NeuroPod: a real-time neuromorphic spiking CPG applied to robotics
Universidad de Sevilla（塞维利亚大学）；Universidad de Cádiz（加的斯大学）
最初，机器人的开发旨在使我们的生活更轻松，为人类执行重复或危险的任务。虽然它们能够执行这些任务，但最新一代的机器人正在设计更进一步，通过执行迄今为止由智能动物或人类执行的更复杂的任务。为此，需要从生物学的例子中汲取灵感。例如，昆虫能够最佳地解决复杂的环境导航问题，许多研究人员已经开始模仿这些昆虫的行为。最近的兴趣在神经形态工程促使我们提出了一个实时的【形】，神经形态，尖峰为基础的中央模式发生器的应用在神经机器人，使用节肢动物般的机器人。设计了一个脉冲神经网络，并在SpiNNaker上实现。该网络模拟了一个复杂的，在线改变能力的中央模式发生器，产生三个步态的六足机器人运动。可重构硬件用于管理机器人的电机和与脉冲神经网络的实时的【形】通信接口。实时的【形】测量证实了模拟结果，运动测试表明NeuroPod可以在没有任何平衡损失或增加延迟的情况下执行步态。
2019-04-25 cs.NE cs.RO
A MATLAB Toolbox for Hybrid Rigid Soft Robots Based on the Geometric Variable Strain Approach
近二十年来，软机器人一直是机器人社区的热门话题。然而，用于软体机器人建模和分析的工具仍然有限。本文介绍了一个用户友好的MATLAB工具箱，软体机器人模拟器（SoRoSim），它集成了几何变应变（GVS）模型的Cosserat杆，以方便静态和动态分析的软，刚性，或混合机器人系统。我们提出了一个简要的概述工具箱的设计和结构，并通过比较其结果与文献中发表的结果进行验证。为了突出工具箱的潜力，有效地建模，模拟，优化和控制各种机器人系统，我们展示了四个示例应用程序。演示的应用程序探索不同的执行器和外部负载条件的单，分支，开放和封闭的机器人系统。我们认为软机器人研究社区将从SoRoSim工具箱中受益匪浅，用于各种应用。
2022-09-26 cs.RO physics.app-ph
Toolbox Release: A WiFi-Based Relative Bearing Sensor for Robotics
Harvard（哈佛大学）；CMU（卡内基梅隆大学）
本文介绍了WiFi-Sensor-for-Robotics（WSR）工具箱，一个开源的C++框架。它使一个团队中的机器人能够获得彼此的相对方位，即使在非视线（NLOS）设置，这是机器人技术中一个非常具有挑战性的问题。它通过分析机器人穿越环境时所传递的WiFi信号的相位来做到这一点。这种能力，在我们以前的作品中开发的理论的基础上，是第一次作为一个开源工具。它的动机是缺乏易于部署的解决方案，使用机器人的本地资源（例如WiFi）在NLOS传感。这对本地化，ad-hoc机器人网络和多机器人团队的安全性等都有影响。该工具箱旨在使用商用硬件和板载传感器在机器人平台上进行分布式和在线部署。我们还发布了数据集，展示了其在多机器人定位用例的NLOS和视线（LOS）设置中的性能。实证结果表明，从我们的工具箱的方位估计达到平均精度为5.10度。这导致在室内办公室环境中的硬件部署中，LOS和NLOS设置中的定位的中值误差分别为0.5m和0.9m。
2021-11-15 cs.RO
CBFKIT: A Control Barrier Function Toolbox for Robotics Applications
Toyota Motor North America R&D（丰田北美研发中心）
本文提出 Python/ROS 工具箱 CBFKit，为确定性与随机环境中的移动系统提供控制屏障函数设计、多机器人、地图及预测规划集成能力，并在 Toyota HSR 的仿真与实物实验中验证。
2024-04-10 cs.RO cs.SY eess.SY
RoMoCo: Robotic Motion Control Toolbox for Reduced-Order Model-Based Locomotion on Bipedal and Humanoid Robots
Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
RoMoCo是一个开源C++工具箱，通过统一的API集成降阶模型规划器与全身控制器，支持双足和仿人机器人快速原型与可复现基准测试，并在多种机器人上经仿真和硬件验证。
2025-09-23 cs.RO
WiROS: WiFi sensing toolbox for robotics
University of California, San Diego（加州大学圣迭戈分校）
针对WiFi传感器缺乏易用工具箱阻碍其在机器人中应用的问题，开发了即插即用的WiFi感知工具箱WiROS，提供RSSI、CSI等ROS话题数据及最先进的信号校准与方位估计算法。
2023-05-22 cs.RO
A Tutorial on Distributed Optimization for Cooperative Robotics: from Setups and Algorithms to Toolboxes and Research Directions
University of Bologna（博洛尼亚大学）
本文探讨了分布式优化在协作机器人中的应用，介绍了约束耦合和聚合优化框架，并展示了相关算法、工具箱及在异构机器人网络上的实验验证。
2025-04-02 cs.RO math.OC
The More the Merrier: Running Multiple Neuromorphic Components On-Chip for Robotic Control
fortiss – Research Institute of the Free State of Bavaria（巴伐利亚州自由州fortiss研究所）；Ludwig Maximillian University of Munich（慕尼黑大学）；Intel Neuromorphic Computing Lab（英特尔神经形态计算实验室）；Technical University of Munich（慕尼黑工业大学）
本文提出了一种在芯片上运行多个神经形态组件的流水线，用于实现视觉机器人控制，展示了其在低功耗和低延迟方面的性能。
2026-02-14 cs.RO
POLAR: Preference Optimization and Learning Algorithms for Robotics
