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
OpenSplatGraph: From Dense Semantic Maps to Structured Scene Graphs for Open-Vocabulary Robot Perception
Queensland University of Technology (QUT)(昆士兰科技大学);CSIRO(澳大利亚联邦科学与工业研究组织)
提出OpenSplatGraph框架,从在线高斯语义地图构建持久3D场景图,实现开放词汇物体提取与关系推理,兼顾几何保真与结构化语义。
2026-10-07 cs.AI cs.CV cs.RO
Sample Efficient Robot Learning with Structured World Models
强化学习已被证明是一种灵活有效的方法,用于学习一系列连续控制任务,例如机器人用于操纵其环境中的对象的任务。但在机器人技术中,现实世界的推广成本很高,而样本效率可能是学习新技能的主要限制因素。在游戏环境中,世界模型的使用已经被证明可以提高样本效率,同时仍然实现良好的性能,特别是当提供图像或其他丰富的观察时。在这个项目中,我们探讨了在可变形机器人操作任务中使用世界模型,评估其对学习在模拟中折叠布料时的样本效率的影响。我们比较使用RGB图像观察与利用内置结构(代表布料配置的关键点)的特征空间,这是机器人技能学习中的一种常见方法,并比较有和没有世界模型对任务性能和学习效率的影响。我们的实验表明,关键点的使用将任务上的最佳模型的性能提高了50%,并且一般来说,使用学习或构造的缩减特征空间可以提高任务性能和样本效率。在我们的世界模型中使用状态转换预测器(MDN-RNN)对任务绩效没有显着影响。
2022-10-21 cs.AI cs.RO
A Structured Prediction Approach for Robot Imitation Learning
The Hong Kong Polytechnic University(香港理工大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Politecnico di Torino(都灵理工大学);Università degli Studi di Genova(热那亚大学);Istituto Italiano di Tecnologia(意大利技术研究院);Massachusetts Institute of Technology(麻省理工学院);Università di Genova(热那亚大学);Italian Institute of Technology(意大利技术研究院)
提出基于结构化预测与 f-散度损失的机器人模仿学习框架,支持欧几里得空间和黎曼流形轨迹复现、时空调制及适应,并在基准和 KUKA LWR 抛光实验中验证其精度与效率优势。
2023-09-26 cs.RO
Domain Adaptation for Robot Predictive Maintenance Systems
Institute for Human and Machine Cognition (IHMC)(人机认知研究所(IHMC));ABB Future Labs(ABB未来实验室)
工业机器人在越来越多的领域发挥着越来越重要的作用。例如,机器人技术用于提高生产率,同时降低制造业各个方面的成本。由于机器人通常安装在生产线上,因此单个机器人的故障会对整个过程产生负面影响,在最坏的情况下,整条生产线将停止运行,直到问题得到解决,从而导致不可预见的停机时间造成重大经济损失。因此,基于机器人内部信号的预测性维护系统作为机器人服务产品的重要组成部分而受到关注。现有的预测性维护算法的主要缺点是,当机器人的操作发生变化时,提取的特征通常与学习的模型显著不同,从而导致错误警报。为了缓解这个问题,预测性维护算法需要使用新操作的正常数据重新训练模型。在本文中,我们提出了一种基于迁移学习的新解决方案,将训练模型的知识从一个操作传递到另一个操作,以防止重新训练的需要并消除这种假警报。所提出的无监督迁移学习算法在真实世界数据集上的部署表明,该算法不仅可以区分操作和机械条件变化,而且在机械条件变化的情况下,它进一步产生与训练模型的更尖锐的偏差,从而以更高的置信度检测机械问题。
2020-02-24 cs.AI cs.CV cs.LG
Neural Scene Representation for Locomotion on Structured Terrain
ETH Zürich(苏黎世联邦理工学院);NVIDIA(英伟达);Caltech(加州理工学院)
我们提出了一种基于学习的方法来重建移动机器人穿越城市环境的局部地形。使用来自机载摄像机的一系列深度测量和机器人的轨迹,该算法估计机器人附近的地形。这些相机的原始测量是嘈杂的,只提供部分和闭塞的意见,在许多情况下不显示地形的机器人standson.Therefore,我们提出了一个3D重建模型,忠实地重建场景,尽管嘈杂的测量和大量的丢失数据来自相机的盲点安排。该模型由点云上的4D全卷积网络组成,该网络学习几何先验以从上下文和自回归反馈中完成场景,以利用时空一致性并使用过去的证据。该网络可以单独使用合成数据进行训练,并且由于广泛的增强,它在现实世界中是鲁棒的,如在四足机器人ANYmal上的验证所示,穿越具有挑战性的设置。我们运行的管道上的机器人的板载低功耗计算机使用一个有效的稀疏张量实现,并表明所提出的方法优于经典的地图表示。
2022-06-16 cs.AI cs.CV cs.LG
