Enhancing Robustness in Robot-Environment Interactions through Passive Compliant Degrees of Freedom: A Hybrid Position-Force Control Approach with Feedback Linearization
针对动态或非结构化环境中机器人-环境交互受冲击、振动和不确定性影响的问题,提出一种结合反馈线性化混合位置-力控制与末端被动柔顺自由度的架构,通过物理弹簧-阻尼器吸收冲击能量,显著降低接触力与速度误差方差。
2026-07-02 cs.RO
Robotic Imitation of Human Assembly Skills Using Hybrid Trajectory and Force Learning
Osaka University(大阪大学);National Institute of Advanced Industrial Science and Technology(国立先进工业科学技术研究院)
机器人装配任务涉及复杂和低间隙的插入轨迹,在不同阶段具有不同的接触力。虽然名义上的运动轨迹可以很容易地从人的演示,通过动觉教学,遥操作,仿真,以及其他方法,力的轮廓是很难获得,特别是当一个真正的机器人是不可用的。即使使用物理引擎,在仿真中也很难获得真实的力分布。由于装配过程中的现实差距和不确定性,这种模拟的力分布往往不适合实际的机器人装配。为了解决这个问题,我们提出了一个基于学习的组合框架,通过混合轨迹学习和力学习来模仿人类的装配技能。这项工作的主要贡献是开发了一个框架,结合分层模仿学习,学习标称运动轨迹,与基于强化学习的力控制计划学习最佳的力控制政策,可以满足标称轨迹,同时适应装配任务的力要求。为了进一步改进模仿学习部分,我们开发了一个分层的架构,遵循目标条件模仿学习的思想,离线生成\textit{skill}级别的轨迹学习策略。通过实验验证,我们证实,所提出的基于学习的框架是强大的装配任务中的不确定性,可以生成高质量的轨迹,并可以找到合适的力控制政策,适应任务的力要求更有效。
2021-03-10 cs.RO
Aerial Manipulation Using Hybrid Force and Position NMPC Applied to Aerial Writing
Imperial College London(帝国理工学院);ETH Zurich(苏黎世联邦理工学院);University of California, Berkeley(加州大学伯克利分校)
空中操纵的目的是将飞行器的机动性与机器人手臂的操纵能力相结合。然而,这是以由于两个系统的动态耦合而增加的控制复杂性为代价的。在本文中,我们提出了一个NMPC专门设计的微型飞行器配备了一个机械臂。我们制定了一个混合控制模型的组合MAV臂系统,其中包括相互作用的末端执行器的作用力。我们解释了我们的算法的实际实施,并展示了我们的定制系统在白板上执行多个空中书写任务的广泛实验结果,揭示了毫米级的准确性。
2020-06-03 cs.RO
Tactile Reconstruction of Contact Task Frames and Forces for Hybrid Force/Motion Control
Sapienza University of Rome(罗马大学);University of Twente(特文特大学)
本研究提出仅用软光学触觉传感在线估计接触力与任务坐标系的方法,通过自标记学习映射触觉图像至接触变量,并经扩展卡尔曼滤波融合,实现仅靠触觉的闭环力控制。
2026-10-08 cs.RO
Switching control for tracking of a hybrid position-force trajectory
Eindhoven University of Technology(埃因霍温理工大学)
这项工作提出了一种控制律的机械手,其目的是实现所需的时变运动力的轮廓中存在的一个刚性的环境。在许多情况下,与环境的相互作用只影响机械手末端执行器的一个自由度。因此,重点是在这个接触自由度,并切换位置-力控制器,提出了执行混合的位置-力跟踪任务。充分条件,以保证输入状态稳定的切换闭环系统相对于有关的时变期望的运动力的轮廓的扰动。切换发生在机械手与环境接触或断开接触时。分析表明,为了保证闭环稳定性,同时跟踪任意时变的运动-力剖面,控制器应实现相当大的(往往是不现实的)量的阻尼,导致较差的跟踪性能。因此,我们建议重新设计的机械手与顺应手腕。为柔性手腕的设计提供了指导,同时采用所设计的切换控制策略,使得可以实现运动-力参考轨迹的稳定跟踪,并且可以避免机械手在与刚性环境接触时的弹跳。最后,数值模拟来说明该方法的有效性。
2015-03-02 cs.RO
Force Policy: Learning Hybrid Force-Position Control Policy under Interaction Frame for Contact-Rich Manipulation
Noematrix;Flexiv;Shanghai Jiao Tong University(上海交通大学);Zhejiang University(浙江大学);Shanghai Innovation Institute(上海创新研究院)
本文提出力政策,通过视觉和力反馈实现全局-局部控制,提升接触稳定性和执行质量,适用于复杂接触任务。
