Coordinated Aerial-Ground Robot Exploration via Monte-Carlo View Quality Rendering
Carnegie Mellon University(卡内基梅隆大学)
我们提出了一个框架,地面空中机器人团队探索大型,非结构化和未知的环境。在这样的探索问题中,现有的探索推进算法的有效性往往与环境的大小和复杂性不成比例。本文提出了一种新的框架,结合增量前沿分布,目标选择与蒙特卡洛视图质量渲染,和一个自动微分的信息增益措施,以提高探索效率。模拟多个复杂的环境中,我们证明了所提出的方法有效地利用合作的空中和地面机器人,一贯指导代理信息的观点,提高探索路径的信息增益,并减少规划时间。
2020-11-10 cs.RO
Constraint-Driven Coordinated Control of Multi-Robot Systems
Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们提出了一个重新制定-框架作为一个约束优化问题-多机器人的任务,通过编码的成本函数,是要最小化。这种方法的优点是多方面的。基于约束的公式提供了一种自然的方式,使长期的机器人自主应用,其中弹性和适应性不断变化的环境条件是必不可少的。此外,在一定的假设下的成本函数,所得到的控制器是分散的。此外,可以实现有限时间收敛,同时仅使用局部信息,因此保持了算法的分散性。已开发的控制框架进行了测试的一个团队的地面移动机器人实施长期的环境监测。
2019-09-02 cs.RO
Computing Coordinated Motion Plans for Robot Swarms: The CG:SHOP Challenge 2021
TU Braunschweig(布伦瑞克工业大学);Stony Brook University(石溪大学)
我们给出了2021年计算几何挑战赛的概述,该挑战赛的目标是通过计算n个像素形状物体的集合S从给定的起始配置到期望的目标配置的无碰撞轨迹族来优化协调一组机器人的问题。
2021-03-29 cs.CG cs.RO
Planning coordinated motions for tethered planar mobile robots
Singapore Centre for 3D Printing(新加坡3D打印中心);Nanyang Technological University(南洋理工大学)
研究多绳系平面移动机器人的运动规划问题。每个机器人都通过柔性电缆连接到固定基座上。由于机器人共享一个共同的工作空间,机器人,电缆和障碍物之间的相互作用给规划带来了很大的困难。以前的工作已经研究了检测目标电缆配置是否相交(或纠缠)的问题。在这里,我们感兴趣的运动规划问题:如何规划和协调机器人运动,以实现一个给定的不相交的目标电缆配置。我们确定了四种可能的运动模式,这取决于(i)机器人是否沿直线移动或沿电缆移动;(ii)机器人顺序移动或同时移动。我们深入分析了直线和并行,这是最实用的运动模式。特别是,我们提出的算法,(a)检测是否一个给定的目标电缆配置是可实现的直线和并发运动,以及(b)返回一个有效的协调运动计划。对算法进行了详细的分析,并在仿真和硬件实验中进行了验证。
2019-05-20 cs.RO
Subteaming and Adaptive Formation Control for Coordinated Multi-Robot Navigation
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);North Carolina State University(北卡罗来纳州立大学);U.S. Army DEVCOM Army Research Laboratory(美国陆军 DEVCOM 军事研究实验室);University of Denver(丹佛大学)
本文提出STAF方法,通过分层学习框架实现多机器人团队动态拆分为子团队并自适应控制编队,在复杂场景中实现协调导航。
2025-09-19 cs.RO
Learning Coordinated Visuomotor Box-Pushing from Solo Demonstrations
National Institute of Advanced Industrial Science and Technology (AIST)(国立产业技术综合研究所(AIST));Institute of Science Tokyo(东京科学大学);The University of Tokyo(东京大学)
该研究探索利用单机器人遥操作数据实现大规模多机器人协调推箱,发现被动观察难以获取有效协调,并揭示了多机器人研究的瓶颈。
2026-10-06 cs.RO
Task Allocation and Coordinated Motion Planning for Autonomous Multi-Robot Optical Inspection Systems
University of Shanghai for Science and Technology(上海理工大学);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
