Contrastive Imitation Learning for Language-guided Multi-Task Robotic Manipulation
AI Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）AI Thrust）；The Hong Kong University of Science and Technology（香港科技大学）
本文提出Sigma-Agent，通过对比模仿学习和多视图查询Transformer增强视觉-语言与当前-未来表示，在RLBench和真实操作任务中显著提升多任务机器人操作性能。
2024-06-14 cs.CV cs.RO
Differential Amplifier-Inspired AmpAttention for Multi-View Robotic Manipulation
National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, and Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人机混合增强智能技术国家级重点实验室、人工智能与机器人研究所）
针对机器人视图图像问题，提出受模拟电路差分放大器启发的AmpAttention机制，抑制注意力噪声。基于此引入RVAF模型，提升训练效率与任务性能，还扩展为RVAF++，在高精度任务上成果显著。
2026-07-07 cs.AI cs.CV cs.RO
Masked World Models for Visual Control
KAIST（韩国科学技术院）；UC Berkeley（加州大学伯克利分校）；Google Research（谷歌研究院）；University of Toronto（多伦多大学）
本文提出将视觉表示学习与动力学学习解耦的视觉模型强化学习框架，通过掩码自编码器和奖励预测目标，在Meta-world和RLBench的视觉机器人任务上取得最先进性能。
2023-05-27 cs.AI cs.CV cs.LG
Scaling Manipulation Learning with Visual Kinematic Chain Prediction
Rutgers University（罗格斯大学）
本文提出视觉运动学链作为跨环境机器人操作的通用表示，并设计无卷积的Visual Kinematics Transformer (VKT)架构，通过最优点集匹配预测运动学结构，在多个基准和真实任务中优于BC transformers。
2024-10-14 cs.AI cs.RO
The Unreasonable Effectiveness of Discrete-Time Gaussian Process Mixtures for Robot Policy Learning
Department of Computer Science, University of Freiburg, Germany（弗赖堡大学计算机科学系）
提出MiDiGap方法，利用少量演示和相机观测，通过离散时间高斯过程混合实现机器人操作策略的灵活表示与模仿学习，在长时域、高约束、动态和多模态任务上取得SOTA性能，并支持推理时引导。
2026-06-11 cs.AI cs.LG cs.RO
ViReSkill: Vision-Grounded Replanning with Skill Memory for LLM-Based Planning in Lifelong Robot Learning
Panasonic Connect Co., Ltd.（松下电器（株式会社））；Panasonic R&D Center（松下研发中心）；National University of Singapore（新加坡国立大学）
针对 LLM/VLM 机器人规划缺乏物理场景锚定且输出不稳定的问题，本文提出 ViReSkill，通过视觉条件重规划和可复用技能记忆实现终身学习，并在仿真与实体机器人上验证了更高成功率。
2025-09-29 cs.AI cs.LG cs.RO
Memory Transfer Planning: LLM-driven Context-Aware Code Adaptation for Robot Manipulation
Panasonic Connect Co., Ltd.（松下电器（控股）公司）；Panasonic R&D Center（松下研发中心）；National University of Singapore（新加坡国立大学）
提出 MTP 框架，通过检索并上下文适配跨环境成功控制代码作为程序性记忆，使 LLM 无需更新参数即可为机器人操作生成可迁移计划。
2025-09-29 cs.AI cs.LG cs.RO
Distillation for Efficient Multitask Manipulation Policies via Conditional Flow Matching
University of Freiburg（弗莱堡大学）
本文提出通过转移单任务CFM专家的速度场，将知识蒸馏到共享多任务策略，结合原始CFM目标，在RLBench上以固定模型大小提升多任务性能。
2026-09-25 cs.AI cs.LG cs.RO
Reference Wording Shapes Retrieval of Robot Task Instructions
本研究以RLBench操作基准为对象，探究参考措辞对机器人任务指令检索的影响，对比5种无训练词汇排序器，发现字符n-gram TF-IDF表现最优，添加索引描述可提升检索准确率。
