A Distributed Gaussian Process Model for Multi-Robot Mapping
Dyson Robotics Lab, Imperial College London(帝京大学伦敦分校戴森机器人实验室);Department of Computer Science, University of Oxford(牛津大学计算机科学系)
DistGP通过分布式高斯过程实现多机器人协同制图,优于现有方法并在动态环境下表现更优。
2026-03-07 cs.LG cs.RO stat.ML
Motion Prediction with Gaussian Processes for Safe Human-Robot Interaction in Virtual Environments
School of Engineering and Technology, Soroti University(索罗蒂大学工程与技术学院);Intelligent Materials and Systems (IMS) Laboratory, Institute of Technology, University of Tartu(塔尔图大学科技学院智能材料与系统实验室);Institut des Systèmes Intelligents et de Robotique (ISIR), Université Pierre-et-Marie-Curie(皮埃尔和玛丽·居里大学智能系统与机器人研究所);Laboratoire des Sciences du Numérique de Nantes (LS2N), École Centrale de Nantes(南特中央理工数字科学实验室);Dipartimento di ingegneria meccanica, energetica, gestionale e dei trasporti (DIME), Università di Genova(热那亚大学机械、能源、管理与运输工程系)
针对虚拟环境中协作机器人安全与效率难以兼顾的问题,提出基于高斯过程的手部运动预测方法,结合视线检测意图,有效提升了机器人运行效率与人机交互安全性。
2024-05-18 cs.AI cs.LG cs.RO
Chance-Constrained Multi-Robot Motion Planning under Gaussian Uncertainties
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出 CC-K-CBS 算法,结合 K-CBS 的可扩展性与 Belief-A 的高斯信念树效率,并设计三种概率碰撞检测方法,在高斯噪声下实现机会约束的多机器人运动规划,实验表明可扩展至 30 个机器人。
2023-08-07 cs.RO
Multi-Robot Informative Path Planning from Regression with Sparse Gaussian Processes (with Appendix)
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对环境监测中的多机器人信息路径规划问题,提出一种基于稀疏高斯过程、用梯度下降优化路径的高效方法,可适配多种环境、约束与机器人配置,在真实数据上验证了快速准确的性能。
2024-03-10 cs.RO
Distributed Gaussian Process Mapping for Robot Teams with Time-varying Communication
ByteDance Inc(字节跳动公司);University of California San Diego(加州大学圣迭戈分校);Amazon(亚马逊公司);U.S. Army Research Laboratory(美国陆军研究实验室)
多智能体映射是复杂环境下自主机器人任务协调和执行的一种重要能力。虽然成功的算法已经提出了使用个人平台的映射,合作的机器人团队的在线映射仍然是一个很大的挑战。我们专注于概率映射的变体,因为它在下游任务中的潜在效用,如不确定性感知路径规划。实现这种能力的一个关键问题是如何处理和聚合各个平台之间增量观察到的本地信息,特别是当它们的通信能力是间歇性的时。我们提出了一种增量稀疏高斯过程(GP)的多机器人映射方法,其中回归是在截断符号距离场(TSDF)。这样做允许网络中的每个机器人跟踪伪点近似GP后验的局部估计,并将其参数与其(可能随时间变化的)邻居集合的参数进行加权平均。我们建立的伪点表示的条件,以及通信协议,使机器人的本地GPS收敛到一个全球聚合的信息。我们进一步提供实验,证实我们的理论研究结果的概率多机器人映射。
2021-10-12 cs.RO
Underwater Multi-Robot Simulation and Motion Planning in Angler
Collaborative Robotics and Intelligent Systems (CoRIS) Institute, Oregon State University(协作机器人与智能系统研究所,俄勒冈州立大学);Department of Computer Science, Purdue University(计算机科学系,普渡大学)
针对水下多机器人系统部署成本高、现有Angler仿真框架不支持多机器人的问题,研究提出其模块化扩展,实现多机器人通信、运动规划、避障等功能,支撑相关开发与基准测试。
2025-06-07 cs.RO
Gaussian Processes Model-based Control of Underactuated Balance Robots
Rutgers University(罗格斯大学);Texas A&M University(得克萨斯农工大学)
