Coverage Guarantees for Pseudo-Calibrated Conformal Prediction under Distribution Shift
Elmore Family School of Electrical and Computer Engineering, Purdue University(艾洛姆家族电气与计算机工程学院,普渡大学)
针对分布漂移下保形预测覆盖失效问题,利用伪校准和领域自适应工具,推导目标覆盖下界,并提出通过松弛参数膨胀保形阈值的方法及源调优伪校准算法,实验证明其能缓解覆盖退化。
2026-07-20 cs.LG eess.IV
How to Mitigate the Distribution Shift Problem in Robotics Control: A Robust and Adaptive Approach Based on Offline to Online Imitation Learning
Department of Electronic and Computer Engineering, Seoul National University, Seoul, South Korea(电子与计算机工程系,首尔国立大学,首尔,韩国)
提出一种鲁棒离线到自适应在线模仿学习框架,通过离线阶段利用判别器扩展状态-动作覆盖和在线阶段自监督模仿学习,缓解分布偏移问题。
2026-05-25 cs.RO
Improving self-training under distribution shifts via anchored confidence with theoretical guarantees
Northwestern University(西北大学)
针对分布偏移下自训练置信度与准确率偏差大、现有改进方法计算成本高的问题,提出基于时序一致性的锚定置信度方法,在无额外计算开销下稳定提升自训练性能8%-16%,且有理论保证。
2024-11-01 cs.LG
Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics
TU Darmstadt(达姆施塔特工业大学);Otto-von-Guericke-Universität Magdeburg(奥托·冯·格里克马格德堡大学)
许多机器人任务,如人机交互或易碎物体的处理,需要严格控制和限制出现的力和力矩以及合理的运动控制,以实现安全而高性能的操作。我们提出了一个学习支持的模型预测力和运动控制方案,提供随机安全保证,同时适应不断变化的情况。高斯过程用于学习将机器人的状态映射到力和力矩的不确定关系。模型预测控制器使用这些高斯过程模型,以实现精确的运动和力控制下的随机约束满足。由于不确定性只发生在静态模型部分-输出方程-一个计算效率高的随机MPC制定。分析了静态不确定情况下最优控制问题的递归可行性和闭环系统的收敛性。基于高斯过程的方差,构造了机会约束公式和退避,以保证安全运行。在一个轻量级的机器人在模拟和实验中说明了这种方法。
2023-03-08 cs.LG cs.RO cs.SY
ABNet: Attention BarrierNet for Safe and Scalable Robot Learning
Massachusetts Institute of Technology(麻省理工学院)
针对现有基于屏障的安全机器人学习方法可扩展性差、训练难、噪声下输出不稳定的问题,提出可增量扩展的注意力屏障网络ABNet,各头分特征学习策略并聚焦特定观测,可形式化证明安全保证,在三类任务上鲁棒性优于现有模型。
2024-06-18 cs.LG cs.RO cs.SY
Learning Variable Impedance Skills from Demonstrations with Passivity Guarantee
School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
本文提出一种从人类演示中学习变阻抗控制的框架,通过非参数方法估计完整刚度矩阵并结合力与运动信息生成依赖状态的刚度分布,同时引入基于罐的新颖变阻抗控制方法以确保无源性,实验证明其鲁棒性与易实现性优于传统方法。
2024-07-27 cs.AI cs.RO
Conformalized Interactive Imitation Learning: Handling Expert Shift and Intermittent Feedback
Robotics Institute, School of Computer Science, Carnegie Mellon University(机器人研究所、计算机科学学院、卡内基梅隆大学);Departments of Statistics and Machine Learning, Carnegie Mellon University(统计学与机器学习系、卡内基梅隆大学)
针对交互式模仿学习中部署时的分布偏移与间歇性专家反馈问题,提出基于在线共形预测的IQT算法与ConformalDAgger框架,利用校准的预测区间主动查询专家反馈,使机器人更快适应专家策略变化。
2025-04-29 cs.AI cs.HC cs.LG
Learning from Demonstrations Meets Symbolic Control - A Supervisory Control Architecture for Formal Certification of Learned Motion
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Technical University of Munich(慕尼黑工业大学)
该研究将示范学习与符号控制结合,提出监督控制架构,通过名义控制器跟踪学习到的动力系统、监督控制器监测约束,经模拟和真实机器人实验验证可在复杂环境中为学习运动提供形式化保证。
2026-10-20 cs.RO
Stable-BC: Controlling Covariate Shift with Stable Behavior Cloning