自主多机器人光学检测系统越来越多地应用于过程监测和质量控制中的在线测量。许多方法的路径规划和机器人协调已开发的静态和动态环境,并应用于不同的领域。然而,这些方法可能不适用于自主多机器人光学检测系统,由于在线优化的快速计算要求,机器人末端执行器方向的独特特性,以及复杂的大规模自由形式的产品表面。提出了一种新的多机器人检测协调运动规划任务分配方法。具体而言,(1)提出了一种局部鲁棒检测任务分配方法,以实现机器人之间高效、均衡的测量分配;(2)通过机器人坐标空间的动态搜索和冲突机器人中探针位姿或局部路径的扰动,实现无碰撞路径规划和协调运动规划。案例研究表明,该方法可以降低机器人与环境之间的碰撞风险,解决机器人之间的冲突,并减少检查周期时间显着和一致。
2021-06-15 cs.RO cs.SY eess.SY
Robots as Tokens: Unified Diffusion Transformer for Coordinated Multi-Robot Trajectory Generation
Nanyang Technological University(南洋理工大学);Agency for Science, Technology and Research(新加坡科技研究局);National University of Singapore(新加坡国立大学)
提出Roken框架,将每个机器人表示为离散令牌,通过扩散Transformer直接生成满足安全和连通性约束的多机器人轨迹,无需迭代后处理。
2026-06-16 cs.RO
Coordinated Multi-Robot Navigation with Formation Adaptation
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);North Carolina State University(北卡罗来纳州立大学);University of Denver(丹佛大学);U.S. Army DEVCOM Army Research Laboratory (ARL)(美国陆军DEVCOM陆军研究实验室)
针对复杂环境对刚性队形的挑战,提出基于分层学习与弹簧-阻尼器模型的AFOR方法,结合图神经网络与强化学习实现队形自适应与避障,在仿真和真实实验中优于现有方法。
2025-03-03 cs.RO
Coordinated Guiding Vector Field Design for Ordering-Flexible Multi-Robot Surface Navigation
Huazhong University of Science and Technology(华中科技大学);Hunan University(湖南大学);University of Groningen(格罗宁根大学);Eindhoven University of Technology(埃因霍温理工大学)
本文提出分布式CGVF,通过收敛、传播与协调三项及虚拟坐标共享,实现任意顺序的多机器人二维曲面全局收敛导航,并降低通信与计算成本。
2024-01-25 cs.RO
Coordinated Diffusion: Generating Multi-Agent Behavior Without Multi-Agent Demonstrations
University of California, Berkeley(加州大学伯克利分校);Delft University of Technology(代尔夫特理工大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出Coordinated Diffusion框架,通过用户定义的多智能体成本函数将独立训练的单智能体扩散策略耦合,无需多智能体演示数据,实现多智能体行为协调。
2026-05-14 cs.RO
Coordinated Motion Planning of a Wearable Multi-Limb System for Enhanced Human-Robot Interaction
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出一种运动规划层概念,通过在角加速度和位置偏差限制内修改轨迹,减少可穿戴超冗余机器人肢体运行时作用于人体的力矩,从而增强人机交互,并通过仿真验证了其有效性。
2025-09-12 cs.RO
Nav-SCOPE: Swarm Robot Cooperative Perception and Coordinated Navigation
Department of Automation, Tsinghua University(自动化系,清华大学);Beijing National Research Center for Information Science and Technology, Tsinghua University(北京信息科学与技术国家研究中心,清华大学);School of Mechanical and Electrical Engineering, Beijing Information Science and Technology University(机械与电子工程学院,北京信息科学与技术大学)
针对多机器人协调导航需求,提出名为Nav-SCOPE的轻量级去中心化协同感知方案,通过信息流共享、交互场降不确定、路径优化实现自组织协调,经仿真与实验验证其低冗余、鲁棒且低资源消耗。
2025-09-01 cs.RO
