Real-time Data Driven Precision Estimator for RAVEN-II Surgical Robot End Effector Position
University of Washington(华盛顿大学)
在过去的几十年里,手术机器人由于其高灵敏度、小尺寸和远程可控性而被引入手术室。许多手术机器人的电缆驱动特性使系统灵巧而轻便,直径低至5 mm。然而,由于缆索的松弛和拉伸以及齿轮的侧隙,不可避免地给运动学计算带来了不确定性。由于报告的RAVEN-II等手术机器人的末端执行器位置是使用电机编码器测量值和正运动学直接计算的,因此可能包含高达10 mm的相对较大的误差,而引入腹部手术的半自主功能需要至多1 mm的位置不准确度。为解决这一问题,提出了一种低成本、实时的【形】数据驱动的机器人末端执行器位置精度估计流水线,并在RAVEN-II上进行了测试。分析表明,改进的末端执行器的位置误差约1毫米RMS穿越整个机器人工作空间,没有高分辨率的运动跟踪器。
2019-10-14 cs.CV cs.RO
High-Precise Robot Arm Manipulation based on Online Iterative Learning and Forward Simulation with Positioning Error Below End-Effector Physical Minimum Displacement
Peking University(北京大学)
精度是机器人手臂的关键性能指标,因为高精度操作允许更广泛的应用。传统的提高机器人手臂精度的方法依赖于误差补偿。然而,这些方法通常不鲁棒并且缺乏适应性。基于学习的方法提供了更大的灵活性和适应性,而目前的研究表明,它们往往无法达到高精度,并且难以处理许多需要高精度的场景。本文提出了一种基于在线迭代学习和前向仿真的高精度机械臂操作框架,该框架能够实现小于末端执行器物理最小位移的定位误差(精度)。此外,我们将多个高精度操作策略并行化,以更好地结合在线迭代学习和正向模拟。此外,我们考虑的关节角分辨率的实际机器人手臂,这是通常被忽略的相关工作。仿真和真实UR3机器人手臂平台上的一系列实验表明,我们提出的方法是有效的和有前途的。相关代码将很快发布。
2023-02-26 cs.RO
Peduncle Gripping and Cutting Force for Strawberry Harvesting Robotic End-effector Design
Lincoln Institute of Agri-Technology (LIAT)(林肯农业技术研究所);School of Computer Science(计算机科学学院);Lincoln Center of Autonomous Systems (LCAS)(林肯自主系统中心);University of Lincoln(林肯大学)
本文通过实验测定草莓果柄的安全夹持力与切割力,为采摘机器人夹持切割式末端执行器设计提供关键参数依据。
2022-07-25 cs.RO
Design and integration of a parallel, soft robotic end-effector for extracorporeal ultrasound
目的:在这项工作中,我们解决了国家的最先进的超声机器人的限制,通过设计和集成一种新的软机器人系统的超声成像。它采用软流体致动器的固有品质,以在超声探头和患者之间建立安全、适应性强的相互作用。研究方法:我们收集临床数据,以确定产前胎儿超声成像所需的运动范围和力的水平,并设计相应的软机器人末端执行器。我们验证其机械特性,推导和验证动静态模型,并证明可控性和成像能力的超声幻影。结果如下:该软体机器人具有理想的刚度特性,在无外力作用时,能够达到所需工作空间的100%,而在考虑其柔顺性时,能够达到所需工作空间的95%。该模型能够准确预测末端执行器的位姿,位置平均误差为1.18 ± 0.29 mm,方向平均误差为0.92 ± 0.47 °。推导出的控制器是,平均位置误差为0.39毫米,能够有效地跟踪目标位姿没有和外部施加的负载。与手动超声仪扫描相比,使用该系统采集的超声图像具有同样好的质量。结论:该系统能够承受在胎儿超声扫描期间通常施加的负载,并且在类似于手动扫描的运动范围内保持可控。意义:所提出的软体机器人提供了一种安全、具有成本效益的解决方案,可以减轻超声医师在日常扫描程序中的负担。设计和建模范例是非常普遍的,特别适合于设计软体机器人的物理交互任务。
2020-07-22 cs.RO
Design of a Multi-Modal End-Effector and Grasping System: How Integrated Design helped win the Amazon Robotics Challenge
Queensland University of Technology(昆士兰科技大学);Australian Centre for Robotic Vision(澳大利亚机器人视觉中心)
