Acoustic Wave Manipulation Through Sparse Robotic Actuation
Whitacre CoE, Texas Tech University(德克萨斯理工大学惠特科工程学院);Davidson CoE, San Jose State University(圣何塞州立大学戴维森工程学院)
本研究探索声波操控问题,提出高效数据驱动机器人学习方法,可聚焦或抑制散射声能,在解决方案质量和计算复杂度上优于现有学习方法,且与经典半解析方法具竞争力,具多应用潜力并公开代码及演示网页。
2025-02-14 cs.AI cs.RO
Interpretable Reinforcement Learning for Robotics and Continuous Control
Georgia Institute of Technology(佐治亚理工学院);Carnegie Mellon University(卡内基梅隆大学);Ford Motor Company(福特汽车公司);MIT Lincoln Laboratory(麻省理工学院林肯实验室)
提出可解释连续控制树(ICCTs),一种基于梯度强化学习优化的树模型,在六个领域验证性能媲美或超越基线,参数减少300-600倍,且可线性验证,并获用户更高可解释性评价。
2023-11-16 cs.RO
Hybrid Data-Driven and Analytical Model for Kinematic Control of a Surgical Robotic Tool
Imperial College London(帝国理工学院);Shanghai Jiao Tong University(上海交通大学)
精确的运动学模型对于手术机器人的有效控制是必不可少的。对于肌腱驱动机器人,这是常见的微创手术,固有的非线性是重要的考虑。传统的分析方法允许通过对非线性进行某些假设和简化来建立系统的运动学模型。相反,机器学习技术允许基于所获取的数据恢复更复杂的模型。然而,分析模型更具有泛化能力,但可能会被过度简化;另一方面,数据驱动模型可以满足更复杂的模型,但泛化能力较低,结果受训练数据集的影响很大。在本文中,我们提出了一种新的方法相结合的分析和数据驱动的方法来建模的非线性肌腱驱动的手术机器人的运动学。高斯过程回归(GPR)用于学习的数据驱动的模型和所提出的方法进行了测试的模拟数据和真实的实验数据。
2020-06-09 cs.RO
Exploiting Local Observations for Robust Robot Learning
Aalto University(阿尔托大学);University of Turku(图尔库大学);ETH Zurich(苏黎世联邦理工学院)
该研究系统探究了局部观测下的多智能体强化学习相较于集中式控制在机器人系统中的鲁棒性优势,通过理论推导与实验验证了其性能相当且抗扰性更强,为复杂机器人控制提供了实用替代方案。
2025-07-31 cs.RO
Predicting Grasping Compliance in Robotic Hands through Analytical-Model-Informed Neural Networks
Stevens Institute of Technology(史蒂文斯理工学院)
研究旨在开发强力交互时抓握工具行为的预测模型,引入分析模型驱动神经网络(AMINN),结合分析力学层与数据驱动学习,在三指欠驱动机器人手上评估,有强预测能力且实现更好物理一致性,推动了物理可解释学习。
2026-07-21 cs.RO
Bayesian Controller Fusion: Leveraging Control Priors in Deep Reinforcement Learning for Robotics
Queensland University of Technology(昆士兰科技大学)
本文提出 Bayesian Controller Fusion (BCF) 混合控制策略,通过融合传统手工控制器和无模型深度强化学习的不确定性感知分布式输出进行控制仲裁,实现了安全、高效的探索,并在真实机器人导航和到达任务中显著超越单一方法性能。
2023-04-03 cs.AI cs.RO cs.SY
Black-Box Data-efficient Policy Search for Robotics
Inria(法国国家信息与自动化研究所);CNRS, Loria, UMR 7503(法国国家科学研究中心洛林计算机科学与应用研究实验室);Université de Lorraine, Loria, UMR 7503(洛林大学洛林计算机科学与应用研究实验室)
机器人技术中最具数据效率的强化学习(RL)算法是基于不确定的动态模型:在每一集之后,它们首先学习机器人的动态模型,然后使用优化算法来找到一个最大化模型及其不确定性的预期回报的策略。通常认为,这种优化只有在使用基于梯度的分析算法时才是易于处理的;然而,这些算法需要使用特定的奖励函数和策略家族,这极大地限制了整体方法的灵活性。在本文中,我们介绍了一种新的基于模型的强化学习算法,称为Black-DROPS(黑盒数据高效机器人策略搜索):(1)不对奖励功能或政策施加任何限制(它们被视为黑盒),(2)与机器人技术中数据高效RL的最新算法一样具有数据高效性,以及(3)当几个核可用时,与分析方法一样快(或更快)。其关键思想是用一种考虑模型不确定性的并行黑箱算法代替基于梯度的优化算法。我们证明了我们的新算法的性能在两个标准的控制基准问题(模拟)和一个低成本的机器人机械手(与一个真正的机器人)。
