Hierarchical LLMs In-the-Loop Optimization for Real-Time Multi-Robot Target Tracking under Unknown Hazards
GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）；Department of Electrical and Computer Engineering, Drexel University（德雷塞尔大学电气与计算机工程系）；Department of Computer Science, University of Southern California（南加州大学计算机科学系）
针对未知危险下实时多机器人目标跟踪的协同需求，提出分层优化框架将LLMs集成到决策环，通过LLMs推理危险与团队状态、调整双层优化参数实现实时行为调整，经仿真与实机实验验证有效性及LLMs安全集成能力。
2025-11-17 cs.RO
HEHA: Bounded Suboptimal Planning for Constrained Routing and Its Use in Heterogeneous Multi-Robot Exploration of Unknown Environments
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）
针对异构多机器人未知环境探索的大规模约束路径规划难题，提出HEHA分层方法，通过新型PEAF路由算法实现有界次优全局规划并结合异构感知局部规划，最多可减少30%探索时间。
2026-10-22 cs.RO
Hierarchical Planning and Scheduling for Reconfigurable Multi-Robot Disassembly Systems under Structural Constraints
Department of Systems Innovation, Graduate School of Engineering Science, The University of Osaka（大阪大学工学研究科系统创新部门）；Manufacturing Innovation Division, Panasonic Holdings Corporation（松下电器控股公司制造创新部门）
本文针对可重构多机器人非破坏性拆解受约束结构问题，提出分层优化方法：用多目标遗传算法进行序列与任务规划并结合运动评估，再用约束规划调度，并通过定制染色体初始化降低局部最优风险，仿真验证了其有效性。
2025-09-18 cs.RO
Initial Task Assignment in Multi-Human Multi-Robot Teams: An Attention-enhanced Hierarchical Reinforcement Learning Approach
Purdue University（普渡大学）；Beijing University of Chemical Technology（北京化工大学）
针对多人多机器人团队异质性下长周期初始任务分配的难题，提出带分层跨属性注意力机制的分层强化学习方法，经环境监视案例验证可提升分配效率。
2023-10-08 cs.RO
RHAML: Rendezvous-based Hierarchical Architecture for Mutual Localization
School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院）
本文提出 RHAML 层级架构，通过各向异性卷积、渲染迭代精化和位姿图全局优化，解决仅用 RGB 相机的无标记多机器人相互定位问题，并在仿真与地图融合中验证高精度和实用性。
2024-05-20 cs.RO
Decomposition-based Hierarchical Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
针对复杂时序逻辑规范下的多机器人任务分配与规划问题，提出基于分解的分层框架，通过原子子任务分解、任务网络构建及混合整数线性规划分配，在导航和操作仿真中实现更优解和更短运行时间。
2024-05-23 cs.AI cs.RO
Hierarchical Control of Smart Particle Swarms
Polytechnique Montreal（蒙特利尔理工学院）；The University of British Columbia（不列颠哥伦比亚大学）
提出由工作者与引导者构成的分层机器人群控制方法，通过调节局部交互参数实现大规模编队塑形，并在仿真和实体机器人上验证了可扩展性与有效性。
2023-07-14 cs.RO
Generalized Mission Planning for Heterogeneous Multi-Robot Teams via LLM-constructed Hierarchical Trees
Honda Research Institute USA（美国本田研究所）
本文提出一种针对异构多机器人团队的任务规划策略，利用大型语言模型构建层次树以分解复杂任务，并生成符合各机器人约束与能力的优化调度，验证了框架的灵活性与可扩展性。
2025-01-27 cs.AI cs.MA cs.RO
