Role of Uncertainty in Anticipatory Trajectory Prediction for a Ping-Pong Playing Robot
University of California, Berkeley（加州大学伯克利分校）
针对乒乓球机器人需提前预测来球的问题，提出融合视觉模型不确定性的建模、预测与控制系统，使机器人更早启动，并通过仿真验证其收益与现有不确定性估计器的不足。
2023-12-05 cs.RO
A Haptic Robot Finger Designed for Guqin Instrument Playing
The Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）；The Chinese University of Hong Kong - Shenzhen（香港中文大学（深圳））；School of Physics and Optoelectronic Engineering, Shenzhen University（深圳大学物理与光电工程学院）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
该研究设计了一款模仿人类手指的高精度触觉传感机器人指尖，以古琴为验证场景，开展了古琴弦接触相关任务的验证，将触觉传感与机器人技术结合，助力世界遗产保护与文化传播。
2026-08-10 cs.RO
HandelBot: Real-World Piano Playing via Fast Adaptation of Dexterous Robot Policies
Stanford University（斯坦福大学）；Amazon FAR (Frontier AI & Robotics)（亚马逊前沿人工智能与机器人实验室）
本文提出HandelBot框架，结合仿真策略和快速适应，通过两阶段流程实现高精度双手钢琴演奏，实验表明其在真实环境中的表现优于直接仿真部署。
2026-05-15 cs.RO
Role Playing Learning for Socially Concomitant Mobile Robot Navigation
National University of Singapore（新加坡国立大学）
在本文中，我们提出了角色扮演学习（RPL）计划的移动机器人导航社会与人类同伴在人口稠密的环境中。构造神经网络（NN）来参数化一个随机策略，该随机策略直接将机器人收集的传感器数据映射到其速度输出，同时尊重一组社会规范。一个有效的模拟学习环境是建立在地图和行人轨迹收集从一些现实世界的人群数据集。在每次学习迭代中，配备NN策略的机器人在学习环境中虚拟地创建，以扮演陪伴行人的角色，并以社会伴随的方式向目标导航。因此，我们称这个过程为角色扮演学习，它是在强化学习（RL）框架下制定的。神经网络的政策是优化端到端使用信赖域策略优化（TRPO），考虑到机器人的传感器测量的不确定性。仿真和实验结果证明了该方法的有效性和优越性。
2017-05-29 cs.AI cs.RO
Integration of Robotics, Computer Vision, and Algorithm Design: A Chinese Poker Self-Playing Robot
本研究融合机械设计、计算机视觉与算法设计，打造了搭载YOLOv5检测模型与贪心算法的TM5-900机械臂系统，可自主完成中国扑克的取牌、识牌、选牌与出牌全流程。
2023-11-28 cs.CV cs.RO eess.SP
RP1M: A Large-Scale Motion Dataset for Piano Playing with Bi-Manual Dexterous Robot Hands
University of Oulu（奥卢大学）；Aalto University（阿尔托大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Southern California（南加利福尼亚大学）
为解决强化学习在多曲目机器人钢琴演奏中的泛化难题，提出含超百万轨迹的RP1M数据集，通过最优传输实现自动标注，并验证其能显著提升模仿学习方法的演奏性能。
2024-11-18 cs.AI cs.LG cs.RO
Like Playing a Video Game: Spatial-Temporal Optimization of Foot Trajectories for Controlled Football Kicking in Bipedal Robots
Adaptive Robotic Controls Lab (ArcLab), Department of Mechanical Engineering, The University of Hong Kong（适应性机器人控制实验室（ArcLab）、机械工程系、香港大学）
针对类人机器人踢球时稳定性与球轨迹控制难的问题，将无人机时空轨迹规划法适配到双足机器人，自主生成满足多约束的足部轨迹并优化摆腿时长，实现了毫秒级规划与近100%的踢球任务准确率。
2025-10-02 cs.RO
A Non-iterative Spatio-temporal Multi-task Assignments based Collision-free Trajectories for Music Playing Robots
Indian institute of Science（印度科学学院）；National Institute of Technology, Tiruchirappalli（蒂鲁吉拉伯利国家理工学院）