2026-10-14 cs.AI cs.CL cs.IR
Act3D: 3D Feature Field Transformers for Multi-Task Robotic Manipulation
Carnegie Mellon University（卡内基梅隆大学）
提出Act3D，一种基于自适应分辨率3D特征场的操作策略Transformer，通过从粗到细的相对位置注意力高效计算高分辨率3D动作图，在RLBench基准上以更少计算量大幅超越2D和3D SOTA策略。
2023-10-19 cs.AI cs.LG cs.RO
Autoregressive Action Sequence Learning for Robotic Manipulation
Rutgers University（罗格斯大学）
本文提出自回归策略（ARP）架构，通过分块因果变换器（CCT）生成混合动作序列，解决机器人操作任务，在多个基准上匹配或超越专用方法，且更高效。
2025-03-25 cs.AI cs.LG cs.RO
MUCO: A Mani-Unit-Structured Manipulation Framework for Compositional Long-Horizon Robot Tasks
School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院）
针对长时程机器人操作的问题，提出MUCO框架，通过可复用的操作单元实现跨任务策略组合，在多个基准和真实任务上取得了更优的任务成功率与故障遏制效果。
2026-10-15 cs.AI cs.RO
Talk Through It: End User Directed Manipulation Learning
Minnesota Robotics Institute, University of Minnesota（明尼苏达大学明尼苏达机器人研究所）
本文提出基于终端用户语言指令的分层机器人学习框架，利用工厂模型收集演示训练家用模型执行高层级任务，在RLBench上使技能成功率提升16%，并探索了VLM自动分解任务的效果。
2024-02-19 cs.RO
EnvBridge: Bridging Diverse Environments with Cross-Environment Knowledge Transfer for Embodied AI
Panasonic Connect Co., Ltd.（松下连接有限公司）；National University of Singapore（新加坡国立大学）；Panasonic R&D Center Singapore（松下新加坡研发中心）；Panasonic R&D Center Germany（松下德国研发中心）
本文提出EnvBridge方法，通过将成功的机器人控制代码从源环境迁移到目标环境，并利用多环境知识，提升LLM智能体在机器人操作中的跨环境适应性与泛化能力，在RLBench、MetaWorld和CALVIN基准上验证了有效性。
2024-10-22 cs.AI cs.CL cs.LG
RACER: Rich Language-Guided Failure Recovery Policies for Imitation Learning
University of Michigan（密歇根大学）
针对机器人操作缺乏自我恢复机制及简单语言指令局限的问题，提出RACER框架，结合失败恢复数据与丰富语言描述，利用VLM在线监督纠正错误，在多项任务中显著提升了机器人的控制性能。
2024-09-23 cs.CL cs.CV cs.RO
Learning to See and Act: Task-Aware Virtual View Exploration for Robotic Manipulation
Sun Yat-sen University（中山大学）；Pengcheng Laboratory（鹏城实验室）；Nanyang Technological University（南洋理工大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院）；X-Era AI Lab（X-Era AI实验室）
本文提出TVVE框架，通过动态选择任务相关虚拟视角和重构场景表示，提升机器人操作在遮挡和跨任务迁移中的性能，实验验证其鲁棒性。
2026-03-18 cs.CV cs.RO
The Art of Imitation: Learning Long-Horizon Manipulation Tasks from Few Demonstrations
University of Freiburg（弗赖堡大学）
本文提出将末端执行器速度分解为方向与大小并用黎曼GMM建模，结合技能分割对齐和视觉任务参数自动检测，使机器人仅凭五次RGB-D演示即可学习长时程操作任务，在RLBench上达到最先进性能且样本效率提升20倍。
2024-10-23 cs.LG cs.RO
MoLe-VLA: Dynamic Layer-skipping Vision Language Action Model via Mixture-of-Layers for Efficient Robot Manipulation
