A Multi-task Convolutional Neural Network for Autonomous Robotic Grasping in Object Stacking Scenes
机器人自主抓取在智能机器人技术中占有重要地位。然而,如何帮助机器人在物体堆叠场景中抓取特定物体仍然是一个悬而未决的问题,因为对于自主机器人来说,存在两个主要挑战:(1)知道抓取什么以及如何抓取是一项综合任务;(2)难以处理目标被其他物体隐藏或覆盖的情况。本文提出了一种用于机器人自主抓取的多任务卷积神经网络,它可以帮助机器人在物体堆叠场景中发现目标,制定抓取计划,并最终逐步抓取目标。我们将基于视觉的机器人抓取检测和视觉操作关系推理集成在一个深度网络中,构建了自主机器人抓取系统。实验结果表明,Baxter机器人在物体杂乱场景、熟悉堆垛场景和复杂堆垛场景中的自主抓取成功率分别为90.6%、71.9%和59.4%。
2019-03-02 cs.RO
Trust regulation in Social Robotics: From Violation to Repair
University of Southern Denmark(南丹麦大学)
本文通过24名被试参与的被试内协作游戏实验,比较熟练度、情境意识、透明度、信任违背与修复五种策略,验证其对人机信任校准的显著作用。
2023-04-20 cs.HC cs.RO
Robotic Exercise Trainer: How Failures and T-HRI Levels Affect User Acceptance and Trust
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
身体活动对健康和幸福很重要,但只有少数人符合世界卫生组织的身体活动标准。机器人运动训练器的开发可以帮助增加训练的可及性和动力。用户的接受和信任是成功实现这种辅助机器人的关键。这可能会受到机器人系统的透明度和机器人性能的影响,特别是它的故障。该研究提出了一个初步的调查的透明度水平相关的任务,人类,机器人和互动(T-HRI),与机器人的行为进行了相应的调整。在部分实验过程中机器人性能的故障允许分析与故障相关的T-HRI水平的影响。在机器人的表现中经历失败的参与者表现出比那些没有经历这种失败的人更低的接受和信任水平。此外,T-HRI水平和参与者群体之间的接受措施存在差异,这为未来的研究提出了几个方向。
2022-09-04 cs.RO
Technical Development of a Semi-Autonomous Robotic Partition
KU Leuven(鲁汶大学);Research[x]Design
本文详述了半自主机器人隔断的设计与工程过程,该原型随后被用于真实办公环境中的长期野外评估研究。
2024-03-25 cs.HC cs.RO
Human-Robot Interaction and Perceived Irrationality: A Study of Trust Dynamics and Error Acknowledgment
University of Nevada Reno(内华达大学里诺分校)
本研究通过四阶段调查,发现机器人承认错误能显著提升人类信任与推荐意愿,为人机交互中设计更透明可信的机器人系统提供了实证依据。
2026-09-09 cs.HC cs.RO cs.SE
Enabling Commercial Autonomous Space Robotic Explorers
与载人任务相比,自主机器人在空间探测任务中的应用减少了探测任务的安全问题,同时延长了探测距离,因为机器人任务不需要返回运输。此外,在这些任务中使用机器人也降低了任务的复杂性和成本,因为不需要机载生命支持系统:机器人可以承受并在人类无法生存的恶劣条件下工作,例如极端温度,压力和辐射。在这篇文章中,我们将介绍火星上的环境,回顾现有的自动驾驶技术部署在地球上,以及探索所需的技术,使未来的商业自主太空机器人探险家。最后但并非最不重要的是,我们还提出了自主空间探索者面临的紧迫技术挑战之一,即机载计算能力。
2019-08-12 cs.RO
Formal Specification and Verification of Autonomous Robotic Systems: A Survey
University of Liverpool(利物浦大学)
本文针对自主机器人系统形式化规约与验证缺乏最新综述的问题,系统梳理了该领域的挑战、形式化体系及验证方法,填补了相关研究概述的空白。
2019-05-01 cs.FL cs.RO
Trust, Shared Understanding and Locus of Control in Mixed-Initiative Robotic Systems
University of Birmingham(伯明翰大学);National Center for Nuclear Robotics(国家核机器人中心)
本文研究了如何信任,人类操作员和机器人之间的共享理解,控制点(LoC)的个性特质,发展和影响人机交互(HRI)在混合主动机器人系统。随着这些系统变得越来越先进,能够与人类操作员一起采取行动,机器人将从被视为工具转变为队友。因此,本文研究的团队导向的人的因素(即信任,共享的理解,和LoC)可以在高效的HRI中发挥至关重要的作用。在这里,我们提出了一个实验的结果,灵感来自灾难响应的情况下,操作员远程控制移动机器人在导航任务,无论是人类主动或混合主动控制,两个不同层次的自主权之间动态切换:遥控操作和自主导航。有证据表明,操作员信任并了解机器人系统,特别是在混合主动控制中,随着操作员对系统的熟悉程度和执行任务的能力的提高,信任和理解会随着时间的推移而增加。最后,证据和见解的LoC如何影响HRI。
2022-05-15 cs.HC cs.RO
Embodied AI in Action: Insights from SAE World Congress 2026 on Safety, Trust, Robotics, and Real-World Deployment