在本文中，一个非迭代时空多任务分配方法被用于演奏钢琴音乐的机器人团队。本文考虑了钢琴演奏问题，其中的算法需要计算的轨迹为一个动态大小的机器人团队谁将发挥的音符，通过在各自的特定时间与音符相关联的特定位置旅行。基于时空多任务分配问题（DREAM）的两步动态资源分配，已被实现分配机器人演奏音乐的曲调。该算法在第一步中计算播放音乐所需的机器人数量。在第二步中，为更新后的机器人团队计算最佳分配，使团队行进的总距离最小化。即使对于单个可行轨迹，如果机器人遇到碰撞，多机器人执行也可能失败。由于将利用一些时间来解决此冲突，机器人可能无法按时到达所需位置。本文分析并证明了，如果机器人在凸区域内运行，DREAM方法的解决方案提供了无碰撞的轨迹。DREAM方法的工作已经在使用ROS2操作的Gazebo中的高保真模拟的帮助下进行了说明。结果清楚地表明，DREAM方法计算所需的机器人数量，并在最多两个步骤中将多个任务分配给机器人。机器人演奏音乐的模拟，使用计算分配，在所附的视频中演示。视频链接：\url{https://youtu.be/XToicNm-CO8}
2023-02-17 cs.MA cs.RO cs.SY
Playing Soccer without Colors in the SPL: A Convolutional Neural Network Approach
Advanced Mining Technology Center（高级采矿技术中心）；Universidad de Chile（智利大学）
本文的目标是提出一个视觉系统的人形机器人足球，不使用任何颜色信息。该系统的主要特点是：（i）在NAO机器人的实时操作，和（ii）检测球的能力，机器人，他们的方向，线路和关键领域的功能鲁棒。我们的球检测器、机器人检测器和机器人的方向检测器获得了最高的检测率。建议的视觉系统进行了测试，在SPL领域与几个NAO机器人在现实和高要求的条件下。得到的结果是：机器人检测率为94.90%，球检测率为97.10%，当被观察机器人静止时完全感知定向率为99.88%，当被观察机器人运动时完全感知定向率为95.52%。
2018-11-29 cs.CV cs.RO
Play Everywhere: A Temporal Logic based Game Environment Independent Approach for Playing Soccer with Robots
Sapienza University of Rome（罗马第一大学）；University of Basilicata（巴西利卡塔大学）
针对硬编码足球机器人难以适应环境变化的问题，提出基于时序逻辑的分层语义表示，使机器人动态选择操作层级、规则与目标，从而在不同非结构化场景中泛化踢球。
2024-05-21 cs.AI cs.RO
Playing Pairs with Pepper
Heriot-Watt University（赫瑞-瓦特大学）
随着机器人在社会的几乎所有领域越来越普遍，影响人类对这些机器人信任的因素变得越来越重要。本文旨在探讨机器人属性的因素，特别是在拟人化和人类的信任发展之间的关系。为了实现这一点，一个互动游戏，配对，设计和实现两个机器人的不同层次的拟人化，胡椒和哈士奇。参与者完成了测试前和测试后的问卷调查，主要使用定量方法进行比较和分析，如配对样本t检验。测试后的分析表明，信任和拟人化之间存在正相关关系，参与者的$80\%$证实了机器人对面部特征的采用有助于建立信任。结果还表明，与$90\%$的参与者确认这两个机器人测试后，互动和信任之间的正相关关系
2018-10-17 cs.HC cs.RO
A Monocular Vision System for Playing Soccer in Low Color Information Environments
University of Bonn（波恩大学）
类人足球机器人只通过摄像头感知环境。本文提出了一种单目视觉系统，最初开发用于机器人杯人形联赛，但预计将转移到其他足球联赛。最近人形联盟规则的变化导致足球环境的颜色编码比前几年少，这使得对比赛情况的感知更具挑战性。所提出的视觉系统通过使用亮度和纹理来检测所需的场特征和对象来解决这些挑战。我们的系统是强大的光照条件的变化，并设计用于实时使用的人形足球机器人。本文介绍了使用的检测算法的主要组成部分，并提出了实验结果，从足球场，使用ROS和igus类人开放平台作为测试床。所提出的视觉系统已在2015年RoboCup上成功使用。
2018-09-28 cs.RO
Learning to Play Piano in the Real World
LASR Lab, TU Dresden（德累斯顿工业大学 LASR 实验室）
本文提出首个结合学习方法的现实世界钢琴演奏机器人系统，通过Sim2Real2Sim方法在现实世界中准确演奏多首钢琴曲，达到0.881的平均F1分数。
2026-04-13 cs.AI cs.LG cs.RO
Learning to Grasp Anything by Playing with Random Toys
University of California, Berkeley（加州大学伯克利分校）；Sapienza University of Rome（罗马大学）；ItalAI；Panasonic（松下）
本文通过随机组装的简单玩具训练机器人，使其具备泛化抓取能力，采用对象中心视觉表示实现零样本性能，实现在YCB数据集上的67%抓取成功率。
2026-04-05 cs.CV cs.RO
RoboPianist: Dexterous Piano Playing with Deep Reinforcement Learning
UC Berkeley（加州大学伯克利分校）；Google DeepMind（谷歌DeepMind）；Stanford University（斯坦福大学）；Simon Fraser University（西蒙弗雷泽大学）
针对机器人灵巧性不足的问题，提出RoboPianist系统，利用深度强化学习使模拟拟人手学习演奏150首钢琴曲，并开源环境、基准与评估指标。
2023-12-04 cs.AI cs.RO
Visual Room-Awareness for Humanoid Robot Self-Localization
Vienna University of Technology（维也纳工业大学）
