Joint Inference of Kinematic and Force Trajectories with Visuo-Tactile Sensing
Georgia Institute of Technology(佐治亚理工学院);NVIDIA(英伟达);University of Utah(犹他大学);University of Washington(华盛顿大学)
为了执行复杂的任务,机器人必须能够与周围环境进行交互和操纵。实现这一点的关键挑战之一是在物理交互期间的鲁棒状态估计,其中状态不仅涉及机器人和被操纵的对象,而且还涉及接触本身的状态。在这项工作中,在平面推的上下文中,我们扩展以前的基于推理的方法,状态估计在几个方面。我们估计的机器人,对象,和接触状态的多个操作平台上配置了基于视觉的关节模型跟踪器,无论是仿生触觉传感器或力-扭矩传感器。我们展示了如何融合来自跟踪器和触觉传感器的原始测量,以通过对因子图的概率推断,在批量和增量设置中,联合估计系统中的运动状态和力的轨迹。我们用我们的框架执行了几个基准测试,并展示了性能如何受到各种几何和物理约束,遮挡视觉传感器或在触觉传感器中注入噪声的影响。我们还与先前在多个数据集上的工作进行了比较,并证明了我们的方法可以有效地优化多模态传感器数据,并减少不确定性,以找到更好的状态估计。
2019-03-08 cs.RO
Multimodal Control of Manipulators: Coupling Kinematics and Vision for Self-Driving Laboratory Operations
1 Department of Electronics Systems, Aalborg University, Denmark;3 Extreme Robotics Laboratory, School of Metallurgy \& Materials, University of Birmingham, Birmingham, United Kingdom
本文提出三种基于雅可比方法的运动规划方案,结合RRT*算法和螺旋理论,用于优化冗余机械臂与耦合手指夹具的轨迹规划与逆解计算,以提升实验室自动化操作的效率与精度。
2025-12-03 cs.RO
Generating Personalized Lower-Limb Kinematics Across Walking Speeds Using Subject-Conditioned Diffusion
Carnegie Mellon University(卡内基梅隆大学);Georgia Institute of Technology(佐治亚理工学院)
研究针对个性化外骨骼辅助需特定用户步态数据收集难的问题,提出受主体条件约束的残差扩散框架,能从单一已知速度步态序列生成未知速度下的个性化下肢运动学,减少数据收集负担,提升跨速度步态合成精度。
2026-07-09 cs.RO
Prioritized Inverse Kinematics: Desired Task Trajectories in Nonsingular Task Spaces
Technical University of Munich(慕尼黑工业大学);German Aerospace Center(德国航空航天中心)
一个优先逆运动学(PIK)解决方案可以被认为是一个(调节或输出跟踪)控制律的动力系统优先多个输出。我们提出了一种方法,保证从一类PIK解决方案产生的联合轨迹存在唯一的非奇异配置空间。我们首先假设所需的任务轨迹停留在非奇异任务空间,并找到任务轨迹停留在所需的任务轨迹的邻域中的条件,在该邻域中,我们可以保证在非奇异配置空间中的联合轨迹的存在性和唯一性。基于这个结果,我们找到了任务收敛的充分条件,并分析了各种稳定性的概念,如稳定性,一致稳定性,一致渐近稳定性,指数稳定性在连续和离散时间。我们讨论了为什么任务的数量是有限的离散时间,并显示如何预处理可以用来克服这个限制。
2019-10-23 cs.RO cs.SY eess.SY
Differential Flatness of Quadrotor Dynamics Subject to Rotor Drag for Accurate Tracking of High-Speed Trajectories
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);LAAS-CNRS(法国国家科学研究中心图卢兹自动化与系统分析实验室);Université de Toulouse(图卢兹大学);CNRS(法国国家科学研究中心)