Coordinated Multi-Robot Disassembly for Makespan Optimization of Large-Scale Assemblies
Technical University of Berlin(柏林工业大学);Robotics Institute Germany (RIG)(德国机器人研究所)
针对大规模装配体拆卸的多机器人规划问题,提出CoMuDi方法,集成ST-RRT*规划器,经多组装配体实验验证其能最小化完工时间且成功率高、空闲时间短。
2026-08-07 cs.RO
Minimum-Length Coordinated Motions For Two Convex Centrally-Symmetric Robots
University of British Columbia(不列颠哥伦比亚大学);Stanford University(斯坦福大学)
研究无障碍平面中两个凸中心对称机器人的最小总长度避碰协调运动问题,提出由至多六段凸片段组成的路径精确刻画,其总长度有闭式解,并支持解耦或单调方向变化的运动参数化。
2025-03-03 cs.CG cs.RO
Improved Discrete RRT for Coordinated Multi-robot Planning
Czech Institute of Informatics, Robotics, and Cybernetics, Czech Technical University in Prague(捷克理工大学信息学、机器人与控制论研究所);Czech Technical University in Prague(捷克理工大学)
本文讨论了一个移动机器人的车队的协调问题-的问题,找到一个最佳的一组无碰撞的轨迹在车队中的个人机器人。在过去的几十年中,已经引入了许多方法,但其中少数是实际适用的,即快速,产生接近最优的解决方案,并完成。我们提出了一种新的概率方法的基础上,快速探索随机树算法(RRT)显着提高其多机器人的离散环境的变体。实验结果表明,所提出的方法是足够快的解决问题,数十个机器人在几秒钟内。尽管由该方法生成的解决方案比(ter Mors等人,2010年),它解决了terMors算法失败的问题。
2019-01-22 cs.RO
Coordinated Motion Control and Event-based Obstacle-crossing for Four Wheel-leg Independent Motor-driven Robotic System via MPC
Beijing Institute of Technology(北京理工大学)
针对四轮腿独立电机驱动机器人系统的协调运动控制和越障问题,提出了一种基于事件触发机制的模型预测控制(MPC)方法.建立了具有动态支撑多边形的轮腿机器人控制系统的数学模型。系统动力学模型为3个自由度,忽略俯仰、横滚和垂直运动。考虑电动机驱动特性和Burckhardt非线性轮胎模型,对单轮动力学进行了分析。在此基础上,建立了以电机转矩为输入、系统状态为输出的过驱动预测模型。由于支持多边形只在特定条件下调整,因此设计了基于事件的触发机制,以节省硬件资源和能量。MPC控制器上的虚拟样机以及物理样机进行评估。仿真结果为控制器在物理样机中的实现提供了参数整定指导。在这两个原型上的实验结果验证了所提出的方法的有效性。
2021-11-23 cs.RO
Planning Coordinated Human-Robot Motions with Neural Network Full-Body Prediction Models
University of Stuttgart(斯图加特大学);TU Berlin(柏林工业大学)
数值优化已经成为规划机器人平滑运动轨迹的一种流行方法。然而,当与人类共享空间时,适当平衡安全性,舒适性和效率仍然具有挑战性。这是值得注意的,因为人类会根据机器人的行为来调整自己的行为,这就需要进行复杂的规划和预测。在本文中,我们提出了一种新的优化为基础的运动规划算法,它产生的机器人运动,同时最大限度地提高人类的轨迹可能性下的数据驱动的预测模型。考虑规划和预测在一起,使我们能够制定目标和约束函数的联合人-机器人状态空间。该方法的关键是将潜在空间修改器添加到基于专用递归神经网络的可微分人类预测模型中。这些修改器允许在运动优化中改变人类预测。我们使用公开的MoGaze数据集对我们的方法进行了经验评估。我们的研究结果表明,所提出的框架优于目前的基线规划移交轨迹,避免机器人和人类之间的碰撞。我们的实验展示了协作运动轨迹,其中人类预测和机器人计划都相互适应。
2022-10-24 cs.RO
Intrinsic-Motivation Multi-Robot Social Formation Navigation with Coordinated Exploration
School of Computer Science and Technology(计算机科学与技术学院);Wuhan University of Science and Technology(武汉科技大学);Hubei Province Key Laboratory of Intelligent Information Processing(湖北省智能信息处理重点实验室)
本文提出了一种基于内在动机的多机器人协调探索RL算法,通过双采样模式和双时间尺度更新规则提升导航策略与奖励表示,实现更高效的社交编队导航性能。
2025-12-16 cs.AI cs.RO
