.RO
Multi-Objective Policy Generation for Multi-Robot Systems Using Riemannian Motion Policies
Georgia Institute of Technology（佐治亚理工学院）
在许多应用中，需要多个机器人系统来实现多个目标。对于这些多目标任务，通常很难设计出同时满足所有目标的单个控制策略。在本文中，我们专注于多目标任务，可以分解成一组简单的子任务。这些子任务的控制器是单独设计的，然后组合成整个团队的控制策略。我们的工作的一个重要特点是，子任务控制器的设计与其底层流形。当一个控制器与其他控制器相结合时，它们的相关流形也被考虑在内。这种提法产生的多机器人系统，可以结合控制器的各种目标，同时隐式地处理机器人和子任务之间的相互作用的政策生成框架。为了描述流形上的控制器，我们采用黎曼运动策略（RMP），并提出了一个集合的RMP常见的多机器人子任务。集中式和分散式算法被设计成将这些RMP组合成最终的控制策略。理论分析表明，在控制策略下系统是稳定的。此外，我们证明，许多现有的多机器人控制器可以密切近似的框架。通过模拟任务和机器人实现所提出的算法进行验证。
2019-08-30 cs.RO
Learning Riemannian Manifolds for Geodesic Motion Skills
Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；Technical University of Denmark (DTU)（丹麦技术大学）；Max Planck Institute for Intelligent Systems (MPI-IS)（马克斯·普朗克智能系统研究所）
为了让机器人与人类一起工作并在非结构化环境中执行任务，它们必须学习新的运动技能，并使其适应飞行中看不见的情况。这就要求学习模型能够捕捉相关的运动模式，同时提供足够的灵活性，使编码技能适应新的要求，例如动态避障。我们引入了黎曼流形的角度来看这个问题，并建议学习黎曼流形上的人类示范，测地线是自然的运动技能。我们实现了这一点与变分自编码器（VAE）的位置和方向的机器人末端执行器的空间。测地线运动技能让机器人计划从数据流形上的任意点到任意点的运动。它们还提供了一种简单的方法，通过以在线方式重新定义环境指标来避免障碍。此外，测地线自然地利用多模式任务产生的流形来设计以前没有明确证明的运动。我们使用7-DoF机器人操纵器测试我们的学习框架，机器人令人满意地学习和再现具有精细运动模式的逼真技能，避免以前看不见的障碍物，并在多模式设置中生成新颖的运动。
2021-07-01 cs.AI cs.LG cs.RO
Decentralized Pose Graph Riemannian Optimization for Object-based Multi-Robot SLAM
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）；Division of Decision and Control Systems, School of EECS, KTH Royal Institute of Technology（瑞典皇家理工学院电气工程与计算机科学学院决策与控制系统系）
提出一种完全分布式的黎曼优化框架，通过共识机制解耦对象级多机器人SLAM中的位姿图优化问题，并利用近似牛顿法加速收敛，在SE(d)流形上保持几何一致性，显著降低通信开销并提升精度。
2026-06-24 cs.RO
On the Design of Region-Avoiding Metrics for Collision-Safe Motion Generation on Riemannian Manifolds
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院人体测量学与机器人研究所）
本文提出一种基于障碍函数修改位形空间流形黎曼度量的方法，通过在关节和任务空间系统生成远离禁行区的加速度，保证严格避区，从而生成人形机器人节能、动态感知且无碰撞的测地线运动。
2023-07-28 cs.RO
Learning Riemannian Stable Dynamical Systems via Diffeomorphisms
Bosch Center for Artificial Intelligence（博世人工智能中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
