Hierarchical Adaptive Control for Collaborative Manipulation of a Rigid Object by Quadrupedal Robots
University of Southern California（南加州大学）
本文提出一种用于四足机器人协作操作刚性物体的分层控制系统，包含自适应力计算、基于QP的力分配与接触点优化、以及分散式移动操作控制器，成功在仿真中实现不同地形下操作18kg未知物体并保持稳定。
2023-07-28 cs.RO
Hierarchical Intention-Aware Expressive Motion Generation for Humanoid Robots
Department of Computer Science, University College London（计算机科学系，伦敦大学学院）
针对人机交互中意图识别与实时表达性运动生成问题，提出融合ICL意图推理和扩散模型的分层框架，并通过物理平台验证其鲁棒性与社交一致性。
2025-09-27 cs.RO
Using role-play and Hierarchical Task Analysis for designing human-robot interaction
本文提出在人机交互中更多采用角色扮演和分层任务分析方法，通过社区药房机器人辅助项目展示了其在理解客户需求、正确建模行为及促进协同设计方面的优势，并建议未来开发适合社交机器人交互的任务分析方法。
2025-09-16 cs.RO
Robustifying Long-term Human-Robot Collaboration through a Multimodal and Hierarchical Framework
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文针对长期人机协作中的识别、鲁棒性、效率与适应性等挑战，提出一种融合视觉和语音的多模态分层框架，并在KINOVA GEN3机器人上验证其可缩短15.9%任务时间、达到91.8%成功率和84%用户满意度。
2025-02-03 cs.RO
HiBRIDGE: A Hierarchical Bayesian Neural Network Framework for Interpretable Dialogue Management in Group-Robot Interaction
Politecnico di Milano（米兰理工大学）；University of Cambridge（剑桥大学）
HiBRIDGE提出分层贝叶斯神经网络框架，用于群体-机器人对话管理，通过结构化多阶段决策和不确定性感知，提升预测性能与行为解释的可理解性。
2026-09-09 cs.RO
Direction-Constrained Control for Efficient Physical Human-Robot Interaction under Hierarchical Tasks
Shanghai Jiao Tong University（上海交通大学）；Osaka University（大阪大学）
本文针对层级任务下的物理人机交互问题，提出方向约束优化算法与可变导纳控制相结合的控制方法，在7自由度机械臂实验中实现了更平滑的轨迹并避免了约束边界处的交互延迟。
2024-10-22 cs.RO
Cognitive Approach to Hierarchical Task Selection for Human-Robot Interaction in Dynamic Environments
COMSATS University Islamabad, Lahore Campus, Pakistan（拉合尔校区COMSATS伊斯兰堡大学（巴基斯坦））
本文提出一种基于语义记忆和本体的认知方法，使机器人能够根据用户隐含请求和环境上下文，在层次化任务树中选择并执行泡茶或做三明治等最合适技能，并通过Baxter机器人实验验证了其有效性。
2023-09-22 cs.RO
Nonsmooth optimal value and policy functions in mechanical systems subject to unilateral constraints
University of Washington（华盛顿大学）
最优控制的最新方法使用值和策略函数的平滑近似以及用于改进近似器参数的基于梯度的算法。不幸的是，我们表明，价值和政策的功能，出现在最优控制的机械系统受到单边约束-即接触丰富的动态机器人运动和操作-一般是不光滑的，由于表现出不连续或分段可微轨迹的结果的基本动态。简单的机械系统被用来说明这一结果和最优控制的接触丰富的机器人动力学的影响。
2019-08-27 cs.RO
Hierarchical Planning and Policy Shaping Shared Autonomy for Articulated Robots
