Online Tree Reconstruction and Forest Inventory on a Mobile Robotic System
University of Oxford（牛津大学）；Technical University of Munich（慕尼黑工业大学）
提出一种基于移动激光扫描仪和位姿图LiDAR SLAM的实时测绘分析系统，利用定制聚类和改进Hough算法在线提取并重建树木，在多种森林中实现了与TLS媲美的精度且无需后处理。
2025-03-03 cs.RO
A Numerically-Robust ROS 2 Port of iG-LIO: Diagnosing and Fixing Toolchain-Induced Failures in Incremental GICP LiDAR-Inertial Odometry
Robotics Institute (RI), Carnegie Mellon University (CMU)（卡内基梅隆大学机器人研究所）；Institute of Systems and Robotics (ISR), University of Coimbra (UC)（科英布拉大学系统与机器人研究所）
研究针对iG-LIO的ROS 2端口，诊断并修复由工具链导致的数值故障。通过分析QoS不匹配等问题，采取修正点场解析、添加传感器支持等方法，在多种传感器上验证了改进后的端口，为该端口提供了可引用参考。
2026-07-14 cs.RO
ALITA: A Large-scale Incremental Dataset for Long-term Autonomy
Carnegie Mellon University（卡内基梅隆大学）；University of California San Diego（加州大学圣地亚哥分校）
对于长期的自主性，大多数地点识别方法主要是在简化场景或模拟数据集上进行评估，这无法提供坚实的证据来评估当前同时定位与地图构建（SLAM）的准备程度。在本文中，我们提出了一个长期的地方识别数据集，用于在大规模动态环境下的移动定位。该数据集包括一个校园规模的轨道和一个城市规模的轨道：1）校园轨道侧重于长期属性，我们记录了LiDAR设备和全向相机在10个轨迹上，每个轨迹在不同的照明条件下重复记录8次。2)城市轨道侧重于大规模的财产，我们将LiDAR设备安装在车辆上，并穿越120公里的轨迹，其中包括开放的街道，居民区，自然地形等，它们包括200小时的城市环境中的各种场景的原始数据。在每个轨迹上提供两个轨道的地面实况位置，其从全球定位系统获得，具有附加的基于通用ICP的点云细化。为了简化评估过程，我们还为Python-API提供了一组位置识别指标，以快速加载我们的数据集并评估不同方法的识别性能。该数据集旨在寻找具有高位置识别准确性和鲁棒性的方法，并提供具有长期自主性的真实机器人系统。数据集和提供的工具可以从https://github.com/MetaSLAM/ALITA访问。
2022-09-09 cs.RO
iManip: Skill-Incremental Learning for Robotic Manipulation
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Pengcheng Lab（鹏城实验室）
本文针对机器人操作中的技能增量学习问题，提出iManip框架，通过时序回放策略和可扩展PerceiverIO缓解灾难性遗忘，并在RLBench上验证其有效性。
2025-03-10 cs.RO
Highly Efficient Compact Pose SLAM with SLAM++
Australian National University（澳大利亚国立大学）；Brno University of Technology（布尔诺理工大学）
最大似然估计（MLE）是在许多机器人和计算机视觉应用中使用的众所周知的估计方法。在高斯假设下，极大似然估计转化为非线性最小二乘（NLS）问题。NLS存在有效的解决方案，它们是基于迭代求解稀疏线性系统直到收敛。一般来说，现有的解决方案只提供了一个估计的平均状态向量，所得的协方差计算太昂贵，无法恢复。然而，在许多同时定位和地图绘制（SLAM）应用中，仅知道平均向量是不够的。数据关联、获得简化的状态表示、主动决策和下一个最佳视图只是需要快速状态协方差恢复的几个应用。此外，计算机视觉和机器人应用通常在线执行。在这种情况下，状态在每一步都被更新和重新计算，并且其大小不断增长，因此，估计过程可能变得在计算上要求很高。本文介绍了一个一般的框架，增量MLE称为SLAM++，它充分受益于增量性质的在线应用程序，并提供了有效的估计的均值和协方差的估计。在此基础上，我们提出了一种策略，用于维护一个稀疏的和可扩展的状态表示的大规模映射，它使用信息论措施，只整合信息和非冗余的贡献的状态表示。SLAM++与现有实现的不同之处在于通过块执行所有矩阵运算。这导致了极快的矩阵操作和算术运算。尽管本文测试了SLAM++在SLAM问题上的效率，但它的适用性仍然很普遍。
2016-08-10 cs.RO
Fast and Incremental Loop Closure Detection with Deep Features and Proximity Graphs
Beihang University（北京航空航天大学）；JD.COM Inc.（京东公司）；Democritus University of Thrace（色雷斯德谟克利特大学）