灵巧和自主的机器人应该能够熟练地执行复杂的动态运动。可以利用学习技术来构建这种动态技能的模型。为了实现这一点，学习模型需要编码一个类似于所需运动动态的稳定矢量场。这是具有挑战性的，因为机器人状态不会在欧几里得空间上演变，因此稳定性保证和矢量场编码需要考虑由例如取向表示产生的几何形状。为了解决这个问题，我们建议学习黎曼稳定动力系统（RSDS）的演示，使我们能够考虑不同的几何约束所产生的动力系统状态表示。我们的方法提供了黎曼流形上的Lyapunov稳定性保证，通过建立在神经流形常微分方程上的仿射来实现所需的运动动力学。我们表明，我们的黎曼方法使人们有可能学习稳定的动力系统显示复杂的向量场的说明性的例子和现实世界的操作任务，其中欧几里得近似失败。
2022-11-06 cs.LG cs.RO
Learning Stable Robotic Skills on Riemannian Manifolds
University of Trento（特伦托大学）；Aalto University（阿尔托大学）
提出一种在 Riemannian 流形上学习稳定动力系统的微分同胚映射方法，可满足 UQ 与 SPD 几何约束并保持目标收敛，仿真与真实机器人实验验证了其精度和任务适应能力。
2022-08-31 cs.RO
A Riemannian Metric for Geometry-Aware Singularity Avoidance by Articulated Robots
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
关节式机器人（如机械手）越来越多地必须在不确定和动态的环境中操作，其中需要进行交互（例如与人类同事）。在这些情况下，迅速适应作战空间限制的意外变化的能力至关重要。在机械手的配置空间中的某些点（称为奇点）处，机器人失去一个或多个自由度（DoF）并且不能在特定操作空间方向上移动。无法在操作空间中沿任意方向移动会损害适应性，并可能损害安全性。我们引入了一个几何意识的奇异性指数，定义使用黎曼度量的对称正定矩阵的流形上，提供一个措施的接近奇异配置。我们证明，我们的指数避免了一些故障模式和困难固有的其他常见指数。此外，我们表明，该指数可以很容易地区分，使其与用于操作空间控制的局部优化方法兼容。我们的实验结果表明，达到和路径跟踪任务，基于我们的索引优化优于一个常见的可操作性最大化技术，并确保奇异鲁棒运动。
2022-07-12 cs.RO
Surgical Robot, Path Planning, Joint Space, Riemannian Manifolds
The University of Tokyo, Department of Information Physics and Computing（东京大学信息物理与计算系）；The University of Tokyo, Department of Precision Engineering（东京大学精密工程系）；National Institute of Informatics, Principles of Informatics Research Division（国家信息研究所信息原理研究部）
本文提出在关节空间中利用黎曼流形进行路径规划，以解决手术机器人在非凹表面的运动限制问题，通过梯度下降法提高路径规划效率。
2026-03-16 cs.RO cs.SY eess.SY
Scalable Tactile Sensing for an Omni-adaptive Soft Robot Finger
Southern University of Science and Technology（南方科技大学）；AncoraSpring, Inc.（AncoraSpring公司）
由软材料和柔性结构制成的机器人手指在与非结构化物理环境交互时通常会导致更好的适应性。在本文中，我们提出了一种嵌入式传感解决方案，使用光纤的全方位自适应软机器人手指在所有方向上具有特殊的适应。特别是，我们设法插入一对光纤内的手指的结构腔，而不干扰其自适应性能。由此产生的集成是可扩展的，作为一个通用的，低成本的，防潮的解决方案，为物理安全的人机交互。此外，我们还对我们的手指设计进行了物体分类实验，在$\pm$ 6 mm的误差范围内识别了94%的物体截面直径，在$\pm$ 0. 1 mm/mm的误差范围内测量了80%的结构应变。所提出的传感器设计打开了许多门，在未来的应用软机器人在非结构化环境中的可扩展和自适应的物理交互。
2020-02-29 cs.LG cs.RO
Nonprehensile Riemannian Motion Predictive Control
University of Washington（华盛顿大学）
