Infrastructure-less UWB-based Active Relative Localization
University of Perugia（佩鲁贾大学）
本文提出一种基于UWB的无基础设施主动相对定位方法，通过设计专用锚点布置和新型UWB相对定位损失函数训练深度强化学习控制器，使机器人主动调整位置以最小化他机定位误差，实验显示定位误差较现有方法最多降低60%。
2024-12-26 cs.RO
An Integrated LiDAR-SLAM System for Complex Environment with Noisy Point Clouds
当前的LiDAR SLAM（同时定位与地图构建）系统在面对复杂环境时存在精度低和鲁棒性有限的问题。从我们的实验中，我们发现，目前的激光雷达SLAM系统具有有限的性能时，在所获得的点云的噪声水平是大的。因此，在这项工作中，我们提出了一个通用框架，以解决在复杂环境中由反射材料引起的许多噪声和离群值的LiDAR SLAM的去噪和环路闭合问题。现有的点云去噪方法主要是针对小规模点云设计的，不能推广到大规模点云场景。在这项工作中，我们首先提出了一个轻量级的网络大规模点云去噪。随后，我们还设计了一个高效的闭环网络用于全局优化的位置识别，以提高整个系统的定位精度。最后，我们通过大量的实验和基准研究证明，当面对噪声点云时，我们的方法可以显着提高LiDAR SLAM系统的定位精度，同时计算成本略有增加。
2022-12-12 cs.RO
Data-Driven Measurement Models for Active Localization in Sparse Environments
Northwestern University（西北大学）
我们开发了一种算法来探索环境，以生成用于未来定位任务的测量模型。关于特定类别的测量的可能性的遍历探索（例如，触觉感知中的接触检测测量）使得能够构造测量模型。基于数据驱动测量模型的关于信息密度的探索使得能够本地化。我们测试的两个阶段的方法在模拟的触觉感知，说明该算法能够识别和定位对象的基础上稀疏分布的二进制接触。与我们的方法的比较表明，访问低概率区域导致新信息的获取，而不是增加已知信息的可能性。Sphero SPRK机器人的实验验证了该方法对基于碰撞的环境估计和定位的有效性。
2018-05-31 cs.RO
Towards Large-Scale Relative Localization in Multi-Robot Systems with Dynamic UWB Role Allocation
University of Turku（图尔库大学）
超宽带测距技术是多机器人系统中机器人定位和相对定位的关键技术。目前，多个作品正在向更具可扩展性的系统发展，但挑战仍然存在。本文提出了一种新的方法，在多机器人系统的相对定位的UWB节点的角色之间动态分配的主动节点（使用飞行时间的距离估计到其他主动节点）和被动节点（使用时间差的到达估计相对于主动节点对的距离差）。我们自适应地更新UWB角色的机器人的位置相对于由主动节点定义的凸包络的基础上，并引入本地化频率和精度要求的形式的约束。我们证明了所提出的方法的适用性，并表明，定位误差保持可比的固定角色系统。然后，我们展示了自主无人机的导航如何受到定位系统变化的影响，获得比仅依赖被动定位时更好的轨迹跟踪精度。我们的研究结果铺平了道路UWB为基础的本地化在大规模的多机器人部署，无论是相对定位或在GNSS拒绝环境中的应用。
2022-03-08 cs.RO
Low-level Active Visual Navigation: Increasing robustness of vision-based localization using potential fields
Instituto Superior Técnico（里斯本高等理工学院）；Universidade de Lisboa（里斯本大学）
针对移动机器人视觉定位问题，提出了一种低层视觉导航算法。该算法基于人工势场，将当前图像帧中的每个特征与有吸引力或中性势能相关联，其目的是生成将车辆朝向目标驱动的控制动作，同时仍然有利于局部范围内的特征丰富区域，从而提高定位性能。所提出的方法的一个关键特性是，它不依赖于映射，因此它是一个轻量级的解决方案，可以部署在小型化的空中机器人，其中内存和计算能力是主要的限制。仿真和实际的实验结果表明，该方法可以有效地驱动车辆到指定的目标，通过路径，防止定位失败。
2018-03-23 cs.RO
Reflection-Based Relative Localization for Cooperative UAV Teams Using Active Markers
Multi-Robot Systems Group, Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克技术大学电气工程系多机器人系统组）；Mohammed VI Polytechnic University（摩洛哥穆莱伊沙·穆莱·阿卜杜勒阿齐兹·本·阿卜杜勒阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐-middle Polytechnic University）