本文探讨了具身人工智能在现实系统中的应用挑战,强调需通过系统工程、生命周期管理与标准制定来确保安全可靠部署。
2026-05-11 cs.RO
Rethinking Trust in Social Robotics
University of Bologna(博洛尼亚大学);University of Luxembourg(卢森堡大学)
2018年,欧盟委员会强调了以人为本的人工智能方法的需求。考虑到专门设计用于与现实世界中的人类用户直接交互和物理协作的技术,这种说法变得更加相关。社交机器人就是这样。人类-机器人交互(HRI)领域的出现是为了研究这些问题。“人-机器人信任”是影响HRI的最具挑战性和最有趣的因素之一。一方面,用户研究和技术专家强调,信任是促进用户接受的一个关键因素,从而增加了执行特定任务的机会。另一方面,这种现象也引起了伦理和哲学上的关注,导致这些领域的学者认为人类不应该信任机器人。然而,对HRI的信任并不是脆弱的指标,它植根于拟人化,是每个人的自然特征。因此,而不是仅仅关注如何激发用户对社交机器人的信任,本文认为,应该调查的是在何种程度上,以及出于何种目的,它是适合信任机器人。这种努力需要采取跨学科的办法,同时考虑到(一)技术需要和(二)心理影响。
2021-09-14 cs.RO
Establishing Human-Robot Trust through Music-Driven Robotic Emotion Prosody and Gesture
Georgia Tech Center for Music Technology(佐治亚理工学院音乐技术中心)
随着人机协作机会的不断扩大,信任对于机器人的充分参与和利用变得越来越重要。建立在情感关系和人际关系基础上的情感信任尤其重要,因为它对错误更有弹性,并增加了合作的意愿。在本文中,我们提出了一种新的模型,建立在音乐驱动的情感韵律和手势,鼓励感知的机器人身份,旨在避免恐怖谷。人类音乐家生成了具有象征意义的乐句,并标记了情感信息。这些短语控制着一个合成引擎,播放通过音素和电子乐器插值生成的预渲染音频样本。手势也是由象征性的短语驱动的,从音乐短语到低自由度的动作都编码了情感。通过用户研究,我们表明我们的系统能够准确地向用户描绘一系列情绪。我们还展示了一个显著的结果,即我们的非语言音频生成比使用最先进的文本到语音系统的平均信任度高出8%。
2020-01-11 cs.HC cs.RO
Autonomous Aerial Robotic Surveying and Mapping with Application to Construction Operations
University of Nevada, Reno(内华达大学雷诺分校)
在本文中,我们提出了一个概述的方法和系统,产生一个飞行机器人系统能够自主检查,测量,全面的多模式映射和库存跟踪的建筑工地具有高度的系统性。机器人系统可以在假设没有环境的先验知识或通过集成环境的先验模型的情况下操作。在第一种情况下,提供自主探索,其返回与颜色和热视觉信息相关联的高保真度$3\textrm{D}$图。在第二种情况下,可以使用结构的先验模型来提供优化的和重复的覆盖路径。机器人自动提供其映射结果,同时能够检测和定位感兴趣的对象,从而支持库存跟踪任务。该系统已在一系列环境中进行了现场验证,并在一个与公共住房有关的建设项目中进行了测试。
2020-05-09 cs.RO
Trust Through Transparency: Explainable Social Navigation for Autonomous Mobile Robots via Vision-Language Models
New York University, Tandon School of Engineering(纽约大学坦登工程学院);General Autonomy Inc.(通用自主公司)
本文提出一种多模态可解释模块,结合视觉语言模型和热图提升自主导航的透明度,通过自然语言总结使机器人感知、分析并表达观察结果,实验表明实时解释能提升用户信任和理解。
2025-04-07 cs.RO
Digital Twins for Trust Building in Autonomous Drones through Dynamic Safety Evaluation
Masaryk University(马萨里克大学);Fraunhofer IESE(弗劳恩霍夫实验软件工程研究所)
创新软件密集型技术的采用过程以不同的形式和形式利用复杂的信任问题。感知安全在技术采用中起着至关重要的作用,对于那些以高度动态性和不可预测性为特征的创新软件驱动技术(如协作自治系统)来说尤为重要。这些系统需要同步它们的机动,以便协同应对不可预测的危险情况。然而,这只有在相互信任的情况下才有可能。在本文中,我们提出了一种机器对机器的动态信任评估协作自治系统,支持信任建立的基础上动态安全保证的概念,在软件密集型自治系统之间的协作过程中。在我们的方法中,我们利用数字孪生的概念,这是一个抽象的模型与实时数据的运行时动态交换的信息。信息交换是通过执行嵌入必要安全属性的专用模型来执行的。更具体地说,我们研究了数字孪生在机器对机器的信任建设中可能发挥的作用,并提出了他们的设计,以支持自主无人机的动态信任评估。最后,我们提出了一个概念的证明,直接和间接的信任评估,采用数字孪生的用例,涉及两个自主合作的无人机。
2023-03-15 cs.OH cs.RO cs.SY
Modeling Trust Dynamics in Robot-Assisted Delivery: Impact of Trust Repair Strategies
Department of Electrical and Computer Engineering, Michigan State University(电气与计算机工程系,密歇根州立大学);Department of Engineering Psychology, U.S. Military Academy(工程心理学系,美国军事学院)