McGill University（麦吉尔大学）；Simon Fraser University（西蒙菲莎大学）
本文提出一种面向关节型机器人的共享自主框架，结合分层规划、策略塑造和条件VAE建模人类内部状态，实现从完全自主到完全手动的滑动自主，并在伐木归堆机任务中验证了其对不同技能水平和噪声非合作人类的有效性。
2023-07-04 cs.RO
LLM-Based Generalizable Hierarchical Task Planning and Execution for Heterogeneous Robot Teams with Event-Driven Replanning
Department of Mechanical Engineering, IIT Gandhinagar（印度加尔各直辖区理工学院机械工程系）；Sahyadri College of Engineering and Management（萨哈亚德里工程与管理学院）；Vishwakarma Institute of Information Technology（维什瓦克arma信息技术学院）
提出CoMuRoS架构，结合集中式规划与分布式执行，通过LLM解释自然语言目标、分配子任务，并支持事件驱动重规划，在硬件实验中实现自主恢复和协调运输。
2026-06-23 cs.RO
Multi-View Active Sensing for Human-Robot Interaction via Hierarchically Connected Tree
School of Mechanical Engineering Shanghai Jiao Tong University Shanghai, China, 200240 Email
针对人机交互中单相机视野受限和遮挡问题，提出基于层级连接树的多相机主动感知系统，融合RGB-D数据提升关键部位识别召回率，并增强机械臂避障能力。
2024-03-19 cs.RO
Hierarchical Intention Tracking with Switching Trees for Real-Time Adaptation to Dynamic Human Intentions during Collaboration
Department of Electrical and Computer Engineering at the University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系）
本研究提出分层意图跟踪（HIT）算法，以任意深度意图树表示人类意图，通过贝叶斯滤波等实现多层动态意图实时跟踪，并开发可切换任务树的协作机器人系统，在装配任务中兼顾效率、舒适度与安全，提升用户信任。
2025-06-17 cs.RO
Vision-Based Fuzzy Control System for Smart Walkers: Enhancing Usability for Stroke Survivors with Unilateral Upper Limb Impairments
University of Alberta（阿尔伯塔大学）；Institute for Smart Augmentative and Restorative Technologies and Health Innovations (iSMART)（智能增强与修复技术及健康创新研究所（iSMART））
本文提出一种基于模糊控制算法和肩部外展角度的智能助行器，通过集成力传感器和立体相机，有效解决了单侧上肢损伤中风患者使用传统助行器的困难，显著降低了腕部扭矩并提升了用户舒适度。
2025-02-01 cs.RO cs.SY eess.SY
A Hierarchical Architecture for Human-Robot Cooperation Processes
University of Genoa（热那亚大学）
在本文中，我们提出了FlexHRC+，一个层次化的人机合作架构，旨在提供协作机器人的高度自治时，支持人类操作员在高可变性车间任务。该体系结构包括三个层次，即感知，表示和行动。建立在以前的工作，在这里，我们专注于（i）在循环决策过程中的操作的协作机器人应对人类操作员进行的行动的变化，和（ii）的代表性水平，集成了一个分层的AND/OR图，其在线行为正式指定使用一阶逻辑。该架构是伴随着实验，包括协同家具装配和对象定位任务。
2020-09-06 cs.AI cs.HC cs.RO
Hierarchical Procedural Framework for Low-latency Robot-Assisted Hand-Object Interaction