2026-05-09 cs.RO
Maximizing the Use of Environmental Constraints: A Pushing-Based Hybrid Position/Force Assembly Skill for Contact-Rich Tasks
Universität Hamburg(汉堡大学);Agile Robots AG(敏捷机器人公司);Technische Universität München(慕尼黑工业大学)
在现代制造环境中,对接触丰富的任务的需求正在迅速增长。然而,很少有传统的机器人装配技能在任务执行过程中考虑环境约束,他们大多数使用这些约束作为终止条件。在这项研究中,我们提出了一种基于推的混合位置/力组装技能,可以最大限度地提高任务执行过程中的环境约束。据我们所知,这是第一个考虑在装配任务执行过程中使用推动动作的工作。通过移动机械手系统装配任务实验,证明了该方法能够最大限度地利用环境约束,并实现了100%的装配成功率。
2022-08-12 cs.RO
A Hybrid Force-Position Strategy for Shape Control of Deformable Linear Objects With Graph Attention Networks
Center of Intelligent Control and Telescience, Tsinghua Shenzhen International Graduate School, Tsinghua University(智能控制与遥科学中心,清华大学深圳国际研究生院,清华大学)
针对可变形线性物体操纵的欠驱动与非线性挑战,提出结合力空间轨迹规划与位置空间MPC的混合力-位置策略,并利用图注意力网络构建动力学模型以提升预测精度,实现了高效稳定的形状控制。
2025-08-10 cs.RO
A Hybrid Model and Learning-Based Force Estimation Framework for Surgical Robots
Vanderbilt University(范德堡大学);Worcester Polytechnic Institute(伍斯特理工学院)
本文提出一种混合模型与学习相结合的力估计框架,用于dVRK手术机器人,通过动力学识别与环境补偿实现低于10%的归一化均方根误差,并具备跨柔顺手术机器人的可推广性。
2024-09-30 cs.RO
FAWAM: Force-Aware World Action Models for Closed-Loop Contact-Rich Manipulation
School of Mathematical Sciences, Peking University(北京大学数学科学学院);School of Artificial Intelligence, Shanghai Jiao Tong University(上海交通大学人工智能学院)
提出FAWAM,在感知、预测和闭环执行三个层次融入力信息,通过联合预测动作与末端扳手及残差校正模块,提升密集接触操作的成功率。
2026-10-28 cs.RO
Dynamics Computation of Soft-Rigid Hybrid-Link System and Its Application to Motion Analysis of an Athlete Wearing Sport Prosthesis
Department of Mechano-Informatics, University of Tokyo(东京大学机械信息学系);Research Institute for Science and Technology, Tokyo University of Science(东京科学大学研究所)
本文提出基于软-刚性混合连杆系统的运动员运动分析框架,解决柔性假肢与刚性骨骼系统交互力的计算问题,并通过实验验证了逆动力学方法在地面反作用力估计中的有效性。
2026-05-13 cs.RO
Characterization, Analytical Planning, and Hybrid Force Control for the Inspire RH56DFX Hand
Department of Computer Science, University of Colorado Boulder(计算机科学系,科罗拉多大学博尔德分校)
本文通过硬件表征、MuJoCo模型和混合力控方法改进Inspire RH56DFX手,提升其在抓取任务中的性能和可解释性。
2026-03-09 cs.RO
SAH-Drive: A Scenario-Aware Hybrid Planner for Closed-Loop Vehicle Trajectory Generation
Beihang University(北京航空航天大学);University of Macau(澳门大学)
针对自动驾驶规划在长尾场景的泛化与实时性难题,提出结合规则与学习的混合规划器SAH-Drive,利用双时间尺度决策神经元与扩散调节器,在保持计算效率的同时显著提升泛化能力并达到SOTA。
2025-05-30 cs.RO
Acoustic Feedback for Closed-Loop Force Control in Robotic Grinding