非线性操纵涉及到长时间的欠驱动对象相互作用和与不同对象的物理接触，这可能会固有地引入高度的不确定性。在这项工作中，我们引入了一种新的Real-to-Sim奖励分析技术，称为黎曼运动预测控制（RMPC），以可靠地想象和预测为真实机器人平台采取可能行动的结果。我们提出的RMPC受益于黎曼运动策略和二阶动力学模型来计算加速度命令和控制机器人在表面上的每个位置。我们的方法创建了一个真实场景的3D对象级重组模型，在那里我们可以模拟不同轨迹的效果。我们产生了一个闭环控制器，在一个连续的动作空间反应性地推动对象。我们评估我们的RMPC方法的性能进行实验，在一个真正的机器人平台上，以及模拟和比较几个基线。我们观察到，RMPC是强大的，以及在混乱和闭塞的环境，优于基线。
2021-11-15 cs.LG cs.RO cs.SY
Faster Visuomotor Policy Learning on Action Manifolds via Riemannian MeanFlow
Purdue University（普渡大学）
提出黎曼均值流策略（RMFP），在动作流形上学习条件流映射，通过流映射一致性目标实现单次网络评估生成动作序列，在多个基准和真实任务上以更低采样成本达到竞争性能。
2026-09-25 cs.RO
Bipedalism for Quadrupedal Robots: Versatile Loco-Manipulation through Risk-Adaptive Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Electric Research Labs (MERL)（三菱电机研究实验室（MERL））
针对四足机器人移动操作中腿臂冲突问题，提出风险自适应分布式强化学习框架，使其以后腿双足行走并解放前腿，仿真与 Unitree Go2 实验验证了性能、多功能性和鲁棒性。
2025-07-27 cs.LG cs.RO
Generalized Nonlinear and Finsler Geometry for Robotics
NVIDIA（英伟达）；Georgia Tech（佐治亚理工学院）；University of Washington（华盛顿大学）
机器人研究发现了黎曼几何的许多重要应用。尽管如此，这一概念对许多机器人专家来说仍然具有挑战性，因为背景材料复杂而且非常陌生。除了{ \em黎曼}几何之外，在数学文献中还有许多自然的概括--例如芬斯勒几何和喷雾几何--但这些概括在很大程度上是不可访问的，因此在机器人技术中的应用仍然很少。本文提出了一种重新推导的喷雾和芬斯勒几何形状，我们发现我们最近的工作发展的一个强大的行为设计工具，我们称之为几何织物的关键。这些推导建立在高级微积分和变分法的基本工具上，使它们比标准演示更容易被机器人观众所接受。我们专注于实用和可计算的结果，避免使用张量符号来吸引更广泛的受众，强调几何路径一致性的想法周围的连接和曲率。我们希望，这些推导将有助于增加了解广义非线性，甚至经典黎曼，几何机器人社区内，并激发未来的研究到新的应用。
2021-07-02 cs.RO
Riemannian Optimization for Distance-Geometric Inverse Kinematics
University of Toronto, Institute for Aerospace Studies（多伦多大学航空航天研究所）；University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
该研究将基于距离的逆运动学等价为距离几何问题，提出在固定秩 Gram 矩阵黎曼流形上补全部分欧氏距离矩阵，并用边界平滑初始化，以提升多约束问题的求解成功率。
2023-12-10 cs.RO
A Riemannian Take on Human Motion Analysis and Retargeting
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
人和机器人的动态运动广泛地由其自由度之间的姿态相关的非线性相互作用驱动。然而，这些动力学的影响仍然大多被忽视时，研究人体运动产生的机制。最近的作品的启发，我们假设，人体运动计划作为序列的测地线协同作用，从而对应于协调关节运动实现分段最小能量。底层的计算模型建立在黎曼几何基础上，以解释物体的惯性特征。通过对各种人体手臂运动的分析，我们发现我们的模型将运动分割成测地线协同作用，并成功地预测了观察到的手臂姿势，手的轨迹，以及各自的速度分布。此外，我们表明，我们的分析可以进一步利用复制个人的人类协同作用，在机器人配置空间中的测地线路径的机器人手臂运动。
2022-08-02 cs.RO
Reactive Motion Generation on Learned Riemannian Manifolds
Bosch（博世）
本文提出利用VAE从人类示教中学习黎曼度量，并以障碍物感知度量重塑流形生成测地线，使7自由度机械臂可反应式避障并产生多模式运动。