ReCAT: Remember, Count, and Time: Structured Recurrent Memory for Robot Manipulation
University of Edinburgh(爱丁堡大学);Intuitive Robots Lab, Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院直觉机器人实验室);NVIDIA(英伟达);Robotics Institute Germany (RIG)(德国机器人研究所)
ReCAT 提出一种带结构化循环记忆的语言条件化策略,通过 Mamba-2 和因果注意力整合观测流,在 LIBERO 和 RMBench 上取得领先成功率,并在真实机器人任务中显著超越短历史基线,验证了记忆更新的不同规则对各类任务的影响。
2026-09-29 cs.AI cs.CV cs.LG
Automating Transfer of Robot Task Plans using Functorial Data Migrations
本文提出利用范畴论的函子数据迁移实现基于本体的机器人任务计划迁移,无需重新规划且框架通用,通过Blocksworld到AI2-THOR厨房环境的迁移验证,还讨论局限、提出基准并规划未来扩展方向。
2025-04-12 cs.AI cs.RO math.CT
Structured interactions improve distributed coordination beyond model scaling in a real-world multi-robot system
State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences(多模态人工智能系统国家重点实验室,自动化研究所,中国科学院);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);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);Department of Automation, Tsinghua University(清华大学自动化系);Liupanshan Laboratory, Ningxia University(宁夏大学鲁班实验室)
通过真实多机器人实验,发现模块化层次化交互拓扑相比增加模型规模能更显著提升协调性能。
2026-05-28 cs.AI cs.RO
RoboPlayground: Democratizing Robotic Evaluation through Structured Physical Domains
RoboPlayground通过自然语言定义可执行任务,使用户能更高效地评估机器人策略,展现其在任务泛化和多样性上的优势。
2026-04-06 cs.AI cs.CL cs.HC
Simple-to-Complex Structured Demonstrations for Vision-Language-Action Learning
Graduate School of Advanced Science and Engineering, Hiroshima University(广岛大学先进科学与工程研究生院)
研究视觉-语言-动作模型中演示的收集与组织问题,提出用双臂机器人平台的从简单到复杂结构化演示收集策略,依三原则组织数据,提升了学习效率与稳定性。
2026-07-07 cs.AI 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
Learn-Memorize-Recall-Reduce A Robotic Cloud Computing Paradigm
机器人应用程序的兴起导致了大量非结构化数据的产生,而当前的云基础设施旨在处理有限数量的结构化数据。为了解决这个问题,我们提出了一个机器人云计算的学习-记忆-回忆-还原范式。学习阶段将传入的非结构化数据转换为结构化数据;记忆阶段为大量数据提供有效的存储;回忆阶段提供检索原始数据的有效方法;而归约阶段提供了利用有限计算资源理解大量非结构化数据的方法。
2017-04-18 cs.AI cs.DC cs.RO
Optimizing Structured Data Processing through Robotic Process Automation
Manipal University Jaipur(马尼帕尔大学斋浦尔分校);Chandigarh Group of Colleges(昌迪加尔学院集团);Qassim University(卡西姆大学)
本研究探究机器人流程自动化(RPA)在结构化数据提取中的应用,通过多场景对比实验验证其相较人工流程在效率与准确性上的显著优势,凸显其优化业务运营的变革性潜力。
2024-10-31 cs.AI cs.RO
RoboEval: Where Robotic Manipulation Meets Structured and Scalable Evaluation
University of Washington(华盛顿大学);Allen Institute for Artificial Intelligence(人工智能研究所)
RoboEval 提出一个结构化双臂操作评估基准,通过分层任务、细粒度诊断指标和 3000 多个人类演示揭示二值成功率掩盖的策略缺陷,从而支持更深入、可操作的机器人操作分析。
2025-07-01 cs.AI cs.CV cs.RO
PRISM: Polynomial Representations for Interaction-Structured Motor Control