本研究聚焦机器人辅助配送场景,采用IOHMM建模人类信任动态与行为概率,发现不同信任修复策略的效果差异,且模型信任估计具可解释性,为最优信任调节策略开发奠定基础。
2025-06-12 cs.RO
Trust in Autonomous Human--Robot Collaboration: Effects of Responsive Interaction Policies
Laurentian University(劳伦太大学)
研究探讨了在无Wizard-of-Oz控制或预设修复的社交机器人协作中,交互策略对信任形成的影响,发现响应式策略在通信条件良好时显著提升信任,但任务准确性无显著差异。
2026-03-17 cs.HC cs.RO
CraterGrader: Autonomous Robotic Terrain Manipulation for Lunar Site Preparation and Earthmoving
Carnegie Mellon University(卡内基梅隆大学)
针对月球基础设施建设需求,提出自主土方系统CraterGrader,通过在线感知、优化规划和无GPS定位等技术操作未知浮土,在类月球环境中实现卓越自主平整与分级性能,为行星场地准备提供基准。
2024-06-04 cs.RO
The role of successful human-robot interaction on trust -- Findings of an experiment with an autonomous cooperative robot
KUKA(库卡);Ulm University(乌尔姆大学)
本文的基础是一个实验,15名参与者直接与自主机器人进行交互。参与者的任务是在两种不同的设置中携带一张桌子,以及一个机器人,该机器人旨在支持老年人完成繁重的任务。通过收集和分析观察,定量和定性数据的相互作用进行了调查,特别强调在机器人的信任。总体目标是更好地理解人们在日常场景中与功能机器人接触时的情感和评价反应。这项研究表明,成功的合作任务完成有积极的影响信任和其他相关的评价,如感知适应性关于机器人的行为。
2021-04-14 cs.RO
AWML: An Open-Source ML-based Robotics Perception Framework to Deploy for ROS-based Autonomous Driving Software
TIER IV, Inc(TIER IV公司)
本文提出开源框架AWML,为基于ROS的自动驾驶提供MLOps支持,除模型部署外还集成自动标注、半自动标注与数据挖掘的主动学习流水线。
2025-05-31 cs.RO cs.SE
Bridging Intelligence and Instinct: A New Control Paradigm for Autonomous Robots
Shanghai Hrstek Co., Ltd(上海赫斯特克有限公司)
本文提出一种分层控制范式,将大语言模型智能与机器人本能结合,以抑制幻觉并保障安全关键任务,从而提升自主机器人的安全性与通用性。
2024-04-30 cs.RO
Design, Implementation, and Cooperative Coevolution of an Autonomous/ Teleoperated Control System for a Serpentine Robotic Manipulator
GreyPilgrim Inc.(格雷朝圣者公司)
设计,实施和机器学习的问题与开发一个控制系统的蛇形机器人机械手进行了探讨。开发的控制器提供了自主控制的蛇形机器人manipulatorwithin一个封闭的环境,如地下储罐的机械手的操作过程中。控制器算法利用低级别的关节角度控制,采用力/位置反馈约束,和高级别的协调控制的末端执行器定位。这种方法导致了高水平的全机器人控制和低水平的遥控机器人控制模式,并为操作员提供了高水平的灵活性。
2007-06-07 cs.NE cs.RO
Perceptual Distortions and Autonomous Representation Learning in a Minimal Robotic System
Dedan Kimathi University of Agriculture and Technology(德丹·基马蒂农业技术大学)
本文利用配备距离传感器和罗盘的最小双轮机器人系统,研究感知扭曲的本质及其对自主表征学习的影响,发现机器人在无明确空间信息时能自主学会结构化导航表征,为具身认知和人工生命提供新见解。
2025-07-10 cs.RO
An Overview of Federated Learning at the Edge and Distributed Ledger Technologies for Robotic and Autonomous Systems
University of Turku(图尔库大学)
随着计算和通信解决方案的进步,自治系统变得无处不在,从而实现分布式设备的低延迟卸载和实时协作。区块链和分布式账本技术(DLT)的去中心化技术正在发挥关键作用。与此同时,深度学习(DL)的进步显著提高了机器人和自主系统的自主程度和智能水平。在这些技术革命发生的同时,对数据安全和最终用户隐私的担忧已成为不可避免的研究考虑因素。联邦学习(FL)是边缘隐私保护DL的一种有前途的解决方案,通过在孤立的数据岛上学习和仅通信模型更新,具有固有的分布式性质。然而,FL本身并不提供当今分布式自治系统标准所要求的安全性和鲁棒性水平。本调查涵盖了FL在自主机器人中的应用,分析了DLT和FL在这些系统中的作用,并介绍了当前研究中的关键背景概念和考虑因素。
2021-04-21 cs.RO
