Fixed-time Adaptive Neural Control for Physical Human-Robot Collaboration with Time-Varying Workspace Constraints
Queen’s University Belfast（贝尔法斯特女王大学）；University of Warwick（华威大学）；National University of Singapore（新加坡国立大学）
针对物理人机协作中的时变工作空间约束与接触柔顺需求，提出融合柔顺控制、TVIBLF和固定时间技术的自适应神经控制框架，并通过两连杆机械臂仿真验证其更优跟踪与收敛性能。
2023-04-26 cs.RO cs.SY eess.SY
Safety Controller Synthesis for Collaborative Robots
University of York（约克大学）
针对人机协作中自动安全控制器需在弱假设下保证正确性的挑战，提出一种有工具支撑、结合制造与法规、经形式化验证且满足最优性的控制器综合方法，可实现危险检测、安全切换与任务恢复。
2020-07-07 cs.RO cs.SY eess.SY
Fixed-time Integral Sliding Mode Control for Admittance Control of a Robot Manipulator
Queen’s University of Belfast（贝尔法斯特女王大学）；University of Warwick（华威大学）
提出了一种新的固定时间积分滑模控制器的导纳控制，以加强物理人机协作。该方法结合了导纳控制对外力的顺从性和积分滑模控制对不确定性的鲁棒性，使系统能够在不确定环境中有效地与人类合作。首先，在ISMC中应用固定时间滑模面，使得系统的跟踪误差在固定时间内收敛，而不受初始条件的影响。然后，固定时间反推控制器（BSP）集成到ISMC作为名义控制器，实现全局固定时间收敛。此外，为了克服奇异性问题，设计了一种非奇异固定时间滑模面，并将其集成到控制器中，这对于实际应用是有用的。最后，所提出的控制器进行了验证的两连杆机器人机械手的不确定性和外部人力。仿真结果表明，所设计的控制器在跟踪误差和收敛时间方面均具有较好的性能，同时能够在共享工作空间内实现人体运动的控制。
2022-08-09 cs.RO cs.SY eess.SY
Barrier functions enable safety-conscious force-feedback control
MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM（国际商业机器公司）
为了成为人类的有效合作伙伴，机器人必须越来越适应与环境的接触。不幸的是，机器人很难区分“足够”和“太多”的力量：完成任务需要一些力量，但太多可能会损坏设备或伤害人类。传统的设计柔顺力反馈控制器的方法，如刚度控制，需要手动调整控制参数，使其难以建立安全，有效的机器人协作。在本文中，我们提出了一种新的但易于实现的力反馈控制器，使用控制障碍函数（CBFs），直接从用户的最大允许力和扭矩的规格来获得一个兼容的控制器。我们比较我们的方法，传统的刚度控制，以证明我们的控制架构的潜在优势，我们证明了我们的控制器上的一个例子人-机器人协作任务的有效性：合作操作的一个庞大的对象。
2022-09-25 cs.RO cs.SY eess.SY
Verified Compositions of Neural Network Controllers for Temporal Logic Control Objectives
Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出了一种新的方法来设计验证组合的神经网络（NN）控制器的自治系统的线性时序逻辑（LTL）公式捕获的任务。特别是，LTL公式要求系统以时间/逻辑顺序到达和避免某些区域。我们假设系统配备了一组有限的训练神经网络控制器。每个控制器都经过训练，可以将系统驱动到特定的感兴趣区域，同时避开其他区域。我们的目标是检查是否存在训练的NN控制器的时间组成-如果是这样，计算它-这将产生复合系统行为，满足用户指定的LTL任务的任何初始系统状态属于一个给定的集合。为了解决这个问题，我们提出了一种新的方法，依赖于一个新的自动机理论和最近提出的可达性分析工具的NN控制系统的集成。我们注意到，所提出的方法可以适用于其他控制器，不一定由NN建模，通过适当选择的可达性分析工具。我们专注于神经网络控制器，由于其缺乏鲁棒性。所提出的方法被证明对飞行器的导航任务。
2022-09-13 cs.RO cs.SY eess.SY
Bidirectional Communication Control for Human-Robot Collaboration
University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）
一个富有成效的合作是基于相互了解对方的技能和沟通自己的局限性，并提出替代方案，以适应执行任务的合作者的能力的可能性。本文旨在再现这样的情况下，在人与机器人的协作设置，提出了一种新的通信控制架构。利用控制屏障功能，机器人意识到其（动态）技能和限制，并且由于本地预测器，它能够评估是否有可能执行所请求的任务，如果没有，则通过放松一些约束来提出替代方案。控制器与通信基础设施接口，该通信基础设施使人类和机器人能够建立关于要执行的任务的双向通信，并且人类能够对机器人的行为做出明智的决定。提出了比较实验验证。