University of Michigan(密歇根大学)
研究针对机器人观察中物理变量交互作用问题,提出PRISM策略表示,通过因式分解多项式模块展现高阶交互特征,在强化和模仿学习中应用,提升了人形机器人运动等性能,还能产生无传感器柔顺行为,表明多项式表示应成运动控制标准选择。
2026-10-19 cs.RO
SIR: Structured Image Representations for Explainable Robot Learning
Intuitive Robots Lab, Karlsruhe Institute of Technology, Germany(直观机器人实验室,卡尔斯鲁厄理工学院,德国);Robotics Institute Germany(德国机器人研究所)
提出结构化图像表示(SIR),利用场景图作为中间表示,通过端到端稀疏化图结构学习任务相关子图,实现内在可解释性,在RoboCasa上平均成功率19.5%优于基线14.81%,并揭示数据集偏差。
2026-06-29 cs.CV cs.RO
Leveraging Foundation Models for Enhancing Robot Perception and Action
Department Computer Science & Artificial Intelligence University of Technology Nuremberg(技术大学纽伦堡计算机科学与人工智能系)
本论文研究系统利用基础模型增强机器人在非结构化环境中的定位、交互与操作能力,围绕四条核心路线构建了语义感知的机器人智能框架。
2025-10-30 cs.AI cs.RO
Close the Sim2real Gap via Physically-based Structured Light Synthetic Data Simulation
Universität Hamburg(汉堡大学);Agile Robots AG(敏捷机器人公司);Southern University of Science and Technology(南方科技大学)
针对工业机器人中深度学习应用的数据获取难题,本文提出基于物理的结构光仿真系统生成RGBD数据,缩小sim2real差距,提升工业抓取性能。
2024-07-17 cs.AI cs.CV
Towards Generalizable Robotic Data Flywheel: High-Dimensional Factorization and Composition
ByteDance Seed(字节跳动Seed)
本文提出F-ACIL框架,通过高维因子分解与组合提升机器人数据的通用性,实验表明其在演示数据减少45%的情况下性能提升显著。
2026-03-26 cs.RO
A General Framework for Structured Learning of Mechanical Systems
Stanford University(斯坦福大学)
本文提出了一种通用框架,用于结构化学习机械系统,通过结合先验知识和训练表达式近似器来提高模型的准确性和效率。
2019-03-01 cs.AI cs.LG cs.RO
Programming Soft Robots with Flexible Mechanical Metamaterials
ETH Zürich(苏黎世联邦理工学院);Harvard University(哈佛大学)
本研究提出利用柔性机械超材料的复杂变形行为来编程软体机器人,从而大幅提升其整体性能。
2019-06-01 cond-mat.mtrl-sci cond-mat.soft cs.RO
Orientation stabilization in a bioinspired bat-robot using integrated mechanical intelligence and control
SiliconSynapse Laboratory at Northeastern University(东北大学硅突触实验室)
我们在这项工作中的目标是通过解决与蝙蝠空中运动的机器人仿生相关的关键挑战来扩展机器人运动的理论和实践。蝙蝠的翅膀表现出快速的翅膀关节,可以调动多达40个关节在一个单一的wingbeat。模仿蝙蝠飞行可能是一个重大的考验,目前的设计范式已经失败,因为它们只通过传感器和传统执行器承担闭环反馈作用,而忽略了形态学所承担的计算作用。在本文中,我们提出了一个设计框架,称为变形通过集成机械智能和控制(MIMIC),它集成了小型和低能量的执行器,通过形态的变化来控制机器人。在本文中,使用东北大学的Aerobat,这是为了测试MIMIC框架的有效性的动态模型,它将被证明,计算结构和闭环反馈可以成功地用于模仿蝙蝠稳定的飞行设备。
2021-03-29 cs.RO cs.SY eess.SY
Quantifying Mechanical Intelligence in Legged Robots with Information Theory
Case Western Reserve University(凯斯西储大学)
本文提出信息论度量来量化腿式机器人的机械智能,通过分析身体动力学作为计算与通信过程,考察柔顺驱动与低齿轮比传动的权衡,并在仿真中验证,为具身计算研究奠定基础。
2026-09-18 cs.RO
The dynamic effect of mechanical losses of transmissions on the equation of motion of legged robots
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