我们介绍了卡特曼背后的抓取系统和设计方法,卡特曼是2017年亚马逊机器人挑战赛的获胜者。我们调查的设计过程,导致系统的最后迭代,并通过比较它与关键的机器人设计方面的紧急解决方案。根据我们的经验,我们提出了一个新的设计方面,精度与冗余,应该考虑与先前提出的设计方面的模块化与集成,通用性与假设,计算与实施和规划与反馈。我们展示了卡特曼背后的抓取系统,卡特曼是2017年亚马逊机器人挑战赛的获胜机器人。该系统通过实施互补工具、抽吸夹持器和平行夹持器在设计中充分利用了冗余。这种多模态末端执行器与三种抓取合成算法相结合,以适应亚马逊在挑战期间提供的对象范围。我们提供了一个详细的系统描述和性能评估,然后讨论系统的更广泛的性质,相对于机器人设计的关键方面,最初提出的第一个亚马逊采摘挑战赛的获奖者。为了解决我们的抓持系统的主要性质及其成功的原因,我们提出了一个额外的机器人设计方面的“精度与冗余”。我们的机器人系统的完整设计,包括末端执行器,是开源的,可在http://juxi.net/projects/AmazonRoboticsChallenge/
2018-06-19 cs.RO
Homography matrix based trajectory planning method for robot uncalibrated visual servoing
Wuhan Institute of Technology(武汉工程大学);Huazhong University of Science and Technology(华中科技大学);Wuhan University(武汉大学)
提出基于单应矩阵的轨迹规划方法,利用特征值分解与单应矩阵获取最优图像轨迹,使无标定视觉伺服在较大初始偏差下实现最短路径跟踪。
2023-08-30 cs.RO
CAFEs: Cable-driven Collaborative Floating End-Effectors for Agriculture Applications
EPFL(洛桑联邦理工学院);School of Engineering STI(工程学院(STI))
该研究提出新型绳驱协作浮动末端执行器CAFEs,通过共享滚轮驱动绳组与快速切换夹持机构实现多机械臂协同运动,结合动力学模型保障精准稳定,验证了其在农业自动化中的应用潜力。
2025-03-19 cs.RO
Triple Scissor Extender: A 6-DOF Lifting and Positioning Robot
Massachusetts Institute of Technology(麻省理工学院)
我们提出了一种新颖的6自由度机器人机构达到高天花板和定位的末端执行器。末端执行器由三个可伸缩机构支撑,这些机构向天花板延伸,6个独立的线性致动器移动各个剪刀的底端。每一个顶点的顶点连接到三个球接头位于三个顶点的顶部三角形板举行的末端执行器。基座上的6个线性致动器的协调运动允许末端执行器以任意方向到达任意位置。三剪式伸缩器的设计概念,其次是运动学建模和分析的逆雅可比矩阵相关的驱动器速度的末端执行器的速度。确定了不同构型的逆雅可比特征值,以表征其运动学特性。一个概念验证原型已经设计和建造。通过实验对用于微分控制的逆雅可比矩阵进行了评估。
2020-07-02 cs.RO
Learning an internal representation of the end-effector configuration space
UPMC Univ Paris 06(巴黎第六大学);ISIR(智能与机器人系统研究所);Univ Paris 05 Descartes(巴黎第五大学笛卡尔学院);LPP(心理学知觉实验室)
目前的机器学习技术提出自动发现机器人运动学通常依赖于先验信息的机器人的结构,传感器的属性或末端执行器的位置。本文提出了一种方法来估计的正运动学模型的某一方面没有这样的信息。末端执行器配置的内部表示在非常有限的假设下从非结构化本体感受和外感受数据流生成。然后,从本体感受空间到该代表空间的映射可以用于控制机器人。
2018-10-03 cs.LG cs.RO stat.ML
Characterizing Healthy & Post-Stroke Neuromotor Behavior During 6D Upper-Limb Isometric Gaming: Implications for Design of End-Effector Rehabilitation Robot Interfaces
University of Utah(犹他大学)
本研究通过分析健康及中风后用户在等张任务中的神经运动行为,提出了一种基于sEMG信号的HMM分类方法,探讨了接口设计对行为的影响及康复机器人设计的启示。
2026-03-10 cs.HC cs.RO
Krysalis Hand: A Lightweight, High-Payload, 18-DoF Anthropomorphic End-Effector for Robotic Learning and Dexterous Manipulation
University of California-Davis(加州大学戴维斯分校)
本文提出Krysalis Hand五指机器人末端执行器,集成执行器并采用自锁机构,实现18自由度、790克重量、10牛主动挤压力与超10磅被动负载,适用于工业与研究场景的灵巧操作,代码开源。
2025-04-17 cs.RO
A Cable-Driven Parallel Robot with Full-Circle End-Effector Rotations
