MoonBot: Modular and On-Demand Reconfigurable Robot Toward Moon Base Construction
Tohoku University(东北大学)
MoonBot是一种模块化和按需重构机器人,旨在通过执行模拟月球基础设施建设的任务来支持月球基地建设。
2025-12-26 cs.AI cs.RO
MeMo: Meaningful, Modular Controllers via Noise Injection
MIT(麻省理工学院);NVIDIA(英伟达公司)
针对机器人需从头训练控制标准化组件的问题,提出MeMo框架,通过噪声注入优化模块化目标与行为克隆损失,在形态和任务迁移中训练效率优于图神经网络与Transformer基线。
2025-02-11 cs.LG cs.RO
Collective control of modular soft robots via embodied Spiking Neural Cellular Automata
University of Trieste(的里雅斯特大学);Oslo Metropolitan University(奥斯陆城市大学)
基于体素的软机器人(VSR)是一种模块化软体机器人,由几个可变形立方体组成,即,体素因此,每个VSR都是简单代理(即体素)的集合,这些体素必须合作以产生整体VSR行为。在这种范式中,集体智慧在实现协调的出现方面发挥了关键作用,因为每个体素都是独立控制的,只利用局部感官信息以及从其直接邻居传递的一些知识(分布式或集体控制)。在这项工作中,我们提出了一种新形式的集体控制,神经元自动机(NCA)的影响和生物启发的脉冲神经网络的基础上:体现尖峰NCA(SNCA)。我们的实验与不同的变体SNCA,并发现他们是竞争力与国家的最先进的分布式控制器的任务的运动。此外,我们的研究结果表明,在不可预见的环境变化,这可能是一个决定因素的物理实用性的VSR的适应性方面的基线有显着改善。
2022-04-05 cs.AI cs.RO
A Modular Vision-Language-Action Robotics Framework for Indoor Environments
TCS Research, Tata Consultancy Services(塔塔咨询服务公司TCS研究部);CMU(卡内基梅隆大学)
提出模块化架构,集成环境建图、问题处理和导航,通过双流并行处理(语义体素建图与语言分类)实现自然语言指令驱动的自主任务执行。
2026-07-01 cs.AI cs.RO
Learning Directed Locomotion in Modular Robots with Evolvable Morphologies
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Vrije Universiteit Brussel(布鲁塞尔自由大学);HU University of Applied Sciences Utrecht(乌得勒支应用科学大学)
我们概括了两个维度的模块化机器人步态学习的研究问题。首先,我们在一个给定的目标方向,超越学习一个典型的无定向步态解决运动。其次,而不是研究一个固定的机器人形态,我们认为不同的模块化机器人的测试套件。这项研究是基于我们的兴趣,在进化机器人系统的形态和控制器的发展。在这样的系统中,新生的机器人必须学会控制自己的身体,这是父母身体的随机组合。我们应用和比较两个学习算法,贝叶斯优化和HyperNEAT。仿真实验结果表明,两种方法都能成功地学习到较好的控制器,但贝叶斯优化方法更有效。我们通过在现实世界中从测试套件中构建三个机器人来验证最佳学习控制器,并观察它们的适应度和实际轨迹。所获得的结果表明,依赖于控制器和形状的机器人的现实差距,但总体上的轨迹是足够的,并成功地遵循目标方向。
2020-01-21 cs.AI cs.NE
A Continual Learning Framework for Adaptive Control of Modular Soft Robots
The BioRobotics Institute, Scuola Superiore Sant’Anna(生物机器人研究所,圣安娜高等学校);Department of Excellence in Robotics and AI, Scuola Superiore Sant’Anna(机器人与人工智能卓越系,圣安娜高等学校);Department of Mechanical Engineering, National University of Singapore(新加坡国立大学机械工程系);ETIS Lab UMR8051 CY Cergy Paris University - ENSEA - CNRS(ETIS实验室UMR8051,CY赛尔吉 - 巴黎大学 - ENSEA - 法国国家科学研究中心)
针对模块化软机器人设计控制器的挑战,提出持续学习启发的控制框架,能顺序学习新配置不忘旧知识,可分布式学习特定模块动力学,经实验验证其能适应形态变化并减少计算开销。
2026-07-09 cs.AI cs.RO
Evolving Skill Modules under a Fixed Planner: Versioning, Rollback, and Runtime Governance for Long-Lived Robot Systems
School of Software, Harbin Institute of Technology(哈尔滨工业大学软件学院);School of Computer Science and Technology, Harbin Institute of Technology(哈尔滨工业大学计算机科学与技术学院);School of Mathematical and Computer Sciences, Heriot-Watt University(赫瑞-沃德大学数学与计算机科学学院);School of Future Science and Engineering, Soochow University(苏州大学未来科学与工程学院)