工业机械手在断电时由于其关节中的摩擦力而不会在其自身重量下倒塌。虽然这些机制是有效的刚性位置控制的拾取和放置,他们是不合适的足式机器人,必须迅速调节顺应与环境的相互作用。然而,没有度量存在量化的机器人的性能下降,由于在致动器和传输的机械损失。本文提供了一个基本的配方,使用的机械效率的传输,量化的影响,在机械传动的动力学上的整个机器人系统的功率损失。我们定量地证明了直观的事实,即在关节摩擦的存在下,机器人的表观惯性增加。我们还表明,采用高传动比和低效率的传输机器人可以静态承受更大的外部负载。我们期望,这里提出的框架将提供设计下一代足式机器人,可以有效地与世界互动的基本工具。
2021-06-03 cs.RO
Designing a Mechanical Tool for Robots with 2-Finger Parallel Grippers
Osaka University(大阪大学);National Inst. of AIST(日本产业技术综合研究所)
本工作设计了一个机械工具的机器人与2手指平行的夹具,它扩展了机器人夹具的功能,而不需要额外的工具交换器或其他致动器。机械工具的基本运动结构是两个对称的平行四边形,其将机器人夹持器的运动传递到机械工具。四个扭转弹簧连接到两个平行四边形的四个内部接头,以在机器人夹具释放时打开工具。详细分析了力和传输,以确保工具在夹持力和弹簧刚度方面反应良好。同时,根据机床的运动结构,设计了多种工具提示,使机床能够完成不同的任务。运动学结构可以是应用各种巧妙的夹持器设计的平台。所设计的工具可作为一个正常的对象,并通过自动规划抓取拾取和使用。机器人可以通过附接到工具主体的AR标记来定位工具,通过选择自动规划的抓取来抓取工具,并且将工具从任意姿势移动到特定姿势以抓取物体。机器人还可以根据给定任务的要求确定最佳抓握和使用。
2019-02-25 cs.RO
Safe, Passive Control for Mechanical Systems with Application to Physical Human-Robot Interactions
Royal Institute of Technology (KTH)(瑞典皇家理工学院)
在本文中,我们提出了一种新的安全,被动,鲁棒控制律的机械系统。所提出的方法从物理人机交互的角度解决了安全问题,其中机器人不仅必须停留在预定义的区域内,而且必须遵守速度约束,并确保相对于可能由人类或环境引起的外部扰动的被动性。所提出的控制是以封闭形式编写的,即使在奇异配置期间也表现良好,并且只要安全要求(例如,速度(velocity)。所提出的方法是在一个6自由度机器人上实现的,以证明其有效性,在一个物理的人机交互任务。
2020-11-03 cs.RO
Research on the Influence of Underwater Environment on the Dynamic Performance of the Mechanical Leg of a Deep-sea Crawling and Swimming Robot
Huazhong University of Science and Technology(华中科技大学);School of Mechanical Science & Engineering(机械科学与工程学院)
针对深海爬游机器人水下机械腿受深海环境阻力影响动态性能的问题,通过理论与实验建立水动力模型,实验得到油液粘性阻力、动密封阻力随关节转速和作业深度的变化规律,为后续结构优化与高性能控制提供基础。
2023-08-28 cs.RO cs.SY eess.SY
Design, Mechanical Simulation and Implementation of a New Six- Legged Robot
Faculty of Mechanical Engineering, University of Tabriz(大不里士大学机械工程学院);School of Engineering Emerging Technologies(新兴技术工程学院)
蚂蚁是六条腿的昆虫,可以携带比体重重十倍的货物。由于有六条腿,它们本质上是稳定的。它们很强大,可以携带重物。基于这些原因,本文提出了一种新的并联运动学结构的六足蚂蚁机器人。在Solidworks中对机械结构进行了设计和优化。该机构有六个腿,只有两个直流电机驱动的六个腿,所以从机械的角度来看,设计是一个最佳的。由于使用无线模块,机器人重量轻,半自主。这一特点使该机器人适合用于社会机器人和救援机器人应用。变送器程序在上位机中采用LabVIEW实现,以单片机作为主控制器。电子板在Proteus Professional中设计和测试,PCB板在Altium Designer中实现。微控制器编程在Code Vision中完成。
2020-04-08 cs.RO
Training Structured Mechanical Models by Minimizing Discrete Euler-Lagrange Residual
Stanford University(斯坦福大学);Microsoft(微软)
用于决策和控制的基于模型的范例在机器人技术中变得无处不在。它们依赖于从数据中有效学习系统模型的能力。结构化机械模型(SMM)是机械系统的数据高效黑箱参数化,通常通过最小化预测和观察到的加速度或下一状态之间的误差来拟合数据。在这项工作中,我们提出了一种方法,通过最小化离散欧拉-拉格朗日残差拟合SMM数据。为了研究我们的方法,我们将模型拟合到来自无阻尼和阻尼双曲线的关节角度时间序列,研究学习模型拟合有和没有观测噪声的数据的质量。实验表明,我们的方法学习的模型,更好的准确性,那些传统的计划拟合SMM。我们确定了我们的方法是更合适的方法的用例。用于再现实验的源代码可在https://github.com/sisl/delsmm获得。