2022-06-10 cs.RO
Emcar: Embodied Controller for Animating Robots
CREATE, Aalborg University（奥尔堡大学CREATE）；Department of Communication and Psychology, Aalborg University（奥尔堡大学传播与心理学系）；CyPhy Life, Robotics and AI Lab, School of Science & Technology, IE University（IE大学科技学院CyPhy Life机器人与人工智能实验室）
提出EMCAR无代码平台，利用木偶戏和绘画等艺术实践来编程机器人运动，扩展协作机器人的创意应用，使非技术背景用户能参与人机交互研究。
2026-06-25 cs.RO
Language-Grounded Control for Coordinated Robot Motion and Speech
Massachusetts Institute of Technology（麻省理工学院）；Harvard Medical School（哈佛医学院）；Spaulding Rehabilitation Hospital（斯波尔丁康复医院）
针对人机接触协作中机器人运动与言语难以随人类行为实时协同的问题，该研究从治疗师行为提炼原则，提出可根据用户协作度同步调节运动与言语的Language Controller，经12人实验验证效果优于基线，为人机流畅协作提供框架。
2023-10-10 cs.RO
Towards Collaborative Drilling with a Cobot Using Admittance Controller
College of Engineering, Koc University（科克大学工程学院）
在不久的将来，协作机器人（cobots）预计将在制造和自动化领域发挥至关重要的作用。据预测，工人将与协作机器人并肩工作，以超越全自动化工厂。在这方面，物理人机交互（physical human-robot interaction，pHRI）旨在开发合作伙伴之间的自然沟通，为执行复杂的制造任务带来速度，灵活性和人体工程学。在pHRI的一个挑战是设计一个最佳的相互作用控制器，以平衡的透明度和稳定性要求的矛盾性质所引入的限制。在本文中，一般的方法来设计一个导纳控制器的pHRI系统的开发，考虑稳定性和透明度的目标。在我们的方法中，协作机器人约束人类操作员的运动，以帮助pHRI任务，而一个增强现实（AR）接口通知操作员有关其阶段。为此，对协作机器人（LBR IIWA 7 R800，KUKA Inc.）首先介绍。然后，我们的pHRI任务的稳定性和透明性分析，涉及协同钻孔与此机器人的报告。通过叠加稳定性图和透明性图，确定了导纳控制器的允许参数范围。最后，从允许的范围内选择三组不同的参数，并研究了利用这些参数集的导纳控制器对任务性能的影响。
2020-07-28 cs.RO
Adaptive Safety-critical Control with Uncertainty Estimation for Human-robot Collaboration
Queen’s University Belfast（贝尔法斯特女王大学）
针对人机协作中人类行为不确定带来的安全风险，提出融合 TVIBLF 与 AECBF 的自适应安全关键控制框架及二次惩罚最短路径方法，确保机器人在意外情况下仍满足安全约束并稳定切换跟踪与避碰模式。
2023-08-19 cs.RO
Compliance while resisting: a shear-thickening fluid controller for physical human-robot interaction
State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；Tencent Robotics X Lab（腾讯Robotics X实验室）
针对物理人机交互中意外冲击干扰影响安全性的问题，受剪切增稠流体启发提出SFC控制器，兼顾人机协作与抗冲击能力，在仿真与实验中表现优于L-AC和N-AC，具有工业应用潜力。
2025-02-03 cs.RO
Integrating Ergonomics and Manipulability for Upper Limb Postural Optimization in Bimanual Human-Robot Collaboration
Department of Mechanical and Automation Engineering, T-Stone Robotics Institute, The Chinese University of Hong Kong（机械与自动化工程系、T-Stone机器人研究所、香港中文大学）；Bristol Robotics Laboratory, UWE Bristol（布里斯托尔机器人实验室、UWE布里斯托尔）；HKCLR, Hong Kong（香港物流机器人中心、香港）
本文提出一种整合人体工程学与力可操纵性的上肢姿态优化方法，并结合双臂模型预测阻抗控制器引导人类调整姿态，在双臂人机协同搬运任务中显著改善肌肉状态。