Nanjing University（南京大学）；The Hong Kong Polytechnic University（香港理工大学）；Peking University（北京大学）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）；The Hong Kong University of Science and Technology（香港科技大学）
针对多模态大语言模型部署时的计算存储问题，提出MoLe-VLA模型，通过层混合动态跳层、STAR路由器和CogKD框架，提升机器人操作效率与性能，平均成功率提高8%且计算成本降低5.6倍。
2025-04-14 cs.AI cs.RO
Is Online Interaction Necessary for Recovery? A Minimalist Approach to Robust Planning via Perturbation
针对行为克隆在闭环执行中易受协变量偏移影响的问题，提出扰动增强恢复监督（PARS），仅用现有演示通过扰动状态并锚定轨迹后半段来提供恢复监督，无需额外交互或专家，在51个RLBench任务上验证了鲁棒性提升。
2026-09-29 cs.RO
SADP: Subgoal-Aware Diffusion Policy for Long-Horizon Manipulation Learned from Foundation Model Generated Demonstrations
Department of Systems Innovation, Graduate School of Engineering Science, Osaka University（系统创新系，工学研究科，大阪大学）
本文提出SADP，一种基于基础模型生成示范的子目标感知扩散策略，用于可解释机器人，通过自主生成子目标标注的示范数据，训练扩散策略，使机器人能够通过子目标结构和执行进度向用户解释决策过程，从而在长周期操作中实现更高的任务成功率和故障诊断能力。
2026-10-20 cs.RO
More complex environments may be required to discover benefits of lifetime learning in evolving robots
University of Oslo（奥斯陆大学）
本研究探讨了寿命内学习对演化机器人运动的影响，发现在更具挑战性的丘陵环境中学习的益处显著优于平坦环境，表明评估机器人学习效果需采用复杂环境。
2024-12-11 cs.AI cs.RO
On the Importance of Environments in Human-Robot Coordination
University of Southern California（南加州大学）
在研究机器人与人类合作时，大部分关注点都集中在机器人策略上，这些策略可以在协作任务中与人类队友流畅地协调。然而，很少有人强调的环境对协调行为的影响。为了彻底探索导致不同行为的环境，我们提出了一个程序生成环境的框架，这些环境（1）在风格上类似于人类创作的环境，（2）保证可由人类-机器人团队解决，（3）在协调措施方面多样化。我们通过模拟和在线用户研究分析程序生成的环境中的过度烹饪基准域。结果表明，即使机器人运行相同的规划算法，环境也会导致质量不同的新兴行为和统计上显著的协作流畅性指标差异。
2021-06-28 cs.AI cs.RO
Trajectory-based Diffusion from One-shot Human Video for Generalizable Manipulation
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Zerith Robotics（智臻机器人）；University of Science and Technology of China（中国科学技术大学）
本研究提出基于轨迹的框架TDV，利用6D位姿估计从人类视频提取目标轨迹，实现通用操作，在RLBench仿真7项任务中近100%成功，真实场景可跨实体泛化。
2026-10-16 cs.RO
Markov Localization for Mobile Robots in Dynamic Environments
Carnegie Mellon University（卡内基梅隆大学）；University of Freiburg（弗莱堡大学）
定位，即从传感器数据中估计机器人的位置，是移动机器人中的一个基本问题。本文提出了一个版本的马尔可夫定位，提供准确的位置估计，这是针对动态环境。马尔可夫定位的关键思想是保持机器人在其环境中的所有位置的空间上的概率密度。我们的方法表示这个空间度量，使用细粒度的网格近似密度。它能够从头开始全局定位机器人，并从定位失败中恢复。它对环境（例如占用网格地图）和噪声传感器（例如超声波传感器）的近似模型是鲁棒的。我们的方法还包括一个过滤技术，它允许移动机器人可靠地估计其位置，即使在人口稠密的环境中，人群阻挡机器人的传感器的时间延长。这里所描述的方法已经在移动机器人的几个实际应用中实现和测试，包括部署两个移动机器人作为交互式博物馆导游。
2011-06-01 cs.AI cs.RO
Situated Multimodal Control of a Mobile Robot: Navigation through a Virtual Environment
Brandeis University（布兰迪斯大学）
我们提出了一个新的界面，用于控制导航机器人在新的环境中使用协调的手势和语言。我们使用一个带有激光雷达和摄像头的TurtleBot3机器人，一个机器人在探索时遇到的具体模拟，以及一个促进通用通信的跨平台桥梁。人类伙伴可以使用英语口语和相对于模拟环境的手势向机器人传递指令，以引导机器人完成导航任务。
