Distributed Fault-Tolerant Multi-Robot Cooperative Localization in Adversarial Environments
School of Computing, University of Georgia（佐治亚大学计算机学院）
针对对抗环境中的多机器人协同定位，提出分布式容错框架，采用自适应事件触发通信策略，提升定位精度与通信效率，具有良好扩展性和容错性。
2025-07-09 cs.MA cs.RO cs.SY
From Diagram to Deployment: Translating BPMN Collaborations into X-Klaim for Efficient Multi-Robot System Programming
本文提出将BPMN图自动翻译为X-Klaim代码的方法，结合两者优势，提升多机器人系统编程的易用性与可维护性，并推出B2XKLAIM工具。
2023-11-14 cs.RO cs.SE
Multi-Robot Coordination and Planning in Uncertain and Adversarial Environments
Virginia Tech（弗吉尼亚理工大学）；University of Maryland（马里兰大学）
部署一组能够仔细协调行动的机器人可以使整个系统对个别故障具有鲁棒性。在这份报告中，我们回顾了最近的算法发展，使多机器人系统对环境的不确定性，故障和对抗攻击具有鲁棒性。在多机器人协调领域的最新研究中，我们发现以下三个趋势：（1）弹性协调，以承受故障和/或攻击或从故障/攻击中恢复;（2）风险感知协调，以管理风险和回报的权衡，其中风险源于环境的不确定性;（3）基于图神经网络的协调，以学习分散的多机器人协调策略。这些算法已被应用于任务，如编队控制，任务分配和调度，搜索和规划，以及信息数据汇集。为了使多机器人系统成为现实，我们需要协调算法，可以扩展到大型团队的机器人处理动态变化，容易失败，有争议的，和不确定的环境。最近有大量关于多机器人协调的研究，这些研究为处理这些问题提供了弹性和风险意识算法，并缩小了理论与实践之间的差距。基于学习的方法被认为是有希望的，特别是因为它们可以学习谁、何时和如何进行有效协调的沟通。然而，这些算法也被证明容易受到对抗攻击，因此开发基于学习的协调策略，能够抵御此类攻击并对不确定性具有鲁棒性，是一个重要的开放研究领域。
2021-05-02 cs.RO
Freehand Sketching for End-User Programming of Robot Swarms
Samueli School of Engineering, University of California, Irvine（加州大学尔湾分校塞缪尔工程学院）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出徒手草图绘制作为机器人群体编队的最终用户编程界面，通过人类研究验证其可用性，得分84.25，支持无需专业知识的直观交互。
2026-09-11 cs.RO cs.SY eess.SY
A Mixed-Integer Linear Programming Formulation for Human Multi-Robot Task Allocation
Roma Tre University（罗马第三大学）；University of Cassino and Southern Lazio（卡西诺与南拉齐奥大学）
在这项工作中，我们解决了人类多机器人设置的任务分配问题。给定一组要执行的任务，我们制定了一个一般的混合线性规划（MILP）问题，旨在最大限度地减少整体执行时间，同时优化执行任务的质量以及人类和机器人的工作量。代理人，人类和机器人的不同技能，被考虑在内，人类操作员能够直接执行任务或发挥监督作用;此外，如果需要执行任务，多个操纵器可以紧密合作。最后，作为人类环境中的现实，假设人类参数随时间变化，例如，由于人类疲劳程度的增加。因此，需要进行在线监测，并在需要时进行重新分配。仿真在一个现实的情况下，两个机械手和一个人类操作员执行装配任务验证了该方法的有效性。
2021-06-12 cs.RO
LiP-LLM: Integrating Linear Programming and dependency graph with Large Language Models for multi-robot task planning
Osaka University（大阪大学）；Kyoto University（京都大学）
本文提出LiP-LLM框架，利用LLM生成技能列表与依赖图，并通过线性规划优化多机器人任务分配，实验表明其在复杂协调任务中显著提升成功率与效率。
2024-10-28 cs.RO
Distributed Resilient Submodular Action Selection in Adversarial Environments
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院与州立大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Maryland（马里兰大学）
在这封信中，我们考虑一个分布式子模块最大化问题的多机器人系统时，受到对手的攻击。多机器人系统面临的主要挑战之一是增加对故障或攻击的弹性。这对于受到攻击的分布式系统尤其重要，因为没有中央指挥点可以检测、减轻攻击并从攻击中恢复。相反，分布式多机器人系统必须有效地协调以克服对抗攻击。在这项工作中，我们的分布式子模块动作选择问题模型的情况下，每个机器人在一个多机器人系统有多个动作选择，可以满足一个全球性的目标，如探索或目标跟踪广泛的集合。为了在这种情况下增加弹性，我们提出了一个完全分布式的算法来指导每个机器人的动作选择时，系统受到攻击。所提出的算法保证在最坏情况下的性能，其中多达一部分的机器人故障，由于攻击。重要的是，所提出的算法也是一致的，因为它被证明是收敛到相同的解决方案作为一个集中式的方法。最后，一个分布式弹性多机器人探索问题，以确认所提出的算法的性能。