2017-07-22 cs.LG cs.RO
Analytical Solution for Inverse Kinematics
Toronto Metropolitan University(多伦多都会大学);Dr Robot Inc.(Dr Robot公司)
针对月球探测漫游车系统的6自由度串联机械臂,提出基于几何原理的逆运动学闭式解析解,相比传统数值方法计算量更低,可提升空间机器人实时操作能力,支撑自主探月任务。
2024-10-29 cs.RO
A review of motion planning algorithms for intelligent robotics
University of Eastern Finland(东芬兰大学);Shenzhen Technology University(深圳技术大学)
研究和分析了典型的运动规划算法的原理。这些包括传统的规划算法,监督学习,最优值强化学习,策略梯度强化学习。我们研究的传统规划算法包括图搜索算法、基于采样的算法和插值曲线算法。监督学习算法包括MSVM、LSTM、MCTS和CNN。最优值强化学习算法包括Q学习、DQN、双DQN、决斗DQN。策略梯度算法包括策略梯度法、行动者-批评者算法、A3 C、A2 C、DPG、DDPG、TRPO和PPO。通过分析比较,提出了评价运动规划算法性能和应用的新的通用标准。重点分析了最优值算法和策略梯度算法的收敛速度和稳定性。根据运动规划算法的原理和分析比较,提出了未来的发展方向。本文对机器人运动规划算法的优缺点、相互关系和未来发展趋势有了一个清晰全面的认识,为更好的运动规划算法的研究铺平了道路。
2021-02-05 cs.AI cs.RO
Real Time Collision Detection and Identification for Robotic Manipulators
大多数日常任务都涉及与非结构化环境进行交互。这意味着,为了使机器人真正有用,它们必须能够处理接触。本文探讨了如何粒子滤波器可以用来定位接触点和估计外力。我们证明了粒子滤波器的能力,在一个模拟的4DoF平面机械臂,并比较它的一个行之有效的分析方法。
2018-02-02 cs.RO
ComFree-Sim: A GPU-Parallelized Analytical Contact Physics Engine for Scalable Contact-Rich Robotics Simulation and Control
本文提出ComFree-Sim,一种基于GPU并行的分析接触物理引擎,通过阻抗式预测-校正更新计算接触冲量,实现接触计算的线性时间复杂度,适用于接触密集型机器人仿真与控制。
2026-03-14 cs.RO
Nth Order Analytical Time Derivatives of Inverse Dynamics in Recursive and Closed Forms
Robotics Innovation Center, DFKI GmbH(DFKI GmbH机器人创新中心);Institute of Robotics, Johannes Kepler University(约翰开普勒大学机器人研究所)
描述刚体动力学的运动方程的导数正变得越来越与机器人社区相关,并在机器人系统的设计和控制中找到许多应用。控制机器人,特别是包括弹性部件的多体系统,不仅需要平滑的轨迹,而且需要控制力/扭矩的时间导数,因此需要运动方程(EOM)的时间导数。本文提出了新的n阶时间导数的封闭和递归形式的EOM。虽然前者提供了一个直接洞察这些衍生物的结构,后者导致他们的高效率的大自由度机器人系统的实施。
2021-03-10 cs.RO math.DS physics.comp-ph
Structured learning of rigid-body dynamics: A survey and unified view from a robotics perspective
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);RWTH Aachen University(亚琛工业大学)
机械系统动力学的精确模型对于基于模型的控制和强化学习通常是至关重要的。完全数据驱动的动态模型有望简化建模和分析过程,但需要大量的数据进行训练,并且通常不能很好地推广到状态空间中看不见的部分。将数据驱动的建模与先前的分析知识相结合是一种有吸引力的替代方案,因为将结构知识纳入回归模型可以提高模型的数据效率和物理完整性。在这篇文章中,我们调查了将刚体力学与数据驱动建模技术相结合的监督回归模型。我们分析了不同的潜在功能(如动能或耗散力)和运营商(如微分算子和投影矩阵)的刚体力学的共同描述。基于这种分析,我们提供了一个统一的视图数据驱动的回归模型,如神经网络和高斯过程,与分析模型先验的组合。此外,我们审查和讨论的关键技术,如自动微分设计结构化的模型。
2021-04-16 cs.LG cs.RO
Data efficient Robotic Object Throwing with Model-Based Reinforcement Learning
Università degli Studi di Padova(帕多瓦大学)
针对拾取与投掷(PnT)任务的复杂性和现有方法缺陷,本文提出MBRL框架MC-PILOT,结合数据驱动建模与策略优化,在仿真和真实场景中表现优异,可快速泛化到新目标,优于解析方法和无模型方法。
2025-02-08 cs.RO
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