School of Electrical Engineering and Robotics, Queensland University of Technology(昆士兰科技大学电气工程与机器人学院);Australian Cobotics Centre, Queensland University of Technology(昆士兰科技大学澳大利亚协作机器人中心);Centre for Robotics, Queensland University of Technology(昆士兰科技大学机器人中心)
本文提出一种低成本声学反馈机器人磨削系统,通过接触麦克风实时估计磨削力,实现闭环力控制,相比传统力传感器更经济且适应性更强。
2026-04-06 cs.RO
Hybrid Offline-Online Reinforcement Learning for Sensorless, High-Precision Force Regulation in Surgical Robotic Grasping
Dept. of Robotics, Mohamed bin Zayed University of AI(机器人学院,Mohamed bin Zayed人工智能大学)
本研究提出了一种混合离线-在线强化学习框架,通过高保真建模实现无传感器的高精度外科机器人抓取力调节,验证了仿真到现实的迁移能力。
2026-02-27 cs.RO
Disturbance-Aware Adaptive Compensation in Hybrid Force-Position Locomotion Policy for Legged Robots
Department of Automation, Shanghai Jiao Tong University(自动化系,上海交通大学);Department of Computer Science, Shanghai Jiao Tong University(计算机科学系,上海交通大学);MoE Key Lab of Artificial Intelligence and AI Institute, Shanghai Jiao Tong University(人工智能与AI研究院,上海交通大学)
本文提出HFPLP学习框架,通过结合目标关节位置与前馈力矩的动作空间快速响应载荷变化与外部扰动,并引入DAAC基于扰动估计在力矩空间提供补偿,显著提升了腿足机器人在不确定环境中的运动性能与抗扰能力。
2025-05-31 cs.RO
A Flexible Piezoresistive/Self-Capacitive Hybrid Force and Proximity Sensor to Interface Collaborative Robots
University of Coimbra(科英布拉大学);Centre for Mechanical Engineering, Materials and Processes(机械工程、材料与工艺中心)
本文提出一种基于压阻与自电容原理的柔性力/接近混合传感器,制造成本低、厚度仅1 mm且可贴合复杂机器人结构,实验验证了其在手引导和碰撞避免中的有效性。
2023-04-13 cs.RO
Hybrid Event Shaping to Stabilize Periodic Hybrid Orbits
Carnegie Mellon University(卡内基梅隆大学)
腿式机器人系统的许多控制器在离散混合事件中利用开环或闭环控制来增强稳定性。这些控制器出现在几个良好的研究现象,如Raibert步进控制器,桨杂耍和摆动腿收回。本文介绍了混合事件成形(HES):一种用于分析和产生稳定的混合事件控制器的通用方法。HES利用突变矩阵,它给出了一个封闭形式的方程的效果,混合事件的稳定性。我们还介绍了形状参数,这是高阶项,可以调整完全独立于系统动力学,以促进稳定性。优化方法用于产生优化稳定性测量的这些参数的值。混合事件成形捕获以前开发的控制方法,同时也产生新的最佳稳定轨迹,而不需要连续域反馈。
2022-07-03 cs.RO
EIT-Pneumatic Hybrid Robotic Skin for Practical and Accurate Force Map Reconstruction
Mechanical Engineering Department, KAIST(韩国科学技术院机械工程系);Department of Robotics and Mechatronics Engineering, DGIST(大邱科学技术院机器人与机电工程系);Mechanical Engineering Department, TU/e(埃因霍温理工大学机械工程系)
提出一种结合电阻抗断层成像(EIT)与气动触觉传感的混合机器人皮肤,通过Tikhonov正则化逆重建和逐垫气动校准,实现大面积精确触觉传感,并降低灵敏度不均匀性。
2026-05-27 cs.RO
Soft Rigid Hybrid Gripper with Inflatable Silicone Pockets for Tunable Frictional Grasping
本研究提出了一种结合刚性结构和可膨胀硅胶口袋的混合夹爪,通过调节内部空气压力实现可调摩擦抓取,有效抓取重物、滑腻物和易碎物,减少对物体的损伤。
2026-03-07 cs.RO
