Robots Need Some Education: On the complexity of learning in evolutionary robotics
University of Oslo(奥斯陆大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Leiden University(莱顿大学);Edinburgh Napier University(爱丁堡龙比亚大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本文探讨了在进化机器人学中整合学习技术的复杂性,提出并分析了多种学习算法以优化机器人控制器设计。
2026-04-05 cs.AI cs.RO
Early Fusion for Goal Directed Robotic Vision
University of Washington(华盛顿大学);Cornell University(康奈尔大学);NVIDIA(英伟达)
为机器人构建在紧张的计算预算下表现良好的感知系统需要重新思考传统计算机视觉流水线的新架构。现代视觉架构要求智能体构建整个场景的摘要表示,即使大多数输入与智能体的当前目标无关。在这项工作中,我们通过引入EarlyFusion视觉模型来翻转这种范式,该模型以构建下游任务的自定义表示为目标。我们表明,这些目标的具体表示可以更快地学习,是更有效的参数,更强大的比现有的注意力机制在我们的领域。我们证明了这些方法的有效性,通过模仿学习,在一个完全端到端的方式训练的模拟机器人项目检索问题。
2019-08-07 cs.CV cs.RO
Learning Agile Robotic Locomotion Skills by Imitating Animals
Google Research(谷歌研究院);University of California, Berkeley(加利福尼亚大学伯克利分校)
复制动物多样而敏捷的运动技能一直是机器人技术的一个长期挑战。虽然手动设计的控制器已经能够模拟许多复杂的行为,但构建这样的控制器涉及耗时且困难的开发过程,通常需要对每个技能的细微差别进行大量的专业知识。强化学习为自动化控制器开发中涉及的手动工作提供了一种有吸引力的替代方案。然而,设计从代理中引出所需行为的学习目标也需要大量的技能特定的专业知识。在这项工作中,我们提出了一个模仿学习系统,使足式机器人学习敏捷的运动技能,模仿现实世界的动物。我们表明,通过利用参考运动数据,一个单一的学习为基础的方法是能够自动合成控制器的足式机器人的各种剧目的行为。通过将样本有效的领域自适应技术纳入到训练过程中,我们的系统能够在模拟中学习自适应策略,然后可以快速适应现实世界的部署。为了证明我们的系统的有效性,我们训练一个18自由度的四足机器人执行各种敏捷的行为,从不同的运动步态动态跳跃和转弯。
2020-07-21 cs.LG cs.RO
Visuomotor Robotic Pruning in Planar Orchards Using Hybrid Reinforcement Learning
Oregon State University(俄勒冈州立大学)
本研究提出一种端到端流水线,利用混合强化学习训练视觉运动控制器,实现平面果园机器人修剪,在模拟中训练并零样本部署至真实果园,成功率约50%。
2026-09-22 cs.AI cs.RO
On the Controllers Based on Time Delay Estimation for Robotic Manipulators
K. N. Toosi University of Technology(K. N. 图西理工大学)
在存在未建模动态或外部干扰的情况下,用光滑控制律保证机器人的渐近轨迹跟踪是一个具有挑战性的问题。最近,它被断言,它是通过严格的证明,通过设计一个传统的无模型控制器与时间延迟估计(TDE),这样既不需要动态参数,也不需要保守的假设,外部干扰。本注释的目的是表明该声明不正确,该方法的稳定性证明不正确。最后,给出了该控制器的一些改进形式,并进行了严格的证明。
2022-05-16 cs.RO cs.SY eess.SY
Stable, Concurrent Controller Composition for Multi-Objective Robotic Tasks
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(机器人与智能机器研究所,佐治亚理工学院)
本文提出了一种稳定且并发的控制器组合方法,用于多目标机器人任务,通过分解任务为子任务并独立设计子任务控制器,再利用RMPflow框架结合生成整体控制策略,同时通过CLF分析确保系统稳定性。
2019-08-30 cs.RO cs.SY eess.SY
A neural network based controller for underwater robotic vehicles
由于在过去几十年中取得的巨大技术进步,使用机器人潜水器进行水下探索是可能的。本文介绍了一种遥控水下机器人动力定位系统的研制。所采用的方法是利用李雅普诺夫稳定性理论和增强的神经网络为基础的算法的不确定性和干扰补偿。所提出的控制方案的性能进行评估,通过数值模拟。
2022-06-17 cs.RO cs.SY eess.SY
Trojan Attacks on Neural Network Controllers for Robotic Systems