Demonstration-Guided Deep Reinforcement Learning of Control Policies for Dexterous Human-Robot Interaction
ETH Zurich(苏黎世联邦理工学院)
在本文中,我们提出了一种通过深度强化学习训练人机交互控制策略的方法,例如握手或拍手。该策略控制一个人形的影子灵巧手,连接到一个机器人arm.We提出了一个参数化的多目标奖励函数,允许学习的各种互动,而不改变奖励结构。奖励函数的参数直接从人与人交互的运动捕捉数据估计,以产生被观察者感知为自然和人性化的策略。我们评估我们的方法上三个显着不同的手的相互作用:握手,拍手和手指触摸。我们提供了详细的分析建议的奖励功能和由此产生的政策,并进行了大规模的用户研究,表明我们的政策产生自然的外观运动。
2020-01-13 cs.LG cs.RO
Quadrature Oscillation System for Coordinated Motion in Crawling Origami Robot
Department of MAE, UCLA(加州大学洛杉矶分校机械工程系);Department of EE, UCLA(加州大学洛杉矶分校电气工程系)
本研究提出四象振荡系统,生成四路相位差四分之一的方波信号,实现四种状态,用于折纸机器人协同运动控制。
2026-03-24 cs.RO physics.app-ph
RoboArena: Distributed Real-World Evaluation of Generalist Robot Policies
RoboArena通过分布式众包评估,实现了对通用机器人策略在现实世界中的可扩展、可靠评估,优于传统集中化方法。
2025-11-29 cs.LG cs.RO
Language-Grounded Control for Coordinated Robot Motion and Speech
Massachusetts Institute of Technology(麻省理工学院);Harvard Medical School(哈佛医学院);Spaulding Rehabilitation Hospital(斯波尔丁康复医院)
针对人机接触协作中机器人运动与言语难以随人类行为实时协同的问题,该研究从治疗师行为提炼原则,提出可根据用户协作度同步调节运动与言语的Language Controller,经12人实验验证效果优于基线,为人机流畅协作提供框架。
2023-10-10 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
Coordinated Multi-Robot Shared Autonomy Based on Scheduling and Demonstrations
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Idiap Research Institute(伊迪亚普研究院)
本文针对单操作员协调两台并行机器人的共享自主问题,提出基于示教学习和时间规整的调度方法,通过迭代估计修正需求并优化调度,减少操作员空闲并缩短打磨任务时间。
2023-10-25 cs.RO
Constrained Nonlinear Kaczmarz Projection on Intersections of Manifolds for Coordinated Multi-Robot Mobile Manipulation
Collaborative Robotics and Intelligent Systems (CoRIS) Institute, Oregon State University(协作机器人与智能系统研究所,俄勒冈州立大学);Department of Computer Science, Purdue University(计算机科学系,普渡大学)
针对多机器人协作操作中多约束难同步求解的问题,提出将约束建模为可解流形族并结合约束非线性Kaczmarz投影技术,可高效求解大量非线性约束,提升了多移动操作机器人协同运动规划的成功率,且通过硬件实验验证了有效性。
2025-03-27 cs.RO
Co-Optimizing Reconfigurable Environments and Policies for Decentralized Multi-Agent Navigation
University of Cambridge(剑桥大学)
本文提出智能体-环境协同优化框架,通过策略梯度无模型学习交替优化智能体导航策略与可重构环境布局,并证明其收敛性,实验表明优化后的环境能有效引导多智能体避碰导航。
2025-07-02 cs.LG cs.MA cs.RO
Coordinated Motion Planning: Reconfiguring a Swarm of Labeled Robots with Bounded Stretch
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室);TU Braunschweig(布伦瑞克工业大学);University College Roosevelt(罗斯福大学学院)
