Formalizing the Execution Context of Behavior Trees for Runtime Verification of Deliberative Policies
Istituto Italiano di Tecnologia（意大利技术研究院）；Università degli Studi di Genova（热那亚大学）
在本文中，我们使自动属性验证审议组件的机器人控制架构。我们专注于形式化的行为树（BTs）的执行上下文，以提供一个可扩展的，但正式接地，方法，使运行时验证和防止意外的机器人行为。为此，我们考虑一个消息传递模型，可同时容纳同步和异步组成的并行组件，其中BT和其他组件执行和交互根据机器人软件架构中常用的通信模式。我们引入了一个正式的属性规约语言来编码需求和构建运行时监控器。我们进行了一组实验，无论是在模拟和真实的机器人，证明了我们的方法在一个现实的应用程序和它的集成在一个典型的机器人软件架构的可行性。我们还提供了一个操作系统级的虚拟化环境，以重现模拟场景中的实验。
2021-09-16 cs.FL cs.RO
Optimal Multi-Robot Path Planning with LTL Constraints: Guaranteeing Correctness Through Synchronization
University of Waterloo（滑铁卢大学）；Boston University（波士顿大学）
在本文中，我们考虑的机器人团队满足高层次的任务规范的最佳路径的自动规划。团队中的每个机器人被建模为加权过渡系统，其中权重具有相关的偏差值，该偏差值捕获机器人在其部署期间的行进时间中的非确定性。任务是作为一个线性时序逻辑（LTL）公式在一组命题满足的区域的环境。此外，我们有一个优化命题，它捕获了一些必须由团队重复完成的特定任务。目标是最小化连续满足优化命题的实例之间的最大时间，同时保证即使在不确定的旅行时间下也能满足任务。我们的方法依赖于机器人的通信能力，以保证正确性，并在部署过程中保持性能。在为团队成员计算了一组最佳满意路径后，我们还为每个机器人计算了一组同步序列，以确保在部署过程中不会违反LTL公式。我们实施和实验评估我们的方法，考虑在道路网络环境中的持久性监测任务。
2012-12-17 cs.RO
Encoding Biomechanical Energy Margin into Passivity-based Synchronization for Networked Telerobotic Systems
Department of Electrical and Computer Engineering, New York University（纽约大学电气与计算机工程系）；New York University（纽约大学）；NYUAD Center for Artificial Intelligence and Robotics（纽约大学人工智能与机器人中心）；MathWorks
本文提出双端口生物力学感知的无源性同步稳定器TBPS2，利用人体生物力学优化遥操作位置同步并降低激活保守性，通过仿真与实验验证其在变时延和环境下的性能优势。
2025-11-07 cs.RO
Adaptive Admittance Control for Safety-Critical Physical Human Robot Collaboration
Queen’s University Belfast（贝尔法斯特女王大学）；University of Warwick（华威大学）
物理人机协作需要严格的安全保证，因为机器人和人类在共享的工作空间中工作。这封信提出了一种新的控制框架，以处理安全关键的位置为基础的限制，人与机器人的物理交互。所提出的方法是基于导纳控制，指数控制障碍函数（ECBFs）和二次规划（QP），以实现符合人与机器人之间的力的相互作用，同时保证安全约束。特别地，导纳控制的公式被重写为二阶非线性控制系统，人与机器人之间的相互作用力被视为控制输入。通过使用ECBFs-QP框架作为外部人力的补偿器，实时提供用于导纳控制的虚拟力反馈。一个安全的轨迹，因此，来自所提出的自适应导纳控制方案的低级别控制器跟踪。所提出的方法的创新之处在于，所提出的控制器将使机器人能够遵守人类的力量与自然的流动性，而不违反任何安全约束，即使在人类外力偶然迫使机器人违反约束的情况下。我们的方法的有效性证明在两连杆平面机器人操作器的仿真研究。
2022-08-09 cs.RO cs.SY eess.SY
CBF-Based Motion Planning for Socially Responsible Robot Navigation Guaranteeing STL Specification
University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学）；Department of Sciences and Methods for Engineering (DISMI)（科学与工程方法系（DISMI））
本文针对社交责任导航中的安全关键导航问题，提出一种基于CBF的STL运动规划方法，通过实时计算平滑CBF和动态调整参数，在速度约束下保证任务按时完成并满足时空约束。
2024-03-30 cs.RO