HGP-RL: Distributed Hierarchical Gaussian Processes for Wi-Fi-based Relative Localization in Multi-Robot Systems
School of Computing, University of Georgia（佐治亚大学计算学院）
针对多机器人系统在GPS拒止环境下相对定位依赖昂贵传感器、计算复杂的问题，提出基于Wi-Fi RSSI的分布式HGP-RL方法，经仿真和实验验证其在精度、计算与通信开销上更具优势。
2024-07-09 cs.MA cs.RO
Robotic Hierarchical Graph Neurons. A novel implementation of HGN for swarm robotic behaviour control
Monash University（莫纳什大学）；Defence Science and Technology Group（国防科学技术集团）；Sensor Analytics（传感器分析公司）
本文探讨了使用一种新形式的层次图神经元（HGN）在操作行为选择的机器人代理群。这种新的HGN被称为Robotic-HGN（R-HGN），因为它通过融合来自时间和群内集合的匹配概率来将机器人环境观测与环境标签相匹配。这种方法对于HGN来说是新颖的，因为它解决了机器人观测是伪连续数字，而不是分类值。此外，所提出的方法是存储器和计算功率保守的，因此是可以接受的，用于移动设备，如单板计算机，这是经常使用的移动机器人代理。该R-HGN方法针对个体行为实现和随机行为选择进行了验证。这种对比是在两组模拟环境中进行的：旨在挑战R-HGN行为的环境，以及随机生成的环境，这些环境对机器人群来说比R-HGN训练条件更具挑战性。已经发现R-HGN能够在这两个集合中进行适当的行为选择，从而在预先训练和意外的环境条件下实现显著的群体性能。
2019-10-28 cs.AI cs.MA cs.RO
A Hierarchical Region-Based Approach for Efficient Multi-Robot Exploration
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）；Polytechnic Institute, Zhejiang University（浙江大学理工学院）
针对未知环境多机器人探索中未知空间信息利用不足及任务分配计算开销大的问题，提出基于 RegionGraph 的分层框架，通过区域建模与任务分解提升探索效率。
2025-03-17 cs.RO cs.SY eess.SY
EmbodiedAgent: A Scalable Hierarchical Approach to Overcome Practical Challenge in Multi-Robot Control
School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）科学与工程学院）；Shenzhen Institute of Artificial Intelligence and Robotics for Society, China（社会人工智能与机器人研究所）；The School of Computer Science, The University of Sydney, Australia（悉尼大学计算机科学学院）；Faculty of Computer and Mathematical Sciences, The Hong Kong Polytechnic University, China（香港理工大学计算机与数学科学学院）
本文提出分层多机器人控制框架EmbodiedAgent，结合下一动作预测与结构化记忆分解任务并动态验证动作，构建了含18000余实例的MultiPlan+数据集与RPAS评估模式，有效缓解幻觉，在实验与真实场景中均展现卓越性能。
2025-08-15 cs.AI cs.RO
Nl2Hltl2Plan: Scaling Up Natural Language Understanding for Multi-Robots Through Hierarchical Temporal Logic Task Representation
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出 Nl2Hltl2Plan 框架，利用 LLM 将自然语言指令转换为分层 LTL 规范并求解多机器人规划，实验表明其在复杂指令、成功率和成本上均优于现有方法。
2024-12-05 cs.AI cs.LO cs.RO
LLM-Grounded Dynamic Task Planning with Hierarchical Temporal Logic for Human-Aware Multi-Robot Handover
The Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人社会研究院）；Harbin Institute of Technology（哈尔滨工业大学）；The Chinese University of Hong Kong-Shenzhen（香港中文大学（深圳））；Tsinghua Shenzhen International Graduate School（清华大学深圳国际 Graduate School）