本文提出了一种以能力为中心的体素代理进化范式,通过引入体素能力模块(ECMs)实现持续改进,同时保持代理身份的稳定性,实验表明其在任务成功率和安全性方面优于传统方法。
2026-09-21 cs.AI cs.RO
Artificial Hormone Reaction Networks: Towards Higher Evolvability in Evolutionary Multi-Modular Robotics
Karl-Franzens University Graz(格拉茨卡尔·弗朗岑斯大学)
机器人控制器软件的半自动或自动合成既令人满意又具有挑战性。通过应用人工进化来合成相当简单的行为,例如避免碰撞,已经多次展示。然而,这种合成的难度随着机器人应该执行的任务的复杂性的增加而大大增加。我们试图解决这个问题的复杂性与人工稳态激素系统(AHHS),它提供了内在的,稳态的过程和(瞬态)内在的,变异的行为。通过使用AHHS,对预定义的控制器拓扑或关于应用领域的信息的需要被最小化。我们研究了控制器的原理设计和激素网络大小如何影响人工进化的整体性能(即,进化性)。这是通过比较AHHS的两种变体来完成的,这两种变体在突变时显示出不同的效果。我们进化了一个机器人的控制器,该机器人由五个自主合作的模块组成。期望的行为是通过使用模块的主铰链导致快速运动的步态形式。
2010-11-17 cs.AI cs.NE cs.RO
Kinematic Modularity of Elementary Dynamic Actions
Massachusetts Institute of Technology(麻省理工学院)
本文提出一种基于 Elementary Dynamic Actions 的机器人控制运动学模块化方法,通过组合基本模块生成丰富运动,避免了逆运动学等问题,并在 KUKA 机器人上验证了其简化动作生成的有效性。
2024-03-22 cs.RO
A wearable sensor vest for social humanoid robots with GPGPU, IoT, and modular software architecture
目前,大多数社交机器人通过作为机器人组成部分的传感器与周围环境和人类进行交互,这限制了传感器的可用性、人机交互和可扩展性。在许多应用中需要适合许多机器人的可穿戴传感器服装。本文介绍了一种经济实惠的可穿戴传感器背心,以及用于社交人形机器人的物联网(IoT)开源软件架构。该背心由触摸、温度、手势、距离、视觉传感器和无线通信模块组成。物联网功能允许机器人在本地和互联网上与人类互动。所设计的架构适用于任何具有通用图形处理单元(GPGPU)、I2C/SPI总线、互联网连接和机器人操作系统(ROS)的社交机器人。该架构的模块化设计使开发人员能够轻松地添加/删除/更新复杂的行为。所提出的软件架构提供物联网技术、GPGPU节点、I2C和SPI总线管理器、视听交互节点(语音到文本、文本到语音和图像理解)以及行为节点与其他节点之间的隔离。建议的物联网解决方案由机器人中的相关节点、REST风格的Web服务和用户界面组成。我们使用HTTP协议作为通过互联网与社交机器人进行双向通信的手段。开发人员可以使用C、C++和Python程序设计语言轻松编辑或添加节点。我们的架构可用于设计更复杂的行为,社会人形机器人。
2022-01-06 cs.AI cs.HC cs.RO
Low-Rank Modular Reinforcement Learning via Muscle Synergy
Tsinghua University(清华大学);Harvard University(哈佛大学)
模块化强化学习(RL)通过学习每个执行器的策略来分散多关节机器人的控制。先前关于模块化RL的工作已经证明了它能够通过共享执行器策略控制形态上不同的代理。然而,随着机器人的自由度(DoF)的增加,训练一个形态可推广的模块化控制器变得指数级困难。受人类中枢神经系统控制众多肌肉的方式的启发,我们提出了一个协同导向的学习(SOLAR)框架,该框架利用了DoF在机器人控制中的冗余性。通过无监督学习方法将致动器分组为协同,并且学习协同动作以同步控制多个致动器。通过这种方式,我们实现了一个低级别的控制在协同水平。我们广泛评估我们的方法在各种机器人形态,结果表明其优越的效率和推广性,特别是在机器人与一个大的自由度像Humanoids++和UNIMALs。
2022-10-26 cs.AI cs.LG cs.RO
ROS2Learn: a reinforcement learning framework for ROS 2
Acutronic Robotics(Acutronic机器人技术公司)
我们提出了一个新的框架,深度强化学习(DRL)模块化机器人训练机器人直接从关节状态,使用传统的机器人工具。我们使用一个国家的最先进的实现的近端策略优化,信任域策略优化和Actor-Critic Kronecker因子的信任域算法学习政策,在四个不同的模块化关节机械臂(MARA)环境。我们使用与机器人中使用的典型工具(如Gazebo和Robot操作系统2(ROS 2))通信的框架来支持此过程。我们评估了几种算法在模块化机器人与仿真的实证研究。
2019-03-18 cs.AI cs.LG cs.RO
Modular Robots: extending the capabilities of one robot
Kernel Augmentation
为了让机器人变得完美并像计算机一样进入人类的日常生活,它需要从专用机器人转向通用机器人。因此,模块化的想法被认为是在这个项目中。因此,任何类型的任务,属于4D的机器人化:沉闷,肮脏,危险和亲爱的可以通过添加一个模块的机器人来实现。