California Institute of Technology（加州理工学院）；Argo AI
机器人系统的参数调整是一项耗时且具有挑战性的任务，通常依赖于人类操作员的领域专业知识。此外，现有的学习方法不太适合参数调整的原因有很多，包括：没有一个明确的数值度量“良好的机器人行为”;有限的数据，由于依赖于真实世界的实验数据;和大搜索空间的参数组合。在这项工作中，我们提出了一个开源的MATLAB偏好优化和机器人工具箱（POLAR）的学习算法系统地探索高维参数空间，使用人在回路的偏好为基础的学习。这个工具箱的目的是系统地和有效地完成两个目标之一：1）优化机器人行为的人类操作员的偏好; 2）学习操作员的潜在偏好景观，以更好地理解可调参数和操作员偏好之间的关系。POLAR工具箱仅使用主观反馈机制（成对偏好、协同反馈和有序标签）来推断指示用户偏好的底层奖励函数上的贝叶斯后验，从而实现这些目标。我们展示了工具箱在仿真中的性能，并提出了基于偏好的人在回路学习的各种应用。
2022-08-08 cs.RO
Real-Time Neuromorphic Navigation: Guiding Physical Robots with Event-Based Sensing and Task-Specific Reconfigurable Autonomy Stack
Purdue University（普渡大学）
本文提出可重构 Neuromorphic Navigation 框架，利用基于事件的神经形态视觉贯通感知、规划与控制，并在 Turtlebot 和 Bebop2 上验证其实时自主导航能力。
2025-03-11 cs.RO
An MPSoC-based on-line Edge Infrastructure for Embedded Neuromorphic Robotic Controllers
University of Seville（塞维利亚大学）
在这项工作中，一个所有功能于一身的神经形态控制器系统，减少延迟和功耗的机器人手臂。生物肌肉运动包括通过来自运动神经元的尖峰命令信号拉伸和收缩纤维，运动神经元又连接到中央模式发生器神经结构。此外，生物系统能够相当快速有效地对不同的刺激做出反应，这是基于神经过程中信息编码的方式。与人类创造的编码系统相反，神经编码系统使用神经元和尖峰来处理信息，并基于连续学习过程做出加权决策。事件驱动的Scorbot平台（ED-Scorbot）由一个6自由度（DoF）的机械臂组成，其控制器实现了一个尖峰比例积分微分算法，以这种方式模仿以前评论的生物系统。在本文中，我们提出了一个基础设施升级的ED-Scorbot平台，取代控制器硬件，这是由两个斯巴达现场可编程门阵列（FPGA）和准系统计算机，与边缘设备，赛灵思Zynq-7000 SoC（片上系统），降低了响应时间，功耗和整体复杂性。
2022-03-31 cs.RO
Benchmarking the Energy Cost of Assurance in Neuromorphic Edge Robotics
本文研究了在边缘机器人中部署可信人工智能的高保证鲁棒性和能源可持续性之间的权衡，通过对比传统防御机制与事件驱动的神经形态架构，展示了后者在降低攻击成功率的同时保持低能耗的优势。
2026-03-14 cs.AR cs.LG cs.NE
Neuromorphic quadratic programming for efficient and scalable model predictive control
School of Computation, Information, and Technology, Technische Universität München（慕尼黑工业大学计算、信息与技术学院）；Intel Labs（英特尔实验室）
针对边缘自主系统大型优化的实时低能耗需求，提出在Loihi 2芯片上求解凸二次规划的神经形态方法，用于ANYmal的MPC，能效延迟积较OSQP降两个数量级以上，验证了非冯架构的机器人控制优势。
2024-06-19 cs.ET cs.NE cs.RO
alurity, a toolbox for robot cybersecurity
Universität Klagenfurt（克拉根福大学）；Alias Robotics；Institute for Robotics and Mechatronics, Joanneum Research（机器人与机电一体化研究所，格拉茨研究中心）；Department of Informatics of University of Minho（米尼奥大学信息学系）；High-Assurance Software Laboratory of University of Minho（米尼奥大学高可信软件实验室）；INESC TEC；Robotics Group at University of León（莱昂大学机器人学小组）；Istituto di Informatica e Telematica, Consiglio Nazionale delle Ricerche (CNR)（意大利国家研究委员会信息与电信研究所）
大多数机器人系统的技术重复使用和固有的复杂性越来越多地导致机器人具有广泛的攻击面和各种潜在的漏洞。鉴于它们在公共环境中的存在越来越多，安全研究变得越来越重要，特别是由于机器人漏洞可能对人类造成的安全影响。我们认为，机器人技术中的安全分流仍然不成熟，必须开发新的工具来加速测试-分流-开发周期，这是优先考虑和加速缓解缺陷所必需的。目前的工作通过提供一个工具箱以及通过一年多来进行的几个用例所获得的结果来解决目前缺乏机器人技术中的攻击性网络安全研究的问题。我们为机器人网络安全提出了一个模块化和可组合的工具箱：alurity。通过确保从事项目的机器人专家和安全研究人员拥有一个通用、一致且易于复制的开发环境，alurity旨在促进网络安全研究和团队间的协作。
2020-10-16 cs.RO
The Control Toolbox - An Open-Source C++ Library for Robotics, Optimal and Model Predictive Control
Agile & Dexterous Robotics Lab, ETH Zürich（苏黎世联邦理工学院敏捷与灵巧机器人实验室）
