Multi-gait Locomotion Planning and Tracking for Tendon-actuated Terrestrial Soft Robot (TerreSoRo)
University of Alabama(阿拉巴马大学);Georgia Institute of Technology(佐治亚理工学院);University of Strathclyde Glasgow(格拉斯哥斯特拉斯克莱德大学)
本文针对TerreSoRo提出一种基于位姿反馈的闭环路径规划框架,采用数据驱动优化合成步态与贪婪广度优先搜索策略生成无碰撞轨迹,实现了非气动软体机器人实时闭环路径规划与导航。
2023-07-31 cs.RO
TADreamer: Zero-Shot Language-Guided 3D Navigation for Terrestrial-Aerial Bimodal Robots via Video Imagination
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
TADreamer提出零样本框架,利用视频想象与两阶段标定实现陆空双模态机器人语言引导导航,在真实场景中显著降低深度误差。
2026-09-18 cs.RO
Environment-Centric Learning Approach for Gait Synthesis in Terrestrial Soft Robots
University of Alabama(阿拉巴马大学);Agile Robotics Lab (ARL)(敏捷机器人实验室(ARL))
本文提出环境中心的数据驱动概率无模型控制框架,将步态合成建模为二进制整数线性规划问题,使软体多肢机器人能从环境交互中学习并合成多样化运动步态,实验显示平移和旋转速度平均提升82%和97%。
2025-02-13 cs.RO
Whole-Body Trajectory Optimization for Robot Multimodal Locomotion
Istituto Italiano di Tecnologia(意大利技术研究院);University of Manchester(曼彻斯特大学)
本文提出一种统一生成地面与空中运动的全身轨迹优化方法,结合质心动量与驱动模型,并使用飞行仿人机器人iRonCub验证了方法有效性。
2022-11-23 cs.RO
Robótica Móvel e Inteligência Artificial para Investigação, Competição e Automatização de Sistemas Industriais
Universidad Tecnológica del Uruguay(乌拉圭技术大学)
近年来,由于一些工厂的生产方式加快,机器人用于增强某些流程的实施变得流行。在这种背景下,机器人技术出现了,首先是固定机器人,最近是移动机器人,即空中和地面机器人。它们可以用于功能内的限定过程,主要是固定机器人,但也可以用于更广泛领域的研究甚至竞争。本工作总结了一个地面移动机器人模型的建设,使人工智能的研究和比赛的目的,所有这些与基本的传感器,可用于工业。
2022-10-20 cs.RO
Improving Generalization in Aerial and Terrestrial Mobile Robots Control Through Delayed Policy Learning
Universidad Tecnologica del Uruguay(乌拉圭技术大学);Universidade Federal de Rio Grande(里奥格兰德联邦大学);Universidade Federal de Santa Maria(圣玛丽亚联邦大学);University of Tsukuba(筑波大学);VersusAI(维瑟斯人工智能公司)
本文针对空中与地面移动机器人DRL控制中泛化能力差的问题,探讨了延迟策略更新(DPU)技术,发现其能显著减少泛化不足并加速智能体学习,提升在多样任务与未知场景中的效率。
2024-06-04 cs.AI cs.RO
Joint-Space Multi-Robot Motion Planning with Learned Decentralized Heuristics
California Institute of Technology(加州理工学院)
提出一种利用去中心化数据驱动启发式偏置集中式采样树搜索的多机器人运动规划方法,有效解决了高维关节空间规划难题,支持多达16个机器人的规划。
2023-11-21 cs.RO
Double Deep Reinforcement Learning Techniques for Low Dimensional Sensing Mapless Navigation of Terrestrial Mobile Robots
UTEC(乌拉圭理工大学)
在这项工作中,我们提出了两个深度强化学习(Deep-RL)的方法,以提高陆地移动机器人的无地图导航的问题。我们的方法专注于比较基于深度Q网络(DQN)算法的深度RL技术与基于双深度Q网络(DDQN)算法的第二种技术。我们使用24个激光测量样本和智能体与目标的相对位置和角度作为智能体的信息,智能体为我们的机器人提供动作作为速度。通过使用一个低维传感结构的学习,我们表明,它是可能的训练代理执行导航相关的任务和避障,而不使用复杂的传感信息。所提出的方法被成功地用于三个不同的模拟环境。总体而言,它表明,双深结构进一步提高了问题的导航移动机器人相比,简单的Q结构。
2023-01-26 cs.AI cs.RO
A Ground Mobile Robot for Autonomous Terrestrial Laser Scanning-Based Field Phenotyping
School of Electrical and Computer Engineering(电气与计算机工程学院);The University of Georgia(佐治亚大学);Bio-Sensing, Automation and Intelligence Laboratory(生物传感、自动化与智能实验室);Agricultural & Biological Engineering(农业与生物工程);The University of Florida(佛罗里达大学)