SoPrA: Fabrication & Dynamical Modeling of a Scalable Soft Continuum Robotic Arm with Integrated Proprioceptive Sensing
ETH Zurich(苏黎世联邦理工学院);The University of Tokyo(东京大学)
由于其固有的顺应性,软体机器人比刚性连接机器人更通用,当它们与它们的环境交互时,例如物体操纵或仿生运动,并且被认为是将机器人引入日常环境的关键要素。虽然存在各种软机器人致动器,但过去的研究主要集中在设计和分析单个组件上。已经进行了有限的努力来组合每个部件以创建整体能力的、集成的软体机器人。理想情况下,这种机器人的行为可以被精确地建模,并且它在环境中的运动使用其本体感受,而不需要外部传感器。这项工作提出了一个设计和建模过程中的软连续体本体感受臂(SoPrA)驱动的气动。集成设计适用于分析模型,因为其内部电容式柔性传感器用于本体感受测量,其纤维增强流体弹性体致动器。所提出的解析动力学模型考虑了致动器质量和材料特性的惯性效应,并实时预测软体机器人的行为。我们的估计方法集成了分析模型与本体感受传感器来计算外力,所有这些都不依赖于外部运动捕捉系统。SoPrA的一系列实验证明了模型和传感器的估计精度。SoPrA将实现软臂操作,包括在不允许外感受测量的障碍环境中操作时的力感测。
2021-08-06 cs.RO
Design of Stochastic Robotic Swarms for Target Performance Metrics in Boundary Coverage Tasks
Arizona State University(亚利桑那州立大学)
在这项工作中,我们分析\textit{stochastic coverage schemes}(SCS)的机器人群中,机器人随机附加到一个一维边界的兴趣使用本地通信和传感,而不依赖于全球位置信息或地图的环境。机器人集群可能需要在各种应用中执行边界覆盖,包括环境监测,集体运输,灾难响应和纳米医学。我们提出了一种新的分析方法来计算和设计的通信和传感网络,由随机机器人配置的边界上形成的统计特性。我们特别感兴趣的情况下,机器人配置形成一个连接的通信网络或保持连续的传感器覆盖的边界。使用工具,从顺序统计,随机几何图形,和计算几何,我们推导出的机器人是独立的,相同的分布沿边界的随机图形的属性的公式。我们还开发了这些属性的泊松近似和阈值函数的基础上的数量级估计。对于SCS沿边界产生均匀分布的机器人的情况下,我们应用我们的分析结果来开发一个程序,用于计算机器人人口的大小,直径,传感范围,或通信范围,产生一个随机的通信网络或传感器网络所需的属性。
2017-02-08 cs.RO
Learning Robotic Manipulation through Visual Planning and Acting
UC Berkeley(加州大学伯克利分校);Technion(以色列理工学院)
规划机器人操作需要对机器人可能影响物体的变化进行推理。当这样的相互作用可以分析建模,如在刚性对象的域,有效的规划算法存在。然而,在家庭和工业领域,感兴趣的对象可以是软的或可变形的,并且难以分析地建模。对于这种情况,我们认为数据驱动的建模方法更合适。近年来,深度生成模型的进展产生了学习从数据中“想象”合理图像的方法。在最近的因果InfoGAN生成模型的基础上,在这项工作中,我们学习直接从机器人与对象的自监督交互的原始图像数据中想象目标导向的对象操作。在学习之后,给定系统的目标观察,我们的模型可以生成一个想象的计划-一系列图像,将对象转换为期望的目标。为了执行该计划,我们将其用作参考轨迹,以使用视觉伺服控制器进行跟踪,我们还从数据中学习逆动力学模型。在一个模拟的操作任务,我们表明,分离的问题,视觉规划和视觉跟踪控制是更有效的样本和更可解释的替代数据驱动的方法。我们进一步展示了我们在3种环境中学习想象和执行的方法,其中最后一种是PR 2机器人上的可变形绳索操作。
2019-05-11 cs.CV cs.LG cs.RO
REMS: Middleware for Robotics Education and Development
University of California, Los Angeles(加州大学洛杉矶分校)
本文介绍了REMS,这是一个机器人中间件和控制框架,旨在将Python的Zen引入机器人技术,并改善机器人教育和开发流程。虽然现有的中间件可以提供硬件抽象和模块化,但在教育中建立环境和学习中间件特定的语法和过程不太可行。他们可以限制理解机器人概念,理论和算法的机会。机器人是一个集成领域;来自不同背景的学生和开发人员将参与编程。以自然的方式建立Pythonic和面向对象的机器人框架可以增强模块化和抽象化编程,以获得更好的可读性,可重用性和简单性,而且还支持编码中的有用和实用技能。REMS是一个有价值的机器人教育媒体,而不仅仅是一个工具,是一个平台,从一个机器人到跨硬件,仿真和分析模型实现的多智能体。
2022-10-11 cs.MA cs.RO cs.SE
An anthropomorphic continuum robotic neck actuated by SMA spring-based multipennate muscle architecture
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
本文提出一种受羽状肌肉架构启发、由SMA弹簧驱动的2DOF连续体机器人颈部,建立了其解析与运动学模型,实验证明其能复现人类头部运动范围并具有高功率重量比与平滑运动。
2023-09-07 cs.RO cs.SY eess.SY