Concordia University(康科德大学);Concordia Institute for Information Systems Engineering(康科德信息系统工程研究所);Fonds de recherche du Québec – Nature et Technologies(魁北克自然与技术研究基金);National Cybersecurity Consortium(国家网络安全联盟)
针对机器人神经网络控制器,设计轻量级并行木马网络,在特定触发条件下篡改控制指令,通过仿真验证攻击有效性。
2026-08-27 cs.RO cs.SY eess.SY
Embed System for Robotic Arm with 3 Degree of Freedom Controller using Computational Vision on Real-Time
Instituto de Ensinos Superiores da Amazonia(亚马逊高等教育学院);Instituto Federal do Pará(帕拉联邦学院)
本文提出一种基于协议通信的分布式嵌入式控制系统,利用手套手势进行三维识别,通过模糊实现设置x、y、z坐标,实现机器人臂的实时控制。
2014-04-12 cs.RO cs.SY eess.SY
Integrated Design and Control of a Robotic Arm on a Quadcopter for Enhanced Package Delivery
University of California, Irvine(加州大学欧文分校);California State University, Long Beach(加州州立大学长滩分校)
本文研究四旋翼无人机集成机械臂的包裹递送系统,基于SolidWorks和MATLAB Simscape完成设计与仿真,对比PID与MRAC控制器,证明PID轨迹跟踪更优且RMS误差更低,MRAC则更具动态适应性。
2024-10-20 cs.RO cs.SY eess.SY
Nonlinear Model Predictive Control of Robotic Systems with Control Lyapunov Functions
ETH Zürich(苏黎世联邦理工学院);California Institute of Technology(加州理工学院)
非线性模型预测控制(NMPC)与控制李雅普诺夫函数(CLF)的理论统一为在保证稳定性的同时实现最优控制性能提供了框架。在本文中,我们提出了第一个实时实现的统一NMPC和CLF控制器的机器人系统有限的计算资源。这些限制激发了一组有效地将CLF稳定性约束纳入一般NMPC制定的方法。我们评估所提出的方法相比,基线CLF和NMPC控制器与机器人赛格威平台在模拟和硬件上的性能。预测时域的添加提供了优于基于CLF的控制器的性能优势,基于CLF的控制器在时间上逐点最优地操作。此外,显式施加的稳定性约束消除了对NMPC所需的困难的代价函数和参数整定的需要。因此,统一控制器提高了每个隔离控制器的性能,并简化了整体设计过程。
2020-06-01 cs.RO cs.SY eess.SY
Adaptive Force Controller for Contact-Rich Robotic Systems using an Unscented Kalman Filter
University of California, Los Angeles(加州大学洛杉矶分校)
针对多点接触机器人的力控需求,提出一种基于自动整定的自适应导纳控制器,可兼顾旋转摩擦、力旋量跟踪、防滑与避奇异,并在攀爬机器人硬件上验证了操作与移动任务中的鲁棒性。
2023-10-01 cs.RO cs.SY eess.SY
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
ConFusion: Sensor Fusion for Complex Robotic Systems using Nonlinear Optimization
Agile & Dexterous Robotics Lab, ETH Zurich(敏捷与灵活机器人实验室,苏黎世联邦理工学院)
本文提出ConFusion,一种用于机器人应用的开源传感器融合框架,通过非线性优化实现灵活的传感器融合设计,并展示了其在视觉惯性跟踪和移动机械臂上的性能。
2019-03-01 cs.RO cs.SY eess.SY
Influence of Radial Basis Activation Functions on Intelligent Controller for Robotic Manipulators
Smart Systems Lab, Department of Mechanical Engineering, University of Turku(智能系统实验室,机械工程系,图尔库大学)
本文提出一种基于径向基函数神经网络的智能控制框架,用于机器人机械臂轨迹跟踪,重点研究激活函数选择对瞬态行为、稳态精度和控制平滑度的影响。
2026-07-03 cs.RO cs.SY eess.SY
Robotic Assembly across Multiple Contact Stiffnesses with Robust Force Controllers
Nanyang Technological University(南洋理工大学)