在本文中,我们证明了四旋翼的动力学模型受到线性转子阻力的影响是微分平坦的位置和航向。我们使用这个属性来计算前馈控制项直接从一个参考轨迹跟踪。然后将获得的前馈项用于级联的非线性反馈控制律中,该反馈控制律使得能够使用四旋翼进行精确的敏捷飞行。与将旋翼阻力视为未知扰动的先进控制方法相比,该方法显著减小了轨迹跟踪误差。最后,我们提出了一种基于无梯度优化的方法来识别转子阻力系数,这是需要计算前馈控制项。通过大量的对比实验,新的理论结果得到了充分的验证。
2018-03-28 cs.RO
IOI: Decoupling Kinematics and Physics for Interactive World Models
Beijing Innovation Center of Humanoid Robotics(北京人形机器人创新中心);Peking University(北京大学)
提出IOI混合交互式世界模型,通过显式运动学先验与学习物理动力学解耦,实现精确控制对齐和物理合理视觉反馈,在RoboTwin基准上达到最优仿真性能与零样本泛化。
2026-06-23 cs.RO
Integrating kinematics and environment context into deep inverse reinforcement learning for predicting off-road vehicle trajectories
Yamaha Motor Co. Ltd.(雅马哈发动机株式会社);Carnegie Mellon University(卡内基梅隆大学)
从第三人称的角度预测移动代理的运动是许多机器人应用的重要组成部分,如自主导航和跟踪。通过对其他智能体的准确运动预测,机器人可以计划更智能的行为来实现指定的目标,而不是以纯粹的反应方式行事。以前的工作解决运动预测,要么只过滤运动学,或使用手工设计和学习的环境表示。我们没有将运动学背景和环境背景分开,而是提出了一种新的方法,将两者整合到反向强化学习(IRL)框架中进行轨迹预测。而不是指数增加的状态-空间复杂度与运动学,我们提出了一个两阶段的神经网络架构,考虑运动和环境一起恢复的奖励函数。第一阶段网络使用低级LiDAR统计数据学习环境的特征表示,第二阶段网络将这些学习的特征与运动学数据相结合。我们收集了超过30公里的越野驾驶数据,并通过实验验证了我们的方法可以有效地提取有用的环境和运动学特征。我们生成车辆未来轨迹分布的准确预测,编码复杂的行为,例如道路交叉口的多模态分布,甚至根据车辆的速度在同一交叉口显示不同的预测。
2018-10-16 cs.AI cs.LG cs.RO
Collision-Free Inverse Kinematics Through QP Optimization (iKinQP)
Naval Research Laboratory(海军研究实验室)
提出一种基于二次规划的逆运动学方法iKinQP,通过将碰撞设为硬约束并优化平滑性,实现冗余机械臂实时生成无碰撞轨迹。
2023-08-29 cs.RO
Kinematic Nonlinear Spatio-Temporal Trajectory Warping for Contact-Rich Dexterous Manipulation Demonstrations
Carnegie Mellon University(卡内基梅隆大学)
提出一种利用接触分布进行非线性时空轨迹扭曲的方法,可重利用接触丰富的灵巧操作演示,生成考虑路点、障碍和时间偏移的高质量轨迹,并在公开数据集上验证了其有效性和泛化性。
2026-09-30 cs.RO
Walking on the Slope: Stable Bipedal Gaits with Genetic-Algorithm-Optimized Trajectories
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
本研究提出一种遗传算法优化轨迹的8自由度双足机器人步态,在平坦和倾斜地形上实现ZMP稳定行走,并揭示稳定性由质量分布而非总质量决定。
2026-09-18 cs.RO
Learning Kinematic Feasibility for Mobile Manipulation through Deep Reinforcement Learning
University of Freiburg(弗莱堡大学)
移动操作任务仍然是在服务和工业场景中广泛采用自主机器人的关键挑战之一。虽然规划方法擅长生成可行的全身机器人轨迹,但它们与动态环境以及任务和环境给出的约束相结合。另一方面,在行动空间中的动态运动模型的斗争与生成运动学上可行的移动操作动作的轨迹。我们提出了一种深度强化学习方法来学习可行的动态运动的移动基地,而末端执行器遵循由任意系统生成的任务空间中的轨迹,以完成手头的任务。这种模块化的制定有几个好处:它使我们能够很容易地将广泛的末端执行器运动到移动应用程序,它允许我们使用的末端执行器轨迹的运动学可行性作为一个密集的奖励信号,其模块化的制定允许它概括为看不见的末端执行器运动在测试时。我们展示了我们的方法在多个移动机器人平台上具有不同的运动能力和不同类型的轮式平台在广泛的模拟和现实世界的实验能力。