Modelling and Learning Dynamics for Robotic Food-Cutting
KTH Royal Institute of Technology(瑞典皇家理工学院);Chalmers University of Technology(查尔姆斯理工大学)
数据驱动的方法建模接触丰富的任务解决了许多困难,分析模型承担。对于现实世界的场景,硬件能力限制了可用的测量,因此,问题的制定的每一步。在这项工作中,我们提出了一个配方,封装知识的接触丰富的任务,食品切割的基线控制器。基于这个公式,我们采用深度网络来模拟模型预测控制器中的动态。我们设计了一个训练过程的基础上,课程训练与学习率衰减的多步预测,这是必要的滚动时域控制。实验结果表明,即使是一个简单的架构,我们的模型在已知和未知的对象类上实现了一贯良好的预测性能,并表现出对长期动态的良好理解。
2020-03-20 cs.RO
Shaping Expressiveness in Robotics: The Role of Design Tools in Crafting Embodied Robot Movements
CHArt Laboratory, Department of Psychology, University Paris8(巴黎第八大学心理学系CHArt实验室);Lab of INIT Robots, Department of Mechanical Engineering, École de technologie supérieure(École de technologie supérieure机械工程系INIT机器人实验室);Department of Dance, Université du Québec à Montréal(魁北克大学蒙特利尔分校舞蹈系);Costech Laboratory, Department of Humanities and Social Sciences, Université technologique de Compiègne(Compiègne技术大学人文与社会科学系Costech实验室)
本文提出一种以运动为中心的设计教学法,通过跨学科方法和定制工具,帮助工程师创建更具表现力的机器人手臂运动。
2026-02-04 cs.RO
A wireless signal-based sensing framework for robotics
Harvard University(哈佛大学);Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
提出一种利用机器人移动性模拟天线阵列的无线信号感知框架,通过SAR方法计算AOA轮廓,实现非视距环境下的方向估计,3D运动显著提升精度。
2023-09-04 cs.MA cs.RO
Neural Minimum-Distance Estimation for Collision-Aware Operation of Multi-Arm Laparoscopy Surgical Robots Through Learning-from-Simulation
Surgical Performance Enhancement and Robotics (SuPER) Centre, Department of Surgery(外科性能增强与机器人中心(SuPER)中心,外科部);The Wilfred and Joyce Posluns Centre for Image Guided Innovation & Therapeutic Intervention (PCIGITI)(威廉与乔伊斯·波斯伦中心(PCIGITI)影像引导创新与治疗干预中心);The Hospital for Sick Children (SickKids)(儿童医院(SickKids))
提出结合分析建模、实时仿真与深度残差神经网络的框架,用于多臂手术机器人最小距离估计与碰撞预警,模型在验证集上R²=0.940,RMSE=42.0 mm。
2026-06-16 cs.RO
Morphological Symmetries in Robotics
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院(IIT));Institut de Robòtica i Informàtica Industrial, CSIC-UPC(西班牙国家研究委员会-加泰罗尼亚理工大学机器人与信息自动化研究所);Heriot-Watt University(赫瑞瓦特大学)
本文提出形态对称性作为机器人学中的物理信息几何先验,通过数据增强或架构约束提升数据驱动方法的效率,并利用抽象调和分析分解动力学,在双足和四足机器人上验证,并发布MorphoSymm仓库。
2025-03-24 cs.AI cs.RO cs.SY
Toward Fast and Optimal Robotic Pick-and-Place on a Moving Conveyor
Rutgers, the State University of New Jersey(罗格斯新泽西州立大学)
移动输送机上的机器人拾取和放置(PIPE)操作具有广泛的工业应用。在实践中,简单的贪婪算法(例如,基于处理单个对象的时间的优先级排序)被应用,以实现合理的效率。我们分析表明,在一个简化的伸缩机器人模型,这些贪婪的方法并不能确保时间最优的PSTO操作。为了解决经典解决方案的缺点,我们开发的算法,计算最佳的对象挑选序列为一个预定的有限范围。采用动态规划技术和额外的算法,我们的方法可扩展到数十到数百个对象。特别是,我们开发的快速算法来与运行时间的保证,使它们适合于实时PPERT应用程序要求高吞吐量。对我们的算法解决方案进行了广泛的评估,这些解决方案超过了在现实世界应用中使用的主要工业机器人,即,Delta机器人和选择性顺应性装配机器人臂(SCARA)机器人的研究表明,与贪婪方法相比,可以实现约10-40%的典型效率增益。