2021-05-05 cs.LG cs.RO
Exploring Mechanically Self-Reconfiguring Robots for Autonomous Design
University of Oslo(奥斯陆大学)
进化机器人的目标是优化机器人控制和形态,以生产更好,更强大的机器人。大多数以前的研究只解决控制的优化问题,并且只在仿真中进行。我们已经开发出一种四条腿的哺乳动物启发的机器人,具有自我重构形态。在本文中,我们讨论了能够有效地做实验,在现实世界中不断变化的形态开辟的可能性。我们讨论了这样一个平台和潜在的实验设计,可以解锁新的发现目前面临的挑战。最后,我们把我们的机器人在其背景下,在进化机器人领域的一般发展,并考虑什么进步的未来可能举行。
2018-05-08 cs.RO
Mechanical design and fabrication of a kinetic sculpture with application to bioinspired drone design
Northeastern University(东北大学)
仿生机器人是机器人学中一个非常有趣和困难的分支,因为它具有非常丰富的动力学和形态学复杂性。其中,飞行动物,如蝙蝠,是最难获得灵感的动物之一,因为它们表现出复杂的翅膀关节。我们试图捕捉几个关键程度的自由,是目前在自然扑翼步态的蝙蝠。在这项工作中,我们提出了我们的扑翼机器人的机械设计和分析,Aerobat,在那里我们捕捉蝙蝠的扑翼模式的暴跌和伸缩。该机器人利用齿轮、曲柄和四连杆机构来驱动臂翼结构,该结构由使用PolyJet 3D打印一体化制造的刚性和柔性组件组成。由此产生的机器人表现出翅膀的扩张和收缩过程中的下冲程和上冲程分别最大限度地减少负升力,并导致更有效的扑动步态。
2021-03-29 cs.RO cs.SY eess.SY
The dynamic effect of mechanical losses of actuators on the equations of motion of legged robots
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
工业机械手在断电时由于其关节中的摩擦力而不会在其自身重量下倒塌。虽然这些机制是有效的刚性位置控制的拾取和放置,他们是不合适的足式机器人,必须迅速调节顺应与环境的相互作用。然而,没有度量存在量化的机器人的性能退化,由于在致动器的机械损失。这封信提供了一种新的配方,它描述了如何传播到整个机器人的运动方程的单个执行器的效率。我们定量地证明了直观的事实,即在关节摩擦的存在下,机器人的表观惯性增加。我们还重现的经验结果,采用高传动和低效率的驱动器的机器人可以静态承受更大的外部负载。我们期望,这里提出的框架将提供基础,设计下一代的足式机器人,可以有效地与世界互动。
2020-11-04 cs.RO
Learning Partially Structured Environmental Dynamics for Marine Robotic Navigation
University of Southern California(南加利福尼亚大学);HomeAway, Inc.(HomeAway公司);Indiana University - Bloomington(印第安纳大学伯明顿分校)
我们调查的情况下,一个机器人需要达到指定的目标后,采取一系列适当的行动,在一个非静态的环境,部分结构化。一个应用示例是控制海洋车辆在海洋中移动。海洋环境是动态的,并且海浪经常导致能够干扰运载工具的运动的强烈扰动。对这种动态环境进行建模是不平凡的,并且将这种模型集成到机器人运动控制中是特别困难的。幸运的是,洋流通常会形成一些局部模式(例如漩涡),因此环境是部分结构化的。历史上观察到的数据可以用于训练机器人以学习与海洋潮汐扰动交互。在本文中,我们提出了一种应用深度强化学习框架来学习这种部分结构化的复杂扰动的方法。我们的研究结果表明,通过人工和真实的海洋干扰下训练机器人,机器人能够成功地在复杂的时空环境中采取行动。
2018-03-11 cs.RO
Mechanical Precision Weeding with a Quadruped Robot
Eindhoven University of Technology(埃因霍温理工大学);ETH Zürich(苏黎世联邦理工学院)
针对除草剂抗性和环境问题,提出用配备铣削工具的Spot四足机器人进行机械除草,减少土壤压实,简化自动化,并分析其准确性与效率。
2026-09-18 cs.RO
Development of an Autonomous Sanding Robot with Structured-Light Technology
CUHK T Stone Robotics Institute(CUHK T Stone机器人研究所);Innovation and Technology Commission of Hong Kong(香港创新及科技委员会);Harbin Institute of Technology(哈尔滨工业大学)
本文提出了一种能够自主完成未知物体打磨工作的机器人,通过结构光相机扫描建模、优化运动规划和阻抗模型控制,实现了无需人工干预的自主打磨。
2019-03-08 cs.RO cs.SY eess.SY
Third-party Evaluation of Robotic Hand Designs Using a Mechanical Glove