本文提出基于分层时序逻辑的神经符号框架，实现动态任务规划以提升多机器人协作的效率和鲁棒性。
2026-07-30 cs.CV cs.RO
Overview: A Hierarchical Framework for Plan Generation and Execution in Multi-Robot Systems
University of Southern California（南加州大学）
作者提出了一个概述的分层框架，协调任务和运动级操作的多机器人系统。他们的框架是基于使用简单的时间网络的想法，同时原因的优先/因果约束所需的任务级的协调和简单的时间约束，需要考虑到一些运动学约束的机器人。在计划生成阶段，该框架提供了一个计算可扩展的方法来生成计划，实现高层次的任务组的机器人，并考虑到他们的一些运动约束。在计划执行阶段，该框架提供了一种方法，用于吸收不完美的计划执行，以避免在许多情况下耗时的重新规划。作者使用多机器人路径规划问题作为案例研究，提出了他们的框架背后的多机器人系统的长期自主性的关键思想。
2018-03-30 cs.AI cs.MA cs.RO
Language-Grounded Hierarchical Planning and Execution with Multi-Robot 3D Scene Graphs
Massachusetts Institute of Technology（麻省理工学院）；U.S. Army Combat Capabilities Development Command, Army Research Laboratory（美国陆军战斗能力发展指挥部，陆军研究实验室）
本文提出一种多机器人系统，通过构建共享3D场景图实现建图、定位与任务运动规划，并利用LLM将自然语言指令转化为PDDL目标，完成复杂任务。
2025-07-10 cs.AI cs.RO
Scalable Hierarchical Reinforcement Learning for Hyper Scale Multi-Robot Task Planning
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）；State Key Lab of Autonomous Intelligent Unmanned Systems, Beijing Institute of Technology（北京理工大学自主智能无人系统国家重点实验室）；Department of Automation, Tsinghua University（清华大学自动化系）；Beijing Geek+ Technology Co., Ltd（北京 Geek+ 科技有限公司）；Zhejiang Cainiao Supply Chain Management Company Ltd.（浙江菜鸟供应链管理有限公司）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）
本文针对超大规模多机器人任务规划中的维度灾难和动态性问题，提出基于分层强化学习的集中式规划器，结合分层时间注意力网络、多阶段课程学习和反事实rollout基线算法，在200台机器人和1000个货架规模下实现了优于现有方法的扩展性和泛化能力。
2024-12-27 cs.AI cs.MA cs.RO
MR-SPITE: Accelerating Multi-Robot Conflict Scans via Hierarchical Swept-Volume Approximations
University of Illinois（伊利诺伊大学）；Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术学院）
本文提出MR-SPITE，一种基于运动段保守边界的过滤器，通过层次化扫掠体近似加速多机器人路径冲突扫描，在ARC中集成后实现7.18倍扫描加速和57%规划时间减少。
2026-09-22 cs.CG cs.MA cs.RO
Multi-objective task allocation for electric harvesting robots: a hierarchical route reconstruction approach
School of Electrical and Information Engineering, Zhengzhou University（郑州大学电气与信息工程学院）；School of Electrical Engineering and Automation, Henan Institute of Technology（河南理工大学电气工程与自动化学院）；School of Engineering, RMIT University（皇家墨尔本理工大学工程学院）；KINDI Center for Computing Research, College of Engineering, Qatar University（卡塔尔大学工程学院计算研究中心）；Department of Electrical and Computer Engineering, University of Alberta（阿尔伯塔大学电气与计算机工程系）；Systems Research Institute of the Polish Academy of Sciences（波兰科学院系统研究所）