近年来，机器人领域对同时定位与地图构建应用中的位置识别方法进行了广泛的研究，本文提出了一种基于外观的闭环检测流水线“FILD++”。（快速和增量环路闭合检测）。首先，系统由连续图像馈送，并且通过使它们两次通过单个卷积神经网络，该方法首先提取机器人的全局和局部深度特征，然后基于计算出的全局特征，建立一个分层的可导航小世界图，逐步构建机器人遍历路径的可视化数据库，最后在每个时间步获取一个查询图像，用于检索遍历路径上的相似位置，然后进行图像对图像的配对，利用局部特征评估空间信息.因此，在拟议的文章中，我们提出了一个单一的网络的全球和本地的特征提取与我们以前的工作（FILD）相比，而一个详尽的搜索验证过程中所产生的深层本地功能，避免使用哈希码。在11个公开数据集上进行的详尽实验显示，与其他最先进的方法相比，该系统具有高性能（其中8个数据集的召回率最高）和低执行时间（New College平均为22.05 ms，这是包含52480张图像的最大数据集）。
2022-01-02 cs.CV cs.RO
Learning Observation Models with Incremental Non-Differentiable Graph Optimizers in the Loop for Robotics State Estimation
Carnegie Mellon University（卡内基梅隆大学）
针对机器人状态估计中观测模型调参困难的问题，提出一种基于梯度的学习方法，在循环中结合增量式不可微优化器，实现更快收敛和更高跟踪精度。
2023-09-05 cs.RO
iX-BSP: Incremental Belief Space Planning
Technion - Israel Institute of Technology（以色列理工学院）
决定下一步怎么办？是机器人学和人工智能中的一个基本问题。在信念空间规划（BSP）下，在部分可观察的环境中，它涉及计算期望的累积信念依赖奖励，其中期望是关于所有未来测量的。由于解决这个一般的非近似问题很快变得棘手，因此现有技术的方法转向近似，同时仍然从头开始计算计划会话。在这项工作中，我们提出了一种新的范例，增量BSP（iX-BSP），基于关键的洞察力，跨规划会话的计算在性质上是相似的，可以适当地重复使用。我们通过利用多个重要性采样技术，选择性地重新采样和重新使用以前的规划会议的测量，逐步计算期望值。我们的方法的制定考虑一般分布和帐户的数据关联方面。我们演示了如何iX-BSP可以受益于现有的近似的一般问题，介绍iML-BSP，它重用计算跨规划会话下常见的最大似然假设。我们评估了这两种方法，并证明了计算时间的大幅减少，同时在统计上保持准确性。评估包括模拟和现实世界的实验，考虑自主视觉导航和SLAM。作为进一步的贡献，我们介绍了iX-BSP的非积分野火近似，允许一个交易的计算性能的准确性，避免更新重用的信念时，他们是“足够接近”。我们评估iX-BSP下野火证明了计算时间的大幅减少，同时控制精度牺牲。我们还提供了分析和经验的野火持有的效果超过客观价值的界限。
2021-02-28 cs.AI cs.RO
Stipple: Real-Time Incremental Gaussian Splatting with Visual-Inertial Tracking
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文提出Stipple方法，结合Basalt视觉-惯性跟踪系统与Brush增量3D高斯溅射技术，实现实时同步跟踪重建，替代3DGS繁重步骤，为机器人与XR的实时3D重建提供解决方案。
2026-08-04 cs.CV cs.RO
F-SIOL-310: A Robotic Dataset and Benchmark for Few-Shot Incremental Object Learning
The Pennsylvania State University（宾夕法尼亚州立大学）
深度学习通过像ImageNet这样的大规模数据集的可用性在对象识别任务中取得了显着的成功。然而，深度学习系统在增量学习而不重放旧数据时会遭受灾难性遗忘。对于现实世界的应用，机器人还需要逐步学习新对象。此外，由于机器人可获得的人类帮助有限，它们必须仅从几个例子中学习。然而，很少有对象识别数据集和基准测试存在，以测试机器人视觉的增量学习能力。此外，从一些例子来看，没有专门为增量对象学习设计的数据集或基准。为了填补这一空白，我们提出了一个新的数据集称为F-SIOL-310（Few-Shot增量对象学习），这是专门为测试机器人视觉的Few-Shot增量对象学习能力而捕获的。我们还提供了F-SIOL-310上的8种增量学习算法的基准测试和评估，以供将来进行比较。我们的研究结果表明，机器人视觉的Few-Shot增量对象学习问题远未得到解决。
2022-04-20 cs.CV cs.RO
Sampling-based Incremental Information Gathering with Applications to Robotic Exploration and Environmental Monitoring
College of Engineering, University of Michigan（密歇根大学工程学院）；Centre for Autonomous Systems (CAS), University of Technology Sydney（悉尼科技大学自主系统中心）
在这篇文章中，我们提出了一个基于采样的运动规划算法配备了一个信息理论的收敛标准，增量信息运动规划。所提出的方法允许密集的地图表示，并将完整的状态不确定性纳入规划过程。该问题被公式化为一个约束最大化问题。我们的方法是建立在快速探索的信息收集算法，并受益于基于采样的最佳运动规划算法的优势。我们提出了两个信息函数及其变种的快速和在线计算。我们证明了一个信息理论的收敛，整个勘探和信息收集任务的平均地图熵的最小上界的基础上。收敛性分析的结果，信息驱动的运动控制的自然自动停止的标准。我们使用三种方案来演示所提出的算法的性能：建议的信息函数和传感器配置选择的比较，未知环境中的机器人探索，以及使用自主水面车辆收集的公开数据集在湖泊中的无线信号强度监测任务。
2017-09-23 cs.RO
IGL-Nav: Incremental 3D Gaussian Localization for Image-goal Navigation