University of Tokyo(东京大学);National Institute of Advanced Industrial Science and Technology(日本产业技术综合研究所);Laboratory for Intelligent Systems and Informatics, Graduate School of Information Science and Technology, University of Tokyo(东京大学信息科学与技术研究生院智能系统与信息学实验室);Artificial Intelligence Research Center, National Institute of Advanced Industrial Science and Technology(日本产业技术综合研究所人工智能研究中心);Laboratory for Intelligent Systems and Informatics(智能系统与信息学实验室)
一个适合灵巧的机器人手设计应该用功能测试来检验。为了实现这一目标,我们设计了一个机械手套,这是一个刚性的可穿戴手套,使我们能够开发相应的同构机器人手,并评估其硬件性能。随后,由人类参与者评估多自由度(DOF)的有效性。在两种条件下使用机械手套评估几种精细运动技能:一自由度和三自由度条件。据我们所知,这是第一个广泛的评估方法,机器人手设计适合灵活性。(This论文经过同行评审,全文翻译自Journal of the Robotics Society of Japan,Vol.39,No.6,pp.557-560,2021。
2021-09-22 cs.RO
Structured Graph Network for Constrained Robot Crowd Navigation with Low Fidelity Simulation
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出结构化图网络与注意力机制,利用低保真仿真分离人类与障碍物表示,减少sim2real差距,提升约束人群导航性能。
2024-05-28 cs.AI cs.LG cs.RO
Development and Characteristics of a Highly Biomimetic Robotic Shoulder Through Bionics-Inspired Optimization
University of Manchester(曼彻斯特大学);University of Salford(索尔福德大学);Jilin University(吉林大学)
本文通过分析人体肩关节的球窝结构与自锁机制,提出一种高仿生机器人盂肱关节,在保持紧凑性的同时实现了更大运动范围、4 kg负载和超过1.5 Nm扭矩,为下一代仿生机械臂设计树立了新基准。
2023-10-27 cs.RO cs.SY eess.SY
Structured LLM Reasoning for Zero-Shot Human--Robot Coordination Under Hidden Goals
Michigan State University(密歇根州立大学);UC Santa Barbara(加州大学圣巴巴拉分校)
该研究针对隐藏目标下的零样本人机协作,提出结构化LLM架构,通过Dec-POMDP分解决策,实验显示其交互步骤更少、人类信任度更高,优于无ToM推理的变体和离线训练的多智能体强化学习策略。
2026-08-06 cs.RO cs.SY eess.SY
Lightweight Structured Multimodal Reasoning for Clinical Scene Understanding in Robotics
SETLabs Resarch GmbH(SETL实验室)
本文提出轻量级智能体多模态框架,结合 Qwen2.5-VL-3B-Instruct 与 SmolAgent,通过场景图和混合检索增强临床视频理解,在 Video-MME 及临床数据集上表现出竞争力。
2025-09-26 cs.AI cs.CV cs.HC
Muscle-inspired flexible mechanical logic architecture for colloidal robotics
University of Michigan(密歇根大学)
通过膨胀或收缩对外部刺激作出响应的材料提供了一种转换路径,该转换路径集成了由刺激直接供电的感测和致动。这促使我们使用这些可以变形为任意配置的材料来构建胶体规模的机器人。为了在机器人系统中智能地使用全局刺激,需要将计算能力纳入其中。挑战在于设计一种紧凑、材料不可知、在随机力下稳定并且可以使用刺激响应材料的建筑。我们提出了一种架构,计算组合逻辑使用机械门,使用肌肉样的响应-膨胀和收缩-作为电路信号与逻辑电路的物理灵活性和能够改造为任意机器人机构的额外好处。我们从数学上分析门的几何形状,并讨论调整它的信号尺寸和幅度的给定要求。我们验证的功能和稳定性的设计在胶体尺度上使用布朗动力学模拟。我们还使用3D打印模型演示了闸门设计。最后,我们模拟一个完整的机器人,折叠成俄罗斯方块的形状。
2020-12-17 cs.RO physics.app-ph
Learning Structured Robot Policies from Vision-Language Models via Synthetic Neuro-Symbolic Supervision
University of Padova, Dept. of Information Engineering(帕多瓦大学信息工程系);Fraunhofer Italia Research(弗劳恩霍夫意大利研究所);Polytechnic of Bari Dept. of Electrical and Information Engineering(巴里理工学院电气与信息工程系)