本文提出一种层次路由重建算法，用于解决多目标农业多电气机器人任务分配问题，通过整合创新机制提升任务分配效率和解决方案探索能力。
2025-09-16 cs.RO cs.SY eess.SY
Hierarchical LLM-Based Multi-Agent Framework with Prompt Optimization for Multi-Robot Task Planning
Data Science Laboratories, NEC Corporation（日本电气株式会社数据科学实验室）
本文提出一种分层多智能体框架，结合提示优化提升多机器人任务规划的准确性和效率。
2026-02-26 cs.AI cs.MA cs.RO
Simultaneous Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出分层有限轨迹线性时序逻辑 H-LTL$_f$，并开发基于搜索的多机器人同时任务分配与规划方法，通过子空间近似和多种启发式在保证解质量的同时显著提升规划效率。
2025-06-05 cs.AI cs.FL cs.RO
Hierarchical Learning for Modular Robots
Erle Robotics；Venta de la Estrella Kalea, 6；Vitoria-Gasteiz, Araba, Spain（01006 Vitoria-Gasteiz, Araba, Spain）
我们认为，分层方法可以成为模块化机器人实现可重构性的关键。我们提出了一个模块化的机器人，允许机器人同时学习多个任务的分层方法。我们的评估结果提出了一个由两种不同的模块化机器人配置，即3度的自由度（DoF）和4DoF与两个相应的目标组成的环境。在训练过程中，我们切换配置和目标，旨在评估训练神经网络，能够选择适当的运动原语和机器人配置，以实现目标的可能性。然后将训练好的神经网络在具有3DoF和4DoF配置的真实机器人上传输和执行。我们演示了这种技术如何推广到具有不同配置和任务的机器人。
2018-02-12 cs.RO
Prioritized Hierarchical Compliance Control for Dual-Arm Robot Stable Clamping
Ubtech Robotics Corp.（优必选机器人公司）；Tsinghua University（清华大学）；Beijing Innovation Center for Future Chips, Tsinghua University（清华大学北京未来芯片创新中心）
双臂机器人在人为环境中夹持刚性物体时，环境或协作的人会对被夹持物体或机器人手臂施加偶然的扰动，导致夹持失败，损坏机器人甚至伤害人。本研究提出一种优先阶层式顺应性控制，以同时处理双臂机器人夹持中的两种干扰。首先，我们使用分层二次规划（HQP）来解决机器人的逆运动学关节约束下，并优先考虑的对象上的干扰比在机器人手臂上的顺应性。其次，我们估计整个动量观测器与F/T传感器的干扰力，并采用导纳控制来实现顺应性。最后，我们进行了验证实验的14-DOF位置控制双臂机器人WalkerX，稳定夹持刚性物体，同时实现对干扰的顺应性。
2021-12-20 cs.RO
Implementation of a Hierarchical fuzzy controller for a biped robot
National Engineering School of Sfax, University of Sfax（斯法克斯大学斯法克斯国家工程学院）；Institute of Applied Sciences and technology of Sousse, University of Sousse（苏塞大学苏塞应用科学与技术研究所）
本文介绍了一种仿人机器人控制系统的设计。为机器人的行走周期指定控制。控制系统的实现是在Matlab Simulink上完成的。本文提出了一种递阶模糊逻辑控制器（HFLC）来控制平面行走。HFLC的设计灵感来自于人体运动系统。将该方法应用于五杆平面机器人进入自由区的无障碍控制。
2014-12-29 cs.RO
Sociable and Ergonomic Human-Robot Collaboration through Action Recognition and Augmented Hierarchical Quadratic Programming
Istituto Italiano di Tecnologia（意大利技术研究院）；Politecnico di Milano（米兰理工大学）
识别人类执行的动作并预测其意图是在人类-机器人团队中产生社交和成功协作的重要推动因素。同时，机器人应该有能力处理多个目标和约束，所产生的协作任务或人类。在这方面，我们提出了视觉技术来执行人类的动作识别和图像分类，这是集成到一个增强的分层二次规划（AHQP）计划，分层优化机器人的反应行为和人体工程学。建议的框架允许一个直观地命令机器人在空间中，而任务正在执行。这些实验证实了人体工程学和可用性的提高，这是减少肌肉骨骼疾病和增加对自动化信任的基本参数。
2022-07-07 cs.RO
Hierarchical Intention Tracking for Robust Human-Robot Collaboration in Industrial Assembly Tasks