Haptic Feedback Improves Human-Robot Agreement and User Satisfaction in Shared-Autonomy Teleoperation
Boston University（波士顿大学）
共享自主遥操作可以保证安全，但这样做通过减少人类操作员的控制权限，这可能会导致降低水平的人-机器人协议和用户满意度。本文提出了一种新的触觉共享自主遥操作范式，使用触觉反馈通知用户的内部状态的共享自主范式，同时仍然保证安全。这与触觉共享控制不同，触觉共享控制使用触觉反馈来通知用户的动作，但是给予人类操作员对机器人的动作的完全控制。我们进行了一项用户研究，其中12名用户驾驶一架模拟无人机在搜索和救援任务中没有任何帮助或帮助提供的触觉共享控制，共享自主权，或触觉共享自主权。所有的辅助遥操作方法都使用控制屏障功能来找到既安全又尽可能接近人类生成的控制命令的控制命令。对于具有触觉反馈的辅助遥操作条件，我们向用户施加与人类生成的控制和安全控制之间的差异成比例的力。我们发现，触觉共享的自主性提高了用户的任务性能和满意度。我们还发现，辅助遥操作中的触觉反馈可以提高用户的态势感知。最后，结果表明，加入触觉反馈共享自主遥操作可以提高人与机器人的一致性。
2021-03-05 cs.RO cs.SY eess.SY
Lio -- A Personal Robot Assistant for Human-Robot Interaction and Care Applications
F&P Robotics（F&P机器人公司）
Lio是一个移动机器人平台，具有多功能手臂，专门用于人机交互和个人护理助理任务。该机器人已被部署在几个医疗机构，在那里它可以自主运行，每天为工作人员和患者提供帮助。Lio具有内在的安全性，它采用柔软的人造皮革材料，并具有碰撞检测、有限的速度和力量。此外，机器人具有顺应性运动控制器。视觉、音频、激光、超声波和机械传感器的组合用于安全导航和环境理解。支持ROS的设置允许研究人员访问原始传感器数据，并直接控制机器人。Lio友好的外观使其深受医护人员和患者的欢迎。通过灵活的决策引擎、自主导航和自动充电，完全自主操作成为可能。结合定时任务触发器，这使得Lio可以全天运行，电池寿命长达8小时，并在空闲时间充电。强大的机载计算单元组合提供了足够的处理能力，可以在机器人上部署基于人工智能和深度学习的解决方案，而无需将任何敏感数据发送到云服务，从而确保符合隐私要求。在COVID-19大流行期间，Lio被迅速调整以执行额外功能，如消毒和远程体温升高检测。它符合ISO 13482-个人护理机器人的安全要求，这意味着它可以直接在护理设施中进行测试和部署。
2020-06-16 cs.AI cs.HC cs.RO
Inductive Learning of Robot Task Knowledge from Raw Data and Online Expert Feedback
University of Verona（维罗纳大学）
针对复杂场景机器人任务先验知识缺失问题，提出从少量异构执行数据中归纳学习任务规范的离线算法，结合在线专家反馈增量优化知识，在外科机器人基准上验证了高效性与可扩展性潜力。
2025-01-13 cs.AI cs.LO cs.RO
Utility Theory based Cognitive Modeling in the Application of Robotics: A Survey
College of Engineering and Computer Science, The University of Tulsa（工程与计算机科学学院，塔尔萨大学）
本文综述了基于效用理论的认知建模在机器人应用中的发展与现状，探讨了其在多代理系统中的作用及未来研究方向。
2026-03-09 cs.AI cs.MA cs.NE
CASTER: Formalizing Zero-Shot Manipulation from Synthetic Videos as Constrained Optimization
Virginia Tech（弗吉尼亚理工大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
该研究提出CASTER框架，将合成视频到零样本机器人操纵轨迹的过程形式化为约束优化，移除现有方法的关键简化后，平均任务成功率较最优基线提升34.1%。
2026-10-12 cs.CV cs.RO
LUCID: An Agentic AI Framework on Digital-Twin in the Loop for QoS-Guaranteeing Robotic Control
LUCID是一种LLM智能体编排的云机器人框架，将TP-RRM动态编排于DITL环境，结合路径规划与RRM验证器，可适应动态条件并降低规划延迟，保障机器人控制的QoS。
2026-08-31 cs.RO cs.SY eess.SY
Approximation Algorithms for Robot Tours in Random Fields with Guaranteed Estimation Accuracy
University of Waterloo（滑铁卢大学）；Delft University of Technology（代尔夫特理工大学）；University of Maryland（马里兰大学）