2025-11-06 cs.RO
Whole-Body Control for Velocity-Controlled Mobile Collaborative Robots Using Coupling Dynamic Movement Primitives
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)（深圳人工智能与机器人研究院（AIRS））；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））
在本文中，我们提出了一个统一的全身控制框架速度控制移动协作机器人，可以分配任务运动到手臂和移动基地根据特定的任务要求，通过调整加权因子。我们的框架侧重于解决全身协调中的两个挑战性问题：1）移动基座和手臂的不同动态特性; 2）避免违反安全和配置约束。此外，我们的控制器还包括耦合动态运动基元，以实现协作和交互应用的基本功能，例如避障、人工教学和合规控制。在此基础上，我们设计了一个自适应的运动模式，直观的物理人机交互，通过调整的权重因子。所提出的控制器是在封闭的形式，因此相当计算效率。在一个实际的移动协作机器人上进行的几个典型的实验验证了所提出的控制器的有效性。
2022-11-06 cs.RO
Towards Proactive Safe Human-Robot Collaborations via Data-Efficient Conditional Behavior Prediction
Carnegie Mellon University（卡内基梅隆大学）；Robotics Institute（机器人研究所）；Department of Electrical and Computer Engineering（电气与计算机工程系）
本文针对数据稀疏场景下的人机协作，提出基于条件行为预测的主动控制方法，实现机器人主动目标选择与安全轨迹生成，并在真实用户实验中验证其能有效提升人机交互质量。
2024-07-01 cs.RO
Self-Contained Kinematic Calibration of a Novel Whole-Body Artificial Skin for Human-Robot Collaboration
University of Colorado（科罗拉多大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
在本文中，我们提出了一种基于加速度计的运动学校准算法，以准确地估计沿机器人身体分布的多个传感器单元的位姿。我们的方法是独立的，可以用于任何机器人提供了一个Denavit-Hartenberg运动学模型，并在任何皮肤上配备了惯性测量单元（IMU）。为了验证所提出的方法，我们首先在模拟中进行了广泛的实验，并从地面实况数据中证明了亚厘米的位置误差-相对于先前的工作改进了六倍;随后，我们在七自由度协作平台上进行了真实世界的评估。为此，我们还介绍了一种新的设计，一个独立的人工皮肤配备了一个IMU与所提出的算法和一个接近传感器用于感测距离附近的物体使用。总之，在这项工作中，我们展示了一种新的硬件设计，准确的校准方法和应用程序的初步工作之间的无缝集成：高位置精度有效地定位分布式接近数据，并允许分布式回避控制器，以安全地避开障碍物和人，而不需要额外的传感。
2021-10-27 cs.RO
Human-Robot Cooperative Piano Playing with Learning-Based Real-Time Music Accompaniment
Univ（大学）
本文提出基于非语言线索的人机协作钢琴演奏框架，采用RNN预测和弦即兴创作，结合行为自适应控制器实现实时同步，实验显示93%准确率，验证了人机艺术协作的有效性。
2024-09-18 cs.RO
Generative Action-Chunk Sampling for Adaptive Stiffness Control in Physical Human-Robot Collaboration
School of Engineering and Design, Graduate School of Science and Technology, Keio University（庆应义塾大学 理工学研究科 设计工程学院）
针对物理人机协作的协助与柔顺性平衡问题，提出基于生成式动作块采样的自适应刚度框架，在四方向协作搬运任务中平均成功率达0.95，优于固定刚度组与确定性基线。
2026-09-09 cs.AI cs.LG cs.RO
State Estimation for Human Motion and Humanoid Locomotion
Istituto Italiano di Tecnologia（意大利理工学院）；IRI CSIC-UPC（西班牙国家研究委员会-加泰罗尼亚理工大学机器人研究所）；AIST（日本产业技术综合研究所）；LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）；DIBRIS-UNIGE（热那亚大学计算机、生物工程、机器人与系统工程系）