2019-12-17 cs.RO
Model-Based Sensor Diagnostics for Robotic Manipulators
本文提出一种基于模型的传感器诊断方法,通过在串联弹性执行器上施加扭转弹簧、关节动力学和电机电气三类约束,实现对机器人关节扭矩传感器故障的检测与隔离。
2023-12-02 cs.RO cs.SY eess.SY
Flexure-based Environmental Compliance for High-speed Robotic Contact Tasks
Fraunhofer IPK(弗劳恩霍夫生产设备与设计技术研究所)
物理顺应性的设计-其位置,程度和结构-影响机器人在接触丰富的任务中的性能和鲁棒性。虽然顺应性通常用于机器人的关节,法兰,或末端执行器,本文提出了顺应性的结构在环境中,允许安全和鲁棒的接触,同时保持较高的运动控制带宽和精度的高阻抗机器人。这里的顺应性是通过挠曲件和粘弹性材料来实现的,挠曲件和粘弹性材料被集成到几个机构中以提供结构化顺应性,例如远程顺应性中心。使用熔融沉积成型的增材制造,允许更快的设计迭代和与标准工业设备的低成本集成。机械性能,包括总刚度矩阵,刚度比,和旋转精度,分析确定和实验结果进行比较。三个远程中心的顺应性(RCC)的设备和1自由度的线性设备的原型和测试在高速装配任务。
2022-03-14 cs.RO
Aquarium: A Fully Differentiable Fluid-Structure Interaction Solver for Robotics Applications
Carnegie Mellon University(卡内基梅隆大学);ETH Zurich(苏黎世联邦理工学院)
我们提出了水族馆,可微流体结构相互作用求解器的机器人,提供稳定的模拟,准确耦合流体机器人物理在两个维度上,并完全微分流体和机器人的状态和参数。Aquarium通过使用具有二阶有限体积空间离散化的全隐式Crank-Nicolson方案直接积分不可压缩Navier-Stokes方程,实现了具有精确流动物理的稳定模拟。流体和机器人物理耦合使用浸入边界法,制定无滑移条件作为一个等式约束直接应用到Navier-Stokes系统。这种耦合的选择允许将流体-结构相互作用作为非线性优化问题提出并求解。然后利用隐函数定理计算导数,利用这种基于优化的配方。然后可以将导数传递到下游的基于梯度的优化或学习算法。我们展示了水族馆的能力,准确地模拟耦合流体机器人物理与众多的二维例子,包括一个圆柱体在自由流和软机器人鱼尾与硬件验证。我们还展示了水族馆的能力,提供分析梯度进行基于梯度的形状和步态优化的振荡金刚石箔,以最大限度地提高其产生的推力。
2023-03-07 cs.RO
Effective Parameters, Real Behavior: Renormalization for Robotics -- From Infinite Electron Mass to Sim-to-Real Gap
University of Maryland, College Park(马里兰大学帕克分校);Stanford University(斯坦福大学);The Chinese University of Hong Kong(香港中文大学)
研究机器人技术中弥合模拟与现实差距的问题,提出基于重整化的方法,通过有效参数吸收模拟器遗漏细节以重现真实行为,经分析论证及实例展示该方法,并给出实用程序,为跨越模拟与现实差距提供补充路径。
2026-07-28 cs.RO hep-th
Fast Skill Learning for Variable Compliance Robotic Assembly
Tsinghua University(清华大学)
机器人装配代表了一组强化学习和可变顺应性控制的基准问题,其特征在于复杂的接触操作。将强化学习应用于物理机器人的关键挑战之一是样本的复杂性,即学习需要大量的经验。我们通过将迭代改装的模型纳入学习过程中,通过模型引导的探索来缓解这个样本复杂性问题。然而,拟合物理环境的局部模型是主要困难。在这项工作中,一个卡尔曼滤波器被用来结合自适应线性动态与一个粗略的先验模型从解析描述,并证明了给更准确的预测比现有的方法。实验结果表明,所提出的模型拟合策略可以应用于模型预测控制器中,在保持无模型强化学习优点的同时,为学习加速提供良好的探索行为.除了样本的复杂性之外,机器人在操作过程中不可避免的过载也往往会限制学习效率。为了解决这个问题,我们提出了一种方法,以限制最大可能的势能在顺应性控制系统,从而保持接触力在合理的范围内。
2019-05-11 cs.RO
A Benchmarking Study of Vision-based Robotic Grasping Algorithms
该研究针对基于视觉的机器人抓取算法开展基准测试,对比不同类型算法在多条件下的表现,结合仿真与真实实验及跨实验室验证,为机器人操作算法开发提供参考。
2025-10-02 cs.CV cs.RO
Robotic Assembly Control Reconfiguration Based on Transfer Reinforcement Learning for Objects with Different Geometric Features