我们提出了一些突破协调运动规划,其中的目标是重新配置一群标记的凸对象的组合成一个给定的目标安排的平行,连续,无碰撞的翻译。这类问题可以追溯到Schwartz和Sharir(1983)的经典著作,他们给出了一种方法来判断障碍物之间的一组圆盘是否存在协调运动;他们的方法在障碍物的复杂性方面是多项式的,但在圆盘的数量方面是指数的。其他以前的工作主要集中在{ \em顺序}的时间表,其中一个机器人移动的时间。我们提供了常数因子近似算法,用于最小化协调的执行时间,{ \em并行}运动计划的机器人群在没有障碍物的情况下,提供了一定量的可分性。我们的算法实现{ \em常数拉伸因子}:如果所有机器人从各自的起始位置至多是$d$单位,则整个调度的总持续时间为$O(d)$。扩展包括未标记的机器人和不同类别的机器人。我们还证明,找到一个计划,执行时间最短是NP-难的,即使是没有任何固定的障碍物的网格安排。另一方面,我们表明,密集的磁盘,不能很好地分离,拉伸因子$Ω(N^{1/4})$可能是必需的。在积极的一面,即使在这种情况下,我们也建立了$O(N^{1/2})$的拉伸因子。
2018-01-05 cs.CG cs.DS cs.RO
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering(先进科学与工程研究生院);Hiroshima University(广岛大学)
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题,提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法,并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO
Coordinated exploration for labyrinthine environments with application to the Pursuit-Evasion problem
Laboratoire Leibniz(莱布尼茨实验室)
本文介绍了一种多机器人协作的方法来解决具有全方位视觉传感器的移动机器人的“追逐逃避”问题。这种方法的主要特点是实现机器人之间的真正合作的基础上知识共享,使他们作为一个团队工作。一个完整的算法计算的运动策略的机器人。该算法基于搜索环境中的临界点。最后给出了一种协商协议,该协议将探索任务在团队中进行分配,并从机器人资源中获取最佳结果。
2018-10-19 cs.AI cs.RO
Together We Rise: Optimizing Real-Time Multi-Robot Task Allocation using Coordinated Heterogeneous Plays
TCS Research(塔塔咨询服务研究中心)
针对动态仓库中的实时多机器人任务分配问题,提出双智能体强化学习框架MRTAgent,结合改进LQR控制器,在支持连续运动的同时优化任务分配与机器人选择,以最小化行驶距离和延迟。
2025-02-22 cs.AI cs.LG cs.MA
Hypergraph-based Coordinated Task Allocation and Socially-aware Navigation for Multi-Robot Systems
Purdue University(普渡大学)
本文提出Hyper-SAMARL,一种基于超图和多智能体强化学习的多机器人任务分配与社会感知导航框架,通过超图扩散机制建模人机环境动态,在模拟实验中优于基线方法。
2025-03-07 cs.MA cs.RO
CoPlanVLM: Coordinated Path Planning for a Robot Team using Vision Language Models
University of California, Irvine(加州大学欧文分校);University of Florida(佛罗里达大学);Torch Technologies, LLC(Torch科技有限责任公司);Air Force Research Laboratory(空军研究实验室)
CoPlanVLM通过三个组件提升VLM的空间推理能力,实现机器人团队协调路径规划,在仿真与实体硬件上验证,成功率84.4%,路径较基准短27%。
2026-10-14 cs.RO
A Coordinated Search Strategy for Multiple Solitary Robots: An Extension
Stellenbosch University(斯泰伦博斯大学);CSIR-SU Centre for Artificial Intelligence Research(CSIR-SU人工智能研究中心);African Institute for Mathematical Sciences(非洲数学科学研究所)
在机器人学中,没有先验环境信息的协调问题是很重要的。应用范围从编队控制到搜索和救援。本文考虑了一组孤立机器人的搜索问题:自私的机器人没有先验知识,彼此之间的通信能力有限。当机器人的通信能力有限时,它们可能会在重叠区域中进行遗忘搜索(即受到干扰)。干扰阻碍了机器人的进步,文献中已经提出了减轻干扰的策略[1],[2]。在机器人学中,孤立机器人之间的相互作用引起了人们的极大兴趣,但是当搜索时间有限时,如何减轻干扰仍然是一个重要的研究领域。我们提出了一种基于细胞分解方法的协调策略[3],其中我们采用软障碍物的概念:机器人将分配给其他机器人的细胞视为障碍物。通过仿真实验证明了该策略的性能。仿真结果表明,该策略的效用的情况下,一个已知的上限的搜索时间排除搜索的整个环境。
2019-05-25 cs.RO