Virginia Tech(弗吉尼亚理工大学);USC Viterbi School of Engineering(南加州大学维特比工程学院)
针对行为克隆中机器人遇新状态易产生协变量偏移与累积误差的问题,研究基于误差动力学推导稳定性条件,提出易实现且对协变量偏移鲁棒的Stable-BC方法,并通过多环境仿真与机械臂空气曲棍球实验验证了有效性。
2024-08-12 cs.RO
Learning Neural Networks with Distribution Shift: Efficiently Certifiable Guarantees
UT Austin(德克萨斯大学奥斯汀分校)
本文提出首个在分布偏移下学习神经网络的可证明高效算法,基于TDS框架处理非凸回归,利用核方法实现多项式时间保证。
2025-02-22 cs.DS cs.LG
HYDRA: Hybrid Robot Actions for Imitation Learning
Stanford University(斯坦福大学)
针对模仿学习中动作预测误差累积导致的状态分布偏移问题,提出HYDRA混合动作空间方法,结合两级动作抽象与动作重标记,在7个仿真及真实环境中性能超越现有方法30-40%。
2023-11-03 cs.RO
PAC Prediction Sets Under Label Shift
University of Pennsylvania(宾夕法尼亚大学);POSTECH(浦项科技大学)
针对分布偏移下保形预测集失效问题,提出一种在标签偏移下通过估计目标域类别概率和混淆矩阵并利用高斯消元算法计算重要性权重置信区间来构建预测集的新算法,在五个数据集上验证其满足PAC保证且预测集更小更具信息量。
2023-10-19 cs.LG stat.ML
Empirically Validating Conformal Prediction on Modern Vision Architectures Under Distribution Shift and Long-tailed Data
University of Guelph(圭尔夫大学);Vector Institute for Artificial Intelligence(向量人工智能研究所)
本文首次在大规模数据集和模型上实证评估多种共形预测方法,揭示其在分布偏移和长尾数据下安全保障频繁失效的问题,为安全关键部署提供依据。
2023-07-03 cs.CV cs.LG stat.ML
Toward Achieving Formal Guarantees for Human-Aware Controllers in Human-Robot Interactions
University of Texas at Austin(得克萨斯大学奥斯汀分校)
随着人机交互的主要目标是支持人类的目标,有必要正式合成机器人控制器,可以提供所需的服务。综合技术的好处是为规范的满足提供了形式化的保证。有可能将这些技术应用于设计机器人控制器,其规格与人类的需求相结合。本文探讨了使用形式化的方法来构建人类感知的机器人控制器,以支持人类的生产力要求。我们通过人类工作量知情模型和反应合成来解决这些类型的场景。这种策略使我们能够合成控制器,满足正式规格表示为线性时序逻辑公式。我们提出了一个案例研究中,我们的原因,工作交付和皮卡任务,使机器人提高工人的生产力,但不高的工作积压引起的压力。我们证明我们的控制器使用丰田HSR,移动机械手机器人。结果表明,实现了一个强大的机器人控制器,保证正确的原因和反应,在与人类合作伙伴的协作任务。
2019-03-04 cs.RO
Humanizing Robot Gaze Shifts: A Framework for Natural Gaze Shifts in Humanoid Robots
School of Mechanical Science and Engineering, Huazhong University of Science and Technology(机械科学与工程学院,华中科技大学)
本文提出RGS框架,通过结合认知注意力机制与生物模仿运动生成,实现人形机器人自然且上下文合适的人类化目光转移。
2026-02-25 cs.RO
Self-Supervised Motion Retargeting with Safety Guarantee
School of Artificial Intelligence, Korea University(高丽大学人工智能学院);Courant Institute of Mathematical Sciences, New York University(纽约大学柯朗数学科学研究所);Technical University of Munich(慕尼黑工业大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在本文中,我们提出了自监督共享潜在嵌入(S3LE),数据驱动的运动重定向方法,使自然运动的生成人形机器人从运动捕捉数据或RGB视频。虽然它需要成对的数据组成的人的姿势和他们相应的机器人配置,它显着的必要性,耗时的数据收集通过新的成对数据生成过程。我们的自监督学习过程包括两个步骤:自动生成配对数据以引导运动重定向,以及学习投影不变映射以处理人类和人形机器人的不同表现力。此外,我们的方法保证所产生的机器人姿势是无碰撞的,并通过利用非参数回归在共享的潜在空间满足位置限制。我们证明了我们的方法可以从CMU运动捕捉数据库和YouTube视频中生成富有表现力的机器人运动。
2021-03-11 cs.LG cs.RO
Multi-Robot Trajectory Planning with Feasibility Guarantee and Deadlock Resolution: An Obstacle-Dense Environment
Peking University(北京大学)
提出了一种多机器人轨迹规划方法,既保证了优化的可行性,又解决了障碍物密集环境下的死锁问题。该方法是通过制定一个递归优化问题,其中一个新的安全走廊在线生成,以确保避障轨迹规划。动态优先级机制与右手规则相结合,以处理由于静态障碍而难以解决的潜在死锁。与其他国家的最先进的结果进行比较,以验证提高安全性和成功率。额外的硬件实验进行了多达八个纳米四旋翼在各种混乱的情况下。