从推车杆系统和自主自行车到双足机器人,这些欠驱动平衡机器人的控制旨在实现外部(致动)子系统轨迹跟踪和内部(非致动)子系统平衡任务与有限的致动权限。提出了一种基于学习模型的欠驱动平衡机器人控制框架。同时实现跟踪和平衡任务的关键思想是分别在慢时间尺度和快时间尺度上设计控制策略。在慢时间尺度下,使用模型预测控制(MPC)来生成期望的内部子系统轨迹,该内部子系统轨迹编码外部子系统跟踪性能和控制输入。在快时间尺度下,通过使用逆动力学控制器将实际内轨迹稳定到期望内轨迹。外部和内部子系统之间的耦合效应通过规划的内部轨迹轮廓和机器人系统的双重结构特性来捕获。控制设计是基于高斯过程(GPs)回归模型,从实验中学习,而不需要先验知识的机器人动力学,也没有成功的平衡演示。GP提供机器人系统的建模不确定性的估计,并且这些不确定性估计被并入MPC设计中以增强对建模误差的控制鲁棒性。基于学习的控制设计进行了分析,保证稳定性和性能。所提出的设计是通过实验证明古田摆和自主bikebot。
2020-10-29 cs.RO
Multi-Fidelity Flow Matching: Cascaded Refinement of PDE Solutions
Department of Computer Science, Florida State University(佛罗里达州立大学计算机科学系);Department of Materials Science and Engineering, Florida State University(佛罗里达州立大学材料科学与工程系);Hildebrand Department of Petroleum and Geosystems Engineering, The University of Texas at Austin(德克萨斯大学奥斯汀分校石油与地质系统工程系)
本文提出多保真度流匹配方法,通过级联细化技术提升PDE解的精度,利用低保真度解指导高保真度解生成,优化了残差校准与流匹配训练几何。
2026-05-15 cs.LG
Trust Your Robots! Predictive Uncertainty Estimation of Neural Networks with Sparse Gaussian Processes
German Aerospace Center (DLR)(德国航空航天中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);Technical University of Munich (TUM)(慕尼黑工业大学);ETH Zürich (ETHZ)(苏黎世联邦理工学院)
本文提出了一个概率框架,以获得可靠和快速的不确定性估计与深度神经网络(DNN)的预测。我们的主要贡献是DNN与稀疏高斯过程(GP)的实用和原则性组合。我们从理论上证明,DNN可以被看作是一个特殊的情况下,稀疏GP,即GP专家的混合物(MoE-GP),我们设计了一个学习算法,将派生的理论付诸实践。在实验中,从两个不同的机器人任务-逆动力学的机械手和目标检测的微型飞行器(MAV)-我们展示了我们的方法的有效性方面的预测不确定性,提高可扩展性,和运行时的效率Jetson TX 2。因此,我们认为,我们的方法可以铺平道路,可靠和快速的机器人学习系统的不确定性意识。
2021-09-21 cs.AI cs.CV cs.LG
Gaussian Process-Enhanced, External and Internal Convertible (EIC) Form-Based Control of Underactuated Balance Robots
Rutgers University(罗格斯大学)
针对基于EIC控制在特定条件下存在不受控运动的问题,本文引入高斯过程数据驱动动力学模型增强EIC控制,保证闭环稳定性与性能,并通过两类欠驱动平衡机器人实验验证。
2023-09-27 cs.RO cs.SY eess.SY
Motion Planning in Non-Gaussian Belief Spaces (M3P): The Case of a Kidnapped Robot
Texas A&M University(得克萨斯农工大学)
由于执行器和传感器的噪声特性,不确定性下的规划是物理系统的关键要求。使用信念空间方法,规划解决方案往往会生成导致信息寻求行为的行动,从而减少状态不确定性。虽然最近的工作已经处理了高斯信念的规划,但在许多情况下,多模态信念是潜在信念的更准确表示。在信息对称的环境中尤其如此,这种环境会导致不确定的数据关联,从而自然导致对状态的多模态假设。因此,计划者不能简单地将行动建立在最可能的状态上。我们提出了一种算法,该算法使用滚动时域规划方法来规划动作,该动作顺序地将多模态信念消歧为单峰高斯,并在真实状态上实现紧密定位,称为多模态运动规划器(M3P)。通过将基于高斯采样的信念空间规划器与M3P相结合,并在规划器和信念表示中引入切换行为,我们提出了一个整体的信念空间规划问题的端到端解决方案。二维地面机器人导航问题的仿真结果表明,我们的方法的性能。
2015-06-05 cs.RO
Learning High-Fidelity Robot Self-Model with Articulated 3D Gaussian Splatting
School of Computer Science and Engineering(计算机科学与工程学院);Sun Yat-sen University(中山大学)
针对现有机器人自建模方法质量低、数据成本高且缺失纹理建模的问题,提出基于铰接3D高斯溅射的连杆级纹理感知自建模方法,可实现高保真建模并支撑运动规划等下游任务。
2025-10-03 cs.CV cs.RO
Smooth Path Planning Using a Gaussian Process Regression Map for Mobile Robot Navigation