Laboratoire des Sciences du Numérique de Nantes (LS2N)(南特数字科学实验室(LS2N));Centre National de la Recherche Scientifique (CNRS)(法国国家科学研究中心(CNRS));Université Laval(拉瓦尔大学);École Centrale de Nantes(南特中央理工学院)
缆索驱动并联机器人(CDPR)具有高负载能力、大平移工作空间和高动态性能。CDPR的刚性基础框架使用电缆平行连接到移动平台。然而,由于电缆/电缆和电缆/移动平台的碰撞,它们的定向工作空间通常是有限的。本文论述了混合机器人的设计,建模和原型。该机器人由CDPR和PSW串联组成,具有大的平移工作空间和无限的定向工作空间。应当注意,CDPR的移动平台(即,PSW的基座)的六个自由度(DOF)运动和PSW的三个DOF运动通过固定到基座的八个致动器来致动。因此,整个系统是欠驱动的,并且其总质量和运动惯性减小。
2021-01-04 cs.RO
Shared-Control Robotic Manipulation in Virtual Reality
Monash University(莫纳什大学)
在本文中,我们提出了一个虚拟现实(VR)为基础的遥操作界面移动机器人机械手的实现细节。我们提出了一个迭代的人在回路设计,用户设置下一个任务空间的路径点的机器人的末端执行器和执行的物理机器人的行动之前,设置下一个路径点。来自机器人周围环境的信息以两种形式提供给用户:3D空间中的点云和投影在虚拟墙上的视频流。通过虚拟末端执行器的颜色将所选末端执行器姿态的可行性传达给用户。该接口被证明成功地工作的拾取和放置的情况下,然而,我们的试验表明,可以增加的互动和系统的自主水平的流畅性。
2022-05-21 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
An Agnostic End-Effector Alignment Controller for Robust Assembly of Modular Space Robots
Space Robotics Lab (SRL), Dept. of Aerospace Engineering, Tohoku University(空间机器人实验室(SRL)、航空航天工程系、东洋大学)
本研究提出一种不可知末端执行器对齐控制器,通过动态超球面钳位实现自适应速度边界,在JAXA模拟器中验证了两种变体,实现毫米级精度与鲁棒性。
2025-10-24 cs.RO
Foundation Feature-Driven Online End-Effector Pose Estimation: A Marker-Free and Learning-Free Approach
Peking University(北京大学);Center on Frontiers of Computing Studies, School of Computer Science, Peking University(北京大学计算机科学学院计算前沿研究中心);PKU-Agibot Lab(北大-星猿哲实验室);National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University(北京大学计算机科学学院多媒体信息处理国家重点实验室)
针对传统手眼标定需离线采集标记、现有基于学习的位姿估计泛化性差的问题,提出无需训练的FEEPE算法,利用基础模型预训练视觉特征结合PnP实现6D位姿估计,辅以多历史关键帧优化提升精度,实现无标记在线标定与跨机器人泛化。
2025-03-18 cs.CV cs.RO
Learning Markerless Robot-Depth Camera Calibration and End-Effector Pose Estimation
Koc University(科奇大学)
传统的外部校准方法使用基准标记,基于学习的方法严重依赖于仿真数据。在这项工作中,我们提出了一个基于学习的无标记外部校准系统,使用深度相机,不依赖于模拟数据。我们从自动生成的真实数据中学习用于末端执行器(EE)分割、单帧旋转预测和关键点检测的模型。我们使用变换技巧从旋转预测中获得EE姿态估计,并使用匹配算法从关键点预测中获得EE姿态估计。我们进一步利用迭代最近点算法,多帧,过滤和离群值检测,以增加校准的鲁棒性。我们的评估与训练数据从多个相机姿势和测试数据从以前看不见的姿势给亚厘米和亚分弧度的平均校准和姿势估计误差。我们还表明,一个精心选择的单一训练姿势给出了可比的结果。
2022-12-15 cs.CV cs.RO
Picking by Tilting: In-Hand Manipulation for Object Picking using Effector with Curved Form
The Chinese University of Hong Kong(香港中文大学)
本文提出一种利用曲面被动末端执行器与支撑面配合的机器人手中操作技术,通过先倾斜物体再塞入末端执行器形成抗重力抓取,实现对过大物体的可靠拾取。
2024-11-25 cs.RO
POE: Acoustic Soft Robotic Proprioception for Omnidirectional End-effectors
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Northeastern University(东北大学)