2023-02-22 cs.RO
To Share or Not to Share? Performance Guarantees and the Asymmetric Nature of Cross-Robot Experience Transfer
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(矢量人工智能研究所)
在机器人文献中,已经在不同的基于学习的控制框架中提出了经验转移,以最大限度地减少与训练机器人相关的成本和风险。虽然各种工作已经显示了从源机器人转移先前经验以改善或加速目标机器人的学习的可行性,但通常不能保证经验转移改善目标机器人的性能。在实践中,转移经验的有效性往往是未知的,直到它在物理机器人上进行测试。这种反复试验的方法可能非常不安全且效率低下。在我们以前的工作的基础上,在本文中,我们考虑了逆模块迁移学习框架,其中源机器人系统的逆模块被转移到目标机器人系统,以提高其对任意轨迹的跟踪性能。我们推导出一个理论界的跟踪误差时,源逆模块被转移到目标机器人,并提出了一个基于贝叶斯优化的算法来估计这个界限的数据。我们进一步强调了在文献中经常被忽视的跨机器人经验转移的不对称性。我们证明了我们的方法在四旋翼实验,并表明,我们可以保证目标机器人跟踪随机周期性轨迹的正转移。
2020-06-29 cs.RO cs.SY eess.SY
SEAR: A Polynomial-Time Multi-Robot Path Planning Algorithm with Expected Constant-Factor Optimality Guarantee
Rutgers, the State University of New Jersey(罗格斯新泽西州立大学);University of California Berkeley(加州大学伯克利分校)
我们研究了连续的2D和3D域中的标记多机器人路径规划问题,在没有障碍物的机器人必须不相互碰撞。对于任意数量的机器人在任意的初始和目标安排,我们推导出一个多项式时间,完整的算法,产生的解决方案与常数因子的最优保证的最大完工时间和距离最优,在预期中,假设机器人标签均匀随机分布。我们的算法只需要一个小的常数因子扩展的初始和目标配置的足迹来解决这个问题,即,该问题可以在相当小的有界区域内求解。除了理论保证,我们提出了一个彻底的计算评估所提出的解决方案。除了基线实现,适应一个有效的(但非多项式时间)路由子例程,我们还提供了一个高效的实现,快速计算接近最优的解决方案。在由非完整机器人组成的microMVP平台上进行的硬件实验证实了算法流水线的实用性。
2018-02-27 cs.MA cs.RO
Safe LLM-Controlled Robots with Formal Guarantees via Reachability Analysis
Technical University of Munich(慕尼黑工业大学);German University in Cairo(开罗德国大学)
本文提出一种基于数据驱动可达性分析的LLM控制机器人安全保证框架,通过历史数据构建状态可达集,在不依赖精确解析模型的前提下严格防范不安全行为,有效降低了自主导航与任务规划中的风险。
2025-03-05 cs.LG cs.RO cs.SY
Target Assignment in Robotic Networks: Distance Optimality Guarantees and Hierarchical Strategies
Massachusetts Institute of Technology(麻省理工学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
我们研究了多机器人目标分配问题,以最小化机器人行进的总距离,直到它们都达到相同数量的静态目标。在本文的前半部分,我们提出了一个必要和充分条件下,真正的距离最优可以实现有限的通信和目标感知范围的机器人。此外,我们提供了一个明确的,非渐近公式计算机器人的通信和目标感知范围与任意保证概率方面的距离最优所需的机器人的数量。同样的界限也被证明是渐近紧的。在本文的后半部分,我们提出了次优策略,当机器人的数量不能自由选择。首先假设所有的目标是已知的所有机器人,我们采用了分层通信模型,其中机器人只与其他机器人在同一分区区域进行通信。这种分层通信模型导致在温和的假设下,真正的距离最优解决方案的不断逼近。然后,我们重新审视有限的通信和传感模型。通过将简单的基于重定向的策略与分层通信模型相结合,我们获得了分散的分层策略,这些策略相对于真实距离最优性实现了恒定的近似比。仿真结果表明,该算法的逼近比仅为1.4。
2014-07-31 cs.RO
Guarantees for Real Robotic Systems: Unifying Formal Controller Synthesis and Reachset-Conformant Identification
Technical University of Munich(慕尼黑工业大学)
针对安全关键场景中形式化属性难以转移到真实机器人的问题,提出将可达集一致性模型辨识与控制器综合相结合的方法,确保模型安全属性可转移到真实机器人,并通过真实机器人跟踪控制实验验证了其可转移性。
2023-09-12 cs.RO cs.SY eess.SY
Learning Input Constrained Control Barrier Functions for Guaranteed Safety of Car-Like Robots
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出基于输入受限控制屏障函数的安全滤波器设计方法,利用支持向量机回归学习环境平滑函数,并考虑转向约束,以保证类车机器人在复杂环境中的安全性。
2024-02-19 cs.RO cs.SY eess.SY