我们研究的样本放置和最短行程问题的机器人负责映射环境现象建模为平稳随机场。目标是在保证估计精度的同时最大限度地减少所使用的资源（样本或巡回长度）。在凸环境中，我们给出了这两个问题的近似算法。这些改进以前已知的结果，无论是在理论保证和模拟。此外，我们反驳了现有的索赔文献中的一个下界的样本放置问题的解决方案。
2022-10-14 cs.RO
GoSafe: Globally Optimal Safe Robot Learning
RWTH Aachen University（亚琛工业大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zürich（苏黎世联邦理工学院）
当从数据中学习机器人系统的策略时，安全性是一个主要问题，因为违反安全约束可能会导致硬件损坏。SafeOpt是一种高效的贝叶斯优化（BO）算法，可以在学习策略的同时保证高概率的安全性。然而，它的搜索空间限于一个初始给定的安全区域。我们通过在初始安全区域之外进行探索来扩展这种方法，同时仍然以高概率保证安全。这是通过学习一组初始条件来实现的，在潜在故障的情况下，我们可以使用学习的备份控制器安全地恢复。我们推导出保证收敛到全局最优的条件，并在硬件实验中验证GoSafe。
2021-05-27 cs.LG cs.RO cs.SY
Failure-Tolerant Connectivity Maintenance for Robot Swarms
Polytechnique Montréal（蒙特利尔高等理工学院）
连通性维护在实现机器人群体之间的期望的全局行为中起着关键作用。然而，在现实环境中的连通性维护受到缺乏计算资源，低通信带宽，机器人故障和不稳定的链接。在本文中，我们提出了一种新的分散式连接保持算法，可以部署在其他行为的顶部，以执行连接约束。该算法需要一组目标，同时保持机器人之间的冗余链路的数量最少，以保证带宽和可靠性的目标。然后机器人逐步建立和维护具有指定数量链路的通信骨干。我们实证研究的算法的性能，分析其收敛时间，以及注入骨干机器人的故障的鲁棒性。我们的研究结果在统计上表明，该算法的能力，以保持所需的连接约束，并达到高达70%的个人机器人故障的通信骨干的目标。
2019-05-12 cs.RO
Robust Learning of Tactile Force Estimation through Robot Interaction
NVIDIA（英伟达）；University of Utah（犹他大学）；Georgia Institute of Technology（佐治亚理工学院）；University of Washington（华盛顿大学）
目前用于从触觉传感器信号估计力的方法是不准确的分析模型或任务特定的学习模型。在本文中，我们探索学习一个强大的模型，映射触觉传感器信号的力量。我们专门探索通过神经网络学习SynTouch BioTac传感器的映射。我们提出了一个空间信号的体素化输入特征层，并利用传感器表面的信息来正则化损失函数。为了学习跨任务传输的鲁棒触觉力模型，我们从三个不同的来源生成地面真实数据：（1）BioTac刚性安装到力扭矩（FT）传感器，（2）机器人与刚性连接到同一FT传感器的球交互，以及（3）通过将力学形式化为粒子系统并优化对象运动，通过对平面推动任务的力推断。从三个来源共收集了14万个样本。我们在预测力方向方面实现了3.5度的中值角度准确度（比当前技术水平提高了66%），并且在测试数据集上实现了0.06 N的中值幅度准确度（提高了93%）。此外，我们评估学习力模型的力反馈把握控制器执行对象升降和温柔的放置。我们的结果可以在https://sites.google.com/view/tactile-force上找到。
2019-03-05 cs.RO
Safe and Individualized Motion Planning for Upper-limb Exoskeleton Robots Using Human Demonstration and Interactive Learning
Tsinghua University（清华大学）；Shenzhen MileBot Robotics Co., Ltd（深圳迈宝机器人有限公司）
本文提出一种上肢外骨骼机器人运动规划方案，结合人类示范与交互学习，通过ProMP生成并迭代优化个性化轨迹，在可变阻抗模型下实现安全、定制化的康复辅助。
2023-09-15 cs.RO
Distributed Adaptive and Resilient Control of Multi-Robot Systems with Limited Field of View Interactions
Roma Tre University（罗马第三大学）；Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在本文中，我们考虑了两个耦合问题的分布式多机器人系统（MRS）协调与有限的视野（FOV）传感器：自适应调整的互动增益和拒绝传感器的攻击。首先，分布式控制框架的一个典型缺点（例如，势场）的一个缺点是，整个系统行为对分配给相对相互作用的增益高度敏感。其次，具有有限FOV传感器的MRS可能更容易受到针对其FOV的传感器攻击，因此必须对这种攻击具有弹性。基于这些缺点，我们提出了一个全面的解决方案，结合自适应增益调整和攻击弹性的问题，有限的视野MRS的拓扑控制的努力。具体来说，我们首先推导出一个自适应增益调谐方案的基础上满足名义成对的相互作用，这产生了一个动态平衡的相互作用强度在机器人的邻居。然后，我们模型添加剂传感器和执行器的攻击（或故障），并通过采用静态输出反馈技术，保证有限的L2增益的攻击（故障）信号引起的错误，推导出H ∞控制协议。最后，使用ROS Gazebo的模拟结果提供支持我们的理论研究结果。