针对软体机器人形状估计难题,本文提出表面嵌入六麦克风的 POE 及 POE-M 声学本体感知方法,通过关键点预测与能量最小化网格重建实现更鲁棒精确的三维形状感知。
2024-01-17 cs.RO
Whole-body End-Effector Pose Tracking
Robotic Systems Lab, ETH Zurich(苏黎世联邦理工学院机器人系统实验室);ETH AI center(苏黎世联邦理工学院人工智能中心);NVIDIA(英伟达)
提出一种全身强化学习框架,结合地形感知采样与游戏课程,在非结构化地形的大工作空间内实现四足机器人末端执行器姿态的精确跟踪,误差仅2.64厘米和3.64度。
2025-04-25 cs.AI cs.LG cs.RO
Conveying Surroundings Information of a Robot End-Effector by Adjusting Controller Button Stiffness
Tohoku University(东北大学)
本研究提出利用DualSense控制器自适应触发器,通过虚拟扩展末端执行器体积并调整按钮刚度,实现基于触觉的遥操作反馈,降低碰撞风险并提升操作性能。
2024-11-07 cs.HC cs.RO
Design and Evaluation of a Compact 3D End-effector Assistive Robot for Adaptive Arm Support
School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航天工程学院);Rehabilitation Research Institute of Singapore (RRIS)(新加坡康复研究院)
本文设计五自由度3D末端执行器辅助机器人ARAE,提出无外部传感器的手臂姿态估计与自适应重力补偿控制框架,实验证明其可显著降低肌肉活动并支持ADL训练。
2024-04-04 cs.RO
Flying Vines: Design, Modeling, and Control of a Soft Aerial Robotic Arm
Stanford University(斯坦福大学)
本文提出一种轻量、紧凑的软体空中机械臂“飞藤”,通过数据驱动建模与轨迹优化控制四旋翼-藤蔓耦合动力学,实现高速末端执行器跟踪。
2025-03-26 cs.RO
Beyond the End-Effector: Learning Whole-Arm Contact Manipulation from Human Demonstrations
University of Southern California(南加州大学)
该研究提出全臂接触学习(WACL)分层框架,从10次裸手人类演示中学习全臂接触操纵,在末端执行器约束下成功率78%,优于基线,且可泛化新约束无需重训。
2026-10-14 cs.CV cs.LG cs.RO
Force-Motion Control For A Six Degree-Of-Freedom Robotic Manipulator
University of Maryland Baltimore County(马里兰大学巴尔的摩县分校);Dynamic Dimension Technologies LLC(动态维度技术有限责任公司)
本文针对六自由度空间操作臂提出统一的运动与力控制算法,通过设计末端执行器线性加速度实现轨迹跟踪与接触力限制,并经数值仿真和数字孪生验证其有效性。
2024-08-07 cs.RO math.DS
Active End-Effector Pose Selection for Tactile Object Recognition through Monte Carlo Tree Search
GRASP Laboratory, University of Pennsylvania(宾夕法尼亚大学GRASP实验室)
本文考虑的问题,仅使用触摸的主动物体识别。重点是自适应地选择一系列的手腕姿势,实现准确的识别外壳把握。它旨在最大限度地减少触摸次数并最大限度地提高识别置信度。这些动作被公式化为手腕相对于彼此的姿势,使得算法独立于绝对工作空间坐标。用蒙特卡罗树搜索逼近最优序列。我们演示结果在物理引擎和一个真正的机器人。在物理引擎中,大多数对象实例在最多16次抓握中被识别。在一个真正的机器人,我们的方法识别对象在2- 9把握和优于贪婪的基线。
2017-07-30 cs.RO
Automatic Design of Task-specific Robotic Arms
Carnegie Mellon University(卡内基梅隆大学);National Robotics Engineering Center(国家机器人工程中心);ETH Zurich(苏黎世联邦理工学院)
我们提出了一个交互式的,计算设计系统,用于创建定制的机器人手臂高层次的任务描述和环境约束。各种任务要求可以被编码为机器人臂的末端执行器的期望运动轨迹。鉴于这样的末端执行器的轨迹,我们的系统使定制的机器人手臂的按需设计使用的模块化和可重构的部件,如致动器和连接链接库。通过搜索这些部件的可能布置的组合集合,我们的方法生成能够跟踪所需轨迹的功能性的、尽可能简单的机器人臂。我们展示了我们的系统的能力,通过创建机器人手臂的设计模拟,为各种轨迹以下的情况。
2018-06-19 cs.RO