本文提出了一种利用环境中的主动标记反射进行无人机团队相对定位的新方法，无需预先知道机器人大小或标记配置，且能有效应对表面不规则性带来的不确定性，实验表明其在不同光照条件下具有更高的有效范围和精度。
2026-11-02 cs.RO
Technical Report: Cooperative Multi-Target Localization With Noisy Sensors
University of Pennsylvania（宾夕法尼亚大学）
本技术报告是2013年IEEE机器人与自动化国际会议（ICRA）接受的论文“带噪声传感器的协作多目标定位”的扩展版本。本文讨论了一个未知数量的静态目标搜索的任务，在一个已知的障碍地图使用一组移动机器人配备了嘈杂的，有限的视野传感器。这种传感器可能无法检测到可见目标的子集或返回假阳性检测。这些测量集用于使用概率假设密度或PHD过滤器来定位目标。机器人在本地点对点的基础上相互通信，并通过接入点与服务器或云进行通信，交换测量结果和姿势，以更新他们对目标的信念并计划未来的行动。该服务器提供了一种机制来收集和综合来自所有机器人的信息，并将全局（尽管有时间延迟）的信念状态共享给接近接入点的机器人。我们设计了一个分散控制计划，利用这种通信架构和PHD表示的信念状态。具体来说，机器人移动，以最大限度地提高目标集和测量之间的互信息，自我收集和那些可通过访问服务器，平衡本地探索与共享知识的团队。此外，机器人与探索环境中同一局部区域的其他机器人协调其动作。
2013-02-15 cs.MA cs.RO
MULAN-WC: Multi-Robot Localization Uncertainty-aware Active NeRF with Wireless Coordination
college.harvard.edu（哈佛大学学院）
针对多机器人三维重建中的位姿估计、不确定性量化与视角选择难题，提出融合无线AoA测距定位、不确定性感知训练与主动视角选择的MULAN-WC框架，经多数据集与硬件实验验证可实现接近真实位姿的高质量重建。
2024-09-15 cs.RO
A Survey on Active Simultaneous Localization and Mapping: State of the Art and New Frontiers
Instituto de Investigación en Ingeniería de Aragón (I3A)（阿拉贡工程研究院（I3A））；Universidad de Zaragoza（萨拉戈萨大学）；Massachusetts Institute of Technology（麻省理工学院）；Genius Sports（Genius体育）；UC San Diego（加州大学圣地亚哥分校）；Technion – Israel Institute of Technology（以色列理工学院）
主动同时定位与地图构建（SLAM）是规划和控制机器人的运动，以建立最精确和完整的周围环境模型的问题。自从三十多年前主动感知的第一项基础工作出现以来，这一领域在不同的科学界受到了越来越多的关注。这带来了许多不同的方法和配方，并使审查目前的趋势是必要的，非常有价值的新的和有经验的研究人员。在这项工作中，我们调查了主动SLAM的最新技术，并深入研究了仍然需要关注以满足现代应用需求的开放挑战。在提供了一个历史的角度来看，我们提出了一个统一的问题制定和审查完善的模块化解决方案，它将问题分为三个阶段，识别，选择和执行潜在的导航行动。然后，我们分析了替代方法，包括信念空间规划和深度强化学习技术，并回顾了多机器人协调的相关工作。手稿最后讨论了新的研究方向，解决了可重复的研究，主动空间感知和实际应用等主题。
2023-02-13 cs.RO
Exploration with Global Consistency Using Real-Time Re-integration and Active Loop Closure
Hong Kong University of Science and Technology（香港科技大学）
尽管机器人探索的最新进展，大多数方法假设无漂移定位是可用的，这在现实中是有问题的，并导致重建的地图的严重失真。在这项工作中，我们提出了一个系统的勘探映射和规划框架，处理漂移的本地化，允许高效和全球一致的重建。提出了一种基于实时的【形】重积分的映射方法和帧修剪机制，该方法在检测到环路闭合时校正漂移定位时有效地校正了地图失真。此外，提出了一种考虑历史视点的探测规划方法，实现主动闭环，提高了定位误差的纠正机会，进一步提高了成图质量。我们评估的映射和规划方法，以及整个系统在模拟和现实世界的实验，全面，显示其在实践中的有效性。为了机器人社区的利益，所提出的方法的实施将开源。