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Pennsylvania State University（宾夕法尼亚州立大学）；Michigan Technological University（密歇根理工大学）
本文提出层级意图追踪方法，使协作机器人同时估计高层交互模式与低层任务信息，并在UR5e上验证了工业装配中稳健、无缝且符合人体工程学的人机协作。
2023-08-06 cs.RO
Fast Motion Planning for High-DOF Robot Systems Using Hierarchical System Identification
University of Maryland at College Park（马里兰大学帕克分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个有效的算法运动规划和控制的机器人系统具有高的自由度。这些包括高自由度软体机器人或与可变形环境交互的关节式机器人。我们的方法考虑到动力学约束，并提出了一种新的技术，使用数据驱动的方法来加速前向动力学计算。我们预先计算机器人系统的前向动力学函数的分层自适应网格。此外，我们利用欠驱动机器人系统的属性，并执行这些计算的几个自由度。我们提供我们的近似正向动力学计算的误差范围，并使用我们的方法为基础的优化运动规划和基于学习的反馈控制。我们的配方是用于运动规划的两个高自由度机器人系统：一个高自由度线驱动的弹性机器人手臂和水下游泳机器人在水中操作。与基于精确动态函数计算的现有技术相比，我们观察到性能上的一到两个数量级的改进。
2018-10-05 cs.RO
Control Barrier Functions Solved with Hierarchical Quadratic Programming for Safe Physical Human-Robot Interaction
本文提出利用分层二次规划框架在物理人机交互中设计性能和安全任务，平衡安全与性能。通过实验证明该方法的有效性、灵活性和通用性。
2026-04-24 cs.RO
MPC-Based Hierarchical Task Space Control of Underactuated and Constrained Robots for Execution of Multiple Tasks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种基于MPC的控制器，以有效地执行欠驱动和约束机器人系统的多层次任务。现有的任务空间控制器或全身控制器解决给定任务轨迹和机器人工厂动态的瞬时优化问题。然而，我们在这里提出的任务空间控制方法依赖于预测未来的状态轨迹和相应的成本去计算控制命令在有限的时间范围内的条款。我们采用加速能量误差作为优化问题的性能指标，并将其扩展到我们的MPC的有限时间范围内。我们的方法采用二次约束二次规划，其中包括二次约束来处理多个层次的任务，是计算效率比非线性MPC为基础的方法，依赖于非线性规划。我们验证了我们的方法，使用数值模拟的一种新型的机器人机械手系统，其中包含欠驱动和约束的机械结构。
2020-09-13 cs.RO
Experimental Evaluation of a Hierarchical Operating Framework for Ground Robots in Agriculture
Australian Centre for Field Robotics（澳大利亚现场机器人中心）；University of Sydney（悉尼大学）
为了使移动机器人有效地应用于现实世界的非结构化环境（如大规模农业），它们需要能够生成自适应计划，这些计划既要考虑有限的机载资源，又要考虑动态变化的存在，包括附近移动的个人。这项工作提供了一个真实世界的经验评估，我们提出的分层框架，长期自主的领域机器人，进行悉尼大学的Swagbot农业机器人平台。我们展示了框架以有效的方式导航非结构化和动态环境的能力，验证了其在大规模农业中的长期部署，以及在移动个体存在的情况下自主除草等任务。
2021-05-23 cs.RO
HiCRISP: An LLM-based Hierarchical Closed-Loop Robotic Intelligent Self-Correction Planner
Shanghai Jiao Tong University（上海交通大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Oxford（牛津大学）
针对 LLM 机器人系统执行中难以自校正的问题，本文提出分层闭环框架 HiCRISP，可监控并修正高层规划与低层动作错误，虚拟和真实基准实验验证了其优越性能。
2024-04-08 cs.RO
Hierarchical Adaptive Loco-manipulation Control for Quadruped Robots
University of Southern California（南加州大学）
足式机器人在不平坦地形的导航中显示出显著的优势。然而，在四足机器人上实现有效的运动和操纵任务仍然具有挑战性。此外，对象和地形参数通常是未知的机器人在这些问题。因此，本文提出了一种分层自适应控制框架，使足式机器人执行本地操作任务，而无需任何给定的假设对象的质量，摩擦系数，或地形的坡度。在我们的方法中，我们首先提出了一个自适应操纵控制来调节接触力，以操纵未知地形上的未知物体。然后，我们介绍了一个统一的模型预测控制（MPC）的本地操作，考虑到我们的机器人动力学的操纵力。因此，建议MPC框架可以有效地调节机器人和物体之间的相互作用力，同时保持机器人的平衡。我们所提出的方法的实验验证成功地进行了Unitree A1机器人，允许它操纵一个未知的时变负载$7$ $kg$（$60\%$的机器人的重量）。此外，我们的框架能够快速适应未知的斜率（高达$20^\circ$）或具有不同摩擦系数的不同表面。