主动力控制(AFC)是解决机器人高精度装配的重要方案。经典的力控制器是高度依赖于表面的:控制器必须仔细调整为接触的每种类型的表面,以避免不稳定性,并实现合理的性能水平。在这里,我们建立在最近开发的凸控制器合成(CCS),使高精度组装在广泛的表面刚度,而没有任何表面依赖的调整。具体来说,我们展示了钉孔组件与100微米的间隙,初始位置的不确定性高达2厘米,并为四种类型的钉孔材料-橡胶,塑料,木材,铝-其刚度范围从10到100 N/mm,使用一个单一的控制器。
2020-03-06 cs.RO
Optimize the parameters of the PID Controller using Genetic Algorithm for Robot Manipulators
Hanoi university of Industry(河内工业大学)
针对两自由度机械臂的非线性 PID 参数整定难题,提出用遗传算法优化 PID 参数,仿真表明其提升了精度、稳定性并缩短轨迹跟踪响应时间。
2025-01-08 cs.RO cs.SY eess.SY
From Formalised State Machines to Implementations of Robotic Controllers
University of York(约克大学)
自主机器人系统的控制器可以使用状态机来指定。然而,这些通常是在没有正式的语义,这使得它很难分析控制器的特设方式开发。仿真经常在开发过程中使用,但设计的控制器和实现之间的严格联系往往被忽视。本文提出了一种基于状态机的符号,RoboChart,连同一个工具,自动创建代码的状态机,规范和实现之间建立了严格的连接。在RoboChart中,机器人的控制器以图形方式或使用文本描述语言指定。用于仿真的控制器代码通过从规范的直接映射自动生成。我们展示了我们的方法,使用两个案例研究(自组织聚合和集群出租车)在群机器人。使用两个不同的模拟器,显示我们的方法的普遍适用性的模拟。
2017-02-06 cs.RO cs.SE
Leveraging Symmetry to Accelerate Learning of Trajectory Tracking Controllers for Free-Flying Robotic Systems
GRASP Laboratory at the University of Pennsylvania(宾夕法尼亚大学GRASP实验室)
本文利用浮动基座机器人系统的李群对称性,通过构建MDP同态将策略从低维商MDP提升为原系统最优跟踪控制器,结合PPO算法验证该方法能加速训练并降低收敛时的跟踪误差。
2025-05-01 cs.LG cs.RO cs.SY
Adaptive Task Space Non-Singular Terminal Super-Twisting Sliding Mode Control of a 7-DOF Robotic Manipulator
Department of Mechanical Engineering, Dalhousie University(达勒豪西大学机械工程系);GIPSA-lab, CNRS, University of Grenoble Alpes(格勒诺布尔阿尔卑斯大学GIPSA-lab)
本文提出一种带自适应增益的任务空间非奇异终端超螺旋滑模控制器,用于7自由度操作臂轨迹跟踪,通过仿真与硬件实验验证其在未知扰动下能抑制抖振、提高跟踪精度并减少控制量。
2025-08-22 cs.RO cs.SY eess.SY
Learning to Compose Hierarchical Object-Centric Controllers for Robotic Manipulation
Carnegie Mellon University(卡内基梅隆大学)
操作任务通常可以分解为并行执行的多个子任务,例如,在保持与桌子接触的同时将物体滑动到目标姿势。各个子任务可以通过相对于被操纵的对象定义的任务轴控制器来实现,并且一组以对象为中心的控制器可以在层次结构中组合。在以前的作品中,这样的组合是手动定义的或从演示中学习的。相比之下,我们建议使用强化学习来动态地组成分层的以对象为中心的控制器的操作任务。仿真和真实世界中的实验表明,所提出的方法如何导致提高采样效率,zero-shot推广到新的测试环境,和仿真到现实的传输没有微调。
2020-11-13 cs.AI cs.LG cs.RO
Distributed controller-estimator for target tracking of networked robotic systems under sampled interaction
College of Automation, Huazhong University of Science and Technology(华中科技大学自动化学院);Petroleum Engineering College, Yangtze University(江汉石油学院石油工程学院)
本文提出两种新型分布式控制器-估计器算法,用于网络化机器人系统在采样交互下的目标跟踪问题,通过小值范数和李雅普诺夫稳定性理论分析,确定交互拓扑、采样周期等参数以实现跟踪误差的实际稳定性。
2016-05-27 cs.MA cs.RO cs.SY
Adaptive Robust Controller for handling Unknown Uncertainty of Robotic Manipulators
Università di Padova(帕多瓦大学)
针对机械臂轨迹跟踪需精确动力学模型及不确定性先验边界的问题,提出无先验知识的自适应鲁棒反馈线性化方案,经仿真验证性能与现有方法相当且所需先验知识更少。