Trust Modeling and Estimation in Human-Autonomy Interactions
Department of Electrical & Electronic Engineering, The University of Melbourne, Australia(墨尔本大学电气与电子工程系);Department of Mechanical Engineering, The University of Melbourne, Australia(墨尔本大学机械工程系);Melbourne School of Psychological Sciences, The University of Melbourne, Australia(墨尔本大学心理科学学院)
本文提出一种基于切换线性系统与事件触发采样的监督者信任估计模型,利用51名参与者的用户研究数据辨识参数,以应对不对称响应和间歇通信。
2025-10-10 cs.RO cs.SY eess.SY
Autonomous Robotic Pepper Harvesting: Imitation Learning in Unstructured Agricultural Environments
Robotic Institute at Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对非结构化农业环境中的采摘挑战,提出一种基于300次演示训练视觉运动策略的自主胡椒采摘机器人系统,在无保护田间实现28.95%成功率,验证了模仿学习在复杂农业场景中的可行性与有效性。
2024-11-15 cs.RO
Breaking Barriers in Robotic Soft Tissue Surgery: Conditional Autonomous Intestinal Anastomosis
Johns Hopkins University(约翰斯·霍普金斯大学);Children’s National Hospital(国立儿童医院)
自主机器人手术有可能提供独立于单个外科医生技能和经验的有效性、安全性和一致性。在非结构化和可变形环境中进行自主软组织手术尤其具有挑战性,因为它需要复杂的成像、组织跟踪和手术规划技术,以及通过高度适应性的控制策略进行精确执行。在腹腔镜环境中,软组织手术更具挑战性,因为在运动和视觉限制下需要高可操作性和可重复性。我们展示了第一台机器人腹腔镜软组织手术,其自主性水平为5分之3,允许操作员在自主生成的手术计划中进行选择,同时机器人独立执行各种任务。我们还展示了第一个在体内自主机器人腹腔镜手术通过肠吻合猪模型。我们比较了开发系统、手动腹腔镜手术和机器人辅助手术(RAS)之间的标准,包括针放置校正、缝线间距、缝线咬合尺寸、完成时间、管腔通畅性和泄漏压力。离体结果表明,我们的系统在一致性和准确性方面优于专家外科医生和RAS技术,并在生猪中实现了卓越的吻合质量。这些结果表明,具有高度自主性的手术机器人有可能提高一致性,改善患者预后,并获得标准手术技术。
2021-07-02 cs.RO
Trust or Bust: Ensuring Trustworthiness in Autonomous Weapon Systems
Belgian Royal Military Academy(比利时皇家军事学院);Vrije Universiteit Brussel(布鲁塞尔自由大学);Open University of the Netherlands(荷兰开放大学)
本文系统梳理自主武器系统的信任问题,指出开发与部署阶段的信任动态研究空白,并倡导技术、伦理与军事多方协作,通过人机编组和提升系统可理解性来保障问责与国际人道法合规。
2024-10-21 cs.AI cs.CY cs.RO
Emotional Musical Prosody for the Enhancement of Trust in Robotic Arm Communication
Georgia Tech Center for Music Technology(佐治亚理工学院音乐技术中心)
随着机器人手臂在工业中的普及,提高人类合作者的信任水平至关重要。人机交互中的低信任度会降低整体性能,并妨碍机器人的充分利用。我们研究了使用情感音乐韵律的潜在好处,让机器人对用户的动作做出情感反应。我们测试了参与者与虚拟机器人手臂互动的反应,机器人手臂充当决策代理,帮助参与者选择序列中的下一个数字。我们在组间实验中比较了三个版本的应用程序的结果,其中机器人对用户的输入有不同的情感反应,这取决于用户是否同意机器人以及用户的选择是否正确。在所有的版本中,机器人都以情绪化的姿态做出反应。一个版本使用从我们的歌手即兴表演数据集中选择的基于韵律的情感音频短语,第二个版本使用由随机分配给每种情感的单个音高组成的音频,最终版本没有音频,只有手势。我们的研究结果显示,各组用户同意机器人的次数百分比没有显着差异,并且在机器人犯错误后,用户与机器人的协议之间没有差异。然而,参与者也采取了信任调查后的互动,我们发现,报告的信任评级的音乐韵律组显着高于单音高和无音频组。
2020-09-18 cs.HC cs.RO
Incorporating Explanations into Human-Machine Interfaces for Trust and Situation Awareness in Autonomous Vehicles
University of Alberta(阿尔伯塔大学);Huawei Technologies Canada Co., Ltd.(华为技术加拿大有限公司)
针对自动驾驶行为不透明、需建立用户信任及提升风险感知的问题,研究结合可解释AI与人机界面,用3W1H方法梳理背景,提出态势感知信任校准框架,并经实验和用户研究验证有效性。
2024-04-10 cs.AI cs.RO
TruPercept: Trust Modelling for Autonomous Vehicle Cooperative Perception from Synthetic Data