在未来，工业车间见证人类和机器人协同工作，家庭成为这两个代理人的共享空间并不遥远。科学界一直在加速实现这一未来，将他们在人机交互方面的研究工作扩展到人机协作。人形机器人的拟人化性质可能被认为是最适合在半结构化的、以人为中心的环境中进行这种协作的。用于人类代理的可穿戴传感技术和用于人形机器人的高效的人类感知控制策略将是实现无缝的人-人形协作的关键。这是可靠的状态估计策略变得至关重要的意义上的信息来自多个分布式传感器连接到人和那些在机器人上，以增强反馈控制器设计的人形机器人，以帮助他们的人类同行。在此背景下，本论文研究李群理论设计状态估计技术，旨在对人形运动和人体运动估计。[续]
2022-06-08 cs.RO
Runtime Interchange for Adaptive Re-use of Intelligent Cyber-Physical System Controllers
University of Auckland（奥克兰大学）；IIT Bhubaneswar（布巴内斯瓦尔印度理工学院）
网络物理系统（CPS）（诸如在自动驾驶车辆内发现的那些）越来越多地采用基于人工神经网络（ANN）的控制器。为了确保这些控制器的安全性，最近有大量的活动来正式验证基于ANN的设计。这些方法存在两个挑战：（1）此类系统的验证困难且耗时。(2)这些经过验证的控制器无法适应频繁的需求变化，这在自动驾驶等情况下是典型的。这就提出了一个问题：如何重新使用经过培训和验证的控制器，这些控制器已经经过昂贵的培训和验证过程，以处理需求变化？本文首次提出了一个新的框架，能够处理在运行时的需求变化，通过一种机制，我们长期的运行时交换这一挑战。我们的方法通过多个预先验证的控制器的持续交换和选择过程来发挥作用。它代表了智能设计面向组件工程的关键一步，因为它保留了原始控制器的行为，同时引入了额外的功能。为了证明我们方法的有效性，我们利用了现有的自动驾驶案例研究以及一组较小的基准。这些表明，引入的开销是非常小的，该方法是非常可扩展的。
2021-09-24 cs.FL cs.RO cs.SE
Pose-Assisted Multi-Camera Collaboration for Active Object Tracking
Peking University（北京大学）；Beijing Film Academy（北京电影学院）；Shanghai Jiao Tong University（上海交通大学）；Deepwise AI Lab（深睿人工智能实验室）
主动对象跟踪（AOT）对于许多基于视觉的应用至关重要，例如，移动机器人、智能监控。然而，在复杂场景中部署主动跟踪时存在许多挑战，例如，目标经常被障碍物遮挡。在本文中，我们将单摄像机AOT扩展到多摄像机设置，其中摄像机以协作方式跟踪目标。为了实现摄像机之间的有效协作，我们提出了一种新的姿态辅助多摄像机协作系统，它使一个摄像机与其他人合作，通过共享摄像机的主动目标跟踪的姿态。在该系统中，每个摄像头都配备了两个控制器和一个切换器：基于视觉的控制器根据观察到的图像跟踪目标。基于姿态的控制器根据其他相机的姿态来移动相机。在每一步中，切换器根据目标的可见性决定从两个控制器采取哪一个动作。实验结果表明，我们的系统优于所有的基线，并能够推广到看不见的环境。代码和演示视频可在我们的网站https://sites.google.com/view/pose-assistedcollaboration上获得。
2020-01-15 cs.CV cs.MA cs.RO
Adaptive Control for Triadic Human-Robot-FES Collaboration in Gait Rehabilitation: A Pilot Study
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Rey Juan Carlos University（雷伊胡安卡洛斯大学）；Cajal Institute（卡哈尔研究所）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出一种自适应混合机器人-FES控制器，通过患者驱动与分层辅助实现三元协作，在仿真和健康受试者测试中提升了跟踪性能、降低辅助强度并减少肌肉疲劳。
2024-03-08 cs.RO
Verified Compositional Neuro-Symbolic Control for Stochastic Systems with Temporal Logic Tasks
Washington University in St. Louis (WashU)（圣路易斯华盛顿大学）
针对未知随机动态系统LTL任务中NN控制器组合缺乏安全保证的问题，提出基于自动机理论和数据驱动可达性分析的神经符号控制方法，实现零样本安全行为并验证其正确性与完备性。
2023-11-22 cs.AI cs.LG cs.RO
Adaptive Control of Euler-Lagrange Systems under Time-varying State Constraints without a Priori Bounded Uncertainty
Luleå University of Technology（吕勒奥理工大学）；International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
针对预定义时变状态约束下的Euler-Lagrange系统，提出一种无需系统参数与状态相关不确定性先验知识的新型自适应控制器，利用Lyapunov方法证明闭环稳定，并通过模拟机械臂验证了有效性。