2022-05-31 cs.RO
Preserving Relative Localization of FoV-Limited Drone Swarm via Active Mutual Observation
Huzhou Institute, Zhejiang University（浙江大学湖州研究院）；Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院 cyber系统与控制研究所）；The Hong Kong University of Science and Technology (GZ)（香港科技大学（广州））
针对视场受限无人机集群中相互观测与环境观测的矛盾，本文提出基于卡尔曼滤波不确定性评估的主动偏航规划定位校正系统，将定位漂移降低最多65%并成功维持编队。
2024-07-01 cs.RO
A2VISR: An Active and Adaptive Ground-Aerial Localization System Using Visual Inertial and Single-Range Fusion
State Key Laboratory of Mechanical System and Vibration, School of Mechanical Engineering, Shanghai Jiaotong University（机械系统与振动国家重点实验室，机械工程学院，上海交通大学）
A2VISR通过整合主动视觉、单距离、惯性里程计和光流，提升飞行机器人在复杂环境中的定位鲁棒性，实现高精度与抗干扰的在线定位。
2025-12-18 cs.RO
Robust Localization of Aerial Vehicles via Active Control of Identical Ground Vehicles
GRASP Laboratory（GRASP实验室）
针对未知数据关联下异构机器人协同定位问题，本文将UGV主动布置建模为序列博弈并结合优化与穷举搜索，使UAV实现厘米级鲁棒全局定位。
2023-08-13 cs.RO
Deep SIMBAD: Active Landmark-based Self-localization Using Ranking -based Scene Descriptor
University of Fukui（福井大学）
基于地标的机器人自定位最近作为用于跨域（例如，时间、天气和季节）。然而，基于地标的自定位对于被动观察者（例如，手动机器人控制），因为许多视点可能无法提供有效的地标视图。在这项研究中，我们考虑了一个积极的自我定位任务的积极观察者，并提出了一种新的强化学习（RL）为基础的下一个最佳视图（NBV）规划。我们的贡献如下。(1)基于SIMPAD的VPR：我们将基于地标的紧凑场景描述问题表述为SIMBAD（基于相似性的模式识别），并进一步提出了其深度学习扩展。(2)VPR到NBV的知识转移：我们解决了不确定性下RL的挑战（即，主动自定位）。(3)基于NNQL的NBV：我们将可用的VPR作为经验数据库，采用最近邻近似Q学习（NNQL）。结果显示了一个非常紧凑的数据结构，它将VPR和NBV压缩到单个增量倒排索引中。在公开的NCLT数据集上的实验验证了该方法的有效性。
2021-09-06 cs.CV cs.RO
High-Precision Fruit Localization Using Active Laser-Camera Scanning: Robust Laser Line Extraction for 2D-3D Transformation
Michigan State University（密歇根州立大学）；United States Department of Agriculture, Agricultural Research Service（美国农业部农业研究局）
针对果园环境中水果三维定位精度不足的问题，提出主动激光-相机扫描（ALACS）技术，结合激光三角测量与鲁棒激光线提取（LLE），实现苹果高精度定位，室内精度达6.9-11.2毫米，果园脱离率95%，优于RealSense相机。
2023-11-15 cs.RO
NEMO: Future Object Localization Using Noisy Ego Priors
Honda Research Institute USA（本田研究院美国）
