Digital Twin Synchronization: Bridging the Sim-RL Agent to a Real-Time Robotic Additive Manufacturing Control
Department of Mechanical Engineering, University of Louisiana at Lafayette（路易斯安那大学拉斐特分校机械工程系）；Computer Science & Information Systems Department, Bradley University（布雷纳德大学计算机科学与信息系统系）
本文提出融合 SAC、数字孪生、Unity-ROS2 同步与迁移学习的增材制造实时控制框架，并通过 Viper X300s 机械臂验证其快速收敛与跨环境稳健执行能力。
2025-06-09 cs.AI cs.LG cs.RO
Composite Distributed Learning and Synchronization of Nonlinear Multi-Agent Systems with Complete Uncertain Dynamics
针对领导者-跟随者多机器人机械臂的异构非线性不确定性，提出两层分布式自适应学习控制策略，实现领导者信息估计、轨迹跟踪与完全不确定动力学辨识，并证明稳定性与参数收敛。
2024-05-09 cs.MA cs.RO cs.SY
Two-fingered Hand with Gear-type Synchronization Mechanism with Magnet for Improved Small and Offset Objects Grasping: F2 Hand
Preferred Networks, Inc.（首选网络公司）；Sony AI（索尼人工智能）
本文提出F2 Hand双指机械手，通过带磁体的齿轮式同步机构兼顾指尖对齐抓取小物体与自适应抓取偏心物体，可抓取从易碎物到重物并保持位姿。
2023-09-20 cs.RO
Synchronization and quorum sensing in a swarm of humanoid robots
MIT（麻省理工学院）
随着廉价的简单人形机器人的出现，新的机器人问题可以通过实验来考虑。其中之一是类人机器人组的集体行为，特别是机器人同步和群集。这项工作的目标是鲁棒地同步一组人形机器人，并在8个机器人的编排上实验性地演示该方法。我们的目标是对网络延迟保持鲁棒性，并允许机器人随时加入或离开组（例如，倒下的机器人应该能够站起来重新加入编排）。收缩理论用于允许组中的每个机器人同步到一个共同的虚拟振荡器，并利用群体感应策略来适应可用带宽。使用的人形机器人是Nao的，由Aldebaran Robotics开发。
2013-05-27 cs.RO nlin.AO
Experimental Study of Decentralized Robot Network Coordination
Department of Electrical and Computer Engineering, Clemson University（克莱姆森大学电气与计算机工程系）
本文改进并实验评估面向Roomba多机器人平台的去中心化同步与去同步算法，分析参数和三种计算方法对收敛及状态维持的影响。
2024-07-05 cs.RO cs.SY eess.SY
Orbital Stabilization and Time Synchronization of Unstable Periodic Motions in Underactuated Robots
本文提出一种扩展横向线性化框架的控制方法，结合时变LQR与滑模控制，实现欠驱动机器人周期轨迹的轨道镇定与时间同步，并在六个Butterfly机器人上实验验证。
2025-09-24 cs.RO cs.SY eess.SY
Simultaneous Triggering and Synchronization of Sensors and Onboard Computers
Norwegian University of Science and Technology (NTNU)（挪威科学技术大学）
针对机器人传感器时间戳不准确影响在线估计的问题，提出一种利用现成组件和成熟同步方法的通用系统，实现高、低速传感器的同步触发与时间同步，并验证其能力。
2025-07-08 cs.RO
Robust and Modular Multi-Limb Synchronization in Motion Stack for Space Robots with Trajectory Clamping via Hypersphere
Space Robotics Lab. (SRL) in Department of Aerospace Engineering, Graduate School of Engineering, Tohoku University（太空机器人实验室（SRL）位于东京东京大学工学研究生院航空航天工程系）
本研究提出了一种通过超球体约束实现鲁棒多肢体同步的方法，适用于空间机器人运动堆栈的模块化协调。
2025-07-05 cs.RO
Open-Source LiDAR Time Synchronization System by Mimicking GNSS-clock
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）