2021-05-15 cs.DS cs.GT cs.MA
Potato: A Data-Oriented Programming 3D Simulator for Large-Scale Heterogeneous Swarm Robotics
Beihang University（北京航空航天大学）；Delft University of Technology（代尔夫特理工大学）
针对现有群体机器人仿真平台无法兼顾真实动力学模型与大规模节点的问题，本文提出基于数据导向编程的3D模拟器Potato，结合多进程与GPU加速的PyTorch实现异构大规模仿真，在5000架以内四旋翼场景下计算速度稳定。
2023-08-24 cs.RO
Kidnapping Deep Learning-based Multirotors using Optimized Flying Adversarial Patches
CASUS, Helmholtz-Zentrum Dresden-Rossendorf（德累斯顿-罗森多夫亥姆霍兹中心先进系统理解中心）；Technical University Berlin（柏林工业大学）；Leibniz Institute for Agricultural Engineering and Bioeconomy（莱布尼茨农业工程与生物经济研究所）；University of Potsdam（波茨坦大学）
本文提出飞行对抗补丁方法，通过在攻击者无人机上安装对抗图像并优化补丁及其位置，成功劫持基于深度学习的多旋翼无人机，扩展为对抗性多机器人系统。
2023-10-23 cs.AI cs.CR cs.RO
AdverSAR: Adversarial Search and Rescue via Multi-Agent Reinforcement Learning
Pacific Northwest National Laboratory（太平洋西北国家实验室）
远程环境中的搜索和救援（SAR）任务通常采用自主多机器人系统，该系统学习、规划和执行本地单机器人控制动作、组原语和面向任务的全局协调与协作的组合。通常，SAR协调策略由人类专家手动设计，人类专家可以远程控制多机器人系统并实现半自主操作。然而，在连接有限且通常不可能进行人工干预的远程环境中，完全自主的操作需要分散的协作策略。然而，由于传感器噪声、致动故障或对智能体通信数据的操纵，分散式协调在对抗性环境中可能是无效的。在本文中，我们提出了一种基于对抗性多智能体强化学习（MARL）的算法方法，该方法允许机器人在存在对抗性智能体通信的情况下有效地协调其策略。在我们的设置中，多机器人团队的目标是通过最小化找到目标所需的平均时间，在障碍物遍布的地理区域中战略性地发现目标。假设机器人没有目标位置的先验知识，并且它们可以在任何时间仅与相邻机器人的子集进行交互。基于MARL中的集中训练与分散执行（CTDE）范式，我们利用一个层次元学习框架来学习动态团队协调模式，并发现复杂合作竞争场景下的突发团队行为。我们的方法的有效性证明了收集的原型网格世界环境与不同规格的良性和敌对代理，目标位置，代理奖励。
2022-12-20 cs.LG cs.MA cs.RO
Multi-Robot Planning on Dynamic Topological Graphs using Mixed-Integer Programming
Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对多机器人规划决策空间随机器人数量指数增长、最优解计算难的问题，提出基于动态拓扑图与混合整数规划的方法，通过凸松弛优化实现秒级最优协同策略计算。
2023-08-02 cs.RO
Multi-Robot Coordination Induced in an Adversarial Graph-Traversal Game
George Mason University（乔治梅森大学）
本文将多机器人在对抗性时变图中的遍历问题建模为随机博弈，通过数值求解纳什均衡策略并给出博弈值界，揭示了蓝方机器人分散与同步等协调行为在降低代价中的优势。
2024-09-27 cs.GT cs.RO
Simplifying Robot Programming using Augmented Reality and End-User Development
Paderborn University（帕德博恩大学）
机器人在不同的应用环境中广泛使用。教机器人在各自的环境中执行任务，需要很高的领域和编程专业知识。然而，由于机器人编程本身的复杂性，机器人编程面临很高的进入门槛。即使对于专家来说，机器人编程也是一项繁琐且容易出错的任务，可能会创建错误的机器人程序，在真实机器人上执行时会造成损坏。为了简化机器人编程的过程，我们将增强现实（AR）与最终用户开发的原则相结合。通过将它们结合起来，真实环境被扩展为有用的虚拟工件，可以使专家和非专业人员执行复杂的机器人编程任务。因此，简单的编程环境在增强现实与增强的机器人编程环境（SPEARED）开发的AR辅助机器人编程环境的原型。SPEARED利用AR将机器人和编程环境投影到目标工作空间。为了评估我们的方法，我们对来自工业自动化、机器人和AR领域的专家进行了专家访谈。专家们一致认为，SPEARED有潜力丰富和简化当前的机器人编程过程。
2021-06-15 cs.RO
A Survey on End-User Robot Programming
Johns Hopkins University（约翰斯·霍普金斯大学）
随着机器人与更广泛的最终用户交互，最终用户机器人编程通过使可能没有机器人编程经验的最终用户能够定制机器人以满足其个人上下文需求，从而帮助实现机器人编程的民主化。这篇文章调查了最终用户机器人编程的工作，重点是最终用户程序规范。它描述了主要领域，编程阶段，和最终用户机器人编程文献所代表的设计选择。该调查的结论是强调了进一步调查的开放方向，以加强和扩大最终用户机器人编程系统的范围。
