A probabilistic data-driven model for planar pushing
Massachusetts Institute of Technology(麻省理工学院)
本文提出了一种数据驱动的方法来模拟平面推交互,以预测最有可能的结果推和其预期的变化。学习的模型依赖于高斯过程的变化,具有输入依赖性噪声,称为变分异方差高斯过程(VHGP),它捕获随机函数的均值和方差。我们表明,我们可以学习准确的模型,在少于100个样本后优于分析模型,并且在少于1000个样本的情况下性能饱和。我们对收集的重复轨迹数据集验证结果,并使用学习的模型来研究问题,如推动的变化性的性质,以及准静态假设的有效性。
2017-09-23 cs.LG cs.RO stat.ML
COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing
Everyday Robots, X The Moonshot Factory(日常机器人,X登月工厂);Robotics at Google(谷歌机器人);University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
由于难以理解复杂的接触物理,一般的接触丰富的操作问题是机器人技术中长期存在的挑战。深度强化学习(RL)在解决机器人操作任务方面显示出巨大的潜力。然而,现有的强化学习策略对具有不同动力学特性的环境的适应性有限,这是解决许多接触丰富的操作任务的关键。在这项工作中,我们提出了接触感知的在线上下文推理(COCOI),这是一种深度RL方法,使用丰富的接触交互在线编码动态属性的上下文嵌入。我们研究这种方法的基础上,一个新的和具有挑战性的非平面推动任务,其中机器人使用单目摄像头图像和腕力扭矩传感器读数,推动一个对象到目标位置,同时保持直立。我们进行了大量的实验,以证明COCOI在模拟中的各种设置和动力学特性中的能力,以及在真实机器人上的仿真到现实迁移场景中的能力(视频:https://youtu.be/nrmJYksh1Kc)
2020-11-23 cs.LG cs.RO
More than a Million Ways to Be Pushed: A High-Fidelity Experimental Dataset of Planar Pushing
Massachusetts Institute of Technology(麻省理工学院)
推是一种运动基元,可用于处理太大、太重或太杂乱而无法抓取的对象。它是许多机器人操作的核心,特别是当涉及物理交互时。因此,希望机器人理解被推动的物体是如何移动的似乎是合理的。然而,在现实中,机器人往往依赖于近似,产生的模型是可计算的,但也限制和不准确的。这些模型有多接近?他们所依据的假设有多合理?为了帮助回答这些问题,并得到一个更好的实验理解推,我们提出了一个全面的和高保真的平面推实验数据集。该数据集包含圆形推动器和被推动物体的时间戳姿态,以及相互作用时的力。我们在6个维度上改变推动相互作用:表面材料,被推动物体的形状,接触位置,推动方向,推动速度和推动加速度。一个工业机器人沿着精确控制的推料机的位置-速度-加速度轨迹自动捕获数据,从而提供均匀质量的位置和力的密集样本。最后,我们通过描述摩擦力的变化,并评估机器人中摩擦力推动模型所做的最常见的假设和简化来完成本文。
2016-08-04 cs.RO
Push Anything: Single- and Multi-Object Pushing From First Sight with Contact-Implicit MPC
General Robotics, Automation, Sensing, and Perception (GRASP) Laboratory(通用机器人、自动化、感知与感知实验室)
本研究提出C3+算法,通过接触隐式MPC实现从首次视觉感知到多对象推移的高效操控,实现98%的成功率。
2026-03-05 cs.RO
PokeRRT: Poking as a Skill and Failure Recovery Tactic for Planar Non-Prehensile Manipulation
University of Colorado Boulder(科罗拉多大学博尔德分校)
提出 PokeRRT 运动规划算法,将戳刺作为一种非抓持操作技能及失败恢复策略,与抓取放置协同提升操作弹性,实验证明其在杂乱环境中规划轨迹高效,且在成功率和任务时间上优于推挤与抓取。
2024-06-04 cs.RO
Tactile SLAM: Real-time inference of shape and pose from planar pushing
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Mechanical Engineering Department, Massachusetts Institute of Technology(麻省理工学院机械工程系);XYZ Robotics(XYZ机器人公司);Electrical and Computer Engineering Department, Brigham Young University(杨百翰大学电气与计算机工程系)
触觉感知是机器人在非结构化环境中操作的核心。然而,它需要接触,一个成熟的实现必须推断对象模型,同时还要考虑交互引起的运动。在这项工作中,我们提出了一种方法来估计对象的形状和姿态在实时的【形】从触觉测量流。这适用于通过平面推动对未知对象的触觉探索。我们认为这是一个在线SLAM问题的非参数形状表示。我们制定的触觉推理交替高斯过程隐式表面回归和姿势估计的因素图。通过局部高斯过程和固定滞后平滑的组合,我们实时的【形】推断物体的形状和姿态。我们评估我们的系统在不同的对象在模拟和现实世界的平面推任务。