Tsinghua University（清华大学）；Nanyang Technological University（南洋理工大学）
针对图像目标导航中现有方法难以建模环境与目标几何关系、3DGS直接定位效率低的问题，提出IGL-Nav增量式3D高斯定位框架，通过增量更新、粗定位加可微渲染精定位实现高效3D感知导航，性能显著优于SOTA且支持自由视角与真实机器人部署。
2025-08-01 cs.CV cs.RO
Deep Incremental Model Informed Reinforcement Learning for Continuous Robotic Control
提出一步回看方法，联合学习深度增量模型和策略，降低模型学习难度，提高连续机器人控制的样本效率。
2025-02-27 cs.RO cs.SY eess.SY
Foundations of Spatial Perception for Robotics: Hierarchical Representations and Real-time Systems
Massachusetts Institute of Technology（麻省理工学院）
本文提出分层三维场景图表示及相应算法，构建实时空间感知系统Hydra，实现高效推理与长期场景图维护，并在仿真和真实机器人上验证性能。
2023-05-11 cs.RO
Analysis of Social Robotic Navigation approaches: CNN Encoder and Incremental Learning as an alternative to Deep Reinforcement Learning
Universidade de Pernambuco（伯南布哥大学）；Istituto Italiano di Tecnologia（意大利理工学院）
在机器人场景中处理社交任务是困难的，因为让人类参与学习循环与大多数最先进的机器学习算法不兼容。在探索增量学习模型时就是这种情况，特别是涉及强化学习的模型。在这项工作中，我们讨论了这个问题和可能的解决方案，通过分析以前的研究自适应卷积编码器的社会导航任务。
2020-09-05 cs.AI cs.LG cs.RO
Improving Incremental Nonlinear Dynamic Inversion Robustness Using Robust Control in Aerial Robotics
Ecole Nationale de l’Aviation Civile（法国国立民用航空学院）；ONERA（法国航空航天研究院）
针对航空机器人的不确定性鲁棒性与干扰抑制难题，提出结合INDI与线性结构化低阶$\u210b_\u221e$控制器的级联架构，经仿真与实物实验验证，阵风等干扰抑制能力提升超50%。
2025-01-13 cs.RO
DGCM-Net: Dense Geometrical Correspondence Matching Network for Incremental Experience-based Robotic Grasping
TU Wien（维也纳工业大学）
本文提出了一种从经验中学习来把握新奇事物的方法。成功的尝试被记住，然后用于指导未来的抓握，使得随着时间的推移实现更可靠的抓握。为了将学习到的经验推广到看不见的对象，我们引入了密集几何对应匹配网络（DGCM-Net）。这应用度量学习来编码特征空间中附近具有相似几何形状的对象。因此，检索未见过对象的相关经验是利用编码特征图的最近邻搜索。DGCM-Net还使用视图相关的归一化对象坐标空间重建3D-3D对应关系，以将抓取配置从检索到的样本转换为未见过的对象。与基线方法相比，我们的方法实现了等同的抓取成功率。然而，当将来自经验的知识与他们的把握建议策略相融合时，基线得到了显着改善。使用抓取数据集的离线实验突出了在对象类内和对象类之间进行概括的能力，以及随着时间的推移从不断增加的经验中提高成功率的能力。最后，通过学习任务相关的把握，我们的方法可以优先把握，使功能使用的对象。
2020-09-17 cs.RO
nvblox: GPU-Accelerated Incremental Signed Distance Field Mapping
NVIDIA（英伟达）；ETH Zürich（苏黎世联邦理工学院）
针对机器人稠密建图在CPU与GPU系统间的性能差距，提出GPU加速库nvblox，实现表面重建177倍、距离场计算31倍的加速，并开源。
2024-03-15 cs.RO
GRIP: A General Robotic Incremental Potential Contact Simulation Dataset for Unified Deformable-Rigid Coupled Grasping
AIVC Laboratory, UCLA, USA（UCLA美国大学先进视觉计算实验室）；Toyota Research Institute, USA（美国丰田研究院）；University of Utah, USA（美国犹他大学）
本文提出GRIP数据集，利用优化的IPC仿真器实现最高48倍加速，在1200个物体和10万个抓取姿态上自动生成柔顺夹爪与可变形物体的抓取交互数据，支持神经抓取生成与应力场预测。
2025-07-03 cs.GR cs.RO
OpenSplatGraph: From Dense Semantic Maps to Structured Scene Graphs for Open-Vocabulary Robot Perception
Queensland University of Technology (QUT)（昆士兰科技大学）；CSIRO（澳大利亚联邦科学与工业研究组织）
提出OpenSplatGraph框架，从在线高斯语义地图构建持久3D场景图，实现开放词汇物体提取与关系推理，兼顾几何保真与结构化语义。
2026-10-07 cs.AI cs.CV cs.RO
A Path-Dependent Variational Framework for Incremental Information Gathering