2020-07-13 cs.AI cs.CL cs.RO
SERA: Safe and Efficient Reactive Obstacle Avoidance for Collaborative Robotic Planning in Unstructured Environments
在工业4.0时代，非结构化环境中多个机器人之间的安全高效协作变得越来越重要。然而，实现人类和其他机器人之间的鲁棒和自主协作需要现代机器人系统具有有效的接近感知和反应性避障。在本文中，我们提出了一种新的方法，反应全身避障，确保无冲突的机器人，机器人之间的互动，即使在动态环境中。与现有的基于Jacobian类型、基于采样或几何技术的方法不同，我们的方法利用了最新的深度学习进展和拓扑流形学习，使其能够以高计算效率和快速图遍历技术轻松推广到其他问题设置。我们的方法允许机器人手臂在没有直接接触的情况下主动避开任意3D形状的障碍物，这是对传统工业协作机器人设置的重大改进。为了验证我们的方法，我们在一个机器人平台上实现了它，该平台由具有优化的接近传感器位置的双6自由度机械臂组成，能够在不同程度的干扰下协同工作。具体而言，一只手臂在实现其预定目标的同时执行反应性全身避障，而另一只手臂则模仿具有独立和潜在对抗性运动的人类合作者的存在。我们的方法为非静止环境中的安全人机协作提供了一个强大而有效的解决方案。
2023-03-28 cs.AI cs.RO
Autonomous Planning Based on Spatial Concepts to Tidy Up Home Environments with Service Robots
College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院）
服务机器人在家庭环境中的整理任务在机器人应用中具有挑战性，因为它们涉及与环境的各种交互。特别是，机器人不仅需要抓取、移动和释放各种家用物体，而且还需要规划放置物体的顺序和位置。在本文中，我们提出了一种新的规划方法，可以有效地估计的顺序和位置的对象整理通过学习的概率生成模型的参数。该模型允许机器人学习的对象和地方的同现概率的分布整理使用在整洁的环境中收集的多模态传感器信息。此外，我们还开发了一个自动机器人系统来执行清理操作。我们通过实验模拟来评估所提出的方法的有效性，该实验模拟再现了2018年世界机器人峰会国际机器人竞赛的Tidy Up Here任务的条件。仿真结果表明，所提出的方法，使机器人能够连续整理多个对象，并取得了最好的任务得分之间所考虑的基线整理方法。
2021-02-10 cs.AI cs.RO
Situational Graphs for Robot Navigation in Structured Indoor Environments
University of Luxembourg（卢森堡大学）；Universidad de Zaragoza（萨拉戈萨大学）
移动机器人应该意识到自己的处境，包括对周围环境的深刻理解以及对自身状态的估计，以便在真实环境中成功地做出智能决策并自主执行任务。3D场景图是一个新兴的研究领域，它提出了在包括几何、语义和关系/拓扑维度的联合模型中表示环境。虽然3D场景图已经与SLAM技术相结合，为机器人提供了情境理解，但仍需要进一步的研究来有效地将它们部署到移动机器人上。为此，我们在本文中提出了一种新的，实时的，在线构建的情境图（S-图），它结合在一个单一的可优化的图形，表示的环境与上述三个维度，连同机器人姿势。我们的方法利用里程读数和从3D LiDAR扫描中提取的平面表面，实时构建和优化三层S-Graph，其中包括（1）机器人跟踪层，其中机器人姿势被注册，（2）具有平面墙壁等特征的度量语义层，以及（3）我们的新颖拓扑层使用更高级别的特征（如走廊和房间）约束平面墙壁。我们的建议不仅展示了国家的最先进的结果姿态估计的机器人，但也有助于与度量语义拓扑模型的环境
2022-07-01 cs.AI cs.RO
Scalable Multi-robot Motion Planning for Congested Environments With Topological Guidance
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Texas A&M University（德克萨斯A&M大学）
本研究将拓扑引导的单机器人运动规划扩展到多机器人领域，在拥挤狭窄环境中实现高效可扩展规划，支持比现有方法大25倍的团队规模，并生成更优路径。
2023-05-25 cs.AI cs.MA cs.RO
Robotic Hierarchical Graph Neurons. A novel implementation of HGN for swarm robotic behaviour control
Monash University（莫纳什大学）；Defence Science and Technology Group（国防科学技术集团）；Sensor Analytics（传感器分析公司）