采用LiDAR测量的数据融合算法（例如，视觉LiDAR、LiDAR惯性或多LiDAR测距法以及同时定位与地图构建（SLAM））依赖于精确的时间戳方案，该时间戳方案向来自LiDAR和其他传感器的数据授予同步性。由于不正确的时间戳过程，差的同步性能可能负面地影响算法的状态估计结果。为了在传感器之间提供高度准确和精确的同步，我们引入了一个开源的硬件软件LiDAR到其他传感器的时间同步系统，该系统通过向该接口提供仿真GNSS时钟来利用专用的硬件LiDAR时间同步接口，而不需要物理GNSS接收器。该仿真器是基于一个通用的微控制器，由于简洁的硬件和软件架构，可以很容易地修改或扩展的不同的传感器，如相机，惯性测量单元（IMU），车轮编码器，其他激光雷达等的同步在该文件中，我们提供了这样一个系统的一个例子，同步激光雷达和IMU传感器。我们对传感器的同步精度和精确度进行了评估，并对状态1微秒的性能进行了评估。我们将我们的结果与ROS软件和激光雷达内部时钟方案提供的时间戳进行了比较，以强调相对于这两种基线方法的明显优势。
2022-09-13 cs.RO
VersaVIS: An Open Versatile Multi-Camera Visual-Inertial Sensor Suite
ETH Zurich（苏黎世联邦理工学院）；Voliro Airborne Robotics（Voliro 空中机器人公司）；Sevensense Robotics（Sevensense 机器人公司）
鲁棒和准确的位姿估计对于移动机器人的许多应用至关重要。利用诸如惯性测量单元（IMU）的其他模态扩展视觉同时定位与地图构建（SLAM）可以提高鲁棒性和准确性。然而，对于紧密的传感器融合，传感器的精确时间同步通常是至关重要的。改变曝光时间、内部传感器过滤、多个时钟源以及操作系统调度和数据传输的不可预测延迟都可能使传感器同步具有挑战性。在本文中，我们提出了VersaVIS，一个开放的多功能多摄像头视觉惯性传感器套件，旨在成为一个高效的研究平台，易于部署，集成和扩展许多移动机器人应用。VersaVIS提供完整的开源硬件、固件和软件包，通过具有曝光补偿、主机时钟转换以及独立和立体相机触发功能的IMU执行多台相机的时间同步。传感器套件支持各种相机和IMU，以满足应用要求。该框架的同步精度进行评估，实现定时精度小于1毫秒的多个实验。此外，传感器套件的适用性和多功能性证明在多个应用程序，包括视觉惯性SLAM，多相机应用，多模态映射，重建和基于对象的映射。
2019-12-05 cs.RO
Dynamic Reconfiguration of Robotic Swarms: Coordination and Control for Precise Shape Formation
针对机器人集群构型转换中路径规划难、受物理系统误差干扰的问题，本文提出基于几何公式结合控制、定位与建图技术的协调算法，可实现构型无缝转换，支撑更复杂的集群分布式行为。
2025-11-14 cs.RO
Towards Precise Model-free Robotic Grasping with Sim-to-Real Transfer Learning
Universität Hamburg（汉堡大学）；Agile Robots AG（敏捷机器人公司）
精确的机器人抓取几个新的物体是制造，自动化和物流中的一个巨大挑战。目前大多数无模型抓取方法都受到抓取数据集稀疏、传感器数据和接触模型误差的影响。这项研究结合了数据生成和仿真到现实迁移学习的抓持框架，减少了仿真到现实的差距，使精确和可靠的无模型抓持。为了解决基于深度学习的机器人抓取数据稀疏问题，采用区域随机化方法和一种新的数据增强方法生成了具有密集抓取标签的大规模机器人抓取数据集.我们提出了一个端到端的机器人抓取网络与把握优化。利用仿真到现实迁移学习来训练抓取策略。所呈现的结果表明，我们的抓取框架减少了抓取数据集，传感器数据和接触模型的不确定性。在物理机器人实验中，我们的抓取框架抓取单个已知物体和新颖的复杂形状的家用物体，成功率为90.91%。在复杂的场景中，机器人抓取多物体，成功率为85.71%。所提出的抓取框架优于两个国家的最先进的方法，在已知和未知对象的机器人抓取。
2023-01-28 cs.AI cs.RO
Robust Distributed Control within a Curve Virtual Tube for a Robotic Swarm under Self-Localization Drift and Precise Relative Navigation
Beihang University（北京航空航天大学）
本文针对机器人集群在曲线虚拟管内移动时存在自定位漂移和精确相对导航的条件，引入集群算法减少漂移影响，提出包含五个控制项的改进向量场控制器，并通过仿真和实验验证了方法的有效性。
2022-05-27 cs.RO
Towards Precise Robotic Grasping by Probabilistic Post-grasp Displacement Estimation
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
精确的机器人抓取对于许多工业应用是重要的，例如装配和装配，其中需要控制和知道物体的位置。然而，由于感测和控制中的噪声以及未知的物体属性，实现精确的抓握是具有挑战性的。我们提出了一种方法来规划机器人的把握，都是强大的和精确的训练两个卷积神经网络-一个预测的鲁棒性把握和另一个预测的分布后把握对象位移。我们的网络在超过1000个工业零件的数据集上进行了深度图像仿真训练，并成功部署在真实机器人上，而无需进一步微调。建议的位移估计器实现了0.68厘米和3.42度的平均预测误差在现实世界的实验中的新对象。