2024-06-20 cs.RO cs.SY eess.SY
Bayesian Multi-Task Learning MPC for Robotic Mobile Manipulation
ETH Zurich(苏黎世联邦理工学院)
由于需要解决许多不同的任务,例如开门或拾取和放置物体,机器人中的移动操作具有挑战性。通常,机器人的基本第一原理系统描述是可用的,从而激励基于模型的控制器的使用。然而,机器人动力学及其与物体的相互作用受到不确定性的影响,限制了控制器的性能。为了解决这个问题,我们提出了一个贝叶斯多任务学习模型,使用三角基函数来识别动态中的错误。通过这种方式,可以利用来自不同但相关的任务的数据来提供描述性错误模型,该模型可以针对新的、看不见的任务进行有效的在线更新。我们将这种学习方案与模型预测控制器相结合,并广泛测试所提出的方法的有效性,包括与现有的基线控制器的比较。我们目前的模拟测试与球平衡机器人,和开门硬件实验与四足机械手。
2023-03-21 cs.RO cs.SY eess.SY
A Sliding Mode Controller Based on Timoshenko Beam Theory Developed for a Tendon-Driven Robotic Wrist
本文提出基于Timoshenko梁理论的滑模控制器,用于提升腱驱动机械腕的运动精度和响应速度,通过仿真和实验验证其优越的控制性能。
2026-01-11 cs.RO
Design of Adaptive Compliance Controllers for Safe Robotic Assembly
Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
插入操作是大多数机器人装配操作的关键要素,并且钉孔(PiH)插入是工业和学术操纵社区中最广泛研究的任务之一。PiH插入实际上是一整类问题,其中问题的复杂性可以取决于插入尝试期间的未对准和接触形成的类型。在本文中,我们提出了自适应顺应性控制器的设计和分析,可用于插入型装配任务,包括基于学习的顺应性控制器,可用于插入问题中存在的不确定性,在机器人装配过程中的目标位置。我们首先提出了顺应性控制器的设计,它可以确保安全操作的机器人,通过限制经验丰富的接触力在接触形成。因此,我们提出了接触形成过程中获得的力签名的分析,以了解执行插入所需的纠正措施。最后,我们使用建议的合规性控制器和学习模型来设计一个政策,可以成功地执行插入在新的测试条件下,几乎完美的成功率。我们验证所提出的方法在物理机器人试验台上使用6自由度机械臂。
2022-04-22 cs.RO
A Robust Controller based on Gaussian Processes for Robotic Manipulators with Unknown Uncertainty
Department of Information Engineering, Università di Padova(信息工程系,帕多瓦大学)
提出基于高斯过程回归的鲁棒反馈线性化策略,通过估计模型失配并补偿残余不确定性,实现拉格朗日系统的精确轨迹跟踪。
2025-07-15 cs.RO cs.SY eess.SY
Adaptive Artificial Time Delay Control for Robotic Systems
International Institute of Information Technology Hyderabad(国际信息技术研究所海得拉巴分校);Robotics Research Center(机器人研究中心)
本文研究人工时滞控制在双足机器人与四旋翼系统中的应用,提出统一控制设计以避免多控制器与约束力计算,并通过实验验证其有效性。
2024-09-02 cs.RO cs.SY eess.SY
Control of a Soft Robotic Arm Using a Piecewise Universal Joint Model
软机器人手臂的“无限”被动自由度使得它们的控制特别具有挑战性。在本文中,我们利用以前开发的模型,画等效的软臂一系列的万向节,设计两个闭环控制器:一个配置空间控制器的轨迹跟踪和任务空间控制器的位置控制的末端执行器。广泛的实验和模拟四段软臂证明了实质性的改善方面:a)优越的跟踪精度的配置空间控制器和b)减少建立时间和稳态误差的任务空间控制器。任务空间控制器也被验证是有效的,在软臂和环境之间的相互作用的存在。
2022-03-15 cs.RO
Robust Global-Local Behavior Arbitration via Continuous Command Fusion Under LiDAR Errors
West Virginia University(西弗吉尼亚大学)
本文提出一种ROS2原生仲裁模块,通过连续融合两个不变且可解释的控制器输出,实现自动驾驶系统在感知不完美和严格实时约束下的全局目标与局部安全反应协调。
2026-03-28 cs.AI cs.RO cs.SY
Risk-Averse RRT* Planning with Nonlinear Steering and Tracking Controllers for Nonlinear Robotic Systems Under Uncertainty
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