Tsinghua University(清华大学)
基于力的机器人柔性控制是实现高精度装配任务的首选方法。当装配对象的几何特征不对称或不规则时,强化学习(RL)智能体逐渐融入柔顺控制器,以适应难以解析建模的复杂力-位姿映射。由于力-姿态映射强烈依赖于几何特征,因此顺应性控制器仅对于当前几何特征是最佳的。为了降低具有不同几何特征的装配对象的学习成本,本文致力于回答如何为具有不同几何特征的新装配对象重新配置现有控制器。在本文中,基于模型的参数重新配置的基础上提出的等效理论的顺应性(ETCL)。然后,RL代理转移的基础上提出的加权维度策略蒸馏(WDPD)方法。实验结果表明,该控制重构方法所需时间少,控制性能好,验证了所提方法的有效性。
2022-11-04 cs.RO cs.SY eess.SY
Analytical Derivatives for Efficient Mechanical Simulations of Hybrid Soft Rigid Robots
本文提出基于GVS模型和递归牛顿-欧拉算法的解析导数方法,用于混合软硬机器人的高效模拟,在六个系统中实现高达三个数量级的加速。
2024-11-07 cs.RO physics.app-ph
Risk-Aware Non-Myopic Motion Planner for Large-Scale Robotic Swarm Using CVaR Constraints
College of Engineering, Peking University(北京大学工学院)
提出风险感知集群运动规划器 ROVER,基于高斯混合模型宏观状态构建有限时模型预测控制问题,通过施加 CVaR 约束确保避障,并利用解析表达式和序列线性规划实现高效求解,有效提升了大规模集群的灵活性、可扩展性与安全性。
2024-08-28 cs.RO
Control Architecture and experimental validation of a Novel Surgical Robotic Instrument
European University of Technology(欧洲技术大学);LS2N, UMR 6004, CNRS(法国国家科学研究中心LS2N实验室);École Centrale Nantes(南特中央理工学院);Nantes Université(南特大学)
本文提出一种四自由度柔性内窥镜工具,结合远端弯曲、独立远端头部旋转、轴旋转和夹具,通过实验验证其在胰腺手术中的应用效果。
2026-04-07 cs.RO
Stress-testing large language model agents in a robotic chemistry laboratory
研究以机器人化学实验室为测试平台,使科学智能可衡量,通过4608次试验发现工作流程执行率低、长期规划有挑战,反馈促使局部调整,提供了部署评估及改进诊断框架。
2026-07-28 cs.AI cs.RO
A Benchmarking Study of Vision-Based Robotic Grasping Algorithms: A Comparative Analysis
Robotics Engineering Department, Worcester Polytechnic Institute(沃斯特理工学院机器人工程系);New England Robotics Validation and Experimentation (NERVE) Center, University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校新英格兰机器人验证与实验中心)
该研究针对基于视觉的机器人抓取算法开展基准测试,对比4类算法在多实验条件下的表现,结合仿真与真实实验及跨实验室验证,为机器人操作算法开发提供参考。
2025-10-05 cs.RO
Robotic Knee Tracking Control to Mimic the Intact Human Knee Profile Based on Actor-critic Reinforcement Learning
Arizona State University(亚利桑那州立大学);North Carolina State University(北卡罗来纳州立大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
我们解决了一个国家的最先进的强化学习(RL)的控制方法,自动配置机器人假体阻抗参数,使端到端,连续的运动,旨在为经股截肢受试者。具体来说,我们的演员-评论家基于RL提供跟踪控制的机器人膝关节假体模仿完整的膝关节轮廓。这是一个显着的进步,从我们以前的RL为基础的自动调整假肢控制参数,集中在调节控制与设计师规定的机器人膝关节轮廓作为目标。除了提出完整的跟踪控制算法的基础上直接启发式动态规划(dHDP),我们提供了一个分析框架的跟踪控制器的约束输入。我们证明了我们提出的跟踪控制具有几个重要的性质,如学习网络的权值收敛,Bellman(次)最优的成本去价值函数和控制输入,和实际稳定的人-机器人系统下的输入约束。我们还提供了一个系统的模拟所提出的跟踪控制使用一个现实的人类-机器人系统模拟器,OpenSim,模拟如何dHDP使平地行走,行走在不同的地形和不同的步伐。这些结果表明,我们提出的基于dHDP的跟踪控制不仅在理论上是合适的,而且在实践中也是有用的。
2021-01-22 cs.RO cs.SY eess.SY
Movement Primitives in Robotics: A Comprehensive Survey