2021-03-26 cs.RO
Configuration Lattices for Planar Contact Manipulation Under Uncertainty
Carnegie Mellon University(卡内基梅隆大学);National University of Singapore(新加坡国立大学)
这项工作解决了机器人使用接触传感器的实时反馈来可靠地操纵杂乱桌面上的可移动物体的挑战。我们制定的接触操作作为一个部分可观察的马尔可夫决策过程(POMDP)在关节空间的机器人配置和对象的姿态。POMDP公式使机器人能够主动收集信息,减少对象姿态的不确定性。此外,它还结合了机器人操作的所有主要约束:运动学可达性,自碰撞和与障碍物的碰撞。为了解决POMDP,我们应用DESPOT,一个国家的最先进的在线POMDP算法。我们的方法利用了两个关键的想法,计算效率。首先,它通过交错构造网格和在线POMDP规划来执行配置空间网格的惰性构造。其次,通过离线求解松弛POMDP,并利用解指导在线搜索算法,将在线和离线POMDP规划相结合。我们评估了所提出的方法在一个七度的自由度的机器人手臂在仿真环境中。它显着优于现有的几种算法,包括一些常用的接触操作不确定性下的算法。
2016-04-30 cs.RO
A Fast Stochastic Contact Model for Planar Pushing and Grasping: Theory and Experimental Validation
Carnegie Mellon University(卡内基梅隆大学)
基于准静态滑动的凸力-运动多项式模型,推导了位置控制机械手在支撑面上的运动学接触模型,用于确定接触模式和物体的瞬时运动。固有的随机对象表面摩擦分布的建模从适当的分布采样物理上一致的参数,只有一个参数来控制噪声量。由于凸多项式模型的高保真度和光滑度,贴片接触的力学被捕获,同时计算效率高,无需在支撑点处进行模式选择。给出了单摩擦接触和多摩擦接触的运动方程。基于该模型的仿真通过机器人的推取实验进行了验证。
2017-05-30 cs.RO
Friction Variability in Planar Pushing Data: Anisotropic Friction and Data-collection Bias
Massachusetts Institute of Technology(麻省理工学院)
摩擦力在操纵物体时起着关键作用。我们用手做的大部分事情,以及机器人用它们的抓手做的大部分事情,都是基于控制摩擦力的能力。本文旨在更好地了解平面摩擦的可变性和可预测性。特别是,我们专注于分析Yu等人[1]最近关于平面推动的数据集。该数据集旨在创建平面摩擦的数据驱动足迹。在本文中,我们展示了如何解释所观察到的非常规现象的重要部分,例如,随机性和多模态,通过结合材料非均匀性、摩擦各向异性和由于数据汇集动态而产生的偏差的影响,暗示可变性是可解释的,但在实践中是不可避免的。我们介绍了一种各向异性摩擦模型,并进行了仿真实验,与更标准的各向同性摩擦模型进行了比较。在自动数据汇集过程中,物体与支撑面之间的各向异性摩擦力导致初始条件收敛。数值结果证实了各向异性摩擦模型解释了数据集的偏差和推压结果的明显随机性。事实上,数据汇集过程本身可能会在收集的数据集中产生偏差,导致训练模型的恶化,这引起了对数据汇集动态的关注。
2018-06-22 cs.RO physics.data-an
How Physics and Background Attributes Impact Video Transformers in Robotic Manipulation: A Case Study on Planar Pushing
KTH Royal Institute of Technology(瑞典皇家理工学院);School of Electrical Engineering and Computer Science(电气工程与计算机科学学院);Linköping University(林雪平大学);National Supercomputer Centre(国家超级计算机中心)
本研究实证调查了物理属性和场景背景特征对Video Transformers预测平面推动轨迹性能的影响,发布了大规模数据集CloudGripper-Push-1K,并提出模块化框架VOT作为案例研究对象。
2024-08-28 cs.CV cs.RO
Goal-Driven Robotic Pushing Using Tactile and Proprioceptive Feedback
University of Bristol(布里斯托大学)
在机器人中,非易失性操作(如推动)是移动大型、重型或笨重物体、一次移动多个物体或减少物体位置或姿态不确定性的有用方法。在这项研究中,我们提出了一种反应和自适应的方法,用于机器人推动,使用丰富的反馈,从高分辨率的光学触觉传感器来控制推动运动,而不是依赖于分析或数据驱动的模型的推动相互作用。具体而言,我们使用目标驱动的触觉探索,积极寻找稳定的推动配置,使对象保持其相对于推杆的姿态,同时逐步移动推杆和对象朝向目标。我们评估我们的方法,推动物体在平面和曲面。对于平面表面,我们表明,该方法是准确的和鲁棒的初始接触位置/角度,物体形状和起始位置的变化;对于曲面,性能略有下降。我们的工作的一个直接后果是,它表明,明确的推交互模型可能是足够的,但对于这种类型的任务是不必要的。它还提出了一个有趣的问题,即应该对系统的哪些方面进行建模,以在各种场景中实现最佳性能和泛化。最后,它强调了在开发机器人推动新方法时,在非平面表面和其他更复杂的环境中进行测试的重要性。