Know Thyself: Transferable Visual Control Policies Through Robot-Awareness
University of Pennsylvania(宾夕法尼亚大学)
在新机器人上从头开始训练视觉控制策略通常需要生成大量特定于机器人的数据。我们如何利用以前在另一个机器人上收集的数据来减少甚至完全消除对机器人特定数据的需求?我们提出了一个“机器人感知控制”的范例,实现这一目标,利用现成的知识机器人。然后,我们通过训练模块化动力学模型,将可转移的,机器人感知的世界动力学模块与机器人特定的,潜在的分析,机器人动力学模块耦合,在机器人感知的基于模型的RL策略中实例化。这也使我们能够设置视觉规划成本,分别考虑机器人代理和世界。我们在模拟和真实机器人的桌面操作任务上的实验表明,这些插件的改进大大提高了基于视觉模型的RL策略的可转移性,甚至允许视觉操作技能zero-shot转移到新的机器人上。项目网址:https://www.seas.upenn.edu/~hued/rac
2022-10-17 cs.CV cs.LG cs.RO
Contrast Sets for Evaluating Language-Guided Robot Policies
University of Southern California(南加州大学)
本文提出用于语言引导机器人策略评估的对比集,通过对i.i.d.测试实例作针对性扰动,以较低实验成本揭示策略性能变化,并在模拟操作和实体机器人VLN任务中验证其价值。
2024-10-25 cs.LG cs.RO
Structure design and coordinated motion analysis of bionic crocodile robot
Ohio State University(俄亥俄州立大学);BITS Pilani(Pilani比拉理工学院);China University of Mining and Technology(中国矿业大学)
针对仿生鳄鱼机器人肢体与躯干不协调问题,基于真实鳄鱼特征设计多自由度铰接式仿生机器人,采用D-H法做运动学分析,仿真验证脊柱尾部协同四肢可提升运动性能,为仿生机器人研发提供参考。
2023-11-03 cs.RO
Uncertainty Quantification for Flow-Based Generalist Robot Policies
TU Munich(慕尼黑工业大学);ETH Zurich(苏黎世联邦理工学院);MPI IS Tübingen(马克斯·普朗克智能系统研究所)
提出利用速度场差异(VFD)量化流匹配模型中的认知不确定性,用于故障检测和主动微调,在LIBERO基准上实现高效任务适应。
2026-10-05 cs.LG cs.RO
COMRES-VLM: Coordinated Multi-Robot Exploration and Search using Vision Language Models
COMRES-VLM通过视觉语言模型实现多机器人系统的协同探索与搜索,提升探索效率和目标物体搜索性能。
2026-03-01 cs.AI cs.MA cs.RO
Decentralised Active Perception in Continuous Action Spaces for the Coordinated Escort Problem
University of Technology Sydney(悉尼科技大学);Defence Science and Technology Group, Department of Defence(澳大利亚国防部国防科学与技术集团);US Naval Research Laboratory(美国海军研究实验室)
针对分布式多机器人协同护送中支援动作效果难评估的问题,提出两种新型辅助奖励函数与分布式交叉熵方法,实现任务满意度最高两倍提升,拓展了异构多机器人应用方向。
2023-05-03 cs.MA cs.RO
Coordinated Robot Navigation via Hierarchical Clustering
University of Pennsylvania(宾夕法尼亚大学)
我们介绍了使用层次聚类轻松,确定性的协调和控制多个机器人。传统的无监督学习方法,层次聚类提供了一种形式主义的识别和表示空间内聚和隔离的机器人组在不同的分辨率,通过相关的配置的连续空间的组合空间的树。我们形式化和利用这种关系,开发计算有效的反应式算法,通过组合空间导航与几何实现的层次聚类方法的特定选择。这些结构产生计算有效的矢量场规划的层次不变,以及过渡导航的配置空间。我们将这些方法应用于集中式协调和控制的$n$完美地感测和致动的欧几里德领域中的$d$维的环境空间(任意$n$和$d$)。给定一个所需的配置,支持所需的层次结构,我们构造了一个混合控制器,这是二次的$n$和代数的$d$,并证明其执行带来的所有措施,但零集的初始配置所需的目标,保证沿途没有冲突。
2015-07-06 cs.RO
Distributed coordinated path following using guiding vector fields
University of Groningen(格罗宁根大学);Universidad Complutense de Madrid(马德里康普顿斯大学);Eindhoven University of Technology(埃因霍温理工大学)