CubiX: Portable Wire-Driven Parallel Robot Connecting to and Utilizing the Environment
The University of Tokyo(东京大学)
针对传统线驱动并联机器人工作空间受限于锚点布局的问题,本文设计便携式机器人 CubiX,通过最多 8 根线连接环境并集成卷绕驱动器,实现任意位置构建并联线驱动结构。
2024-10-08 cs.RO
Coarse-to-Fine Imitation Learning: Robot Manipulation from a Single Demonstration
Imperial College London(帝国理工学院)
我们介绍了一种简单的新方法,视觉模仿学习,它允许一个新的机器人操作任务,从一个单一的人类示范学习,而不需要任何先验知识的对象进行交互。我们的方法将模仿学习建模为状态估计问题,状态定义为对象交互开始时末端执行器的姿势,如从演示中观察到的。然后通过将操纵任务建模为粗略的接近轨迹,然后是精细的交互轨迹,可以通过自动地围绕对象移动末端执行器的相机来以自我监督的方式训练该状态估计器。在测试时,末端执行器通过线性路径移动到估计状态,在该点处简单地重放原始演示的末端执行器速度。这使得能够方便地获取复杂的交互轨迹,而实际上不需要显式地学习策略。在8个日常任务上的真实实验表明,我们的方法可以从单个人类演示中学习各种技能,同时还可以生成稳定且可解释的控制器。
2021-06-10 cs.LG cs.RO
Enumeration, structural and dimensional synthesis of robotic hands: theory and implementation
Washington State University(华盛顿州立大学);Idaho State University(爱达荷州立大学)
为特定任务设计机器人手可以帮助创建用于抓取和操作的优化末端执行器。然而,用于所有指尖的同时任务的机器人手的系统设计提出了许多挑战。在这项工作中的算法和实施的整体综合过程中,这可能是第一步走向一个完整的设计工具,机器人末端执行器。类型合成为一个给定的任务和手指的数量,可解性和尺寸合成为任意拓扑结构的开发和实施。由此产生的求解器是一个强大的工具,可以帮助创建具有任意数量的手指和手掌的创新机器人手。给出了几个类型综合、可解性计算和量纲综合的例子。
2020-08-19 cs.RO
Design and Analysis of 6-DOF Triple Scissor Extender Robots with Applications in Aircraft Assembly
Massachusetts Institute of Technology(麻省理工学院)
提出了一种新型的可伸缩并联机器人机构,分析了其运动学特性和设计参数。三剪式延长器(TSE)是一种6自由度机器人机构,用于到达高高的天花板并定位末端执行器。三个平移机构平行布置,其底端联接到线性滑动件,并且顶部顶点附接到末端执行器板。末端执行器的任意位置和方向可以通过位于基座处的六个线性致动器的协调运动来实现。通过改变关键的几何参数,TSE的设计可以产生特定的期望的工作空间体积和差动运动行为。不同的TSE的一般运动学模型的推导,和运动学特性,包括工作空间,奇异性,和雅可比奇异值,进行评估。从这些表达式中,四个关键的设计参数被确定,并分析其对工作空间体积和雅可比奇异值的灵敏度。在自主飞机装配的案例研究,提出了使用的见解,从设计参数的研究。
2020-07-02 cs.RO
Variable Impedance Control in End-Effector Space: An Action Space for Reinforcement Learning in Contact-Rich Tasks
Stanford University(斯坦福大学);Nvidia(英伟达)
近年来,接触丰富的操作任务的强化学习(RL)取得了令人印象深刻的结果。虽然RL中的许多研究都集中在改变观察空间或奖励模型上,但很少有人关注动作空间的选择(例如关节或末端执行器空间,位置,速度等)。然而,在机器人运动控制的研究表明,选择一个动作空间,符合任务的特点,可以简化探索和提高鲁棒性的干扰。本文研究了深度强化学习中不同动作空间的影响,并倡导末端执行器空间(VICES)中的可变阻抗控制作为约束和接触丰富任务的有利动作空间。我们评估三个原型操作任务的多个动作空间:路径跟踪(无接触任务),开门(运动约束任务),和表面擦拭(连续接触任务)。我们表明,VICES提高了样本效率,保持低能耗,并确保所有三个实验设置的安全性。此外,使用VICES学习的RL策略可以在仿真中跨不同的机器人模型传输,并且对于同一机器人可以从仿真传输到真实。更多信息请访问https://stanfordvl.github.io/vices。
2019-08-02 cs.AI cs.LG cs.RO
STEP: State Estimator for Legged Robots Using a Preintegrated foot Velocity Factor
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