2021-08-02 cs.RO
Collaborative Planar Pushing of Polytopic Objects with Multiple Robots in Complex Scenes
College of Engineering, Peking University(北京理工大学工程学院)
针对复杂场景中多机器人协作推动多面体物体的问题,提出基于混合优化与分层搜索的框架,并采用非线性模型预测控制,经仿真和实验验证有效。
2024-06-01 cs.RO
Reactive Planar Manipulation with Convex Hybrid MPC
Massachusetts Institute of Technology(麻省理工学院)
本文提出了一种反应控制器的平面操作任务,利用机器学习,以实现实时性能。该方法是基于模型预测控制(MPC)制定,其中的目标是找到一个最佳的机器人运动序列,以实现所需的对象运动。由于与摩擦相互作用相关的多种接触模式,因此在确定模式的最佳序列时,所产生的优化程序会遇到组合复杂性的问题。为了克服这一困难,我们制定了搜索的最佳模式序列离线,单独的搜索最优控制输入在线。使用来自机器学习的工具,这导致可以实时求解的凸混合MPC程序。我们验证了我们的算法在平面操作实验装置,结果表明,凸混合MPC制定与学习模式实现良好的闭环性能的轨迹跟踪问题。
2018-09-04 cs.RO
Model-Based Adaptive Precision Control for Tabletop Planar Pushing Under Uncertain Dynamics
提出基于学习模型与MPPI控制器的桌面推操作框架,用单一模型实现多任务,无需重训,在仿真和真实实验中达到高精度定位与轨迹跟踪。
2026-09-17 cs.RO
Position prediction using disturbance observer for planar pushing
University of Leeds(利兹大学)
由机器人在平面上推动的刚体物体的位置和方向是非常难以预测的。在本文中,预测问题制定为干扰观测器设计问题。扰动观测器提供了对作用于对象的模型误差和外部扰动的总和的精确估计。从估计结果,它揭示了有一个很强的线性关系之间的作用力或扭矩和估计的干扰。所提出的预测算法有两个阶段:识别和预测。在辨识阶段,线性关系是由观测器的输出用递归最小二乘算法来辨识的。在预测阶段中,所识别的线性关系与将由任务规划器提供的力规划一起使用,以预测对象的位置和取向。该算法进行了测试,六个不同的推实验数据可从麻省理工学院MCube实验室。与简单的校正算法相比,所提出的算法在减少预测误差方面表现出改进的性能。
2023-01-17 cs.RO cs.SY eess.SY
Decision Making in Joint Push-Grasp Action Space for Large-Scale Object Sorting
Department of Computer Science, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校计算机科学系)
我们提出了一个规划器的大规模(联合国)标记的对象排序任务,它使用两种类型的操作动作:头顶抓和平面推。抓取动作在温和的假设下提供了完整性保证,平面推动是一种同时移动多个物体的加速策略。我们的主要贡献是两方面的:(1)我们提出了一个双层规划算法。我们的高级计划者基于成本模型在推动和抓取动作之间做出有效的、接近最优的选择。我们的低级规划器计算一步贪婪的推或抓动作。(2)我们提出了一种新的低层次的推动计划,可以找到一步贪婪推动行动在半离散搜索空间。搜索空间的结构,使我们能够有效的我们表明,排序到$200$对象,我们的计划可以找到接近最佳的行动与$10$秒的计算在台式机上。
2020-10-20 cs.RO
TAMPC: A Controller for Escaping Traps in Novel Environments
University of Michigan(密歇根大学)
我们提出了一种在线模型自适应和控制的方法,在具有挑战性的情况下,混合动力和不连续的动态行为可能会导致难以逃脱的“陷阱”状态,在给定的控制器。我们首先从随机收集的训练集中学习没有陷阱的系统的动态(因为我们不知道在线会遇到什么陷阱)。这些“标称”动态允许我们在动态与训练数据匹配的场景中执行任务,但是当执行中出现意外陷阱时,我们必须找到一种方法来调整我们的动态和控制策略并继续尝试任务。我们的方法,陷阱感知模型预测控制(TAMPC),是一个两级的分层控制算法,原因陷阱和非标称动态之间的目标寻求和恢复政策的决定。我们的方法的一个重要要求是能够识别标称动态,即使我们遇到的数据是分布外的w.r.t的训练数据。我们通过学习一种利用标称环境中的不变性的动态表示来实现这一点,从而允许更好的泛化。我们评估我们的方法模拟平面推和钉孔以及真正的机器人钉孔问题对自适应控制,强化学习,陷阱处理基线,陷阱出现由于意外的障碍,我们只能通过接触观察。我们的研究结果表明,我们的方法在困难的任务上优于基线,并且与之前的陷阱处理方法在更容易的任务上相当。
2021-02-03 cs.LG cs.RO
Empirical Analysis of Sim-and-Real Cotraining of Diffusion Policies for Planar Pushing from Pixels