Bio-Inspired Robotics Lab, Department of Engineering, University of Cambridge（剑桥大学工程系生物启发机器人实验室）；Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系）；Eastern Institute of Technology, Ningbo, Zhejiang（宁波工程技术学院）
本文提出一个分层程序化框架，通过RGB三维重建和运动原语实现机器人辅助手物交互，在远程场景中达到≤0.3秒延迟，并展示了在辅助技术中的应用潜力。
2025-07-09 cs.LG cs.RO
Rough-Terrain Locomotion and Unilateral Contact Force Regulations With a Multi-Modal Legged Robot
Northeastern University（东北大学）
尽管足式机器人的设计者取得了许多成就，但最先进的双足机器人容易摔倒，不能通过极其粗糙的地形，也不能直接调节单侧接触力。我们的目标是在一个平台上集成腿式和空中机器人的优点。我们将表明，在一个双足足式机器人称为哈比的推进器可以利用稳定的机器人的正面动力学，并允许跳过大的障碍，这是一个不寻常的能力没有报道过。此外，我们将利用Harpy中的推进器动作，并将表明可以通过使用参考调速器（RGs）直接调节接触力来避免使用昂贵的基于优化的方案。我们将解决步态参数，并重新规划他们在步态周期只假设良好的调整监督控制器。然后，我们将专注于基于RG的微调关节所需的轨迹，以满足单边接触力的约束。
2021-03-29 cs.RO cs.SY eess.SY
Control of Humanoid in Multiple Fixed and Moving Unilateral Contacts
CNRS-University of Montpellier（法国国家科学研究中心-蒙彼利埃大学）；Honda Research Institute（本田研究所）；CNRS-AIST Joint Robotics Laboratory（法国国家科学研究中心-日本产业技术综合研究所联合机器人实验室）
强制平衡的多肢机器人在多个非共面单边接触设置是具有挑战性的，当一个子集的这种接触也引起运动任务。本文的第一个贡献是在提高计算性能的国家的最先进的几何质心包含基于平衡的方法集成在线任务空间全身控制框架的一部分。因此，我们的第二个贡献在于整合这样的平衡区域与相关的接触力分布，而无需预先计算目标质心。这最后一个功能是必不可少的，留给后者的自由，以更好地遵守其他现有的任务，没有捕获在经典的两级方法。我们通过HRP-4人形机器人的实验来评估我们所提出的方法的性能。
2021-10-21 cs.RO
Linear Time-Varying MPC for Nonprehensile Object Manipulation with a Nonholonomic Mobile Robot
University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）；University of Naples（那不勒斯大学）
本文提出了一种非完整移动机器人通过推动操作物体的技术，推动是一种非连续的操作运动基元。这种原语涉及与机器人和被操纵对象之间的摩擦相关联的单边约束。违反此约束会在操纵过程中产生对象的滑动，从而阻止正确完成任务。设计了一种线性时变模型预测控制，使控制行为中包含了适当的单边约束。该方法是通过先锋3-DX轮式机器人执行的推动操作的包装在动态仿真环境中进行验证。
2020-03-23 cs.RO
Episodic Memory Verbalization using Hierarchical Representations of Life-Long Robot Experience
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（人机学与机器人研究所，卡尔斯鲁厄理工学院）；Computer Science Department, Columbia University（计算机科学系，哥伦比亚大学）
本文提出了一种基于分层表示的机器人长期经验语言化方法，利用大规模预训练模型实现零样本学习，通过构建树状数据结构实现事件记忆的自然语言抽象，提升人机交互能力。
2025-08-14 cs.AI cs.RO
Learning to Forget -- Hierarchical Episodic Memory for Lifelong Robot Deployment
Institute for Anthropomatics and Robotics, Karlsruhe Institute for Technology（卡尔斯鲁厄理工学院人形机器人与机器人研究所）
本文提出H$^2$-EMV框架，通过用户交互帮助机器人学习选择性遗忘，以应对长期多模态感知存储限制，实验证明其在减少内存和查询时间的同时保持回答准确性，并随时间适应用户需求。
2026-04-13 cs.AI cs.RO