我们介绍了控制器（CT），一个开源的C++库，用于有效的建模，控制，估计，轨迹优化和模型预测控制。CT适用于广泛的一类动态系统，但功能接口，专门为机器人应用设计的建模工具。本文概述了工具箱的一般概念，其主要组成部分，并突出了选定的应用程序的例子。该库包含几个工具来设计和评估控制器，建模动态系统和解决最优控制问题。CT的目的是直观的建模系统由常微分或差分方程。它支持成本函数和约束的快速原型设计，并为不同的最优控制求解器提供标准接口。到目前为止，我们支持单次射击，迭代线性二次调节器，高斯-牛顿多重射击和经典的直接多重射击。我们提供接口的通用NLP求解器和基于Riccati的线性二次最优控制求解器。CT被设计为有效地解决大规模最优控制和估计问题，并允许动态系统的在线控制。实现快速运行时性能的一些关键特性是与自动微分、派生代码生成和多线程的完全兼容。尽管如此，CT被设计为模块化框架，其构建块也可以用于其他控制和估计应用，例如逆动态控制、扩展卡尔曼滤波器或运动规划。
2018-03-26 cs.RO math.OC
Commentaries on "Learning Sensorimotor Control with Neuromorphic Sensors: Toward Hyperdimensional Active Perception" [Science Robotics Vol. 4 Issue 30 (2019) 1-10
Research Institutes of Sweden（瑞典研究机构）；University of California, Berkeley（加州大学伯克利分校）；Luleå University of Technology（吕勒奥理工大学）
这封信件评论了Mitrokhin等人最近发表在Science Robotics文章中的发现[1]。本评注的主要目的是进一步阐述该条所涉及的一些问题。我们的经验是，超维计算与其他计算方法非常不同，在获得实际有用的理解之前，它可能需要相当多的接触。因此，为了向第一次阅读[1]的读者提供该领域的概况，评注包括一个简短的历史概述，并将该条款的调查结果与该领域现有的大量文献联系起来。
2020-03-25 cs.AI cs.CV cs.RO
Evolved neuromorphic radar-based altitude controller for an autonomous open-source blimp
Delft University of Technology（代尔夫特理工大学）；Stichting IMEC Nederland（荷兰IMEC基金会）
机器人飞艇在安全性、机动性和延长飞行时间方面具有显著优势。然而，他们的高度限制性的重量约束提出了一个重大挑战，可用的计算资源来执行所需的控制任务。类脑计算是解决这类问题的一个很有前途的研究方向。脉冲神经网络（SNN）通过模仿神经元之间使用尖峰或脉冲传递信息的生物过程，实现了低功耗和异步事件驱动处理。在本文中，我们提出了一个进化的高度控制器的基础上SNN的机器人飞艇，它完全依赖于由机载雷达提供的传感器反馈。从一个轻量级的，低成本的，开源的飞艇的设计开始，我们还提出了一个基于SNN的控制器架构，一个进化的框架，用于在模拟环境中训练网络，和一个控制策略，用于改善与现实的差距。该系统的性能进行评估，通过真实世界的实验，通过比较它与人工神经网络和线性控制器，展示了我们的方法的优势。结果表明，一个有效的控制努力的高度命令的准确跟踪。
2022-03-07 cs.NE cs.RO
Bioinspired Smooth Neuromorphic Control for Robotic Arms
Rutgers University（罗格斯大学）
除了提供精确的运动，实现平滑的运动轨迹是机器人控制理论的长期目标，旨在复制自然的人类运动。从生物制剂中汲取灵感，其到达控制网络毫不费力地产生平滑和精确的运动，可以简化机器人手臂的这些控制目标。神经形态处理器模仿大脑的计算原理，是一个理想的平台，可以近似生物控制器的准确性和平滑性，同时最大限度地提高其能源效率和鲁棒性。然而，传统的控制方法与神经形态硬件的不兼容性限制了它们现有的适应性的计算效率和可解释性。相比之下，平滑和准确的到达运动的神经元子网络是有效的，最小的，本质上与神经形态硬件兼容。在这项工作中，我们模拟这些网络与一个生物现实的脉冲神经网络的神经形态硬件上的电机控制。拟议的控制器结合了实验确定的短期突触可塑性和调节感觉反馈增益的专门神经元，以在较宽的运动范围内提供平稳而准确的关节控制。同时，它保留了其生物对应物的最小复杂性，并可直接部署在英特尔的神经形态处理器上。使用关节控制器作为构建模块，并受到人类手臂关节协调的启发，我们将这种方法扩展到控制现实世界的机器人手臂。由此产生的运动轨迹和平滑的钟形速度曲线与人类相似，验证了控制器的生物相关性。值得注意的是，该方法实现了最先进的控制性能，同时将运动加加速度降低了19%，以提高运动平滑度。
2023-03-08 cs.ET cs.RO cs.SY
Fully neuromorphic vision and control for autonomous drone flight
Delft University of Technology（代尔夫特理工大学）
生物传感和处理是异步和稀疏的，导致低延迟和节能的感知和行动。在机器人技术中，基于事件的视觉和脉冲神经网络的神经形态硬件有望表现出类似的特性。然而，由于当前嵌入式神经形态处理器的网络大小受限以及训练脉冲神经网络的困难，机器人实现仅限于具有低维感觉输入和运动动作的基本任务。在这里，我们提出了第一个完全神经形态的视觉控制管道，用于控制自由飞行的无人机。具体来说，我们训练一个脉冲神经网络，接受高维原始事件为基础的相机数据和输出低级别的控制动作，执行自主视觉为基础的飞行。网络的视觉部分由五层和28.8k个神经元组成，将传入的原始事件映射到自我运动估计，并在真实事件数据上进行自监督学习训练。控制部分包括一个单一的解码层，并在无人机模拟器的进化算法学习。机器人实验表明，一个成功的仿真到现实迁移的完全学习的神经形态管道。无人机可以准确地遵循不同的自我运动设定点，允许悬停，着陆和侧向操纵$\unicode{x2014}$，即使在同一时间偏航。神经形态流水线在英特尔的Loihi神经形态处理器上运行，执行频率为200 Hz，每个推理仅花费27 $\unicode{x00b5}$ J。这些结果说明了神经形态传感和处理的潜力，使更小，更智能的机器人。
2023-03-15 cs.AI cs.CV cs.LG
Neuromorphic Vision Based Control for the Precise Positioning of Robotic Drilling Systems