ONERA, Université Paris-Saclay(ONERA、巴黎-萨克雷大学)
针对非结构化危险环境中的地面机器人导航,提出基于 GPR 连续地形表示并结合 A*、T-RRT 与 BCO 的平滑路径规划框架,实验验证了联合使用连续表示和不同先验的优势。
2024-07-08 cs.RO
Sparse Gaussian Process Temporal Difference Learning for Marine Robot Navigation
Stevens Institute of Technology(史蒂文斯理工学院)
我们提出了一种时间差(TD)学习的方法,解决了机器人学习在海洋环境中导航所面临的几个挑战。为了提高数据效率,我们的方法减少了对高斯过程回归的TD更新。为了使预测服从在线设置,我们引入了一个稀疏近似,其质量优于当前基于拒绝的稀疏方法。我们推导出预测价值函数后验和使用的时刻,得到一个新的算法,无模型的政策评估,SPGP-SARSA。通过简单的修改,我们表明SPGP-SARSA可以简化为基于模型的等价物SPGP-TD。我们进行全面的模拟研究,并与水下机器人进行物理学习试验。我们的研究结果表明,SPGP-SARSA可以优于最先进的稀疏方法,复制其精确对应的预测质量,并适用于解决水下导航任务。
2018-10-02 cs.LG stat.ML
GaussTwin: Unified Simulation and Correction with Gaussian Splatting for Robotic Digital Twins
Intelligent Autonomous Systems Lab, Technical University of Darmstadt(德累斯顿技术大学智能自主系统实验室);German Research Center for AI (DFKI), SAIROL(德国人工智能研究中心(DFKI)SAIROL);Robotics Institute Germany (RIG)(德国机器人研究所);NAVER LABS Europe(NAVER LABS欧洲)
GaussTwin通过结合物理仿真与高斯点播技术,实现了稳定且真实的数字孪生,提升了机器人操作的跟踪精度和鲁棒性,并支持闭环交互与学习。
2026-03-05 cs.RO
BEINGS: Bayesian Embodied Image-goal Navigation with Gaussian Splatting
Hong Kong University of Science and Technology(香港科技大学)
针对现有图像目标导航方法数据依赖强、计算成本高或复杂环境效率低的问题,提出BEINGS方法,将导航建模为模型预测控制下的最优控制问题,结合3D Gaussian Splatting场景先验与贝叶斯更新,实现高效实时导航,经仿真与物理实验验证适用于复杂视觉场景。
2024-09-16 cs.RO
Learning References with Gaussian Processes in Model Predictive Control applied to Robot Assisted Surgery
Otto-von-Guericke Univ. Magdeburg(马格德堡奥托·冯·格里克大学);Fraunhofer-Institute for Factory Operation and Automation(弗劳恩霍夫工厂运营与自动化研究所)
模型预测控制的主要优点之一是能够主动控制系统,考虑到未来的系统演化。然而,往往外部干扰或参考是不是一个先验已知的,这使得预测控制器短视或不知情。自适应预测模型可以用来克服这个问题,并为控制器提供这些信号的预测。在这项工作中,我们建议通过高斯过程学习参考模型预测控制器。为了说明这种方法,我们考虑机器人辅助手术,其中机器人操纵器需要根据光学跟踪测量来跟随学习的参考位置。
2019-11-25 cs.RO cs.SY eess.SY
A Robust Biped Locomotion Based on Linear-Quadratic-Gaussian Controller and Divergent Component of Motion
IEETA / DETI University of Aveiro(阿威罗大学 IEETA / DETI)
由于人形机器人的高自由度和不稳定性,使其在存在干扰的情况下产生鲁棒运动是困难的。在本文中,我们使用发散运动分量~(DCM)的概念,并提出了一种基于线性二次高斯的最优闭环控制器,以产生一个鲁棒的和稳定的人形机器人的步行。机器人的动力学模型采用线性倒立摆模型(LIPM)。此外,我们提出了一个控制器来调整摆动腿的着陆位置,以增加承受水平的机器人对严重的外部推动。使用~ \mbox{MATLAB}进行一组仿真,分析和验证所提出的控制器的性能和鲁棒性。仿真结果表明,所提出的控制器是能够提供一个强大的步行,即使在干扰的存在和具有挑战性的情况。
2019-06-21 cs.RO
Data-driven Force Observer for Human-Robot Interaction with Series Elastic Actuators using Gaussian Processes
Technical University of Munich(慕尼黑工业大学);TUM School of Computation, Information and Technology(慕尼黑工业大学计算、信息与技术学院);BioRobotics Institute, Scuola Superiore Sant’Anna(圣安娜高等学校生物机器人研究所);ETH Zurich(苏黎世联邦理工学院)