Proactive Hierarchical Control Barrier Function-Based Safety Prioritization in Close Human-Robot Interaction Scenarios
本文提出基于控制屏障函数的分层框架，用于在近距离人机交互中主动管理碰撞风险，通过实时安全约束优先级调整和深度感知实现安全协作。
2025-05-25 cs.RO cs.SY eess.SY
EDITH: Teaching Robot to Follow Nonverbal Human Intent from Egocentric Vision and Gaze
KAIST（韩国科学技术院）；Seoul National University（首尔国立大学）
提出EDITH框架，通过智能眼镜捕捉人类第一人称视角、注视和语言信号，设计分层策略将非语言信号与语言指令结合，实现更自然的人机交互，减少用户表达意图的负担。
2026-10-20 cs.AI cs.RO
Humanoid Control Under Interchangeable Fixed and Sliding Unilateral Contacts
Laboratory of Informatics, Robotics and Microelectronics (LIRMM), CNRS-University of Montpellier（信息学、机器人学与微电子实验室（LIRMM），法国国家科学研究中心-蒙彼利埃大学）；CNRS-AIST Joint Robotics Laboratory (JRL)（法国国家科学研究中心-日本产业技术综合研究所联合机器人实验室（JRL））；ANYbotics AG（ANYbotics公司）；CNRS（法国国家科学研究中心）
在这封信中，我们提出了一个全身控制策略，人形机器人在多接触设置，使固定和滑动接触之间的主动平衡下切换。我们计算，在实时的基础上，切比雪夫中心的接触点的安全质心位置和扳手分布。我们的解决方案被制定为一个二次规划问题，没有先验计算的平衡区域。我们评估我们的方法与实验突出固定和滑动接触模式之间的多接触配置的开关。一个人形机器人演示了从完全固定到多滑动以及脚的拖曳的这种接触互换。这些场景说明了我们的控制方案在实现所需的力，CoM位置吸引子和规划的轨迹，同时积极保持平衡的性能。
2021-03-04 cs.RO
Hierarchical Deep Learning for Intention Estimation of Teleoperation Manipulation in Assembly Tasks
University of California, Riverside（加州大学河滨分校）；Honda Research Institute（本田研究所）
本文提出一种分层深度学习方法，通过多尺度分层信息和多窗口预测机制，在装配任务遥操作中实现低层动作与高层任务的快速准确意图估计，并在VR仿真中验证其有效性。
2024-03-28 cs.AI cs.LG cs.RO
Unilateral Ground Contact Force Regulations in Thruster-Assisted Legged Locomotion
Northeastern University（东北大学）
本文研究了推力器辅助腿运动中地面接触力（GRF）的规律。我们将采用参考总督（RGs）执行GRF约束哈比模型，这是一个双足机器人，正在开发中的东北大学。基于优化的方法和全身控制被广泛用于在计算上非常昂贵的腿运动中强制执行无滑动约束。相比之下，RG可以通过使用可以更快地计算的李雅普诺夫稳定性参数来操纵联合参考轨迹来执行这些约束。在我们的模型中添加的推进器允许操纵步态参数和GRF而不牺牲运动稳定性。
2021-05-25 cs.RO
Hierarchical Learning for Modular Robots
Erle Robotics；Venta de la Estrella Kalea, 6；Vitoria-Gasteiz, Araba, Spain（01006 Vitoria-Gasteiz, Araba, Spain）
我们认为，分层方法可以成为模块化机器人实现可重构性的关键。我们提出了一个模块化的机器人，允许机器人同时学习多个任务的分层方法。我们的评估结果提出了一个由两种不同的模块化机器人配置，即3度的自由度（DoF）和4DoF与两个相应的目标组成的环境。在训练过程中，我们切换配置和目标，旨在评估训练神经网络，能够选择适当的运动原语和机器人配置，以实现目标的可能性。然后将训练好的神经网络在具有3DoF和4DoF配置的真实机器人上传输和执行。我们演示了这种技术如何推广到具有不同配置和任务的机器人。
2018-02-12 cs.RO
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