从视觉观测中预测智能体的未来轨迹是实现动态环境中自主系统安全有效导航的重要问题。本文重点关注与移动平台特别相关的未来轨迹预测的两个重要方面：1）对预测的不确定性进行建模，特别是从自我中心的观点，其中其他代理的交互反应和行为中的不确定性必须考虑自我运动中的不确定性，以及2）对问题的多模态性质进行建模，这在城市交通场景中的交叉点处特别普遍。为了解决这些问题，在一个统一的方法，我们提出了NEMO（嘈杂的自我运动先验未来的对象定位），未来的预测代理的自我中心的观点。在所提出的方法中，未来预测的预测分布与预测的不确定性联合建模。为此，我们将问题分为两个任务：未来的自我运动预测和未来的对象定位。我们首先模型的多模态分布的未来自我运动的不确定性估计。由此产生的自我行为的分布被用来对未来自我运动的多种模式进行采样。然后，每一个模态被用来作为一个先验的理解自我载体和目标代理之间的相互作用。我们预测的多模态的未来位置的目标从个人模式的自我车辆，同时建模的不确定性的目标的行为。为此，我们广泛评估建议的框架使用公开的基准数据集（HEV-I）补充里程计数据从惯性测量单元（IMU）。
2020-07-22 cs.CV cs.RO eess.IV
Towards agile multi-robot systems in the real world: Fast onboard tracking of active blinking markers for relative localization
Czech Technical University（捷克技术大学）；Mohammed VI Polytechnic University（穆莱·伊沙克·穆莱六世理工学院）
本文提出AMT机载跟踪方法，利用加权多项式回归预测主动闪烁标记的未来出现并处理不确定性，以支持真实世界多机器人的视觉相对定位与光通信，户外实验表明其在跟踪密度、精度和复杂性上优于现有方法。
2025-09-29 cs.CV cs.RO
Active propulsion noise shaping for multi-rotor aircraft localization
Technion – Israel Institute of Technology（以色列理工学院）
针对视觉定位在光照、视野和遮挡方面的局限，本文提出主动整形多旋翼推进噪声，并结合神经网络与时变旋翼相位调制实现已知环境下的鲁棒自噪声定位。
2024-02-29 cs.AI cs.RO
Towards Quadruped-Provided Localization and Active Tracking for Micro-UAVs
IT University of Copenhagen（哥本哈根信息技术大学）；Helix Lab（Helix实验室）；Novo Nordisk A/S（诺和诺德公司）
本文提出由四足机器人搭载机械臂和摄像头，通过检测微型无人机上的AprilTag标记物，为其提供外部定位并主动跟踪，从而减轻无人机载荷，实现高精度自主飞行。
2026-10-06 cs.RO
Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information
Sapienza University of Rome（罗马大学）；ETH Zürich（苏黎世联邦理工学院）；Microsoft（微软公司）；Uni Bonn（波恩大学）
本文提出一种基于几何信息的自监督主动定位视角选择方法，采用简单架构实现实时运行，能将地图集成至规划框架，在合成与真实数据上泛化性优于现有方法并开源。
2024-07-22 cs.CV cs.RO
Active Detection and Localization of Textureless Objects in Cluttered Environments
Sapienza University of Rome（罗马第一大学）
本文介绍了一种主动目标检测和定位框架，结合了一个强大的无纹理目标检测和三维姿态估计算法与一个新的下一个最佳视图选择策略。我们解决的检测和定位问题，提出了一个基于边缘的配准算法，细化对象的位置，通过最小化的成本直接从3D图像张量，编码的最小距离在一个联合方向/位置空间中的边缘点提取。我们面临的下一个最佳视图的问题，利用一个顺序的决策过程，对于每一步，选择下一个摄像机的位置，最大限度地提高状态和下一个观测之间的互信息。我们通过生成代表场景实现的观察结果，即由对象检测器提供的对象假设的组合样本，同时通过一组不断重新采样的粒子对状态进行建模，来解决该解决方案的内在棘手性。在不同的现实世界，具有挑战性的数据集上进行的实验证实了所提出的方法的有效性。
2016-03-22 cs.CV cs.RO
Macro-Action Topological Navigation under Noisy Localization using Reinforcement Learning
Institute of Neural Computation, Ruhr University Bochum（鲁尔大学波鸿分校神经计算研究所）
本研究提出一种基于强化学习的含噪定位下的宏动作拓扑导航方法，通过以物体为中心的位姿估计替代真实位姿，在Habitat模拟器中实现智能体仅用视觉完成3D公寓内的导航任务。
2026-08-25 cs.LG cs.RO
Active Localization of Unstable Systems with Coarse Information