我们提出了一个两阶段的风险规避结构控制随机非线性机器人系统。我们提出了风险规避非线性转向RRT*(RANS-RRT*)作为RRT* 的变体,通过求解非线性规划(NLP)来结合非线性动力学,并通过近似状态分布和执行分布鲁棒(DR)碰撞检查来考虑风险,以促进安全规划。生成的计划被用作低级别跟踪控制器的参考。我们演示三个控制器:有限时域线性二次型调节器(LQR)具有围绕参考轨迹的线性化动态,具有鲁棒性促进乘性噪声项的LQR,以及非线性模型预测控制律(NMPC)。我们证明了我们的算法的有效性,在一个混乱的环境中,在重尾拉普拉斯过程噪声下使用单稳态动力学。
2021-09-03 cs.RO
Lyapunov Design for Robust and Efficient Robotic Reinforcement Learning
UC Berkeley(加州大学伯克利分校)
强化学习(RL)文献的最新进展使机器人专家能够在模拟环境中自动训练复杂的策略。然而,由于这些方法的样本复杂性较差,使用真实世界数据解决RL问题仍然是一个具有挑战性的问题。本文介绍了一种新的成本成形方法,其目的是减少所需的学习稳定控制器的样本数。该方法增加了一个术语,涉及控制李雅普诺夫函数(CLF)-一个“能量样”的功能,从基于模型的控制文献-典型的成本配方。理论结果表明,新的成本导致稳定的控制器时,使用较小的折扣因子,这是众所周知的,以减少样本的复杂性。此外,CLF术语的添加“robustifies”的搜索,以确保即使是高度次优的政策将稳定系统的稳定控制器。我们展示了我们的方法与两个硬件的例子,我们学习稳定控制器的cartpole和A1四足动物只有几秒钟和几分钟的微调数据,分别。此外,模拟基准研究表明,通过优化我们提出的成本获得稳定的政策需要的数量级更少的数据相比,标准的成本设计。
2022-11-18 cs.RO cs.SY eess.SY
Sample-efficient Model Predictive Control Design of Soft Robotics by Bayesian Optimization
Michigan State University(密歇根州立大学);Utah State University(犹他州立大学)
提出了一种基于贝叶斯优化的数据驱动模型预测控制(MPC)设计方法。该方法不需要对软体机器人的复杂动力学模型进行建模,而是利用贝叶斯优化方法搜索最佳预测的低维预测模型及其控制器,以最小化闭环响应的目标函数。在每次迭代中,通过贝叶斯优化从闭环输入-输出数据更新预测模型。然后基于更新的预测模型设计线性MPC,并基于闭环响应进行评估。与直接搜索控制器参数不同,闭环系统的稳定性和输入/输出约束可以很容易地在MPC设计中处理。经过几次迭代,可以得到一个收敛的(次)最优控制器的解决方案,它最小化用户定义的闭环性能指标。通过一个柔索驱动的软体机器人的高保真仿真,对所提出的方法进行了仿真和验证。仿真结果表明,所提出的方法可以实现理想的跟踪控制器的软体机器人没有事先已知的模型。
2022-10-17 cs.RO cs.SY eess.SY
Fractal Impedance for Passive Controllers: A Framework for Interaction Robotics
University of Edinburgh(爱丁堡大学);University of Sussex(萨塞克斯大学);McGill University(麦吉尔大学);Heriot-Watt University(赫瑞瓦特大学)
人们对能够将机器人从工业笼子移动到非结构化环境并与人类共存的控制框架越来越感兴趣。尽管在某些特定应用(例如,医疗机器人技术),仍然需要一种改进交互鲁棒性和运动动态性的通用控制框架。被动控制器在这个方向上显示出有希望的结果;然而,它们通常依赖于虚拟能量罐,只要它们不耗尽能量,就可以保证被动性。本文提出了一种分形吸引子来实现可变阻抗控制器,该控制器可以在不依赖能量罐的情况下保持无源性。该控制器使用渐近稳定的势场在期望状态周围生成分形吸引子,使得控制器对离散化和数值积分误差具有鲁棒性。结果表明,该方法能够准确地跟踪机器人在相互作用过程中的运动轨迹和末端力。因此,这些属性使得控制器的应用需要强大的动态相互作用的末端执行器的理想。
2022-07-27 cs.RO
Episodic Learning with Control Lyapunov Functions for Uncertain Robotic Systems
California Institute of Technology(加州理工学院)
本文提出了一种基于控制李雅普诺夫函数的机器学习框架,用于适应机器人系统中的参数不确定性和未建模动态,通过迭代更新李雅普诺夫函数导数的估计和改进控制器,最终获得一个稳定性的二次规划基于控制器,并在平面Segway模拟中验证了方法的有效性。
2019-03-04 cs.LG cs.RO cs.SY
Robust Quantum Controllers: Quantum Information -- Thermodynamic Hidden Force Control in Intelligent Robotics based on Quantum Soft Computing
Institute of System Analysis and Management, Dubna State University(杜布纳国立大学系统分析与管理研究所);Joint Institute for Nuclear Research (JINR)(联合核子研究所);Moscow State University of Geodesy and Cartography (MIIGAiK)(莫斯科测绘大学);Yamaha Motor Co. Ltd.(雅马哈发动机株式会社)
