Robust Agility via Learned Zero Dynamics Policies
California Institute of Technology（加州理工学院）；NASA Jet Propulsion Laboratory（NASA喷气推进实验室）
提出 Zero Dynamics Policies，通过学习最优控制不变映射并驱动受驱动坐标，在降维与低在线开销下稳定混合欠驱动系统，并经 ARCHER 3000 次跳跃验证鲁棒性。
2024-09-10 cs.RO
Resolved Motion Control for 3D Underactuated Bipedal Walking using Linear Inverted Pendulum Dynamics and Neural Adaptation
Ohio State University（俄亥俄州立大学）
我们提出了一个框架，以产生周期性的轨迹参考的三维欠驱动双足机器人，使用线性倒立摆（LIP）为基础的控制器与自适应神经调节。我们使用的LIP模板模型来估计机器人的质心（CoM）的位置和速度在当前步骤结束时，并制定一个离散控制器，确定下一个脚步的位置，以实现所需的步行轮廓。该控制器配备了一个基于神经网络的自适应项，减少了模板和物理机器人之间的模型失配，特别是影响横向运动的正面平面。然后，为LIP模型计算的脚放置位置被用来生成实际机器人的任务空间轨迹（CoM和摆动脚轨迹），以实现稳定行走。我们使用一个快速，实时的基于QP的逆运动学算法，从任务空间的轨迹，这使得制定独立的机器人动力学的知识产生联合参考。最后，我们实施和评估所提出的方法在仿真和硬件实验与数字机器人获得稳定的周期性运动的情况下。
2022-08-02 cs.RO cs.SY eess.SY
A Data-Driven Approach to Synthesizing Dynamics-Aware Trajectories for Underactuated Robotic Systems
University of Pennsylvania（宾夕法尼亚大学）
针对欠驱动机器人系统分层控制中简化模型依赖经验的问题，提出基于增广拉格朗日重构的数据驱动动力学感知轨迹生成框架，通过学习跟踪惩罚正则化器提升计算效率与动态可行性，并有效弥合仿真到现实的差距。
2023-07-25 cs.RO
Integration of Fully-Actuated Multirotors into Real-World Applications
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；University of Pittsburgh（匹兹堡大学）
全驱动多旋翼的引入为许多现实应用开辟了新的可能性和更有效的解决方案。然而，它们的集成比预期的要慢，部分原因是需要新的工具来充分利用这些机器人。据我们所知，目前所有致力于全驱动多旋翼的小组都在开发新的全姿态（6-D）工具和方法来使用他们的机器人，这是低效的，耗时的，并且需要许多资源。我们提出了一种方法，弥合工具之间的差距已经欠驱动机器人和新的全驱动车辆。该方法可以扩展现有的欠驱动飞行控制器，以支持全驱动机器人，或增强现有的全驱动控制器，以支持现有的欠驱动飞行堆栈。我们介绍的姿态策略，工作与欠驱动控制器，工具，规划和远程控制接口，同时允许充分利用的驱动。此外，提出了新的方法，可以适当地处理有限的横向推力所遭受的许多全驱动无人机设计。这些策略是轻量级的，简单的，并允许快速集成可用的工具与这些新的车辆，以快速开发新的现实世界的应用程序。我们的机器人上的真实实验和几种具有不同底层控制器方法的无人机架构上的模拟显示了如何利用这些策略来扩展现有的全驱动应用的飞行控制器。我们提供了使用我们提出的方法增强的PX4固件的源代码，以展示用于欠驱动多旋翼的示例飞行控制器，该示例飞行控制器可以进行修改以无缝支持全驱动飞行器，同时保持飞行堆栈的其余部分不变。
2021-03-10 cs.AI cs.RO cs.SY
Reinforcement Learning Control for Autonomous Hydraulic Material Handling Machines with Underactuated Tools
ETH Zürich（苏黎世联邦理工学院）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；Liebherr-Hydraulikbagger GmbH（利勃海尔液压挖掘机有限公司）
本文提出一种基于强化学习的控制器，结合数据驱动与第一性原理建模训练，同时控制驾驶室关节和机械臂，在真实中型物料搬运机上实现了高精度、高速且低工具振荡的自主控制。