2021-06-18 cs.RO
Kinematics-aware Trajectory Generation and Prediction with Latent Stochastic Differential Modeling
Northwestern University(西北大学);the University of Southampton(南安普顿大学)
提出将运动学知识集成到神经随机微分方程中并构建变分自编码器,以生成物理现实且精确可控的车辆轨迹,同时预测潜在空间中的不可观测物理变量。
2024-03-22 cs.LG cs.RO
Efficient Kinematic Planning for Mobile Manipulators with Non-holonomic Constraints Using Optimal Control
ETH Zürich(苏黎世联邦理工学院)
研究了具有非完整约束和完整操作空间跟踪约束的移动机械臂运动学轨迹规划问题。通过求解约束序列线性二次型最优控制问题,得到了系统的整体轨迹和时变运动反馈控制器。所采用的算法具有高效率,通过一个连续的时间制定,受益于自适应步长积分器和通过线性复杂度的积分步骤的数量。在第一个应用程序的例子中,我们解决了26自由度轮式机器人的运动轨迹规划问题。在第二个例子中,我们将约束SLQ应用到现实世界中的移动机械手在滚动时域最优控制的方式,在那里我们获得最优的控制器和计划的速率高达100 Hz。
2018-01-16 cs.RO
A Novel Approach to Model the Kinematics of Human Fingers Based on an Elliptic Multi-Joint Configuration
The Hong Kong Polytechnic University(香港理工大学)
在本文中,我们提出了一种新的运动学模型的基础上,他们的关节椭圆运动的人指骨。手关节的软弹性组织和一般解剖结构的存在高度影响骨骼的相对运动。常用的圆形轨迹假设简化了设计过程,但会导致与实际手的行为偏离。通过与传统转动关节模型的比较,证明了该模型的优势。进行仿真和实验验证所设计的正逆运动学算法。实验结果表明,该模型在模拟人体指尖运动轨迹方面具有较高的性能。
2021-07-30 cs.RO
Incorporating General Contact Surfaces in the Kinematics of Tendon-Driven Rolling-Contact Joint Mechanisms
Korea Institute of Science and Technology(韩国科学技术研究院)
本文首次建立了一般接触曲面腱驱动滚动接触关节在外部载荷下的运动学模型,提出递推方程和迭代算法,并通过原型实验验证了构型预测的准确性。
2024-09-01 cs.RO
Emulating Human Kinematic Behavior on Lower-Limb Prostheses via Multi-Contact Models and Force-Based Nonlinear Control
California Institute of Technology(加州理工学院)
踝关节蹬离在很大程度上有助于人类行走中的肢体能量产生,从而导致更平稳和更有效的运动。为截肢者提供这种净正功需要主动假肢,但有可能实现更自然的辅助运动。为此,本文使用多接触模型的运动与力为基础的非线性优化为基础的控制器,以实现类似人类的运动学行为,包括踝关节推出,动力经股骨假体2科目。特别是,我们利用基于模型的控制方法的动态双足机器人行走,开发一个系统的方法来实现类似人类的行走的动力假肢,不需要特定的主题调整。我们首先合成一个优化问题,产生步态,类似于人类关节轨迹的运动学水平,并实现这些步态的假肢通过控制李雅普诺夫函数为基础的非线性控制器,响应实时地面反作用力和相互作用力与人类。所提出的控制器上实现的假体为两个主题之间没有调整的主题,模仿特定主题的人体运动学趋势的假肢关节。这些实验结果表明,我们的基于力的非线性控制方法实现了更好的跟踪人体运动轨迹比传统的方法。
2022-09-27 cs.RO cs.SY eess.SY
CppFlow: Generative Inverse Kinematics for Efficient and Robust Cartesian Path Planning
University of Southern California(南加州大学);Amazon(亚马逊)
提出新型规划器CppFlow,结合生成式逆运动学与经典优化方法,在笛卡尔路径规划中实现更快求解与更高成功率。
2024-06-03 cs.RO