2023-03-11 cs.RO
A Suitable Hierarchical Framework with Arbitrary Task Dimensions under Unilateral Constraints for physical Human Robot Interaction
KUKA Germany GmbH（库卡德国有限公司）；Leibniz University of Hannover（汉诺威莱布尼茨大学）
在过去的几年中，已经提出了一些层次框架来处理高度冗余的机器人系统。其中一些系统预计将执行多项任务，并与环境进行物理交互。然而，没有一个建议的框架是能够管理多个任务与任意的任务尺寸，同时尊重单边约束的位置，速度，加速度和力的水平，并在同一时间，直观地反应到外部力量。这项工作提出了一个框架，解决这个问题。该框架进行了测试，在模拟和一个真正的机器人。冗余协作工业机器人（KUKA LBR iiwa）的实验证明了该框架的优势相比，国家的最先进的方法。该框架直观地对外部力作出反应，并且能够限制关节位置、速度、加速度和力。
2022-04-05 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
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México（墨西哥自治理工学院）
本文提出了一种多机器人运动规划方法，通过工作空间分解的离散搜索提高规划效率，核心方法是分层子问题扩展和工作空间分解细化，主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
Hierarchical Human-Motion Prediction and Logic-Geometric Programming for Minimal Interference Human-Robot Tasks
University of Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Technische Universität Berlin（柏林工业大学）
在本文中，我们解决的问题，人与机器人协调的操作任务序列。我们的方法将分层人体运动预测与任务和运动规划（TAMP）集成在一起。我们首先设计了一个分层的运动预测方法相结合的逆强化学习和短期运动预测使用递归神经网络。在第二步中，我们提出了一个动态版本的TAMP算法逻辑几何规划（LGP）。我们的动态LGP版本定期重新扫描，以处理人类运动预测和实际人类行为之间的不匹配。我们通过训练预测算法并在公开的MoGaze数据集上测试框架来评估该方法的有效性。
2021-07-05 cs.RO
HEXAR: a Hierarchical Explainability Architecture for Robots
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（机器人与信息工业研究所（CSIC-UPC））；PAL Robotics（PAL机器人技术公司）；University of Naples Federico II（那不勒斯费德里科二世大学）；Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC））
HEXAR通过分层可解释性架构提升机器人系统的透明度和可解释性，有效提高根因识别和运行效率。
2026-01-06 cs.RO
Hierarchical Topometric Representation of 3D Robotic Maps
ShanghaiTech University（上海科技大学）
在本文中，我们提出了一种方法，从三维点云生成层次，体积拓扑图。在我们的映射中有三个基本的层次结构：$storey - region - volume$。我们的方法的优点体现在输入和输出。在输入方面，我们接受多层点云和带有倾斜屋顶或天花板的建筑结构。在输出方面，我们可以生成具有不同维度的度量信息的结果，适用于不同的机器人应用。该算法通过从3D体素占用图生成$volumes$来生成体积表示。然后，我们添加$passage$ s（$volumes$之间的连接），将小的$volumes$组合成大的$region$，并使用2D分割方法以获得更好的拓扑表示。我们在几个免费提供的数据集上评估我们的方法。实验突出了我们的方法的优点。
2021-11-24 cs.RO
A Hierarchical fuzzy controller for a biped robot
National Engineering School of Sfax, University of Sfax（斯法克斯大学斯法克斯国家工程学院）
本文研究了递阶神经模糊系统作为PID控制的一种可能的解决方案。提出了一种分层递阶控制器，它包括多个子控制器，整个控制结构采用自适应神经模糊方法生成。所提出的分层系统的重点是关键作用，质心的位置在机器人中发挥，系统的子控制器产生他们的输出考虑到该关键点的位置。