本研究开发了一种自主地面机器人系统,利用高分辨率三维激光扫描仪实现田间表型分析,提高了田间作物生长监测的自动化和准确性。
2024-04-05 cs.RO
Integer-Programming-Based Narrow-Passage Multi-Robot Path Planning with Effective Heuristics
Zhejiang University(浙江大学)
为了提高仓库类环境下多机器人系统的效率,研究了基于图的多机器人最优路径规划问题。提出了一种基于可编程方法的多机器人路径规划算法OMRPP。我们专注于减少成本所造成的一组机器人从他们的初始配置移动到目标配置在仓库般的环境。该方法的创新点包括:(1)提出了一种基于仓库类环境的拓扑地图提取方法,减小了构建IP模型的规模;(2)提出了单向通行约束,防止机器人在通行过程中发生不可解的碰撞。(3)提出了一种启发式结构,使IP模型总是具有可行的初始解,以保证模型的可解性。大量的仿真实验证明了该算法的有效性和性能。
2021-07-26 cs.RO
Heuristic Predictive Control for Multi-Robot Flocking in Congested Environments
School of Aeronautics and Astronautics, Shenzhen Campus of Sun Yat-sen University(中山大学深圳校区航空航天学院);School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院);Center for Advanced Control and Smart Operations (CACSO), Nanjing University(南京大学先进控制与智能操作中心)
针对拥挤环境下多机器人群集的安全最优控制难题,提出基于Gibbs随机场与梯度启发式求解的预测控制方法,通过仿真与真机实验验证其优于现有主流方法。
2024-07-09 cs.RO
DDM: Fast Near-Optimal Multi-Robot Path Planning using Diversified-Path and Optimal Sub-Problem Solution Database Heuristics
Rutgers, the State University of New Jersey(罗格斯大学新泽西州立大学)
我们提出了一种新的集中和解耦算法,DDM,解决多机器人路径规划问题的网格图,针对按需和自动化仓库一样的设置。研究了两种设置:一种是传统的,其目标是尽可能快地将一组机器人从它们各自的初始顶点移动到目标顶点,另一种是动态的,其需要频繁地重新规划以适应目标配置调整。在其他技术中,DDM主要通过利用两个创新的算法来实现:路径多样化和最优子问题解决方案数据库。这两种算法攻击基于并行的规划器的两个不同阶段:路径多样化允许更有效地利用整个工作空间进行机器人旅行,最佳子问题解决方案数据库有助于快速解决局部路径冲突。广泛的评估表明,DDM实现了高水平的可扩展性和高水平的解决方案的最优性。
2019-12-15 cs.RO
Autonomous Exploration with Terrestrial-Aerial Bimodal Vehicles
Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University(控制科学与工程学院计算机系统与控制研究所,浙江大学)
针对自主探索中的能量与时间约束问题,提出面向陆空双模车辆的分层探索框架,通过扩展蒙特卡洛树搜索优化模式选择与视点排序,结合运动规划器构建完整感知系统,经仿真与真实平台验证有效。
2025-07-28 cs.RO
Spatial and Temporal Splitting Heuristics for Multi-Robot Motion Planning
Rutgers, the State University of New Jersey(罗格斯大学(新泽西州立大学))
在这项工作中,我们系统地研究应用时空分裂算法的多机器人运动规划(MRMP)问题的图论设置:一个问题是NP-难的最佳解决方案。遵循分治原则,我们设计了多个空间和时间分裂方案,可以应用于任何现有的MRMP算法,包括整数规划求解器和增强的基于冲突的搜索,在正交的方式。一个良好的基线MRMP算法与适当的分裂启发式的组合证明是非常有效的,允许解决问题的10+倍,比以前可能的,广泛的数值评估证实。值得注意的是,空间分区的问题融合的时间分裂启发式和增强的基于冲突的搜索(ECBS)算法增加了5- 15倍,解决方案的最优性的影响可以忽略不计的大型和具有挑战性的DAO地图上的ECBS的可扩展性。
2021-03-25 cs.RO
Planning to Score a Goal in Robotic Football with Heuristic Search
Moscow Institute of Physics and Technology(莫斯科物理技术学院);Federal Research Center for Computer Science and Control of Russian Academy of Sciences(俄罗斯科学院计算机科学与控制联邦研究中心)
研究了机器人足球比赛中的进攻规划问题。问题被简化为找到球从其当前位置到对手球门的轨迹。使用启发式搜索算法,即A*,来找到这样的轨迹。为了使该算法适用,我们引入了环境的离散化模型,即图,以及核心搜索组件:成本函数和启发式函数。两者都被设计为考虑游戏状态的所有可用信息。我们广泛地评估了建议的方法在模拟比较它的基线范围。进行评估的结果清楚地表明,利用启发式搜索的RoboCup上下文内的好处。
2020-08-04 cs.RO
HIRO: Heuristics Informed Robot Online Path Planning Using Pre-computed Deterministic Roadmaps
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院人类工程与机器人研究所);Robotics and Autonomous Systems, Institute of Applied Research, Karlsruhe University of Applied Sciences(卡尔斯鲁厄应用技术大学应用研究所机器人与自主系统部)