本文探讨了使用一种新形式的层次图神经元（HGN）在操作行为选择的机器人代理群。这种新的HGN被称为Robotic-HGN（R-HGN），因为它通过融合来自时间和群内集合的匹配概率来将机器人环境观测与环境标签相匹配。这种方法对于HGN来说是新颖的，因为它解决了机器人观测是伪连续数字，而不是分类值。此外，所提出的方法是存储器和计算功率保守的，因此是可以接受的，用于移动设备，如单板计算机，这是经常使用的移动机器人代理。该R-HGN方法针对个体行为实现和随机行为选择进行了验证。这种对比是在两组模拟环境中进行的：旨在挑战R-HGN行为的环境，以及随机生成的环境，这些环境对机器人群来说比R-HGN训练条件更具挑战性。已经发现R-HGN能够在这两个集合中进行适当的行为选择，从而在预先训练和意外的环境条件下实现显著的群体性能。
2019-10-28 cs.AI cs.MA cs.RO
A Novel Knowledge-Based Genetic Algorithm for Robot Path Planning in Complex Environments
University of Guelph（圭尔夫大学）
提出了一种新的基于知识的遗传算法用于非结构化复杂环境中移动机器人的路径规划，该算法设计了5个针对具体问题的算子，以实现高效的机器人路径规划。建议的遗传算法将机器人路径规划的领域知识纳入其专门的运营商，其中一些还结合了局部搜索技术。提出了一种独特而简单的机器人路径表示方法，并提出了一种简单而有效的路径评价方法，该方法能准确地检测出碰撞，并能很好地反映机器人路径的质量。该算法能够找到一个接近最优的机器人路径在静态和动态的复杂环境。仿真研究表明了该算法的有效性和效率。通过比较研究，证明了专用遗传算子在解决机器人路径规划问题的遗传算法中不可替代的作用。
2022-09-03 cs.AI cs.RO cs.SY
Simulation Model of Two-Robot Cooperation in Common Operating Environment
University of Technology（技术大学）
本文考虑了两个三层机械手之间的象棋博弈过程的仿真建模问题。游戏建设的目的在于发展的过程中，位于一个共同的操作环境中的自主机械手机器人的有效控制。仿真模型是建立一个自然的复杂的，将提供一个共同的操作环境中的几个机械手机器人的合作的初步阶段。这篇文章涉及培训和研究问题。
2019-08-22 cs.AI cs.CY cs.RO
Designing Environments Conducive to Interpretable Robot Behavior
Arizona State University（亚利桑那州立大学）；Harvard University（哈佛大学）；IBM Research（IBM研究院）
设计能够产生可解释行为的机器人是实现有效人机协作的先决条件。这意味着机器人需要能够产生符合人类期望的行为，并在需要时向循环中的人类提供解释。然而，在任意环境中表现出这种行为对于机器人来说可能是相当昂贵的，并且在某些情况下，机器人甚至可能无法表现出预期的行为。给定结构化环境（如仓库和餐馆），可以设计环境以提高机器人行为的可解释性或塑造人类对机器人行为的期望。在本文中，我们调查的机会和限制，环境设计作为一种工具，以促进一种类型的可解释的行为-在文献中称为可解释的行为。我们制定了一个新的环境设计框架，认为设计在多个任务和一个时间范围内。此外，我们还探讨了可解释行为的纵向方面，以及设计成本和在一段时间内产生可解释行为的成本之间的权衡。
2020-08-02 cs.AI
Test-Time Mixture of World Models for Embodied Agents in Dynamic Environments
Department of Computer Science and Engineering（计算机科学与工程系）；Sungkyunkwan University（庆尚大学）
TMoW通过测试时间更新路由函数，提升具身智能体在动态环境中的适应性与持续学习能力。
2026-01-30 cs.AI
Language Understanding for Field and Service Robots in a Priori Unknown Environments
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）；University of Rochester（罗切斯特大学）；Kodiak Robotics, Inc.（科迪亚克机器人公司）；Cruise（克鲁斯公司）；Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）
当代的感知、规划、估计和控制方法使机器人能够在不确定的非结构化环境中作为我们的远程代理人稳健地运行。这一进步为机器人创造了机会，不仅可以单独操作，而且可以在我们复杂的环境中与人类一起操作。实现这一机会需要一种高效灵活的媒介，通过这种媒介，人类可以与协作机器人进行通信。自然语言提供了这样一种媒介，通过自然语言理解统计方法的重大进展，机器人现在能够解释各种自由形式的命令。然而，大多数当代的方法需要一个详细的，事先的空间语义地图的机器人的环境，模型的空间可能的参考话语。因此，当机器人被部署在新的、先前未知的或部分观察到的环境中时，特别是当人类操作员和机器人之间的环境的心理模型不同时，这些方法失败。本文提供了一个新的学习框架，允许现场和服务机器人解释和正确执行自然语言指令在先验未知的，非结构化的环境中的全面描述。我们的方法不可或缺的是它使用语言作为“传感器”-推断空间，拓扑和语义信息隐含在话语中，然后利用这些信息来学习分布在一个潜在的环境模型。我们将这种分布在一个概率，语言接地模型，并推断分布在机器人的动作空间的符号表示。我们使用模仿学习来确定一个信念空间的政策，原因的环境和行为分布。我们通过各种导航和移动操作实验来评估我们的框架。
2021-12-21 cs.CL cs.RO