2023-10-31 cs.RO cs.SY eess.SY
Multi-agent Collaboration for Feasible Collaborative Behavior Construction and Evaluation
College of Control Science and Engineering Zhejiang University（浙江大学控制科学与工程学院）
针对带有中央控制器的二人零和随机博弈中如何为中央控制器选择最佳协作对象和行动的问题，提出了一种基于强化学习的最佳协作行为搜索与选择算法.针对现有的多智能体协作和对抗强化学习方法，遍历所有动作都处于某种状态的方法，导致计算时间长、策略探索不安全的问题。提出了通过行为空间离散化、建立双方模型、基于模型的预测和并行搜索来构造可行的协作行为集。然后，我们使用强化学习中的深度q学习方法来训练评分函数，以从可行的协作行为集中选择最优的协作行为。该方法在对抗性强、动态性高、智能体数量多的环境下能够实现高效、准确的计算，并通过RoboCup小型联赛机器人的协作传递验证了该方法的有效性。
2019-09-30 cs.RO
A Unified Robust Motion Controller Synthesis for Compliant Robots Driven by Series Elastic Actuators
针对串联弹性驱动器柔性机器人的位置和力控制问题，提出了一种统一的鲁棒运动控制器。它示出的柔性机器人的动力学模型不仅包括匹配，但也不匹配的干扰，通过不同的通道从控制输入作用于系统。为了解决这个复杂的鲁棒控制问题，统一的鲁棒运动控制器合成采用二阶扰动观测器（DOb），这使我们能够估计不仅干扰，而且其一阶和二阶导数，和一种新的控制器设计方法在状态空间。利用Brunovsky正则型变换和扰动及其一阶和二阶导数的估计，重构了机器人的动力学模型，从而得到了一个只包含匹配扰动的新的系统模型。通过传统的基于DOb的鲁棒控制方法消除重构系统模型的匹配干扰，简单地设计了鲁棒位置和力控制器。通过仿真验证了所提出的鲁棒运动控制器的稳定性和性能。
2022-02-01 cs.RO cs.SY eess.SY
An NMPC-ECBF Framework for Dynamic Motion Planning and Execution in vision-based Human-Robot Collaboration
Nantong University（南通大学）
针对智能制造中人机协作的安全实时运动规划需求，提出融合NMPC预测规划与ECBF安全滤波的框架，经V-REP场景验证可将任务执行时间降低19.8%。
2024-10-31 cs.RO cs.SY eess.IV
A Robust Biped Locomotion Based on Linear-Quadratic-Gaussian Controller and Divergent Component of Motion
IEETA / DETI University of Aveiro（阿威罗大学 IEETA / DETI）
由于人形机器人的高自由度和不稳定性，使其在存在干扰的情况下产生鲁棒运动是困难的。在本文中，我们使用发散运动分量~（DCM）的概念，并提出了一种基于线性二次高斯的最优闭环控制器，以产生一个鲁棒的和稳定的人形机器人的步行。机器人的动力学模型采用线性倒立摆模型（LIPM）。此外，我们提出了一个控制器来调整摆动腿的着陆位置，以增加承受水平的机器人对严重的外部推动。使用~ \mbox{MATLAB}进行一组仿真，分析和验证所提出的控制器的性能和鲁棒性。仿真结果表明，所提出的控制器是能够提供一个强大的步行，即使在干扰的存在和具有挑战性的情况。
2019-06-21 cs.RO
Runtime Safety Assurance for Learning-enabled Control of Autonomous Driving Vehicles
Southern University of Science and Technology（南方科技大学）；Research Institute for Trustworthy Autonomous Systems（可信自主系统研究院）
利用基于机器学习的控制器为自动驾驶汽车（AV）系统提供安全保障仍然是一个具有挑战性的问题。在这项工作中，我们提出了Simplex-Drive，这是一个框架，可以实现自动驾驶汽车的机器学习控制器的运行时安全保证。所提出的Simplex驱动器包括一个未经验证的基于深度强化学习（DRL）的高级控制器（AC），在复杂场景中实现理想的性能，一个基于速度障碍（VO）的基线安全控制器（BC），具有可证明的安全保证，以及一个经过验证的模式管理单元，监控运行状态，并根据安全相关条件在AC和BC之间切换控制权限。我们提供了一个形式化的正确性证明的Simplex驱动器，并在密集的交通场景中进行换道的案例研究。仿真实验结果表明，即使日间行车限制策略可能导致偏离安全状态，单纯形驱动器也能在不牺牲控制性能的情况下始终确保运行安全。
2021-09-28 cs.RO cs.SY eess.SY
Safe Reinforcement Learning with Probabilistic Guarantees Satisfying Temporal Logic Specifications in Continuous Action Spaces