Massachusetts Institute of Technology(麻省理工学院)
本研究实证分析仿真与真实数据联合训练扩散策略,发现仿真数据可显著提升性能,且缩小物理域差距比视觉保真度更重要,并揭示一定视觉差异有助于策略区分域。
2025-08-05 cs.AI cs.RO
Nonprehensile Planar Manipulation through Reinforcement Learning with Multimodal Categorical Exploration
The University of Edinburgh(爱丁堡大学);The Alan Turing Institute(艾伦·图灵研究所)
提出基于分类分布的多模态探索强化学习方法,解决了非抓握式平面推动任务中精度低和运动简单的问题,实现了对任意位姿的高精度、鲁棒操作及仿真到真实机器人的迁移。
2023-08-04 cs.AI cs.LG cs.RO
Contact Optimization for Non-Prehensile Loco-Manipulation via Hierarchical Model Predictive Control
University of Southern California(南加州大学)
最近的研究集中在四足机器人的运动或移动操作使用的机器人手臂。足式机器人可以操纵较重和较大的物体使用非弹性操作原语,如平面推动,驱动对象到所需的位置。在本文中,我们提出了一种新的分层模型预测控制(MPC)的接触优化的操作任务。使用两个级联的MPC,我们分裂的本地操作问题分为两部分:第一,以优化机器人和物体之间的接触力和接触位置,第二,通过机器人运动调节所需的相互作用力。我们的方法是成功地验证了在仿真和硬件实验。虽然基线运动MPC未能遵循所需的轨迹的对象,我们提出的方法可以有效地控制对象的位置和方向,以最小的跟踪误差。这种能力也使我们能够执行避障的机器人和对象在本地操作任务。
2022-10-07 cs.RO
Learning Goal-Oriented Non-Prehensile Pushing in Cluttered Scenes
University of Bonn(波恩大学)
在杂乱的场景中推动物体是一项具有挑战性的任务,特别是当要推动的物体最初具有未知的动态并且必须避免接触其他实体以降低损坏的风险时。在本文中,我们通过应用深度强化学习来处理这个问题,以生成机器人机械手在平面上的推动动作,其中物体必须被推到目标位置,同时避免同一工作空间中的其他物品。通过从场景的深度图像和环境的其他观察(例如末端执行器和对象之间的接触信息以及到目标的距离)学习到的潜在空间,我们的框架能够学习接触丰富的推动动作,以避免与其他对象碰撞。作为实验结果与六个自由度的机器人手臂显示,我们的系统是能够成功地推动物体从开始到结束的位置,同时避免附近的物体。此外,我们评估我们学到的政策相比,一个国家的最先进的移动机器人推控制器,并表明我们的代理执行更好的成功率,与其他物体的碰撞,并在各种情况下连续的对象接触。
2022-07-15 cs.RO
Self-Adapting Recurrent Models for Object Pushing from Learning in Simulation
University of Hamburg(汉堡大学)
平面推送是一个具有挑战性的研究课题,其核心问题是建立相互作用的动力学模型。即使是一个精确的分析动态模型本质上是不稳定的,因为物理参数,如惯性和摩擦只能近似。数据驱动模型通常依赖于大量的训练数据,但在使用真实机器人时,数据汇集非常耗时。在本文中,我们收集了所有的训练数据在物理模拟器,并建立了一个基于LSTM的模型,以适应推动动力学。域随机化被应用于捕获广义对象类的推动轨迹。当在真实机器人上执行时,经过训练的递归模型在几个步骤内适应被跟踪对象的真实动态。我们提出了算法\emph{Recurrent}模型预测路径积分(RMPPI)作为一个变化的原始MPPI方法,采用状态依赖的经常性模型。作为比较,我们还训练了一个深度确定性策略梯度(DDPG)网络作为无模型基线,它也被用作数据汇集阶段的动作生成器。在策略训练中,采用后见之明经验回放的方法来提高探索效率。在UR5平台上的推流实验证明了模型的适应性和框架的有效性。
2020-07-27 cs.RO
Local Path Planning among Pushable Objects based on Reinforcement Learning
University College London(伦敦大学学院)
本文提出基于强化学习的局部路径规划方法,通过多智能体训练和优势演员-评论家算法,实现可推动物体间的灵活避障,并在仿真和四足机器人上验证了其适应性。
2024-03-14 cs.RO
Belief-Overlap Partial Inversion: Object-Centric Flow Replanning for Humanoid Loco-Manipulation
Northwestern University(西北大学);Multiply Labs
受人类探索物体的行为启发,提出信念重叠部分逆(BOPI)方法,将在线估计、流规划与全身控制闭环,在18个模拟任务中降低推车操作误差,硬件实验可控制非完整推车运动。
2026-10-12 cs.RO
PushingBots: Collaborative Pushing via Neural Accelerated Combinatorial Hybrid Optimization