2019-09-04 cs.CV cs.LG cs.RO
Attention-Guided Integration of CLIP and SAM for Precise Object Masking in Robotic Manipulation
National Institute of AIST（日本国立AIST研究所）
本文提出一种集成CLIP与SAM并利用梯度注意力机制和定制数据集的流水线，以提高便利店商品场景下机器人操作的物体掩码精度，实现更精确的自适应操作。
2025-02-28 cs.AI cs.CV cs.RO
An Integrated Visual Servoing Framework for Precise Robotic Pruning Operations in Modern Commercial Orchard
Cornell University（康奈尔大学）；Virginia Tech（弗吉尼亚理工大学）；Washington State University（华盛顿州立大学）
本文提出一种基于Intel RealSense D435相机与CoTracker3点跟踪器的视觉伺服框架，结合比例控制和迭代逆运动学实现果树修剪机器人末端执行器的精准定位，并在Gazebo仿真中验证了其有效性。
2025-06-05 cs.RO
Exploring Pose-Guided Imitation Learning for Robotic Precise Insertion
School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院）；Karlsruhe Institute of Technology（卡尔斯鲁厄大学）；Shanghai Huawei Technologies Co., Ltd.（上海华为技术有限公司）
本文提出基于姿态引导的模仿学习方法，通过紧凑的对象中心观测实现精确插入任务，提升数据效率和泛化能力。
2026-03-23 cs.RO
An Intelligent Robotic System for Perceptive Pancake Batter Stirring and Precise Pouring
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
提出一种集成触觉感知与控制算法的煎饼制作机器人系统，可自主搅拌面糊、估计水-面粉比例和液位，并精确倾倒成指定复杂形状。
2024-07-01 cs.RO
Optimal Multi-Robot Path Planning with LTL Constraints: Guaranteeing Correctness Through Synchronization
University of Waterloo（滑铁卢大学）；Boston University（波士顿大学）
在本文中，我们考虑的机器人团队满足高层次的任务规范的最佳路径的自动规划。团队中的每个机器人被建模为加权过渡系统，其中权重具有相关的偏差值，该偏差值捕获机器人在其部署期间的行进时间中的非确定性。任务是作为一个线性时序逻辑（LTL）公式在一组命题满足的区域的环境。此外，我们有一个优化命题，它捕获了一些必须由团队重复完成的特定任务。目标是最小化连续满足优化命题的实例之间的最大时间，同时保证即使在不确定的旅行时间下也能满足任务。我们的方法依赖于机器人的通信能力，以保证正确性，并在部署过程中保持性能。在为团队成员计算了一组最佳满意路径后，我们还为每个机器人计算了一组同步序列，以确保在部署过程中不会违反LTL公式。我们实施和实验评估我们的方法，考虑在道路网络环境中的持久性监测任务。
2012-12-17 cs.RO
Precise Hybrid-Actuation Robotic Fiber for Enhanced Cervical Disease Treatment
Imperial College London（帝国理工学院）；The Rosalind Franklin Institute（罗莎琳德·富兰克林研究所）
本研究开发了一种结合电热与腱驱动机制的聚合物机器人纤维，实现高精度运动与手术消融，为宫颈疾病治疗提供了保留生育能力且提升肿瘤学结局的新方案。
2024-02-16 cs.RO physics.med-ph
Toward Precise Robotic Weed Flaming Using a Mobile Manipulator with a Flamethrower
Texas A&M University（德克萨斯农工大学）；Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）；Boston Dynamics（波士顿动力公司）
本文提出一种基于移动机械臂和火焰喷射器的精准除草系统，通过红外相机与喷嘴姿态构建动态火焰覆盖模型，实现实时预测并达到超过76%的mAP。
2024-07-06 cs.RO
Psycho Gundam: Electroencephalography based real-time robotic control system with deep learning
Neuro Industry, Inc.（神经工业公司）；Tsukuba University（筑波大学）