Hybrid Actuator Design for a Gait Augmentation Wearable
Monash University(莫纳什大学);University of British Columbia(英属哥伦比亚大学);Shenzhen University(深圳大学);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
我们描述了一种流体致动器设计,其使用软致动器来代替液压缸的密封室,以在低操作压力($\leq$ 50 kPa)下为下肢可穿戴物提供具有大的力($\geq$ 100 N)的顺应性线性压缩。外部壳体约束流体加压下的软致动器的变形。这使我们能够使用乳胶派对气球作为初始设计调查的快速和廉价的替代品。我们发现,软材料变形所施加的力被刚性壳体很好地捕获,从而消除了明确描述软材料变形及其与刚性结构相互作用的力学的必要性。人们可以使用经典的力、压力和面积公式与效率参数相乘来表征致动器性能。此外,我们提出了一种混合驱动器的工程设计,使用定制的软致动器放置在一个单一的壳腔与开放端的压缩力。我们的研究结果表明,所提出的设计可以产生一个非常高的力在一个短的行程距离。在50kPa的低输入压力下,所施加的块力仅比经典方程预测的小约3%。该致动器安装在一个新的步态增强设计,以纠正膝盖对齐,这通常是具有挑战性的致动器制成的纯软材料。
2020-03-07 cs.RO
Tabero: Learning Gentle Manipulation with Closed-Loop Force Feedback from Vision, Touch, and Language
Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));Nvidia, Beijing, China(英伟达(北京,中国))
针对现有视觉-语言-动作模型缺乏触觉反馈导致无法实现轻柔操作的问题,提出Tabero基准和模型套件,通过数据高效管道生成视觉-触觉-语言任务,并采用解耦力-位置命令接口的Tabero-VTLA架构,在保持高任务成功率的同时将轻柔指令下的平均夹持力降低70%以上。
2026-05-27 cs.RO
Hybrid Gripper Finger Enabling In-Grasp Friction Modulation Using Inflatable Silicone Pockets
提出一种结合刚性外壳与可充气硅胶口袋的混合夹爪指,通过控制内部气压主动调制表面摩擦,在不增加法向力的前提下稳定抓取重型、湿滑及易碎物体,提升操作安全性。
2025-10-31 cs.RO
Learning Preconditions of Hybrid Force-Velocity Controllers for Contact-Rich Manipulation
Carnegie Mellon University(卡内基梅隆大学)
机器人需要在受限的环境中操纵物体,如架子和橱柜,同时在家庭和办公室等日常环境中协助人类。这些限制使操作困难,减少把握可达性,所以机器人需要使用非可扩展的策略,利用对象环境接触来执行操作任务。为了解决规划和控制接触丰富的行为在这样的设置的挑战,这项工作使用混合力-速度控制器(HFVC)作为技能表示和计划技能序列与学习的先决条件。虽然HFVC自然能够实现强大且兼容的接触丰富行为,但合成它们的求解器传统上依赖于精确的对象模型和对象姿态的闭环反馈,这在受限环境中由于遮挡而难以获得。我们首先放松HFVC对精确模型和反馈的需求,然后学习基于点云的前提条件函数来分类HFVC执行仍然会成功,尽管建模不准确。最后,我们使用学习的前提条件,在基于搜索的任务规划完成接触丰富的操作任务在货架域。我们的方法实现了$73.2\%$的任务成功率,优于没有学习的前提条件的基线所实现的$51.5\%$。虽然预处理函数是在模拟中训练的,但它也可以转移到真实世界的设置中,而无需进一步微调。请访问https://sites.google.com/view/constrained-manipulation/查看补充材料和视频
2022-10-29 cs.RO
Hybrid Open-Loop Closed-Loop Control of Coupled Human-Robot Balance During Assisted Stance Transition with Extra Robotic Legs
Massachusetts Institute of Technology(麻省理工学院)
提出了一种新的人-机器人共享控制的额外机器人腿(XRL)可穿戴增强系统。XRL系统由两条额外的腿组成,它们承担了整个背包的有效载荷,以及一些人类操作员的重量。XRL系统必须支持其自身的平衡,并在允许操作员在选定方向上移动的同时稳定地协助操作员。在任务空间的某些方向上,XRL必须通过位置反馈来约束人类运动以实现平衡,而在其他方向上,XRL必须没有位置反馈,以便人类可以自由移动。在这里,我们提出了混合开环/闭环控制体系结构,用于以系统的方式混合两种控制模式。该系统被简化为单独的关节反馈控制,其易于实现并且可靠地防止故障。该方法被应用于辅助人类进行核废料退役任务的XRL系统。一个原型XRL系统已经开发和演示了一个模拟人执行从站立到爬行和返回的过渡,同时耦合到原型XRL系统。
2020-07-02 cs.RO
Hybrid Differential Dynamic Programming for Planar Manipulation Primitives