针对串联弹性驱动器人机交互中传统观测器依赖精确系统模型的难题,提出基于高斯过程回归学习未知动力学并结合贝叶斯滤波的力观测器,提升了估计精度并给出误差边界,在人-外骨骼交互实验验证有效。
2024-05-14 cs.LG cs.RO cs.SY
Rapid co-design of Buoyancy-assisted robots for Challenging Locomotion using Gaussian Evolutionary Specialists
Georgia Institute of Technology(佐治亚理工学院);University of California, Los Angeles(加州大学洛杉矶分校);ETH Zurich(苏黎世联邦理工学院)
提出高斯进化专家(GES)框架,通过解耦设计空间划分与策略学习,在浮力辅助轻量腿单元(BALLU)上实现5-25%性能提升,并缩短37%设计优化时间。
2026-11-02 cs.RO
FOCI: Trajectory Optimization on Gaussian Splats
Robotic Systems Lab, ETH Zürich(苏黎世联邦理工学院机器人系统实验室);IIT and ICAI, Comillas Pontifical University(科利马斯天主教大学IIT和ICAI)
本研究提出FOCI算法,利用高斯重叠积分构建3DGS碰撞模型,将环境与机器人均表示为高斯泼溅,实现朝向感知的快速无碰撞轨迹规划,在数十万高斯体的场景中也能数秒内算出ANYmal机器人的可行轨迹。
2025-07-30 cs.RO
Collaborative Navigation and Manipulation of a Cable-towed Load by Multiple Quadrupedal Robots
University of California, Berkeley(加州大学伯克利分校);Meta AI Research(Meta人工智能研究院)
本文研究了机器人协同牵引负载与电缆到一个指定的目标位置,同时避免碰撞,在实时的的问题。电缆的引入(与刚性链接相反)使机器人团队能够通过电缆的松弛/拉紧开关改变其固有尺寸来穿过狭窄的空间。然而,这是一个具有挑战性的问题,因为混合模式切换和多个机器人和负载之间的动态耦合。以前解决此类问题的尝试是离线执行的,并且不考虑在线避免障碍。在本文中,我们介绍了一个级联的规划方案与并行集中式轨迹优化,处理混合模式开关。我们还开发了一套分散的规划器每个机器人,这使得我们的方法来解决问题的协同负载操纵在线。我们开发并展示了第一个协作自治框架,能够移动电缆牵引负载,这是太重了,不能由单个机器人移动,通过狭窄的空间与实时反馈和反应性规划的实验。
2022-06-29 cs.AI cs.RO cs.SY
Gaussian Processes for Data-Efficient Learning in Robotics and Control
TU Darmstadt(达姆施塔特工业大学);University of Washington(华盛顿大学);University of Cambridge(剑桥大学)
本文提出基于高斯过程的非参数转移模型,通过提取更多数据信息加速学习,减少模型误差影响,实现高效自主学习。
2017-10-10 cs.LG cs.RO cs.SY
Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics
TU Darmstadt(达姆施塔特工业大学);Otto-von-Guericke-Universität Magdeburg(奥托·冯·格里克马格德堡大学)
许多机器人任务,如人机交互或易碎物体的处理,需要严格控制和限制出现的力和力矩以及合理的运动控制,以实现安全而高性能的操作。我们提出了一个学习支持的模型预测力和运动控制方案,提供随机安全保证,同时适应不断变化的情况。高斯过程用于学习将机器人的状态映射到力和力矩的不确定关系。模型预测控制器使用这些高斯过程模型,以实现精确的运动和力控制下的随机约束满足。由于不确定性只发生在静态模型部分-输出方程-一个计算效率高的随机MPC制定。分析了静态不确定情况下最优控制问题的递归可行性和闭环系统的收敛性。基于高斯过程的方差,构造了机会约束公式和退避,以保证安全运行。在一个轻量级的机器人在模拟和实验中说明了这种方法。
2023-03-08 cs.LG cs.RO cs.SY
A Black-Box Physics-Informed Estimator based on Gaussian Process Regression for Robot Inverse Dynamics Identification
University of Padova(帕多瓦大学);Mitsubishi Electric Research Lab (MERL)(三菱电机研究实验室)
针对机械臂逆动力学辨识,本文提出基于 GP 回归和新型 LIP 核的黑箱估计器,通过能量建模与多项式结构先验提升精度、通用性和数据效率。
2024-09-06 cs.AI cs.LG cs.RO
Robust-Sub-Gaussian Model Predictive Control for Safe Ultrasound-Image-Guided Robotic Spinal Surgery
Balgrist University Hospital(巴尔格里斯特大学医院);University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);OR-X Translational Center for Surgery(OR-X转化外科中心)
针对高维数据状态估计误差分布未知导致的安全保证难题,提出基于有界均值次高斯噪声的鲁棒MPC框架,结合基于集合的鲁棒方法与方差代理传播,在超声引导机器人脊柱手术流程中实现了闭环安全保证。