OA-MPC: Occlusion-Aware MPC for Guaranteed Safe Robot Navigation with Unseen Dynamic Obstacles
Stanford University(斯坦福大学);Swiss Federal Institute of Technology Zürich (ETH)(苏黎世联邦理工学院)
本文提出遮挡感知MPC方法,通过可达性分析计算被遮挡动态智能体的前向可达集,结合NMPC与碰撞避免的迭代优化及终端停止约束,实现未知动态环境下可证明安全的实时导航。
2024-10-23 cs.RO
Learning for Robot Decision Making under Distribution Shift: A Survey
George Mason University(乔治梅森大学)
随着深度学习领域的最新进展,基于学习的方法正在各种机器人系统中广泛实施,这些系统帮助机器人了解其环境并做出明智的决策以实现各种各样的任务或目标。然而,基于学习的方法已经多次被证明具有较差的泛化能力,当它们被呈现与训练期间的输入不同的输入时,导致分布偏移的问题。任何采用基于学习方法的机器人系统都容易发生分布偏移,这可能导致代理做出导致性能下降甚至灾难性故障的决策。在本文中,我们讨论了各种技术,已在文献中提出,以帮助或改善决策的机器人系统下分布偏移。我们提出了一个分类现有的文献,并提出了一个调查现有的方法在该地区的基础上,这种分类。最后,我们还确定了一些开放的问题,在该领域,可以作为未来的研究方向。
2022-03-14 cs.RO
Rule-Based Lloyd Algorithm for Multi-Robot Motion Planning and Control with Safety and Convergence Guarantees
Department of Cybernetics, Czech Technical University(捷克技术大学控制学系);Department of Cognitive Robotics, Delft University of Technology(代尔夫特理工大学认知机器人学系);Leiden Institute of Advanced Computer Science, Leiden University(莱顿大学高级计算机科学研究所)
本文提出分布式基于规则的Lloyd算法RBL,在不依赖通信与同步的条件下实现多机器人安全收敛,并可作为学习型方法的安全层,通过仿真与多类机器人实验验证其有效性。
2025-05-06 cs.RO
An Extended Treatment of Uncertainty Constrained robotic Exploration: An Integrated Exploration Planner
Cornell University(康奈尔大学)
高效的机器人探索未知的,传感器有限的,全球信息不足的环境提出了独特的挑战,路径规划算法。在这些困难的环境中,一般来说,无法确定路径完成和任务成功的保证。集成探索(IE),努力结合定位和探索,必须解决,以创建一个自主机器人系统能够在新的和具有挑战性的环境中长期运行。本文制定了一个概率框架,允许创建的探索算法提供概率保证成功。一个新的连接之间的哈密顿路径问题和探索。保证概率信息资源管理器(G-PIE)开发的IE问题,提供了一个概率保证路径完成,渐近最优的探索。提出了一种称为RH-PIE的滚动时域公式,它解决了G-PIE中存在的指数复杂性。最后,RH-PIE规划器通过自主,硬件在环实验进行了验证。
2017-04-28 cs.RO
Failure Prediction with Statistical Guarantees for Vision-Based Robot Control
Princeton University(普林斯顿大学)
我们的动机是对具有高维传感器观测的安全关键机器人系统进行故障预测的问题(例如,视觉)。如果能够访问黑盒控制策略(例如,以神经网络的形式)和训练环境的数据集,我们提出了一种用于合成故障预测器的方法,该故障预测器具有对假阳性和假阴性错误的保证界限。为了实现这一点,我们利用可能近似正确(PAC)-贝叶斯推广理论的技术。此外,我们提出了新的类条件界限,使我们能够权衡假阳性与假阴性错误的相对比率。我们提出的算法,训练故障预测(作为输入的传感器观测的历史),最大限度地减少我们的理论误差范围。我们使用广泛的仿真和硬件实验来演示所得到的方法,用于无人机的基于视觉的导航,并使用配备手腕安装的RGB-D相机的机器人机械手抓取物体。这些实验说明了我们的方法的能力,(1)提供故障预测出错率的强边界(密切匹配经验出错率),(2)通过预测故障提高安全性。
2022-05-06 cs.RO
General Performance Guarantee for Human Torque Estimation-Based Task-Agnostic Assistive Exoskeleton Control
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);ENS Paris-Saclay(巴黎萨克雷高等师范学校);Inria(法国国家信息与自动化研究所)
针对外骨骼力矩估计误差导致辅助不匹配的问题,提出一种理论框架设计交互力矩,保证匹配辅助概率下界并泛化至未见数据,在ABLE上肢外骨骼上验证了多任务下的有效性能。
2026-10-01 cs.LG cs.RO cs.SY
Mean-Shift Theory and Its Applications in Swarm Robotics: A New Way to Enhance the Efficiency of Multi-Robot Collaboration
Fellow, IEEE(IEEE会士);Life Fellow, IEEE(IEEE生命会士)
本文综述了群体机器人无分配协作的最新进展,重点介绍均值漂移探索策略如何将大规模群体形状形成效率提升数十倍,并展示其在智能仓储、区域探索和货物运输中的应用。
2025-11-07 cs.RO