KiGRAS: Kinematic-Driven Generative Model for Realistic Agent Simulation
University of Science and Technology of China(中国科学技术大学);Mach Drive(马赫动力);Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
KiGRAS通过运动学驱动的生成模型,将驾驶场景分解为动作概率分布,消除冗余轨迹,实现物理可行的真实智能体仿真,并在Waymo SimAgents挑战中排名第一。
2024-07-17 cs.CV cs.RO
A Deep Reinforcement Learning Approach for Dynamically Stable Inverse Kinematics of Humanoid Robots
Robotics Research Center IIIT Hyderabad(国际信息技术研究所海得拉巴机器人研究中心)
人形机器人极易失去平衡,因此实时的计算动态稳定位形的逆运动学是非常必要的。提出了一种利用深度强化学习(RL)生成稳定构型的关节空间轨迹以求解逆运动学的方法。我们的方法是基于探索整个配置空间的机器人和学习的最佳可能的解决方案,使用深度确定性策略梯度(DDPG)的想法。所提出的策略进行了评估的高度铰接的上半身的人形模型与27度的自由度(DoF)。训练后的模型能够以90%的精度求解末端执行器的逆运动学,同时保持双支撑阶段的平衡。
2018-01-31 cs.RO
Learning Collision-free and Torque-limited Robot Trajectories based on Alternative Safe Behaviors
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出了一种在线学习生成无碰撞和扭矩限制的机器人轨迹的方法。为了生成未来的运动,周期性地调用神经网络。基于机器人的当前运动学状态和网络输出,可以计算当前时间间隔的轨迹。我们的论文的主要思想是执行计算的运动,只有当一个无碰撞和扭矩限制的方式来继续轨迹是已知的。在实践中,针对当前时间间隔计算的运动通过制动轨迹来扩展,并且使用物理引擎来模拟。如果模拟的轨迹符合所有安全约束,则执行计算的运动。否则,在先前时间间隔中计算的制动轨迹用作替代安全行为。给定特定于任务的奖励函数,使用强化学习来训练神经网络。用于强化学习的动作空间的设计确保所有计算的轨迹符合运动学关节限制。对于我们的评估,模拟的人形机器人和工业机器人被训练到尽可能多的随机放置的目标点。我们表明,我们的方法可靠地防止碰撞与静态障碍物和机器人手臂之间的碰撞,同时产生的运动,尊重扭矩限制和运动关节限制。真实机器人的实验表明,安全的轨迹可以实时生成。
2022-10-20 cs.AI cs.RO
Real-Time Knee Angle Prediction Using EMG and Kinematic Data with an Attention-Based CNN-LSTM Network and Transfer Learning Across Multiple Datasets
Sharif University of Technology(谢里夫理工大学)
本文提出一种基于注意力CNN-LSTM的迁移学习框架,利用少量步态周期的EMG和运动学数据实时预测膝关节角度,在多个数据集上实现低误差,验证了跨数据集泛化能力。
2025-10-25 cs.RO
Optimizing Dynamic Trajectories for Robustness to Disturbances Using Polytopic Projections
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
本文主要研究对干扰力和不确定载荷的鲁棒性。我们提出了一种新的配方,以优化动态轨迹的鲁棒性。一个简单的转录这个配方成一个非线性规划问题是不听话的国家的最先进的求解器,但它是可能的,以克服这种复杂性,通过利用由机器人的运动学引起的结构。提出的非平凡转录允许轨迹优化框架收敛到高度鲁棒的动态解。我们证明了我们的方法使用四足机器人配备了机械手的结果。
2020-08-03 cs.RO
Comparing Subjective Perceptions of Robot-to-Human Handover Trajectories
Monash University(莫纳什大学);University of British Columbia(不列颠哥伦比亚大学);Australian National University(澳大利亚国立大学);Deakin University(迪肯大学);University of Victoria(维多利亚大学)