Massachusetts Institute of Technology(麻省理工学院)
提出了一种混合差分动态规划(DDP)算法,用于摩擦接触开关操作原语的闭环执行。这些原语的规划和控制是具有挑战性的,因为它们是混合的、欠驱动的和随机的。我们通过开发混合DDP来解决这个问题,既可以用几个接触开关来规划有限时域轨迹,又可以创建线性稳定控制器。我们评估的性能和计算成本,我们的框架在消融研究两个原语:平面推和平面枢。我们发现,从大多数配置生成姿态到姿态闭环轨迹只需要一对夫妇(一到两个)的混合开关,可以在合理的时间(一到五秒)。我们进一步证明,我们的控制器稳定这些混合动力轨迹上一个真正的推动系统。描述我们工作的视频可以在https://youtu.be/YGSe4cUfq6Q上找到。
2020-04-20 cs.RO
Hybrid Control for Robotic Nut Tightening Task
IEEE Member, Helsinki, Finland(IEEE会员,赫尔辛基,芬兰)
本文提出了一种混合控制方法,用于提高机器人拧紧任务的效率和鲁棒性,通过交替使用力控和位置控,使拧紧速度提升14%,接触力减少40倍,并开源实现。
2025-11-26 cs.RO
Hybrid Rigid-Soft Robotic Gripper with Shape Adaptation, Uniform Force Distribution, and Self-Locking Capabilities
Intelligent Equipment Research Center, Beijing Academy of Agriculture and Forestry Sciences(北京市农林科学院智能装备研究中心);College of Engineering, China Agricultural University(中国农业大学工学院);College of Engineering, Shanxi Agricultural University(山西农业大学工学院)
研究针对传统机器人抓手难题,提出集成低成本气动执行器与3D打印双棘轮棘爪机构的混合刚性-柔性抓手,能实现形状适应、均匀力分布和无能源自锁,实验验证其负载、力分布及能耗等性能优越,为农业任务提供高效方案。
2026-07-17 cs.RO
A new closed-loop output error method for parameter identification of robot dynamics
Université de Nantes(南特大学);HAPTION S.A(哈普申公司);Laboratoire Central des Ponts et Chaussées(法国路桥中央实验室)
离线机器人动力学辨识方法大多基于逆动力学模型的使用,逆动力学模型相对于动力学参数是线性的。当机器人跟踪激励系统动力学的参考轨迹时,对该模型进行采样。这允许使用线性最小二乘技术来估计参数。通过对多台样机和工业机器人的实验识别,证明了该方法的有效性。然而,该方法需要通过以高采样率对关节位置进行带通滤波来进行关节力/扭矩和位置测量以及关节速度和加速度的估计。所提出的新方法只需要关节力/扭矩测量。这是一种闭环输出误差方法,其中通常的关节位置输出被关节力/扭矩代替。它是基于一个闭环仿真的机器人使用的直接动力学模型,相同的结构的控制律,和相同的参考轨迹的实际和模拟的机器人。最佳参数最小化实际力/扭矩和模拟力/扭矩之间的误差的2-范数。这是一个非线性最小二乘问题,使用逆动力学模型可以大大简化该问题,以获得模拟力/扭矩的解析表达式,参数为线性。通过对一个2自由度直接驱动机器人的实验验证了该方法的有效性。
2010-09-23 cs.RO
A Hybrid Learning and Optimization Framework to Achieve Physically Interactive Tasks with Mobile Manipulators
Istituto Italiano di Tecnologia(意大利理工学院);Politecnico di Milano(米兰理工大学)
本文提出了一种混合学习和优化框架的移动机械手的复杂和物理交互的任务。该框架利用导纳型物理接口来获得直观和简化的人类演示和高斯混合模型(GMM)/高斯混合回归(GMR)来编码和生成学习的任务要求的位置,速度和力的配置文件。其次,利用GMM/GMR产生的期望轨迹和力分布,通过增加能量箱的二次规划在线优化笛卡尔阻抗控制器的阻抗参数,以确保被控系统的无源性。进行了两个实验来验证框架,比较我们的方法与两种方法具有恒定的刚度(高和低)。结果表明,所提出的方法优于其他两种情况下的轨迹跟踪和产生的相互作用力,即使在存在干扰,如意外的末端执行器碰撞。
2022-08-01 cs.RO
A Novel Approach to Tomato Harvesting Using a Hybrid Gripper with Semantic Segmentation and Keypoint Detection
TSTS
本文提出了一种结合语义分割和关键点检测的新型番茄采摘系统,通过混合机械手和智能控制实现高效、安全的采摘
2025-12-03 cs.RO
Chat-PM: A Class of Composite Hybrid Aerial/Terrestrial Precise Manipulator