Cornell University（康奈尔大学）；University of Michigan（密歇根大学）
沿着路径收集的信息本质上是次模块化的;由于冗余观测，沿着路径获得的信息增量会减少。除了子模块化之外，获得的信息增量不仅是当前状态的函数，也是整个历史的函数。本文给出了记忆（历史依赖）拉格朗日函数的一阶最优性必要条件的构造。路径依赖问题经常出现在机器人和人工智能中，其中诸如地图的状态是部分可观察的，并且信息只能通过局部感知沿着轨迹获得。机器人探索和环境监测有许多现实世界的应用，可以制定使用所提出的方法。
2020-10-26 cs.RO math.OC
Midas: A Multi-Joint Robotics Simulator with Intersection-Free Frictional Contact
Everyday Robots, X The Moonshot Factory（日常机器人，X登月工厂）；University of California, Los Angeles（加州大学洛杉矶分校）
我们介绍Midas，一个机器人仿真框架的基础上的增量潜在接触（IPC）模型。我们的模拟器保证摩擦接触的无交叉、稳定和精确的分辨率。我们通过对高精度任务的实验验证以及与Bullet物理的比较来证明我们的框架的有效性。还开发并测试了使用Midas的强化学习管道，以执行无交叉的钉孔任务。
2022-09-30 cs.RO
CBCL-PR: A Cognitively Inspired Model for Class-Incremental Learning in Robotics
University of Waterloo（滑铁卢大学）；Concordia University（康考迪亚大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出受海马体和新皮层概念学习理论启发的CBCL-PR框架，通过聚类集合表示和重放旧类数据解决少样本类别增量学习问题，在分类数据集和机器人实验中均取得SOTA性能。
2023-07-31 cs.CV cs.LG cs.RO
A Comparative Study of INDI and NDI with Nonlinear Disturbance Observer for Aerial Robotics
Robotics and Mechatronics group, Faculty of Electrical Engineering, Mathematics, and Computer Science (EEMCS), University of Twente（代尔夫特理工大学电气工程、数学与计算机科学学院机器人与机电组）；School of Aerospace, Mechanical, and Mechatronic Engineering (AMME), Faculty of Engineering, University of Sydney（悉尼大学航空航天、机械与机电工程学院）；Department of Computer, Control and Management Engineering, Sapienza University of Rome（罗马大学计算机、控制与管理工程系）
本文通过仿真比较INDI和NDI+非线性扰动观测器在空中机器人中的鲁棒性，分析参数变化、外部扰动和测量噪声下的跟踪性能和控制效果。
2026-05-07 cs.RO
iMHS: An Incremental Multi-Hypothesis Smoother
Institute for Robotics and Intelligent Machines, College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院机器人与智能机器研究所）
多模态混杂系统的状态估计是野外机器人领域的一个重要问题。然而，将离散模式的估计过程中受到阻碍的一个潜在的组合增长的计算。在本文中，我们提出了一种新的增量多假设平滑的基础上消除混合因子图到多假设贝叶斯树，它表示可能的离散状态序列假设。在iSAM之后，我们通过调节过去对未来的增量推理，但我们增加了维护多个离散模式历史的能力，利用问题的时间结构来获得将多假设树与贝叶斯树统一起来的简化表示。在结果部分，我们证明了算法的通用性与三个问题域的例子：车道变换检测（1D），飞机机动检测（2D），接触检测足式机器人（3D）。
2021-03-24 cs.RO
Examining the Use of Temporal-Difference Incremental Delta-Bar-Delta for Real-World Predictive Knowledge Architectures
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
预测和预测知识最近不仅在改善机器人控制方面取得了成功，而且在从工业过程控制到康复的其他应用方面也取得了成功。使这些预测方法非常适合机器人技术的一个特性是，它们可以通过与环境的交互在线学习和增量学习。然而，许多预测学习方法的剩余挑战是预测学习参数的适当选择，特别是控制学习机对其预测的更新幅度（学习率或步长）的参数。为了应对这一挑战，我们研究了使用传感器丰富的机器人arm. Our方法的选择，时间差增量（TIDBD），学习和适应步长的特征级别;重要的是，TIDBD允许步长调整和表示学习同时发生。我们表明，TIDBD是一个实用的替代经典的时间差（TD）学习通过广泛的参数搜索。这两种方法都在预测机器人数据流的未来方面进行了改进。此外，使用像TIDBD这样的步长自适应方法似乎允许系统自动检测和表征机器人应用中的常见传感器故障。总之，这些结果有望提高机器人设备以稳健的方式从与环境的交互中学习的能力，为自主智能体和机器人提供关键能力。
2020-03-04 cs.AI cs.LG cs.RO