2023-08-17 cs.AI cs.LG cs.RO
Real-Time Adaptive Industrial Robots: Improving Safety And Comfort In Human-Robot Collaboration
University of St. Gallen（圣加仑大学）
本研究提出一种具备用户感知能力的实时自适应工业机器人系统，通过非侵入式监测生理信号动态调整机器人运动，可显著降低操作人员认知负荷，提升协作舒适度与安全感，为人机交互提供了新范式。
2024-09-14 cs.RO
Stable Robot Motions on Manifolds: Learning Lyapunov-Constrained Neural Manifold ODEs
Department of Computer and Information Sciences University of Konstanz（计算机与信息科学系康斯坦茨大学）；Department of Robotics, Mohamed bin Zayed University of Artificial Intelligence（机器人学系Mohamed bin Zayed人工智能大学）；Mechanical Engineering Department, New York University Abu Dhabi（机械工程系纽约大学阿布扎克分校）
提出一种在黎曼流形上学习稳定动力系统的通用框架，通过神经常微分方程和投影保证李雅普诺夫稳定性，并在多种流形及真实机器人实验中验证了性能。
2025-10-07 cs.LG cs.RO math.OC
Towards Feasible Dynamic Grasping: Leveraging Gaussian Process Distance Field, SE(3) Equivariance and Riemannian Mixture Models
University of Pennsylvania（宾夕法尼亚大学）
本研究整合高斯过程距离场、SE(3)等变网络与黎曼混合模型，提出动态环境下机器人抓取新方法，通过形状重建、等变采样与可达性评估生成可行抓取位姿，经实验验证可提升动态抓取成功率与执行平滑性。
2024-03-07 cs.RO
RIT*: Riemannian Informed Trees for Cost-Adaptive Optimal Motion Planning
Center for Autonomous Robotic Systems, Khalifa University（哈利法大学自主机器人系统中心）；Institute of Industrial and Control Engineering, Universitat Politècnica de Catalunya（加泰罗尼亚理工大学工业与控制工程研究所）
该研究提出RIT*规划框架，以黎曼原语替代批量知情搜索的欧几里得原语，结合CARM优化度量，在高维各向异性运动规划中显著降低成本，性能优于BIT*等基准方法。
2026-08-04 cs.RO
Adaptive Intelligent Spider Robot
本文介绍了一种自适应智能蜘蛛机器人的研制。通过传感器的整合，四条腿的蜘蛛机器人能够无线监控环境。提出了一种新的自动工位自适应NI控制器在智能机器人中的应用。研究工作将解决现有传统机器人自适应能力弱的问题。该项目提出了一种自适应智能蜘蛛机器人，无需人工接口。该设计利用国家仪器（NI）LabVIEW的控制方案，以产生一个智能便携式系统。此外，自适应智能蜘蛛机器人在面对障碍物时很容易适应新的情况。该设计是使用反馈回路原理图LabVIEW与智能控制器接口，并结合GH-311超声波传感器来检测机器人前面的任何障碍物，GH-312烟雾传感器用于检测特定区域的烟雾和LM 35温度传感器来获得周围的温度。该模块的设计和实现使用移动无线路由器模块TP-Link TL-MR3420路由器收发器的设备通信。对该机器人进行了测试和分析，系统效率在95%以上，可以胜任机器人的应用
2018-06-10 cs.RO
Mesh Manifold based Riemannian Motion Planning for Omnidirectional Micro Aerial Vehicles
ETH Zürich（苏黎世联邦理工学院）；Microsoft（微软公司）