2021-06-06 cs.HC cs.RO
Logical Robots: Declarative Multi-Agent Programming in Logica
Google LLC（谷歌公司）；University of Illinois（伊利诺伊大学）；Gonzaga University（贡扎加大学）
Logical Robots通过逻辑编程语言Logica实现多智能体仿真平台，将观察映射到动作输出，实现低层反应控制与高层规划的结合。
2026-04-08 cs.AI cs.MA cs.RO
Adversarial joint attacks on legged robots
Chiba University（千叶大学）
我们解决了对抗攻击的执行器在关节的足式机器人训练的深度强化学习。联合攻击的脆弱性会显著影响足式机器人的安全性和鲁棒性。在这项研究中，我们证明了对抗扰动的致动器的扭矩控制信号可以显着减少奖励，并导致机器人行走不稳定。为了找到对抗性扭矩扰动，我们开发了黑盒对抗攻击，其中对手无法访问通过深度强化学习训练的神经网络。无论深度强化学习的架构和算法如何，黑箱攻击都可以应用于足式机器人。我们采用三种搜索方法的黑盒对抗攻击：随机搜索，差分进化，和数值梯度下降方法。在OpenAI Gym环境中对四足机器人Ant-v2和双足机器人Humanoid-v2进行的实验中，我们发现差分进化可以有效地找到三种方法中最强的扭矩扰动。此外，我们意识到，四足机器人Ant-v2是容易受到对抗性扰动，而两足机器人Humanoid-v2是强大的扰动。因此，联合攻击可以用于机器人行走不稳定性的主动诊断。
2022-05-20 cs.AI cs.RO
ROSY: An elegant language to teach the pure reactive nature of robot programming
Universidade do Minho（米尼奥大学）；INESC TEC（葡萄牙系统与计算机工程研究所）
机器人技术非常有趣，长期以来一直被认为是教授编程的好方法，同时与数学、物理或电子等工程和科学的其他分支建立了鼓舞人心的联系。虽然机器人和编程之间的这种共生关系被认为是非常有益的，但教育方法往往觉得有必要隐藏机器人系统的潜在复杂性，但结果是无法将机器人编程的反应本质传递给未来的机器人专家和程序员。本文介绍了ROSY，一种通过机器人技术教授新手程序员的新语言。它的函数式风格既熟悉高中代数背景，又体现了机器人编程固有的反应性。在更高的抽象层次上工作也教导了将机器人软件分解为交互控制器集合的有价值的设计原则。尽管它很简单，但ROSY是完全有效的Haskell代码，与ROS生态系统兼容。我们通过演示如何轻松清晰地表达非平凡的应用程序，揭示其良好的功能编程基础，并开发支持Web的机器人编程环境，为我们的语言提供了令人信服的案例。
2019-11-08 cs.PL cs.RO
Node Primitives: an open end-user programming platform for social robots
Tokyo University of Agriculture and Technology（东京农工大学）；University of Genoa（热那亚大学）
随着机器人能够在现实世界中无缝和直观地与人交互的预期采用，需要为非技术熟练的用户提供易于理解的范例来定制机器人行为。在本文中，我们提出了一个交互设计机器人编程平台，使多学科的社会机器人的研究和应用。该平台被称为节点原语（NEP），由两个主要部分组成。一方面，已经开发了基于ZeroMQ和Python的分布式软件框架，以提供进程间通信和机器人行为规范机制。另一方面，一个基于Web的最终用户编程（EUP）接口已被开发，以允许一个简单和直观的方式编程和执行机器人的行为。为了评估NEP，我们讨论了一个人-机器人交互应用程序的开发，使用手臂手势来控制机器人的行为。建议EUP接口的可用性测试。
2017-09-25 cs.RO
Adversarial Robots as Creative Collaborators
The New School（新学院）；Cornell Tech（康奈尔科技学院）
本研究探讨对抗性机器人能否促使艺术家重新思考初始想法，通过设计机器人绘图桌UnsTable干扰绘画过程，并邀请进一步研究此类挑战性机器人。
2024-02-06 cs.HC cs.RO
Direct off-line robot programming via a common CAD package
University of Coimbra（科英布拉大学）
本文着重于直观和直接的离线机器人编程从一个常见的3-D CAD软件包上运行的CAD图纸。探讨了在CAD图形中表示机器人运动的最合适的方法，如何从图形中自动提取运动数据，将数据从虚拟（CAD模型）映射到真实环境，以及自动生成机器人路径/程序的过程。总之，本研究的目的是提出一种新的基于CAD的机器人编程系统，任何人都可以使用CAD和机器人的基本知识。不同操作任务的实验表明了该方法的有效性和通用性。
2013-09-09 cs.RO
Rethinking the Intermediate Features in Adversarial Attacks: Misleading Robotic Models via Adversarial Distillation
Wuhan University（武汉大学）
本文针对语言条件机器人模型提出一种基于连续动作表示和中间自注意力特征负梯度的通用对抗前缀攻击方法，在VIMA模型的13个操作任务上验证了其优越性和跨模型变体的可迁移性。
2024-11-21 cs.AI cs.LG cs.RO
Robo-Blocks: Generative Scaffolding in End-User Design and Programming of Social Robots
Department of Computer Sciences\ of Wisconsin--Madison