出于安全原因,机器人必须在人周围清晰地移动,特别是在可能有身体接触的任务中。其中一个任务是传递,它需要关于物理接触(物体转移)发生的地点和时间的隐式沟通。在这项工作中,我们研究了机器人在到达阶段所使用的轨迹模型是否会影响机器人到人的接收器的主观感知。我们进行了一项用户研究,其中32名参与者被交给三个物体,四个轨迹模型:三个是最小加加速度轨迹的版本,一个是基于椭圆拟合的轨迹。对于所有轨迹,切换的开始位置是固定的,并且允许结束位置在所有轴上围绕固定位置随机变化$\pm$ 3 cm。用户研究发现,在与安全性、可预测性、自然性和其他主观指标相关的调查问题中,切换轨迹之间没有显著差异。虽然这些结果似乎拒绝了轨迹影响人类对移交的感知的假设,但它促使未来的研究调查其他变量的影响,例如机器人速度,对象转移位置,转移点的对象方向,以及明确的通信信号,如凝视和语音。
2022-11-16 cs.RO cs.SY eess.SY
Urban Deceleration Behavior Modes Under Scene Context: An Early-Kinematic Classifier from Argoverse 2 Multi-Agent Trajectories
从Argoverse 2数据集中提取减速事件,通过K-means聚类发现四种稳定模式,并利用早期运动学特征和场景上下文实现高精度分类。
2026-07-02 cs.LG cs.RO cs.SY
Realizing Learned Quadruped Locomotion Behaviors through Kinematic Motion Primitives
Robert Bosch Centre for Cyber-Physical Systems, IISc(印度科学研究所罗伯特·博世网络物理系统中心)
人类和动物被认为使用一组非常小的轨迹来执行各种各样的任务,包括行走。我们在本文中的主要目标有两个方面:1)通过从深度强化学习(D-RL)中学习的轨迹,获得一种有效的工具来实现四足步行的这些基本运动模式,称为运动学运动基元(kMP); 2)在我们的自定义四足足式机器人(称为“Stoch”)中,从这些运动学运动基元中实现一组行为,即小跑、步行、飞奔和跳跃。D-RL是一种数据驱动的方法,无论是在仿真还是在实验中,它都被证明是非常有效的,可以实现各种鲁棒的运动行为。另一方面,已知kMP捕获步行的底层结构并产生一组衍生行为。我们首先从D-RL生成步行步态,D-RL使用基于策略梯度的方法。然后,我们分析所产生的步行使用主成分分析。我们观察到,从PCA中提取的kMPs遵循类似的模式,无论生成的步态类型如何。利用这一基础结构,我们通过从kMP直接重建关节轨迹来实现Stoch行走。这种类型的方法提高了这些步态到真实硬件的可移植性,降低了板载计算开销,并且还通过从单个学习的步态生成一组派生行为来避免多次训练迭代。
2019-02-26 cs.LG cs.RO
Differential Flatness of Lifting-Wing Quadcopters Subject to Drag and Lift for Accurate Tracking
Beihang University(北京航空航天大学)
在本文中,我们提出了一种有效的统一控制律,精确跟踪敏捷轨迹的升力翼四轴飞行器具有不同的安装角度,这具有垂直起降(VTOL)以及高速巡航飞行的能力。首先,我们推导出一个微分平坦变换的升力翼动力学与协调转弯条件下的非线性模型。为了提高对敏捷轨迹的跟踪性能,所提出的控制器将微分平坦度计算的状态和输入变量作为前馈。特别是,加加速度,3阶导数的轨迹,转换成角速度作为前馈项,这显着提高了系统的带宽。同时,反馈和前馈输出相结合,以处理外部干扰和模型失配。该控制算法在室外飞行试验中得到了充分的验证,结果表明,该控制算法能够实现精确的轨迹跟踪。
2022-12-25 cs.RO
Design-Informed Kinematic Control for Improved Dexterous Teleoperation of a Bilateral Manipulator System
Georgia Institute of Technology(佐治亚理工学院)
本文探讨了通过运动优化机器人系统的形态和配置来提高双边机器人操作任务性能的可能性。为了优化不同场景的设计,我们选择了一组代表小规模操作可变性的任务(例如拾取和放置,涉及定位和方向的任务),并跟踪运动以获得可再现的轨迹。运动学数据是通过电磁(EM)跟踪系统,而人类主体执行的任务。然后,对数据进行预处理,并用于优化双边系统的每个对称机器人手臂的形态。一旦优化,运动学控制方案用于生成具有灵巧配置的运动。沿着具有标准灵活性度量的轨迹评估灵活性。结果表明,优化后的机械臂和底座结构使机器人的灵巧性提高了10%.