Khalifa University of Science and Technology（哈利法科技大学）；Strata Manufacturing PJSC（斯特拉塔制造公司）
随着工业机器人的空前采用，制造业目前正在经历一场范式转变，机器视觉是一项关键的感知技术，使这些机器人能够在非结构化环境中执行精确操作。然而，传统视觉传感器对照明条件和高速运动的敏感性限制了生产线的可靠性和工作效率。神经形态视觉是一种新的技术，具有高时间分辨率、低延迟和宽动态范围的特点，有可能解决传统视觉的挑战。在本文中，我们首次提出了一种新的基于神经形态视觉的控制器，用于更快，更可靠的加工操作，并提出了一个完整的机器人系统，能够执行亚毫米精度的钻孔任务。我们提出的系统定位的目标工件在3D使用两个感知阶段，我们专门开发的异步输出的neuromorphic相机。第一阶段执行多视图重建的工件的姿态的初始估计，和第二阶段细化使用圆孔检测的工件的局部区域的估计。然后，机器人精确定位钻孔末端执行器，并使用基于位置和基于图像的组合视觉伺服方法在工件上钻目标孔。所提出的解决方案进行了实验验证钻孔螺母板孔工件上任意放置在一个非结构化的环境与不受控制的照明。实验结果证明了我们的解决方案的有效性，平均位置误差小于0.1 mm，并表明使用神经形态视觉克服了传统相机的照明和速度限制。
2022-01-05 cs.RO eess.IV
A compact neuromorphic system for ultra-energy-efficient, on-device robot localization
QUT Centre for Robotics, Queensland University of Technology（昆士兰科技大学机器人中心）
本研究提出LENS系统，集成脉冲神经网络、事件相机和神经形态处理器于单芯片，实现六足机器人上超低能耗、高精度的设备端视觉位置识别，模型仅180KB，能耗低于传统方法8%。
2025-06-18 cs.RO
An Astrocyte-Modulated Neuromorphic Central Pattern Generator for Hexapod Robot Locomotion on Intel's Loihi
Rutgers University（罗格斯大学）
运动是足式机器人面临的一个关键挑战，自然界中丰富的生物网络称为中央模式发生器（CPG）可以“毫不费力”地解决这一问题。到目前为止，已经成为仿生机器人控制器的众多CPG网络模型不适用于新兴的神经形态硬件，剥夺了移动机器人强大的行走机制，这将导致固有的节能系统。在这里，我们提出了一个脑形态CPG控制器的基础上，一个全面的尖峰神经星形胶质细胞网络，产生两个步态模式的六足机器人。基于最近确定的星形胶质细胞神经调节机制，我们提出的CPG架构无缝集成到英特尔的Loihi神经形态芯片，利用芯片和机器人操作系统（ROS）环境之间的实时交互框架，我们也建议。在这里，我们证明了一个Loihi运行CPG可以用来控制步行机器人的鲁棒性感官噪声和不同的速度配置文件。我们的研究结果铺平了道路，扩展这种和其他方法对Loihi控制的运动在自主移动机器人。
2020-06-08 cs.NE cs.RO q-bio.NC
Neuromorphic control for optic-flow-based landings of MAVs using the Loihi processor
Delft University of Technology（代尔夫特理工大学）
像Loihi这样的神经形态处理器为传统计算模块提供了一种有前途的替代方案，可以为微型飞行器（MAVs）等受限系统提供强大，高效和自主的技能，如起飞和着陆，避障和追击。然而，在机器人平台上使用这种处理器的一个主要挑战是模拟和现实世界之间的现实差距。在这项研究中，我们提出了第一次在飞行机器人的Loihi神经形态芯片原型的完全嵌入式应用。通过演化脉冲神经网络，根据飞行器腹侧光流场的发散度计算推力指令，实现自主着陆。进化是在基于Python的模拟器中使用PySNN库进行的。由此产生的网络架构仅由分布在3层中的35个神经元组成。仿真和Loihi之间的定量分析揭示了推力设定点的均方根误差低至0.005 g，隐藏层中的尖峰序列匹配率为99.8%，输出层为99.7%。所提出的方法成功地弥合了现实差距，为未来机器人中的神经形态应用提供了重要的见解。补充材料可在https://mavlab.tudelft.nl/loihi/上查阅。
2020-11-01 cs.AI cs.NE cs.RO
Learning over time using a neuromorphic adaptive control algorithm for robotic arms
Accenture Labs（埃森哲实验室）；National Research Council Canada（加拿大国家研究委员会）
在本文中，我们探讨了机器人手臂的能力，学习的基本操作空间定义的位置（x，y，z），手臂的末端执行器可以达到，包括干扰，部署和彻底评估脉冲神经网络基于自适应控制算法。虽然传统的机器人控制算法在适应新的动态环境方面存在局限性，但我们证明机器人手臂可以随着时间的推移更快地学习操作空间并完成任务。我们还证明了基于SNN的自适应机器人控制算法能够在保持能源效率的同时实现快速响应。我们通过对自适应算法参数空间进行广泛的搜索，并评估不同SNN网络大小、学习率、动态机械臂轨迹和响应时间的算法性能，获得了这些结果。我们表明，机器人手臂学习完成任务的速度提高了15%，在特定的实验场景，如六个或九个随机目标点的情况下。
2022-10-03 cs.AI cs.RO cs.SY
An Open Source Design Optimization Toolbox Evaluated on a Soft Finger
Inria Lille - Nord Europe（法国国家信息与自动化研究所里尔-北欧分部）；University of Lille（里尔大学）
本研究提出一款面向软体机器人的开源多目标设计优化工具箱，以带传感的绳驱动软体手指为示例验证其有效性，并深入分析了仿真到现实的影响因素。
2023-07-26 cs.RO
A Neuromorphic Reinforcement Learning Framework for Efficient Pathfinding in Robotic Mobile Fulfillment Systems
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；JD Explore Academy（京东探索研究院）