2022-10-24 cs.RO
Evaluation of Deep Reinforcement Learning Methods for Modular Robots
Erle Robotics(厄勒机器人公司)
我们提出了一个新的框架,深度强化学习(DRL)在模块化机器人使用传统的机器人工具,扩展国家的最先进的DRL实现,并提供一个端到端的方法,直接从关节状态训练机器人。此外,我们提出了一种新的技术,将这些DLR方法转移到真正的机器人,旨在关闭模拟现实的差距。我们展示了最先进的DRL方法在模块化机器人中连续动作空间的性能的鲁棒性,在模拟和真实机器人中进行了实证研究,我们还评估了加速模拟时间如何影响机器人的性能。我们的研究结果表明,扩展模块化机器人从3度的自由度(DoF),4自由度,不影响机器人的学习。这为使用DRL技术训练模块化机器人铺平了道路。
2018-02-07 cs.RO
Shared Modular Recurrence in Contextual MDPs for Universal Morphology Control
Delft University of Technology(代尔夫特理工大学)
研究旨在解决多机器人形态差异大时的控制难题,提出利用模块化交互恢复上下文特征,实现更好的多机器人控制及泛化。通过基于变压器且具共享模块化递归的架构在MuJoCo机器人上评估,显著提升了零样本泛化性能。
2026-11-02 cs.AI cs.RO
Timor Python: A Toolbox for Industrial Modular Robotics
Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出Timor这一Python开源工具箱,旨在填补工业模块化可重构机器人在建模与仿真方面的空白,通过提供模型生成、基于任务的配置优化及URDF导出功能,实现与现有仿真工具的集成,并经实验验证其有效性。
2023-09-15 cs.RO
Learning Modular Robot Locomotion from Demonstrations
Carnegie Mellon University(卡内基梅隆大学)
模块化机器人可以重新配置,从一小部分组件中创建各种设计。但是,仅仅构建机器人的硬件是不够的-每个机器人都需要一个控制器。可以单独为某些设计创建控制器,但为其他设计开发策略可能非常耗时。这项工作提出了一种方法,使用一组设计的演示,以加速其他设计的策略学习。我们利用一个学习框架,其中图神经网络由模块化组件组成,每个组件对应于一种类型的模块(例如,腿、轮或身体),并且这些组件可以重新组合以一次从多个设计中学习。在本文中,我们开发了一个组合的强化和模仿学习算法。我们的方法是新颖的,因为该政策是优化的,既最大限度地提高一个设计的奖励,同时模仿演示从不同的设计,在一个目标函数。我们表明,当模块化的政策与此组合的目标进行优化,从一组设计的演示会影响政策的行为在不同的设计,减少所需的训练迭代次数。
2022-10-31 cs.LG cs.RO
Hefty: A Modular Reconfigurable Robot for Advancing Robot Manipulation in Agriculture
Ecorobotix(Ecorobotix公司)
针对农业机器人配置成本高、任务差异大的问题,本文设计模块化可重构机器人 Hefty,给出关键模块设计与集成流程,并以五种实际农业应用配置验证其实用性。
2024-02-28 cs.RO
Learning Modular Robot Control Policies
Carnegie Mellon University(卡内基梅隆大学)
模块化机器人可以重新排列成一个新的设计,也许每天,通过为每个新任务形成一个定制的机器人来处理各种各样的任务。然而,仅仅重新配置机制是不够的:每个设计还需要自己独特的控制策略。人们可以为每个新设计从头开始制定策略,但这种方法是不可扩展的,特别是考虑到即使是一小组模块也可以生成大量设计。相反,我们创建了一个模块化的策略框架,其中策略结构以硬件安排为条件,并仅使用一个训练过程来创建控制各种设计的策略。我们的方法利用了这样一个事实,即模块化机器人的运动学可以表示为一个设计图,节点作为模块,边缘作为它们之间的连接。给定机器人,其设计图用于创建具有相同结构的策略图,其中每个节点包含深度神经网络,并且相同类型的模块经由共享参数共享知识(例如,六足机器人上的所有腿共享相同的网络参数)。我们开发了一个基于模型的强化学习算法,交叉模型学习和轨迹优化训练的政策。我们展示了模块化策略可以推广到大量的设计,这些设计在没有任何额外学习的情况下在训练过程中看不到。最后,我们展示了控制各种设计的策略,以与模拟和真实的机器人进行交互。
2021-11-10 cs.LG cs.RO
Hierarchical Learning for Modular Robots
Erle Robotics;Venta de la Estrella Kalea, 6;Vitoria-Gasteiz, Araba, Spain(01006 Vitoria-Gasteiz, Araba, Spain)
我们认为,分层方法可以成为模块化机器人实现可重构性的关键。我们提出了一个模块化的机器人,允许机器人同时学习多个任务的分层方法。我们的评估结果提出了一个由两种不同的模块化机器人配置,即3度的自由度(DoF)和4DoF与两个相应的目标组成的环境。在训练过程中,我们切换配置和目标,旨在评估训练神经网络,能够选择适当的运动原语和机器人配置,以实现目标的可能性。然后将训练好的神经网络在具有3DoF和4DoF配置的真实机器人上传输和执行。我们演示了这种技术如何推广到具有不同配置和任务的机器人。
2018-02-12 cs.RO