2024-10-07 cs.RO cs.SY eess.SY
Full Nonlinear Nonholonomic Dynamics and Motion Analysis of a 3-DoF Underactuated Spherical Rolling Robot
Geometric Mechanics and Mechatronics in Robotics (gm 2 R) Lab, School of Engineering, Cardiff University（几何力学与机电一体化在机器人中的实验室，工程学院，卡迪夫大学）
提出MonoRollBot的完全非线性约束动力学模型，基于拉格朗日-达朗贝尔方法处理非完整滚动约束，仿真揭示重力、柔顺性和惯性对强欠驱动机器人运动的影响。
2026-06-23 cs.RO
Distributed end-effector formation control for mixed fully- and under-actuated manipulators with flexible joints
Southeast University, Nanjing（东南大学）；University of Groningen, Groningen（格罗宁根大学）
本文针对具有柔性关节的混合全驱动与欠驱动机械臂，提出基于虚拟弹簧的分布式控制律实现末端执行器编队保持，并刻画了可达编队形状集合，通过数值仿真验证了方法的有效性。
2024-02-16 cs.RO cs.SY eess.SY
Emergent Underactuation in Fully Actuated Multirotors by Minimizing a Homogeneous Allocation Cost
University of Twente（特文特大学）；Sapienza University of Rome（罗马大学）
本研究证明，在全驱动多旋翼仅跟踪位置轨迹时，最小化齐次分配代价会自然涌现类似欠驱动的行为，同时保留全驱动在扰动抑制和瞬态力生成方面的优势。
2026-10-06 cs.RO cs.SY eess.SY
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
Automatic Centralized Control of Underactuated Large-scale Multi-robot Systems using a Generalized Coordinate Transformation
University of Luebeck（吕贝克大学）
大规模粒子或机器人系统的控制是具有挑战性的，因为它们的高维数。我们使用一个集中的随机方法，允许最优控制的成本，而不是一个分散的方法的中心元素。以前的工作往往局限于全驱动机器人的假设。在这里，我们提出了一种欠驱动机器人的方法，允许节能控制的机器人系统。我们考虑一个简单的任务，收集的机器人（最小化位置方差），并引导他们在一个有界区域内的目标点没有障碍。我们做出了两个主要贡献。首先，我们提出了一个广义坐标变换的欠驱动机器人，其物理特性应予以考虑。我们选择描述一大类机器人系统的欧拉-拉格朗日系统。其次，我们提出了一个以能源效率为主要目标的最优控制机制。我们证明了我们的方法在数值模拟和机器人模拟的可行性。
2021-08-24 cs.RO
Distributed formation control of end-effector of mixed planar fully- and under-actuated manipulators
Southeast University（东南大学）；University of Groningen（格罗宁根大学）；Okayama Prefectural University（冈山县立大学）
本文研究了由全驱动和欠驱动机械臂组成的混合系统的末端执行器编队控制问题，通过利用可积性将分布式编队控制器扩展至欠驱动PA机械臂，证明了闭环系统在必要条件下的收敛性，并通过仿真验证了方法的有效性。
2023-09-14 cs.RO cs.SY eess.SY
Developing a Mono-Actuated Compliant GeoGami Robot
Geometric Mechanics and Mechatronics (gm 2 R) Lab, the School of Engineering, Cardiff University（几何力学与机电实验室，工程学院，卡迪夫大学）
本文提出单驱动柔顺GeoGami机器人，结合折纸表面与几何柔顺骨架，实现单驱动器变形与移动，并评估其形状变换和滚动能力。
2025-09-25 cs.RO