没有内部传感器（如指南针）的人形机器人在跌倒后往往会失去方向。此外，由于对称的人造环境，重新初始化通常是模糊的。这里提出的房间意识模块的灵感来自心理实验的结果，并通过映射和匹配的视觉背景与颜色直方图，改进了现有的自我定位策略。匹配算法使用粒子滤波器来生成独立于自定位算法的观看方向的假设，并生成各种可能姿态的置信度值。机器人的行为控制器使用这些置信度值来控制自定位算法，以收敛到最可能的姿态，并防止算法陷入局部最小值。实验与一个对称的标准平台联赛RoboCup比赛场模拟和一个真正的人形NAO机器人显示系统的显着改善。
2013-04-22 cs.RO
Stylized Table Tennis Robots Skill Learning with Incomplete Human Demonstrations
Tsinghua University（清华大学）；Fudan University（复旦大学）；Shanghai Qi Zhi Institute（上海期智研究院）
本文针对强化学习训练机器人控制器风格不真实的问题，提出一种基于不完整人类示教的RL算法，通过示教-拖拽收集数据并结合数据增强，使乒乓球机器人学习风格化技能并适应不同球速。
2023-09-16 cs.RO
Experiential Robot Learning with Accelerated Neuroevolution
University of Virginia（弗吉尼亚大学）
基于导数的优化技术，如随机梯度下降，在训练深度神经网络方面取得了广泛的成功。然而，它具有诸如端到端网络可区分性的约束。作为替代，我们提出了加速神经进化算法。新算法是针对物理机器人学习任务的经验机器人学习方法。我们首先在玩游戏Flappy Bird的模拟任务上测试我们的算法，然后在静态对象中心任务中对物理NAO机器人进行测试。代理成功地导航给定的任务，在一个相对较低的代数。基于我们的研究结果，我们建议在更复杂的任务中使用该算法。
2018-08-16 cs.NE cs.RO
Toward Ethical Robotic Behavior in Human-Robot Interaction Scenarios
Georgia Tech（佐治亚理工学院）；Penn State University（宾夕法尼亚州立大学）
本文介绍了目前的进展，开发一个道德架构的机器人，旨在遵循人类的道德决策过程。我们调查了普通成年人和道德专家，了解他们认为在两种特定情况下的道德行为：与老年人一起分拣药丸和与孩子一起玩游戏。调查的一个关键目标是更好地了解人类道德决策。在第一次调查中，民间的反应是基于主题的道德选择（“民间道德”）;在第二次调查中，专家的反应是基于不同的正式的道德框架，每一个场景的专家的应用程序。我们观察到，我们在调查中纳入的大多数正式伦理框架（功利主义，康德伦理学，关怀伦理学和美德伦理学）和“民间道德”在与老年人一起完成高风险任务时，当成人和儿童都有显着的表现缺陷时，对欺骗持保守态度。
2022-06-21 cs.RO
Trust and Cognitive Load During Human-Robot Interaction
Edinburgh Center For Robotics, Heriot-Watt University（赫瑞-瓦特大学爱丁堡机器人中心）；CITEC, Bielefeld University（比勒费尔德大学CITEC）
本文提出了一个探索性的研究，以了解人类的认知负荷，信任和拟人化之间的关系，在人机交互。为了理解这种关系，我们创建了一个\say{Matching the Pair}游戏，参与者可以与两种机器人类型之一合作，哈士奇或胡椒。我们的目标是了解人类是否会信任机器人作为队友，而在游戏的情况下，需要高水平的认知负荷。使用人形机器人与技术机器人，我们还研究了物理拟人化的影响，我们还测试了机器人出错率对后续判断和行为的影响。我们的研究结果表明，信任和认知负荷之间呈反比关系，这表明随着参与者认知负荷的增加，他们的信任度下降。我们还发现了机器人类型，错误率和参与者的信任评级之间的三重交互作用的影响。我们发现，参与者认为胡椒更值得信赖的哈士奇机器人相比，在玩游戏后，两个机器人在高错误率的条件下。相反，当哈士奇被描述为具有低错误率时，它被认为比胡椒更值得信赖。我们的研究结果是有趣的，并呼吁进一步调查的物理拟人化的影响，结合可变的错误率的机器人。
2019-09-11 cs.AI cs.HC cs.RO
Real-time Pose Estimation from Images for Multiple Humanoid Robots
University of Bonn（波恩大学）
姿势估计通常是指识别图像或视频中的人的身体姿势的计算机视觉方法。随着深度学习的最新进展，我们现在有了引人注目的模型来实时的【形】解决这个问题。由于这些模型通常是为人类图像设计的，因此需要调整现有模型以适用于其他生物，包括机器人。本文研究了不同的国家的最先进的姿态估计模型，并提出了一个轻量级的模型，可以在实时的【形】工作的人形机器人在RoboCup人形联赛环境。此外，我们提出了一个新的数据集，称为HumanoidRobotPose数据集。这项工作的结果有可能使足球机器人的许多先进的行为。
2021-07-06 cs.CV cs.RO
Robots as Actors in a Film: No War, A Robot Story
University of Sheffield（谢菲尔德大学）；Sheffield Hallam University（谢菲尔德哈勒姆大学）
第三次世界大战会由机器人来打吗？这部短片是一部轻松的喜剧，旨在引发一场有趣的讨论，并反思可怕的机器人故事，当我们阅读新闻头条时，这些故事越来越让我们感到恐惧。这个虚构的场景从当前的科学研究中获得灵感，并描述了一个机器人被人类要求加入战争的未来。机器人是分裂的，在机器人社会引发抗议...机器人会加入战争还是会拒绝被人类战争使用？对于工程师、机器人专家和任何想象即将到来的机器人革命的人来说，这都是值得思考的问题。我们让机器人出现在镜头前讲述一个故事，扮演电影中的演员角色，通过代码指导如何为每个场景“表演”。
2019-10-27 cs.AI cs.RO