本文提出了一种新的在线路径规划方法，使空中机器人与表面的互动。我们提出了一个解决问题的轨迹，驱动机器人对一个表面，并沿着它移动。三角形网格被用来作为一个表面地图表示，是免费的固定离散化，并允许非常大的离散。我们建议利用平面参数化方法来获得原始表面的低维拓扑等价表示。此外，我们解释了原始表面及其低维表示为流形近似，允许使用黎曼运动策略（RMP），从而产生一个高效，通用和优雅的运动生成框架。我们比较几个快速探索随机树（RRT）规划，定制的CHOMP变体，和离散测地线算法。使用广泛的模拟现实世界的数据，我们表明，建议的规划器可以可靠地规划高质量的近最佳轨迹，以最小的计算成本。随附的多媒体附件演示了一个真正的OMAV的可行性。所获得的路径显示小于10%的偏差，从理论上的最佳，同时促进反应性重新规划在kHz的刷新率，使飞行机器人执行运动规划与复杂的表面相互作用。
2021-02-20 cs.RO
To Lead or to Follow? Adaptive Robot Task Planning in Human-Robot Collaboration
University of Waterloo（滑铁卢大学）
本文提出一种兼顾人类引领/跟随偏好与表现的自适应机器人任务规划框架，通过用户研究验证其能提升团队表现并改善人类对协作的感知。
2025-07-20 cs.RO
A Novel Adaptive Controller for Robot Manipulators based on Active Inference
TU Delft（代尔夫特理工大学）
机器人需要更多的自适应控制器来处理大的模型不确定性。本文提出了一种新的主动推理控制器（AIC）作为工业机器人的自适应控制方案。该方案是很容易扩展到高自由度，它保持高性能，即使在存在大的未建模动态。所提出的方法是基于主动推理，一个有前途的神经科学理论的大脑，它描述了一个生物学上合理的算法的感知和行动。在这项工作中，我们制定积极的推理从控制的角度来看，推导出一个无模型的控制律，这是未建模动态不太敏感。在一个真实的7自由度机器人手臂的实验装置中，将该算法的性能和自适应特性与最先进的模型参考自适应控制器（MRAC）进行了比较。结果表明，AIC在自适应性方面优于MRAC，提供了一个更一般的控制律。这证实了主动推理对机器人控制的相关性。
2021-04-13 cs.RO
Adaptive Computing in Robotics, Leveraging ROS 2 to Enable Software-Defined Hardware for FPGAs
Xilinx, Inc.（赛灵思公司）
传统的机器人软件开发是关于在给定机器人的CPU中使用预定义的架构和约束进行编程功能。相反，使用自适应计算，构建机器人行为就是对架构进行编程。通过利用自适应计算，机器人专家可以在运行时间调整其计算系统的一个或多个属性（例如，其确定性、功耗、安全态势或吞吐量）。然而，机器人专家并不是硬件工程师，而且他们中缺乏嵌入式专业知识。本白皮书采用了以ROS 2机器人专家为中心的自适应计算观点，并提出了一种架构，将FPGA作为ROS 2生态系统的一级参与者。所提出的架构是平台和技术无关的，并且易于移植。该架构的核心组件在Apache 2.0许可证下公开，为机器人专家利用自适应计算和创建软件定义硬件铺平了道路。
2021-08-30 cs.AR cs.RO
MARLAS: Multi Agent Reinforcement Learning for cooperated Adaptive Sampling
University of Pennsylvania（宾夕法尼亚大学）；Brown University（布朗大学）；Plaksha University（普拉科沙大学）
多机器人自适应采样问题的目的是找到一组机器人的轨迹，以有效地采样感兴趣的现象在给定的耐力预算的机器人。在本文中，我们提出了一个强大的和可扩展的方法，使用多智能体强化学习的合作自适应采样（MARLAS）的准静态环境过程。给定被采样领域的先验知识，所提出的方法学习一组机器人在固定预算内对高效用区域进行采样的分散策略。多机器人自适应采样问题要求机器人之间相互协调以避免采样轨迹重叠。因此，我们将邻居位置的估计和机器人之间的间歇性通信编码到学习过程中。我们在多个性能指标上评估了MARLAS，发现它优于其他基线多机器人采样技术。此外，我们证明了可扩展性与机器人团队的大小和采样区域的大小。我们进一步证明了通信故障和机器人故障的鲁棒性。实验评估是在真实数据的模拟和真实机器人实验的演示环境设置。
2023-02-28 cs.RO
Intuitive Programming, Adaptive Task Planning, and Dynamic Role Allocation in Human-Robot Collaboration
本综述聚焦人机协作（HRC）中人类被动参与、机器人难适配的问题，识别并连接直观信息交换与技能转移的关键组件，考察交互全流程，为更自适应、易访问的HRC指明趋势与方向。
2025-11-11 cs.AI cs.LG cs.RO