FAM-DQ: A Dual-Quadrotor-Based Fully Actuated Aerial Manipulator for High-Torque Interaction
针对空中物理交互的高力矩需求，本文提出基于双四旋翼的全驱动空中操纵器FAM-DQ，通过特定结构设计实现解耦6自由度控制，实验验证其具备高力矩输出能力。
2026-08-14 cs.RO
GEX: Democratizing Dexterity with Fully-Actuated Dexterous Hand and Exoskeleton Glove
Huazhong University of Science and Technology（华中科技大学）
GEX通过全驱动灵巧手与外骨骼手套结合，实现低成本高保真灵巧操作，推动具身AI和机器人技能迁移学习。
2025-12-05 cs.RO
Learning and Inference of Dexterous Grasps for Novel Objects with Underactuated Hands
University of Birmingham（伯明翰大学）；Universita di Pisa（比萨大学）
最近的进展已经在学习掌握完全驱动的手。典型的方法学习手指链接在对象上的目标位置。当一个新的对象必须抓住，新的手指位置生成，并规划无碰撞的到达抓取轨迹。这假设了到最终抓取的无碰撞轨迹。这对于欠致动的手是不可能的，欠致动的手不能保证避免接触，并且实际上在抓取期间利用与物体的接触，以便达到物体被牢固地保持的平衡状态。不幸的是，这些接触相互作用是i）不直接可控的，并且ii）在真实抓握期间难以监测。我们克服了这些问题，以便允许学习的可转移把握欠驱动的手。我们进行了两项主要的技术创新。首先，我们隐式地在抓握过程中对接触交互进行建模。我们通过对可靠地导致平衡状态的电机命令进行建模来做到这一点，而不是对接触变化本身进行建模。这改变了我们的"伸手抓"模型。其次，我们扩展了我们的接触模型学习算法，使其能够处理每种抓取类型的多个训练样本。这需要能够学习在特定抓握期间手的哪些部分可靠地与对象交互。我们的方法从刚体模拟中学习。这使我们能够学习如何从各种姿势接近物体并关闭欠驱动的手。从九个培训掌握三个对象的方法转移掌握以前看不见的，新的对象，显着不同的培训对象，80%的成功率。
2016-09-24 cs.RO
FLOAT Drone: A Fully-actuated Coaxial Aerial Robot for Close-Proximity Operations
Zhejiang University（浙江大学）
针对近距离作业中全驱动无人机存在的气动干扰与尺寸过大问题，提出具有控制面与共轴双旋翼创新的FLOAT Drone，实现紧凑高效并验证其作业能力。
2026-09-14 cs.AI cs.RO
Tilt-Ropter: A Fully Actuated Hybrid Aerial-Terrestrial Vehicle with Tilt Rotors and Passive Wheels
Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（机械与自动化工程系，香港中文大学）；Faculty of Engineering, The University of Hong Kong（工程学院，香港大学）；Peng Cheng Laboratory（鹏城实验室）
提出全驱动混合空中-地面车辆Tilt-Ropter，通过倾转旋翼和被动轮实现高效多模态运动，并设计统一非线性模型预测控制器实现低跟踪误差和地面运动功耗降低92.8%。
2026-07-15 cs.RO
Infinite-Dimensional Closed-Loop Inverse Kinematics for Soft Robots via Neural Operators
Department of Mechanical Engineering, Stanford University（机械工程系，斯坦福大学）；Institute of Applied Mechanics, Friedrich-Alexander-Universität Erlangen–Nürnberg（应用力学研究所，弗赖堡-艾尔兰根-纽伦堡大学）；Cognitive Robotics Department, Delft University of Technology（认知机器人系，代尔夫特理工大学）
本文提出通过神经算子网络解决软机器人无限维闭环逆运动学问题，结合驱动到形状的映射与形状到任务的映射，实现基于雅可比的CLIK算法。
2026-10-12 cs.RO cs.SY eess.SY