Using role-play and Hierarchical Task Analysis for designing human-robot interaction
本文提出在人机交互中更多采用角色扮演和分层任务分析方法，通过社区药房机器人辅助项目展示了其在理解客户需求、正确建模行为及促进协同设计方面的优势，并建议未来开发适合社交机器人交互的任务分析方法。
2025-09-16 cs.RO
Athletic Mobile Manipulator System for Robotic Wheelchair Tennis
Georgia Institute of Technology（佐治亚理工学院）
体育运动是人类的一种典型和普遍的表达。从12世纪的法国僧侣发明了现代草地网球的先驱jeu de paget，到三千多年前将玛雅球作为宗教表达形式的K 'iche'人，人类一直在寻求训练他们的思想和身体，以便在体育比赛中脱颖而出。机器人技术的进步为机器人在体育运动中的应用开辟了可能性。然而，关键的挑战仍然存在，因为大多数先前的运动机器人技术工作仅限于原始的传感环境，不需要大量的力生成，或者是在小型化的规模上，不适合人类-机器人联合游戏。在本文中，我们提出了第一个开源的，自主的机器人打规则轮椅网球。我们展示了我们的全栈系统在执行地面击球的性能，并评估每个系统的硬件和软件组件。本文的目标是（1）激发更多的研究，在人类规模的机器人田径运动和（2）建立第一个基准的可再生轮椅网球机器人规则单打比赛。我们的论文为系统设计科学做出了贡献，并为机器人社区提出了一系列关键挑战，以努力实现能够在体育运动中与人类能力相匹配的机器人。
2023-02-07 cs.RO
SiSCo: Signal Synthesis for Effective Human-Robot Communication Via Large Language Models
School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）
本文提出SiSCo框架，结合大语言模型与混合现实技术生成上下文感知的视觉线索，显著提升了人机协作任务中的通信效率、任务成功率并降低了认知负荷。
2024-09-20 cs.RO
From Score to Sound: An End-to-End MIDI-to-Motion Pipeline for Robotic Cello Performance
本文提出了一种端到端的MIDI到机器人动作管道，使机器人能够无需运动捕捉实现人类般的音乐表演，并通过音乐图灵测试验证其效果。
2026-01-07 cs.RO
Awakening Facial Emotional Expressions in Human-Robot
Institute of Machine Intelligence, University of Shanghai for Science and Technology（上海理工大学机器智能学院）；College Of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院）；Shanghai Droid Robot Co., Ltd.（上海机灵狗机器人有限公司）；Department of Informatics, University of Hamburg（汉堡大学信息学院）
本研究提出基于KAN和注意力机制的端到端学习框架及自动化数据收集系统，使类人机器人通过自我训练自主生成面部表情，并开源首个相关数据集，实现准确多样的面部模仿。
2025-10-27 cs.RO
Decentralized decision making and navigation strategy for tracking intruders in a cluttered area by a group of mobile robots
在当前的工业革命时代，移动机器人在帮助人类在许多复杂和危险的环境中执行任务，如搜索和救援，避障，采矿和安全监视等，近年来已经开发了很多导航算法，但在多个机器人的自主路径规划中仍然存在新的挑战，以跟踪和跟随多个入侵者。该报告展示了一种基于算术平均值的分散策略的导航算法，用于一组移动机器人在充满障碍物的未知环境中导航，以检测和跟踪多个入侵者。建议的导航策略，确保移动机器人安全地移动到周围的障碍物，以保持一个安全的距离，以避免碰撞的障碍物和对方的中间。传统的颜色识别方法用于检测动态入侵者，并使用Microsoft Kinect传感器摄像头计算像素值。引入危险概率算法，以确保所有的入侵者在环境中被友好的机器人的入侵者和它的追随者之间的最小距离的基础上。移动机器人根据入侵者的像素值跟踪入侵者的移动。低像素值表示入侵者距离较远，高像素值表示入侵者距离友方机器人较近。所有的算法和图像处理技术的实现和测试在WEBOTS仿真环境中使用C程序设计语言和结果表明，所提出的算术平均值为基础的导航和基于危险概率的入侵者以下算法的成功。
2020-06-13 cs.RO
Judging by the Look: The Impact of Robot Gaze Strategies on Human Cooperation
University of Hamburg（汉堡大学）
人眼注视在传递信息、传达意图和理解他人的心理状态方面起着重要作用。先前的研究表明，机器人的凝视也会影响人类在互动过程中的决策和策略。然而，有限的研究已经训练人形机器人在基于凝视的数据在人机交互场景。考虑到视线影响社会交流的自然性和改变观察者的决策过程，它应该被视为人机交互中的一个重要组成部分。为了研究机器人凝视对人类的影响，我们提出了一个具体的神经模型来执行类似人类的凝视转移。这是通过扩展社交注意力模型并在观看人类玩游戏时收集的眼动跟踪数据上对其进行训练来实现的。我们将比较人类的行为表现，在机器人采用不同的凝视策略，在人与人的合作游戏的存在。
2022-08-25 cs.HC cs.RO
What Communication Modalities Do Users Prefer in Real Time HRI?