本文提出一种基于量子软计算技术的智能鲁棒控制系统广义设计策略,通过赋予不完善知识库自组织能力提升混合智能控制器可靠性,并介绍了在经典计算机上建模量子算法的超算加速器软硬件平台。
2023-05-18 cs.AI cs.RO quant-ph
Explainable AI-Enhanced Supervisory Control for Robust Multi-Agent Robotic Systems
Visual Computing and Computational Media, Texas A&M University(视觉计算与计算媒体,德克萨斯A&M大学);Mechanical Engineering Department, Texas A&M University(机械工程系,德克萨斯A&M大学);Department of Marine Engineering Technology, Texas A&M University(海洋工程技术系,德克萨斯A&M大学)
本文提出可解释AI增强监督控制框架,融合时间自动机监督器、滑模控制与可解释预测器,并在航天器编队和AUV中验证其鲁棒性、可移植性与可解释性,显著降低跟踪误差和能耗。
2025-09-18 cs.AI cs.RO cs.SY
OneVision: Centralized to Distributed Controller Synthesis with Delay Compensation
University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们提出了一种新的算法,以简化分布式机器人系统的控制器开发受到外部观测,干扰和通信延迟。与以前的方法,提出专门的解决方案来处理特定的机器人应用程序的通信延迟,我们的算法使用任意的集中式控制器作为规范,并自动生成分布式控制器与通信管理和延迟补偿。我们将我们的目标表述为非线性最优控制--使用后悔最小化目标来衡量分布式代理的行为与无延迟集中式响应的不同程度--并求解最优行动w.r.t.使用基于梯度的优化对该目标进行局部估计。我们分析了我们提出的算法的线性时不变的特殊情况下的行为,并证明了闭环动态满足一种形式的输入到状态稳定w.r.t.意想不到的干扰和观察。我们在模拟和现实世界的机器人任务的实验结果表明,我们的方法的实际用途,并显示出显着的改善,几个基线方法。
2021-04-14 cs.MA cs.RO cs.SY
Distributed Impedance Control of Latency-Prone Robotic Systems with Series Elastic Actuation
Georgia Tech(佐治亚理工学院);UT Austin(德克萨斯大学奥斯汀分校)
本文研究了具有串联弹性执行器的延迟敏感机器人系统的分布式阻抗控制问题,提出了一种关键阻尼增益设计方法,用于优化SEA级联控制架构的阻抗控制器设计,并通过频率域方法分析了时间延迟、滤波和负载惯量对SEA阻抗性能的影响。
2018-11-27 cs.RO cs.SY eess.SY
Learning a visuomotor controller for real world robotic grasping using simulated depth images
Northeastern University(东北大学);Boston University(波士顿大学)
我们希望建造在非结构化现实世界应用中有用的机器人,例如在家庭中工作。特别是抓握是这一领域的一项重要技能,但它仍然是一个挑战。关键障碍之一是处理被抓取物体的意外变化或运动以及机器人中的运动噪声或其他错误。本文提出了一种方法来学习一个闭环控制器的机器人抓持,动态引导夹持器的对象。我们使用一个手腕上安装的传感器来获取深度图像在前面的抓地力和训练的卷积神经网络学习的距离函数,以真正掌握配置的图像。训练传感器数据是在模拟中生成的,这是以前使用真实机器人经验的工作的一个主要优势,因为获得真实机器人经验的成本很高。尽管在模拟中进行了训练,但我们的方法在真实的噪声传感器图像上效果良好。我们比较我们的控制器在模拟和真实的机器人实验中的一个强大的基线把握姿势检测,并发现我们的方法显着优于基线的运动噪声,感知误差和干扰的对象在把握过程中的存在。
2017-11-17 cs.AI cs.RO
Communication in modular robotic motor control: Bilateral controllers under realistic constraints
Monash University(莫纳什大学);Tel Aviv University(特拉维夫大学);Cerenaut(瑟雷诺特公司)
该研究提出受大脑双侧结构启发的模块化GRU双边控制器,在双臂肌肉骨骼仿真任务中,其性能优于整体架构及无通信的模块化控制器,证明模块间通信可优化机器人运动的精度、成本与稳定性。
2026-08-17 cs.RO
Collaborative Drill Alignment in Surgical Robotics
University of Cambridge(剑桥大学);Control Lab, Department of Engineering(工程系控制实验室);Department of Engineering, University of Cambridge(剑桥大学工程系);Department of Veterinary Medicine, University of Cambridge(剑桥大学兽医学系)