提出HIRO在线路径规划方法,利用静态环境预计算确定性路线图形成启发式下界,并结合模糊碰撞检查、闭环更新与回溯,在动态环境中显著加快无碰撞路径规划。
2024-10-26 cs.RO
Optimal Multi-Robot Path Planning on Graphs: Complete Algorithms and Effective Heuristics
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)
我们研究了最优多机器人路径规划问题的图MPP在四个不同的最小化目标:最大完工时间(最后到达时间),最大(单机器人行驶)的距离,总到达时间,总距离。在一篇相关的论文中,我们证明了这些目标是不同的,NP-难以优化。在这项工作中,我们专注于有效的算法解决方案,解决这些最佳MPP问题。为了实现这个目标,我们首先在MPP和网络流之间建立一个一对一的解决方案映射。基于这种等价性和整数线性规划(ILP),我们设计了新的和完整的算法优化的四个目标。特别是,我们的精确算法计算最佳的最大完工时间的解决方案是第一个这样的,是能够解决极具挑战性的问题,机器人顶点比率高达100%。然后,我们进一步提高这些精确算法的计算性能,通过引入原则性算法,在一些最优性损失的代价。基于ILP模型的算法和算法的组合被证明是非常有效的,允许计算包含数百个机器人的问题的1. x最优解,密集地分布在环境中,通常只需几秒钟。
2015-07-12 cs.RO
Design, Modeling and Control of a Quadruped Robot SPIDAR: Spherically Vectorable and Distributed Rotors Assisted Air-Ground Amphibious Quadruped Robot
The University of Tokyo(东京大学)
多模态运动能力是机器人领域的一个新兴课题,各种新型的移动机器人已经被开发出来,使地面和空中的域的机动。在这些混合机器人中,几个国家的最先进的双足\robots,使复杂的步行运动,这是交织在一起的飞行。这些机器人还希望具有操纵能力;然而,由于中心\ized转子布置,当前形式难以在半空中保持关节运动的稳定性。因此,在这项工作中,我们开发了一种新的空地两栖四足机器人称为SPIDAR,它是由球形矢量转子分布在每个链接,使步行运动和变形飞行的协助。F \irst,我们提出了一种独特的机械设计的四足机器人,使地面和空中运动。然后,我们揭示了这种混合机器人平台的建模方法,并进一步开发了一个集成的控制策略,步行和fl \ying与关节运动。最后,我们证明了所提出的混合四足机器人的可行性,通过执行一个无缝的运动,涉及静态行走和随后的飞行。据我们所知,这项工作是第一次实现一个\quadruped机器人具有多模态运动能力,这也表明在多个领域的操纵潜力。
2023-01-10 cs.RO
Design of a Jumping Control Framework with Heuristic Landing for Bipedal Robots
University of California, Los Angeles(加州大学洛杉矶分校)
本文提出一种带启发式着陆的双足机器人跳跃控制框架,利用腾空阶段动量反馈更新着陆位置以减少冲击,结合改进运动学-动力学规划器与全身动力学低级控制器,实现高效鲁棒的多类跳跃任务。
2023-04-02 cs.RO
Mechanical principles of dynamic terrestrial self-righting using wings
Johns Hopkins University(约翰霍普金斯大学);Army Research Laboratory(陆军研究实验室);University of California, Berkeley(加州大学伯克利分校)
陆地动物和机器人在复杂地形中快速移动时容易发生翻转。然而,与昆虫等小动物相比,小型机器人从倒置方向自我扶正的能力较低。受有翅膀的盘状蟑螂的启发,我们设计了一种新的机器人,它可以通过推动地面来打开翅膀进行自我纠正。我们使用这个机器人系统地测试自扶正性能如何取决于机翼打开幅度,速度和不对称性,并模拟运动学和能量要求如何取决于机翼形状和身体/机翼质量分布。我们发现,机器人的自我权利动态使用动能,以克服潜在的能量障碍,更大和更快的对称机翼打开增加自扶正性能,打开机翼不对称增加扶正概率时,机翼打开是小的。研究结果表明,盘状蟑螂的翅自翻正运动是一种动态的运动。虽然盘状蟑螂和我们的机器人的薄而轻的翅膀与高而重的翅膀相比,在自我扶正方面处于次优状态,但与静态外壳相比,它们打开翅膀的能力为它们节省了大量能量。类似于生物学的适应,我们的研究为陆地机器人提供了一个概念验证,以新颖的方式使用现有的形态来克服新的运动挑战。
2021-12-15 cs.RO cs.SY eess.SY
Reactive Navigation Framework for Mobile Robots by Heuristically Evaluated Pre-sampled Trajectories
Northeastern University(东北大学);Institute for Semantic Computing Foundation(语义计算基金会研究所)
本文描述并分析了一种用于未知环境中移动机器人的反应式导航框架。该方法不依赖于全局地图,仅考虑其以机器人为中心的3D网格结构中的局部占用。所提出的算法,使快速导航的启发式评估预采样轨迹上的飞行。在每个循环中,这些路径由加权成本函数评估,基于启发式特征,例如与目标的接近度,先前选择的轨迹和附近的障碍物。本文介绍了一种系统的方法来计算一个可行的姿态在选定的轨迹,然后将其发送到控制器的运动执行。定义了该框架的结构,给出了实现细节,并说明了如何调整其离线和在线参数。为了证明该算法在未知环境中的通用性和适应性,在各种地图上进行了基于物理的仿真。基准测试表明,该算法优于其以前的迭代和另一个国家的最先进的方法的性能。该算法的开源实现和基准测试数据可以在\url{https://github.com/RIVeR-Lab/tentabot}上找到。