通过研究通过设计（RtD）过程，提出基于LLM的积木式编程环境Robo-Blocks，利用生成式支架将高级想法转化为可执行机器人行为，支持新手程序员，并揭示了用户角色与使用模式。
2026-05-27 cs.HC cs.RO
A novel Skill-based Programming Paradigm based on Autonomous Playing and Skill-centric Testing
University of Innsbruck（因斯布鲁克大学）
我们介绍了一种新的范例，机器人编程，我们的目标是使机器人编程更容易为没有经验的用户。为了做到这一点，我们将两个主要组成部分在一个单一的框架：自主技能的机器人演奏和可视化编程。简单的机器人程序骨架解决一个特定情况下的任务，所谓的基本行为，由用户提供。然后，机器人通过自主游戏学习如何在许多不同的情况下解决相同的任务，这减少了没有经验的机器人程序员的障碍。程序员可以混合使用可视化编程和动觉教学，以提供这些简单的程序框架。机器人程序可以通过可视化编程和动觉示教的方式交互地实现。我们进一步整合了基于经验的技能为中心的机器人软件测试的工作，使用户能够不断测试实现的技能，而不必处理特定组件的细节。
2017-09-18 cs.RO
Towards self-adaptable robots: from programming to training machines
Erle Robotics（厄尔勒机器人公司）
我们认为，硬件模块化在机器人和人工智能（AI）的融合中起着关键作用。我们介绍了一种新的方法来构建机器人，从而使机器更具适应性和能力。我们提出了自适应机器人的概念，它利用硬件模块化和人工智能技术来减少建造所需的工作量和时间。我们在仿真和一个真正的机器人演示如何，而不是编程，培训产生的机器人的行为，概括快速，并产生强大的输出存在噪声。特别是，我们提倡哺乳动物。
2018-02-12 cs.RO
Multimodal Robot Programming by Demonstration: A Preliminary Exploration
Johns Hopkins University（约翰斯·霍普金斯大学）
近年来，与最终用户（如工厂工人）密切合作的工业机器人数量有所增加。协作机器人的使用越来越多，部分原因是终端用户机器人编程方法的可用性，这些方法允许不是机器人程序员的用户教机器人任务动作。演示编程（PbD）是这样一种最终用户编程方法，其使用户能够通过代替演示期望的机器人行为来绕过使用程序设计语言指定机器人运动的复杂性。演示通常通过物理引导机器人完成任务动作所需的动作来提供，这一过程称为动觉教学。动觉教学使用户能够直接演示机器人的配置空间中的任务行为，使其成为一种流行的终端用户机器人编程方法，以其低认知负担而闻名的协作机器人。然而，由于动觉教学限制了程序员的教学动作演示，它无法利用人类在提供物理任务演示时自然使用的其他模式的信息，例如凝视和语音。将多模态信息引入传统的动觉编程工作流程中，通过突出程序的关键方面、减少歧义和提高机器人学习者的情境意识，具有增强机器人学习的潜力，并且可以提供对人类程序员的意图和困难的洞察。在这个扩展的摘要中，我们描述了一个初步的研究多模态动觉演示和未来的方向，使用多模态演示，以提高机器人学习和用户编程经验。
2023-01-17 cs.HC cs.RO
A Platform-independent Programming Environment for Robot Control
Bonn-Rhine-Sieg University of Applied Sciences（波恩-莱茵-锡格应用技术大学）
机器人控制程序的开发是一项复杂的任务。许多机器人在电气和机械结构上有所不同，这也反映在软件上。特定的机器人软件环境支持程序开发，但主要是基于文本的，通常由具有目标机器人深刻知识的领域专家应用。本文介绍了一个图形化的编程环境，旨在减轻机器人控制程序的开发。与现有的图形化机器人编程环境相比，我们的方法侧重于并行动作序列的组成。所开发的环境允许在并行执行线上调度独立的机器人动作，并提供了避免并行动作副作用的机制。开发的环境是平台无关的，基于模型驱动的范式。通过将测序器应用于模拟服务机器人和教育机器人，证明了我们方法的可行性。
2010-10-05 cs.RO
Adversarial Body Shape Search for Legged Robots
Chiba University（千叶大学）
提出了一种基于深度强化学习的演化计算方法，用于对腿式机器人零部件长度和厚度进行对抗性攻击。这种攻击改变了机器人的体型，并干扰了行走我们称被攻击的身体为对抗体型。演化计算方法通过最小化通过步行模拟获得的预期累积奖励来搜索对抗体型。为了评估所提出的方法的有效性，我们在OpenAI Gym中使用三条足式机器人、Walker2d、Ant-v2和Humanoid-v2进行实验。实验结果表明，Walker2d和Ant-v2更容易受到长度攻击，而Humanoid-v2更容易受到长度和厚度攻击。我们进一步确定，敌对的身体形状打破左右对称或转移的重心的足式机器人。发现对抗体型可以用于主动诊断足式机器人行走的弱点。
2022-05-20 cs.AI cs.RO
Programming Robot Behaviors with Execution Management Functions
Universidad Politécnica de Madrid（马德里理工大学）
自主机器人的控制架构可以通过编程和集成多个软件组件来开发，这些组件分别控制单独的行为。这种方法需要额外的机制来协调它们的并发执行。本文提出了一种编程方法，这样的组件，旨在促进其协调执行。每个组件都被编程为一个模块，该模块控制单独的机器人行为以及一组用于执行管理的功能。该建议的细节以称为\textit{behaviorlib}的基于ROS的软件库的形式制定。该解决方案已被用于编程通用行为控制器，这些控制器已成功地重用于构建空中机器人中的多个应用程序。