本文提出通过合成神经符号监督方法,利用视觉语言模型生成结构化机器人策略,结合多模态感知与符号控制,实现高维学习与符号控制的结合。
2026-05-15 cs.RO
Control Barrier Functions for Mechanical Systems: Theory and Application to Robotic Grasping
University of Melbourne(墨尔本大学);St. Vincent’s Hospital(圣文森特医院)
控制障碍函数已被证明是一个有用的方法,确保约束满足的控制器的广泛类别,但现有的结果大多限于连续时间系统的相对度1。机械系统,包括机器人,通常是二阶系统,其中控制发生在力/扭矩水平。这些系统具有对于安全和/或任务执行至关重要的速度和位置约束(即相对度2)。此外,机械系统通常作为采样数据系统进行数字控制。这项工作的贡献是双重的。首先,是开发新型、鲁棒的控制障碍函数,以确保在存在模型不确定性的情况下相对二阶采样数据系统的约束满足。第二,是所提出的方法的应用程序的机器人抓取的挑战性问题,其中机器人手必须确保一个对象保持在把握,同时操纵它到所需的参考轨迹。一个把握约束满足控制器的建议,可以承认现有的名义操纵控制器从文献中,同时确保没有滑动,没有过度延伸(如奇异配置),没有滚动的指尖。仿真和实验结果验证了所提出的控制机器人手的应用。
2019-03-23 cs.RO
Bridging Hard and Soft: Mechanical Metamaterials Enable Rigid Torque Transmission in Soft Robots
Massachusetts Institute of Technology(麻省理工学院);University of Washington(华盛顿大学);Northeastern University(东北大学);University of Maryland(马里兰大学)
提出由机械超材料构成柔顺等速关节的软体机械臂,在保持被动柔顺的同时实现连续扭矩传递,并结合逆运动学神经网络完成拧灯泡、螺栓和阀门等任务。
2024-12-03 cs.RO
Interpretable Robot Control via Structured Behavior Trees and Large Language Models
Automation and Robotics Research Group (ARG), Interdisciplinary Centre for Security, Reliability, and Trust (SnT), University of Luxembourg(自动化与机器人研究组(ARG)、安全、可靠性与信任跨学科中心(SnT)、卢森堡大学)
本文提出结合大语言模型与结构化行为树的方法,实现机器人对自然语言指令的可解释执行,提升人机交互的实用性与适应性。
2025-10-08 cs.AI cs.LG cs.RO
Static Timing Orchestration for Tree-Structured Robot Control Firmware
Shanghai Jiao Tong University(上海交通大学)
针对树结构机器人控制固件的结构化数据依赖问题,提出FineMote框架,通过静态调度机制优化时序性能,在真实平台上验证了其有效性。
2026-08-06 cs.RO cs.SE
Soft Robots Modeling: a Structured Overview
Institut Mines Telecom Atlantique(大西洋矿业电信学院);Khalifa University of Science and Technology(哈利法科技大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Centrale Lille(里尔中央理工学院);University Lille(里尔大学)
机器人社区已经看到了一个指数级增长的复杂性的理论工具的建模软机器人设备。已经提出了不同的解决方案来克服与软体机器人建模相关的困难,通常利用其他科学学科,例如连续介质力学、计算力学和计算机图形学。这些理论和计算基础往往被视为理所当然,这导致了一个复杂的文献,因此,很少有一个完整的审查的主题。对于第一次,我们在这里提出了一个结构化的概述迄今为止提出的所有方法来建模软体机器人。所选择的分类,这是基于他们的理论和数字的理由,使我们能够提供一个关键的分析,其用途和适用性。这将使机器人研究人员能够学习这些建模技术及其相关数值方法的基础知识,同时也能对它们的使用有一个批判性的视角。
2022-10-04 cs.RO
Mechanically-Inflatable Bio-Inspired Locomotion for Robotic Pipeline Inspection
Delft University of Technology(代尔夫特理工大学)
受寄生蜂产卵器启发研发的机械充气式柔性管道检测机器人,可适配不同管道尺寸形状,平均运动效率70%、夹持力13 N,为多场景管道检测提供新方案。
2024-03-12 cs.RO
SL Sensor: An Open-Source, ROS-Based, Real-Time Structured Light Sensor for High Accuracy Construction Robotic Applications