本文提出一种受精神骨架启发的机器人控制系统，结合脑电图与深度学习实现实时控制，将认知指令转化为机器人动作，拓展人机交互边界。
2025-03-04 cs.RO q-bio.NC
Robotic In-Hand Manipulation for Large-Range Precise Object Movement: The RGMC Champion Solution
Tsinghua University（清华大学）；Institute for Guo Qiang, Tsinghua University（清华大学国情研究院）
针对机器人抓取内物体移动需兼顾高精度、大范围与稳定抓取的难题，提出无需预训练和物体几何信息的运动学轨迹优化方法，斩获RGMC 2024手部内操作赛道冠军。
2025-03-21 cs.RO
Hierarchical Audio-Visual-Proprioceptive Fusion for Precise Robotic Manipulation
Harbin Institute of Technology, China（哈尔滨工业大学）；Nanyang Technological University, Singapore（南洋理工大学）
本文提出层次化多模态融合框架，通过整合音频、视觉和本体感知信息，提升机器人精确操作性能。
2026-02-14 cs.AI cs.RO
AgentChemist: A Multi-Agent Experimental Robotic Platform Integrating Chemical Perception and Precise Control
本文提出AgentChemist平台，通过协作任务分解、动态调度和自适应控制，解决实验室中多样、罕见和演变的操作问题，提升自动化系统的泛化能力。
2026-03-25 cs.AI cs.RO
Towards Robotic Assembly by Predicting Robust, Precise and Task-oriented Grasps
Carnegie Mellon University（卡内基梅隆大学）；National Robotics Engineering Center（国家机器人工程中心）
面向任务的鲁棒抓取规划对于自主机器人精密装配任务至关重要。当确定要执行的适当抓握时，应结合对象的几何形状和目标任务的先决条件的知识。然而，有几个因素有助于实现这些把握的挑战，如控制机器人时的噪声，未知的对象属性，以及建模复杂的对象-对象交互的困难。我们提出了一种分解这个问题的方法，并通过学习三个级联网络来优化抓取鲁棒性，精度和任务性能。我们评估我们的方法在模拟上的三个常见的装配任务：插入齿轮到钉，对齐支架到角落，并插入形状到插槽。我们的政策是使用基于大规模自我监督抓取模拟与程序生成的对象的课程进行训练的。最后，我们用一个真实的机器人来评估前两个任务的性能，其中我们的方法对于支架插入实现了4.28mm的误差，对于齿轮插入实现了1.44mm的误差。
2020-11-04 cs.AI cs.LG cs.RO
Autonomous Robotic Assembly: From Part Singulation to Precise Assembly
Mitsubishi Electric Research Labs (MERL)（三菱电机研究实验室）
本文提出一种低结构化要求的齿轮箱自主机器人装配系统，融合滑动抓取、手内操作与插入技能，并利用视觉、触觉和F/T传感器闭环执行，硬件实验验证了其鲁棒性。
2024-06-11 cs.RO
RoboGrasp: A Universal Grasping Policy for Robust Robotic Control
Peking University（北京大学）；Harvard University（哈佛大学）
本文提出RoboGrasp通用抓取策略，将预训练抓取检测模型与机器人学习结合，利用目标检测和分割的视觉引导提升抓取精度与泛化能力，在少样本和抓取框提示任务中成功率最高提升34%。
2025-02-05 cs.CV cs.RO
Force-Based Robotic Imitation Learning: A Two-Phase Approach for Construction Assembly Tasks
University of Florida（佛罗里达大学）；Northeastern University（东北大学）
本文提出一种两阶段机器人模仿学习系统，通过ROS-Sharp捕获操作员力反馈并转化为运动指令，提升了建筑装配任务的完成效率与成功率。
2025-01-24 cs.AI cs.RO
Learning Precise Affordances from Egocentric Videos for Robotic Manipulation
University of Edinburgh（爱丁堡大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）
本文提出一个完整的可供性学习系统，利用第一人称视频自动生成精确标注，结合几何信息与视觉基础模型提升泛化能力，并构建支持工具抓取与交接的机器人操作框架，在mIoU上超越SOTA 13.8%，179次试验中成功率达77.1%。
2025-09-15 cs.CV cs.RO
Development of an Autonomous Mobile Robotic System for Efficient and Precise Disinfection