Robust Incremental State Estimation through Covariance Adaptation
West Virginia University（西弗吉尼亚大学）；Air Force Institute of Technology（空军理工学院）
机器人和自动化领域的最新进展激发了人们对鲁棒状态估计的极大兴趣。为了实现鲁棒的状态估计，已经提出了几种方法。一种这样的技术，其已经显示出有前途的性能，是基于状态估计残差迭代地估计高斯混合模型（GMM）以表征测量不确定性模型的概念。通过该迭代过程，测量不确定性模型被更准确地表征，这使得能够通过错误观测的适当去加权来进行鲁棒的状态估计。然而，这种方法传统上需要批量估计框架来实现测量不确定性模型的估计，这对机器人应用不利。在本文中，我们提出了一个有效的，增量扩展的测量不确定性模型估计范式。增量协方差估计（ICE）的方法，本文中详细介绍，几个收集的数据集，它被证明提供了显着增加定位精度相比，其他国家的最先进的强大的，增量估计算法。
2019-10-11 cs.RO eess.SP
iPolicy: Incremental Policy Algorithms for Feedback Motion Planning
Shanghai University（上海大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出iPolicy增量策略算法，通过集成采样与集值最优控制方法，在采样状态空间上执行异步值迭代以同时解决路径规划与控制器综合问题，并证明了其收敛性。
2024-01-05 cs.RO cs.SY eess.SY
Efficient Incremental Penetration Depth Estimation between Convex Geometries
Mech-Mind Robotics（梅卡曼德机器人）
本文提出一种基于优化的增量穿透深度估计算法，利用时空相干性进行热启动，在凸几何体场景下比EPA快5到30倍，并兼容现有隐式几何表示。
2024-09-05 cs.CG cs.RO
Incremental Robot Learning of New Objects with Fixed Update Time
Istituto Italiano di Tecnologia（意大利技术研究院）；MIT（麻省理工学院）；Università degli Studi di Genova（热那亚大学）
我们认为对象识别的背景下，终身学习，其中机器人代理学会区分越来越多的对象类，因为它积累了经验的环境。我们提出了正则化最小二乘分类（RLSC）算法的增量变体，并利用其结构将新类无缝添加到学习模型中。所提出的算法解决了每个类的训练样本的比例不平衡的问题，这发生在新对象首次提交给系统时。我们评估我们的算法上的机器学习基准数据集和两个具有挑战性的对象识别任务，在机器人设置。经验证据表明，当类不平衡时，我们的方法实现了与批处理方法相当或更高的分类性能，同时速度明显更快。
2017-02-28 cs.CV cs.LG cs.RO
Few-Shot Vision-Language Action-Incremental Policy Learning
School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（计算机科学与技术学院，哈尔滨工业大学（深圳））；Department of Computer Science and Technology, Ocean University of China（计算机科学与技术系，中国海洋大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）
本文提出任务提示图演化策略（TOPIC），通过任务特定提示和连续演化策略，实现机器人操控中的少样本动作增量学习，成功率比现有方法高26%以上。
2025-04-22 cs.LG cs.RO
Modeling Robotics Dataset Construction as an Artifact-Based Build Process
Institute for Autonomous Driving, University of the Bundeswehr Munich（自主驾驶研究所，联邦国防军 Munich 大学）
本文提出将机器人数据集构建建模为基于工件的构建过程，并实现开源工具Bagzel，通过依赖图管理和增量构建显著降低数据集更新延迟，实验表明在迭代工作流中速度提升高达386倍。
2026-10-08 cs.CV cs.LG cs.RO
Deep Policy Gradient Methods Without Batch Updates, Target Networks, or Replay Buffers
University of Alberta（阿尔伯塔大学）；Amii（艾伯塔机器智能研究所）；National Research Council of Canada（加拿大国家研究委员会）；CIFAR Canada AI Chair（CIFAR加拿大人工智能首席科学家）
针对现有深度策略梯度方法依赖大型回放缓冲区或批量更新、难以适配资源受限真实系统的问题，提出增量方法AVG及配套归一化缩放技术，在仿真基准上性能媲美批量方法，首次实现真实机器人的增量式深度强化学习。
2025-05-21 cs.AI cs.LG cs.RO
Incremental Learning for Robot Shared Autonomy
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；National Institute of Standards and Technology（国家标准技术研究院）；Department of Rehabilitation Science and Technology, School of Health and Rehabilitation Sciences, University of Pittsburgh（匹兹堡大学健康与康复科学学院康复科学与技术系）