2021-03-11 cs.RO
Programming Soft Robots with Flexible Mechanical Metamaterials
ETH Zürich（苏黎世联邦理工学院）；Harvard University（哈佛大学）
本研究提出利用柔性机械超材料的复杂变形行为来编程软体机器人，从而大幅提升其整体性能。
2019-06-01 cond-mat.mtrl-sci cond-mat.soft cs.RO
A Framework for Robot Programming in Cobotic Environments: First user experiments
CNRS（法国国家科学研究中心）
机器人在工业中越来越多的存在并没有被忽视。大型工业企业已经将其纳入生产线，但较小的公司由于初始成本高和缺乏编程专业知识而犹豫不决。在这项工作中，我们介绍了一个框架，结合两个学科，编程演示和自动规划，让用户没有任何编程知识的机器人程序。用户教机器人原子动作连同它们的语义含义，并表示它们的先决条件和效果。使用这些原子动作，机器人可以自动生成动作序列，以达到用户给定的任何目标。我们评估了我们的框架的可用性方面的用户实验与百特研究机器人，并表明，它是很好地适应用户没有任何编程经验。
2018-10-19 cs.AI cs.RO
Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot Learning
Massachusetts Institute of Technology（麻省理工学院）；Institute of Science and Technology Austria (IST Austria)（奥地利科学技术研究所（IST Austria））
对抗训练（即，在对抗性扰动的输入数据上训练）是一种用于使神经网络在推理期间对潜在的对抗攻击具有鲁棒性的充分研究的方法。然而，改进的鲁棒性并不是免费的，而是伴随着整体模型精度和性能的下降。最近的研究表明，在实际的机器人学习应用中，对抗性训练的效果不会造成公平的权衡，而是在整体机器人性能方面造成净损失。本文通过系统地分析鲁棒训练方法和理论与对抗性机器人学习的最新进展，重新审视了机器人学习中的鲁棒性-准确性权衡，是否能够使对抗性训练适合于现实世界的机器人应用。我们评估了三种不同的机器人学习任务，从高保真环境中的自动驾驶到移动机器人导航和手势识别。我们的研究结果表明，虽然这些技术在相对规模上对权衡进行了渐进式改进，但对抗性训练对标称精度的负面影响仍然超过了一个数量级的鲁棒性改进。我们的结论是，虽然正在发生的进展，进一步的进步，强大的学习方法是必要的，然后才能在实践中受益的机器人学习任务。
2023-01-25 cs.CV cs.LG cs.RO
Domain-Specific Fine-Tuning of Large Language Models for Interactive Robot Programming
Artiminds（阿蒂姆因兹）
针对工业机器人编程局限于专家的问题，提出基于自然语言的编程助手，并研究在有限数据和算力下对基础模型进行领域特定微调的策略。
2024-04-21 cs.AI cs.CL cs.HC
Situated Live Programming for Human-Robot Collaboration
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
我们提出了现场编程的人机协作，一种方法，使有限的编程经验的用户编程的人机交互的协作应用程序。允许终端用户（如车间工人）自己对协作机器人进行编程，将使机器人从一个流程到另一个流程的“重新分配”变得容易，从而促进中小型企业的采用。我们的方法建立在用户操作编程（TAP）的范式之上，允许最终用户通过简单的用户操作配对来创建丰富的交互。它使最终用户能够在执行部分程序的同时迭代地创建，编辑和改进反应式机器人程序。这种实时编程方法使用户能够利用任务空间和对象，通过递增地指定位置的机器人动作对，大大降低了进入编程或重新编程机器人进行协作的障碍。我们在创作系统中实例化现场编程，用户可以通过从机器人的角度注释增强的视频馈送来创建机器人动作程序，并将机器人动作分配给触发条件。我们评估了这个系统在一项研究中，参与者（n = 10）开发的机器人程序，解决合作的轻型制造任务。结果表明，几乎没有编程经验的用户能够以互动的方式编程HRC任务，我们的现场编程方法进一步支持个性化的策略和工作流程。最后，我们讨论了所提出的方法，我们的系统实现的机会和局限性，我们的研究，并讨论了一个路线图，将这种方法扩展到更广泛的任务和应用。
2021-08-08 cs.HC cs.RO
Online and Offline Robot Programming via Augmented Reality Workspaces
Idiap Research Institute（伊迪亚普研究所）
用于工业机器人的机器人编程方法是耗时的，并且通常要求操作员具有机器人和编程方面的知识。为了降低与重新编程相关联的成本，最近已经提出了使用增强现实的各种接口，以向用户提供更直观的手段来实时控制机器人并对它们进行编程，而不必进行编码。然而，大多数解决方案要求操作员靠近真实机器人的工作空间，这意味着要么将其从生产线上移除，要么由于安全隐患而关闭整条生产线。我们提出了一种新的增强现实界面，为用户提供建模的虚拟表示的工作空间，可以保存和重用的程序新的任务或适应旧的，而不必与真正的机器人共处一室的能力。与以前的界面类似，操作员可以通过操纵虚拟机器人来编程机器人任务或实时控制机器人。我们评估的直观性和可用性的建议接口与用户的研究，其中18名参与者编程的机器人机械手拆卸任务。
2021-11-03 cs.RO
High-level robot programming based on CAD: dealing with unpredictable environments