Harbin Institute of Technology(哈尔滨工业大学)
该研究研发了复合式空/地混合精密操作器Chat-PM,通过考虑表面接触的动力学分析、级联控制及MHE力与倾角估计提升操作精度,实验验证了其在可达性、能效和精度上的优势。
2023-07-22 cs.RO
AI-Enabled Image-Based Hybrid Vision/Force Control of Tendon-Driven Aerial Continuum Manipulators
Department of Mechanical, Industrial, and Mechatronics Engineering, Toronto Metropolitan University(机械、工业与机电工程系,多伦多 Metropolitan 大学);Department of Mechanical, Industrial, and Aerospace Engineering (MIAE), Concordia University(机械、工业与航空航天工程系(MIAE),康科迪亚大学)
本文提出一种基于常应变建模的AI增强混合视觉/力控框架,用于腱驱动空中连续机械臂,结合快速固定时间滑模控制与径向基函数神经网络,实现快速在线学习视觉和力的不确定性,提升环境交互稳定性。
2026-04-21 cs.CV cs.RO
CATCH-FORM-ACTer: Compliance-Aware Tactile Control and Hybrid Deformation Regulation-Based Action Transformer for Viscoelastic Object Manipulation
School of Automation Science and Engineering, South China University of Technology(华南理工大学自动化科学与工程学院);Institute for Super Robotics (Huangpu)(黄埔智能机器人研究院)
针对刚性机器人自动化粘弹性物体富接触操作的挑战,提出CATCH-FORM-ACTer,结合ACT框架增强CATCH-FORM-3D,通过LfD构建长时程序列并实时调整参数,实验成功率较传统方法高10%-20%。
2025-04-11 cs.RO
TEGA: A Tactile-Enhanced Grasping Assistant for Assistive Robotics via Sensor Fusion and Closed-Loop Haptic Feedback
Department of Civil and Coastal Engineering, University of Florida(土木与海岸工程系,佛罗里达大学);Nvidia(英伟达)
TEGA通过融合EMG意图到力推断与触觉传感,提供闭环触觉反馈,提升残疾用户抓取稳定性与任务成功率。
2026-03-05 cs.RO
Reactive Slip Control in Multifingered Grasping: Hybrid Tactile Sensing and Internal-Force Optimization
Université Grenoble Alpes, CEA, Leti(格勒诺布尔大学、CEA、LETI);Université Paris-Saclay, CEA, List(巴黎-萨克雷大学、CEA、LIST)
本文提出一种结合学习触觉滑移检测与模型内部力控制的混合方法,用于多指抓取的稳定控制,通过触觉反馈实现快速滑移检测与力优化,实验验证了在外部扰动下的抓取稳定性。
2026-03-21 cs.RO cs.SY eess.SY
Closed-Loop Hybrid Digital Twin Platform for Connected and Automated Vehicle Validation
National Natural Science Foundation of China(中国国家自然科学基金委员会);Suzhou Science and Technology Development Planning Programme(苏州科技发展计划)
本文提出一种闭环混合数字孪生平台,通过高保真CARLA-SUMO协同模拟与物理测试现场和车辆的紧密耦合,实现联网和自动化车辆的高效验证。
2026-05-19 cs.CV cs.RO
DentiBot: System Design and 6-DoF Hybrid Position/Force Control for Robot-Assisted Endodontic Treatment
University of Hong Kong(香港大学);UCLA(加州大学洛杉矶分校);National Taiwan University(国立台湾大学);Taipei Veterans General Hospital(台北荣民总医院);National Yang Ming Chiao Tung University(国立阳明交通大学)
本文提出首款专用于根管治疗的机器人DentiBot,通过六自由度混合位置/力控制、患者跟踪模块和锉柔顺性模型,实现手术路径自主调整、患者移动补偿及根管锉断裂防护,并在临床前模型上验证了可行性。