Robot localization in a mapped environment using Adaptive Monte Carlo algorithm
本文研究在已知地图环境中利用自适应蒙特卡洛定位（AMCL）或粒子滤波方法实现机器人位姿估计与目标导航，并基于 ROS、Gazebo 和 RViz 对两个机器人进行仿真验证。
2025-01-02 cs.RO
Optimal Control Approach for Gait Transition with Riemannian Splines
Collaborative Robotics and Intelligent Systems (CoRIS) Institute at Oregon State University（俄勒冈州立大学协作机器人与智能系统研究所）
针对机器人步态转换平滑性与效率难题，提出基于几何最优控制的通用求解器，将轨迹执行能耗转化为几何对象、优化问题转为边值问题，经三连杆游动机器人多流体环境验证，为机器人运动的轨迹优化与力学设计提供参考。
2024-09-13 cs.RO
A review paper of bio-inspired environmental adaptive and precisely maneuverable soft robots
本文从软机器人的材料、驱动、力学性能、尺寸与尺度、结构等方面综述了软机器人领域的最新研究进展，并分析了软机器人的功能、制造工艺与这些因素之间的关系。
2021-01-10 cs.RO physics.bio-ph
Two-layer adaptive trajectory tracking controller for quadruped robots on slippery terrains
Institute of Computer Science, Foundation for Research and Technology–Hellas（希腊基础研究与技术基金会计算机科学研究所）；Hellenic Mediterranean University（希腊地中海大学）；University of Crete（克里特大学）
针对四足机器人在湿滑地形上因腿部不稳定接触导致的控制难题，提出一种包含两层优先适应机制的自适应轨迹跟踪控制器，以避免单腿或多腿滑动，并通过仿真和实验验证了其有效性。
2023-04-03 cs.RO
Hierarchical Adaptive Loco-manipulation Control for Quadruped Robots
University of Southern California（南加州大学）
足式机器人在不平坦地形的导航中显示出显著的优势。然而，在四足机器人上实现有效的运动和操纵任务仍然具有挑战性。此外，对象和地形参数通常是未知的机器人在这些问题。因此，本文提出了一种分层自适应控制框架，使足式机器人执行本地操作任务，而无需任何给定的假设对象的质量，摩擦系数，或地形的坡度。在我们的方法中，我们首先提出了一个自适应操纵控制来调节接触力，以操纵未知地形上的未知物体。然后，我们介绍了一个统一的模型预测控制（MPC）的本地操作，考虑到我们的机器人动力学的操纵力。因此，建议MPC框架可以有效地调节机器人和物体之间的相互作用力，同时保持机器人的平衡。我们所提出的方法的实验验证成功地进行了Unitree A1机器人，允许它操纵一个未知的时变负载$7$ $kg$（$60\%$的机器人的重量）。此外，我们的框架能够快速适应未知的斜率（高达$20^\circ$）或具有不同摩擦系数的不同表面。
2023-03-11 cs.RO
Towards Adaptive Planning of Assistive-care Robot Tasks
University of York（约克大学）；University of Málaga（马拉加大学）
这篇“研究预览”论文介绍了一种自适应路径规划框架，用于辅助护理应用中的机器人任务执行。该框架提供了一个基于图形的环境建模方法，使用Dijkstra算法进行动态路径查找。一个预测模块，使用概率模型检验估计通过环境中的人类的运动，允许运行时重新规划机器人的路径。我们说明了使用的框架模拟辅助护理案例研究，其中移动机器人导航通过环境和监测终端用户有轻度的身体或认知障碍。
2022-09-28 cs.RO
A Self-Adaptive IoT-based Approach for Improving the Decision Making of Active Surgical Robots in Hospitals
University of Washington Tacoma（华盛顿大学塔科马分校）