提出SDQN-RMFS框架，通过ANN到SNN的转换和硬标签知识蒸馏，在神经形态芯片上实现超低功耗路径规划，相比GPU能耗降低11281倍，延迟减少近一半。
2026-07-08 cs.AI cs.RO
Neuromorphic Event-Based Slip Detection and suppression in Robotic Grasping and Manipulation
Khalifa University of Science and Technology（哈利法科技大学）；Kingston University（金斯顿大学）；Purdue University（普渡大学）
滑移检测是机器人实现鲁棒抓取和精细操作的关键。本文提出了一种新的基于动态视觉的手指滑动检测和抑制系统。我们还提出了一种基于基线和特征的方法来检测物体在光照和振动不确定性下的滑动。设计了一种阈值方法来实时自主地对噪声进行采样，以提高滑动检测。此外，提出了一种基于模糊的抑制策略，使用早期滑移反馈调节抓地力。我们提出的方法下的不确定性和高性能的精密操作系统的全面实验研究。我们还提出了一个滑移度量来定量评估这种性能。结果表明，该系统可以有效地检测早期滑移事件在采样率为2kHz（$Δt = 500μs$）和抑制他们之前发生的严重滑移。基于事件的方法有望在工业制造和家庭服务的高精度操作任务的要求。
2020-04-15 cs.CV cs.RO
Neuromorphic BrailleNet: Accurate and Generalizable Braille Reading Beyond Single Characters through Event-Based Optical Tactile Sensing
School of Engineering Mathematics and Technology, University of Bristol（布里斯托大学工程数学与技术学院）；Department of Computer Science, Technical University of Darmstadt（达姆施塔特技术大学计算机科学系）；German Research Center for AI (DFKI), the Hessian Center for Artificial Intelligence (hessian.AI), and the Centre for Cognitive Science, Technical University of Darmstadt（德国人工智能研究中心（DFKI）、黑森州人工智能中心（hessian.AI）和达姆施塔特技术大学认知科学中心）
本文提出基于事件驱动触觉传感器的神经形态布拉耶网络，通过时空分割与轻量级ResNet分类器实现连续布拉耶识别，实现高精度和多布局泛化，展现低延迟的触觉感知应用潜力。
2026-04-20 cs.RO
A Self-Driving Robot Using Deep Convolutional Neural Networks on Neuromorphic Hardware
University of California, Irvine（加州大学欧文分校）；Northrop Grumman（诺斯洛普·格鲁曼公司）；University of Maryland（马里兰大学）；BrainChip LLC（BrainChip有限责任公司）
类脑计算是降低移动嵌入式系统体积、重量和功耗的一种很有前途的解决方案。在本文中，我们介绍了这样一个系统的实现，通过创建IBM TrueNorth NS1e和自主的基于Android的机器人平台之间的第一个闭环电池供电的通信系统。使用这个系统，我们构建了一个数据集的路径跟随行为，手动驱动基于Android的机器人沿着陡峭的山路和记录视频帧从安装在机器人上的摄像头以及相应的电机命令。我们使用该数据集来训练在TrueNorth NS 1e上实现的深度卷积神经网络。安装在机器人上并由机器人电池供电的NS1e导致了一个自动驾驶机器人，它可以成功地实时的穿越陡峭的山路。据我们所知，这是TrueNorth NS1e神经形态芯片首次在闭环控制下嵌入移动平台。
2016-11-04 cs.NE cs.RO
Model Predictive Path Integral Methods with Reach-Avoid Tasks and Control Barrier Functions
Toyota Motor North America R & D（丰田北美研发中心）
本文扩展了CBFkit工具箱，结合基于可达-避障代价的规划器与MPPI控制器，利用控制屏障函数在不确定环境下提供正式安全保证，支持多种机器人应用。
2024-07-18 cs.RO cs.SY eess.SY
NeuroTac: A Neuromorphic Optical Tactile Sensor applied to Texture Recognition
University of Bristol（布里斯托大学）；Bristol Robotics Laboratory（布里斯托机器人实验室）
开发与人类触觉相媲美的人工触觉感知能力是机器人和假肢的长期目标。越来越多的仿生触觉传感器正在开发和应用于抓取和操纵任务，以帮助实现这一目标。在这里，我们提出了neuroTac，一种新的神经形态光学触觉传感器。neuroTac结合了TacTip传感器的仿生硬件设计，该传感器模仿人类无毛皮肤的分层乳头结构，具有基于事件的摄像头（DAVIS240，iniVation）和以尖峰序列形式存储接触信息的算法。传感器的性能进行评估的纹理分类任务，与四个尖峰编码方法的实施和比较：密集，空间，时间和时空。我们发现基于时间的编码方法在人工和自然纹理上都具有最高的准确性。神经Tac的基于尖峰的输出可以使机器人中的仿生触觉感知算法以及假肢中的非侵入性和侵入性触觉反馈方法的开发成为可能。
2020-03-01 cs.RO
Exploratory Movement Strategies for Texture Discrimination with a Neuromorphic Tactile Sensor
School of Engineering Mathematics and Technology, University of Bristol（工程数学与技术学院，布里斯托尔大学）
本文提出一种受人类探索策略启发的神经形态触觉感知框架，通过比较六种探索运动，发现滑动+旋转在纹理分类中准确率最高且功耗极低，是最优策略。
2025-09-18 cs.RO