Universitas Sumatera Utara（北苏门答腊大学）；University of Hertfordshire（赫特福德大学）
本文研究了用户在与儿童大小的人形机器人KASPAR进行模仿游戏时的交互方式偏好。该研究涉及16名成年参与者，他们通过实时人机交互（HRI）实验中的三种交互方式之一教机器人模仿童谣：语音，引导触摸和视觉演示。研究结果表明，用户似乎没有偏好方面的人力完成任务。然而，有一个显着的差异，人类的享受偏好的输入方式和边缘差异的机器人的感知能力模仿。
2016-06-13 cs.HC cs.RO
Towards Natural Language Environment: Understanding Seamless Natural-Language-Based Human-Multi-Robot Interactions
Purdue University（普渡大学）
本文探讨了自然语言环境的设计空间，通过虚拟现实研究揭示人与多机器人交互中的协调机制和设计挑战。
2026-01-22 cs.HC cs.RO
Establishing Human-Robot Trust through Music-Driven Robotic Emotion Prosody and Gesture
Georgia Tech Center for Music Technology（佐治亚理工学院音乐技术中心）
随着人机协作机会的不断扩大，信任对于机器人的充分参与和利用变得越来越重要。建立在情感关系和人际关系基础上的情感信任尤其重要，因为它对错误更有弹性，并增加了合作的意愿。在本文中，我们提出了一种新的模型，建立在音乐驱动的情感韵律和手势，鼓励感知的机器人身份，旨在避免恐怖谷。人类音乐家生成了具有象征意义的乐句，并标记了情感信息。这些短语控制着一个合成引擎，播放通过音素和电子乐器插值生成的预渲染音频样本。手势也是由象征性的短语驱动的，从音乐短语到低自由度的动作都编码了情感。通过用户研究，我们表明我们的系统能够准确地向用户描绘一系列情绪。我们还展示了一个显著的结果，即我们的非语言音频生成比使用最先进的文本到语音系统的平均信任度高出8%。
2020-01-11 cs.HC cs.RO
Making Sense of the Robotized Pandemic Response: A Comparison of Global and Canadian Robot Deployments and Success Factors
University of Toronto Robotics Institute（多伦多大学机器人研究所）
从消毒和远程分诊，到物流和交付，世界各国都在利用机器人来应对COVID-19疫情带来的独特挑战。在加拿大，机器人也被用来管理这一流行病，但相对于其他地区，我们在采用机器人方面更为谨慎-尽管加拿大机器人目前在全球舞台上发挥着重要作用。本白皮书讨论了为什么会出现这种情况，并认为迫切需要对加拿大机器人产业进行战略投资和支持，以将机器人技术的好处带回家，我们在塑造这种改变游戏规则的技术的未来方面拥有更多的控制权。这些投资不仅有助于支持加拿大目前的大流行应对和大流行后的复苏，而且还将使该国做好应对未来危机的准备。如果没有这样的支持，加拿大可能会落后于目前正在大力投资硬件自动化的其他发达国家。
2020-09-21 cs.CY cs.RO
Training an Interactive Humanoid Robot Using Multimodal Deep Reinforcement Learning
University of Lincoln（林肯大学）；University of Toulouse III（图卢兹第三大学）
训练机器人使用多种模式进行感知、行动和通信仍然是一个具有挑战性的问题，特别是如果机器人希望从少量的示例交互中有效学习的话。我们描述了一种学习方法，作为朝着这个方向迈出的一步，我们教一个人形机器人如何玩零和十字架的游戏。考虑到可以训练多种多模态技能来玩这个游戏，我们将注意力集中在训练机器人感知游戏，并在这个游戏中进行交互。我们的多模态深度强化学习代理感知多模态特征，并在玩耍时表现出言语和非言语动作。使用模拟的实验结果表明，机器人可以学习赢得或绘制高达98%的游戏。一个试点测试所提出的多模式系统的目标游戏-整合语音，视觉和手势-报告，合理和流畅的互动，可以实现使用所提出的方法。
2016-11-26 cs.AI cs.LG cs.RO
Touched by ChatGPT: Using an LLM to Drive Affective Tactile Interaction
imec（imec研究院）；IDLab-AIRO（IDLab-AIRO实验室）
针对人形机器人触觉表达能力有限的问题，研究开发集成5×5振动马达的可穿戴袖套，借助LLM链式提示生成对应10种情绪和6种手势的10秒振动模式，实验验证人类可准确识别情绪，证明LLM可增强人机物理交互。
2025-01-13 cs.RO
Learning to Improve Capture Steps for Disturbance Rejection in Humanoid Soccer
Univ. of Bonn（波恩大学）
在过去的几年里，足球人形机器人有了很大的进步。基本技能，如双足行走，视觉感知和碰撞避免已经足够成熟，可以进行动态和令人兴奋的游戏。当两个机器人争夺球时，他们经常互相推，平衡恢复变得至关重要。在本文中，我们报告的见解，我们获得了系统的推动实验上进行的双足模型和概述的在线学习方法，我们用来提高其推恢复能力。此外，我们描述了如何解决由统一的目标颜色引入的定位模糊性，并报告了2013年RoboCup比赛的结果。