Technical University of Munich（慕尼黑工业大学）；California Institute of Technology（加州理工学院）
针对连续动作空间中RL缺乏安全保证的问题，提出“概率验证—RL性能优化—再验证”的三步安全RL流程，并在动态障碍规避任务中验证其可兼顾高效学习与时序逻辑概率安全。
2023-09-28 cs.RO cs.SY eess.SY
A Sliding Mode Force and Position Controller Synthesis for Series Elastic Actuators
University of Wollongong（伍伦贡大学）；National University of Singapore（新加坡国立大学）
研究了串联弹性作动器的鲁棒力和位置控制问题。研究表明，串联弹性作动器的力控制问题可以用一个只受匹配扰动的二阶动力学模型来描述。然而，位置控制动态的串联弹性致动器是四阶的，包括匹配和失配干扰。换句话说，串联弹性致动器的位置控制比其力控制更复杂，特别是当考虑干扰时。提出了一种基于干扰观测器和滑模控制的串联弹性作动器鲁棒运动控制器。当所提出的鲁棒运动控制器被实施时，串联弹性致动器可以精确地跟踪期望的轨迹，并安全地接触未知的动态环境。所提出的运动控制器不需要精确的动态模型的致动器和环境。因此，它可以应用于许多不同的先进机器人系统，如顺应性人形机器人和外骨骼。实验验证了运动控制器的有效性。
2019-03-13 cs.RO
From Hazard Analysis to Hazard Mitigation Planning: The Automated Driving Case
本文提出一个框架，用于分析和设计能够实时识别和缓解危险的规划器，同时介绍构建规划模型的增量算法及基于给定控制系统架构设计故障容错控制器的示例应用。
2018-02-22 cs.RO cs.SE cs.SY
Reliability-Asymmetric Spacecraft Autonomy: Co-Designing a Capable Learned GNC Stack with a Verified, Adaptation-Aware Runtime Shield
Myers-Lawson School of Construction, Virginia Tech（弗吉尼亚理工大学迈尔斯-劳森建筑学院）
提出AMPLE-GNC三层制导导航控制系统，结合学得组件与运行时防护盾，实现深空任务自主性的能力与可认证性；通过边缘指挥官、故障自适应控制器和适应感知恢复证书，在仿真中验证了高自主性与安全性。
2026-06-25 cs.AI cs.RO
Safe and Robust Neural Policy Learning with Statistical Verification for Sim-to-Real Deployment in Robotics
Sapienza University of Rome（罗马大学）；Technical University of Munich（慕尼黑工业大学）
本文提出LyEvO框架，结合约束进化优化、统计模型检查与李雅普诺夫分析，用于安全鲁棒的现实迁移策略学习，经Cartpole和3D四旋翼实验验证有效。
2026-10-05 cs.AI cs.LG cs.NE
Adaptive Trajectory Optimization for Task-Specific Human-Robot Collaboration
University of Luxembourg（卢森堡大学）
本研究提出一种人机协作的任务特定轨迹优化框架，结合逆微分Riccati方程动态规划与神经自适应PID控制，实现低复杂度下的自适应稳定精确跟踪，经仿真验证有效。
2025-03-18 cs.RO
Adaptive Model Predictive Control for Differential-Algebraic Systems towards a Higher Path Accuracy for Physically Coupled Robots
FZI Research Center for Information Technology（FZI信息技术研究中心）；Institute of Control Systems, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院控制系统研究所）
针对物理耦合机器人在参数不确定、机械弹性和内置控制器影响下的路径跟踪问题，本文构建经实测验证的微分-代数系统模型并在线估计参数，提出自适应MPC协调方法，仿真较先进基准降低路径跟踪误差88.6%。
2024-12-04 cs.RO cs.SY eess.SY
CP-NCBF: A Conformal Prediction-based Approach to Synthesize Verified Neural Control Barrier Functions
Center for Cyber Physical Systems（网络物理系统中心）；Indian Institute of Science（印度科学研究院）
针对神经控制屏障函数有效性难保证、现有方法可扩展性差且安全集保守的问题，提出基于拆分共形预测的CP-NCBF框架，可生成带概率保证的验证NCBF，样本效率高、安全区域限制更少。