我们提出了一种新的状态估计足式机器人,STEP,通过一个新的预集成脚速度因子。在预积分的脚速系数中,没有采用通常的无滑移假设。相反,末端执行器速度变得可通过利用从立体相机获得的主体速度来观察。换句话说,可以估计预集成的末端执行器的姿态。我们的方法的另一个优点是,它消除了接触检测步骤的必要性,不像典型的方法。所提出的方法也已在恶劣环境的模拟和现实世界的实验,包括不平坦或光滑的地形进行了验证。
2022-02-11 cs.RO
Aerial Layouting: Design and Control of a Compliant and Actuated End-Effector for Precise In-flight Marking on Ceilings
Autonomous Systems Lab, ETH Zurich(苏黎世联邦理工学院自主系统实验室)
该研究针对空中机器人毫米级定位精度需求,设计采用Gough-Stewart机构的柔顺驱动末端执行器,实现天花板上的精确标记,无需复杂建模或控制。
2026-08-12 cs.RO
FastOrient: Lightweight Computer Vision for Wrist Control in Assistive Robotic Grasping
Imperial College London(帝国理工学院)
用于人类抓握支持的可穿戴和辅助机器人技术广泛地是远程操作的机器人手臂或通过瘫痪用户的手的矫正控制来行动。这样的装置需要正确的取向以成功和有效地抓取。在许多人类-机器人辅助设置中,终端用户需要明确地控制许多自由度,使得有效或高效的控制成为问题。在这里,我们展示了通过自动末端执行器方向控制抓取来卸载辅助机器人和主动矫形器的低级别控制。本文介绍了一种紧凑的算法,实现快速计算机视觉技术,以获得目标物体的方向被抓住,通过分割与定位在机器人设备的末端执行器的顶部上的摄像机获得的图像。优化抓取所需的旋转直接从物体的方向计算。该算法已在6个不同的场景背景和末端效应器的方法,以26个不同的对象进行了评估。94.8%的物体在所有背景中被检测到。在91.1%的情况下,实现了对象的把握,并已与机器人模拟器确认算法的性能进行了评估。
2018-07-22 cs.CV cs.RO
GBEC: Geometry-Based Hand-Eye Calibration
Johns Hopkins University(约翰斯·霍普金斯大学);Applied Physics Laboratory, Johns Hopkins University(约翰斯·霍普金斯大学应用物理实验室)
本文提出基于几何的手眼标定方法 GBEC,仅利用法兰几何与刚体标记位姿求解末端执行器到传感器的变换,并在 TMS 和股骨成形术实验中验证其精度、可重复性与可推广性。
2024-04-08 cs.RO
An optimal fuzzy-PI force/motion controller to increase industrial robot autonomy
University of Coimbra(科英布拉大学)
通过对机器人末端执行器与周围环境接触的分析,提出了一种机器人自识别和自适应的方法。通常,在离线机器人编程中,理想化的机器人环境(虚拟环境)不能准确地反映真实环境。在这种情况下,我们处于部分未知环境(PUE)中。因此,机器人系统必须具有一定程度的自主性来克服这种情况,特别是当接触存在时。所提出的力/运动控制系统具有基于施加在机器人末端执行器上的力和扭矩的外部控制回路和基于机器人运动的内部控制回路。外部控制回路进行了测试与最佳比例积分(PI)和模糊PI控制器。该系统的性能进行了验证与现实世界的实验,涉及接触PUE。
2013-09-09 cs.RO
Flying Hand: End-Effector-Centric Framework for Versatile Aerial Manipulation Teleoperation and Policy Learning
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Pennsylvania State University(宾夕法尼亚州立大学)
针对空中操作现有方法硬件与控制框架耦合任务规格的问题,提出末端执行器中心统一框架,解耦高层决策与低层控制,通过全驱动六旋翼+4自由度机械臂及对应控制器,提升跟踪精度并支持多任务,推动空中操作标准化。
2025-04-14 cs.RO
Wall-Climbing Performance of Gecko-inspired Robot with Soft Feet and Digits enhanced by Gravity Compensation
Shenzhen Research Institute, Nanjing University of Aeronautics and Astronautics(南京航空航天大学深圳研究院)
针对低腿部刚度攀爬机器人因重力导致身体姿态偏差和末端附着不可靠的问题,本文提出前馈重力补偿(FGC)策略并结合腿部协调,在四足机器人 EF-I 上验证了其可将天花板行走成功率从 30% 提升至 100%,速度达到 9.2 mm/s。
2024-05-04 cs.RO
Dexterous Manipulation Graphs
KTH Royal Institute of Technology(瑞典皇家理工学院);Hong Kong University of Science and Technology(香港科技大学)