近年来，手术机器人已经成为辅助外科医生在医院中执行复杂手术程序的工具。与传统的手术方法不同，机器人系统帮助外科医生进行微创手术，同时提高手术的精度和控制（例如，微小切口，伤口缝合，内窥镜检查等）。在这种程度上，必须考虑可能影响在外科手术中使用机器人系统的可行性和决策的几个因素。在本文中，我们提出了一种基于物联网的自适应方法，该方法使用多标准决策分析方法（MCDA）来增强涉及手术机器人的手术决策。在本文中，我们提出了实验验证结果，利用MCDA作为一种有效的战略，提高决策，采用机器人系统在外科手术。
2021-07-30 cs.RO
On CAD Informed Adaptive Robotic Assembly
Autodesk Research（欧特克研究院）；Autodesk Fusion 360（欧特克Fusion 360部门）
我们介绍了一个机器人装配系统，它简化了从设计到制造的工作流程，从产品装配的CAD模型到完全编程和自适应的装配过程。我们的系统捕获（在CAD工具中）特定机器人工作单元的装配过程的意图，并生成任务级指令的配方。通过将视觉传感与深度学习的感知模型相结合，机器人可以从生成的食谱中推断出组装设计所需的必要操作。感知模型直接从模拟中训练，允许系统根据CAD信息识别各种零件。我们展示了系统的工作单元的两个机器人组装联锁3D零件设计。我们首先在模拟中构建和调整装配过程，验证生成的配方。最后，真正的机器人工作单元使用相同的行为组装设计。
2022-08-02 cs.RO
Using Petri Nets for Context-Adaptive Robot Explanations
Department of Computer Science and Informatics, School of Engineering, Jönköping University（计算机科学与信息学系，工程学院，约克灵大学）
本文提出使用 Petri nets 建模上下文信息以实现自适应机器人解释，通过形式化图形方法表示并发动作与系统状态，并验证了模型的无死锁、可达性等关键属性，展现了在人机交互中设计与验证上下文自适应解释的鲁棒性和灵活性。
2025-09-17 cs.RO
Robot Inner Attention Modeling for Task-Adaptive Teaming of Heterogeneous Multi Robots
Kent State University（肯特州立大学）
由于团队规模和功能的多样性，异构多机器人系统（HMRS）被广泛应用于灾难搜救、现场监控、社会安全等复杂大规模场景，其中多个具有不同功能和数量的机器人协调执行任务。然而，由于各种任务的要求，它是具有挑战性的，准确地组成一个机器人团队具有适当的大小和功能，以动态地满足任务的需要，同时限制机器人资源成本到一个较低的水平。针对这一问题，提出了一种新的自适应协作方法--内部注意力（innerATT），使异构机器人能够根据任务类型和环境变化灵活地协作执行任务。innerATT是通过将一种新的注意力机制集成到多智能体演员-评论家强化学习架构中而设计的。通过注意力机制，将分析机器人的能力，以灵活地形成团队，以满足任务要求。设计了具有不同任务多样性（“单任务”、“双任务”和“混合任务”）的场景。在柔性协作中的准确性验证了innerATT的有效性。
2021-03-14 cs.RO
Highly Accurate Robot Calibration Using Adaptive and Momental Bound with Decoupled Weight Decay
针对工业机器人长时间运行后绝对定位精度下降的问题，本文提出结合自适应和动量边界与解耦权重衰减的AdaModW算法，通过改进Adam优化器提升收敛率与泛化能力，在HRS-JR680机器人实验中显著优于现有方法。
2024-08-22 cs.RO
An Adaptive Framework for Reliable Trajectory Following in Changing-Contact Robot Manipulation Tasks
Sunrise Setting Ltd（日出设置有限公司）；SAGE Publications Ltd（SAGE出版有限公司）；University of Birmingham（伯明翰大学）；Honda Research Institute Europe GmbH（本田欧洲研究院有限公司）
我们描述了一个框架，改变接触机器人操作任务，需要机器人与物体和表面接触和断开。这种任务的不连续的交互动力学使得难以构建和使用单个动力学模型或控制策略，并且在接触变化期间动力学的高度非线性性质可能对机器人和物体造成损害。我们提出了一个自适应控制框架，使机器人能够逐步学习，以预测在不断变化的接触任务中的接触变化，学习分段连续系统的相互作用动力学，并提供平滑和准确的轨迹跟踪使用任务空间可变阻抗控制器。我们实验比较我们的框架的性能对代表性的控制方法，以建立我们的框架的自适应控制和增量学习组件需要实现平滑控制中存在的不连续的动态变化接触机器人操作任务。