2021-08-23 cs.RO
Dynamic Risk Assessment for Human-Robot Collaboration Using a Heuristics-based Approach
University of Stuttgart(斯图加特大学);Proximity Robotics & Automation GmbH(普罗克西姆机器人与自动化有限公司);Federal Institute for Occupational Safety and Health (Bundesanstalt für Arbeitsschutz und Arbeitsmedizin, BAuA)(联邦职业安全与健康研究所)
本文提出一种基于启发式函数的动态风险评估方法,通过监测人机距离、机器人速度及人类头部朝向等参数并聚合为危险指标,以客观评估人机协作场景中的总危险水平。
2025-03-11 cs.RO
Terrestrial Locomotion of PogoX: From Hardware Design to Energy Shaping and Step-to-step Dynamics Based Control
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文设计结合四旋翼与弹簧腿的PogoX机器人,提出能量整形高度控制与S2S水平速度控制,使其在TWR<1时实现鲁棒的陆地跳跃运动。
2023-09-26 cs.RO cs.SY eess.SY
Rearrangement Planning via Heuristic Search
Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种应用启发式搜索算法求解推式重排规划问题的方法。在这些问题中,机器人必须推动一个物体通过杂乱来实现目标。要做到这一点,我们利用的事实是,与环境中的物体接触是实现目标的关键。我们动态生成目标导向的原语,在搜索过程中的每个状态扩展创建和维护机器人和对象之间的接触。这些原语集中探索状态空间的关键领域,提供了易处理的高维规划问题。我们证明,使用这些原语,结合一个信息丰富但简单的计算启发式,提高成功率相比,只使用原语形成的离散化机器人的动作空间的规划。此外,我们还展示了我们的规划器通过更快地产生更短的路径来优于基于RRT的方法。我们证明了我们的算法在模拟和一个7自由度的手臂推物体在桌子上。
2016-03-29 cs.RO
An evolutionary algorithm for online, resource constrained, multi-vehicle sensing mission planning
Ocean Systems Lab, Heriot Watt University(赫瑞瓦特大学海洋系统实验室)
移动机器人平台是各种科学和工业应用不可或缺的工具。机器人被用来执行任务,其执行受到各种因素的限制,例如分配的时间或剩余能量。资源受限的多机器人感测任务规划的现有解决方案以令人望而却步的计算复杂性为在线应用提供最优规划[1],[2],[3]。存在一种启发式方法,用于单个飞行器的在线、资源受限的传感任务规划[4]。这项工作提出了一个遗传算法(GA)为基础的启发式的相关团队定向问题(CTOP),用于规划传感和监测任务的机器人团队,在资源限制下运行。的启发式相比,最佳的混合二次规划(MIQP)的解决方案。结果表明,启发式解的质量在最坏情况下等于5%的最优解。在最坏的测试情况下,启发式解决方案被证明是至少300倍以上的时间效率。遗传算法的启发式执行所需的最坏情况下不到一秒钟,使其适合在线执行。
2018-01-10 cs.RO
Enhanced Low-Dimensional Sensing Mapless Navigation of Terrestrial Mobile Robots Using Double Deep Reinforcement Learning Techniques
Federal University of Santa Maria(圣玛丽亚联邦大学);Universidad Tecnológica del Uruguay(乌拉圭技术大学)
本研究提出基于DQN和DDQN的深度强化学习方法,利用24个激光测距值和位置差分实现移动机器人低维感知无地图导航,实验证明DDQN结构显著提升了导航和避障能力。
2023-10-20 cs.AI cs.RO
Heuristic Satisficing Inferential Decision Making in Human and Robot Active Perception
Cornell University(康奈尔大学);Marshall University(马歇尔大学);Duke University(杜克大学)
本文针对机器人在压力下的推断决策问题,提出一种基于“寻宝”基准的主动感知方法,通过学习人类在近最优与启发式解间调节的策略,使配备摄像头的机器人在多种不可预见约束下优于现有算法。
2023-09-14 cs.RO
RHH-LGP: Receding Horizon And Heuristics-Based Logic-Geometric Programming For Task And Motion Planning
TU Berlin(柏林工业大学);International Max Planck Research School for Intelligent Systems(马克斯·普朗克智能系统国际研究学院);Bilkent University(比尔肯特大学)
机器人操作的顺序决策和运动规划会导致组合复杂性。对于长期任务,特别是当环境包括许多可以交互的对象时,规划效率变得更加重要。为了规划这种长时间任务,我们提出了RHH-LGP算法的组合任务和运动规划(TAMP)。首先,我们提出了一个TAMP方法(基于逻辑几何规划),有效地使用基于几何的算法来解决长期操作任务。该规划器的效率,然后进一步提高了滚动时域制定,从而在RHH-LGP。我们证明了我们的方法的鲁棒性和有效性,在各种各样的长期任务,需要推理与大量的对象的相互作用。使用我们的框架,我们可以解决的任务,需要多个机器人,包括移动机器人和蛇形步行机器人,形成新的异构运动学结构自主。通过结合基于几何的规划与迭代规划,我们的方法带来了一个数量级的减少规划时间在所有调查的问题。