本文提出 ILSA 增量学习共享自主框架，通过结构化微调利用用户交互持续更新辅助策略，并在 20 人用户研究中验证其更快完成任务并改善体验。
2025-07-25 cs.RO
PhyVisGen: Physically and Visually High-Fidelity Robotic Manipulation Data Generation
Shanghai Jiao Tong University（上海交通大学）；Shenzhen Dizhou Technology Co., Ltd.（深圳地轴科技有限公司）；The University of Hong Kong（香港大学）
PhyVisGen提出物理与视觉高保真框架，通过IPC耦合软接触和真实场景重建生成合成数据，使策略在五个真实任务上无需微调即达65%-95%成功率。
2026-09-23 cs.RO
Path Planning and Obstacle Avoidance Scheme for Autonomous Robots using Raspberry Pi
University of Moratuwa（莫拉图瓦大学）
随着机器人平台的逐步发展，使手动过程自动化，路径规划已成为一个关键领域，无论是否了解室内和室外环境。算法可以是智能的或预结构化的，并且应该最有效地到达目的地。在这一领域的主要挑战是找到一条路径，这是免费的静态障碍以及动态障碍。在本文中，提出了一种方法与机器人平台的实施细节，以覆盖关键点，并在动态环境中到达原来的关键点。主要的计算发生在Raspberry Pi B+模块中，指南针，车轮编码器和超声波传感器用于实现机器人到相关关键点的定位。
2020-12-20 cs.RO
Real-time CPU-based large-scale 3D mesh reconstruction
Politecnico di Milano（米兰理工大学）
在机器人技术中，特别是在这个自动驾驶的时代，地图是机器人能够在环境中导航，定位并分析其可通行性的关键能力之一。为了允许在受限的硬件上进行实时的【形】执行，通常通过基于特征的或半密集的SLAM算法估计的地图是稀疏的点云;需要更丰富和更完整的环境表示。现有的密集映射算法需要大量使用GPU计算，并且它们很难扩展到大型环境;当需要少量计算工作量并且必须实时的【形】处理大序列时，来自稀疏点的增量算法仍然是一种有效的解决方案。本文对文献[1]提出的和文献[2]推广的增量流形网格算法进行了改进和推广。虽然这些算法没有达到实时的【形】，他们嵌入点从SLAM或运动恢复结构只有当他们的位置是固定的，在本文中，我们提出了第一个增量算法能够重建一个流形网格在实时的【形】通过单核CPU处理，也能够修改网格根据3D点更新从底层SLAM算法。我们测试了我们的算法对两个国家的最先进的增量网格映射系统的KITTI数据集，我们表明，虽然准确性是可比的，我们的方法是能够达到实时的【形】性能由于数量级的速度。
2018-01-16 cs.RO
OpenVox: Real-time Instance-level Open-vocabulary Probabilistic Voxel Representation
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）
OpenVox提出实时增量开放词汇概率实例体素表示，通过高效实例分割与编码描述增强语言推理，实现稳健的跨帧融合，达到最先进性能并验证实时运行能力。
2025-02-23 cs.RO
SCFusion: Real-time Incremental Scene Reconstruction with Semantic Completion
Technische Universitat München（慕尼黑工业大学）；Google Inc.（谷歌公司）
基于深度数据实时的【形】场景重建不可避免地会受到遮挡的影响，从而导致不完整的3D模型。部分重建，反过来，限制了算法的性能，这些算法利用它们来应用于例如，增强现实、机器人导航和3D绘图。大多数方法通过预测缺失的几何形状作为离线优化来解决这个问题，因此与实时的【形】应用程序不兼容。我们提出了一个框架，改善了这个问题，通过执行场景重建和语义场景完成联合在增量和实时的【形】方式，基于深度图的输入序列。我们的框架依赖于一种新的神经架构，旨在处理占用图，并利用体素状态准确，有效地融合语义完成与3D全局模型。我们定量和定性地评估了所提出的方法，证明我们的方法可以获得准确的三维语义场景完成实时的【形】。
2021-03-31 cs.CV cs.NE cs.RO
Incremental Multimodal Surface Mapping via Self-Organizing Gaussian Mixture Models
The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对现有基于GMM的增量建图方法实时性不足、不适配高保真场景的问题，提出结合空间哈希映射快速提取GMM子图与点云数据筛选的方法，计算速度提升一个数量级，在地图精度与尺寸间实现更优权衡，且已开源。
2023-10-26 cs.CV cs.RO
Efficient Online Learning and Adaptive Planning for Robotic Information Gathering Based on Streaming Data
Department of ICT and Natural Sciences, Norwegian University of Science and Technology (NTNU)（信息与自然科学系，挪威科技大学）
针对现有机器人信息收集方法依赖已知环境、高斯过程建图难以扩展到大数据集的问题，提出结合流式稀疏高斯过程的高效自适应信息规划方法，在保证建图精度的同时降低长时任务计算复杂度。