本文提出了一种手术机器人系统,通过虚拟钻具引导和非线性弹簧控制,提升手术精度与角定位准确性。
2025-12-06 cs.RO cs.SY eess.SY
Robotic Assembly Control Reconfiguration Based on Transfer Reinforcement Learning for Objects with Different Geometric Features
Tsinghua University(清华大学)
基于力的机器人柔性控制是实现高精度装配任务的首选方法。当装配对象的几何特征不对称或不规则时,强化学习(RL)智能体逐渐融入柔顺控制器,以适应难以解析建模的复杂力-位姿映射。由于力-姿态映射强烈依赖于几何特征,因此顺应性控制器仅对于当前几何特征是最佳的。为了降低具有不同几何特征的装配对象的学习成本,本文致力于回答如何为具有不同几何特征的新装配对象重新配置现有控制器。在本文中,基于模型的参数重新配置的基础上提出的等效理论的顺应性(ETCL)。然后,RL代理转移的基础上提出的加权维度策略蒸馏(WDPD)方法。实验结果表明,该控制重构方法所需时间少,控制性能好,验证了所提方法的有效性。
2022-11-04 cs.RO cs.SY eess.SY
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
Optimal Virtual Model Control for Robotics: Design and Tuning of Passivity-Based Controllers
Department of Engineering, University of Cambridge(工程系,剑桥大学);Swan Endosurgical(斯旺内视手术公司)
本文提出了一种基于被动性的机器人控制方法,通过虚拟机制设计和算法微分优化,实现稳定性和性能的双重保障。
2025-12-06 cs.RO
Offset-free Model Predictive Control: A Ball Catching Application with a Spherical Soft Robotic Arm
Institute for Dynamic Systems and Control, ETH Zürich(苏黎世联邦理工学院动态系统与控制研究所)
提出了一种用于球形柔性机械臂快速精确控制的无偏置模型预测控制器,该控制器将线性模型与在线扰动估计技术相结合,系统地补偿模型偏差。动态效应,如软材料的使用导致的材料松弛,可以解决实现无偏移跟踪。与没有干扰补偿方案的标准模型预测控制器相比,跟踪误差可以减少35%。改进的跟踪性能使得能够实现接球应用,其中球形软机器人臂可以接住由人投掷的球。
2021-03-12 cs.RO cs.SY eess.SY
An MPSoC-based on-line Edge Infrastructure for Embedded Neuromorphic Robotic Controllers
University of Seville(塞维利亚大学)
在这项工作中,一个所有功能于一身的神经形态控制器系统,减少延迟和功耗的机器人手臂。生物肌肉运动包括通过来自运动神经元的尖峰命令信号拉伸和收缩纤维,运动神经元又连接到中央模式发生器神经结构。此外,生物系统能够相当快速有效地对不同的刺激做出反应,这是基于神经过程中信息编码的方式。与人类创造的编码系统相反,神经编码系统使用神经元和尖峰来处理信息,并基于连续学习过程做出加权决策。事件驱动的Scorbot平台(ED-Scorbot)由一个6自由度(DoF)的机械臂组成,其控制器实现了一个尖峰比例积分微分算法,以这种方式模仿以前评论的生物系统。在本文中,我们提出了一个基础设施升级的ED-Scorbot平台,取代控制器硬件,这是由两个斯巴达现场可编程门阵列(FPGA)和准系统计算机,与边缘设备,赛灵思Zynq-7000 SoC(片上系统),降低了响应时间,功耗和整体复杂性。
2022-03-31 cs.RO
Folding Assembly by Means of Dual-Arm Robotic Manipulation
Royal Institute of Technology KTH(瑞典皇家理工学院)
本文提出一种适用于双臂机械手的折叠组装基本操作,用于更高层次的组装策略。通过实验验证了该方法在两个部件接触时的可行性。
2016-04-22 cs.RO cs.SY eess.SY
Robust Artificial Delay based Impedance Control of Robotic Manipulators with Uncertain Dynamics
Indian Institute of Technology Delhi(印度理工学院德里分校)
针对动力学不确定性机器人,提出了一种基于人工延迟的阻抗控制器。该控制律通过一种新的广义滤波跟踪误差(GFTE)将时延估计(TDE)框架与超扭曲算法(STA)类型的二阶切换控制器相结合。虽然时间延迟估计框架消除了机器人动力学的准确建模的需要,通过估计不确定的机器人动力学和相互作用的力量,从最近的过去数据的状态和控制努力,在外环中的二阶开关控制律提供了鲁棒性对时间延迟估计(TDE)的错误,由于近似的机械手动态。因此,所提出的控制律试图建立一个理想的阻抗模型之间的机器人末端执行器变量,即力和运动存在的不确定性,无论是当它遇到平滑的接触力和自由运动。两连杆机械手使用所提出的控制器的仿真结果与收敛性分析,以验证命题。