2020-05-02 cs.RO
SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization
SPARK通过骨架对齐和运动学轨迹优化,从人类任务空间数据生成自然且动态可行的运动参考,适用于不同人形机器人平台。
2026-03-12 cs.RO
Robot self-calibration using multiple kinematic chains -- a simulation study on the iCub humanoid robot
Czech Technical University in Prague(布拉格捷克理工大学);Czech Institute of Informatics, Robotics, and Cybernetics, Czech Technical University in Prague(布拉格捷克理工大学捷克信息学、机器人学与控制论研究所)
机构标定是机器人学中一项重要而重要的任务。传感器技术的进步使得相机和触觉传感器等价格实惠但越来越精确的设备变得可用,从而可以依靠这些感觉流中的冗余信息执行自动化的自包含校准。在这项工作中,我们使用了一个模拟的iCub人形机器人与立体摄像机系统和末端执行器接触仿真,定量比较运动学校准的性能,采用不同的交叉运动链的组合-无论是通过自我观察或自我触摸。变化的参数为:(i)用于校准的交叉运动链的类型和数量,(ii)经受优化的参数和链,(iii)运动参数的初始扰动量,(iv)用于优化的姿态/配置的数量,(v)末端执行器位置/相机中的测量噪声量。主要调查结果如下:(1)标定单链参数(例如一个臂)通过采用多个运动链(2)当使用多链校准时,与例如仅使用来自单个相机的观察相比,较少的姿态足以获得类似的性能;(3)所有链的参数(这里是86个DH参数)可以同时进行校准,并且利用50(100)个姿态,可以实现大约2(1)mm的末端执行器误差;(4)向感觉模态添加噪声降低了采用依赖于该信息的链的所有校准的性能。
2020-08-31 cs.RO
Tenodesis Grasp Emulator: Kinematic Assessment of Wrist-Driven Orthotic Control
University of California Berkeley(加州大学伯克利分校)
本研究通过肌腱固定抓握模拟器评估腕驱动矫形器控制,发现约束导致显著身体代偿,并提出灵活控制方案以减少代偿。
2023-11-09 cs.RO
Sitting, Standing and Walking Control of the Series-Parallel Hybrid Recupera-Reha Exoskeleton
German Research Center for Artificial Intelligence (DFKI GmbH)(德国人工智能研究中心(DFKI有限公司));Chalmers University of Technology(查尔姆斯理工大学);University of Bremen(不来梅大学)
针对串并联混合式Recupera-Reha下肢外骨骼因多运动回路带来的建模控制难题,提出结合串行抽象求解最优控制生成轨迹、再用完整混合模型生成执行指令的方法,验证了其生成坐站及静态行走动作的有效性。
2024-10-08 cs.RO
Online Generation of Collision-Free Trajectories in Dynamic Environments
Faculty of Electrical Engineering, University of Sarajevo(萨拉热窝大学电气工程学院)
提出一种在线方法,将任意几何路径转换为运动学可行、加加速度受限的轨迹,支持实时环境适应并提供条件性停止安全保证。
2026-07-14 cs.RO
IKLink: End-Effector Trajectory Tracking with Minimal Reconfigurations
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对机器人受运动学约束或障碍影响需分段跟踪轨迹的问题,提出 IKLink:为各航点生成多样 IK 解并用动态规划连接,以最少重构获得全局最优关节运动。
2024-06-17 cs.RO
Evaluating the Task Generalization of Temporal Convolutional Networks for Surgical Gesture and Motion Recognition using Kinematic Data
University of Virginia(弗吉尼亚大学);IBM(国际商业机器公司)
本文利用28名受试者的六个干式实验外科任务的运动学数据,评估时间卷积网络在手势和运动基元识别中的任务泛化能力,提出LOTO交叉验证方法,发现运动基元模型对未见任务泛化更好,且分臂训练可提升识别准确率。
2023-06-28 cs.RO
VLK: Learning Humanoid Loco-Manipulation from Synthetic Interactions in Reconstructed Scenes
Amazon FAR(亚马逊FAR);UC Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学)
提出VLK方法,通过3D高斯泼溅重建室内场景并合成视觉-语言-运动学数据,训练人形机器人全身操控策略,实现从仿真到真实的迁移。