University of Waterloo(滑铁卢大学);University of Toronto(多伦多大学)
自动驾驶车辆(AV)的车辆间通信在感知鲁棒性方面具有显著的优势。我们提出了一种新的方法,AV通信感知的观察,锻炼的同行提供报告的信任建模。基于如本地验证的所报告的目标检测的准确性,可以融合所传送的消息以增强视线之外以及距本车辆很远距离处的感知性能。还提出了一种新的合成数据集,可用于测试合作感知。TruPercept数据集包括不可靠和恶意的行为场景,以试验合作感知带来的一些挑战。TruPercept运行时和评估框架允许模块化组件更换,以促进消融研究以及创建我们能够展示的新信任场景。
2019-09-17 cs.CV cs.MA cs.RO
Bio-inspired Adaptive Latching System for Towing and Guiding Power-less Floating Platforms with Autonomous Robotic Boats
MIT(麻省理工学院(MIT))
自主机器人船预计将执行几项任务:1)在水环境中自主导航,如阿姆斯特丹运河; 2)执行个人任务,如水监测,运输货物和人员; 3)锁在一起创建浮动基础设施,如桥梁和市场。在本文中,我们提出了一种新的生物启发的机器人系统锁定,牵引和引导浮动无源动力平台。挑战在于设计一种自适应锁定机构,能够在实体之间创建安全连接,易于连接/拆卸,即使船受到水扰动的影响。但最重要的是,自适应锁定必须能够限制锁定的“虚拟”平台的DoF(自由度)。因为,机器人船可能会在狭窄的水道中驾驶它,并且必须防止它漂流和撞到墙上。这种新颖的自适应闭锁机构基于球窝接头,其允许同时在两个平面中旋转和自由运动。它由两部分组成:凸形部分包括集成在浮动箱“假人”上的轴承螺柱(球),而凹形部分位于自主机器人船上。它集成了一个自适应框架漏斗,将公球引导到一个捕获球的驱动接收器中,从而在船之间创建球窝接头。从这个意义上说,自适应锁定机制模仿鱿鱼的触角,可以调整施加到保持对象的力,限制其自由度。实验结果从我们的群机器人船集成自适应闭锁系统,并执行牵引和指导用例。
2020-02-03 cs.RO
Can We Trust You? On Calibration of a Probabilistic Object Detector for Autonomous Driving
Robert Bosch GmbH(罗伯特·博世股份有限公司);Ulm University(乌尔姆大学)
可靠的不确定性估计对于安全自动驾驶中的感知系统至关重要。最近,已经提出了许多方法来对基于深度学习的对象检测器中的不确定性进行建模。然而,估计的概率往往是未经校准的,这可能会导致严重的问题,在安全关键的情况下。在这项工作中,我们确定这样的不确定性误校准问题的概率LiDAR三维目标检测网络,并提出了三个实用的方法,以显着减少不确定性校准的错误。在几个数据集上的大量实验表明,我们的方法产生了校准良好的不确定性,并在不同的数据集之间推广良好。
2019-09-26 cs.CV cs.RO
Development of An Autonomous Bridge Deck Inspection Robotic System
University of Nevada, Reno(内华达大学里诺分校);Rutgers University(罗格斯大学);Dong-A University(东亚大学)
由于美国许多桥梁的状况不佳,对老化桥梁安全的威胁已被公认为是公众关注的关键问题。目前,桥梁检查是手动进行的,并且无法有效地识别桥梁状况恶化,以便于实施适当的维护或修复程序。在本文中,我们报告了一个新的发展自主移动机器人系统的桥面检测和评估。该机器人集成了多个无损评估(NDE)传感器和导航控制算法,使其能够在桥面上准确自主地机动,以收集视觉图像并进行NDE测量。所开发的机器人系统可以减少桥面数据汇集和检测的成本和时间。为了有效地监测桥面,详细介绍了建立桥面裂缝图的裂缝检测算法。通过对机器人采集的冲击回波(IE)、超声表面波(USW)和电阻率(ER)数据进行分析,分别生成桥面的分层图、混凝土弹性模量图和腐蚀图。该机器人系统已成功部署在美国十多个不同州的众多桥梁上。
2017-04-24 cs.RO
AERoS: Assurance of Emergent Behaviour in Autonomous Robotic Swarms
University of Bristol(布里斯托大学);University of York(约克大学)
本文提出AERoS流程,遵循AMLAS指南,用于保证自主机器人群体中涌现行为的安全性,并通过公共衣帽间机器人案例进行验证。
2023-02-20 cs.AI cs.RO
Towards Fluorescence-Guided Autonomous Robotic Partial Nephrectomy on Novel Tissue-Mimicking Hydrogel Phantoms
Johns Hopkins University(约翰斯·霍普金斯大学);Rose-Hulman Institute of Technology(罗斯-胡尔曼理工学院)
提出一种荧光引导的自主机器人系统,结合近红外成像与点云观测,在新型水凝胶肾模型上实现外生性肿瘤的精确切除,平均边缘精度达1.44毫米。
2025-03-04 cs.RO
Trust in LLM-controlled Robotics: a Survey of Security Threats, Defenses and Challenges