Deep Reinforcement learning for real autonomous mobile robot navigation in indoor environments
University of Applied Science Gelsenkirchen（盖尔森基兴应用科学大学）
深度强化学习已成功应用于各种计算机游戏[8]。然而，它仍然很少用于现实世界的应用，特别是用于真正的移动机器人的导航和连续控制[13]。以前的方法缺乏安全性和鲁棒性和/或需要结构化的环境。在本文中，我们提出了我们的概念证明自主自学习机器人导航在一个未知的环境中，一个真正的机器人没有地图或规划。机器人的输入仅是来自2D激光扫描仪和RGB-D相机的融合数据以及目标的方向。环境的地图是未知的。异步优势行动者-评论家网络（GA 3C）的输出动作是机器人的线速度和角速度。导航器/控制器网络在高速、并行和自实现的仿真环境中进行预训练，以加快学习过程，然后部署到真实机器人上。为了避免过拟合，我们训练相对较小的网络，并将随机高斯噪声添加到输入激光数据。传感器数据与RGB-D相机的融合使机器人能够在真实环境中导航，具有真实的3D避障功能，而无需根据机器人的感知能力来适应环境。为了进一步提高鲁棒性，我们在不同难度的环境中进行训练，并同时运行32个训练实例。视频：supplementary File / YouTube，代码：GitHub
2020-05-28 cs.AI cs.LG cs.RO
Mobile Robot Path Planning in Dynamic Environments through Globally Guided Reinforcement Learning
The Chinese University of Hong Kong（香港中文大学）；University of Cambridge（剑桥大学）
大动态环境中移动机器人的路径规划是一个具有挑战性的问题，因为机器人需要有效地达到其给定的目标，同时避免与其他机器人或动态对象的潜在冲突。在存在动态障碍物的情况下，传统的解决方案通常采用重新规划策略，每当机器人遇到冲突时，重新调用规划算法来搜索替代路径。然而，这种重新规划的策略往往会造成不必要的弯路。为了解决这个问题，我们提出了一种基于学习的技术，利用环境时空信息。与现有的基于学习的方法不同，我们引入了一种全局引导的强化学习方法（G2RL），该方法采用了一种新的奖励结构，可以推广到任意环境。我们应用G2RL解决多机器人路径规划问题，在一个完全分布式的反应方式。我们评估我们的方法在不同的地图类型，障碍物密度和机器人的数量。实验结果表明，G2RL的泛化能力很好，优于现有的分布式方法，并且与完全集中式的最先进的基准测试非常相似。
2020-09-11 cs.AI cs.LG cs.MA
Simplified_edition_Multi-robot SLAM Multi-view Target Tracking based on Panoramic Vision in Irregular Environment
Beijing University Of Chemical Technology（北京化工大学）
为了提高多机器人SLAM多视目标跟踪过程的精度，提出了一种改进的不规则环境下基于全景视觉的多机器人SLAM多视目标跟踪算法，通过加入修正因子更新现有的扩展卡尔曼滤波器（EKF）模型，经过两次迭代得到新的坐标X和Y。该论文已被《科学计算与可视化》杂志接受，这是一个简化版本。
2019-11-22 cs.CV cs.RO
Robotic Contextual Awareness for Human-Robot Collaboration and Environmental Understanding
Università di Trento（特伦托大学）；Istituto Italiano di Tecnologia（意大利技术研究院）；Leonardo Spa（莱昂纳多公司）
针对自主移动机器人缺乏上下文感知的问题，本文探索两个互补方向：一是人类重新识别与跟踪以改善人机协作，二是增强机器人对环境的几何和语义感知能力，提升语义理解，推动机器人更具上下文感知，实现安全共存与高效协作。
2026-09-03 cs.CV cs.RO
Language-guided Robust Navigation for Mobile Robots in Dynamically-changing Environments
University of California, Riverside（加利福尼亚大学河滨分校）
本文提出一种人在回路的移动机器人导航方法，通过监测规划变化并解析自然语言反馈为局部航路点，结合语义地图与全局规划，在仿真和真实环境中验证了其在动态环境下的鲁棒导航能力。
2024-09-28 cs.CV cs.RO
Modeling and Control of Humanoid Robots in Dynamic Environments: iCub Balancing on a Seesaw
Istituto Italiano di Tecnologia（意大利理工学院）
关于人形机器人的未来应用可能涉及机器人与动态环境之间的物理交互。在这种情况下，经典的平衡和步行控制器，忽略了环境动态可能不足以实现稳定的机器人行为。本文提出了一种平衡人形机器人与动态环境接触的建模和控制框架。我们首先对机器人和环境动力学以及接触约束进行建模。然后，提出了一种稳定整个系统的控制策略。理论结果与机器人iCub平衡在跷跷板上的仿真验证。
2018-03-09 cs.RO