National Yang Ming Chiao Tung University
本文提出了一种专注于病毒热点的紫外线消毒移动机器人系统，通过优化紫外线剂量优先处理高风险区域，在保证消毒效果的同时显著减少了消毒时间。
2025-07-15 cs.RO
Precise Time Delay Measurement and Compensation for Tightly Coupled Underwater SINS/piUSBL Navigation
State Key Laboratory of Ocean Sensing, Ocean College of Zhejiang University（浙江大学海洋学院海洋传感国家重点实验室）；School of Oceanography, Shanghai Jiao Tong University（上海交通大学海洋学院）；Donghai Laboratory（东海实验室）
本文提出一种紧密耦合导航框架，通过精确时间同步整合被动倒置超短基线(piUSBL)声学定位系统、捷联惯性导航系统(SINS)和深度计，有效解决水下多传感器系统中的时间同步问题，提升定位精度。
2026-04-01 cs.RO
Perceiving, Reasoning, Adapting: A Dual-Layer Framework for VLM-Guided Precision Robotic Manipulation
本文提出一种渐进式VLM规划算法，通过任务记忆结构、2D拓扑图和3D空间网络实现空间-语义融合，使机器人能够基于实时反馈动态调整并逐步纠错，从而在复杂装配任务中实现快速、精确的精细操作。
2025-03-07 cs.AI cs.RO
Comparative Analysis of Autonomous Robotic and Manual Techniques for Ultrasonic Sacral Osteotomy: A Preliminary Study
Walker Department of Mechanical Engineering and the Texas Robotics（沃克机械工程系和德克萨斯机器人研究所）
本文提出了一种自主机器人系统用于超声骨锯术，通过对比手动与机器人技术，展示了机器人在轨迹精度和深度控制上的显著优势。
2026-02-03 cs.RO
Reinforcement Learning on Variable Impedance Controller for High-Precision Robotic Assembly
University of California, Berkeley（加州大学伯克利分校）；Siemens Corporate Technology（西门子公司技术部）；Technion（以色列理工学院）
精确的机器人操作技能在许多工业环境中是期望的，强化学习（RL）方法有望自主地获得这些技能。在本文中，我们明确考虑将操作空间力/扭矩信息纳入强化学习;这是由人类将感知力映射到控制动作，从而以相当容易的方式完成高精度任务。我们的方法结合RL与力/扭矩信息，通过将一个适当的操作空间力控制器，我们还利用不同的消融处理这些信息。此外，我们提出了一个神经网络架构，推广到合理的变化的环境。我们在开源的西门子机器人学习挑战赛上评估了我们的方法，该挑战赛需要精确和微妙的力控制行为来组装紧密配合的齿轮组。
2019-03-20 cs.RO
Precise and Dexterous Robotic Manipulation via Human-in-the-Loop Reinforcement Learning
UC Berkeley（加州大学伯克利分校）
该研究提出基于视觉的人在环强化学习系统，融合示教、人类校正与高效RL算法，仅1-2.5小时训练即可在多种灵巧操作任务上实现近乎完美的成功率，性能显著优于现有方法，证明RL可在真实场景中快速习得复杂操作策略。
2025-03-20 cs.AI cs.RO
Deep Learning-Enhanced Robotic Subretinal Injection with Real-Time Retinal Motion Compensation
Laboratory for Computational Sensing and Robotics（计算感知与机器人实验室）；Johns Hopkins University（约翰霍普金斯大学）；Wilmer Eye Institute（威尔默眼科研究所）
本文提出了一种全自动机器人视网膜注射系统，结合术中光学相干断层扫描和深度学习运动预测，实现针头运动与视网膜位移同步，实验验证了其在视网膜微手术中的安全性和准确性。
2025-04-04 cs.RO
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
Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation
Nanyang Technological University（南洋理工大学）
本文提出机器人基础模型Facet-0，通过联合动作-力提议等技术，在ManuFacet-1K上训练后，五项亚毫米计算机装配任务平均成功率达82%，远超基线的15%，实现精密接触型机器人装配。
2026-09-02 cs.LG cs.RO