School of Electrical and Computer Engineering, The University of Sydney(悉尼大学电气与计算机工程学院);Australian Centre for Robotics and School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney(悉尼大学机器人中心及航空航天、机械与机电工程学院);Department of Information Systems and Cybersecurity, University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校信息系统与网络安全系);School of Engineering and Natural Sciences, University of Iceland(冰岛大学工程与自然科学学院)
本文综述了LLM控制机器人面临的安全威胁和防御策略,强调了具身系统中恶意输出的物理风险,并提出了安全规范和多LLM监督等防御方法。
2025-12-17 cs.RO
Robotic Sonographer: Autonomous Robotic Ultrasound using Domain Expertise in Bayesian Optimization
All India Institute of Medical Sciences(全印医学科学学院);Purdue University(普渡大学)
本文提出一种结合贝叶斯优化与领域专业知识的自主机器人超声系统,利用专家先验质量图和深度网络图像质量反馈,在膀胱体模上实现了98.7%的定位精度和97.8%的力度精度。
2023-07-05 cs.RO
Managing a Fleet of Autonomous Mobile Robots (AMR) using Cloud Robotics Platform
TCS Research, Tata Consultancy Services(TCS研究部,塔塔咨询服务公司)
在本文中,我们提供的细节,实现一个系统,用于管理一个车队的自主移动机器人(AMR)在工厂或仓库的前提下运行。虽然机器人本身是自主的运动和避障能力,每个机器人的目标目的地是由一个全局规划器。全局规划器和地面车辆(机器人)构成一个多智能体系统(MAS),通过无线网络相互通信。探讨了三种不同的实施办法。前两种方法利用基于分布式计算的网络机器人架构和机器人操作系统(ROS)本身的通信框架,而第三种方法则使用Rapyuta Cloud Robotics框架来实现。这些方法的比较性能进行了分析,通过仿真以及现实世界的实验与实际的机器人。与通常的ROS框架相比,这些分析提供了对Cloud Robotics Platform内部工作的深入理解。通过这个练习获得的见解将是有价值的学生以及有兴趣在其他地方实现类似系统的实践工程师。在此过程中,我们还确定了当前Rapyuta平台的一些关键限制,并提供了克服这些限制的建议。
2017-06-27 cs.RO
The Formation of Trust in Autonomous Vehicles after Interacting with Robotaxis on Public Roads
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Cornell University(康奈尔大学)
本研究在真实Robotaxi运营区开展实验,发现行人与4级自动驾驶汽车交互后信任度显著提升,且受接受度、行为特质等因素影响,弥补了实验室研究的局限。
2025-09-30 cs.HC cs.RO
Vision-based Obstacle Removal System for Autonomous Ground Vehicles Using a Robotic Arm
North Carolina State University(北卡罗来纳州立大学);Indian Institute of Technology Patna(印度理工学院巴特那分校);Zhejiang University(浙江大学)
在过去的几年里,用于数据汇集和视觉监控应用的配备摄像头的机器人平台的使用呈指数级增长。有许多物体的杂乱建筑工地(例如,砖、管道等)地面上的环境对于移动无人驾驶地面车辆(UGV)导航是具有挑战性的环境。为了解决这个问题,本研究提出了一种移动UGV配备了一个立体摄像机和一个机械臂,可以清除沿UGV的路径障碍物。为了实现这一目标,周围的环境是由立体摄像机捕获和障碍物检测。通过机器人操作系统(ROS)将障碍物相对于UGV的位置发送到机械臂模块。然后,机械臂拾起并移除障碍物。该方法将大大提高施工监测的自动化程度和数据汇集频率。该系统通过两个案例进行了验证。结果成功地证明了障碍物的检测和清除,作为开发具有各种施工操作应用的自主UGV的有利因素之一。
2019-01-24 cs.RO
Learning to Build: Autonomous Robotic Assembly of Stable Structures Without Predefined Plans
Lab of Creative Computation, École Polytechnique Fédérale de Lausanne(创意计算实验室,瑞士联邦理工学院);Swiss Data Science Center(瑞士数据科学中心)
本文提出了一种无需预定义计划的自主机器人组装方法,通过强化学习策略实现灵活适应环境变化的稳定结构构建。
2026-11-03 cs.LG cs.RO
ARO: Large Language Model Supervised Robotics Text2Skill Autonomous Learning
National University of Singapore(新加坡国立大学);Microsoft Research(微软研究院)
本文提出ARO框架,利用大规模语言模型替代人类参与机器人技能学习的奖励函数设计与性能评估,实现无需人工干预的完全自主技能学习,并分析了其在任务理解和优化稳定性上的局限。
2024-03-23 cs.AI cs.RO