在许多应用中,对一大群移动机器人施加可扩展的协调运动控制是必不可少的,这在需要重复执行的任务中是有效的,例如环境监测。在本文中,我们设计了一个引导向量场,引导多个机器人遵循可能不同的期望路径,同时协调他们的运动。矢量场使用路径参数作为在相邻机器人之间通信的虚拟坐标。然后,虚拟坐标被用来控制机器人之间的相对参数位移沿路径。这使我们能够设计一个饱和的控制算法的Dubins汽车模型。该算法是分布式的,可扩展的,适用于任何光滑路径在$n$维配置空间,并保证全局收敛。多达50个机器人的仿真和固定翼飞机的室外实验验证了理论结果。
2021-04-09 cs.RO cs.SY eess.SY
Hardware Conditioned Policies for Multi-Robot Transfer Learning
The Robotics Institute(机器人研究所);Carnegie Mellon University(卡内基梅隆大学)
深度强化学习可用于学习灵巧的机器人策略,但将其转移到具有截然不同硬件属性的新机器人上具有挑战性。由于现代最先进的算法的高样本复杂性,为每个机器人硬件从头开始学习新策略也是非常昂贵的。我们提出了一种新的方法,称为\textit{Hardware Conditioned Policies},我们训练一个通用的政策条件下的机器人硬件的矢量表示。我们认为机器人在模拟不同的动力学,运动学结构,运动长度和自由度。首先,我们直接使用的运动学结构作为硬件编码,并显示出巨大的zero-shot转移到全新的机器人在训练过程中没有看到。对于zero-shot成功率较低的机器人,我们还证明了微调策略网络比从头开始训练模型更有效。在任务中,知道代理动力学是成功的重要因素,我们学习机器人硬件的嵌入,并表明以硬件编码为条件的政策往往会推广和转移。代码和视频可以在项目网页上找到:https://sites.google.com/view/robot-transfer-hcp。
2019-01-13 cs.AI cs.LG cs.RO
Assistive VR Gym: Interactions with Real People to Improve Virtual Assistive Robots
Georgia Institute of Technology(佐治亚理工学院)
多功能机器人护理人员可以使全球数百万人受益,包括老年人和残疾人。最近的工作探索了机器人护理人员如何通过物理模拟学习与人互动,但将学到的知识转移到真正的机器人上仍然具有挑战性。虚拟现实(VR)有可能帮助弥合模拟和现实世界之间的差距。我们介绍了辅助VR健身房(AVR健身房),它使真人能够与虚拟辅助机器人进行交互。我们还提供证据表明,AVR Gym可以帮助研究人员提高模拟训练的辅助机器人与真人的性能。在AVR Gym之前,我们使用两个模拟机器人(来自Willow Garage的PR2和来自Kinova的Jaco),仅在模拟中训练机器人控制策略(原始策略),用于四个机器人任务(机器人辅助喂食,饮水,瘙痒抓挠和床上洗澡)。与AVR Gym合作,我们根据从真人测试原始政策中获得的见解制定了修订后的政策。通过对AVR Gym的八名参与者进行的正式研究,我们发现原始策略表现不佳,修订后的策略表现明显更好,并且用于训练修订后策略的生物力学模型的改进导致模拟人更好地匹配真实参与者。值得注意的是,与会者非常不同意原始政策在援助方面取得了成功,但非常同意修订后的政策在援助方面取得了成功。总的来说,我们的研究结果表明,VR可以用来提高模拟训练的控制策略的性能,而不会使人处于危险之中,从而成为真正的机器人辅助的宝贵垫脚石。
2020-07-22 cs.HC cs.LG cs.RO
Wasserstein Gradient Flows for Optimizing Gaussian Mixture Policies
Bosch Center for Artificial Intelligence (BCAI)(博世人工智能中心(BCAI))
提出将基于GMMs的机器人策略优化转化为Wasserstein梯度流问题,利用$L^2$-Wasserstein距离和Bures-Wasserstein流形约束更新,在避障等任务中提升了成功率与稳定性。
2023-05-17 cs.LG cs.RO
On the causality between affective impact and coordinated human-robot reactions
Computer science department of The IT-University of Copenhagen(丹麦技术大学计算机科学系)
本文研究主动与人类共享事件反应的机器人如何改变人类对其情感影响的感知,通过两组实验发现约200ms延迟对观察者影响最大,约100ms延迟最能让人类感到对机器人影响最大。
2025-08-06 cs.RO
WorldEval: World Model as Real-World Robot Policies Evaluator
Midea Group(美的集团);East China Normal University(华东师范大学)
本文提出WorldEval,利用世界模型作为真实世界机器人策略的在线评估器,通过Policy2Vec将视频生成模型转为世界模拟器,实现策略排名与安全检测,并与真实环境性能强相关。
2025-05-25 cs.CV cs.LG cs.RO