Evaluating Robotic Approach Techniques for the Insertion of a Straight Instrument into a Vitreoretinal Surgery Trocar
School of Biomedical Engineering & Imaging Sciences, Kings College London（伦敦国王学院生物医学工程与影像科学学院）；Moorfields Eye Hospital NHS Foundation Trust（摩尔菲尔兹眼科医院英国国家医疗服务体系基金会信托）
该研究针对玻璃体视网膜手术的器械套管针对接需求，评估了三种7自由度机械臂入路方式，发现混合式入路成功率更高、体力负荷更低，为手术机器人方案选择提供了依据。
2025-01-13 cs.HC cs.RO cs.SY
Precise Repositioning of Robotic Ultrasound: Improving Registration-based Motion Compensation using Ultrasound Confidence Optimization
Technical University of Munich（慕尼黑工业大学）；Zhejiang University（浙江大学）；German Heart Center Munich（慕尼黑德国心脏中心）
机器人超声（US）成像已被视为克服徒手US检查的局限性的有前景的解决方案，即，操作员间变异性。然而，机器人US系统在扫描期间不能对受试者运动做出反应的事实限制了其临床接受度。关于人类超声医师，他们通常通过重新定位探头或甚至重新开始采集来对患者移动做出反应，特别是对于具有长结构（如肢体动脉）的解剖结构的扫描。为了实现这一特点，我们提出了一个基于视觉的系统来监测受试者的运动，并自动更新扫描轨迹，从而无缝地获得一个完整的三维图像的目标解剖结构。运动监测模块是使用从RGB图像分割的对象掩模开发的。一旦对象被移动，机器人将停止并通过使用迭代最近点算法配准在移动之前和之后获得的对象的表面点云来重新计算合适的轨迹。之后，为了确保重新定位US探头后的最佳接触条件，使用基于置信度的微调过程来避免探头和接触表面之间的潜在间隙。最后，整个系统在具有不平坦表面的仿人手臂模型上进行了验证，同时对象分割网络也在志愿者身上进行了验证。结果表明，该系统可以对物体的运动做出反应，并可靠地提供准确的3D图像。
2022-09-05 cs.RO cs.SY eess.SY
ImaginationPolicy: Towards Generalizable, Precise and Reliable End-to-End Policy for Robotic Manipulation
Dekun Lu ∗ , Wei Gao ∗ and Kui Jia ∗（作者）
本文提出ImaginationPolicy，采用移动有向关键点链（CoMOK）作为端到端动作表示，实现可泛化、亚厘米精度且可靠的多任务机器人操作策略，经仿真与硬件实验验证。
2025-09-25 cs.AI cs.LG cs.RO
Grasp-Then-Plan with Failure Attribution: A Closed Two-Stage Framework for Precise and Generalizable Robotic Manipulation
School of Computer Science and Engineering, Southeast University, China（东南大学计算机科学与工程学院）
提出GTP-FA框架，通过任务导向的两阶段抓取-规划流程和失败归因模型，在抓取和规划模块中分别注入任务先验和风险惩罚以及针对高风险初始状态进行数据收集和微调，显著提升机器人操作任务的成功率。
2026-10-28 cs.AI cs.RO
Spatial RoboGrasp: Generalized Robotic Grasping Control Policy
Stanford University（斯坦福大学）；Peking University（北京大学）；ZhiCheng AI（智城AI）
针对机器人抓取在多变环境下泛化难的问题，提出融合多模态感知与扩散策略的统一框架，实现空间感知与动作规划，显著提升抓取和任务成功率。
2025-05-27 cs.CV cs.RO
Acting in Meters: Learning Metric Interactions for Precise Robotic Manipulation
Zhejiang University（浙江大学）；Peking University（北京大学）；Tsinghua University（清华大学）；Shanghai Jiao Tong University（上海交通大学）；Nankai University（南开大学）；Sun Yat-sen University（中山大学）
提出度量交互框架，通过交互中心令牌和度量动作交互场显式建模物体与场景的度量关系，以少量参数提升多种VLA/WAM基线的操作成功率。
2026-09-22 cs.LG cs.RO
GR-RL: Going Dexterous and Precise for Long-Horizon Robotic Manipulation
ByteDance（字节跳动）
GR-RL通过多阶段训练管道，将通用VLA策略转化为擅长长周期精确操作的专家策略，成功实现自主系鞋带任务。
2025-12-23 cs.LG cs.RO