2022-03-06 cs.RO
World Models for Autonomous Navigation of Terrestrial Robots from LIDAR Observations
Universidade Federal de Santa Maria, Brazil(巴西联邦大学圣玛利亚分校);University of Tsukuba, Japan(日本筑波大学);Universidade Federal de Rio Grande(巴西联邦大学里约格兰德分校);Universidad Tecnológica del Uruguay, Uruguay(乌拉圭技术大学)
本文提出基于DreamerV3算法的模型驱动强化学习框架,通过整合MLP-VAE实现高维LIDAR数据的高效编码与潜在表示学习,提升地面机器人自主导航的效率与鲁棒性。
2025-12-03 cs.AI cs.RO
Generating Freeform Endoskeletal Robots
Northwestern University(西北大学)
针对机器人自动设计长期局限于纯刚性或纯软体结构的问题,本文提出联合生成软体组织与关节内骨骼,并结合潜空间编码、强化学习和进化策略,实现开放式陆地内骨骼机器人设计。
2024-12-02 cs.RO
Collaborating Robotics Using Nature-Inspired Meta-Heuristics
Mansoura University(曼苏拉大学)
本文介绍了协作机器人,它提供了增强的任务性能,高可靠性和减少的可能性。协作机器人是能够自组装和自组织的移动机器人的集合,以解决单个机器人无法解决的问题。这些机器人结合了群体智能的力量和自我重构的灵活性,因为聚合协作机器人可以动态地改变它们的结构以匹配环境变化。协作机器人不仅仅是独立代理的网络,它们是能够协调感知和与环境交互的通信代理的潜在可重构网络。机器人将成为未来的重要组成部分。协作机器人的个体能力有限,但大量部署的机器人可以代表一股强大的力量,类似于一群蚂蚁或蜜蜂。本文提出了一种基于群体智能的机器人协作机制,即蚁群算法和粒子群算法
2012-12-23 cs.NE cs.RO
Beyond Heuristics: A Standardized Real2Sim Pipeline for Physical Human Robot Interaction in Human-in-the-Loop Simulation
School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航天工程学院);Guangdong Zhongxin Intelligent Rehabilitation Research Institute(广东众鑫智能康复研究院)
研究针对人在回路仿真中交互模型阻抗参数靠启发式调整的问题,提出Real2Sim管道,用协方差矩阵自适应进化策略识别动力学参数,提高仿真保真度,支持人体数字双胞胎用于个性化控制器临床前验证。
2026-07-07 cs.RO
Optimizing Space Utilization for More Effective Multi-Robot Path Planning
Rutgers University(罗格斯大学)
我们进行了系统的探索的原则,空间利用优化(SUO)作为一种启发式规划更好的个人路径在一个解耦的多机器人路径规划器,与应用程序的一次性和终身多机器人路径规划问题。我们发现,分散的启发式集,SU-I,保持单一路径的最优性,并显着减少自然发生的拥塞时,许多路径规划没有协调。SU-I集成到完整的规划器带来了显着减少的计算时间,由于显着减少冲突的数量,并导致相当大的解决方案的最优收益在不同的评估方案与中型和大型地图,一次性和终身的问题设置。
2021-09-10 cs.RO
Efficient Heuristics for Multi-Robot Path Planning in Crowded Environments
Rutgers, the State University of New Jersey(罗格斯大学,新泽西州立大学)
针对密集高度纠缠场景下的多机器人路径规划问题,提出两种混合算法DCBS和SCBS,在计算效率与求解最优性之间取得理想平衡,能快速计算高质量路由方案。
2023-06-26 cs.RO
Efficient Heuristic Generation for Robot Path Planning with Recurrent Generative Model
Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong(香港中文大学);Shenzhen Research Institute of the Chinese University of Hong Kong(香港中文大学深圳研究院)
机器人路径规划是一个很难解决的问题,由于最优性的结果和算法的复杂性之间的矛盾,即使在2D环境中。为了找到最优路径,算法需要搜索所有的状态空间,这需要大量的计算资源。为了解决这个问题,我们提出了一种新的递归生成模型(RGM),产生有效的启发式路径规划算法,以减少搜索工作。该RGM模型采用了一般生成对抗网络(GAN)的框架,由一个新的启发式生成器和两个判别器组成,前者可以通过递归地优化输出来生成启发式算法,后者可以检查启发式算法的连通性和安全性。我们在各种2D环境中测试所提出的RGM模块,以证明其有效性和效率。结果表明,RGM模型在已知和未知的新地图上都能成功地产生合适的启发式,且具有较高的准确率,证明了该模型良好的泛化能力。我们还比较了快速探索随机树星(RRT*)与生成的启发式和传统的RRT* 在四个不同的地图,显示生成的启发式可以指导算法找到初始和最优解在一个更快,更有效的方式。
2020-12-07 cs.AI cs.RO
Steering Elongate Multi-legged Robots By Modulating Body Undulation Waves
Ground Control Robotics LLC(地面控制机器人有限公司);School of Physics, Georgia Institute of Technology(物理系,佐治亚理工学院)