2021-12-19 cs.RO
Interactive Force-Impedance Control
PRISMA Lab, Department of Electrical Engineering and Information Technology, University of Naples Federico II（那不勒斯费德里科二世大学电气工程与信息技术系PRISMA实验室）；Chair of Information-oriented Control (ITR), Department of Electrical and Computer Engineering, Technical University of Munich（慕尼黑工业大学电气与计算机工程系信息导向控制教席）
本文提出统一交互力-阻抗控制框架，通过端到端学习适应交互功率流，确保在密集接触环境中安全高效的机器人与人类协作。
2026-03-31 cs.RO
A High-frequency, Interaction-induced Pneumatic Oscillator Enabling Versatile Soft Robotics
Beijing University of Chemical Technology（北京化工大学）；Ritsumeikan University（立命馆大学）；University of Bristol（布里斯托大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Tsinghua University（清华大学）
本文提出一种高频气动振荡器（HIPO），通过碰撞诱导相位重置机制触发气动执行器自激振荡，实现高达20 Hz频率，并构建了快速爬行器等仿生软体机器人验证其高效运动性能。
2025-10-13 cs.RO
A Systematic Review on Reproducibility in Child-Robot Interaction
University of Cambridge（剑桥大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Cornell University（康奈尔大学）
本系统综述分析了2020-2022年间325项儿童-机器人交互研究，发现其在报告人口统计学、研究设计和开放数据方面存在不足，并提出了改进可重复性的指南与报告清单。
2023-09-04 cs.HC cs.RO
Safe and Robust Motion Planning for Dynamic Robotics via Control Barrier Functions
University of Southern California（南加州大学）
控制障碍函数（CBF）被广泛应用于非线性系统的安全临界约束。最近，这些功能被纳入到一个路径规划框架，设计安全关键路线规划。然而，这些方法未能提供一个现实的路径，同时考虑到算法的运行时的复杂性和执行的安全关键的约束。本文提出了一种新的运动规划方法，使用著名的快速探索随机树（RRT）算法，强制CBF和机器人Kinodynamic约束，以产生一个安全的关键路线。该算法还输出相应的控制信号，导致无障碍路径。该方法还允许考虑模型的不确定性，将鲁棒CBF约束到所提出的框架。因此，所得到的路径没有任何障碍物，并考虑了来自机器人动力学和感知的模型不确定性。结果分析表明，所提出的方法优于传统的基于RRT的路径规划器，保证了安全的关键路线以最小的计算开销。我们提出了数值验证的算法上的CNOV7机器人车，一个微型自主无人地面车辆，执行动态导航的障碍重重的路径与各种不确定性的感知噪声和机器人动力学。
2021-10-22 cs.RO cs.SY eess.SY
Scenario-Based Motion Planning with Bounded Probability of Collision
TU Delft（代尔夫特理工大学）
提出Safe Horizon MPC方法，通过场景优化和预测控制显式约束运动规划周期内与所有障碍物碰撞的联合概率，有效减少保守性并保证概率安全。
2023-07-03 cs.RO
Moving Matter: Using a Single, Simple Robot to Reconfigure a Connected Set of Building Blocks
Electrical Engineering, University of Houston（电子工程，休斯顿大学）；Electrical Engineering and Computer Science, Bochum University of Applied Sciences（电子工程与计算机科学，波恩应用科学大学）；Computer Science, TU Braunschweig（计算机科学，布拉unsch维格技术大学）；Discrete Mathematics, University of Kassel（离散数学，卡塞尔大学）；Computer Science, TU Berlin（计算机科学，柏林技术大学）