2014-02-06 cs.RO
HierKick: Hierarchical Reinforcement Learning for Vision-Guided Soccer Robot Control
Tongji University（同济大学）；Shanghai Innovation Institute（上海创新研究院）；Shanghai Jiao Tong University（上海交通大学）；Jiangxi University of Finance（江西财经大学）；East China Normal University（华东师范大学）
HierKick通过双频分层强化学习框架，结合视觉检测与任务选择，实现足球机器人多时间尺度决策控制，提升复杂环境下的任务成功率。
2026-03-01 cs.RO
Hierarchical Adaptive Control for Collaborative Manipulation of a Rigid Object by Quadrupedal Robots
University of Southern California（南加州大学）
本文提出一种用于四足机器人协作操作刚性物体的分层控制系统，包含自适应力计算、基于QP的力分配与接触点优化、以及分散式移动操作控制器，成功在仿真中实现不同地形下操作18kg未知物体并保持稳定。
2023-07-28 cs.RO
Hierarchical Intention-Aware Expressive Motion Generation for Humanoid Robots
Department of Computer Science, University College London（计算机科学系，伦敦大学学院）
针对人机交互中意图识别与实时表达性运动生成问题，提出融合ICL意图推理和扩散模型的分层框架，并通过物理平台验证其鲁棒性与社交一致性。
2025-09-27 cs.RO
A Hierarchical Graph-Based Terrain-Aware Autonomous Navigation Approach for Complementary Multimodal Ground-Aerial Exploration
Robotics & AI Team, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能团队，计算机、电气与空间工程系，卢勒奥技术大学）
针对未知环境下地空机器人协同探索效率问题，提出基于分层图的地形感知导航方法，通过共享置信度指标协调部署，在地下场景中实现了更高效的互补式探索。
2025-05-20 cs.RO
Instructing Hierarchical Tasks to Robots by Verbal Commands
Tampere University（坦佩雷大学）
本文提出一个通过口头指令向机器人下达分层任务的框架，将单条指令映射到动作与目标并支持长周期动作序列，实验验证了其在人机协作中的有效性。
2023-11-30 cs.RO
Using role-play and Hierarchical Task Analysis for designing human-robot interaction
本文提出在人机交互中更多采用角色扮演和分层任务分析方法，通过社区药房机器人辅助项目展示了其在理解客户需求、正确建模行为及促进协同设计方面的优势，并建议未来开发适合社交机器人交互的任务分析方法。
2025-09-16 cs.RO
Robustifying Long-term Human-Robot Collaboration through a Multimodal and Hierarchical Framework
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文针对长期人机协作中的识别、鲁棒性、效率与适应性等挑战，提出一种融合视觉和语音的多模态分层框架，并在KINOVA GEN3机器人上验证其可缩短15.9%任务时间、达到91.8%成功率和84%用户满意度。
2025-02-03 cs.RO
HiBRIDGE: A Hierarchical Bayesian Neural Network Framework for Interpretable Dialogue Management in Group-Robot Interaction
Politecnico di Milano（米兰理工大学）；University of Cambridge（剑桥大学）
HiBRIDGE提出分层贝叶斯神经网络框架，用于群体-机器人对话管理，通过结构化多阶段决策和不确定性感知，提升预测性能与行为解释的可理解性。
2026-09-09 cs.RO
osmAG: Hierarchical Semantic Topometric Area Graph Maps in the OSM Format for Mobile Robotics
ShanghaiTech University（上海科技大学）
提出基于OSM格式的osmAG分层语义拓扑度量区域图，结合语义标注与紧凑障碍物表示，支持基于机器人能力的规划，并集成ROS，在大规模真实地图上验证了其有效性与便利性。
2023-09-09 cs.RO
Direction-Constrained Control for Efficient Physical Human-Robot Interaction under Hierarchical Tasks