PIC4rl-gym: a ROS2 modular framework for Robots Autonomous Navigation with Deep Reinforcement Learning
Politecnico di Torino(都灵理工大学)
学习代理可以优化标准的自主导航,通过采用各种各样的方法来提高系统的灵活性,效率和计算成本。这项工作介绍了\textit{PIC4rl-gym},一个基本的模块化框架,通过混合机器人社区的标准工具ROS 2和Gazebo,以及深度强化学习(DRL)来增强导航和学习研究。本文描述了PIC 4 rl-gym的整体结构,它充分集成了DRL Agent在多种室内和室外导航场景和任务中的训练和测试。采用模块化方法,通过选择新的平台、传感器或模型,轻松定制仿真。我们展示了我们的新健身房的潜力,通过基准测试产生的政策,训练不同的导航任务,与一套完整的指标。
2022-11-19 cs.AI cs.RO
A Novel and Accurate BiLSTM Configuration Controller for Modular Soft Robots with Module Number Adaptability
Scuola Superiore Sant’Anna(圣安娜高等科学院);The Chinese University of Hong Kong(香港中文大学)
本文针对模块化软体机器人精确控制难题,提出一种基于双向LSTM的构型控制器,通过仿真与真实机器人实验验证其在不同模块数量下的自适应控制能力。
2024-01-19 cs.RO
Modularis: Modular Underwater Robot for Rapid Development and Validation of Autonomous Systems
University of Florida(佛罗里达大学)
针对现成水下机器人难以兼顾成本、定制性与环境适应性,且定制建造昂贵耗时的问题,本文提出开源模块化水下机器人 Modularis,以加速感知、规划与控制算法的测试与验证。
2024-01-11 cs.RO
Exploring environment exploitation for self-reconfiguration in modular robotics
Department of Applied Mathematics University of Washington(应用数学系 华盛顿大学);Department of Mechanical Engineering and Applied Mechanics University of Pennsylvania(机械工程与应用力学系 费城大学);Department of Mechanical Engineering University of Nevada, Las Vegas(机械工程系 内华达大学拉斯维加斯分校)
本研究提出模块化桁架机器人应利用环境特征(如壁架、间隙、斜坡)而非仅优化自身,以实现更快运动、自适应自重构和复杂三维组装,从而超越自身局限。
2025-08-03 cs.RO
myGym: Modular Toolkit for Visuomotor Robotic Tasks
我们介绍了一种新的虚拟机器人工具包myGym,强化学习(RL),内在动机和模仿学习任务训练的3D模拟器开发。然后,经过训练的任务可以很容易地转移到现实世界的机器人场景中。模拟器的模块化结构使用户能够在各种机器人,环境和任务的大量场景中进行训练和验证他们的算法。与适用于经典RL的现有工具包(例如OpenAI Gym,Roboschool)相比,myGym还为需要内在动机的视觉(结合视觉和运动)无监督任务做好了准备,即机器人能够生成自己的目标。还有一些用于人机交互的协作场景。该工具包为可视化任务提供了预训练的可视化模块,允许快速原型化,此外,用户可以自定义可视化子模块并使用自己的对象集进行重新训练。在实践中,用户选择所需的环境,机器人,对象,任务和奖励类型作为模拟参数,训练,可视化和测试本身都是自动处理的。因此,用户可以完全专注于神经网络架构的开发,同时使用预定义的参数控制环境的行为。
2020-12-21 cs.AI cs.RO
An Integrated System for Perception-Driven Autonomy with Modular Robots
Cornell University(康奈尔大学);University of Pennsylvania(宾夕法尼亚大学)
模块化机器人在先验未知环境中响应复杂任务而重新配置的理论能力经常被认为是一个优势,并且仍然是该领域工作的主要动力。我们提出了一个模块化的机器人系统能够自主完成高层次的任务,通过反应性地重新配置,以满足感知的,先验的未知环境的需求。该系统集成了感知、高级规划和模块化硬件,并在三个硬件演示中进行了验证。给定一个高层次的任务规范,模块化机器人自主地探索未知的环境,决定何时以及如何重新配置,并操纵对象完成其任务。该系统架构平衡了分布式机械元件与集中式感知、规划和控制。通过提供一个模块化的机器人系统如何可以被设计为在未知环境中利用反应可重构性的例子,我们已经开始为模块化自重构机器人在现实世界中解决任务奠定基础。
2018-12-13 cs.RO
Modular Robot Control with Motor Primitives
Massachusetts Institute of Technology(麻省理工学院)
受生物运动基元模块化控制启发,提出满足模块独立性与稳定性闭合性的机器人模块化控制框架,无需逆运动学即可实现任务空间控制,可解决奇异、冗余等问题,经仿真与实物实验验证,为实现类人水平机器人行为提供新思路。
2025-05-15 cs.RO
Distributed prediction of unsafe reconfiguration scenarios of modular robotic Programmable Matter