Synthesis of Shared Control Protocols with Provable Safety and Performance Guarantees
University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们正式合成的共享控制协议的时序逻辑规范的正确性保证。更具体地说,我们引入了一个建模形式主义,其中一个人和一个自治协议可以向机器人发出命令,以执行某项任务。这些命令被混合到机器人的关节输入中。自治协议是使用可能的人类命令的抽象来合成的,这些命令考虑了由诸如疲劳或手头问题的不可理解性等因素引起的决策的随机性。该合成被设计为确保所得到的机器人行为满足给定的安全和性能规范,例如,在时间逻辑中。我们的解决方案是基于非线性规划,我们解决了固有的可扩展性问题,提出替代方法。我们评估的可行性和可扩展性的方法通过实验评估。
2016-10-26 cs.AI cs.LG cs.RO
Density-Driven Area Coverage for Nonholonomic Multi-Robot Systems with Safety Guarantee
Texas Tech University(德克萨斯理工大学)
针对非完整多机器人密度驱动覆盖中安全约束与物理输入不匹配的问题,提出将控制屏障函数安全滤波器与D2OC结合,直接在物理输入上施加安全约束,仿真和实验验证了安全性与覆盖性能。
2026-09-22 cs.MA cs.RO math.OC
Towards Provably Not-at-Fault Control of Autonomous Robots in Arbitrary Dynamic Environments
University of Michigan(密歇根大学);University of Sydney(悉尼大学)
随着自主机器人越来越多地成为日常生活的一部分,它们经常会遇到动态环境,而对周围环境的信息却非常有限。不幸的是,由于可能存在的恶意动态演员,这是不可行的,以开发一种算法,可以保证无冲突的操作。相反,人们可以尝试设计一种控制技术,保证机器人在任何碰撞中都不会出错。在文献中,实时的地做出这样的保证被限制在静态环境或特定的动态模型中。为了确保无故障行为,机器人必须首先在足够大的传感器范围内正确感知和预测周围的世界(预测问题),然后相对于预测正确控制(控制问题)。本文通过提出基于可达性的动态环境轨迹设计(RTD-D)来解决控制问题,它保证了具有任意非线性动态模型的机器人在任意动态环境中正确响应预测。RTD-D首先计算一个前向可达集(FRS)的机器人跟踪参数化的期望轨迹,包括故障安全演习离线。然后,对于在线滚动时域规划,该方法提供了一种方法来离散化任意动态环境的预测,以实现实时碰撞检查。FRS用于将这些离散化预测映射到机器人可以跟踪的轨迹,同时可证明没有故障。在每次迭代中选择一个这样的轨迹,或者机器人从其先前的轨迹执行故障安全机动,该轨迹保证没有故障。RTD-D在数千次模拟和两个机器人(Segway和小型电动汽车)的几个真实硬件演示中显示出无故障行为。
2019-02-07 cs.RO
Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats
KU Leuven(鲁汶大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Nanyang Technological University(南洋理工大学);SMART(新加坡制造技术研究院);SENSEable City Laboratory, Massachusetts Institute of Technology(麻省理工学院可感知城市实验室);Computer Science and Artificial Intelligence Lab (CSAIL), Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室)
研究水生自重构机器人多智能体形状形成与重构问题,提出将分布式MPC与CBF相结合的混合框架,利用ADMM求解MPC方案,通过局部优化和信息交换计算轨迹,并应用基于CBF的滤波器保障安全,经仿真和实验验证了框架的有效性与可扩展性。
2026-07-23 cs.RO
Energy-Aware, Collision-Free Information Gathering for Heterogeneous Robot Teams
Massachusetts Institute of Technology(麻省理工学院);Waymo(Waymo公司);Commonwealth Scientific and Industrial Research Organisation (CSIRO)(联邦科学与工业研究组织(CSIRO));University of California San Diego(加利福尼亚大学圣迭戈分校);University of Pennsylvania(宾夕法尼亚大学)
本文考虑的问题,安全地协调一个团队的传感器装备的机器人,以减少不确定性的动态过程中,目标权衡信息增益和能源成本。优化这种权衡是可取的,但会导致一个非单调的目标函数的机器人轨迹的集合。因此,基于坐标下降的常见多机器人规划器失去了性能保证。此外,处理非单调性的方法在受到机器人间碰撞避免约束时失去了它们的性能保证。由于它是可取的,以保持性能保证和安全保证,这项工作提出了一个分层的方法与分布式规划,使用本地搜索与最坏情况下的性能保证和分散控制器的基础上,控制障碍功能,确保安全,并鼓励及时到达感测位置。通过大量的仿真,硬件在环测试和硬件实验,我们证明了所提出的方法比基于坐标下降的算法实现了更好的传感和能量成本之间的权衡。
2023-03-10 cs.RO cs.SY eess.SY
Action-Consistent Decentralized Belief Space Planning with Inconsistent Beliefs and Limited Data Sharing: Framework and Simplification Algorithms with Formal Guarantees