Shanghai Jiao Tong University（上海交通大学）；Osaka University（大阪大学）
本文针对层级任务下的物理人机交互问题，提出方向约束优化算法与可变导纳控制相结合的控制方法，在7自由度机械臂实验中实现了更平滑的轨迹并避免了约束边界处的交互延迟。
2024-10-22 cs.RO
Mobile Pedipulation for Object Sliding via Hierarchical Control on a Wheeled Bipedal Robot
Department of Robotics, University of Michigan（密歇根大学机器人系）
提出一种分层控制框架，使轮式双足机器人能用腿部滑动平面物体，通过简化三刚体动力学模型和轨迹优化运动规划器，在实验中成功实现1kg物体取回和4kg物体滑动。
2026-06-18 cs.RO
Hierarchical control strategy for planar bipedal walking robots based on reduced order model
Korea Institute of Science and Technology（韩国科学技术研究院）；UNIVERSITY OF SCIENCE AND TECHNOLOGY（科学技术大学）
在这项工作中，基于模板控制的双足机器人的分层控制策略进行了描述。柔性腿的轴向力被重定向到一个点，称为虚拟枢轴点（VPP），一个2D的机器人，这是位于CoM的模型，以产生一个恢复力矩的躯干运动。由此产生的模型行为将类似于围绕该VPP旋转的虚拟钟摆，从而在行走期间瞄准直立的躯干。受此分析的启发，我们提出了一种新的力重定向方法作为机器人行走的控制器。然后，这些关键功能的BTSLIP模型与一个简单的力方向控制器被映射到关节体机器人通过任务空间控制器的整体输入转矩。我们考虑了一个完整的动态仿真的2D关节体机器人随机初始条件下，存在的力干扰和适度粗糙的表面，以验证所提出的方法的性能。此外，与我们的控制策略，机器人实现了稳定的步行运动，同时保持其上身直立，而不使用优化方法。我们假设通过利用机械模板的属性，也称为降阶模型，这可以使稳定的步态的完整模型机器人，而不需要精确的路径规划。
2023-02-12 cs.RO
Balancing experiments on a torque-controlled humanoid with hierarchical inverse dynamics
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Southern California（南加州大学）
最近几个层次的逆动力学控制器的基础上级联的二次规划已被提出应用于力矩控制机器人。他们有重要的理论上的好处，但从来没有被实施的扭矩控制的机器人模型不准确和实时计算的要求可能是有问题的。在这方面的贡献，我们提出了一个实验评估这些算法的背景下，平衡控制的人形机器人。所提出的实验证明了该方法在真实机器人条件下（即模型不确定性，估计误差等）的适用性。我们提出了一个简化的优化问题，使我们能够减少计算时间，足以实现它在一个快速的转矩控制回路。我们实现了一个基于动量的平衡控制器，它在面对未知的干扰，即使当机器人是站在只有一只脚表现出强大的性能。在第二个实验中，跟踪任务进行评估，以证明更复杂的层次结构的控制器的性能。我们的研究结果表明，分层逆动力学控制器可以用于人形机器人的反馈控制和基于动量的平衡控制可以有效地实现对一个真正的机器人。
2014-11-07 cs.RO
Hierarchical and State-based Architectures for Robot Behavior Planning and Control
University of Bonn（波恩大学）
本文提出了两种跨平台C++框架形式的自主智能体行为控制体系结构：状态控制器库和行为控制框架。前者是基于状态的，并概括了状态和有限状态机的概念，以允许多动作规划，后者是基于行为的，并利用层次结构和抑制的概念，以允许动态转换。这两个框架具有完全独立的实现，但可以有效地协同使用，以解决所有粒度级别上的行为控制问题。这两个框架都被用来控制NimbRo-OP，这是一个由波恩大学NimbRo团队开发的人形足球机器人。
2018-09-28 cs.RO
Contact Optimization for Non-Prehensile Loco-Manipulation via Hierarchical Model Predictive Control
University of Southern California（南加州大学）
最近的研究集中在四足机器人的运动或移动操作使用的机器人手臂。足式机器人可以操纵较重和较大的物体使用非弹性操作原语，如平面推动，驱动对象到所需的位置。在本文中，我们提出了一种新的分层模型预测控制（MPC）的接触优化的操作任务。使用两个级联的MPC，我们分裂的本地操作问题分为两部分：第一，以优化机器人和物体之间的接触力和接触位置，第二，通过机器人运动调节所需的相互作用力。我们的方法是成功地验证了在仿真和硬件实验。虽然基线运动MPC未能遵循所需的轨迹的对象，我们提出的方法可以有效地控制对象的位置和方向，以最小的跟踪误差。这种能力也使我们能够执行避障的机器人和对象在本地操作任务。
2022-10-07 cs.RO