Neuromorphic force-control in an industrial task: validating energy and latency benefits
fortiss – Research Institute of the Free State of Bavaria（巴伐利亚自由州fortiss研究机构）；Robominds GmbH（Robominds有限公司）；ZHAW Zurich University of Applied Sciences（苏黎世应用科技大学（ZHAW））
本文将经强化学习训练的 SNN 力-力矩控制器部署于 Loihi 并控制 KUKA 机械臂完成工业插入任务，证明其延迟可比 CPU/GPU，且能耗较先进低功耗边缘硬件低一个数量级。
2024-09-02 cs.RO
Efficient Hybrid Neuromorphic-Bayesian Model for Olfaction Sensing: Detection and Classification
Khalifa University（哈利法大学）；Center for Autonomous Robotic Systems（自主机器人系统中心）
本文提出卷积脉冲神经网络与贝叶斯脉冲神经网络结合的混合模型，用于机器人嗅觉检测与分类，在保证准确率的同时显著提升能效。
2024-06-05 cs.RO eess.SP
Autonomous Reinforcement Learning Robot Control with Intel's Loihi 2 Neuromorphic Hardware
U.S. Naval Research Laboratory Naval（美国海军研究实验室）；Intel Labs（英特尔实验室）
本文提出将强化学习策略转换为神经形态硬件的端到端流程，用于实现低功耗的机器人控制。
2025-12-03 cs.AI cs.LG cs.RO
ira_laser_tools: a ROS LaserScan manipulation toolbox
激光扫描仪是在机器人应用中广泛使用的传感器。在机器人操作系统（ROS）下，激光扫描仪生成的信息可以通过LaserScan消息或PointClouds的形式传送。许多公开可用的算法（地图，定位，导航等）虽然PointCloud依赖于LaserScan消息，但目前还没有一种工具可用于处理多台激光器、合并其测量值或从PointCloud生成通用LaserScan消息。本报告描述了两种工具，以ROS节点的形式，我们在BSD许可证下作为开源发布，允许合并多个单平面激光扫描或从点云生成虚拟激光扫描。一个简短的教程，以及这些工具的主要优点和局限性。
2014-11-04 cs.RO
Towards spiking analog hardware implementation of a trajectory interpolation mechanism for smooth closed-loop control of a spiking robot arm
Universidad de Sevilla（塞维利亚大学）；SynSense AG（SynSense AG公司）；University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
提出一种基于脉冲神经网络的机械臂闭环控制系统，包含移位WTA网络与脉冲比较器以实现轨迹插值与连续性控制，并在DYNAP-SE2平台部署验证了其有效性。
2025-01-23 cs.NE cs.RO
A Spiking Central Pattern Generator for the control of a simulated lamprey robot running on SpiNNaker and Loihi neuromorphic boards
Technical University of Munich（慕尼黑工业大学）；fortiss - Research Institute of the Free State of Bavaria（巴伐利亚自由州fortiss研究所）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；University of Waterloo（滑铁卢大学）
中央模式发生器（CPG）模型长期以来一直被用于研究动物运动的神经机制以及机器人研究的工具。在这项工作中，我们提出了一个尖峰CPG神经网络和它的实现神经形态硬件作为一种手段来控制模拟七鳃鳗模型。为了构建我们的CPG模型，我们采用了通过使用神经工程框架（NEF）中的递归神经种群而产生的自然出现的动力系统。我们定义了我们的模型背后的数学公式，该模型由一个由高电平信号调制的耦合抽象振荡器系统组成，能够产生各种输出步态。我们表明，中央模式发生器模型的数学公式，该模型可以变成一个脉冲神经网络（SNN），可以很容易地模拟Nengo，SNN模拟器。然后使用脉冲CPG模型来产生模拟七鳃鳗机器人模型在各种情况下的游泳步态。我们表明，通过修改输入到网络，这可以提供的感官信息，机器人可以动态控制的方向和步伐。所提出的方法可以推广到其他类型的CPG适合工程应用和科学研究。我们在两个神经形态平台上测试我们的系统，SpiNNaker和Loihi。最后，我们表明，这一类的尖峰算法显示出很有前途的潜力，利用神经形态硬件的理论优势，在能源效率和计算速度。
2021-01-18 cs.NE cs.RO
Neuromorphic adaptive spiking CPG towards bio-inspired locomotion of legged robots
Universidad de Cádiz（加的斯大学）；University of Guanajuato（瓜纳华托大学）；Universidad de Sevilla（塞维利亚大学）
近年来，脊椎动物所表现出的运动机制一直是机器人系统性能改进的灵感来源。这些机制包括它们的运动对通过它们的生物传感器记录在环境中的任何变化的适应性。在这方面，我们的目标是复制这种适应性的足式机器人通过尖峰中央模式发生器。这种尖峰中央模式发生器生成不同的运动（节奏）模式，这些模式由外部刺激驱动，即连接到机器人以提供反馈的力敏电阻器的输出。尖峰中央模式发生器由五个群体的泄漏整合和发射神经元网络组成，这些神经元设计有特定的拓扑结构，从而可以通过上述外部刺激生成和驱动节奏模式。因此，末端机器人平台（任何足式机器人）的运动可以通过使用任何传感器作为输入来适应地形。具有自适应学习的尖峰中央模式发生器已在软件和硬件层面进行了数值验证，使用Brian 2模拟器和SpiNNaker神经形态平台进行最新验证。特别是，我们的实验清楚地表明，当输入刺激变化时，尖峰中央模式发生器的种群中产生的尖峰之间的振荡频率存在适应性。为了验证尖峰中枢模式发生器的鲁棒性和适应性，我们通过改变传感器的输出进行了几次测试。这些实验在Brian 2和SpiNNaker中进行;两种实现都显示出类似的行为，Pearson相关系数为0.905。