2025-05-17 cs.AI cs.RO cs.SY
Shared Control of Robot-Robot Collaborative Lifting with Agent Postural and Force Ergonomic Optimization
Istituto Italiano di Tecnologia（意大利理工学院）；The University of Manchester（曼彻斯特大学）；INAIL（意大利国家工伤事故保险研究所）；Honda R&D Co., Ltd.（本田研发有限公司）
人类表现出高效协作的专门策略。将类似的策略转移到人形机器人上可以提高它们与其他智能体交互的能力，从而实现多个智能体在共享环境中发挥作用的复杂协作场景。在本文中，我们提出了一个控制框架，机器人机器人协作起重。所提出的共享控制器考虑到两个机器人的联合行动，由于一个集中的控制器，与他们进行通信，并解决了整个系统的优化。通过优化姿态和接触力，考虑到机器人的人体工程学要求，确保高效协作。该框架进行了验证，在一个实验方案，两个iCub人形机器人执行不同的有效载荷起重序列。
2021-04-28 cs.MA cs.RO
Synthesising Robust Controllers for Robot Collectives with Recurrent Tasks: A Case Study
University of Bremen（不来梅大学）
本文针对具有优化目标、循环性和安全性约束的机器人群体，提出将随机双玩家博弈简化为POMDP单玩家博弈进行高层控制器综合，并通过公共建筑清洁案例提供大规模建模与综合指导。
2024-11-21 cs.AI cs.MA cs.RO
Two-Stage Learning of Stabilizing Neural Controllers via Zubov Sampling and Iterative Domain Expansion
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
该研究提出两阶段训练框架，结合Zubov采样与迭代域扩张联合生成神经控制器与李雅普诺夫函数，扩展α,β-CROWN验证器，大幅提升吸引域体积与验证效率。
2025-10-28 cs.LG cs.RO cs.SY
Verifying Controllers with Convolutional Neural Network-based Perception: A Case for Intelligible, Safe, and Precise Abstractions
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Coordinated Science Laboratory（协调科学实验室）
针对CNN感知模型安全性分析困难的问题，提出一种从系统级安全需求和下游模块推断可理解且安全抽象的技术，并在高保真仿真中验证了其能有效权衡安全、规模与精度并指导极端情况搜索。
2021-11-10 cs.RO cs.SE
Learning a Formally Verified Control Barrier Function in Stochastic Environment
Indian Institute of Science (IISc)（印度科学学院）；Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出在随机环境中单步合成形式化验证的连续时间神经控制屏障函数的方法，通过基于样本的SNCBF学习框架和Lipschitz界约束消除事后验证，在倒立摆和自动驾驶避障中展示了更大的安全区域。
2024-03-28 cs.RO
Resolving Ambiguity via Dialogue to Correct Unsynthesizable Controllers for Free-Flying Robots
University of Rochester（罗切斯特大学）
本文提出一种基于符号表示和线性时序逻辑的自然语言交互架构，通过人机对话假设并验证规范修正，以解决自由飞行机器人控制器综合失败问题，并在国际空间站 Astrobee 机器人仿真中验证。
2023-04-11 cs.HC cs.RO
An MPC-based Optimal Motion Control Framework for Pendulum-driven Spherical Robots
Zhejiang University（浙江大学）
针对球形机器人运动控制需兼顾指令跟踪与姿态、电流波动的问题，提出一种结合ESO与MLP的基于MPC的最优运动控制框架，实验证明其在快速性、准确性及能耗等指标上优于PID和SMC。
2023-10-19 cs.RO
Safety Barrier Certificates for Heterogeneous Multi-Robot Systems
Georgia Institute of Technology（佐治亚理工学院）