2025-08-08 cs.RO cs.SY eess.SY
Robot Localisation and 3D Position Estimation Using a Free-Moving Camera and Cascaded Convolutional Neural Networks
Graz University of Technology(格拉茨理工大学);Joanneum Research - Robotics(约翰内姆研究中心-机器人学);Oslo University Hospital(奥斯陆大学医院);University of Oslo(奥斯陆大学)
协作机器人和人机交互的许多工作都集中在识别和预测人类行为,同时考虑机器人本身的信息。当传感器和机器人相互校准时,通常无法重新配置系统,或者需要额外的手动工作时,就会出现这种情况。我们提出了一种基于深度学习的方法来消除机器人和视觉传感器需要相对于彼此固定和校准的约束。该系统学习机器人身体的视觉线索,并能够定位它,以及仅使用2D彩色图像来估计机器人关节在3D空间中的位置。该方法使用了一个级联的卷积神经网络,给出了网络的结构,描述了我们自己收集的数据集,说明了网络的训练和取得的结果。一个经过充分训练的系统在提供机器人所在位置的准确掩模以及其3D关节位置的良好估计方面显示出有希望的结果。精度对于视觉伺服应用来说还不够好,但是,对于一般安全性和一些不需要非常高精度的协作任务来说,它可以是足够的。我们的方法的主要好处是视觉传感器自由移动的可能性。这使得它可以安装在移动物体上,例如,人的身体或在与机器人相同的环境中工作的移动机器人。
2018-05-30 cs.AI cs.RO
Motion Planning for Global Localization in Non-Gaussian Belief Spaces
Texas A&M University(德州农工大学)
本文提出了一种在不确定环境下进行运动规划的方法,用于处理模糊数据关联导致的多模态假设。通过递推方法逐步消除多模态信念,实现有限时间内精确定位。
2016-02-27 cs.RO cs.SY eess.SY
Zero-shot generalization using cascaded system-representations
Punjab Engineering College(旁遮普工程学院)
深度强化学习已被应用于孤立地解决各种控制问题。然而,在没有额外训练或调整的情况下,所学习的潜在表示不能被最佳地重用于其他类似任务和/或控制系统。在这方面,我们提出了一个新的框架,可用于学习一个单一的控制策略,为整个类的类似控制系统。该框架被缩写为CASNET,它利用类似控制系统的设计中的相似性来学习通用的抽象系统表示。该框架使用一系列基于递归神经网络的编码器来创建这些表示,然后将其作为输入馈送到传统的策略网络。类似的解码器级联解码策略网络的输出以生成系统特定的输出。我们说明了这个框架的有效性可以说是最重要的用例DRL:机器人。在本文中,我们使用CASNET学习两个独立的类的机器人:平面机械手和爬行机器人,分别使用15+和55+形态相似的模拟机器人的可推广的控制策略。这些机器人模型包含了现实世界中最常见的设计变体。我们的经验结果使用最先进的开和离策略学习算法表明,平均而言,CASNET代理实现zero shot的最佳性能(性能相当于为单个机器人模型训练的专家代理)看不见的机器人模型。这些结果说明学习策略的性能受学习算法的约束,而不是框架本身。拟议的框架是迈向通用控制器的重要一步。
2020-12-24 cs.RO
Development of a robust cascaded architecture for intelligent robot grasping using limited labelled data
Indian Institute of Information Technology Allahabad(印度信息技术学院阿拉哈巴德分校)
即使对人类来说,智能地抓住物体也是一项具有挑战性的任务,我们在童年时期花了相当多的时间来学习如何正确地抓住物体。在机器人的情况下,我们不能花那么多时间来学习如何有效地抓住物体。因此,在本研究中,我们提出了一个有效的学习架构的基础上VQVAE,使机器人可以教有足够的数据对应于正确的把握。然而,在机器人抓取领域,获得足够的标记数据是非常困难的。为了帮助解决这个问题,一个半监督学习为基础的模型,具有更大的泛化能力,即使有限的标记数据集,已被调查。与现有的最先进的模型,包括我们的早期模型相比,其性能显示出6\%的改善。在实验过程中,已经观察到,我们提出的模型,RGGCNN2,执行显着更好,无论是在抓住孤立的对象,以及在一个混乱的环境中的对象,相比现有的方法,不使用未标记的数据生成抓取矩形。据我们所知,开发一个智能机器人抓取模型,(基于半监督学习)通过表示学习训练,并利用GGCNN2架构的高质量学习能力,具有有限数量的标记数据集以及学习的潜在嵌入,可以作为一种事实上的训练方法,已建立,并通过严格的硬件实验验证本文使用Baxter(Anukul)研究机器人。
2021-11-06 cs.AI cs.RO
AIR-VLA+: Decoupling Movement and Manipulation via Cascaded Dual-Action Decoders with Asymmetric MoE for Aerial Robots
The Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Automation, Beijing Institute of Technology(北京理工大学自动化学院);College of Automotive and Energy Engineering, Tongji University(同济大学汽车与能源工程学院);School of Transportation Science and Engineering, Beihang University(北京航空航天大学交通科学与工程学院);Information Science, East China Normal University(华东师范大学信息科学)