本文受蜈蚣运动启发,将细长多足机器人建模为高摩擦环境中的陆地游泳者,通过叠加身体横向波动波实现转向控制,并在物理模型和Major Tom机器人上验证了平面运动与闭环控制框架。
2025-06-02 cs.RO
Graph-Based Heuristics for Minimum Constraint Removal in Cluttered Robot Motion Planning
IIIT Hyderabad(印度信息科学与技术研究所海得拉巴分校);University of Genoa(热那亚大学)
针对杂乱环境中机器人运动规划的最小约束移除(MCR)问题,提出一种基于图的启发式流程,在保证接近最优解的同时,大幅提升计算效率,可有效减少相关任务的总耗时。
2026-10-12 cs.RO
On multi-robot search for a stationary object
Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague(捷克布拉格理工大学捷克信息学、机器人学与控制论研究所);Departamento de Computación, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires(布宜诺斯艾利斯大学精确科学与自然科学学院计算机系)
本文研究了两种不同的多机器人在图表示的先验已知环境中搜索静止目标的问题。第一个是旅行送货员问题的推广,其中允许在一个解决方案中使用多个送货员。类似地,第二个变体是图搜索问题的推广。提出了一种适用于这两个问题的新算法,并进一步将其集成到一个簇优先路由第二的方法。对TSPLIB库中的基准实例进行了一系列计算实验。所获得的结果表明,即使是一个独立的算法,在结果质量和计算时间上也明显优于基于k-均值聚类的标准解。集成的方法进一步提高了解决方案,由一个独立的并行计算高达15%的代价较高的计算复杂性。
2019-01-22 cs.RO
CAHC:A General Conflict-Aware Heuristic Caching Framework for Multi-Agent Path Finding
University of Engineering and Technology(工程大学);University of Transport Technology(交通技术大学)
CAHC通过结合冲突感知缓存与自适应混合启发式方法,提升多智能体路径寻找算法的效率和解的最优性。
2026-01-17 cs.RO
Reliable Real Time Ball Tracking for Robot Table Tennis
Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Technische Universität Darmstadt(达姆施塔特工业大学)
机器人乒乓球系统需要一个视觉系统,可以跟踪球的位置与低延迟和高采样率。改变球以简化跟踪,例如使用红外涂层改变球轨迹的物理特性。因此,乒乓球系统使用定制跟踪系统来基于启发式算法跟踪球,该启发式算法考虑应用于利用一组相机捕获的RGB图像的实时的约束。然而,这些启发式算法经常报告错误的球位置,并且乒乓球策略通常需要结合额外的启发式算法来检测并可能纠正异常值。在本文中,我们提出了一个视觉系统的目标检测和跟踪,专注于可靠性,同时提供实时的性能。我们的假设是,通过使用多个摄像机,我们可以通过检查与其他摄像机报告的位置的一致性来发现并丢弃在目标检测阶段中获得的误差。我们提供了一个开源的实现建议的跟踪系统,以简化未来的研究,在机器人乒乓球或相关的跟踪应用程序具有很强的实时的要求。我们评估所提出的系统在模拟和真实系统中彻底,优于以前的工作。此外,我们表明,所提出的系统的准确性和鲁棒性增加更多的摄像头。最后,我们评估了乒乓球比赛的实际机器人使用建议的视觉系统的现有方法的性能。与以前的视觉系统相比,我们测量到性能略有提高,即使在删除了以前存在的所有错误的球观察。
2019-08-20 cs.RO
Control of a Nature-inspired Scorpion using Reinforcement Learning
Indian Institute of Science(印度科学理工学院)
一个能够在崎岖地形上机动和侦察的陆地机器人在绘制未知区域的地图方面非常有用。它也可以用来代替人类探索危险区域。一个模仿蝎子的地面机器人将能够不被发现地穿越,并可用于监视目的。因此,本文提出了建模的蝎子启发机器人和强化学习(RL)为基础的控制器导航。机器蝎子采用串联四杆机构进行腿部运动。它也有一个活跃的尾巴和一个可移动的爪子。控制器被训练为将机器人蝎子导航到目标航路点。仿真结果表明,有效的机器人蝎子导航。
2020-08-31 cs.AI cs.RO cs.SY
Quick Heuristic Validation of Edges in Dynamic Roadmap Graphs
Siebel School of Computing and Data Science, University of Illinois(计算机与数据科学学院,伊利诺伊大学)
本文提出了一种基于启发式检查的动态路网图边验证方法,通过红绿灰分类提高准确性并保持高效更新。
2026-01-28 cs.RO
Evolving soft locomotion in aquatic and terrestrial environments: effects of material properties and environmental transitions
Morphology, Evolution & Cognition Lab, University of Vermont(佛蒙特大学形态、进化与认知实验室);Department of Biological Statistics and Computational Biology, Cornell University(康奈尔大学生物统计与计算生物学系);Fluid Structure Interaction Research Group, Southampton Marine and Maritime Institute, University of Southampton(南安普顿大学南安普顿海洋与海事研究所流体结构相互作用研究组)