University of Bourgogne Franche-Comté(勃艮第-弗朗什-孔泰大学);FEMTO-ST Institute(FEMTO-ST研究所);CNRS(法国国家科学研究中心);Warsaw University of Technology(华沙理工大学);Institute of Fundamental Technological Research Polish Academy of Sciences(波兰科学院基础技术研究所);University of Luxembourg(卢森堡大学)
我们提出了一个分布式框架,用于预测模块化机器人的计划重新配置步骤是否会使结构机械过载,导致其在自身重量下断裂或失去稳定性。该算法由模块化机器人本身执行,并基于从机器人的简化模型导出的机械平衡方程的分布式迭代解。该模型将模块间的连接视为梁,并假设模块与地面之间无滑动接触。我们还提供了一个简化的不稳定性检测程序。该算法在可编程物质模拟器VisibleSim中进行了验证,并在模块化机器人系统Blinky Blocks上进行了实际实验。
2021-05-03 cs.RO
Evolutionary Co-Design of Morphology and Control of Soft Tensegrity Modular Robots with Programmable Stiffness
Ecole polytechnique fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
张拉整体结构重量轻,可以承受大变形,并具有出色的鲁棒性。这些独特的属性激发了机器人专家研究它们的用途。然而,张拉整体机器人的形态设计、控制、装配和驱动仍然是困难的任务。此外,张拉整体机器人的刚度仍然是一个被低估的设计参数。在这篇文章中,我们建议使用易于组装,驱动张拉整体模块和身体-大脑协同进化设计软张拉整体模块化机器人。此外,我们证明了张拉整体机器人刚度的重要性,展示了如何根据模块刚度的演变表明不同的形态,控制和运动策略。
2021-01-28 cs.RO
MuBlE: MuJoCo and Blender simulation Environment and Benchmark for Task Planning in Robot Manipulation
Czech Technical University in Prague(布拉格捷克技术大学);Imperial College London(伦敦帝国学院)
针对具身推理智能体在长时程物理交互任务上的规划难题,本文提出了基于 MuJoCo 和 Blender 的仿真环境 MuBlE 及新基准 SHOP-VRB2,支持多模态数据生成与双层闭环方法设计。
2025-03-04 cs.RO
Design of a Robust Stair Climbing Compliant Modular Robot to Tackle Overhang on Stairs
IIIT-Hyderabad(海得拉巴国际信息技术学院);IIT Jodhpur(印度理工学院焦特布尔分校)
本文讨论了一种鲁棒爬楼梯柔性模块化机器人的概念和参数设计,能够解决楼梯悬伸。修改我们的机器人的轮子的周边的几何形状有助于解决悬突。随着建立一个概念设计,稳健的设计参数设置,以最大限度地减少性能变化。采用基于灰色的田口方法为机器人的设计参数提供了一个最佳的设置。机器人原型已成功地缩放不同尺寸的楼梯,悬置,从而证实了所进行的分析。
2016-07-11 cs.RO
An Integrated Software-based Solution for Modular and Self-independent Networked Robot
Research Center for Physics(物理研究中心);Indonesian Institute of Sciences (LIPI)(印度尼西亚科学院(LIPI))
介绍了一种基于集成软件的模块化自主网络机器人解决方案。无线操作机器人主要用于自主监测工作,并通过网络进行完全控制。集成软件解决方案包括三个部分:a)用于数据检索和监控系统的数字信号处理单元; b)用于控制系统的外部可执行代码;以及c)用于最终用户与机器人接口的Web编程。认为这种基于集成软件的方法对于实现灵活、模块化和低开发成本的移动监测装置是至关重要的。
2008-11-29 cs.RO
COMPOSER: Scalable and Robust Modular Policies for Snake Robots
Carnegie Mellon University(卡内基梅隆大学)
针对蛇形机器人超冗余高维带来的控制难题,本研究提出基于协作MARL的COMPOSER模块化控制策略,结合自注意力与高层想象奖励,在5项任务中成功率最优,且鲁棒性和零样本泛化性更优。
2023-10-02 cs.LG cs.RO
Control and Monitoring System for Modular Wireless Robot
Indonesian Institute of Sciences(印度尼西亚科学研究所)
介绍了模块化无线机器人的概念,该机器人由三个主要模块组成:主机模块、数据采集模块和数据处理模块。我们已经开发了一个通用的原型与集成的控制和监测系统,以提高其灵活性,并使简单的操作,通过一个基于网络的界面可无线访问。在本文中,我们专注于基于微控制器的硬件,使数据采集和远程机械控制。
2007-10-03 cs.RO
Docking and Undocking a Modular Underactuated Oscillating Swimming Robot