针对空中机器人移动与操作在动作尺度、动力学和控制目标上的显著差异,提出级联双动作解码器与非对称MoE架构,实现解耦协调控制,在AIR-VLA基准上取得48.0平均分,任务完成度提升80.2%。
2026-06-12 cs.RO
Dynamics Learning with Cascaded Variational Inference for Multi-Step Manipulation
Stanford University(斯坦福大学);Nvidia(英伟达公司);University of Toronto(多伦多大学);Vector Institute(向量研究所)
规划多步操作的基本挑战是找到有效的和合理的行动序列,导致任务目标。我们提出了级联变分推理(CAVIN)规划器,一个基于模型的方法,分层生成的计划,从潜在的空间采样。为了便于长期规划,我们的方法学习了潜在的表示,通过级联变分推理将高级效果的预测与低级运动的生成解耦。这使我们能够在两个不同层次的时间分辨率动态模型的层次规划。我们评估我们的方法在三个多步骤的机器人操作任务在杂乱的桌面环境中的高维观测。实验结果表明,该方法优于国家的最先进的基于模型的方法,通过战略性地与多个对象进行交互。
2020-03-17 cs.CV cs.LG cs.RO
Simultaneous Contact Selection and Planning for Contact-Rich Manipulation with Cascaded Optimization
IEEE
提出一种级联优化框架SCSP,通过接触选择优化和接触规划优化实现接触丰富操作中的主动接触位置选择与轨迹规划。
2026-05-27 cs.RO
Gaussians on Riemannian Manifolds: Applications for Robot Learning and Adaptive Control
Idiap Research Institute(Idiap研究所)
本文概述了机器人学习和自适应控制的应用,可以受益于联合使用黎曼几何和概率表示。首先讨论了黎曼流形、测地线和平行运输在机器人学中的作用。几种形式的流形已经在机器人技术中使用,还列出了流形,已开发不足,但在未来的机器人学习应用的潜力。一系列的技术采用高斯分布黎曼流形,然后介绍,包括聚类,回归,信息融合,规划和控制问题。两个应用程序的例子,涉及从表面肌电图(sEMG)数据的假手的控制,和双手水下机器人的遥操作。最后讨论了进一步的前景,并提出了有前途的研究方向的建议。
2020-03-30 cs.LG cs.RO
SplitFlyer: a Modular Quadcoptor that Disassembles into Two Flying Robots
City University of Hong Kong(香港城市大学)
我们介绍SplitFlyer-一种新颖的四轴飞行器,能够通过人工协助拆卸成两个独立的双旋翼飞行器。作为一个子单元,双旋翼飞行器是一种严重欠驱动的飞行器,只有两个螺旋桨。尽管如此,每个双旋翼飞行器都能够独立飞行。为了实现这一点,我们提供了一个系统动力学分析放松控制偏航旋转,使双旋翼飞行器在飞行中保持其大的自旋速率。考虑到陀螺运动,动力学描述和级联控制策略的发展。我们建造了一个可变形的原型来演示两种构型的连续飞行。结果验证了所提出的控制策略,并显示了该平台的潜力,为未来的研究在模块化空中集群机器人。
2020-07-29 cs.RO
Gaussian path model library for intuitive robot motion programming by demonstration
VTT Technical Research Centre of Finland Ltd(芬兰技术研究有限公司)
本文提出一种从教学数据生成高斯路径模型的系统,构建多形状模型库用于人类示教分类,实现直观的机器人运动编程,并提出基于几何分析修改现有模型的方法。
2025-09-15 cs.RO
Proprioceptive Robot Collision Detection through Gaussian Process Regression
University of Padova(帕多瓦大学)
提出了一种基于高斯回归的本体感觉碰撞检测算法。与基于传感器的碰撞检测和其他本体感受算法相比,所提出的方法具有最小的传感要求,因为只需要电流和关节配置。该算法扩展了学习机器人逆动力学所采用的标准高斯过程模型,使用更丰富的输入位置集和ad-hoc内核结构来模拟由于准静态配置中的摩擦引起的复杂和非线性行为。在通用机器人UR 10上进行的测试表明,所提出的算法可以有效地检测何时发生碰撞。
2019-05-21 cs.RO
Sequential Gaussian Variational Inference for Nonlinear State Estimation and Its Application in Robot Navigation
University of California, Irvine(加利福尼亚大学欧文分校)
提出序贯高斯变分推断(S-GVI)方法,将序贯贝叶斯原理集成至GVI框架并利用统计近似与梯度更新解决非线性问题,仿真与真实实验证明其状态估计性能显著优于MAP方法。
2024-11-18 cs.RO
Gaussian-Process-based Robot Learning from Demonstration