2021-01-24 cs.AI cs.NE cs.RO
A Novel Bioinspired Neuromorphic Vision-based Tactile Sensor for Fast Tactile Perception
Khalifa University（哈利法大学）；University of Lincoln（林肯大学）；Khalifa University Center of Autonomous Robotic Systems (KUCARS)（哈利法大学自主机器人系统中心）；Healthcare Engineering and Innovation Group (HEIG)（医疗保健工程与创新集团）；Advanced Research and Innovation Center (ARIC)（先进研究与创新中心）
本文提出一种基于事件相机的仿生神经形态视觉触觉传感器，利用3D打印柔性皮肤感知形变，可在2毫秒内检测按压与滑动，适用于高速拾放操作中的安全抓取。
2024-03-15 cs.RO cs.SY eess.SY
Reinforcement co-Learning of Deep and Spiking Neural Networks for Energy-Efficient Mapless Navigation with Neuromorphic Hardware
Computational Brain Lab, Department of Computer Science, Rutgers University（罗格斯大学计算机科学系计算大脑实验室）
节能的无地图导航对于移动机器人来说至关重要，因为它们在有限的机载资源下探索未知环境。虽然最近的深度强化学习（DRL）方法已成功地应用于导航，但其高能耗限制了其在几个机器人应用中的使用。在这里，我们提出了一种神经形态的方法，结合了脉冲神经网络的能量效率与DRL的最优性，并在无地图导航的学习控制策略中进行基准测试。我们的混合框架，尖峰深度确定性策略梯度（SDDPG），由尖峰演员网络（SAN）和深度评论家网络，其中两个网络使用梯度下降联合训练。共同学习使两个网络之间的协同信息交换成为可能，使它们能够通过共享的表示学习克服彼此的局限性。为了评估我们的方法，我们在英特尔的Loihi神经形态处理器上部署了经过训练的SAN。当在模拟和真实世界的复杂环境中进行验证时，与Jetson TX2上的DDPG相比，我们在Loihi上的方法每次推理消耗的能量减少了75倍，并且还表现出更高的成功导航率，范围从1%到4.2%，并取决于前向传播时间步长。这些结果加强了我们正在进行的努力，设计大脑启发的算法，用于控制具有神经形态硬件的自主机器人。
2020-07-31 cs.LG cs.NE cs.RO
Neuromorphic computing for attitude estimation onboard quadrotors
Delft University of Technology（代尔夫特理工大学）
本文提出一种仅含150个神经元的脉冲神经网络，利用IMU数据估计四旋翼飞行器动态飞行中的俯仰和滚转角，并在Loihi神经形态处理器上验证了其鲁棒性和能效优势。
2023-04-18 cs.RO
Spatio-temporal encoding improves neuromorphic tactile texture classification
National University of Singapore（新加坡国立大学）；Federal University of Uberlandia（乌贝兰迪亚联邦大学）；University of Bristol（布里斯托大学）；Bristol Robotics Laboratory（布里斯托机器人实验室）；The Johns Hopkins University（约翰斯·霍普金斯大学）
随着在非结构化环境中部署机器人与人类一起工作的兴趣的增加，开发机器人的类人触觉变得重要。在这项工作中，我们实现了一个多通道的神经形态触觉系统，编码的接触事件作为离散的尖峰事件，模仿缓慢适应机械感受器的行为。我们研究了人工机械感受器信息池对空间非均匀自然纹理分类性能的影响。我们通过根据基于时变平均尖峰速率的触觉反应体积计算的灰度共生矩阵对机械感受器的时空激活模式进行编码。我们发现，这种方法大大提高了纹理分类相比，单独使用的机械感受器响应。此外，性能也更强大的滑动速度的变化。利用精确的空间和时间之间的相关性感觉通道的重要性是显而易见的，无论是删除精确的时间信息或改变响应模式的空间结构，观察到显着的性能下降。因此，这项研究表明，人口编码的方法，可以利用精确的时空信息编码的机械感受器人口的激活模式的优越性。因此，它在机器人和假肢中的现实触摸应用所需的生物启发触觉系统的发展方向上取得了进展。
2021-06-05 cs.NE cs.RO
ST-MNIST -- The Spiking Tactile MNIST Neuromorphic Dataset
National University of Singapore（新加坡国立大学）
触觉感知是智能机器人的一种基本形式，因为它使它们能够灵活地与环境中的物理对象进行交互。电子皮肤的最新进展已经导致开发了利用这种重要的感觉模态的数据驱动的机器学习方法。然而，用于训练这种算法的当前数据集限于标准同步触觉传感器。缺乏基于神经形态事件的触觉数据集，主要是由于缺乏大规模的基于事件的触觉传感器。拥有这样的数据集对于开发和评估处理基于时空事件的数据的新算法至关重要。例如，在传统的基于帧的数据集上评估脉冲神经网络被认为是次优的。在这里，我们首次推出了一种新的神经形态尖峰触觉MNIST（ST-MNIST）数据集，其中包括手写数字由人类参与者在神经形态触觉传感器阵列上书写。我们还描述了一个初步的努力，以评估我们的ST-MNIST数据集使用现有的人工和脉冲神经网络模型。本文提供的分类精度可以作为未来工作的性能基准。我们预计，我们的ST-MNIST数据集将是感兴趣的和有用的神经形态和机器人研究社区。
2020-05-08 cs.CV cs.HC cs.NE
Set-Point Regulation of Linear Continuous-Time Systems using Neuromorphic Vision Sensors