ROBOCYCLE: Autonomous Dual-Arm Robotic Manipulation and Coordination for Recycling Applications
Tecnologico de Monterrey, School of Engineering and Sciences, Department of Computer Science(墨西哥蒙特雷理工大学工程学院与科学学院计算机科学系);National Institute of Advanced Industrial Science and Technology (AIST)(国家先进工业科学与技术研究院)
针对城市垃圾处理难题,介绍ROBOCYCLE平台,集成多视图RGB-D感知、基于变压器的实例分割及6自由度抓取规划,有效处理不规则和可变形垃圾,取得高成功率,为现实环境自主垃圾管理提供方案。
2026-07-07 cs.RO
Using Trust in Automation to Enhance Driver-(Semi)Autonomous Vehicle Interaction and Improve Team Performance
University of Michigan-Ann Arbor(密歇根大学安娜堡分校)
机器人中的信任一直受到多个方向的关注,因为它在人机交互的理论描述中具有特殊的相关性。这对于实现社会对机器人技术的高接受度和使用率以及实现有效的人机合作至关重要。研究人员一直在试图模拟机器人信任的发展,以改善人类和机器人之间的整体关系。不幸的是,对自动化的信任的错误校准是一个常见的问题,危及自动化使用的有效性。当用户的信任级别不适合所使用的自动化功能时,就会发生这种情况。用户可以是:不信任自动化--由于缺乏信任,他们不使用机器可以正确执行的功能;或者过度信任自动化--由于过度信任,他们在机器功能不足的情况下使用机器。这项工作的主要目标是研究驾驶员的信任发展的ADS。我们的目标是对风险因素(例如:来自ADS的错误警报和失误)以及与这些风险因素相关联的短期相互作用影响驾驶员对ADS的信任的动态。驾驶情境有助于仪器测量信任行为,例如驾驶员的眼球运动和自动化特征的使用时间。我们的研究结果表明,一个可靠的表征驾驶员的信任行为和随之而来的信任水平的估计是可能的。我们预计,这些技术将允许ADS的设计能够适应他们的行为,试图调整司机的信任水平。这种能力可以避免信任不足和过度信任,这可能会损害他们的安全或他们的表现。
2021-06-03 cs.RO
Fast Autonomous Robotic Exploration Using the Underlying Graph Structure
Departamento de Informática e Ingeniería de Sistemas(信息与系统工程系);Instituto de Investigación en Ingeniería de Aragón(阿拉贡工程研究所);Universidad de Zaragoza(萨拉戈萨大学)
在这项工作中,我们充分定义了传统的最优性标准和主动SLAM中底层姿态图的连通性之间的现有关系,因此,表征了图论和理论最优实验设计之间的连接。我们在2D和3D图形SLAM数据集中验证了所提出的关系,当使用图形结构时,显示出显着的计算负载放松。此外,我们提出了一种新的主动SLAM框架,它优于传统的方法,成功地利用图形方面的问题,以便自主探索未知的环境。
2022-04-22 cs.RO
ARChemist: Autonomous Robotic Chemistry System Architecture
University of Liverpool(利物浦大学)
针对实验室机器人系统多为单一实验定制且依赖专有架构的问题,提出专为化学家设计的ARChemist自主机器人系统架构,可灵活重配置并整合异构机器人与标准设备,已通过溶解度筛选等案例验证其有效性。
2022-04-28 cs.RO
A Systematic Evaluation of Different Indoor Localization Methods in Robotic Autonomous Luggage Trolley Collection at Airports
Southern University of Science and Technology(南方科技大学);Guangdong University of Technology(广东工业大学);The Chinese University of Hong Kong(香港中文大学);University of Alberta(阿尔伯塔大学)
本文针对机场机器人自主行李手推车回收的定位问题,调研四种主流定位方法,构建定性评估框架并开展真实场景定量实验,最终得出Keypoints方法最适配该室内场景的结论。
2023-03-12 cs.RO
Deep Reinforcement Learning Based Semi-Autonomous Control for Robotic Surgery
Imperial College London(伦敦帝国理工学院);University of Bristol(布里斯托尔大学)
近几十年来,手术机器人给外科医生和患者带来的巨大好处已经有目共睹。手术机器人具有操作灵巧、精确度高的特点,可以为患者提供更短的恢复时间和更短的住院时间。然而,目前的手术机器人在实际使用中的控制完全由外科医生通过遥操作进行。在手术过程中,存在大量重复但简单的操作,这会给外科医生造成不必要的疲劳。本文提出了一种基于深度强化学习的机器人手术半自主控制框架。用户研究表明,该框架可以减少19.1%的完成时间和58.7%的旅行长度。
2022-04-11 cs.AI cs.RO
Fuzzy-RRT for Obstacle Avoidance in a 2-DOF Semi-Autonomous Surgical Robotic Arm