School of Advanced Manufacturing and Robotics, Peking University(先进制造与机器人学院,北京大学)
PushingBots通过神经加速的组合混合优化实现机器人协作推搡,解决复杂环境中多物体精准推运问题。
2025-11-20 cs.RO
A Constant-Factor Approximation Algorithm for Online Coverage Path Planning with Energy Constraint
University of North Florida(北佛罗里达大学);Kent State University(肯特州立大学)
在本文中,我们研究的覆盖规划问题的移动机器人与有限的能源预算。机器人的目标是覆盖环境中的每个点,同时最小化行进路径长度。机器人最初对环境是未知的。因此,在探测过程中需要避开飞行环境中的障碍物。由于机器人具有特定的能量预算,它可能无法在一次遍历中覆盖整个环境。相反,它将需要定期访问静态充电站,以便为其充电。为了解决上述问题,我们提出了一个预算的深度优先搜索(DFS)为基础的探索策略,帮助机器人覆盖任何未知的平面环境,同时边界的最大路径长度的最短路径长度的常数因子。我们的$O(1)$ -近似保证推进了这个问题的对数近似的最先进的。仿真结果表明,该算法在所有凹凸障碍物环境中的行进路径长度和运行时间均优于现有的最新算法.
2019-06-27 cs.DS cs.RO
Push-MOG: Efficient Pushing to Consolidate Polygonal Objects for Multi-Object Grasping
UC Berkeley(加州大学伯克利分校);University of Leeds(利兹大学)
提出Push-MOG算法,利用平行夹爪执行叉式推动动作以聚合多边形物体形成可抓取簇,从而实现多物体抓取,在物理清理实验中使每次行程平均抓取物体数提高34%。
2023-06-24 cs.RO
Omnipush: accurate, diverse, real-world dataset of pushing dynamics with RGB-D video
Massachusetts Institute of Technology(麻省理工学院)
推动是机器人的基本技能。现有的工作已经展示了如何利用推的模型来实现各种任务,包括在不确定性下的抓取,手操纵和清除混乱。然而,这些模型是近似的,这限制了它们的适用性。基于学习的方法可以准确地直接从原始感官数据中推理,并有可能推广到更广泛的场景。然而,开发和测试这些方法需要足够丰富的数据集。在本文中,我们介绍Omnipush,一个数据集与各种各样的平面推送行为。特别是,我们为250个对象中的每个对象提供250次推送,所有这些都使用RGB-D和高精度跟踪系统进行记录。构建对象是为了系统地探索影响推送的关键因素-对象的形状及其质量分布-这些因素在以前的数据集中没有得到广泛的探索,并允许在模型学习中研究泛化。Omnipush包括元学习动态模型的基准,这需要算法做出良好的预测并估计自己的不确定性。我们还提供了一个RGB视频预测基准,并提出了适合此数据集的其他相关任务。数据和代码可在\url{https://web.mit.edu/mcube/omnipush-dataset/}上获得。
2021-08-19 cs.CV cs.LG cs.RO
Real-time Multi-Plane Segmentation Based on GPU Accelerated High-Resolution 3D Voxel Mapping for Legged Robot Locomotion
sony group corporation(索尼集团公司)
针对足式机器人运动场景下现有在线平面建图精度与效率难平衡的问题,提出结合顶点连通分量标记、随机采样一致性平面检测与凸包的GPU加速体素地图多平面分割方法,实现0.01米分辨率下超30Hz的实时分割,经仿真与实体平台验证可提升运动稳健性。
2025-10-02 cs.RO
Fast Contact-Implicit Model-Predictive Control
Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
我们提出了一个通用的方法来控制机器人系统,使和打破接触他们的环境。接触隐式模型预测控制(CI-MPC)通过利用双层规划公式将线性MPC推广到接触丰富的设置,其中下层接触动态被公式化为使用关于参考轨迹的策略泰勒近似计算的时变线性互补问题(LCP)。这些动力学使上层规划问题能够推理接触时间和力,并在线生成全新的接触模式序列。为了实现可靠且快速的数值收敛,我们为这些LCP接触动力学设计了一个结构利用内点求解器,并为跟踪问题设计了一个自定义轨迹优化器。我们展示了实时的解决方案率CI-MPC和生成和跟踪非周期性行为的能力,在硬件实验上的四足机器人。我们还表明,控制器是鲁棒的模型失配,并可以通过发现和利用新的接触模式在各种机器人系统的模拟,包括推式机器人,平面料斗,平面四足动物,平面机器人的干扰。
2023-01-06 cs.RO cs.SY eess.SY
Morphology-Specific Closed-Loop Control of Logarithmic-Spiral Continuum Arms via Online Jacobian Error Compensation
提出首个针对对数螺旋连续体臂的形态特异性闭环任务空间控制框架,通过分段腱驱动模型和在线雅可比误差补偿实现精确鲁棒控制,在轨迹跟踪、姿态调节等任务中优于分段常曲率基线方法。