2025-08-31 cs.RO
Lifelong Robotic Reinforcement Learning by Retaining Experiences
Stanford University（斯坦福大学）
多任务学习理想地允许机器人获得各种有用的技能。然而，许多多任务强化学习的努力都假设机器人可以随时从所有任务中收集数据。实际上，机器人学习的任务是顺序到达的，这取决于用户和机器人当前的环境。在这项工作中，我们研究了一个实际的顺序多任务RL问题，该问题的动机是物理机器人系统的实际约束，并推导出一种方法，有效地利用以前的任务学习的数据和政策，以累积增长机器人的技能。在一系列的模拟机器人操作实验中，我们的方法需要不到一半的样本比从头开始学习每个任务，同时避免不切实际的循环数据汇集。在Franka Panda机器人手臂上，我们的方法逐步学习十项具有挑战性的任务，包括瓶盖和块插入。
2022-04-06 cs.AI cs.LG cs.RO
NSLF-OL: Online Learning of Neural Surface Light Fields alongside Real-time Incremental 3D Reconstruction
Julius-Maximilians-Universität Würzburg（维尔茨堡大学）
针对机器人三维重建中视角范围小、需实时性、场景动态扩展的问题，提出NSLF-OL模型与MANA框架，可在实时增量三维重建时在线学习神经表面光场，实现高效训练与高保真新视角合成。
2023-04-29 cs.CV cs.RO
Connectivity-Aware Exploration of Robotic Grasp Spaces
本文研究机器人抓取空间中成功动作的连通性结构，提出连通性感知采样策略，通过优先探索结构桥梁与边界，显著提升抓取空间重建效率，并验证结构经验可迁移至新物体。
2026-09-22 cs.LG cs.RO
Expanding Spatial and Temporal Context for Robotic Imitation Learning With Scene Graphs
University of Pennsylvania（宾夕法尼亚大学）；RAI Institute（RAI研究院）；University of Michigan（密歇根大学）
提出使用场景图作为显式结构化记忆机制，通过动态维护对象中心关系及其时间演化，解决机器人模仿学习中的部分可观测性和长时推理问题。
2026-06-05 cs.CV cs.RO
Long-Term Upper-Limb Prosthesis Myocontrol via High-Density sEMG and Incremental Learning
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）；Politecnico di Torino（都灵理工大学）
本研究提出一种集成64电极高密度sEMG接口与增量学习的假肢控制系统，解决长期使用中的分布偏移问题，实现对Hannes假肢7种运动的准确控制，并发布了跨数月采集的DELTA数据集。
2024-12-20 cs.LG cs.RO
On Incremental Structure-from-Motion using Lines
Université Bourgogne Franche-Comté（勃艮第-弗朗什-孔泰大学）；Faculty of Engineering, University of Porto（波尔图大学工程学院）
人类倾向于构建具有结构的环境，其中主要由平面表面组成。从平面的相交处产生直线。线比点具有更多的自由度。因此，基于线的运动恢复结构（SfM）提供关于环境的更多信息。在本文中，我们提出的解决方案，SfM使用线，即增量SfM。这些方法包括设计状态观测器的摄像机的动态视觉系统看一个3D线。我们首先提出一个模型，该模型使用球坐标来表示线的矩矢量。我们表明，这种参数化具有奇异性，因此，我们引入了一个更合适的模型，认为线的时刻和最短的视线。关于观察者，我们提出了两种不同的方法。第一个使用了一个无记忆的动态视觉系统的最先进的框架。由于机器人代理的先前状态是可访问的-同时执行环境的3D映射-第二种方法旨在利用内存的使用来提高估计精度和收敛速度。这两个模型和两个观察员进行评估，在模拟和实际数据中，移动和机械手机器人。
2021-05-24 cs.RO cs.SY eess.SY
Object Structure from Manipulation via Particle Filter and Robot-based Active Learning
为了学习机器人操作的对象模型，无监督的方法不能提供准确的对象结构信息，而有监督的方法需要大量的人工标记的训练样本，因此交互式对象分割被开发来自动化对象建模。在这篇文章中，我们制定了一个新的动态过程的交互式对象分割，并开发了一个基于粒子滤波和主动学习的解决方案，使机器人可以操纵和学习对象结构增量和自动。我们证明了我们的方法与humanoidrobot对不同类型的对象，并比较其分割performancewith选定的对象上建立的方法。实验结果表明，该方法能够更准确地对目标进行建模，并揭示出更丰富的目标结构信息。
2015-04-18 cs.RO
Hastily Formed Knowledge Networks and Distributed Situation Awareness for Collaborative Robotics
Linköping University（林雪平大学）；Jinan University（暨南大学）