University of Coimbra（科英布拉大学）；Institute for Systems and Computer Engineering of Porto（波尔图系统与计算机工程研究所）
目的-本文的目的是提出一种基于CAD的人机界面，允许非专家用户教机器人的方式类似于人类相互教导。设计/方法/方式-直观的机器人编程是通过使用CAD图纸离线生成机器人程序。感觉反馈允许最小化不确定性的影响，提供信息以在机器人操作期间调整机器人路径。结果-据发现，它是可能的，从一个共同的CAD图纸生成一个机器人程序，并运行它没有任何重大的问题校准或CAD模型的准确性。研究限制/影响-所提出的系统的限制与事实有关，它的目的是用于特定的技术应用。实际影响-由于大多数制造企业有CAD软件包在他们的设施今天，基于CAD的机器人编程可能是一个很好的选择，而不需要熟练的机器人程序员编程机器人。独创性/价值-本文提出了一种新的基于CAD的机器人编程系统。机器人程序直接从运行在常用3D CAD软件包（Autodesk Inventor）上的CAD绘图生成，而不是从商业计算机辅助机器人（CAR）软件生成，使其成为简单的CAD集成解决方案。这是一个低成本和低设置时间的系统，不需要高级的机器人编程技能来操作它。总之，机器人程序是从机器人语言的高度抽象生成的。
2013-09-09 cs.RO
Off-line Programming and Simulation from CAD Drawings: Robot-Assisted Sheet Metal Bending
University of Coimbra（科英布拉大学）
工业机器人越来越多地用于生产系统。这是因为它们是高度灵活的机器，在经济上与人类劳动力竞争。问题是它们很难编程。因此，制造系统设计人员正在寻找更直观的方法来编程机器人，特别是使用他们开发的生产系统的CAD图纸。本文介绍了一种新的基于CAD的离线机器人编程（OLP）和仿真系统，其中用于单元设计的CAD软件包也用于OLP和机器人仿真的工业应用。因此，OLP对于任何具有CAD和机器人基础知识的人来说都变得更加容易。该系统在一个机器人辅助金属板弯曲单元进行了测试。实验允许识别所提出的解决方案的优点和缺点。
2013-11-18 cs.RO
An end-user coding-based environment for programming an educational affective robot
University of Turin（都灵大学）
在本文中，我们提出了一个开源的教育机器人，旨在让儿童在情感和社会互动，并在其社会和情感行为可编程。事实上，除了经典的编程任务外，机器人还可以被编程为社交机器人。除了动作之外，用户还可以让机器人表达情感，让它说出一些东西。机器人也可以留在自主模式，在这种模式下，它能够进行生物识别用户的特征和情感识别，并问候用户。
2022-03-12 cs.HC cs.RO
Automating Manual Tasks through Intuitive Robot Programming and Cognitive Robotics
Laboratory for Machine Tools and Production Engineering (WZL) of RWTH Aachen University（亚琛工业大学机床与生产工程实验室（WZL））
本文提出了一种基于人类自然交互的直观机器人用户编程方法，利用大语言模型和计算机视觉将自然语言和手势转化为机器人程序，并通过澄清问题和视觉反馈确保程序的安全性和透明性。
2026-04-07 cs.RO
Hiding task-oriented programming complexity: an industrial case study
Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing, National Research Council of Italy（意大利国家研究委员会智能工业技术与先进制造研究所）；University of Brescia（布雷西亚大学）
本文通过22名非专家用户的工业实验，比较了隐藏ROS复杂性的任务导向编程界面与传统机器人示教器编程方法，发现两者在学习时间、编程时间和提问次数上相当，证明任务导向编程可平滑推广至非专家用户。
2023-03-04 cs.HC cs.RO
Robot Learning via Human Adversarial Games
University of Southern California（南加州大学）；Carnegie Mellon University（卡内基梅隆大学）
机器人领域的许多工作都集中在提高学习过程效率的“人在回路”学习技术上。然而，这些算法已经做出了强烈的假设，即协助机器人的合作人类监督者。在现实中，人类观察者也倾向于以对抗的方式对待部署的机器人系统。我们表明，这实际上可以通过提出一个物理框架来提高学习模型的鲁棒性，该物理框架利用人类对手施加的扰动，引导机器人走向更鲁棒的模型。在一个操作任务中，我们表明，抓成功显着提高时，机器人与人类对手的训练相比，在自我监督的方式训练。
2020-12-07 cs.RO
Towards Live Programming in ROS with PhaROS and LRP
Ecole des Mines de Douai（杜埃矿业学院）；University of Chile（智利大学）
在传统的机器人行为编程中，编辑-编译-模拟-部署-运行循环在程序创建和最终的机器人行为之间产生了很大的心理脱节。这大大减缓了行为的发展，因为程序和结果行为之间没有直接的心理联系。通过实时编程，开发周期非常紧凑，实现了这种即时连接。在我们通过PhaROS以更动态的方式对ROS机器人进行编程的工作中，我们尝试使用Live Robot程序设计语言。这就对机器人的这种实时编程提出了许多要求。在本文中，我们将介绍这些要求，并使用示例机器人行为来说明它们。
2014-12-15 cs.PL cs.RO
iRoPro: An interactive Robot Programming Framework
Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）
从制造环境到个人家庭，终端用户任务的多样性使得用于通用应用的预编程机器人极具挑战性。事实上，从头开始教机器人新的动作，可以重复使用以前看不见的任务仍然是一个艰巨的挑战，通常留给机器人专家。在这项工作中，我们提出了iRoPro，一个交互式的机器人编程框架，允许终端用户很少或没有技术背景，教机器人新的可重用的行动。我们结合示范编程和自动规划技术，让用户构建机器人的知识库，通过教新的动作动觉示范。这些动作被概括并与任务规划器一起重用，以解决用户定义的以前看不见的问题。我们将iRoPro作为Baxter研究机器人上的端到端系统实施，通过演示同时教授低级和高级操作，用户可以通过图形用户界面进行自定义，以适应其特定用例。为了评估我们的方法的可行性，我们首先进行了预设计实验，以更好地了解用户的采用所涉及的概念和建议的机器人编程过程。我们比较结果与设计后的实验，在那里我们进行了用户研究，以验证我们的方法与真正的最终用户的可用性。总体而言，我们表明，具有不同编程水平和教育背景的用户可以轻松学习和使用iRoPro及其机器人编程过程。
2021-12-08 cs.AI cs.RO
Robotic and Generative Adversarial Attacks in Offline Writer-independent Signature Verification
Nottingham Trent University（诺丁汉特伦特大学）
本研究探讨如何机器人和生成方法可以用来安装成功的虚假接受对抗攻击签名验证系统。最初，探索和调整了卷积神经网络拓扑结构和数据增强策略，为2,640个人类签名的验证产生了87.12%的准确率模型。然后，两个机器人的任务是伪造50个签名，其中25个用于验证攻击，其余25个用于调整模型以抵御它们。对系统的对抗攻击表明存在信息安全风险; Line-us机器人手臂可以在24%的时间内欺骗系统，iDraw 2.0机器人可以在32%的时间内欺骗系统。一个有条件的GAN发现了类似的成功，大约30%的伪造签名被误分类为真实签名。在对机器人和生成数据进行微调迁移学习之后，机器人和GAN都将对抗攻击降低到模型阈值以下。据观察，调整模型可以将机器人攻击的风险降低到8%和12%，当呈现25张图像时，条件生成对抗攻击可以降低到4%，当呈现1000张图像时，可以降低到5%。
2022-04-14 cs.CV cs.LG cs.RO
Gaussian path model library for intuitive robot motion programming by demonstration
VTT Technical Research Centre of Finland Ltd（芬兰技术研究有限公司）
本文提出一种从教学数据生成高斯路径模型的系统，构建多形状模型库用于人类示教分类，实现直观的机器人运动编程，并提出基于几何分析修改现有模型的方法。
2025-09-15 cs.RO
Semantic Robot Programming for Goal-Directed Manipulation in Cluttered Scenes
University of Michigan（密歇根大学）
我们提出的语义机器人编程（SRP）的范例作为机器人编程的收敛，通过演示和语义映射。在SRP中，用户可以通过在工作空间中演示其预期目标场景的快照来直接对机器人操作器进行编程。然后，机器人将此目标解析为场景图，该场景图由对象姿态和对象间关系组成，假设已知对象几何形状。然后使用任务和运动规划从任意初始场景配置实现用户的目标。即使面对不同的初始场景配置，SRP也能使机器人无缝适应，以达到用户演示的目标。对于场景感知，我们提出了判别式知情生成估计的场景和变换（DIGEST）的方法来推断的初始和目标状态的RGBD图像的世界。SRP与DIGEST感知的功效被证明为任务的托盘设置与密歇根州的进步获取机器人。场景感知和任务执行评估与公共家庭遮挡数据集和我们的杂乱场景数据集。
2018-10-18 cs.RO
KitRobot: A multi-platform graphical programming IDE to program mini-robotic agents
IRISA（法国国家信息与自动化研究所雷恩布列塔尼大西洋研究中心）；University of South Brittany（南布列塔尼大学）；The Islamia University of Bahawalpur（巴哈瓦尔布尔伊斯兰大学）；Koc University（科奇大学）
微型机器人代理的图形编程IDE的分析、设计和开发允许新手用户通过图形拖放界面对机器人代理进行编程，而不知道中间程序设计语言的语法和语义。我们的工作从定义中间程序设计语言的语法和语义开始。主要的工作是定义这种语言的语法。使用图形化的拖放界面对微型机器人进行编程，为新手用户提供了一个用户友好的界面。用户可以通过拖放程序部分来图形化地编程，而不需要中间程序设计语言的专业知识。IDE非常灵活，因为它使用XML技术来存储程序对象（即循环，条件）和机器人对象（即传感器，执行器）。xml技术的使用允许在不修改底层设计和编程的情况下进行重大更改和更新接口。
2015-01-07 cs.HC cs.PL cs.RO
RoboCritics: Enabling Reliable End-to-End LLM Robot Programming through Expert-Informed Critics
Department of Computer Sciences University of Wisconsin--Madison（计算机科学系威斯康星大学麦迪逊分校）
RoboCritics通过专家指导的批评者提升LLM在机器人编程中的可靠性与用户参与度。
2026-03-06 cs.RO
End-User Programming of Low- and High-Level Actions for Robotic Task Planning