2022-08-20 cs.RO cs.SY eess.SY
Design and Implementation of a DTMF Based Pick and Place Robotic Arm
IQRA University(伊克拉大学)
近年来,通信和机器人领域的发展取得了长足的进步。此外,这两个学科的融合在使人类生活更容易和更好方面做出了巨大贡献。因此,在这项工作中,在利用上述两种技术的同时,提出了一种用于设计和实现移动操作机械臂的过程,也就是说,所提出的臂将经由与安装在机器人臂上的接收器连接的蜂窝设备来操作。此外,在呼叫的持续时间内,如果从蜂窝设备按下任何键,则在接收机侧注意到与所按下的键不明显的指示符。该音调表示两个不同频率的叠加,并被称为双音多频(Dual tone multi-frequency)。此外,机械臂通过Doppler音进行操控。此外,在接收机处获得的音调被输入到使用DQPSK译码模块即MT 8870的微控制器(ATMEGA 16)中。此外,解密模块将DSTK信号解绕成其相应的两位表示,然后将匹配的数字发送到微控制器。微控制器被编程为基于解码值采取动作。此外,微控制器将控制信号转发到电机驱动单元,以使臂在向前/向后或多方向的过程中移动。最后,机械臂能够拾取和放置物体,同时通过GSM(全球移动通信系统)进行无线控制。
2020-04-10 cs.RO cs.SY eess.SY
Hierarchical Bayesian Data Fusion for Robotic Platform Navigation
Marquette University(马凯特大学)
近年来,数据融合已成为一个活跃的研究课题.不断增长的计算性能允许使用冗余传感器来测量单一现象。虽然贝叶斯融合方法在一般应用中是常见的,但是计算机视觉领域已经在很大程度上降级了这种方法。大多数对象跟随算法已经转向倾向于缺乏灵活性的纯机器学习融合技术。因此,需要一种更通用的数据融合方案。在这项工作中,提出了一种分层贝叶斯融合方法,通过使用冗余测量,它优于单个跟踪器。自适应框架是通过依赖于每个测量的本地统计数据和全球软化多数表决。所提出的方法进行了验证,在模拟应用程序和两个机器人平台。
2017-04-21 cs.RO
Test-Driven Agentic Framework for Reliable Robot Controller
Department of Electrical and Computer Engineering(电气与计算机工程系);University of California, Riverside(加州大学河滨分校);Department of Mathematics(数学系);Department of Computer Science(计算机科学系);University of Colorado, Boulder(科罗拉多大学波德分校)
本文提出一种基于测试驱动的代理框架,用于生成可靠的机器人导航控制器,通过迭代优化提升控制器的可靠性和鲁棒性。
2026-02-28 cs.RO cs.SY eess.SY
Peristaltic locomotion without digital controllers: Exploiting the origami multi-stability to coordinate robotic motions
Clemson University(克莱姆森大学)
本研究提出并探讨一种新的方法,以产生类似运动的分段折纸机器人。具体来说,我们展示了使用多稳定嵌入折纸骨架,以消除需要多个致动器或数字控制器来协调复杂的机器人蠕动爬行运动。在这项研究中的爬行机器人由两个串联的折纸节,每个具有广义Kresling设计和可折叠的锚定机构。力学分析和实验测试,这个双段模块揭示了一个确定性的变形序列或致动周期,然后使用它来产生不同的阶段,在一个类似的运动步态。我们只控制这个机器人的总长度,而不是像机器人和其他爬行机器人那样单独控制分段变形。因此,这种方法可以显着减少运动所需的致动器的总数,并简化控制要求。此外,Kresling折纸设计的丰富性为我们提供了大量的自由度来定制运动性能。这项研究的结果将有助于我们如何使用机器人驱动和控制的多稳定性力学的范式转变。
2019-06-10 cs.RO
Grasp Control of a Cable-Driven Robotic Hand Using a PVDF Slip Detection Sensor
Virginia Tech(弗吉尼亚理工学院)
检测和防止滑动是机器人手操作中的主要挑战,支撑机器人执行安全和可靠抓握的能力。利用作者早期工作中的机械手设计,提出了一种防止物体滑动的传感和控制策略。机器人手是电缆驱动的,单驱动的,有五个手指,并能够复制大多数人类的手部动作。滑动感测方法利用压电振动传感器,即,聚偏二氟乙烯(PVDF),其是柔性、薄、便宜且高灵敏度的材料。滤波后的PVDF信号的功率被示出为在滑动期间表现出可识别的签名,从而提供合适的滑动检测机制。利用PVDF反馈,实现了一个积分控制器,以防止被抓物体掉落,并确保安全,有力,可靠的抓持。机器人手的伸展运动通过比例积分(PI)控制器使用弯曲传感器进行控制。机器人的手重量338克。建议滑检测传感系统和控制逻辑实现的功能和鲁棒性进行评估,通过实验。
2022-02-12 cs.RO cs.SY eess.SY