2018-09-28 cs.RO
Variable Compliance Control for Robotic Peg-in-Hole Assembly: A Deep Reinforcement Learning Approach
Osaka University（大阪大学）；National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所）
工业机器人在现代制造业中发挥着越来越重要的作用。虽然销孔装配是一个常见的工业任务，已被广泛研究，安全地解决复杂的高精度装配在非结构化环境中仍然是一个悬而未决的问题。强化学习（RL）方法已被证明在自主解决操作任务方面是成功的。然而，RL仍然没有被广泛采用在真正的机器人系统，因为与真正的硬件工作带来了额外的挑战，特别是当使用位置控制的机械手。这项工作的主要贡献是一个基于学习的方法来解决钉在孔的位置不确定性的任务。我们提出了一种非策略无模型强化学习方法的使用，并通过使用几种迁移学习技术（sim2real）和域随机化来提高训练速度。我们提出的位置控制机器人的学习框架进行了广泛的评估接触丰富的插入任务在各种环境中。
2020-11-21 cs.LG cs.RO
Enable Natural Tactile Interaction for Robot Dog based on Large-format Distributed Flexible Pressure Sensors
Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））；Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室（CSAIL））；School of Informatics, Xiamen University（厦门大学信息学院）
触觉是人机交互的重要通道，而如何准确识别人的触觉并做出相应的反应是机器人面临的一个挑战。在本文中，我们设计并实现了一套大幅面分布式柔性压力传感器的机器狗，使自然的人与机器人的触觉交互。通过启发式研究，我们整理出了人类与真狗互动时常用的81种触觉手势和44种狗的反应。提出了一种基于ResNet的手势分类算法，对这81个人体手势进行识别，分类准确率达到98.7%。此外，提出了一种基于Transformer的动作预测算法，用于从人类手势中预测狗的动作，达到了0.87的1克BLEU分数。最后，我们在一个自由的人-机器人-狗交互游戏研究中比较了触觉交互和语音交互。结果表明，触觉交互在缓解用户焦虑、激发用户兴奋和提高机器狗的可接受性方面具有更显著的作用。
2023-03-14 cs.HC cs.RO
B-Human '26 - Scalable Team Play up to 11 vs. 11
Universität Bremen（不来梅大学）；Deutsches Forschungszentrum für Künstliche Intelligenz（德国人工智能研究中心）
B-Human '26团队在2026年仿人机器人足球联赛中级组夺冠后，针对从标准平台联赛小尺寸机器人向11对11比赛的过渡，调整了行为架构并验证了系统的战术灵活性与鲁棒性。
2026-10-14 cs.RO
Cooperative-Competitive Team Play of Real-World Craft Robots
Tencent Robotics X Laboratory（腾讯机器人实验室）；Tsinghua University（清华大学）
本文提出了一种针对现实世界工艺机器人协作与竞争任务的强化学习方法，通过引入OODSI技术提升仿真到现实的迁移性能。
2026-02-24 cs.AI cs.RO
LD4WAM: Learning Latent Dynamics from Human Videos for World Action Models
LD4WAM通过运动对齐的潜在动力学，结合语义重建与真实运动对齐训练的潜在动力学模型和MoT架构的世界动力学动作模型，在RoboTwin仿真及真实机器人上表现良好，可泛化到未见物体与背景。
2026-08-25 cs.RO
Breathless: An 8-hour Performance Contrasting Human and Robot Expressiveness
Princeton University（普林斯顿大学）
本文介绍了8小时人机共舞表演背后的机器人技术，结合正弦运动、深度学习姿态提取及示教模式力传感即兴动作，通过自定义软件融合音乐，对比人机表现力，成果可在项目网站获取。
2024-11-27 cs.CV cs.RO
Deep Reinforcement Learning with Mixed Convolutional Network
Boston University（波士顿大学）
最近的研究表明，将单个前置摄像头的原始像素直接映射到转向命令的功能非常强大。本文提出了一种卷积神经网络（CNN），用于在OpenAI Gym中使用模仿学习播放CarRacing-v0。数据集是通过在Gym中手动玩游戏生成的，并使用数据增强方法将数据集扩展到以前的4倍。此外，我们读取每个图像的真实速度，四个ABS传感器，方向盘位置和陀螺仪，并通过结合传感器输入和图像输入设计了一个混合模型。经过训练，该模型可以自动检测道路特征的边界，并像人一样驱动机器人。通过使用CarRacing-v0中的平均奖励与AlexNet和VGG 16进行比较，我们的模型赢得了最大的整体系统性能。