Institut de Robotica i Informatica Industrial (IRI)(工业机器人与信息技术研究所);Human Centered Robotics Laboratory (HCRL)(以人为中心的机器人实验室)
机器人被赋予更高的自主性,需要执行越来越复杂的操作任务。示教学习正在成为向机器人传授技能的一种有前途的范例。它允许通过观察人类教师执行的动作来隐式地学习任务约束,这可以实现自适应行为。提出了一种基于高斯过程的示教学习方法。这种概率表示允许对多个演示进行概括,并沿着任务的不同阶段对可变性进行编码。在本文中,我们将讨论如何使用高斯过程来有效地从任务空间中的轨迹学习策略。我们还提出了一种方法来有效地适应政策,以满足新的要求,并调制机器人的行为作为任务的可变性的函数。通过使用TIAGo机器人的实际应用说明了这种方法。
2020-05-28 cs.RO
GeomGS: LiDAR-Guided Geometry-Aware Gaussian Splatting for Robot Localization
School of Electrical and Electronic Engineering, Yonsei University(延世大学电气与电子工程学院)
针对现有3DGS方法难以准确重建真实尺度几何地图而降低定位性能的问题,提出GeomGS,通过概率方法将LiDAR数据集成到高斯原语中,并引入几何置信度分数优化结构,实现最先进的几何与定位性能。
2025-01-23 cs.CV cs.LG cs.RO
Bayesian Gaussian mixture model for robotic policy imitation
Idiap Research Institute(Idiap 研究所)
学习机器人技能的一种常见方法是模仿演示策略。由于小误差和扰动的复合,这种方法可能会让机器人离开提供演示的状态。这就需要考虑额外的策略,以保证机器人在面对未知状态时表现得适当。我们建议使用贝叶斯方法来量化每个状态下的动作不确定性。所提出的贝叶斯方法是简单的设置,计算效率高,可以适应范围广泛的问题。我们的方法利用估计的不确定性融合的模仿政策与额外的政策。在一个熊猫机器人上进行了仿真实验,仿真结果表明,该方法在连续域中使用不同的控制输入/状态对完成三个操作任务。
2019-08-07 cs.RO
Robot Skill Adaptation via Soft Actor-Critic Gaussian Mixture Models
University of Freiburg(弗莱堡大学)
自主智能体在现实世界中的核心挑战是调整其技能库以应对其嘈杂的感知和动态。为了将技能的学习扩展到长期任务,机器人应该能够通过轨迹以结构化的方式学习并随后改进其技能,而不是在每个时间步单独做出即时决策。为此,我们提出了软演员-评论家高斯混合模型(SAC-GMM),这是一种新的混合方法,通过动态系统学习机器人技能,并通过与环境的交互在自己的轨迹分布空间中调整学习到的技能。我们的方法结合了经典的机器人技术的示教学习与深度强化学习框架,并利用其互补性。我们表明,我们的方法利用传感器只在执行初步学习的技能,以提取相关功能,导致更快的技能细化。在模拟和现实环境中的广泛评估表明,我们的方法在完善机器人技能的有效性,利用物理交互,高维传感数据,稀疏的任务完成奖励。视频、代码和预训练模型可在http://sac-gmm.cs.uni-freiburg.de上获得。
2022-09-19 cs.CV cs.LG cs.RO
Continuous-time Gaussian Process Trajectory Generation for Multi-robot Formation via Probabilistic Inference
Harbin Institute of Technology(哈尔滨工业大学)
在本文中,我们扩展了著名的运动规划方法GPMP2的多机器人的情况下,产生一种新的集中式轨迹生成方法的多机器人编队。采用稀疏高斯过程模型将所有机器人的连续时间轨迹表示为有限数量的状态,由于稀疏性提高了计算效率。我们增加了约束,以保证个人之间的碰撞避免以及形成维护,然后所有的约束和运动学制定的因素图。通过引入一个全局规划器,我们提出的方法可以有效地生成轨迹的机器人团队,必须通过一个宽度变化的区域自适应编队变化。最后,我们提供了一个增量重新规划算法的实现,以证明我们提出的框架的在线操作的潜力。仿真实验和真实世界的实验表明,我们的方法的可行性,效率和可扩展性。
2021-07-30 cs.RO
Learning the Geometric Mechanics of Robot Motion Using Gaussian Mixtures
本文提出用高斯混合模型学习机器人几何力学运动性图谱,实现任意运动数据的高质量预测与外推,显著优于先前方法。
2025-06-18 cs.RO
Model Free Calibration of Wheeled Robots Using Gaussian Process
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
机器人校准允许融合来自多个传感器(例如里程计、相机等)的数据,通过在相应的参考帧之间提供适当的关系。对于配备有相机/激光雷达以及车轮编码器的轮式机器人,校准需要根据来自编码器的数据学习传感器或机器人的运动模型,并且通常在执行诸如同时定位与地图构建(SLAM)的任务之前执行。本文提出了一种基于高斯过程的非参数方法,用于标定具有任意或未知驱动配置的轮式机器人。该过程是更一般的,因为它学习整个传感器/机器人运动模型的里程测量。与现有的非参数方法不同,我们的方法依赖于来自机载传感器的测量,因此不需要来自外部运动捕捉系统的地面真实信息。或者,我们提出了一种计算效率高的方法,依赖于传感器运动模型的线性近似。最后,我们进行实验来校准机器人与未建模的影响,以证明所提出的方法的准确性,实用性和灵活性。
2019-10-25 cs.RO