2026-06-26 cs.RO physics.app-ph
Force Push: Robust Single-Point Pushing with Force Feedback
Technical University of Munich(慕尼黑工业大学);University of Toronto(多伦多大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);University of Toronto Robotics Institute(多伦多大学机器人研究所);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所);Vector Institute for Artificial Intelligence(向量人工智能研究所)
针对参数与位姿未知的滑块,本文提出仅依赖接触点力反馈的准静态单点平面推动控制器,并通过仿真和真实实验验证其在直曲线路径及障碍接触场景下的鲁棒性。
2024-06-17 cs.RO
Learning Goal-Directed Object Pushing in Cluttered Scenes With Location-Based Attention
Humanoid Robots Lab, University of Bonn, Germany(波恩大学人形机器人实验室);School of Informatics, The University of Edinburgh, Edinburgh, UK(爱丁堡大学信息学院);The Alan Turing Institute, London, UK(艾伦·图灵研究所);The Lamarr Institute, Bonn, Germany(波恩兰马尔研究所);The Center for Robotics, University of Bonn, Germany(波恩大学机器人中心)
针对杂乱场景下非抓取式物体推送的欠驱动与避障难题,提出融合位置注意力的强化学习框架,无需预定义路径且考虑目标朝向,经仿真和真实KUKA iiwa机械臂验证可成功避障完成目标位姿推送。
2025-08-01 cs.RO
Online Joint Calibration of Steering Offset and Planar LiDAR Extrinsics for Wheeled Mobile Robots
ATI Motors
针对仓库移动机器人手动校准转向偏移与激光雷达外参易出错的问题,提出基于扩展卡尔曼滤波的在线联合校准方法,经实验验证可有效降低横向跟踪误差。
2026-08-28 cs.RO
Harnessing the Synergy between Pushing, Grasping, and Throwing to Enhance Object Manipulation in Cluttered Scenarios
University of Groningen(格罗宁根大学);University of Edinburgh(爱丁堡大学)
本文提出利用无模型深度强化学习协同学习推动、抓取与投掷动作,通过推动清理杂乱场景、抓取目标并投掷入篮,在仿真和真实机器人上均取得超过80%的成功率。
2024-02-25 cs.RO
In-Hand Manipulation via Motion Cones
Massachusetts Institute of Technology(麻省理工学院)
在本文中,我们提出的力学和算法来计算一个物体在一个平面上推动的可行运动的集合。这组被称为运动锥,并且先前被描述为用于水平面中的非易失性操纵任务。我们将其几何结构推广到更广泛的平面任务,其中外力(如重力)影响推动的动力学,以及抓取器,物体和推动器之间存在复杂的相互作用的任务。我们证明了运动锥是由一组低曲率曲面定义的,并给出了一个多面体锥近似,我们用运动跟踪系统记录的2000个推压实验验证了它的有效性。运动锥通过提供可行运动集的界限以及描述哪些推力将粘滞或滑动来抽象模拟摩擦推力所涉及的代数。我们证明了他们使用的动态传播步骤中的采样为基础的规划算法在手操纵。规划器生成的轨迹涉及连续推动序列,速度比等效算法提高5- 1000倍。视频摘要--https://youtu.be/tVDO8QMuYhc
2019-02-23 cs.RO
Realtime State Estimation with Tactile and Visual sensing. Application to Planar Manipulation
Massachusetts Institute of Technology(麻省理工学院)
准确且鲁棒的对象状态估计使得能够成功地进行对象操纵。视觉传感被广泛用于估计物体的姿态。然而,在一个混乱的场景或在一个紧张的工作空间,机器人的末端执行器往往从视觉传感器遮挡对象。然后机器人失去视觉反馈,必须回到开环执行。在本文中,我们集成了触觉和视觉输入使用的框架,解决SLAM问题,增量平滑和映射(iSAM),提供一个快速和灵活的解决方案。视觉感测提供全局姿态信息,但通常是有噪声的,而接触感测是局部的,但其测量相对于末端执行器更准确。通过将它们结合起来,我们的目标是利用它们的优势并克服它们的局限性。我们探讨的背景下,一个推杆滑块系统的技术。我们适应iSAM的测量成本和运动成本推的情况下,并使用仪器设置来评估不同的物体形状,不同的表面材料,并在不同的接触模式下的估计质量。
2018-05-15 cs.RO
DNPush: Distributed Nonparallel Pushing Force Control of Multi-Robot Systems for Object Transportation