A Platform-independent Programming Environment for Robot Control
Bonn-Rhine-Sieg University of Applied Sciences（波恩-莱茵-锡格应用技术大学）
机器人控制程序的开发是一项复杂的任务。许多机器人在电气和机械结构上有所不同，这也反映在软件上。特定的机器人软件环境支持程序开发，但主要是基于文本的，通常由具有目标机器人深刻知识的领域专家应用。本文介绍了一个图形化的编程环境，旨在减轻机器人控制程序的开发。与现有的图形化机器人编程环境相比，我们的方法侧重于并行动作序列的组成。所开发的环境允许在并行执行线上调度独立的机器人动作，并提供了避免并行动作副作用的机制。开发的环境是平台无关的，基于模型驱动的范式。通过将测序器应用于模拟服务机器人和教育机器人，证明了我们方法的可行性。
2010-10-05 cs.RO
The Effects of the Environment and Linear Actuators on Robot Morphologies
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
进化机器人学领域使用自然进化的原理来设计机器人。在本文中，我们研究的影响，增加一个新的模块的启发骨骼肌现有的RoboGen框架：线性执行器。此外，我们研究了机器人如何在一个平原环境中进化不同的机器人在粗糙的环境中进化。我们考虑的任务，定向运动比较进化的机器人形态。结果表明，添加的线性驱动器没有显着的影响，在平原环境中进化的机器人的性能和形态。然而，我们发现显着差异的机器人在一个平原环境中进化的形态和机器人在粗糙的环境中进化。我们发现，当我们改变环境的地形时，会出现更复杂的行为和形态。
2022-08-26 cs.NE cs.RO
Time is on my sight: scene graph filtering for dynamic environment perception in an LLM-driven robot
本文提出一种LLM驱动机器人控制架构，通过RGB-D语义场景图、粒子滤波定位与任务规划模块，实现动态环境中的高效人机协作与自适应任务执行。
2024-11-22 cs.AI cs.HC cs.RO
Modeling of a Quadruped Robot with Spine Joints and Full-Dynamics Simulation Environment Construction
Sabanci University（萨班哲大学）
本文介绍了一种脊椎四足机器人的建模与仿真。通过广泛的文献调研，对四足机器人脊柱关节的研究进行了分类。大多数研究人员在他们的模拟中执行简化的四足机器人模型。这项调查揭示了全身脊椎四足动物仿真环境的需要。首先建立了主动脊椎四足机器人的运动学和动力学模型。由于四足机器人是浮基机器人，所有的推导都是相对于惯性系进行的。采用拉格朗日法建立了运动方程。仿真环境在MATLAB/Simulink平台上构建，充分利用了MATLAB/Simulink丰富的库、强大的求解器以及适用于控制器集成的灵活环境。通过使用优化的MATLAB函数，提高了仿真环境的计算速度。在仿真环境中使用了精确的接触模型。我们可以预见，所提供的全动力学仿真环境将有助于进一步的脊柱关节的研究在四足机器人领域。
2022-03-17 cs.RO
Umgebungserfassungssystem fuer mobile Roboter (environment logging system for mobile autonomous robots)
FACHHOCHSCHULE LAUSITZ University of Applied Sciences（劳西茨应用技术大学）
本学位论文描述了该模块的理论基础、概念和应用开发过程的最终结果。对于环境记录而言，使用用于内部的小型移动机器人应当是昂贵的激光扫描仪的经济替代方案。因此，作用半径内物体的结构、颜色或材料以及环境亮度和照明对测量结果没有影响。
2012-01-03 cs.AR cs.RO
ProbRobScene: A Probabilistic Specification Language for 3D Robotic Manipulation Environments
The Alan Turing Institute（阿兰·图灵研究所）
机器人控制任务通常首先在仿真中运行，用于验证、调试和数据增强。存在许多方法来指定机器人必须完成什么任务，但很少有方法来指定用户期望在什么范围的环境中完成这些任务。ProbRobScene是一种描述机器人操作环境的概率规约语言。使用该语言，用户只需要指定场景中对象之间必须保持的关系约束。ProbRobScene将自动生成符合此规范的场景。通过结合概率程序设计语言和凸几何的方面，我们提供了一种有效地对可能环境的空间进行采样的方法。我们证明了我们的语言的有用性，用它来调试机器人控制器在桌面机器人操作环境。
2021-03-19 cs.RO
A Multi-Robotic System for Environmental Cleaning
University of Oklahoma（俄克拉荷马大学）；University of Nevada, Reno（内华达大学雷诺分校）