College of Engineering and Applied Science, University of Cincinnati(工程与应用科学学院,辛辛那提大学);Thales Avionics(泰勒斯航空电子)
针对星际任务中手术机器人需医生完全控制的问题,提出模糊RRT算法用于二维半自主手术机械臂避障与协作控制,使路径搜索时间提升743%,路径代价提升43%。
2025-04-24 cs.AI cs.RO
Visual Navigation for Autonomous Vehicles: An Open-source Hands-on Robotics Course at MIT
Massachusetts Institute of Technology(麻省理工学院)
本文报道了麻省理工学院一门新的机器人课程的开发、执行和开源。该课程是对“自动驾驶车辆视觉导航”(VNAV)的现代化改造,针对一年级研究生和之前接触过机器人技术的高年级本科生。VNAV的目标是让学生准备好进行机器人和基于视觉的导航研究,重点是无人机和自动驾驶汽车。该课程涵盖整个自主导航管道;因此,它涵盖了广泛的主题,包括几何控制和轨迹优化,2D和3D计算机视觉,视觉和视觉惯性里程计,位置识别,同时定位与地图构建,以及感知的几何深度学习。VNAV有三个主要特点。首先,它通过暴露特定于具身智能的挑战,将传统的计算机视觉和机器人课程联系起来,例如,有限的计算以及对及时和鲁棒感知的需求,以闭合控制和决策的循环。其次,它通过结合严格的技术笔记(包括在典型的机器人课程中较少探讨的主题,例如,流形优化),并配有幻灯片和视频,展示最新的研究成果。第三,它通过利用物理无人机平台(主要适用于小型住宅课程)和基于照片逼真Unity的模拟器(开源并可扩展到大型在线课程),提供了一种引人注目的动手机器人教育方法。VNAV已于2018-2021年秋季在麻省理工学院提供,现已在麻省理工学院开放课程(OCW)上公开提供。
2022-06-01 cs.RO
Towards MRI-Based Autonomous Robotic US Acquisitions: A First Feasibility Study
Technische Universität München(慕尼黑工业大学);KUKA Roboter GmbH(库卡机器人有限公司);Johns Hopkins University(约翰斯·霍普金斯大学)
机器人超声有可能在干预期间协助和指导医生。在这项工作中,我们提出了一套方法和工作流程,使自主MRI引导超声采集。我们的方法使用结构光3D扫描仪进行患者到机器人和图像到患者的校准,这反过来又用于规划3D超声轨迹。这些基于MRI的轨迹由机器人自主跟踪,并使用自动MRI/US配准在线进一步细化。尽管结构光扫描仪的空间分辨率较低,但初始规划的采集路径可以以2.46 +/- 0.96 mm的精度进行跟踪。这导致MRI/US配准的良好初始化:用于规划和采集的基于3D扫描的对准显示出准确性(计划超声和MRI之间的距离)为4.47 mm,基于闭环配准在线更新校准后为0.97 mm。
2016-07-28 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
Modeling and Predicting Trust Dynamics in Human-Robot Teaming: A Bayesian Inference Approach
University of Michigan(密歇根大学);Department of Industrial and Operations Engineering, University of Michigan(密歇根大学工业与运营工程系)
在过去的二十年里,对自动化的信任,或者最近对自主性的信任,受到了广泛的研究关注。大多数先前的文献采用了“快照”的信任的观点,通常通过在实验结束时进行问卷调查来评估信任。然而,这种“快照”观点没有承认信任是一个随时间变化的变量,可以随着时间的推移而加强或衰减。为了填补研究空白,本研究的目的是模型的信任动态时,人类与机器人代理随着时间的推移进行交互。该研究的基本前提是,通过与机器人代理进行交互并观察其随时间的表现,理性的人类代理将相应地更新他/她对机器人代理的信任。在此基础上,提出了一种基于Beta分布的个性化信任预测模型,并利用贝叶斯推理学习模型参数。我们提出的模型坚持三个主要属性的信任动态在以前的实证研究报告。我们使用现有的数据集测试了所提出的方法,该数据集涉及39名人类参与者在模拟监视任务中与4架无人机进行交互。所提出的方法获得了0.072的均方根误差(RMSE),显着优于现有的预测方法。此外,我们确定了三种不同类型的信任动态,贝叶斯决策者,振荡器,和不信者,分别。该预测模型可用于个性化和自适应技术的设计。
2020-10-01 cs.HC cs.RO
Avoidance of Manual Labeling in Robotic Autonomous Navigation Through Multi-Sensory Semi-Supervised Learning
Ball State University(波尔州立大学)
模仿学习有望解决具有挑战性的机器人任务,如自主导航。然而,它需要一个人类监督员来监督训练过程,并在没有反馈的情况下向机器人发送正确的控制命令,这总是容易出错,而且成本高昂。为了最大限度地减少人工参与和避免人工标记的数据在机器人自主导航与模仿学习,本文提出了一种新的半监督模仿学习解决方案的基础上的多传感器设计。该解决方案包括基于传感器融合的次优传感器策略,以自动标记机器人遇到的状态,以避免训练期间的人类监督。此外,开发了一种记录策略,以抑制从次优传感器策略中学习太多的对抗性影响。该解决方案允许机器人以自我监督的方式学习导航策略。通过在室内环境中的大量实验,该解决方案可以在大多数任务中实现接近人类的性能,甚至在硬件故障或人为操作错误等意外事件中超过人类的性能。据我们所知,这是第一个综合传感器融合和模仿学习的工作,使机器人自主导航在现实世界中没有人的监督。
2018-02-20 cs.LG cs.RO