Efficient Evaluation of Multi-Task Robot Policies With Active Experiment Selection
University of Southern California(南加州大学)
针对多任务机器人策略评估成本高、结果不可靠的问题,提出将其建模为主动测试问题,利用自然语言先验建模任务关系,通过成本感知的期望信息增益启发式选择信息性试验,降低评估成本。
2025-02-14 cs.AI cs.LG cs.RO
Learning Navigation Skills for Legged Robots with Learned Robot Embeddings
Georgia Institute of Technology(佐治亚理工学院);Facebook AI Research(Facebook人工智能研究院)
最近的工作已经显示出在模拟中学习理想化圆柱体代理的导航策略并将其转移到真正的轮式机器人上的结果。在足式机器人上部署这样的导航策略可能是具有挑战性的,因为它们的复杂动力学,以及圆柱代理和腿式系统之间的大的动力学差异。在这项工作中,我们学习分层导航政策,占低层次的动态足式机器人,如最大速度,滑动,接触,并学会成功地导航杂乱的室内环境。为了将在模拟中学习的策略转移到新的足式机器人和硬件上,我们学习了具有机器人特定嵌入的多个机器人之间的动态感知导航策略。学习的嵌入在新机器人上进行优化,而策略的其余部分保持固定,允许快速适应。我们在模拟中对三个足式机器人进行策略训练--两个四足机器人(A1,AlienGo)和一个六足机器人(Daisy)。在测试时,我们研究了我们的学习策略的性能在两个新的足式机器人在模拟(莱卡戈,4腿雏菊),和一个现实世界的四足机器人(A1)。我们的实验表明,我们的学习策略可以样本有效地推广到以前看不见的机器人,并使足式机器人的导航策略的仿真到现实迁移。
2021-09-13 cs.RO
Challenges in the Safety-Security Co-Assurance of Collaborative Industrial Robots
University of York(约克大学);University of Sheffield(谢菲尔德大学)
本研究围绕协作工业机器人的安全与安保协同保障难题,梳理了相关保障方法,分析了制造业人机协作的技术现状与挑战,并指出了待解决的流程与技术问题。
2020-07-17 cs.CR cs.RO cs.SE
Learning Coordinated Bimanual Manipulation Policies using State Diffusion and Inverse Dynamics Models
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Texas at Austin(德克萨斯大学奥斯汀分校);Columbia University(哥伦比亚大学)
本文提出将人类操作策略的预测特性引入机器人模仿学习,通过解耦任务相关状态转换与逆动力学建模,利用扩散模型预测未来状态并结合逆动力学模型计算动作,有效解决了双臂协调操作问题,在多模态目标和真实世界设置中均优于现有方法。
2025-03-30 cs.AI cs.RO
Coordinated Heterogeneous Distributed Perception based on Latent Space Representation
Bielefeld University(比勒费尔德大学);Queensland University of Technology(昆士兰科技大学)
我们研究了一种基于多模态深度生成模型的潜在空间的分布式感知增强方法。我们的贡献提供了以下好处的见解:由于由变分自动编码器(VAE)训练的信息的共享潜在表示,检测可以在配备有单峰传感器的机器人之间有效地交换。由于VAE的生成特性,传感器融合可以异步应用。深度Q网络(DQN)经过训练,通过将机器人协调到感兴趣点(POI)来最大限度地减少潜在空间中的不确定性,其中它们的传感器模态可以提供有关POI的有益信息。此外,我们表明,不确定性的降低可以被定义为训练DQN的直接奖励信号。
2018-09-12 cs.AI cs.LG cs.RO
Coordinated Strategies in Realistic Air Combat by Hierarchical Multi-Agent Reinforcement Learning
IDSIA, USI-SUPSI(Dalle Molle人工智能研究所,提契诺大学-瑞士南部应用科学与艺术大学);Armasuisse S+T(瑞士联邦国防采购局科学技术部)
针对真实空战中的态势感知与非线性动力学挑战,提出分层多智能体强化学习框架,结合异构动力学、课程学习与联赛对战,提升缠斗场景的学习效率与作战性能。
2025-10-22 cs.AI cs.HC cs.LG
RoboTTT: Context Scaling for Robot Policies
NVIDIA(英伟达公司);Stanford University(斯坦福大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
研究提出RoboTTT,将测试时训练集成到机器人基础模型,通过序列动作强制和截断反向传播扩展视觉运动上下文到8K时间步长,解锁新能力,提升多任务性能,证明上下文长度是机器人基础模型新扩展轴。
2026-07-17 cs.AI cs.LG cs.RO