Prioritized Hierarchical Compliance Control for Dual-Arm Robot Stable Clamping
Ubtech Robotics Corp.（优必选机器人公司）；Tsinghua University（清华大学）；Beijing Innovation Center for Future Chips, Tsinghua University（清华大学北京未来芯片创新中心）
双臂机器人在人为环境中夹持刚性物体时，环境或协作的人会对被夹持物体或机器人手臂施加偶然的扰动，导致夹持失败，损坏机器人甚至伤害人。本研究提出一种优先阶层式顺应性控制，以同时处理双臂机器人夹持中的两种干扰。首先，我们使用分层二次规划（HQP）来解决机器人的逆运动学关节约束下，并优先考虑的对象上的干扰比在机器人手臂上的顺应性。其次，我们估计整个动量观测器与F/T传感器的干扰力，并采用导纳控制来实现顺应性。最后，我们进行了验证实验的14-DOF位置控制双臂机器人WalkerX，稳定夹持刚性物体，同时实现对干扰的顺应性。
2021-12-20 cs.RO
Implementation of a Hierarchical fuzzy controller for a biped robot
National Engineering School of Sfax, University of Sfax（斯法克斯大学斯法克斯国家工程学院）；Institute of Applied Sciences and technology of Sousse, University of Sousse（苏塞大学苏塞应用科学与技术研究所）
本文介绍了一种仿人机器人控制系统的设计。为机器人的行走周期指定控制。控制系统的实现是在Matlab Simulink上完成的。本文提出了一种递阶模糊逻辑控制器（HFLC）来控制平面行走。HFLC的设计灵感来自于人体运动系统。将该方法应用于五杆平面机器人进入自由区的无障碍控制。
2014-12-29 cs.RO
MuJoCable: Reduced-Order Surface-Routed Cable Transmission for Tendon-Driven Robots
MuJoCable为MuJoCo增加降阶缆传动模型，联合优化布线路径并映射张力，在滑轮基准误差低于0.5%，并揭示SpiRobs摩擦载荷增长，缩小模拟到现实的差距。
2026-09-11 cs.CE cs.RO
A Hierarchical Multi-Robot Mapping Architecture Subject to Communication Constraints
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；NASA Johnson Space Center（美国国家航空航天局约翰逊航天中心）
多机器人系统是一种有效的方法来探索和地图的未知环境。同时定位和地图绘制（SLAM）算法对于单个机器人系统是常见的，然而多个机器人可以共享各自的地图数据以便合并更大的全局地图。本论文致力于多机器人映射问题考虑的情况下，机器人有通信范围的限制。该体系结构协调一组机器人和中央服务器，通过利用分层选择结构来探索未知的环境。协调算法确保机器人的层次结构选择提供最大信息增益的边界点，同时通过自组织中继网络保持它们之间和中央计算机之间的可行通信。此外，机器人采用备份选择算法的情况下，当没有有效的边界点仍然通过安排通信中继网络作为火线回到源。这项工作有助于一个可扩展的，高效的，和强大的架构对混合多机器人映射系统，考虑到通信范围的限制。该体系结构进行了测试，在模拟环境中使用各种地图。
2021-02-02 cs.RO
Fast Motion Planning for High-DOF Robot Systems Using Hierarchical System Identification
University of Maryland at College Park（马里兰大学帕克分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个有效的算法运动规划和控制的机器人系统具有高的自由度。这些包括高自由度软体机器人或与可变形环境交互的关节式机器人。我们的方法考虑到动力学约束，并提出了一种新的技术，使用数据驱动的方法来加速前向动力学计算。我们预先计算机器人系统的前向动力学函数的分层自适应网格。此外，我们利用欠驱动机器人系统的属性，并执行这些计算的几个自由度。我们提供我们的近似正向动力学计算的误差范围，并使用我们的方法为基础的优化运动规划和基于学习的反馈控制。我们的配方是用于运动规划的两个高自由度机器人系统：一个高自由度线驱动的弹性机器人手臂和水下游泳机器人在水中操作。与基于精确动态函数计算的现有技术相比，我们观察到性能上的一到两个数量级的改进。
2018-10-05 cs.RO