IIIT-Delhi(德里印度信息技术学院);Technion - Israel Institute of Technology(以色列理工学院)
针对多机器人信念不一致导致的协调与安全问题,提出基于动作偏好的去中心化MR-BSP算法,通过三步验证保证动作一致性,并设计扩展算法减少通信与计算开销,在理论和实际实验中均得到验证。
2026-11-03 cs.RO
Robust Convex Model Predictive Control with collision avoidance guarantees for robot manipulators
ABB robotics(ABB机器人公司);Department of Mechanical Engineering, Imperial College London(帝国理工学院机械工程系);Department of Information Technology, Uppsala University(乌普萨拉大学信息科技系)
提出一种结合鲁棒管MPC与走廊规划算法的凸MPC方案,在模型不确定下实现工业机器人快速无碰撞运动,优于基准方法。
2026-06-19 cs.RO
Planning for Change: Reinforcement Learning Combined with Bounded Extremum Seeking for Robotic Control under Distribution Shift
University of New Mexico(新墨西哥大学);Los Alamos National Lab(洛斯阿拉莫斯国家实验室)
本文提出结合深度确定性策略梯度与有界极值搜索的混合控制器,提升机械臂在分布偏移下的鲁棒性,通过时间变化目标和摩擦不均等场景验证。
2026-10-06 cs.LG cs.RO
Autonomous Waypoint Generation with Safety Guarantees: On-Line Motion Planning in Unknown Environments
University of Alberta(阿尔伯塔大学)
未知环境中的在线运动规划是一个具有挑战性的问题,因为它需要(i)确保避免碰撞和(ii)最小化运动时间,同时连续预测下一步去哪里。先前的在线运动规划方法假设环境的粗略地图是可用的,从而简化了问题。本文提出了一种反应式在线运动规划,鲁棒自主航路点生成(RAW),移动机器人导航在未知的和非结构化的环境。RAW生成机器人周围的局部最大椭球,使用半定规划,使周围的障碍物位于椭球之外。然后,强化学习代理在机器人的视野中,在椭圆体内部生成本地航路点。机器人导航到航路点,过程迭代直到它到达目标。通过遵循航路点,机器人导航通过一系列重叠的椭圆,并避免碰撞。机器人的安全性从理论上得到了保证,并通过四种不同实验装置的严格数值实验进行了验证。通过比较RAW轨迹与全局最优轨迹,以经验的方式显示了近最优性。
2017-09-02 cs.RO
SafeGuardPF: Safety Guaranteed Reactive Potential Fields for Mobile Robots in Unknown and Dynamic Environments
University of Notre Dame(圣母大学)
本文提出SafeGuardPF方法,通过将反应势场运动控制器建模为混合自动机,并利用微分动态逻辑形式化验证其安全性,确保机器人在动态环境中避免碰撞。
2016-09-22 cs.MA cs.RO cs.SY
Ensuring Progress for Multiple Mobile Robots via Space Partitioning, Motion Rules, and Adaptively Centralized Conflict Resolution
Cornell University(康奈尔大学);Rice University(莱斯大学);Pashi Corp.(帕希公司)
在多个机器人必须在共享空间中协调的环境中,分散式方法允许以全局保证为代价进行解耦规划,而集中式方法则进行相反的权衡。这些解决方案做出了一系列假设-通常,所有机器人共享相同的规划策略。在这项工作中,我们提出了一个框架,确保所有机器人的进展,而不假设任何机器人的规划策略(1)生成一个分区的环境到“流”,“开放”和“通道”区域和(2)强加一套规则,机器人运动在这些地区。这些机器人运动规则通过自适应集中式协议来解决机器人之间的空间冲突,从而防止死锁。我们提出的框架,确保所有机器人的进步,没有一个网格样的离散化的环境或机器人通信,协调或合作的强烈要求。每个机器人都可以自由选择如何规划和协调自己,而不会受到其他机器人或机器人组的阻碍,只要他们在必要时遵守规则。我们描述了我们的空间划分和运动规则,证明了运动规则足以保证在分区环境中的进展,并在模拟多边形环境中演示了几种情况。这项工作取得了平衡之间的每个机器人的规划独立性和保证每个机器人总是可以达到任何目标在有限的时间。
2022-03-07 cs.RO
Data-fused MPC with Guarantees: Application to Flying Humanoid Robots
Artificial and Mechanical Intelligence (AMI), Istituto Italiano di Tecnologia (IIT)(人工与机械智能(AMI),意大利技术研究院(IIT));Robotics, Intelligent Systems and Control, KAUST(机器人、智能系统与控制,王国立阿联酋科学技术大学(KAUST))
本文提出了一种融合数据的模型预测控制方法,通过结合物理模型和数据驱动动态,提高了飞行双足机器人的跟踪精度和鲁棒性,同时保证了递归可行性和稳定性。
2025-12-16 cs.RO cs.SY eess.SY
Planning and Execution using Inaccurate Models with Provable Guarantees