Department of Computer Science and Engineering, The University of Texas at Arlington, Arlington, USA(计算机科学与工程系,德克萨斯理工大学阿灵顿分校,阿灵顿,美国)
综述机器人运动基元框架,涵盖从人类示教中编码轨迹的方法,分析弹簧-阻尼系统、概率耦合、神经网络等特性,并讨论应用与挑战。
2026-06-19 cs.AI cs.RO
H-PAC Hand: Control-Oriented Modeling and Tendon-Elasticity Compensation for an Underactuated Robotic Hand
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Southeast University(东南大学)
本文提出模块化欠驱动机械手H-PAC,通过面向控制的建模与肌腱弹性补偿方法,结合分层控制架构,大幅提升关节角度预测精度,实现无传感器下的位姿与抓取控制。
2026-08-18 cs.RO
PhotoAgent: A Robotic Photographer with Spatial and Aesthetic Understanding
Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University(人工智能与机器人中心,深圳国际研究生院,清华大学)
PhotoAgent通过整合大多模态模型与新型控制范式,将主观审美目标转化为几何约束,利用内部视觉模拟实现快速收敛于高质量图像结果。
2026-03-24 cs.AI cs.CV cs.RO
The Effect of Communication Topology on Scalar Field Estimation by Networked Robotic Swarms
Arizona State University(亚利桑那州立大学)
本文研究了利用网络化机器人群重构二维标量场的问题,通过链式或网格拓扑结构进行通信,采用优化方法结合梯度计算,推导了可观测性格拉姆矩阵的迹界,验证了链式和网格拓扑的估计能力与鲁棒性。
2016-03-08 cs.RO cs.SY eess.SY
Towards Artificial Nerves: Biomimetic Optical-Fiber Tactile Sensing for Robots
School of Engineering Mathematics and Technology, University of Bristol(工程数学与技术学院,布里斯托大学)
研究旨在为机器人开发仿生光纤触觉传感,以实现类人触觉感知。核心方法是OptiTac传感器模拟人类触觉结构,将触觉信号当图像用简单分析方法处理。主要贡献是建立传感框架,为未来分布式触觉系统提供可扩展路线,展示生物学原理对机器人人工神经开发的指导作用。
2026-07-20 cs.RO
Constraint-Aware Discrete-Time PID Gain Optimization for Robotic Joint Control Under Actuator Saturation
Downingtown STEM Academy(Downingtown STEM学院);Carnegie Mellon University(卡内基梅隆大学);School of Computer Science(计算机科学学院)
本文提出了一种考虑约束的离散时间PID增益优化方法,通过混合认证的贝叶斯优化工作流程提升机器人关节控制的鲁棒性。
2026-02-05 cs.RO
Multi-vision-based Picking Point Localisation of Target Fruit for Harvesting Robots
University of Wollongong(伍伦贡大学)
本文面向收获机器人提出多视觉采摘点定位方法,结合解析法与基于模型的学习算法,利用双RGB-D相机和mocap数据提升定位精度,实验证明Adaboost回归效果最佳。
2025-02-18 cs.CV cs.RO
All-Electric Heavy-Duty Robotic Manipulator: Surrogate-Enhanced Modeling and Adaptive Modular Control
Department of Engineering and Natural Sciences, Tampere University(工程与自然科学系,塔尔皮奥大学)
本文提出一种面向全电动重型机械臂的统一系统级建模与控制框架,通过将代理增强EMLA模型集成至扩展虚拟分解控制架构,实现了亚厘米级跟踪精度与模块化实时控制。
2026-10-14 cs.RO
Reliable Trajectories for Dynamic Quadrupeds using Analytical Costs and Learned Initializations
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
不平坦地形的动态穿越是腿式机器人领域的主要目标。这些系统的最新模型预测控制方法可以产生短时间的鲁棒动态运动,但是,在较长的时间范围内的规划时,导航复杂的地形可能是必要的。一个最近开发的框架,步行机器人(TOWR)的轨迹优化,计算这样的计划,但不保证他们的可靠性在真实的平台上,在不确定性和扰动。我们扩展TOWR与分析成本生成轨迹,一个国家的最先进的全身跟踪控制器可以成功地执行。为了减少在线计算时间,我们实现了一个基于学习的计划的非线性程序的初始化的基础上离线的经验。一个真正的四足动物在不同地形上执行长达16步和5.5秒的轨迹,证明了该方法在硬件上的有效性。这项工作建立了一个在线系统,可以有效地和强大的重新规划动态轨迹。