我们描述了一个对接机制和策略,允许模块化自组装的Modboat:一个便宜的欠驱动振荡游泳机器人由一个单一的电机供电。由于推进是通过摆动实现的,因此只能在平均值上控制方向;这使得对接复杂化,对接需要精确的位置和方向控制。鉴于这些挑战,我们提出了一个对接策略和运动原语控制方向,并表明,这种策略可以成功对接在多种配置。此外,我们还证明了Modboat也能够脱离并改变其码头配置,而无需任何额外的驱动。这在类似的模块化机器人系统中是独一无二的。
2021-10-28 cs.RO
A Flexible Connector for Soft Modular Robots Based on Micropatterned Intersurface Jamming
Hong Kong University of Science and Technology(香港科技大学);Nanjing University of Information Science and Technology(南京信息工程大学)
与传统机器人相比,柔性模块化机器人能够更灵活、更安全地与不断变化的环境进行交互。然而,创造可以集成到软机器中的可变形连接器仍然具有挑战性。在这项工作中,我们提出了一种柔性连接器的软模块化机器人的基础上微图案界面干扰。该连接器由硅橡胶制成的微图案干胶和具有可充气腔室的柔性主体组成,用于主动接合和脱离。通过连接力测试,我们评估了连接器在线性方向和旋转破坏下的特性。该连接器可以稳定地承受22 N(连接器体重的83倍)的平均最大线性载荷和10.86 N的平面旋转载荷。所提出的连接器展示了在不提高系统的整体刚度的情况下在软模块化机器人之间创建鲁棒连接的潜力;从而保证了机器人系统的高灵活性。
2020-04-10 cs.RO
Accomplishing High-Level Tasks with Modular Robots
Cornell University(康奈尔大学);University of Pennsylvania(宾夕法尼亚大学)
模块化自重构机器人系统的优点是其灵活性,但这一优点只能实现,如果适当的配置(形状)和行为(控制程序)可以选择一个给定的任务。在本文中,我们提出了一个集成系统,解决高层次的任务与模块化机器人,并证明它是能够完成具有挑战性的,多部分的任务,在硬件实验。该系统由四个紧密集成的组件组成:(1)高级任务规划器,(2)涵盖广泛功能的大型设计库,(3)用于使用新配置和行为填充库的设计和仿真工具,以及(4)模块化机器人硬件。本文建立在作者早期的工作,扩展了原系统,包括环境适应性参数行为,集成运动规划器和反馈控制器的系统。
2018-05-01 cs.RO
Design and Experiments with a Low-Cost Single-Motor Modular Aquatic Robot
我们提出了一种新的设计,低成本的机器人船由一个单一的驱动器,模块化和群集应用程序有用。该船利用角动量守恒和被动鳍状肢将单个电机的运动转换为可调节的划桨运动,用于推进和转向。我们开发的模块化和群集的设计标准,并提出了一个原型实现这些标准。我们确定了显着的机械敏感性与所提出的设计,理论的敏感性的原因,并提出了一个改进的设计,为今后的工作。
2020-05-05 cs.RO
A Modular Robotic Arm Control Stack for Research: Franka-Interface and FrankaPy
Carnegie Mellon University(卡内基梅隆大学)
我们设计了一个模块化的机器人控制堆栈,为Franka Panda Research机器人提供可定制和可访问的界面。该框架将高级机器人控制命令抽象为技能,并将其分解为轨迹生成器、反馈控制器和终止处理程序的组合。低级控制在C++中实现,并以$1$ kHz运行,高级命令在Python中公开。此外,外部传感器反馈,如估计的物体姿态,可以实时的流到低级控制器。这种模块化方法使我们能够快速原型化新的控制方法,这对于研究应用至关重要。我们已经在超过$5$发表的研究论文中将此框架应用于各种真实世界的机器人任务。该框架目前在卡内基梅隆大学的其他机器人实验室内部共享,我们计划在不久的将来公开发布。
2020-11-04 cs.RO
A Vision-based Scheme for Kinematic Model Construction of Re-configurable Modular Robots
Guangdong University of Technology(广东工业大学)
可重构模块化机器人(RMR)系统具有可重构性和通用性。一个新的模块化机器人可以通过使用模块作为构建块来构建特定的任务。然而,构建一个新构思的机器人的运动学模型需要大量的工作。由于模块类型的有限大小,所有模块类型的模型可以单独构建并预先存储在数据库中。利用这种先验知识,可以通过检测模块及其相应的互连来自动化模型构建过程。以前的文献提出了理论框架,构建模块化机器人的运动学模型,假设这些信息是已知的先验。虽然精心设计的机制和内置传感器可以用来自动检测这些参数,但它们使模块设计变得非常复杂,因此价格昂贵。在本文中,我们提出了一种基于视觉的方法来识别运动链和自动构建机器人模型的模块化机器人。每个模块都贴有增强现实(AR)标签,这些标签用唯一的ID编码。拍摄模块化机器人的图像,并通过查询维护所有模块信息的数据库来识别检测到的模块。检测到的模块的姿态用于计算:(i)模块之间的连接和(ii)关节模块的关节角度。最后,对机器人串联链进行识别,建立运动学模型并进行可视化。我们的实验结果验证了我们的方法的有效性。虽然只与我们的RMR的实施,我们的方法可以应用到其他RMR的自我识别是不可能的。
2017-03-11 cs.RO
Learning Modular Robot Visual-motor Locomotion Policies
Carnegie Mellon University(卡内基梅隆大学)