More-Than-One Robotics Laboratory, Faculty of Sustainable Design Engineering, University of Prince Edward Island(爱德华王子岛大学可持续设计工程学院多机器人实验室);Faculty of Electronics and Telecommunications, VNU University of Engineering and Technology(越南国立大学工程与技术大学电子与电信学院)
提出DNPush分布式非平行推力控制器,无需通信和物体模型,通过互惠正弦定律调节力,实现多机器人协作运输,实验验证了高精度方向控制。
2026-10-06 cs.RO cs.SY eess.SY
A bioinspired internal model-based online estimator for planar pursuit
University of South Florida(南佛罗里达大学);United States Naval Academy(美国海军学院)
本文提出一种基于仿生内模型的在线估计器,通过优化方法从部分观测和自身运动重建未观测状态,并在机器人硬件上实时验证。
2026-09-23 cs.RO cs.SY eess.SY
A Hamilton-Jacobi Reachability-Guided Search Framework for Efficient and Safe Indoor Planar Robot Navigation
Simon Fraser University(西蒙弗雷泽大学)
本文提出结合离线哈密顿-雅可比可达性与在线图搜索的方法,提升室内机器人导航的效率和安全性,通过预计算的HJ值函数作为启发式和安全约束,减少计算开销。
2026-04-20 cs.RO
SOMA: Stack-of-Objects Manipulation using a Quadruped Robot
SOMA是一种分层强化学习框架,使四足机器人能通过集成基座高度控制实现三维非抓取物体堆操作,在模拟中获高成功率,且可零样本迁移到真实Unitree Go1机器人。
2026-10-16 cs.AI cs.RO
Friction Estimation for In-Hand Planar Motion
Department of Electrical Engineering, Chalmers University of Technology, SE-41296 Gothenburg, Sweden(电气工程系,楚尔姆斯理工大学,瑞典哥德堡);Department of Automatic Control, Lund University, SE-22100 Lund, Sweden(自动控制系,吕勒奥大学,瑞典卢德)
本文提出一种基于触觉测量在线估计平行夹爪手内滑动操作中静/库仑摩擦及接触半径的方法,并引入启发式处理快速滑-粘动力学,经仿真与实物验证。
2025-07-09 cs.RO
Object-Centric Kinodynamic Planning for Nonprehensile Robot Rearrangement Manipulation
Rice University(莱斯大学);RAI Institute(RAI研究所)
针对多物体非抓取重排问题,提出一种基于对象中心的运动学动力学规划统一框架,通过计算期望物体运动并利用闭环推动策略在线生成机器人动作,显著提升了动作效率与任务有效性,并提供了标准化基准测试协议。
2025-10-30 cs.RO
Online Parameter Estimation for Safety-Critical Systems with Gaussian Processes
Georgia Institute of Technology(佐治亚理工学院)
参数估计对于复杂动态系统的建模、跟踪和控制至关重要。然而,参数的不确定性会损害系统性能的控制器依赖于标称参数值。通常,参数估计使用数值回归方法作为反问题。然而,由于存在多个局部最优解、依赖梯度、大量实验数据或稳定性问题,它们具有非唯一性。针对这些缺点,我们提出了一个贝叶斯优化框架的基础上高斯过程(GP)的在线参数估计。它使用一个有效的搜索策略在参数空间的响应面上找到全局最优值与最小的功能评估。响应面被建模为相关的代理人使用GPS噪声数据。GP后验预测方差用于智能自适应采样。这平衡了探索与开发的权衡,这是在有限预算下达到全局最优的关键。我们证明了我们的技术驱动平面摆和安全关键的四旋翼在模拟与变化的参数。我们还基准我们的结果对求解器使用内点法和序列二次规划。通过重新配置控制器与新的优化参数迭代,我们大大提高了系统的轨迹跟踪与标称情况下和其他求解器。
2020-02-18 cs.LG cs.RO
Reactive Navigation in Partially Familiar Planar Environments Using Semantic Perceptual Feedback
University of Pennsylvania(宾夕法尼亚大学);UC Berkeley(加州大学伯克利分校)
本文解决了平面导航的问题,通过求助于一个在线的反应计划,利用SLAM和视觉对象识别的最新进展,重铸以前的几何知识的离线目录熟悉的对象。由此产生的向量场规划器保证收敛到任意指定的目标,避免与目录中固定但任意放置的实例以及完全未知的固定障碍物发生碰撞,只要它们是强凸的并且分离良好。我们说明了通用的鲁棒性,这种确定性的反应规划,以及相对温和的计算成本,该算法补充了广泛的数值研究与物理实现在不同的设置在两个轮式和腿式平台。