Massachusetts Institute of Technology（麻省理工学院）
本文提出基于神经形态视觉传感器的H∞控制器，用于调节线性时不变系统的设定点，并在不稳定系统上验证了方法的有效性。
2016-09-18 cs.CV cs.RO cs.SY
A Neuromorphic Incipient Slip Detection System using Papillae Morphology
School of Engineering Mathematics and Technology, University of Bristol（布里斯托大学工程数学与技术学院）；James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）；School of Electrical and Electronic Engineering, University College Dublin（都柏林大学学院电子与电气工程学院）
本文提出一种基于NeuroTac传感器和脉冲卷积神经网络的神经形态触觉系统，利用乳突皮肤检测初始滑移，在动态验证中提前至少360毫秒预警，准确率达94.33%。
2025-09-11 cs.RO
GenTact Toolbox: A Computational Design Pipeline to Procedurally Generate Context-Driven 3D Printed Whole-Body Artificial Skins
University of Colorado Boulder（科罗拉多大学波德罗分校）
GenTact Toolbox通过程序化生成和多材料3D打印技术，实现针对机器人形状和应用场景的上下文驱动触觉皮肤设计
2025-03-07 cs.RO
Neuromorphic Perception and Navigation for Mobile Robots: A Review
University of Granada（格拉纳达大学）
针对现有移动机器人自主导航方案难以满足真实场景严苛要求的问题，该综述全面梳理了类脑策略在自主导航中的应用，涉及神经形态感知、自适应学习及关键导航脑区工作原理模仿等方向。
2024-07-09 cs.RO
Mimicking associative learning of rats via a neuromorphic robot in open field maze using spatial cell models
Department of Electrical \ Computer Engineering Michigan Technological University Houghton, MI, USA
本文提出利用神经形态机器人和空间细胞模型模拟大鼠联想学习，在开放场迷宫中实现实时在线空间任务学习，以提升自主系统的适应性和能效。
2025-08-25 cs.RO cs.SY eess.SY
Neurosim: A Fast Simulator for Neuromorphic Robot Perception
GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
提出Neurosim和Cortex库，通过高速传感器模拟和低延迟通信，支持神经形态感知与控制算法的训练和闭环测试。
2026-05-29 cs.CV cs.RO
Visual Odometry with Neuromorphic Resonator Networks
Institute of Neuroinformatics, University of Zurich and ETH Zurich（苏黎世大学与苏黎世联邦理工学院神经信息学研究所）；Forschungszentrum Jülich（于利希研究中心）；Accenture Labs（埃森哲实验室）；Intel Neuromorphic Computing Lab, Intel Labs（英特尔实验室英特尔神经形态计算实验室）；Redwood Center for Theoretical Neuroscience, UC Berkeley（加州大学伯克利分校红木理论神经科学中心）；Intel Labs（英特尔实验室）；ZHAW Zurich University of Applied Sciences（苏黎世应用科技大学）
提出基于向量符号架构（VSA）的模块化神经形态算法，利用谐振器网络更新视觉工作记忆以估计相机位姿，在二维视觉里程计任务中实现低功耗且最先进的性能。
2024-06-26 cs.AI cs.CV cs.NE
GelNeuro: A Sensing-Computing Integrated Neuromorphic Tactile System for Texture Recognition
State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
针对现有神经形态触觉系统依赖主机预处理的问题，提出GelNeuro感算融合系统，搭配硬件感知权重钳位策略，实现低功耗高准确率的端侧纹理识别。
2026-07-14 cs.RO
Synaptic motor adaptation: A three-factor learning rule for adaptive robotic control in spiking neural networks
U.S. Naval Research Laboratory（美国海军研究实验室）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出 SMA 算法，利用经梯度下降元优化的三因子突触可塑性规则，使四足机器人仅凭机载传感实现实时在线运动适应，性能达到现有先进方法水平。
2023-06-02 cs.AI cs.LG cs.NE
Design and Evaluation of a Bioinspired Tendon-Driven 3D-Printed Robotic Eye with Active Vision Capabilities
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；University of Kashan（卡尚大学）
提出一种具备逼真外观与自然运动的仿生腱驱动3D打印机器人眼设计方案，通过最少舵机实现高效驱动，并利用基于视觉的控制器验证了其有效性。
2023-05-01 cs.RO