2021-11-15 cs.RO
Adaptive Fault Tolerant Execution of Multi-Robot Missions using Behavior Trees
The Royal Institute of Technology - KTH（瑞典皇家理工学院）
与单机器人解决方案相比，多机器人团队提供了改进性能和容错的可能性。在本文中，我们将展示如何实现这些可能性时，从一个单一的机器人系统控制的行为树（BT）。通过将单个机器人BT扩展到多机器人BT，我们能够将BT的容错特性（就内置回退而言）与多机器人方法中固有的容错（就故障机器人被另一个机器人替换而言）相结合。此外，我们通过识别和利用并行任务执行的机会来提高性能，这些机会存在于单个机器人BT中。分析所提出的方法，我们提出的结果，关于任务的性能是如何受到影响的小故障（机器人失去一个能力），以及重大故障（机器人失去所有的能力）。最后给出了一个具体的例子来说明该方法。
2015-02-10 cs.RO
Functional advantages of an adaptive Theory of Mind for robotics: a review of current architectures
机器人领域已经取得了巨大的进步，但是，主要的挑战仍然存在，包括构建具有自适应心理理论（ToM）的机器人。在本论文中，七个当前的机器人架构的人机交互，以及四个主要的功能优势，配备一个自适应的ToM机器人。本论文的目的是确定ToM功能以何种方式集成到所分析的架构中以及集成的频率，以及它们是否为机器人提供相关的功能优势。我们的评估表明，不同的方法被用来实现ToM功能的机器人架构。此外，虽然用于错误信念理解和跟踪的ToM通常是内置的社交机器人架构，但用于主动性、主动感知和学习的ToM并不常见。尽管如此，在机器人中实现更好的自适应ToM功能的进展是有必要的，以使它们能够充分利用具有类似于人类的ToM的优势。
2019-08-31 cs.AI cs.HC cs.RO
Adaptive Visual Perception for Robotic Construction Process: A Multi-Robot Coordination Framework
Texas A&M University（德克萨斯农工大学）
本研究提出一种多机器人协调框架，通过监督机器人自适应调整姿态优化视觉覆盖，以解决施工中视野遮挡问题，并验证了视点选择方法的有效性与鲁棒性。
2024-12-15 cs.RO
Velocity Regulation of 3D Bipedal Walking Robots with Uncertain Dynamics Through Adaptive Neural Network Controller
Ohio State University（俄亥俄州立大学）；National Research Council of Canada（加拿大国家研究委员会）；University of Waterloo（滑铁卢大学）；Southern University of Science and Technology（南方科技大学）
提出了一种基于神经网络的自适应反馈控制结构，用于在动力学不确定性条件下对3D双足机器人进行速度调节。现有的基于混合零动态（HZD）的控制器通过实施启发式调节器来调节速度，该调节器不考虑模型和环境不确定性，这可能会显着影响控制器的跟踪性能。在本文中，我们解决的不确定性，在机器人动力学的虚拟约束的降维表示的角度来看，并提出了一个自适应神经网络为基础的控制器，以调节机器人的速度在模型参数的不确定性的存在下，集成。所提出的方法产生动态不确定性下的跟踪性能改善。本文中使用的浅层自适应神经网络不需要事先训练，并有可能在实时机器人控制器上实现。一个3D Cassie机器人的比较仿真研究，以说明所提出的方法在各种情况下的性能。
2020-08-02 cs.RO
Environmentally Adaptive Control Including Variance Minimization Using Stochastic Predictive Network with Parametric Bias: Application to Mobile Robots
The University of Tokyo（东京大学）
针对难建模、状态部分可观测且环境动态变化的机器人控制问题，提出带参数偏差的随机循环神经网络预测模型及含方差最小化的自适应控制方法，经仿真和Fetch真机验证有效。
2024-12-11 cs.RO