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出了一种基于集估计器和Voronoi划分的主动定位算法，用于在粗略传感下恢复不稳定系统的初始状态并保证信息区域的稳定性。
2026-02-05 cs.RO cs.SY eess.SY
Active Semantic Localization with Graph Neural Embedding
University of Fukui（福井大学）
针对语义定位中缺乏视点规划的问题，提出基于场景图与图卷积网络的轻量级CPU框架，通过知识迁移实现主动视觉定位，并在Habitat模拟器中验证有效性。
2023-12-26 cs.CV cs.RO
Active Neural Localization
Carnegie Mellon University（卡内基梅隆大学）
定位是从环境的观察和地图估计自主智能体的位置的问题。传统的定位方法，过滤的信念的基础上的观察，是次优的步骤所需的数量，因为它们不决定采取的行动的代理。我们提出了"主动神经定位器"，一个完全可微的神经网络，学习准确和有效地定位。该模型结合了传统的基于过滤的定位方法的思想，通过使用一个结构化的信念的状态与乘法的相互作用来传播信念，并将其与一个政策模型相结合，以准确定位，同时最大限度地减少定位所需的步骤。主动神经定位器通过强化学习进行端到端训练。我们使用各种模拟环境，我们的实验，其中包括随机的2D迷宫，随机迷宫的毁灭战士游戏引擎和虚幻游戏引擎中的照片般逼真的环境。在2D环境中的结果显示了在理想化设置中学习策略的有效性，而在3D环境中的结果显示了模型从基于原始像素的RGB观测中联合学习策略和感知模型的能力。我们还表明，在Doom环境中对随机纹理进行训练的模型可以很好地推广到虚幻引擎中的照片般逼真的办公空间环境。
2018-01-24 cs.AI cs.LG cs.RO
Active Sensing Strategy: Multi-Modal, Multi-Robot Source Localization and Mapping in Real-World Settings with Fixed One-Way Switching
University of New South Wales（新南威尔士大学）
本文提出一种状态机驱动的多模态多机器人感知算法，结合覆盖路径规划与群体主动感知，实现气体源定位与建图，在真实环境中将周转时间降低43%、估计精度提高50%。
2024-07-01 cs.MA cs.RO
Active Visual Localization for Multi-Agent Collaboration: A Data-Driven Approach
ETH Zürich（苏黎世联邦理工学院）；Computer Vision and Geometry Lab（计算机视觉与几何实验室）
针对多机器人或人机协作中跨设备视角变化导致的视觉定位难题，本文研究在给定位置选择最优视角的主动定位方法，提出数据驱动方案，并在仿真与真实部署中验证其优于现有方法。
2024-08-06 cs.CV cs.RO
ISEE.U: Distributed online active target localization with unpredictable targets
针对不可预测目标的定位问题，提出分布式在线主动学习算法ISEE.U，通过局部费希尔信息矩阵估计优化控制以提升定位精度，无需调参，在非预设目标轨迹场景下性能优于现有最优算法且计算速度快百倍。
2023-08-21 cs.LG cs.RO cs.SY
ActLoc: Learning to Localize on the Move via Active Viewpoint Selection
ETH Zürich（苏黎世联邦理工学院）；Sapienza University of Rome（罗马萨皮恩扎大学）；Microsoft（微软）；University of Bonn（波恩大学）
提出 ActLoc 主动视点感知规划框架，利用基于注意力的模型预测三维位置各朝向的定位精度，并结合路径规划选择鲁棒视点，在单视点选择和轨迹规划中达到先进性能。
2025-08-28 cs.CV cs.LG cs.RO
Active Laser-Camera Scanning for High-Precision Fruit Localization in Robotic Harvesting: System Design and Calibration
Michigan State University（密歇根州立大学）；United States Department of Agriculture, Agricultural Research Service（美国农业部农业研究局）
针对自然果园中现有传感器果实定位深度精度不足的问题，本文提出新型感知模块ALACS的系统设计与标定方法，采用动态目标激光三角测量原理与基于随机样本一致性的标定方案，实现了毫米级高精度果实定位。