2020-02-17 cs.RO
Dynamically Extensible and Retractable Robotic Leg Linkages for Multi-task Execution in Search and Rescue Scenarios
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)
本文提出了一种可动态扩展和收回的机器人腿部连杆机构,用于在搜索和救援任务中实现地形适应和高力输出。通过几何变换实现腿部配置的机械切换,实验验证了其在步长、力输出和稳定性方面的性能。
2026-04-28 cs.RO
On the throughput of the common target area for robotic swarm strategies -- extended version
Lancaster University(兰卡斯特大学)
当许多机器人同时试图到达同一区域时,机器人群可能会遇到交通拥堵。为了有效地解决这个问题,机器人必须执行分散的交通控制算法。在这项工作中,我们提出了一个衡量的访问效率的一个共同的目标区域的机器人在群中的数量上升:共同的目标区域的吞吐量。这里我们还采用了目标区域渐近吞吐量--即,随着时间趋于无穷大,目标区域的吞吐量随着机器人数量的增加总是有限的,而相对于趋于无穷大的每机器人数量到达目标的相对时间。使用这个度量,我们可以分析比较不同算法的有效性。特别是,我们提出并正式评估三种不同的理论策略,以获得一个圆形的目标区域:(i)形成平行队列的目标区域,(ii)形成一个六边形包装通过走廊去的目标,(iii)使多个弯曲的轨迹对目标区域的边界。我们计算了固定时间的吞吐量和这些策略的渐近吞吐量。此外,我们通过模拟证实了这些结果,表明当一个策略具有更高的吞吐量时,它的到达时间较低。因此,我们的结论是,使用吞吐量是非常适合比较拥挤算法的机器人群中的一个共同的目标区域,即使我们没有他们的封闭渐近方程。
2022-03-30 cs.MA cs.RO
Robo-centric ESDF: A Fast and Accurate Whole-body Collision Evaluation Tool for Any-shape Robotic Planning
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
针对任意形状移动机器人快速且精确的全身碰撞评估难题,提出在机器人本体坐标系预建的RC-ESDF方法,通过惰性评估保留最少安全信息并基于解析梯度联合优化位姿,显著加速轨迹优化,经实验验证具备可靠性与泛化能力。
2023-06-28 cs.RO
Physics-Informed Policy Optimization via Analytic Dynamics Regularization
EmPACT Lab, Nanyang Technological University, Singapore(EmPACT实验室,南洋理工大学,新加坡)
本文提出PIPER框架,通过在神经策略优化中引入解析软物理约束,提升机器人控制的效率和物理一致性。
2026-03-21 cs.LG cs.RO
Learning physics-informed simulation models for soft robotic manipulation: A case study with dielectric elastomer actuators
University of Edinburgh(爱丁堡大学);Ghent University(根特大学);imec(微电子研究中心)
软致动器提供了一种安全,适应性强的方法,如温柔的抓取和灵巧的操纵任务。然而,由于可变形材料的复杂物理特性,创建精确的模型来控制这样的系统是具有挑战性的。精确的有限元法(FEM)模型导致闭环使用的过高的计算复杂性。使用微分模拟器是一个有吸引力的替代方案,但其适用性的软致动器和可变形材料仍然未充分探索。本文提出了一个框架,结合两者的优点。我们学习一个可微的模型组成的材料属性神经网络和分析动力学模型的其余部分的操作任务。该物理模型使用FEM生成的数据进行训练,可用于闭环控制和推理。我们评估我们的框架上的介电弹性体致动器(DEA)硬币拉任务。我们模拟了使用DEA沿着摩擦接触的表面拉硬币的任务,使用FEM,并评估了模拟,控制和推理的物理模型。与FEM相比,我们的模型达到了< 5%的仿真误差,并且我们将其用作MPC控制器的基础,该控制器需要比无模型的演员-评论家,PD和启发式策略更少的迭代来收敛。
2022-07-16 cs.AI cs.RO
A Reinforcement Learning Framework for Safety-Aware Haptic Shared Control in Surgical Robotics
Institute of Control Systems, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院控制研究所)
本研究针对手术机器人触觉共享控制的几何安全影响问题,构建两智能体合作马尔可夫博弈模型,采用无模型多智能体强化学习框架,对比MADDPG、rMAPPO与上方约束方法,为相关研究提供基准。
2026-10-14 cs.RO cs.SY eess.SY