本文提出了一个正式的框架，避免碰撞的多机器人系统，其中现有的控制器进行修改，以最小的侵入方式，以确保安全。我们建立这个框架，通过使用控制障碍功能（CBFs），保证向前不变性的安全集，这些收益率的异构机器人动力学的背景下，受加速度界限的安全屏障证书。此外，安全屏障证书扩展到一个分布式控制框架，其中相邻的代理动态是未知的，通过本地参数识别。最终的结果是一个基于优化的控制器，正式保证在异构多智能体系统中的无碰撞行为，通过最小限度地修改所需的控制器，通过安全屏障约束。这一正式的结果验证了在模拟上的多机器人系统组成的笨重和敏捷的机器人，实验证明了一个麦哲伦Pro机器人和三个Khepera III机器人的系统。
2016-09-02 cs.RO math.OC
A Hierarchical Framework to Generate Robust Biped Locomotion Based on Divergent Component of Motion
IEETA（电子与信息工程研究院）；University of Aveiro（阿威罗大学）
保持稳定性是人形机器人走出实验室进入现实环境的基本能力。由于人形机器人具有与人类相似的运动学，因此人类期望这些机器人即使在具有挑战性的情况下也能够鲁棒地稳定，例如当施加严重的推动时。本文提出了一种鲁棒的步行框架，它不仅考虑了传统的推送恢复方法（例如，踝关节、髋关节和步伐策略），而且还使用运动发散分量（DCM）的概念来调整下一步的时间和位置。所提出的框架的控制核心是由一个线性二次高斯（LQG）控制器和两个比例控制器。在这个框架中，LQG控制器试图跟踪参考轨迹，比例控制器被设计为调整下一步的时间和位置，使机器人从严重的推动中恢复。所提出的框架的鲁棒性和性能进行了验证，通过执行一组模拟，包括步行和推恢复使用MATLAB。仿真结果验证了所提出的框架是能够提供一个强大的行走，即使在非常具有挑战性的情况下。
2019-11-18 cs.RO
A Self-adaptive SAC-PID Control Approach based on Reinforcement Learning for Mobile Robots
Zhejiang University of Technology（浙江工业大学）
比例-积分-微分（PID）控制在工业控制、机器人控制等领域应用最为广泛。然而，传统的PID控制不能胜任当系统不能准确建模和操作环境是实时的变化。针对这些问题，提出了一种基于强化学习的自适应无模型SAC-PID控制方法，用于移动机器人的自动控制。提出了一种新的递阶控制结构，上层控制器基于最具竞争力的连续控制算法之一软行动-评价（SAC），下层控制器基于增量式PID控制器。软执行器-评判器接收移动机器人的动态信息作为输入，同时输出增量式PID控制器的最优参数，对路径与移动机器人之间的误差进行实时的补偿。此外，为了提高SAC-PID控制方法对复杂环境的适应性，提出了24邻域法与多项式拟合相结合的方法。在Gazebo和实际的麦克纳姆移动机器人上，通过几种不同难度的路径验证了SAC-PID控制方法的有效性。与模糊PID控制相比，SAC-PID控制具有鲁棒性强、泛化能力强、实时性好等优点。
2021-03-19 cs.RO
Industrial Internet Robot Collaboration System and Edge Computing Optimization
Carnegie Mellon University（卡内基梅隆大学）；University of San Francisco（旧金山大学）；University of the Cumberlands（坎伯兰大学）；Northeastern University（东北大学）；Peking University（北京大学）
本文提出一种基于边缘计算的工业机器人协作系统，通过三层神经网络和模拟退火算法优化全局路径规划，提升机器人在随机环境下的导航鲁棒性。
2026-01-29 cs.AI cs.RO
Robot and Overhead Crane Collaboration Scheme to Enhance Payload Manipulation
VTT Technical Research Centre of Finland Ltd（芬兰技术研究中心有限公司）；Konecranes（克诺斯克兰斯）
本文提出一种机器人与桥式起重机协作方案，利用双导纳传递函数实现平滑安全的负载引导，有效解决了传统人工精细操作费力且危险的问题。
2025-08-11 cs.RO
Modeling Supervisor Safe Sets for Improving Collaboration in Human-Robot Teams
University of California, Berkeley（加州大学伯克利分校）
当人类主管与机器人团队合作时，他们的注意力被分散，认知资源非常宝贵。我们的目标是优化这些资源的分配和注意力的流动。为此，我们提出了一个理想化的监督模型来描述人类的行为。这样的监督者采用机器人动力学的潜在不准确的内部模型来判断安全性。我们表示这些安全判断，通过构建一个安全的内部模型，使用可达性理论。当一个机器人离开这个安全设置时，理想化的管理者将介入帮助，不管机器人是否保持客观的安全。误报，即人类主管错误地判断机器人处于危险之中，不必要地消耗主管的注意力。在这项工作中，我们提出了一种方法，通过学习主管的安全集，并使用该信息来管理机器人的行为，以减少误报。我们证明，根据我们的方法的机器人行为将减少我们理想化的监督模型的误报的发生。此外，我们经验验证我们的方法与用户研究，证明了一个显着的（$p = 0.0328$）减少假阳性的方法相比，基线安全控制器。
2019-06-21 cs.RO