2023-11-04 cs.RO cs.SY eess.SY
Active Planning for Cooperative Localization: A Fisher Information Approach
University of California San Diego（加州大学圣地亚哥分校）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
位置感知网络将为现代便利、监控和公共安全引入新的服务和应用。在本文中，我们考虑在无线网络中的某些锚节点的位置可以控制的合作定位问题。我们引入了一种主动规划方法，旨在移动锚点，使未来测量的信息增益最大化。在控制层中，控制输入通过最小化近似逆贝叶斯Fisher信息矩阵（FIM）的迹来计算。估计层计算估计的代理状态，并提供高斯表示的边缘后验的代理位置的控制层的近似Bayesian估计计算。基于一个代价函数，累积贝叶斯预测在离散未来时间步的滑动窗口的贡献，滚动时域（RH）控制执行。近似，使其能够有效地解决由此产生的树搜索问题进行了讨论。一个数值的案例研究演示了智能行为的一个单一的控制锚在3-D的情况下，从而显着提高定位精度。
2022-12-30 cs.RO cs.SY eess.SP
Learning Continuous Control Policies for Information-Theoretic Active Perception
UC San Diego（加州大学圣迭戈分校）
本文提出一种基于信息论代价的连续控制策略学习方法，通过 Kalman filter、可微视场和注意力神经网络解决移动机器人主动地标定位与探索问题，并在模拟任务中验证了其优于基准方法的性能。
2023-05-16 cs.LG cs.RO
Improving the perception of visual fiducial markers in the field using Adaptive Active Exposure Control
Dartmouth College（达特茅斯学院）
针对水下光照剧烈变化导致视觉基准标记定位不准的问题，提出基于梯度的主动曝光控制方法，实验证明其显著提升AUV定位精度，可作为视觉状态估计的关键组件。
2024-04-18 cs.CV cs.RO
Deep Active Localization
Mila（米拉魁北克人工智能研究所）；Universite de Montreal（蒙特利尔大学）；SAIT, Samsung Electronics Co. Ltd.（三星电子有限公司三星先进技术研究所）
主动定位是生成机器人动作的问题，这些动作允许机器人在参考地图内最大限度地消除其姿势的歧义。传统的方法使用信息理论标准来选择动作和手工制作的感知模型。在这项工作中，我们提出了一个端到端的微分方法，学习采取信息的行动，是完全在模拟训练，然后转移到真正的机器人硬件与零细化。该系统由两个模块组成：用于感知的卷积神经网络和深度强化学习规划模块。我们引入了一个多尺度的方法来学习感知模型，因为用强化学习执行动作选择所需的准确度远远低于机器人控制所需的准确度。我们证明，由此产生的系统优于使用传统的方法，无论是感知或规划。我们还证明了我们的方法的鲁棒性，不同的地图配置和其他滋扰参数，通过使用域随机化训练。该代码还兼容OpenAI健身房框架以及Gazebo模拟器。
2019-03-05 cs.AI cs.LG cs.RO
Realtime Active Sound Source Localization for Unmanned Ground Robots Using a Self-Rotational Bi-Microphone Array
New Mexico State University（新墨西哥州立大学）
这项工作提出了一种新的技术，执行方向和距离定位的声源在三维（3D）空间中只使用耳间的时间差（ITD）的线索，由一个新开发的自旋转双麦克风机器人平台。在球坐标系下，采用状态空间模型建立系统动力学模型。状态空间模型的可观测性分析表明，当声源以$90$和$0$度的仰角放置时，系统是不可观测的。所提出的方法利用分别从3D和二维模型得到的方位角估计之间的差异来检查零度仰角条件，并使用多项式曲线拟合方法进一步估计仰角。此外，所提出的方法是能够检测$90$度海拔提取零ITD信号"埋"在噪声中。此外，通过首先旋转麦克风阵列以面向声源，然后将麦克风垂直于源-机器人向量移动固定步数的预定义距离来执行距离定位。麦克风阵列的集成旋转和平移运动仅使用ITD提示提供完整的定向和距离定位。一种新型的机器人平台，使用自旋转双麦克风阵列也开发了无人地面机器人进行声源定位。所提出的技术首先在模拟中进行了测试，然后在新开发的机器人平台上进行了验证。安装在KEMAR假人头上的麦克风收集的实验数据也被用来测试所提出的技术。所有的结果表明所提出的技术的有效性。
2018-04-10 cs.RO cs.SD eess.AS