2020-10-06 cs.CV cs.LG cs.RO
Robotic Blended Sonification: Consequential Robot Sound as Creative Material for Human-Robot Interaction
Queensland University of Technology（昆士兰科技大学）
本文提出“机器人混合声化”概念，通过实时捕获和处理机器人的伴随声音，并将其作为创意材料，探索其在人机交互艺术与应用研究中的潜力。
2024-04-22 cs.HC cs.RO cs.SD
Recognizing Intent in Collaborative Manipulation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出基于力交换特征识别人类协作操作意图的框架，并在人人交互数据集上训练分类器，验证其在动作、抓握力和行走动态变化下的鲁棒性。
2023-08-17 cs.RO
Real-World Human-Robot Collaborative Reinforcement Learning
Imperial College London（帝国理工学院）
在现实世界中，人类和智能机器人（嵌入式AI）的直观协作是机器人技术许多理想应用的基本目标。虽然有很多关于显性沟通的研究，但我们专注于人类和机器人如何在运动适应水平上进行隐性互动。我们提出了一个现实世界的设置的人-机器人协作迷宫游戏，设计为非平凡的，只有通过合作，通过限制的行动，两个正交轴的旋转，并分配每个轴到一个球员，才能解决。这导致人类和智能体都无法自己解决游戏。我们使用深度强化学习来控制机器人智能体，并在30分钟的真实游戏中实现结果，而无需任何类型的预训练。然后，我们使用这个设置进行系统的实验时，人类/代理的行为和适应共同学习的合作游戏的政策。我们提出的结果如何共同策略学习随着时间的推移发生在人类和机器人代理之间，导致每个参与者的代理作为一个代表，他们将如何玩游戏。这使我们能够通过比较代理人的策略与他们自己的代理人的策略，将一个人在与不同代理人一起玩时的成功联系起来。
2020-07-31 cs.AI cs.LG cs.RO
Real-time Active Vision for a Humanoid Soccer Robot Using Deep Reinforcement Learning
Qazvin Azad University（加兹温伊斯兰阿扎德大学）；University of Leeds（利兹大学）
在本文中，我们提出了一种主动视觉方法，使用深度强化学习方法的人形足球机器人。所提出的方法自适应优化的机器人的观点，以获得最有用的地标自我定位，同时保持球进入其观点。主动视觉对于具有有限视野的类人决策机器人至关重要。为了处理主动视觉问题，先前已经提出了几种基于概率熵的方法，这些方法高度依赖于自定位模型的准确性。然而，在这项研究中，我们将这个问题描述为一个情景强化学习问题，并采用深度Q学习方法来解决它。所提出的网络只需要相机的原始图像将机器人的头部移向最佳视点。该模型显示出非常有竞争力的80%的成功率，在实现最佳的观点。我们实现了所提出的方法在Webots模拟器中模拟的人形机器人。我们的评估和实验结果表明，所提出的方法优于基于熵的方法在RoboCup的上下文中，在高自我定位错误的情况下。
2020-11-27 cs.AI cs.CV cs.LG
Collaborative Multi-Robot Systems for Search and Rescue: Coordination and Perception
University of Turku（图尔库大学）；Tampere University（坦佩雷大学）
近年来，自主或遥控机器人在民用应用中发挥着越来越重要的作用。在机器人可以支持人类操作员的不同民用领域中，它们可以产生更大影响的领域之一是搜索和救援（SAR）行动。特别是，多机器人系统有可能大大提高搜索救援人员的效率，更快地搜索受害者，对环境进行初步评估和测绘，实时监测和监视搜索救援行动，或建立紧急通信网络，等等。SAR操作包括各种各样的环境和情况，因此异构和协作的多机器人系统可以提供最大的优势。在本文中，我们回顾和分析现有的方法，多机器人SAR支持，从算法的角度来看，并把重点放在方法，使机器人之间的协作，以及通过机器视觉和多智能体主动感知先进的感知。此外，我们把这些算法的不同的挑战和约束的背景下，各种类型的机器人（地面，空中，水面或水下）在不同的SAR环境（海上，城市，荒野或其他灾后场景）遇到。这是，据我们所知，第一次审查考虑异构SAR机器人在不同的环境中，同时提供两个免费的观点：控制机制和机器感知。基于我们对最先进技术的回顾，我们讨论了主要的开放研究问题，并概述了我们对当前方法的见解，这些方法有可能提高多机器人SAR系统的真实性能。
2020-08-28 cs.LG cs.MA cs.RO
Pixels-to-Graph: Real-time Integration of Building Information Models and Scene Graphs for Semantic-Geometric Human-Robot Understanding
NASA Jet Propulsion Laboratory, California Institute of Technology（美国国家航空航天局喷气推进实验室、加州理工学院）；Department of Electrical And Information Engineering, Polytechnic University of Bari（巴里理工学院电子与信息工程系）；Field AI