2026-06-29 cs.AI cs.GR cs.RO
Collision-Free Kinematics for Redundant Manipulators in Dynamic Scenes using Optimal Reciprocal Velocity Obstacles
Harbin Institute of Technology(哈尔滨工业大学);University of Maryland at College Park(马里兰大学帕克分校)
提出了一种新的多机器人共享工作空间运动学无碰撞算法。我们的优化为基础的方法,同时处理碰撞的基础上的倒数速度障碍和逆运动学的高自由度机械手的约束的无约束。我们提出了一种有效的方法,粒子群优化的基础上,可以产生无碰撞配置的每个冗余机械手。此外,我们的方法可以用来计算安全和无振荡的轨迹在几毫秒。我们强调了我们的算法的实时性能,多个巴克斯特机器人与14自由度的机械手在工作空间中的动态障碍。视频可在https://sites.google.com/view/collision-free-kinematics上获得
2019-03-09 cs.CG cs.RO
Augmenting GRIPS with Heuristic Sampling for Planning Feasible Trajectories of a Car-Like Robot
Moscow Institute of Physics and Technology(莫斯科物理技术学院);LLC “Integrant”(Integrant有限责任公司);Federal Research Center “Computer Science and Control” RAS(俄罗斯科学院联邦研究中心“计算机科学与控制”)
非完整移动机器人的运动动力学运动规划是一个具有挑战性的问题,目前还没有一个通用的解决方案。求解该问题的一种计算效率高的方法是首先建立一条几何路径,然后将该路径转换为运动学上可行的路径。信息路径平滑(GRIPS)是最近推出的方法,这样的转换。GRIPS迭代地使路径变形并添加/删除路径点,同时尝试通过所提供的遵循运动学约束的转向函数连接每对连续的路径点。该算法相对较快,但不幸的是,不能保证它会成功。在实践中,它往往无法产生可行的轨迹,汽车类机器人与大转弯半径。在这项工作中,我们介绍了一系列的修改,旨在提高成功率的GRIPS汽车类机器人。主要的改进是增加了额外的步骤,即沿着几何路径的瓶颈部分(如急转弯)对航点进行逐点采样。实验评估的结果提供了一个明确的证据表明,建议的算法的成功率是高达40%,比原来的GRIPS和击中酒吧的90%,而其运行时间较低。
2021-08-15 cs.AI cs.RO
Active Exploration and Mapping via Iterative Covariance Regulation over Continuous $SE(3)$ Trajectories
UC San Diego(加州大学圣迭戈分校)
本文提出了一种新的方法\emph{iterative Covariance Regulation}(iCR),用于主动探索和地图的移动机器人配备了车载传感器。该问题是作为最优控制的$SE(3)$姿态运动学的机器人,以最小化的微分熵的地图条件的潜在的传感器的观察。我们引入了一个可微的视野配方,并通过梯度下降方法迭代更新连续空间中的开环控制序列,使地图估计的协方差最小化,从而获得iCR。我们展示了自主探索和不确定性减少在模拟占用网格环境。
2021-03-10 cs.RO math.OC
Recognition and Prediction of Surgical Gestures and Trajectories Using Transformer Models in Robot-Assisted Surgery
The University of Texas at Austin(德克萨斯大学奥斯汀分校);UT Southwestern Medical Center(德克萨斯大学西南医学中心)
手术活动识别和预测可以帮助在许多机器人辅助手术(RAS)应用中提供重要的上下文,例如,手术进度监测和估计、手术技能评估以及远程操作期间的共享控制策略。Transformer模型最初是为自然语言处理(NLP)开发的,用于对单词序列进行建模,很快该方法在一般序列建模任务中得到普及。在本文中,我们提出了一个新的使用Transformer模型的三个任务:手势识别,手势预测和轨迹预测在RAS。我们修改原来的Transformer架构,能够生成当前的姿态序列,未来的姿态序列,未来的轨迹序列估计,只使用当前的运动学数据的手术机器人末端执行器。我们在JHU-ISI手势和技能评估工作集(JIGSAWS)上评估我们提出的模型,并使用Leave-One-User-Out(LOUO)交叉验证来确保我们结果的普遍性。我们的模型实现了高达89.3%的手势识别准确率,84.6%的手势预测准确率(提前1秒)和2.71mm的轨迹预测误差(提前1秒)。我们的模型是可比的,并能够超越国家的最先进的方法,同时只使用运动学数据通道。这种方法可以实现近实时的手术活动识别和预测。
2022-12-03 cs.AI cs.RO
A General Optimal Control Model of Human Movement Patterns I: Walking Gait
Oregon Health & Science University(俄勒冈健康与科学大学)