我们提出灵巧操作图作为一种工具,以解决在手操作和重新定位机器人的末端执行器内的对象。该图用于规划操纵基元的序列,以便将对象带到所需的结束姿势。该基元序列被转换成机器人的运动,以移动由末端执行器保持的物体。我们使用一个双臂机器人与平行的抓手,以测试我们的方法在一个真实的系统,并成功地规划和执行的手操作。
2018-03-01 cs.RO
Extending Wire-Driven Parallel Robots to Multi-Floating-Link Systems with an Inter-Body Wire
The University of Tokyo(东京大学)
本研究通过引入体间线,将并联线驱动系统从单末端执行器扩展至多浮动连杆系统,经实验验证可完成救援类任务,具备更广泛应用潜力。
2026-10-14 cs.RO
Combining and Decoupling Rigid and Soft Grippers to Enhance Robotic Manipulation
Virginia Tech(弗吉尼亚理工大学)
针对纯刚性或纯软体夹爪的局限性,本文提出RISOs方法,将刚性末端执行器与新型软体可切换粘合剂结合与解耦,实现跨100万倍重量范围的物体抓取,显著提升了机器人操作的承载能力与物体多样性。
2024-04-21 cs.RO
Human-robot collaborative object transfer using human motion prediction based on Cartesian pose Dynamic Movement Primitives
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Chalmers University of Technology(查尔姆斯理工大学)
在这项工作中,问题的人-机器人协作对象转移到未知的目标位姿。使用DMP(动态运动基元)对末端执行器姿态轨迹到已知目标姿态的期望模式进行编码。在物体向新的未知目标的转移过程中,提出了一种基于DMP的参考模型和EKF(Extended卡尔曼滤波器)方法,用于估计目标的位姿和人的预期运动持续时间。提供了整体方案的稳定性分析。实验使用Kuka LWR 4+机器人配备ATI传感器在其末端执行器验证其功效方面所需的人力,并比较它与导纳控制方案。
2021-10-27 cs.RO
PROSPECT: Precision Robot Spectroscopy Exploration and Characterization Tool
Institute for Experiential Robotics(体验式机器人研究所);Lincoln Laboratory, Massachusetts Institute of Technology(麻省理工学院林肯实验室);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Northeastern University(东北大学);Amazon Scholar(亚马逊学者)
提出PROSPECT传感末端执行器与视点规划方法,将NIR光谱连续配准到三维点云,构建四维光谱-空间模型并获得更一致的信号。
2024-10-01 cs.RO
Robotic System for Chemical Experiment Automation with Dual Demonstration of End-effector and Jig Operations
Division of Information, Science Graduate School of Science and Technology(信息科学研究生院);Nara Institute of Science and Technology(奈良科学技术大学);Materials Informatics Initiative, RD technology and digital transformation center(材料信息学计划,RD技术与数字化转型中心);JSR Corporation(JSR公司);Fine Chemical Process Dept., JSR Corporation(JSR公司精细化学工艺部门);Department of Chemistry Faculty of Science and Technology(科学与技术学部化学系);Keio University(庆应义塾大学);Data Science Center(数据科学中心);Division of Materials Science, Graduate School of Science and Technology(材料科学系,研究生院)
针对机器人与实验夹具同步运动缺乏灵活性的问题,提出利用化学家对机器人运动和夹具操作的双重演示实现自动化,并开发系统验证了高重现性与稳健成功率。
2025-09-18 cs.RO
Using Lie derivatives with dual quaternions for parallel robots
University of Missouri(密苏里大学);Johnson Space Center(约翰逊航天中心)
本文提出在对偶四元数框架下引入李导数,用于分析并联机器人中执行器对末端执行器的影响,并结合Newton-Raphson方法求解过约束正运动学,最终推导包含执行器惯量的运动方程。