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人学院);Aurora Innovation(极光创新公司 (Aurora Innovation))
现代规划问题中用于模拟现实世界动作执行结果的模型正变得越来越复杂,从基于物理推理的模拟器到预先计算的分析运动基元。然而,在现实世界中运行的机器人在执行之前经常面临这些模型没有建模的情况。这种不完美的建模可能导致执行过程中的高度次优甚至不完整的行为。在本文中,我们提出了CMAX的方法交错规划和执行。CMAX在实际执行过程中在线调整其规划策略,以解决规划过程中动态的任何差异,而无需更新模型的动态。这是通过偏置规划器远离其动态被发现为不准确建模的过渡来实现的,从而导致机器人行为尽管具有不准确的模型,但仍试图完成任务。我们提供了可证明的保证的完整性和效率的建议的规划和执行框架的模型的特定假设下,小和大的状态空间。我们的方法CMAX被证明是有效的经验,在模拟机器人任务,包括4D平面推动,并在真正的机器人实验中使用PR2涉及的3D拾取和放置任务的对象的质量是不正确的建模,和7D手臂规划任务的关节之一是不操作的动态差异。我们的物理机器人实验视频可以在https://youtu.be/eQmAeWIhjO8上找到
2020-10-15 cs.LG cs.RO
Adaptive Non-linear Centroidal MPC with Stability Guarantees for Robust Locomotion of Legged Robots
Artificial and Mechanical Intelligence (AMI), Istituto Italiano di Tecnologia (IIT)(人工智能与机械智能(AMI),意大利技术研究院(IIT));Dynamic Legged Systems (DLS), Istituto Italiano di Tecnologia (IIT)(动态腿部系统(DLS),意大利技术研究院(IIT));Frontier Robotics, Innovative Research Excellence(前沿机器人,创新研究卓越;本田研发,日本埼玉);Honda R&D, Saitama, Japan(机器学习与优化,曼彻斯特大学);Machine Learning and Optimisation, The University of Manchester
通过自适应控制和李雅普诺夫函数重新表述质心MPC控制器,为腿式机器人在未知负载和恒定扰动下提供闭环稳定性与鲁棒性保证。
2025-01-13 cs.RO
An Analysis of Human-Robot Information Streams to Inform Dynamic Autonomy Allocation
Northwestern University(西北大学);Shirley Ryan AbilityLab(雪莉·瑞安能力实验室);DePaul University(德保罗大学)
动态自主权分配框架自动改变人类与机器人自主权的控制程度,例如基于环境安全或用户偏好等因素。为了研究哪些因素应该驱动动态自主权分配的问题,我们进行了一项人类受试者研究,以收集共享控制机器人操作期间自主权水平之间转移的地面实况数据。分析了来自人的信息流、人与机器人之间的交互以及环境。机器学习方法--经典学习和深度学习--都是在这些数据上训练的。对人类-机器人团队信息流的分析表明,捕捉人类和机器人自主性之间互动的特征在预测何时改变自主性水平方面信息量最大。即使从环境中添加数据,也无法提高这种预测能力。与手工设计的特征相比,深度网络学习到的特征在表示移位相关信息的能力上是可变的。这项工作展示了用于设计共享控制框架的人类和人类-机器人交互信息流的分类能力,并提供了对各种数据流和方法的比较效用的见解,以从这些数据中提取与轮班相关的信息。
2021-08-03 cs.RO
Optimal Allocation of Many Robot Guards for Sweep-Line Coverage
Rutgers, the State University of New Jersey(罗格斯大学,新泽西州立大学)
我们研究了在已知的二维环境中分配多个移动机器人执行预定义的扫描计划的问题,应用于搜索和救援,覆盖,监视,监控,追捕逃避,等等。移动机器人(或代理)被假定为具有一维的感知能力,随着感知距离的增加,概率保证恶化。在解决这样的任务,机器人的时间参数化分布沿扫描边界必须计算,与目标,以尽量减少用于实现一些所需的覆盖质量保证的机器人的数量,或最大限度地提高概率保证给定数量的机器人。我们提出了一个基于最大流的算法来解决分配任务,它建立在工作空间的分解技术作为一个推广的著名的boustrophedon分解。我们提出的算法有一个非常低的多项式运行时间,并在两秒内完成多边形环境超过$10^5$顶点。仿真实验进行了随机生成的障碍物的不同形状,大小和空间分布的三个现实的用例,这证明了我们所提出的方法的适用性和可扩展性。
2023-02-10 cs.RO
An LLM-powered Natural-to-Robotic Language Translation Framework with Correctness Guarantees
School of Computer Science and Engineering(计算机科学与工程学院);Sun Yat-Sen University(中山大学)
本文提出NRTrans框架,通过机器人技能语言(RSL)及编译验证与反馈微调,为LLM生成的机器人控制程序提供正确性保证,实验证明其优于现有方法并提升轻量级LLM成功率。
2025-08-26 cs.AI cs.PL cs.RO
Sub-1.5 Time-Optimal Multi-Robot Path Planning on Grids in Polynomial Time
Rutgers, the State University of New Jersey(罗格斯,新泽西州立大学)