人体的生物力学赋予受试者高度的自由度,使他们能够执行运动。然而,受试者的运动模式表现出规律性。解释这种规律性的一种方法是假设受试者选择的运动轨迹在某种意义上是最优的。我们采用的原则,人体运动是最佳的,并开发了一个通用的模型,使用变分方法的最优控制理论的形式来计算人体的运动轨迹的轨迹的人体运动模式。我们发现,在这种方法中,从模型中产生的运动的常数,并在最优控制模型中发挥作用,这是类似的作用,机械能在经典物理学中发挥作用。我们说明了这种方法是如何在实践中使用它来开发一个模型的步行步态,使所有的推导和计算的细节。我们最后表明,这种最优控制模型的步行步态恢复在一个适当的限制,现有的步行步态模型已被证明提供良好的估计,许多观察到的特征的步行步态。
2018-12-09 cs.RO q-bio.QM
Learning-based Estimation of Forward Kinematics for an Orthotic Parallel Robotic Mechanism
University of California, Riverside(加州大学河滨分校);Columbia University(哥伦比亚大学)
针对面向颈椎病辅助的三链五自由度并联机器人,本文用 Koopman 算子和神经网络学习正运动学,并通过仿真与硬件实验验证其有效性。
2025-03-14 cs.RO cs.SY eess.SY
Bionic Reflex Control Strategy for Robotic Finger with Kinematic Constraints
Department of Mechanical Engineering(机械工程系);Indian Institute of Technology Kharagpur(印度理工学院卡里格普分校);Indian Institute of Technology Guwahati(印度理工学院古瓦哈蒂)
本文提出了一种用于具有运动学约束的机械手指的仿生反射控制策略,通过力跟踪阻抗控制策略实现仿生反射,减少手指的动力学模型并讨论了允许精确力跟踪的阻抗控制策略,展示了单指在平面上支撑矩形物体的仿真结果,反射响应时间在毫秒级。
2018-08-06 cs.RO cs.SY eess.SY
Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value Functions
NVIDIA(英伟达);University of Toronto(多伦多大学);University of Washington(华盛顿大学)
当前机器人拾取和放置方法的流水线通常由几个阶段组成:抓取姿势检测,为检测到的姿势找到逆运动学解,规划无碰撞轨迹,然后用低级跟踪控制器执行到抓取姿势的开环轨迹。虽然这些抓取方法在抓取桌面上的静态物体时表现出良好的性能,但在受限环境中抓取动态物体的问题仍然是一个悬而未决的问题。我们提出了神经运动场,一种新的对象表示编码的对象点云和相对的任务轨迹作为一个隐式的价值函数参数化的神经网络。这种以对象为中心的表示对SE(3)空间上的连续分布进行建模,并允许我们通过利用基于采样的MPC来优化该价值函数,从而被动地执行抓取。
2022-06-29 cs.CV cs.RO
Self-Supervised Action-Space Prediction for Automated Driving
Robert Bosch GmbH(罗伯特·博世股份有限公司);Research Center for Information Technology (FZI)(信息技术研究中心(FZI))
做出明智的驾驶决策需要可靠地预测其他车辆的轨迹。在本文中,我们提出了一种新的学习多模态轨迹预测架构的自动驾驶。它通过将学习问题投射到加速度和转向角度的空间来实现运动学上可行的预测-通过执行动作空间预测,我们可以利用有价值的模型知识。此外,动作流形的维数低于状态流形的维数,其内在相关的状态更难以以学习的方式捕获。对于动作空间预测,我们提出了简单的前馈空间预测(FFW-ASP)架构。然后,我们建立在这个概念,并介绍了新的自我监督的空间预测(SSP-ASP)的架构,输出未来的环境背景下的功能,除了轨迹。自我监督架构中的一个关键要素是,基于观察到的动作历史和过去的上下文特征,在未来轨迹之前预测未来的上下文特征。所提出的方法在包含城市交叉口和环形交叉口的真实数据集上进行了评估,并显示出准确的预测,在几个预测指标中优于最先进的运动学可行预测。
2021-09-21 cs.CV cs.LG cs.RO
Towards Bio-Inspired Robotic Trajectory Planning via Self-Supervised RNN
Faculty of Mathematics, Physics and Informatics, Comenius University Bratislava(数学、物理与信息学系,科门尼乌斯大学布拉迪斯拉发分校);Department of Informatics, University of Hamburg(信息学系,汉堡大学)
本文提出一种基于循环架构的仿生自监督轨迹规划方法,仅利用成对正逆向运动学模型学习生成机械臂轨迹,为复杂操作任务的自适应规划提供新思路。
2025-09-16 cs.AI cs.LG cs.RO
Inverse Kinematics with Vision-Based Constraints
Boston University(波士顿大学)
本文提出视觉逆运动学问题(VIK),通过引入虚拟运动链将视场约束转化为关节角约束,并结合半定规划与秩最小化算法求解,仿真验证了方法的有效性。
2024-06-15 cs.RO cs.SY eess.SY