提出Pix2G轻量级框架，仅在CPU上实时融合图像像素与LiDAR地图生成连接2D BIM与3D点云的多层场景图，并在NASA JPL NeBula-Spot机器人上验证了其在未知环境自主探索的有效性。
2025-06-27 cs.AI cs.CV cs.RO
Comparative Study on Agility, Efficiency, and Impact Absorption of Bipedal Robots with Active Toes
School of Electrical, Electronics and Communication Engineering, Korea University of Technology and Education（韩国技术教育大学电气、电子与通信工程学院）；Artificial Intelligence and Robotics Institute, Korea Institute of Science and Technology（韩国科学技术研究院人工智能与机器人研究所）；Robot Innovation Hub, WIRobotics Inc.（WIRobotics公司机器人创新中心）
提出一种14自由度双足机器人，模拟人类脚趾的轻量、高扭矩、坚固特性，通过高保真仿真训练环境，对比有无主动脚趾的配置，发现脚趾机器人以1.33米/秒行走时，CoT降低17.5%，脚跟冲击力降低5.0%，路径偏差平均和最大分别降低25.0%和34.0%。
2026-06-19 cs.LG cs.RO cs.SY
Accelerated Sim-to-Real Deep Reinforcement Learning: Learning Collision Avoidance from Human Player
The University of Manchester（曼彻斯特大学）；Cardiff University（卡迪夫大学）
本文提出了一种传感器级的无地图碰撞避免算法，用于移动机器人，将原始传感器数据映射到线速度和角速度，并在没有地图的未知环境中导航。提出了一种有效的训练策略，允许机器人从人类经验数据和自我探索数据中学习。一个游戏格式的模拟框架的设计，允许人类玩家远程操作的移动机器人的目标和人类的行动也得分使用奖励功能。人类玩家数据和自我播放数据都使用优先经验重放算法进行采样。所提出的算法和训练策略进行了评估，在两个不同的实验配置：\textit{Environment 1}，一个模拟的杂波环境，和\textit{Environment 2}，一个模拟的走廊环境，调查的性能。实验结果表明，该方法在环境1和环境2中分别只使用了标准深度确定性策略梯度（DDPG）方法所需训练步骤的16%和20%，就可以获得相同的回报水平。在20个随机任务的评估中，该方法在两种Gazebo环境下分别在不到2 h和2.5h的训练时间内实现了无碰撞。该方法还生成了比DDPG更平滑的轨迹。所提出的方法也已实现了一个真正的机器人在现实世界的环境中的性能评估。我们可以确认，使用仿真软件训练的模型可以直接应用于现实世界的场景，而无需进一步微调，进一步证明了其比DDPG更高的鲁棒性。视频和代码可在https://youtu.be/BmwxevgsdGc https://github.com/hanlinniu/turtlebot3_ddpg…
2021-02-23 cs.AI cs.RO
Build Your Own Robot Friend: An Open-Source Learning Module for Accessible and Engaging AI Education
University of Southern California（南加州大学）；Cornell University（康奈尔大学）
本工作开发了一个开源学习模块，让学生从零构建机器人伴侣，以提供AI、机器人学等动手经验，并强调以人为中心的AI，通过可用性测试验证其有效性和吸引力。
2024-01-06 cs.AI cs.CY cs.HC
SwarmPlay: Interactive Tic-tac-toe Board Game with Swarm of Nano-UAVs driven by Reinforcement Learning
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
强化学习（RL）方法已被积极应用于机器人领域，允许系统本身为任务找到解决方案，否则需要复杂的决策算法。在本文中，我们提出了一种新的基于RL的井字棋的情况下，即SwarmPlay，其中每个播放组件是由一个单独的无人机，有自己的移动性和群体智能赢得对人类玩家。因此，具有挑战性的群体策略和人机协作的结合旨在使机器游戏变得有形和互动。虽然已经存在一些关于棋盘游戏AI的研究，例如，国际象棋，SwarmPlay技术有可能提供更多的参与和与用户的互动，因为它提出了一个多智能体群，而不是一个单一的互动机器人。我们探讨了用户的评价RL为基础的群体行为的比较，基于博弈论的行为。初步的用户研究显示，参与者高度参与了无人机游戏（70%的人在李克特量表上获得了最高分），并发现与常规的基于计算机的系统（80%）相比，它的人工程度更低。分析并讨论了游戏结果对用户游戏感知的影响。用户研究表明，SwarmPlay有潜力在更广泛的游戏中实现，显着提高人机交互性。
2021-08-03 cs.HC cs.RO