在工业环境中有大量的废物，可能会对产品和工人造成有害影响，导致产品缺陷，眼睛发痒或慢性阻塞性肺病等。虽然可以使用自动清洁机器人，但环境通常太大，一个机器人无法单独清洁，此外，它没有足够的存储污垢容量。我们提出了一种多机器人污垢清洁系统算法，用于多个自动iRobot Creates团队有效地清洁环境。此外，由于环境中的一些空间是干净的，而另一些是肮脏的，我们的多机器人系统拥有一个路径规划算法，让机器人团队花更多的时间在更高的污垢水平的区域有效地清洁。总体而言，我们的多机器人系统在时间效率方面优于单机器人系统，同时具有几乎相同的总电池使用量和清洁效率结果。
2018-11-02 cs.RO
Rapid Development of a Mobile Robot Simulation Environment
Lawrence Technological University（劳伦斯理工大学）
机器人仿真在智能地面车辆（IGV）的开发过程中提供了许多优势，例如在不同的场景中测试软件组件，而不需要完整的物理机器人。本文讨论了使用快速应用程序开发和Unity游戏引擎创建的3D仿真环境，以便在移动机器人比赛中进行测试。我们的经验表明，模拟环境极大地促进了比赛软件的开发。该模拟器还有助于机器人的硬件开发。
2022-08-09 cs.RO
Fast Adaptable Mobile Robot Navigation in Dynamic Environment
University of Detroit Mercy（底特律大学）
动态环境下的自主导航严重依赖于环境及其拓扑结构。环境的先验知识通常是不准确的，因为环境不断演变。由于机器人在前进过程中不断评估环境，决定穿越环境到达目标的最佳方式，因此需要计算效率高且数学自适应的导航算法。本文提出了一种能够适应时变环境的移动机器人导航方案。该方法由全局规划器（A*）和局部规划器（VFH）组成，以确保机器人的最佳和无碰撞运动。该算法进行了测试，在不同的环境中，是已知的VFH和ROS导航栈中的失败，进行比较的目的，在模拟和实验。总的来说，该算法使机器人能够更快地到达目标，并在这样做的同时产生更平滑的路径。
2020-07-19 cs.RO
Automatically designing robot swarms in environments populated by other robots: an experiment in robot shepherding
IRIDIA, Université libre de Bruxelles（布鲁塞尔自由大学IRIDIA研究所）
本文研究在存在其他机器人的环境中自动设计机器人集群，以机器人牧羊为框架，使用自动模块化设计和神经进化生成牧羊犬集群的控制软件，实现与羊群的有效协调。
2024-04-28 cs.RO
Perception-Informed Autonomous Environment Augmentation With Modular Robots
Cornell University（康奈尔大学）；University of Pennsylvania（宾夕法尼亚大学）
我们提出了一个系统，使模块化机器人自主构建结构，以完成高层次的任务。建筑结构允许机器人克服大型障碍，扩大它可以执行的任务。这解决了模块化机器人系统的一个共同弱点，即通常难以穿越大型障碍物。本文介绍了硬件，感知和规划工具，包括我们的系统。环境表征算法识别环境中的特征，所述特征可以被增强以在环境的两个断开区域之间创建路径。特别设计的积木使机器人能够创建可以增强环境的结构，使障碍物可以穿越。一个高层次的规划者对任务、机器人运动能力和环境进行推理，以决定是否以及在哪里增强环境，以执行所需的任务。最后通过硬件实验对系统进行了验证
2018-03-01 cs.RO
Exploring environment exploitation for self-reconfiguration in modular robotics
Department of Applied Mathematics University of Washington（应用数学系 华盛顿大学）；Department of Mechanical Engineering and Applied Mechanics University of Pennsylvania（机械工程与应用力学系 费城大学）；Department of Mechanical Engineering University of Nevada, Las Vegas（机械工程系 内华达大学拉斯维加斯分校）
本研究提出模块化桁架机器人应利用环境特征（如壁架、间隙、斜坡）而非仅优化自身，以实现更快运动、自适应自重构和复杂三维组装，从而超越自身局限。
2025-08-03 cs.RO
Active Modular Environment for Robot Navigation
Tokyo Institute of Technology（东京工业大学）
本文提出了一种新的机器人与环境的交互导航任务，机器人既没有表示他们的工作空间，也没有规划功能，而是一个积极的环境负责这些方面。这是通过在空间上部署计算单元（称为单元）并使单元管理其各自物理区域中的流量来实现的。与污名化方法不同，细胞相互作用以管理环境信息并构建机器人如何移动的指令。作为一个概念验证，我们提出了一个架构称为AFADA和它的原型，由模块化的细胞和机器人移动的细胞。来自信元的指令基于分布式路由算法和预留协议。我们表明，AFADA实现了有效的机器人移动单机器人导航在动态环境中改变其拓扑结构的随机模型，相比自我导航的机器人本身。接下来是几个演示，包括多机器人导航，突出了从机器人到环境的表示和规划的能力。我们希望AFADA的概念有助于开发多机器人的基础设施，因为它可以参与在线和终身规划和执行。
2021-02-25 cs.MA cs.RO