针对模块化机器人运动策略此前仅适配平坦地形且无法泛化多设计的问题,提出模块化视觉-运动策略,通过组件重组结合深度强化学习实现多设计多环境泛化,已在真实机器人爬楼梯等场景验证有效。
2023-04-29 cs.RO
Relative Localization System Design for SnailBot: A Modular Self-reconfigurable Robot
本文设计实现SnailBot模块化自重构机器人相对定位系统,融合ARUco标记识别、光学流分析和IMU数据处理,实现实时动态场景下的可靠定位,验证了系统在协作机器人任务中的有效性。
2026-03-10 cs.RO cs.SY eess.SY
Perception-Informed Autonomous Environment Augmentation With Modular Robots
Cornell University(康奈尔大学);University of Pennsylvania(宾夕法尼亚大学)
我们提出了一个系统,使模块化机器人自主构建结构,以完成高层次的任务。建筑结构允许机器人克服大型障碍,扩大它可以执行的任务。这解决了模块化机器人系统的一个共同弱点,即通常难以穿越大型障碍物。本文介绍了硬件,感知和规划工具,包括我们的系统。环境表征算法识别环境中的特征,所述特征可以被增强以在环境的两个断开区域之间创建路径。特别设计的积木使机器人能够创建可以增强环境的结构,使障碍物可以穿越。一个高层次的规划者对任务、机器人运动能力和环境进行推理,以决定是否以及在哪里增强环境,以执行所需的任务。最后通过硬件实验对系统进行了验证
2018-03-01 cs.RO
Robot Tactile Gesture Recognition Based on Full-body Modular E-skin
Northeastern University(东北大学)
本文提出一种基于模块化电子皮肤和等变图神经网络的机器人触觉手势识别方法,将戳、抓、抚摸、双拍等手势映射为机器人动作,实现直观人机交互。
2025-06-23 cs.RO
Beyond Tabula-Rasa: a Modular Reinforcement Learning Approach for Physically Embedded 3D Sokoban
DeepMind(深度思维)
智能机器人需要使用具体的、时空复杂的感觉信息和运动控制来实现抽象的目标。Tabula rasa深度强化学习(RL)已经解决了视觉、抽象或物理推理方面的高要求任务,但联合解决这些问题仍然是一个艰巨的挑战。最近,一个未解决的基准任务是Mujoban,它集成了这些挑战,其中机器人需要安排从2D推箱子拼图生成的3D仓库。我们探讨了像Mujoban这样的集成任务是否可以通过将RL模块组合在一起来解决,其中模块具有类似于经典机器人架构的明确定义的角色。与通常基于模型的经典架构不同,我们仅使用通过RL或监督学习训练的无模型模块。我们发现,我们的模块化RL方法大大优于Mujoban上最先进的单片RL代理。此外,当例如,使用不同的机器人平台来解决相同的任务。总之,我们的研究结果为研究模块化RL设计的重要性提供了强有力的证据。项目网址:https://sites.google.com/view/modular-rl/
2020-10-03 cs.AI cs.LG cs.RO
Evolving Modular Soft Robots without Explicit Inter-Module Communication using Local Self-Attention
University of Trieste(的里雅斯特大学);Google Brain(谷歌大脑)
模块化在机器人领域具有巨大的潜力。原则上,模块化机器人可以在不同的机器人中拆卸和重新组装,并可能执行新的任务。然而,实际上利用模块化仍然是一个未解决的问题:控制器通常依赖于模块间通信,这一实际要求使得模块不能完全互换,从而限制了它们的灵活性。在这里,我们专注于基于体素的软体机器人(VSRs),机械相同的弹性块的聚合。我们在每个体素内部使用相同的神经控制器,但没有任何体素间的通信,因此为模块化提供了理想的条件:模块都是平等的,可互换的。我们通过演化计算优化了体素间共享的神经网络参数。最重要的是,我们在控制器内部使用了一种局部的自我注意力机制,以克服模块间通信渠道的缺失,从而使我们的机器人能够真正由其模块的集体智能驱动。我们的实验表明,进化的机器人是有效的运动的任务:由于自我注意,在同一个机器人中体现的相同的控制器的实例可以集中在不同的输入。我们还发现,进化的控制器推广到看不见的形态,经过短暂的微调,这表明与任务相关的归纳偏见来自真正的模块化。
2022-04-13 cs.NE cs.RO
A Quadratic Programming Approach to Manipulation in Real-Time Using Modular Robots
University of Pennsylvania(宾夕法尼亚大学)
高维空间中的运动规划是一个具有挑战性的课题。为了在非结构化环境中进行灵巧操作,通常需要具有多个自由度的机器人,这也使其运动规划问题复杂化。实时的【形】控制给机器人在朝向目标运动时保持稳定性带来了更多的困难。冗余系统在由多个模块组成的模块化机器人中很常见,并且能够根据不同的需求转换为不同的配置。与具有固定几何形状或配置的机器人不同,模块化机器人系统的运动学模型可以随着机器人自身的重新配置而改变,并且为这样的系统开发通用控制和运动规划方法是困难的,特别是当多个运动目标耦合时。本文提出了一种新的操作规划框架。该问题被制定为一个序列的线性约束二次规划(QP),可以有效地解决。可以将一些约束并入到该QP中,包括近似环境障碍物的新颖方式。该解决方案可直接用于实时的【形】应用或作为离线规划工具,并在CKBot和SMORES-EP模块化机器人平台上进行了验证和演示。
2021-07-31 cs.RO