在协作机器人的背景下，分布式态势感知对于支持机器人和人类代理团队中的集体智能至关重要，它可以用于个人和集体决策支持。这在与紧急救援和危机管理有关的应用中尤其重要。在操作任务期间，数据和知识由异构机器人和人类以不同的方式逐步收集。我们将其描述为\emph{Hastily Formed Knowledge Networks}（HFKNs）的创建。本文的重点是一个通用的分布式系统架构，支持创建HFKNs的机器人和人类的团队的规范和原型。收集的信息范围从低级传感器数据到高级语义知识，后者部分表示为RDF图。该框架包括一个同步协议和相关的算法，允许代理之间的数据和知识的自动分配和共享。这是通过代理之间共享的RDF图的分布式同步来完成的。SPARQL中指定的高级语义查询可以被机器人和人类用来从团队成员那里获取知识和数据内容。该系统的经验验证和所提出的算法的复杂性结果。此外，现场机器人的案例研究进行了描述，在一个合作的紧急救援情况下，同时使用完整的HFKN框架，使用几个无人机执行3D映射任务。
2021-03-25 cs.MA cs.RO
FlowCorrect: Efficient Interactive Correction of Generative Flow Policies for Robotic Manipulation
Institute for Material Handling and Logistics (IFL), Karlsruhe Institute of Technology（物料处理与物流研究所，卡尔斯鲁厄技术大学）
FlowCorrect通过交互式模仿学习在部署时高效修正生成流策略，提升机器人操作的成功率与效率。
2026-08-31 cs.LG cs.RO
Reachable Polyhedral Marching (RPM): A Safety Verification Algorithm for Robotic Systems with Deep Neural Network Components
Stanford University（斯坦福大学）
我们提出了一种用于计算具有整流线性单元（ReLU）激活的深度神经网络的精确可达集的方法。我们的方法非常适合用于机器人感知和控制系统的深度神经网络组件的严格安全分析。我们的算法可以计算在多个时间步长上迭代的ReLU网络的前向和后向可达集，就像在机器人系统中的感知-动作循环中一样。我们的算法是独特的，因为它建立了可达集递增枚举多面体细胞在输入空间中，而不是迭代层通过网络的其他方法。如果发现不安全的单元格，我们的算法可以返回这个结果，而无需完成完整的可达性计算，从而给出了一个随时属性，加速安全验证。此外，我们的方法在执行过程中需要更少的内存相比，现有的方法，内存可能是一个限制因素。我们展示了我们的算法的ACAS徐飞机咨询系统的安全验证。我们发现不安全的行动比现有的最快的方法快很多倍，并证明没有不安全的行动存在的时间约为现有方法的两倍。我们还计算了前向和后向可达集的学习模型的钟摆动力学超过50时间步长的水平在87秒的膝上计算机。算法源码：https://github.com/StanfordMSL/Neural-Network-Reach。
2021-04-01 cs.AI cs.RO
Continual Learning for Robotics: Definition, Framework, Learning Strategies, Opportunities and Challenges
ENSTA Paris（巴黎高等先进技术学院）；Institut Polytechnique de Paris（巴黎理工学院）；INRIA（法国国家信息与自动化研究所）；Thales（泰雷兹集团）；University of Bologna（博洛尼亚大学）
持续学习（CL）是一种特殊的机器学习范例，其中数据分布和学习目标随时间变化，或者其中所有训练数据和客观标准永远不会同时可用。学习过程的演变是通过一系列学习经验来建模的，其目标是能够在整个过程中学习新技能，而不会忘记以前学到的东西。持续学习的目的还在于同时优化学习过程中的存储器、计算能力和速度。机器学习面临的一个重要挑战不一定是找到在现实世界中有效的解决方案，而是找到可以在现实世界中学习的稳定算法。因此，理想的方法是在一个具体的平台上处理现实世界：一个自主智能体。持续学习在自主智能体或机器人中将是有效的，它将随着时间的推移自主学习外部世界，并逐步发展一套复杂的技能和知识。机器人代理必须学习使用连续的观察流来适应环境并与环境交互。最近的一些方法旨在解决机器人技术的持续学习，但最近关于持续学习的大多数论文仅在模拟或静态数据集上进行实验。不幸的是，对这些算法的评估并没有提供关于它们的解决方案是否有助于机器人背景下的持续学习的见解。本文旨在回顾现有的持续学习的艺术状态，总结现有的基准和指标，并提出了一个框架，提出和评估机器人和非机器人的方法，使这两个领域之间的转移更容易。
2019-11-22 cs.LG cs.RO
RRT$^η$: Sampling-based Motion Planning and Control from STL Specifications using Arithmetic-Geometric Mean Robustness
Boston University（波士顿大学）
RRT$^η$通过整合AGM鲁棒性度量，实现基于STL规范的高效运动规划与控制，提升多约束场景下的鲁棒性与性能。
2026-02-18 cs.RO
Towards High Precision: An Adaptive Self-Supervised Learning Framework for Force-Based Verification
Mærsk Mc-Kinney Møller Institute, University of Southern Denmark（马士基-麦金尼·莫勒研究所，南丹麦大学）；Danish Institute for Advanced Study (DIAS), University of Southern Denmark（丹麦高级研究研究所（DIAS），南丹麦大学）
本文提出一种用于力觉插入分类的自适应自监督学习框架，通过实时整合新力数据持续提升精度，实验表明其能在保持近完美精度的同时逐步缩短执行时间并减少人工干预。
2025-08-21 cs.RO