Univ. Grenoble Alpes（格勒诺布尔大学）
由于从制造环境到个人家庭的最终用户任务的巨大多样性，为通用应用编程机器人极具挑战性。最近的工作集中在使最终用户能够使用演示编程对机器人进行编程。然而，从头开始教机器人新的动作，可以重复用于看不见的任务仍然是一个艰巨的挑战，通常留给机器人专家。我们提出了iRoPro，一个交互式的机器人编程框架，允许最终用户从头开始教机器人新的动作，并重新使用它们与任务规划器。在这项工作中，我们提供了一个系统实现的双臂巴克斯特机器人，（一）允许同时教学的低和高层次的行动演示，（二）包括一个用户界面的动作创建与条件推理和修改，（iii）允许创建和解决以前看不见的问题，使用任务规划的机器人实时执行。我们评估了系统的泛化能力的六个基准任务，并显示如何教的行动可以很容易地重复用于复杂的任务。我们进一步证明了它的可用性与用户的研究（N=21），用户完成了八个任务，教机器人的新动作，重复使用的任务规划。研究表明，任何编程水平和教育背景的用户都可以轻松地学习和使用该系统。
2021-03-26 cs.RO
SQRP: Sensing Quality-aware Robot Programming System for Non-expert Programmers
University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
机器人编程通常利用通过机器学习获得的一组机械技能。因为一般不能保证机器学习产生没有令人惊讶的行为的机器人程序，所以机器人程序的安全执行必须利用监控模块，该监控模块将传感器数据作为实时的输入，以确保技能执行的正确性。由于传感器和监控算法通常受到物理限制，并且有效的机器人编程对技能参数的选择敏感，因此这些考虑可能导致不同的传感器输入质量，例如视觉系统的视图覆盖范围，该视图覆盖范围确定技能是否可以成功地部署在执行任务中。选择不正确的技能参数可能会导致监控模块延迟或错过对重要事件（如机械故障）的检测。这些故障可能会降低机器人制造的吞吐量，甚至可能导致破坏性的系统崩溃。为了解决上述问题，我们提出了一个感知质量感知机器人编程系统，自动计算的传感质量作为机器人的环境的函数，并使用该信息来指导非专家用户选择适当的技能参数在编程阶段。我们在6DOF机器人手臂上展示了我们的系统框架，用于物体拾取任务。
2021-06-30 cs.RO
An Adversarial Approach to Private Flocking in Mobile Robot Teams
University of Cambridge（剑桥大学）；Polytechnique Montréal（蒙特利尔综合理工学院）
隐私是防御对手的一个重要方面。在这封信中，我们介绍了私人羊群的问题。我们考虑一队移动机器人群集在一个对手的存在，谁是能够观察所有机器人的轨迹，谁是有兴趣确定领导者。我们提出了一种方法，产生私人群集控制器，隐藏的领导者机器人的身份。我们的隐私方法利用了数据驱动的对抗性协同优化方案。我们设计了一种机制，优化群集控制参数，使领导推理受阻。随着群集性能的提高，我们连续训练一个对抗机器人，试图推断领导机器人的身份。为了评估我们的协同优化方案的性能，我们研究了不同类别的参考轨迹。虽然可以合理地假设群集性能和隐私之间存在固有的权衡，但我们的研究结果表明，我们能够实现高群集性能，同时降低暴露领导者的风险。
2020-01-24 cs.LG cs.MA cs.NE
Programming of Skill-based Robots
VTT Technical Research Centre of Finland（芬兰VTT技术研究中心）
针对制造业对敏捷灵活自动化的需求，本文提出一种基于机器人技能库的系统，通过高级参数化操作实现快速任务编程与执行，并经实际测试验证了其可行性。
2024-09-25 cs.RO
Integer-Programming-Based Narrow-Passage Multi-Robot Path Planning with Effective Heuristics
Zhejiang University（浙江大学）
为了提高仓库类环境下多机器人系统的效率，研究了基于图的多机器人最优路径规划问题。提出了一种基于可编程方法的多机器人路径规划算法OMRPP。我们专注于减少成本所造成的一组机器人从他们的初始配置移动到目标配置在仓库般的环境。该方法的创新点包括：（1）提出了一种基于仓库类环境的拓扑地图提取方法，减小了构建IP模型的规模;（2）提出了单向通行约束，防止机器人在通行过程中发生不可解的碰撞。(3)提出了一种启发式结构，使IP模型总是具有可行的初始解，以保证模型的可解性。大量的仿真实验证明了该算法的有效性和性能。
2021-07-26 cs.RO
Optimizing Robot Programming: Mixed Reality Gripper Control
Technical University of Munich（慕尼黑工业大学）
本文在混合现实场景中比较三种基于控制器的机器人编程方法，发现夹爪控制方法在效率、体验和性能上最优，具有应用潜力。
2025-03-26 cs.HC cs.RO
Interactive Robot Programming for Surface Finishing via Task-Centric Mixed Reality Interfaces
Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（机器人与机电系统研究所，德国航空航天中心）；University of Lübeck（吕贝克大学）；Autonomous Systems Lab, Institute of Computer Technology, TU Wien（自主系统实验室，计算机技术研究所，维也纳技术大学）
本文提出了一种基于任务导向的混合现实接口，使非专家能通过交互式流程直观编程机器人，实现小批量生产中的表面处理任务。
2025-12-29 cs.RO