2023-10-15 cs.RO cs.SY eess.SY
Inspection-on-the-fly using Hybrid Physical Interaction Control for Aerial Manipulators
Purdue Polytechnic Institute, Purdue University(普渡大学普渡理工学院);School of Engineering Technology, Purdue Polytechnic Institute, Purdue University(普渡大学普渡理工学院工程技术学院);Purdue University(普渡大学)
结构特性(表面刚度和恢复系数)的检查对于在未知环境中理解和执行空中操作至关重要,对它们的状态几乎没有先验知识。动态检测是人类在操作过程中推断状态的不可思议的能力,减少了单独执行检测和操作的必要性。提出了一种基于混合物理交互控制的空中机械手实时检测方法。与所提出的方法,结构特性(表面刚度和恢复系数),可以估计在物理相互作用。提出了一种三阶段混合物理相互作用控制方法,用于鲁棒地接近、获取和传递期望的力信号到表面上。这是通过将混合力/运动控制器与作为中间阶段的基于模型的前馈冲击控制相结合来实现的。所提出的控制器确保了从无约束运动控制到约束力控制的稳定过渡,同时减少了与力控制阶段相关的滞后。底层的操作空间动态配置管理器允许复杂的冗余车辆/手臂组合。实验是在一个模拟的部门。的能量排出轴,以显示在飞行中检查方法的有效性,以确定目标表面的结构特性和混合物理交互控制器在减少与力控制阶段相关的滞后方面的性能。
2020-10-19 cs.RO cs.SY eess.SY
Task-Based Hybrid Shared Control for Training Through Forceful Interaction
Northwestern University(西北大学)
尽管机器人平台可以在训练过程中为用户提供一致的练习和客观的评估,但物理人类机器人交互比无辅助练习或人类介导的训练更有效的情况相对较少。本文描述了一种混合共享控制机器人,它通过动觉反馈来增强任务学习。该辅助使用特定于任务的评估标准来评估用户动作,并在每个时刻选择性地接受或拒绝它们。通过两个人类受试者的研究(总n=68),我们表明,这种混合的方法之间的切换完全透明和完全拒绝用户输入导致增加技能的获取和短期保留相比,无辅助的做法。此外,我们发现,共享控制范式具有以前显示,以促进成功的培训功能。它通过只拒绝用户操作并允许任务失败来避免用户被动。它提高了援助期间的绩效,提供了有意义的特定于任务的反馈。它对用户的初始技能很敏感,并且表现为“按需辅助”控制方案-根据用户的性能和需求,实时的调整其参与。与其他成功的算法不同,它不需要在训练过程中明确调制阻抗或误差放大的水平,并且由于其评估标准,它允许一系列策略。我们表明,提出的混合共享控制模式与基于任务的最小干预标准显着提高了特定任务的培训。
2019-11-18 cs.HC cs.RO
Force and state-feedback control for robots with non-collocated environmental and actuator forces
The University of Newcastle(纽卡斯尔大学);University of Naples Federico II(那不勒斯腓特烈二世大学);National University of Rosario(罗萨里奥国立大学)
本文提出了一种多变量线性和非线性机器人系统的阻抗控制设计方法。控制器的设计考虑了力和状态反馈,以提高闭环的性能。力和状态的同时反馈允许控制器获得额外的自由度以近似期望的阻抗端口行为。一个数值分析是用来证明所需的阻抗闭环行为。
2020-10-24 cs.RO cs.SY eess.SY
A Hybrid Soft Haptic Display for Rendering Lump Stiffness in Remote Palpation
Department of Mechanical Engineering Texas A\&M University College Station, USA;Industrial \& Systems Engineering Texas A\&M University College Station, USA
本研究提出一种混合柔软力反馈装置,通过刚性平台和软气动触觉显示器提升远程触觉探测中硬块刚度的呈现效果,实验表明混合方法显著提高检测准确率,但可能影响实时响应。
2026-01-16 cs.HC cs.RO
Learning Hybrid-Control Policies for High-Precision In-Contact Manipulation Under Uncertainty
Collaborative Robotics and Intelligent Systems Institute, Oregon State University(协作机器人与智能系统研究所,俄勒冈州立大学)
本文提出混合位置-力控制策略,通过Mode-Aware Training for Contact Handling (MATCH)提升学习效率,在高噪声环境下显著提高任务成功率并减少力的使用。
2026-04-21 cs.AI cs.LG cs.RO