设计软体机器人带来了相当大的挑战:自动化设计方法在这一领域可能特别有吸引力,因为它们有望在很少或没有人为干预的情况下优化复杂的多材料机器。进化软机器人学关注的是受自然进化启发的优化算法的应用,以便让软体机器人(形态和控制器)在物理现实的模拟环境中自发地进化,找出如何满足人类设计师定义的一组目标。在本文中,一个强大的进化系统到位,以执行广泛的调查自由形式的进化的步行和游泳软体机器人在不同的环境。三组实验报告,解决软运动的演变的不同方面。前两组探讨了不同材料特性对陆地和水生软运动进化的影响:特别是,我们展示了不同材料如何导致不同形态,行为和能量性能权衡的进化。研究发现,在我们简化的物理世界中,较硬的机器人在陆地上进化出更复杂和有效的步态和形态,而较软的机器人在水中表现得更好。第三组实验开始调查进化过程中主要环境转变(陆地-水)的影响和潜在利益。结果提供了有趣的形态exaptation现象,并指出一个潜在的不对称之间的土地-水和水-土地的过渡:而第一种类型的过渡似乎是有害的,第二个似乎有一些有益的影响。
2017-11-17 cs.AI cs.NE cs.RO
Heuristic Planning for Rough Terrain Locomotion in Presence of External Disturbances and Variable Perception Quality
Istituto Italiano di Tecnologia(意大利理工学院);University of Oxford(牛津大学);LAAS-CNRS(法国国家科学研究中心自动化系统实验室)
视觉反馈的质量可以在意图穿越未知和非结构化地形的足式机器人上显著变化。通过在线最先进的算法获得的环境地图通常会在几步之后由于传感不准确、滑动和意外干扰而退化。在设计运动算法时,如果处理不当,这种退化可能导致规划的轨迹与现实不一致。在这项工作中,我们提出了一种基于运动学的规划方法,使四足机器人能够成功地穿越明显粗糙的地形(例如,直径达10 cm的结石)。当可用时,该方法还允许利用视觉反馈(例如,以增强步进策略)。所提出的框架还包括反射,在特定情况下触发,并在线估计未知的时变干扰和补偿it.We的可能性证明了我们的四足机器人HyQ(85公斤),穿越不同的地形,如:坡道,岩石,砖块,托盘和楼梯上进行的实验的方法的有效性。我们还展示了估计和补偿干扰的能力,显示机器人走上坡道,同时拉着一辆附在它后面的车。
2018-11-07 cs.RO
Leg Shaping and Event-Driven Control of a Small-Scale, Low-DoF, Two-Mode Robot
University of Michigan(密歇根大学)
在小型移动机器人中,多模态运动可以帮助补偿有限的致动器能力。然而,在小型陆地机器人中支持多种运动模式或步态通常需要具有低运动效率的复杂设计。在这项工作中,通过一个只有两个自由度(DoF)的10~cm机器人实现了腿部步态和滚动步态。这是通过腿部塑形来实现的,腿部塑形有助于全身滚动和事件驱动控制,从而使用简单的惯性传感器测量来保持运动。在腿式和滚动模式下分别实现了大约每秒0.4和2.2个体长的速度,并且运输成本低。所提出的设计方法和控制技术可能有助于设计进一步小型化的机器人依赖于传感器与小范围的运动。
2022-05-29 cs.RO
Toward Fast and Optimal Robotic Pick-and-Place on a Moving Conveyor
Rutgers, the State University of New Jersey(罗格斯新泽西州立大学)
移动输送机上的机器人拾取和放置(PIPE)操作具有广泛的工业应用。在实践中,简单的贪婪算法(例如,基于处理单个对象的时间的优先级排序)被应用,以实现合理的效率。我们分析表明,在一个简化的伸缩机器人模型,这些贪婪的方法并不能确保时间最优的PSTO操作。为了解决经典解决方案的缺点,我们开发的算法,计算最佳的对象挑选序列为一个预定的有限范围。采用动态规划技术和额外的算法,我们的方法可扩展到数十到数百个对象。特别是,我们开发的快速算法来与运行时间的保证,使它们适合于实时PPERT应用程序要求高吞吐量。对我们的算法解决方案进行了广泛的评估,这些解决方案超过了在现实世界应用中使用的主要工业机器人,即,Delta机器人和选择性顺应性装配机器人臂(SCARA)机器人的研究表明,与贪婪方法相比,可以实现约10-40%的典型效率增益。
2019-12-17 cs.RO
T* : A Heuristic Search Based Algorithm for Motion Planning with Temporal Goals
NetApp India(NetApp印度公司);Indian Institute of Technology Kanpur(印度理工学院坎普尔分校);SAP India(SAP印度公司)
运动规划是自主移动机器人应用开发中需要解决的核心问题。基本的运动规划问题涉及为机器人生成用于点到点导航的轨迹,同时避开障碍物。基于启发式的搜索算法,如A* 已被证明是非常有效的解决这样的规划问题。最近,已经有越来越多的兴趣,在指定复杂的运动计划,使用时间逻辑。在最先进的算法中,时间逻辑运动规划问题减少到一个图搜索问题和Dijkstra的最短路径算法用于计算满足规格的最优轨迹。A* 算法在使用适当的启发式算法时,可以有效地生成图中的最优路径。在时序逻辑路径规划中使用A* 算法的主要挑战是没有机器人的单一目的地状态的概念。在这篇论文中,我们提出了一种新的运动规划算法T*,它使用了时间逻辑路径规划\emph{opportunistically}中的A* 搜索过程来生成满足时间逻辑查询的最优轨迹。我们的实验结果表明,T* 实现了一个数量级的改进,比国家的最先进的算法,以解决许多时间逻辑运动规划问题。
2019-10-02 cs.RO
Multi-Robot Path Planning Combining Heuristics and Multi-Agent Reinforcement Learning
School of Artificial Intelligence University of Chinese Academy of Sciences(人工智能学院 中国科学院大学)
本文提出MAPPOHR方法,结合启发式搜索与多智能体强化学习,提升多机器人路径规划效率与性能。