Optimizing Modular Robot Composition: A Lexicographic Genetic Algorithm Approach
Technical University of Munich(慕尼黑工业大学)
针对模块化机器人任务定制中模块组成难以优化的问题,提出结合遗传算法与字典序评估的方法,可在更大设计空间中搜索,并在杂乱工业任务上优于现有基线。
2024-03-04 cs.LG cs.NE cs.RO
Bio-inspired Tensegrity Soft Modular Robots
Laboratory of Intelligent Systems at Ecole Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院智能系统实验室)
在本文中,我们介绍了一种设计原则,开发新的软模块化机器人的基础上张拉整体结构和活细胞的细胞骨架的启发。我们描述了一种新的策略,实现张拉整体结构,使用平面制造技术,如3D打印。我们使用这种策略来开发具有可编程变刚度的二十面体张拉整体结构,该结构可以在三维空间中变形。我们还描述了一个肌腱驱动的收缩机制,主动控制张拉整体模块的变形。最后,我们验证的方法在一个模块化的运动蠕虫的概念证明。
2017-08-23 cs.RO
A Low-Cost, Highly Customizable Solution for Position Estimation in Modular Robots
University of Pennsylvania(宾夕法尼亚大学)
精确的位置传感对于机器人的状态估计和控制是非常重要的。可靠且精确的位置传感器通常价格昂贵且难以定制。将它们组装到具有非常严格的体积限制的系统中,例如模块化机器人,是特别困难的。PaintPots是低成本、可靠且高度可定制的位置传感器,但其性能高度依赖于制造和校准过程。本文提出了一种卡尔曼滤波器与一个简化的观察模型,以处理非线性问题,导致使用低成本的微控制器。此外,一个完整的解决方案,使用PaintPots在各种传感模式,包括制造,表征和估计,提出了一个示例模块化机器人,SMORES-EP。该解决方案可轻松适应广泛的应用。
2022-01-11 cs.RO
Finding Optimal Modular Robots for Aerial Tasks
Lehigh University(理海大学)
本文针对传统飞行器执行器约束导致的能力受限问题,提出一种由同质长方体模块组成的可重构模块化多旋翼飞行器,建立其执行能力数学模型,并给出面向给定任务的最优配置求解方法,通过三维仿真验证了系统对不同任务需求的适应性。
2023-05-29 cs.RO
Time Synchronization in modular collaborative robots
Erle Robotics S.L.(Erle Robotics有限公司)
新一代的机器人系统是模块化的,灵活的和安全的人机交互的需要。现有的协作机器人似乎只能满足后者,需要一种模块化的方法来提高其可重构性和互操作性。我们提出了一个新的子类的协作机器人命名为M-协作机器人来解决这些问题。特别是,我们讨论了这些系统同步的相关性,分析了它,并演示了如何使用适当配置的M-cobot,我们能够获得a)模块之间的分布式亚微秒时钟同步精度,b)ROS 2.0消息的时间戳精度低于100微秒,c)毫秒级的端到端通信延迟,即使在受到高达90%的网络容量的网络过载的干扰时也是如此。
2018-09-19 cs.RO
Scratchy: A Lightweight Modular Autonomous Robot for Robotic Competitions
University of Koblenz-Landau(科布伦茨-兰道大学)
我们提出Soccy-一个模块化的,轻量级的机器人建造的低预算的比赛出席。它的底座主要由标准的4040铝型材制成,机器人由四个无刷直流电机驱动的麦克纳姆轮驱动。结合激光测距仪,我们使用估计里程-这是由编码器计算-使用粒子滤波器创建地图。RGB-D相机用于目标检测和姿态估计。此外,还可以选择使用6-DOF手臂从估计的姿势抓取物体或通常用于操纵任务。机器人可以在不到一个小时的时间内组装好,可以装进两件手提行李或一个更大的行李箱。因此,它为参加欧洲机器人联赛或RoboCup等机器人比赛的学生团队提供了巨大的优势。因此,这使得参与所需的资金,这往往是一个很大的障碍,为学生团队克服,低。有关软件和其他硬件的说明,请访问:www.example.com。
2019-05-14 cs.RO
Learning Modular Neural Network Policies for Multi-Task and Multi-Robot Transfer
University of California, Berkeley(加州大学伯克利分校)
强化学习(RL)可以自动化各种机器人技能,但学习每一项新技能都需要大量的真实世界数据汇集和手动表示工程来设计策略类或功能。使用深度强化学习来训练通用神经网络策略,通过使用表达策略类减轻了人工表示工程的一些负担,但加剧了数据汇集的挑战,因为这种方法往往不如具有低维手工设计表示的RL有效。迁移学习可以通过使我们能够将信息从一种技能转移到另一种技能,甚至从一个机器人转移到另一个机器人来缓解这个问题。我们表明,神经网络的政策可以被分解为“特定于任务”和“机器人特定”的模块,其中特定于任务的模块在机器人之间共享,机器人特定的模块在该机器人上的所有任务之间共享。这允许在机器人之间共享任务信息,例如感知,并且在任务之间共享机器人信息,例如动力学和运动学。我们利用这种分解来训练混合匹配模块,这些模块可以解决训练过程中没有看到的新机器人任务组合。使用一种新的神经网络架构,我们证明了我们的转移方法的有效性,使zero-shot泛化与各种机器人和任务的模拟视觉和非视觉任务。
2016-09-22 cs.LG cs.RO