ETH Zürich(苏黎世联邦理工学院)
许多建筑机器人任务都需要高精度的3D表面信息,例如自动水泥抛光或机器人石膏喷涂。然而,目前市场上的消费级深度相机对于这些需要毫米(mm)级精度的任务来说不够精确。本文介绍了SL传感器,一种结构光传感解决方案,能够产生高保真度的点云在5 Hz的利用相移轮廓术(PSP)编码技术。SL传感器与两款商业深度相机进行了比较-Azure Kinect和RealSense L515。实验表明,SL传感器在室内表面重建应用中的精度和准确性均优于两种设备。此外,为了证明SL传感器作为机器人应用的结构光传感研究平台的能力,开发了一种运动补偿策略,允许SL传感器在线性运动期间工作,而传统的PSP方法仅在传感器静止时工作。现场实验表明,SL传感器能够对喷涂抹灰表面进行高度详细的重建。基于机器人操作系统(ROS)的软件和SL传感器的示例硬件构建都是开源的,目的是使结构光传感更容易为建筑机器人社区所用。所有文档和代码都可以在https://github.com/ethz-asl/sl_sensor/上找到。
2022-09-01 cs.RO
Counterexamples for Robotic Planning Explained in Structured Language
University of Virginia(弗吉尼亚大学);The University of Texas at Austin(得克萨斯大学奥斯汀分校);UCLA(加利福尼亚大学洛杉矶分校)
自动化技术,如模型检验已被用来验证基于马尔可夫决策过程(MDP)的机器人任务计划的模型,并生成反例,可以帮助诊断的要求违反。然而,这样的人工产物可能太复杂,人类无法理解,因为反例的现有表示通常包括大量的路径或复杂的自动机。为了提高反例的可解释性,我们定义了一个可解释的反例的概念,它包括一组结构化的自然语言句子来描述机器人的行为,导致在机器人任务计划的MDP模型的需求违反。我们提出了一种基于混合整数线性规划生成可解释的反例,是最小的,健全的和完整的方法。我们通过仓库机器人规划的案例研究证明了所提出的方法的有用性。
2018-03-23 cs.CL cs.FL cs.RO
Structured Prediction for CRiSP Inverse Kinematics Learning with Misspecified Robot Models
RIKEN Center for AI Project(日本理化学研究所人工智能项目中心);Istituto Italiano di Tecnologia(意大利技术研究所);Massachusetts Institute of Technology(麻省理工学院);Università degli Studi di Genova(热那亚大学);University College London(伦敦大学学院)
随着机器学习的最新进展,传统上需要精确建模才能分析解决的问题现在可以通过数据驱动策略成功解决。其中,计算冗余机器人手臂的逆运动学提出了一个重大的挑战,由于机器人的非线性结构,硬关节约束和不可逆的运动学地图。此外,大多数学习算法考虑一个完全的数据驱动的方法,而往往是有用的信息的结构的机器人是可用的,应该积极利用。在这项工作中,我们提出了一个简单的,但有效的,学习的逆运动学的方法。我们引入了一种结构化预测算法,该算法将数据驱动策略与正运动学函数提供的模型相结合-即使该函数被错误指定-以准确地解决问题。所提出的方法,确保预测的关节配置以及机器人的约束。我们还提供了统计保证我们的估计的泛化性能,以及经验评估其性能的轨迹重建任务。
2021-03-30 cs.LG cs.RO
ARCSnake V2: Mechanical Adaptations For An Amphibious Multi-Domain Screw-Propelled Snake-Like Robot
Mechanical and Aerospace Engineering Department, University of California San Diego(加州大学圣地亚哥分校机械与航空航天工程系);Electrical and Computer Engineering Department, University of California, San Diego(加州大学圣地亚哥分校电气与计算机工程系)
ARCSnake V2是ARCSnake V1的改进型两栖螺旋推进蛇形机器人,结合超冗余蛇形机器人高机动性与阿基米德螺旋推进的地形适应性,经实验验证具备水下作业能力,可作为多领域探索等任务的多功能平台。
2026-07-31 cs.RO
Structured Linearization of Discrete Mechanical Systems for Analysis and Optimal Control
Southwest Research Institute(西南研究院);Northwestern University(西北大学)
变分积分器非常适合于力学系统的模拟,因为它们保留了系统的力学量,例如动量,或者如果涉及外部强迫的变化,以及完整约束。虽然它们不是能量保存的,但它们确实表现出长期稳定的能量行为。然而,变分积分器经常通过在每个时间步求解隐式差分方程来模拟机械系统动力学,该隐式差分方程此外纯粹根据不同时间步的配置来表达。本文制定了一阶和二阶线性化的变分积分器的方式,是服从控制分析和合成,创建一个桥梁之间的现有分析和最优控制工具的离散动态系统和变分积分器的机械系统在广义坐标强迫和完整约束。强迫摆是用来说明技术。第二个例子解决了离散LQR问题,找到一个局部稳定控制器的40自由度系统与6个约束。
2017-08-31 cs.RO math.OC