2025-12-11 cs.AI cs.LG cs.RO
BEATLE -- Self-Reconfigurable Aerial Robot: Design, Control and Experimental Validation
The University of Tokyo(东京大学)
针对传统地面模块化自重构机器人结构尺寸受限、鲁棒性不足的问题,提出可空中合并分离的BEATLE系统,含机械设计、多连接飞行控制与FSM运动规划,经实验仿真验证了鲁棒性与可扩展性。
2024-09-18 cs.RO
Real time A* Adaptive Action Set Footstep Planning with Human Locomotion Energy Approximations Considering Angle Difference for Heuristic Function
Korea Advanced Institute of Science and Technology(韩国科学技术院)
在各种环境下,如何将双足机器人导航到所需的目的地是一个非常重要的问题。然而,它是非常困难的,以解决实时的导航问题,因为计算时间是非常长的,由于具有高自由度的机器人的性质。为了克服这一点,许多科学家建议通过足迹规划导航。通常的脚步规划使用最短的距离或角度作为目标函数的基础上的A * 算法。最近,人类行走所需的能量,这是广泛使用的人体动力学,近似多项式函数被提出作为一个更好的成本函数,解释了双足机器人的运动。此外,对于实时的导航,采用A * 算法的动作集不是固定的,而是根据情况变化的数量,这样计算时间不会增加太多,并建议考虑与外界环境碰撞的方法作为一种实用方法。本文采用近似人类步行所需能量的多项式函数作为代价函数,并提出并证明了一种新的考虑机器人与目的地之间角度差的启发式函数。此外,提出了一种新的方法来集成的自适应行为集和能量有关的人类行走。在此基础上,提出了一种有效的碰撞避免方法和一种减少局部极小值问题的方法。最后,将具有上述特点的脚步规划算法转化为映射算法和步行算法,解决了机器人的导航问题,并通过仿真和实际机器人进行了验证。
2022-11-02 cs.RO
Multi-Sensor Terrestrial SLAM for Real-Time, Large-Scale, and GNSS-Interrupted Forest Mapping
Faculty of Science and Technology, Norwegian University of Life Sciences (NMBU)(挪威生命科学大学科学与技术学院);Norwegian Institute of Bioeconomy Research (NIBIO)(挪威生物经济研究所)
针对大规模GNSS中断森林环境中实时资源清查难的问题,提出融合3D激光雷达与IMU的多传感器地面SLAM方案,采用分层无监督聚类实现树木检测与胸径测量,支持实时/离线运行,输入频率优于常规算法,经实地测试精度达到先进水平。
2023-10-02 cs.RO
Search-based Path Planning for a High Dimensional Manipulator in Cluttered Environments Using Optimization-based Primitives
Carnegie Mellon University(卡内基梅隆大学);Mitsubishi Heavy Industries(三菱重工)
在这项工作中,我们解决了路径规划问题的21维蛇机器人一样的机械手,导航杂乱的燃气轮机检查的目的。基于启发式搜索的方法是常见操作域的有效规划策略。然而,它们在高维系统上的性能在很大程度上依赖于动作空间的有效性和所选择的算法。我们的系统的复杂性,可达性的限制,和高度混乱的涡轮机环境,使天真的行动空间和战术选择无效。在这个程度上,我们已经开发了i)一种基于在线优化动态生成动作的方法,该方法帮助机器人在狭窄的空间中导航,ii)一种用于惰性地生成这些计算上昂贵的优化动作以有效地利用资源的技术,以及iii)推理机器人工作空间中的涡轮机的叶片引起的同伦类的算法,以及多-启发式框架,引导沿着相关类进行搜索。我们的贡献的影响是通过模拟实验研究,其中21自由度机械手导航到检查区域内的涡轮机。
2021-07-06 cs.RO
Embodied Design for Enhanced Flipper-Based Locomotion in Complex Terrains
University of Notre Dame(圣母大学);University College Dublin(都柏林大学学院)
受海龟幼体启发,本文提出一种仿生机器人系统,研究鳍状肢形态与步态对多地形移动性的影响,实验证明适应性设计对实现速度、效率与多地形适应性至关重要。
2024-05-22 cs.RO
MoCap-less Quantitative Evaluation of Ego-Pose Estimation Without Ground Truth Measurements
LIRIS, INSA-Lyon, CNRS(里昂国立应用科学学院计算机科学与信息技术实验室、法国国家科学研究中心);LAGEPP, Université Claude Bernard(里昂第一大学物理与工程物理实验室);AMPERE, Centrale Lyon(里昂中央理工学院安培实验室)
数据驱动的机器人控制和规划方法的出现,突出了需要开发实验机器人平台的数据汇集。然而,它们的实现通常是复杂和昂贵的,特别是对于飞行和陆地机器人,其中位置的精确估计需要运动捕获设备(MoCap)或激光雷达。为了简化用于研究各种室内和室外环境的机器人平台的使用,我们提出了一种用于自我姿态估计的数据验证工具,该工具不需要除车载相机之外的任何设备。所述方法和工具允许对自我姿态传感器的质量进行快速、直观和定量的评估,并且对采集链中的不同缺陷源敏感,所述缺陷源的范围从传感器流的去量化到机器人平台的几何参数的错误评估。使用计算机视觉,来自传感器的信息用于通过语义场景点到车载相机的2D图像空间的投影来计算语义场景点的运动。这些关键点与使用半自动工具创建的参考的偏差允许对平台上收集的数据进行快速简单的质量评估。为了证明我们的方法的性能,我们评估了两个具有挑战性的标准无人机数据集,以及一个数据集从陆地机器人。
2022-02-01 cs.RO