Real-to-Sim Robot Policy Evaluation with Gaussian Splatting Simulation of Soft-Body Interactions
Columbia University(哥伦比亚大学);SceniX Inc.(SceniX公司);Google DeepMind(谷歌DeepMind)
本文提出基于3D高斯泼溅的实到虚策略评估框架,从真实视频构建软体数字孪生并实现照片级渲染,在毛绒玩具装箱、绳索布线等任务上验证了仿真与真实执行性能的高度相关性。
2025-11-10 cs.CV cs.LG cs.RO
Dynamic 3D Gaussian Tracking for Graph-Based Neural Dynamics Modeling
Columbia University(哥伦比亚大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出结合3DGS高斯跟踪与图神经网络的粒子动力学框架,从多视角RGB视频学习动作条件下的可变形物体运动,并支持未来状态渲染与基于模型的操作规划。
2024-10-24 cs.AI cs.LG cs.RO
Risk-aware Control for Robots with Non-Gaussian Belief Spaces
KTH Royal Institute of Technology(瑞典皇家理工学院);Digital Futures(数字未来机构);ABB Corporate Research Center(ABB企业研究中心)
针对自主机器人在非高斯置信空间下的安全控制问题,提出基于连续离散粒子滤波的置信动力学与安全集控制器,确保状态违反安全规范的风险有界,并开源ROS2实现验证了有效性。
2024-03-27 cs.RO
ManiGaussian: Dynamic Gaussian Splatting for Multi-task Robotic Manipulation
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Department of Automation, Tsinghua University(清华大学自动化系);Nanyang Technological University(南洋理工大学);Carnegie Mellon University(卡内基梅隆大学)
提出ManiGaussian动态高斯溅射方法,通过未来场景重建挖掘场景动态,在多任务机器人操作中平均成功率提升13.1%。
2024-07-18 cs.CV cs.RO
An Active Learning Based Robot Kinematic Calibration Framework Using Gaussian Processes
California Institute of Technology(加州理工学院)
未来NASA的冰卫星着陆器任务将需要完全自动化,准确和数据高效的校准方法,用于在着陆器附近采样结冰地形的机器人操纵臂。为了支持这一需要,本文提出了一种高斯过程(GP)的方法来经典的机械手运动学校准过程。而不是确定一组校正的Denavit-Hartenberg运动学参数,一组GPS模型的剩余运动误差的工作空间的手臂。更重要的是,这个建模框架允许高斯过程置信上限(GP-UCB)算法,以有效地和自适应地选择校准的测量点,以尽量减少实验的数量,从而最大限度地减少重新校准所需的时间。该方法在模拟中演示了一个简单的2自由度臂,6自由度臂的几何形状是未来NASA任务的候选人,和7自由度巴雷特WAM臂。
2023-03-07 cs.RO
Incorporating Control Inputs in Continuous-Time Gaussian Process State Estimation for Robotics
University of Toronto Robotics Institute, University of Toronto, Toronto, Ontario, Canada(多伦多大学机器人研究所,多伦多大学,多伦多,安大略,加拿大)
本文提出将外部控制输入纳入连续时间高斯过程状态估计框架,以更少测量和节点实现移动机器人与连续体机器人的准确状态估计,在稀疏感知场景下显著降低计算成本。
2025-01-07 cs.RO
Multi-Contact Force Estimation for Continuum Robots via Gaussian-Parameterized Factor Graphs
提出一种基于高斯混合力参数化和因子图的统一形状与力估计框架,融合应变、肌腱张力和位姿测量,实现单/多触点力位置和幅值的准确估计。
2026-09-07 cs.RO
Robust Point Cloud Registration in Robotic Inspection with Locally Consistent Gaussian Mixture Model
本文提出一种基于局部一致性高斯混合模型的概率配准方法,通过约束相邻点后验分布相似性增强对应鲁棒性,在噪声和异常值下将均方根误差降低20%,显著提升航空零件机器人检测中的点云配准精度。
2024-07-24 cs.RO
GIRA: Gaussian Mixture Models for Inference and Robot Autonomy
Robotics Institute at Carnegie Mellon University(卡内基梅隆大学机器人研究所)
本研究提出开源框架GIRA,以高斯混合模型为基础构建统一感知建模框架,搭配GPU加速函数实现10-100倍的GMM学习提速,可同时满足大小尺度场景的机器人感知需求,推动相关技术创新与应用。
2024-03-13 cs.CG cs.CV cs.LG