2021-08-19 cs.RO
Online Extrinsic Calibration based on Per-Sensor Ego-Motion Using Dual Quaternions
Institute of Measurement, Control and Microtechnology, Ulm University(乌尔姆大学测量、控制与微技术研究所)
在这项工作中,我们提出了一种方法,从每个传感器自我运动估计的外部传感器校准。我们的问题制定是基于对偶四元数,使两种不同的在线解决方案。我们提供了一个可验证的全球最佳和快速的本地方法,以及一种方法来验证本地方法的全局性。另外,描述了用于集成先前知识的装置,例如,用于平面传感器运动的公共接地平面。我们的算法进行评估模拟数据和公开的数据集包含RGB-D相机图像。此外,我们的在线校准方法在KITTI里程数据集上进行了测试,该数据集提供了安装在车辆上的激光雷达和两个立体相机系统的数据。我们的评估证实了短的运行时间,国家的最先进的精度,以及我们的方法的在线能力,同时保持在任何时候的解决方案的全局最优。
2021-03-01 cs.RO
AiSDF: Structure-aware Neural Signed Distance Fields in Indoor Scenes
Artificial Intelligence Graduate School, UNIST(蔚山科学技术院人工智能研究生院)
本文提出一种室内场景中结构感知的在线SDF重建框架AiSDF,基于Atlanta世界假设推断场景结构并估计平面surfels区域,通过自适应采样和约束结构规律性,在维持高层结构的同时增强细节,显著提升了房间尺度场景的3D重建质量。
2024-03-04 cs.AI cs.CV cs.RO
Online-Learning Deep Neuro-Adaptive Dynamic Inversion Controller for Model Free Control
Missouri University of Science and Technology(密苏里科技大学)
自适应方法在控制文献中很受欢迎,因为它们在建模领域提供了灵活性和容错性。神经网络自适应控制特别有利于机器学习算法逼近未知函数的强大特性和放松传统自适应控制内的某些约束的能力。深度神经网络是一种大型框架网络,其近似特性远远优于浅层网络。然而,由于尺寸特定的复杂性,例如训练中的消失/爆炸梯度,实现深度神经网络可能很困难。在本文中,实现了一种神经自适应控制器,其特征在于在新的权重更新律上训练的深度神经网络,该权重更新律通过仅结合梯度的符号来避免消失/爆炸梯度问题。设计的控制器类型是一个自适应动态逆控制器,利用修改后的状态观测器在二级估计回路训练网络。深度神经网络在线学习整个工厂模型,创建完全无模型的控制器。通过对一个两连杆平面机器人手臂的仿真,证明了该控制器能够快速学习非线性对象,并在跟踪控制问题中表现出良好的性能。
2021-07-21 cs.LG cs.RO cs.SY
Where2Act: From Pixels to Actions for Articulated 3D Objects
Stanford University(斯坦福大学);Facebook AI Research(Facebook人工智能研究)
视觉感知的基本目标之一是允许智能体与其环境进行有意义的交互。在本文中,我们朝着这个长期目标迈出了一步-我们提取了与基本动作相关的高度本地化的可操作信息,例如推或拉具有可移动部件的铰接对象。例如,给定一个抽屉,我们的网络预测在把手上施加拉力会打开抽屉。我们提出,讨论和评估新的网络架构,给定图像和深度数据,预测每个像素可能的动作集,以及可能在力作用下移动的关节部位的区域。我们提出了一个学习互动框架与在线数据采样策略,使我们能够训练网络模拟(SAPIEN)和跨类别的推广。查看网站以获取代码和数据发布:https://cs.stanford.edu/~kaichun/where2act/
2021-08-10 cs.CV cs.RO
Generalizable 6D Pose Estimation of Textureless Objects with Planar-based Gaussian Splatting
College of Future Information Technology, Fudan University(复旦大学未来信息技术学院);College of Intelligent Robotics and Advanced Manufacturing, Fudan University(复旦大学智能机器人与先进制造学院);University of Turku(图尔库大学);Jihua Laboratory(季华实验室)
提出PG-Pose框架,结合平面高斯溅射重建与几何驱动优化,在无CAD模型条件下实现无纹理物体6D姿态估计,在OnePose-LowTexture数据集上达到94.2%精度,并成功应用于工业机器人抓取。
2026-09-09 cs.RO
Sample-Efficient Online Control Policy Learning with Real-Time Recursive Model Updates
本文提出递归Koopman学习(RKL),一种样本高效、轻量级的在线控制策略学习方法,通过实时递归模型更新,在模拟和硬件上仅需不到10%数据即可提升控制器合成效率与稳定性。
2025-09-10 cs.RO cs.SY eess.SY