本文研究使用单一简单机器人将连通瓦片重配置为目标形状，实现并评估了Becker等人提出的直方图算法，并在仿真与实际环境中用尺蠖型机器人与两种启发式算法进行了比较。
2025-06-29 cs.CG cs.DS cs.RO
Safe and Optimal Variable Impedance Control via Certified Reinforcement Learning
Human-interactive Robotics Lab, IISc Bangalore（人机交互机器人实验室，班加罗尔印度理工学院）
本文提出C-GMS框架，通过认证强化学习实现安全且最优的变量阻抗控制，确保策略稳定性和物理可行性，提升机器人在复杂环境中的自主交互能力。
2026-03-01 cs.RO
Model Checking Time Window Temporal Logic for Hyperproperties
University of Missouri-Columbia（密苏里大学哥伦比亚分校）；University of Dayton（代顿大学）
本文提出 HyperTWTL 形式化体系及其同步/异步语义，用于表达多执行迹超性质，并给出通过归约到 TWTL 的模型检测算法，以验证机器人应用中的信息流安全与并发性质。
2023-08-10 cs.FL cs.LO cs.RO
Complete, Scalable, and Robust Prioritized Planning for Multi-Robot Ordered Storage and Retrieval at Maximum Capacity
Rutgers University（罗格斯大学）
该研究针对最大容量下多机器人有序存取问题，提出利用无重排布局特性的在线优先多智能体路径规划算法，实现可扩展且鲁棒的规划，完工时间随机器人数量近线性提升，处理不确定性时执行速度无显著损失。
2026-08-20 cs.AI cs.MA cs.RO
General Performance Guarantee for Human Torque Estimation-Based Task-Agnostic Assistive Exoskeleton Control
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎萨克雷高等师范学校）；Inria（法国国家信息与自动化研究所）
针对外骨骼力矩估计误差导致辅助不匹配的问题，提出一种理论框架设计交互力矩，保证匹配辅助概率下界并泛化至未见数据，在ABLE上肢外骨骼上验证了多任务下的有效性能。
2026-10-01 cs.LG cs.RO cs.SY
Pedestrian-Robot Interactions on Autonomous Crowd Navigation: Reactive Control Methods and Evaluation Metrics
Swiss Federal School of Technology in Lausanne - EPFL（洛桑联邦理工学院）；University of Tsukuba（筑波大学）；Swiss Federal School of Technology in Zurich - ETH Zurich（苏黎世联邦理工学院）
对于机器人来说，在人口稠密地区的自主导航仍然是一项具有挑战性的任务，因为在非结构化的情况下很难保证与行人的安全互动。在这项工作中，我们提出了一个人群导航控制框架，提供连续的避障和接触后控制评估的自主个人移动车辆。我们提出了会计效率，控制器的反应和人群在自然人群中的相互作用的评价指标。我们报告了110多个不同人群类型的试验结果：稀疏，流动和混合交通，低（< 0.15 ppsm），中（< 0.65 ppsm）和高（< 1 ppsm）行人密度。我们提出了两个低级别的避障方法和共享控制的基线之间的比较结果。结果显示，在最高密度测试中，达到目标的相对时间下降了10%，并且没有其他效率指标下降。此外，自主导航与共享控制导航相比，具有较低的相对颠簸和显着较高的命令流畅性，表明与人群的高度兼容性。我们的结论是，反应式控制器完成了快速和连续适应人群导航的必要任务，它应该与高层次的规划者环境和态势感知。
2022-08-03 cs.CV cs.HC cs.RO
Multi-Agent Transportation of Free-Flyers in Microgravity Via Pushing Interaction Under Human-in-the-Loop Control
KTH Royal Institute of Technology（瑞典皇家理工学院）；Seoul National University（首尔大学）
提出一种安全关键控制框架，利用CLF和CBF约束的混合整数推力分配，使追踪机器人通过单向推挤在微重力下协同运输被动目标，实现参考跟踪和避障，并经Gazebo仿真验证。
2026-10-12 cs.RO cs.SY eess.SY