基于图的多机器人路径规划(MRPP)是一个NP难的最优求解问题。在这项工作中,我们提出了第一个低多项式时间算法MRPP实现1- 1.5渐近最优保证的最大完工时间随机情况下,非常高的机器人密度,具有很高的概率。对计算效率和解决方案最优性的双重保证表明,我们提出的通用方法在显着扩大物流多机器人应用方面很有前途,例如,大型机器人仓库。具体来说,在$m_1\times m_2$网格,$m_1 \ge m_2$,我们的RTH(Rubik表与公路)算法计算的解决方案路由到$\frac{m_1m_2}{3}$机器人均匀随机分布的开始和目标配置的最大完工时间为$m_1 + 2m_2 + o(m_1)$,具有很高的概率。由于此类实例的最小完工时间是$m_1 + m_2 - o(m_1)$,也具有很高的概率,因此RTH保证了$\frac{m_1+2m_2}{m_1+m_2}$作为$m_1 \to \infty$的最优性,对于具有高达$\frac{1}{3}$机器人密度的随机实例,具有很高的概率。$\frac{m_1+2m_2}{m_1+m_2} \in (1, 1.5]$。除了这个关键结果,我们还建立了一系列相关的结果,支持更高的机器人密度和具有规则分布障碍物的环境,这些障碍物直接映射到现实世界的包裹分拣场景。在具有可证明保证的基线方法的基础上,我们开发了有效的、有原则的算法,进一步提高了RTH算法的…
2022-05-30 cs.RO
Resource-Aware Algorithms for Distributed Loop Closure Detection with Provable Performance Guarantees
Massachusetts Institute of Technology(麻省理工学院)
机器人间环路闭合检测,例如,协作同时定位与地图构建(CSLAM)是许多多机器人应用在GPS拒绝区域中的基本能力。在现实世界的场景中,这是一个资源密集型的过程,涉及交换观察结果和验证潜在的匹配。这对小尺寸和低成本机器人提出了严峻的挑战,这些机器人具有各种操作和资源限制,例如,能耗、通信带宽和计算能力。提出了一种基于资源感知的分布式机器人闭环检测算法。特别是,我们试图选择一个子集的潜在机器人间的循环关闭,最大限度地提高单调子模块化的性能指标,而不超过计算和通信预算。我们证明,这个问题是在一般的NP难,并提出有效的近似算法可证明的性能保证。一个凸松弛计划是用来证明近最佳性能的建议框架在真实和合成SLAM基准。
2019-01-17 cs.DS cs.RO
Time-Optimal Path Tracking with ISO Safety Guarantees
Nanyang Technological University(南洋理工大学);DENSO CORP.(电装公司);Eureka Robotics
本文提出基于时间最优路径参数化(TOPP)的控制策略,在ISO/TS 15066的SSM框架下保证碰撞时机器人处于静止状态以最小化伤害,实现6自由度工业机器人的时间最优安全控制。
2023-09-12 cs.RO
Walking with Confidence: Safety Regulation for Full Order Biped Models
University of Michigan(密歇根大学);University of Stuttgart(斯图加特大学)
安全保证在步行机器人的控制中是有价值的,因为跌倒既危险又昂贵。不幸的是,用于生成安全保证的基于集合的工具(例如平方和优化)通常仅限于简化的低维步行机器人模型。对于更复杂的模型,基于混合零动态的方法可以确保预先指定的极限环的局部稳定性,但提供有限的保证。本文结合了这两种方法的优点,通过使用混合零动态流形上的平方和优化生成一个10维步行机器人模型的保证安全集。随着这一套,本文介绍了如何生成一个控制器,通过修改流形参数时,在安全集的边缘保持安全。所提出的方法,这是适用于一个双足兔模型,提供了一个路线图应用平方和验证技术,高维系统。这为一系列广泛的工具打开了大门,这些工具可以为复杂的步行机器人模型生成安全保证和调节控制器。
2019-07-16 cs.RO
A Formal Safety Net for Waypoint Following in Ground Robots
本文提出一个可重用的形式验证安全网,为具有容差和加速度的Dubins型地面机器人提供端到端的安全性和活跃性保证,通过形式化方法验证安全性和活跃性属性,并合成监控器以确保运行时的模型合规性。
2019-06-18 cs.LO cs.RO cs.SY
MAGICS: Adversarial RL with Minimax Actors Guided by Implicit Critic Stackelberg for Convergent Neural Synthesis of Robot Safety
Department of Electrical and Computer Engineering, Princeton University, USA(电气与计算机工程系,普林斯顿大学)
提出MAGICS对抗强化学习算法,通过隐式Critic Stackelberg引导的Minimax Actor保证局部收敛至minimax均衡,为深度RL机器人安全合成提供收敛保证,并在仿真和四足机器人实验中优于现有方法。
2025-04-27 cs.AI cs.LG cs.RO
An Optimization Approach for a Robust and Flexible Control in Collaborative Applications
University of Modena and Reggio Emilia(摩德纳与雷焦艾米利亚大学)
在人机协作中,机器人在高度动态的环境中运行。因此,关键是要保证系统在交互过程中的鲁棒稳定性,而且还要保证机器人行为的高度灵活性,以确保对协作场景的可变条件的安全性和反应性。在本文中,我们提出了一种控制架构,能够最大限度地提高机器人的灵活性,同时保证一个稳定的行为时,与环境的物理交互。这通过将基于能量罐的可变导纳架构与控制屏障功能相结合来实现。所提出的架构进行了实验验证的协作机器人。
2021-03-04 cs.RO