2024-11-21 cs.RO
Design of an End-effector with Application to Avocado Harvesting
University of California, Riverside(加州大学河滨分校)
针对牛油果不规则外形、粗果梗和坚固花萼造成的采收难题,本文设计带两阶段旋转运动的刚性末端执行器,通过受力分析确定参数,并实验实现100%抓取取回成功率。
2024-07-01 cs.RO
A Balanced Positional Control Architecture for a 12-DoF Quadruped Robot through Simulation-validation and Hardware Testing
American International University-Bangladesh(孟加拉国美国国际大学)
本文提出一种12自由度四足机器人腿部平衡位置控制算法,通过正逆运动学推导和Python仿真验证,并在原型腿上实现78.9%的仿真一致准确率,证明算法可部署于实体机器人。
2024-07-30 cs.RO cs.SY eess.SY
Markerless visual servoing on unknown objects for humanoid robot platforms
Istituto Italiano di Tecnologia(意大利理工学院)
本文提出了一种无标记未知物体的人形机器人视觉伺服框架,通过立体视觉计算可抓取物体的体积,利用递归贝叶斯滤波估计末端执行器的6D姿态,结合非线性约束优化问题计算目标姿态,并通过图像基于视觉伺服控制实现末端执行器的精确控制。
2017-10-12 cs.RO cs.SY eess.SY
Kinematics and workspace analysis of a 3ppps parallel robot with u-shaped base
Laboratoire des Sciences du Numérique de Nantes(南特数字科学实验室);École Polytéchnique de Montréal(蒙特利尔理工学院)
本文对具有等边移动平台和U形基座的3-PPPS并联机器人进行了运动学分析。所提出的设计和适当的选择参数,使制定更简单的直接和逆运动学的研究中的机械手。与操纵器相关联的平行奇点仅取决于末端执行器的取向,并且因此仅取决于末端执行器的取向。四元数参数用于表示方面,即工作空间的无奇异区域。一个柱形代数分解是用来表征工作空间和关节空间与低数量的细胞。得到判别簇来描述每个单元的边界。通过这些简化,3-PPPS并联机器人与建议的设计可以声称是最简单的6自由度机器人,这进一步使其适用于工业应用。
2017-05-16 cs.RO
Deformable Elasto-Plastic Object Shaping using an Elastic Hand and Model-Based Reinforcement Learning
University of California, Berkeley(加州大学伯克利分校)
可变形的固体物体如粘土或面团在工业和家庭环境中是普遍的。然而,机器人操纵这样的对象在很大程度上仍然是未开发的文献中,由于在表示和建模它们的变形所涉及的高度复杂性。本研究提出一种新型的弹性末端执行器在强化学习框架下对面团进行滚压,解决了面团的弹塑性成型问题。末端执行器与面团相互作用的过渡模型是从一个小时的机器人探索中学习的,不同水合程度的面团被推出不同的长度。实验结果是令人鼓舞的,所提出的框架完成的任务,推出面团成一个指定的长度与60%的行动比探试法。此外,我们表明,使用软末端执行器估计刚度可以用来有效地初始化模型,提高机器人性能约40%,超过不正确的模型初始化。
2021-07-14 cs.RO
Learning Holistic Whole-Body Loco-Manipulation with a Bipedal Mobile Manipulator
ZJU-UIUC Institute(浙江大学-伊利诺伊大学厄巴纳-香槟分校联合学院);LimX Dynamics(LimX Dynamics(深圳逐际动力))
本文提出一种基于强化学习的统一全身控制器,直接映射6自由度末端执行器目标,协调双足移动操作机器人的伸展、姿态适应与迈步,并通过真实机器人实验验证其通用性。
2026-09-17 cs.RO
Towards AI-enhanced control: a numerical technique for trajectory smoothing of a parallel robot for pancreatic surgery
CESTER, Technical University of Cluj-Napoca(克卢日-纳波卡技术大学CESTER);École Centrale Nantes, Nantes Université(南特中央理工学院,南特大学);CNRS(法国国家科学研究中心);Technical Sciences Academy of Romania(罗马尼亚技术科学院)
本文提出一种数值方法,通过生成S曲线平滑并联机器人末端执行器轨迹,以减少胰腺微创手术中的组织创伤,并验证了实时控制下的稳定过渡。
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