MPC-Based Hierarchical Task Space Control of Underactuated and Constrained Robots for Execution of Multiple Tasks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种基于MPC的控制器，以有效地执行欠驱动和约束机器人系统的多层次任务。现有的任务空间控制器或全身控制器解决给定任务轨迹和机器人工厂动态的瞬时优化问题。然而，我们在这里提出的任务空间控制方法依赖于预测未来的状态轨迹和相应的成本去计算控制命令在有限的时间范围内的条款。我们采用加速能量误差作为优化问题的性能指标，并将其扩展到我们的MPC的有限时间范围内。我们的方法采用二次约束二次规划，其中包括二次约束来处理多个层次的任务，是计算效率比非线性MPC为基础的方法，依赖于非线性规划。我们验证了我们的方法，使用数值模拟的一种新型的机器人机械手系统，其中包含欠驱动和约束的机械结构。
2020-09-13 cs.RO
Experimental Evaluation of a Hierarchical Operating Framework for Ground Robots in Agriculture
Australian Centre for Field Robotics（澳大利亚现场机器人中心）；University of Sydney（悉尼大学）
为了使移动机器人有效地应用于现实世界的非结构化环境（如大规模农业），它们需要能够生成自适应计划，这些计划既要考虑有限的机载资源，又要考虑动态变化的存在，包括附近移动的个人。这项工作提供了一个真实世界的经验评估，我们提出的分层框架，长期自主的领域机器人，进行悉尼大学的Swagbot农业机器人平台。我们展示了框架以有效的方式导航非结构化和动态环境的能力，验证了其在大规模农业中的长期部署，以及在移动个体存在的情况下自主除草等任务。
2021-05-23 cs.RO
Task-priority Intermediated Hierarchical Distributed Policies: Reinforcement Learning of Adaptive Multi-robot Cooperative Transport
Graduate School of Information Science, Nara Institute of Science and Technology (NAIST)（奈良科学技术大学信息科学研究生院）；R-Frontier Division, Frontier Research Center, Toyota Motor Corporation（丰田汽车公司前沿研究中心R前沿部）
本文提出分层分布式多智能体强化学习框架TIHDP，利用动态任务优先级连接局部任务分配与机器人控制，实现数量变化场景下的自适应多机器人协作运输。
2024-04-02 cs.RO
Hierarchical Adaptive Loco-manipulation Control for Quadruped Robots
University of Southern California（南加州大学）
足式机器人在不平坦地形的导航中显示出显著的优势。然而，在四足机器人上实现有效的运动和操纵任务仍然具有挑战性。此外，对象和地形参数通常是未知的机器人在这些问题。因此，本文提出了一种分层自适应控制框架，使足式机器人执行本地操作任务，而无需任何给定的假设对象的质量，摩擦系数，或地形的坡度。在我们的方法中，我们首先提出了一个自适应操纵控制来调节接触力，以操纵未知地形上的未知物体。然后，我们介绍了一个统一的模型预测控制（MPC）的本地操作，考虑到我们的机器人动力学的操纵力。因此，建议MPC框架可以有效地调节机器人和物体之间的相互作用力，同时保持机器人的平衡。我们所提出的方法的实验验证成功地进行了Unitree A1机器人，允许它操纵一个未知的时变负载$7$ $kg$（$60\%$的机器人的重量）。此外，我们的框架能够快速适应未知的斜率（高达$20^\circ$）或具有不同摩擦系数的不同表面。
2023-03-11 cs.RO
Coordinated Robot Navigation via Hierarchical Clustering
University of Pennsylvania（宾夕法尼亚大学）
我们介绍了使用层次聚类轻松，确定性的协调和控制多个机器人。传统的无监督学习方法，层次聚类提供了一种形式主义的识别和表示空间内聚和隔离的机器人组在不同的分辨率，通过相关的配置的连续空间的组合空间的树。我们形式化和利用这种关系，开发计算有效的反应式算法，通过组合空间导航与几何实现的层次聚类方法的特定选择。这些结构产生计算有效的矢量场规划的层次不变，以及过渡导航的配置空间。我们将这些方法应用于集中式协调和控制的$n$完美地感测和致动的欧几里德领域中的$d$维的环境空间（任意$n$和$d$）。给定一个所需的配置，支持所需的层次结构，我们构造了一个混合控制器，这是二次的$n$和代数的$d$，并证明其执行带来的所有措施，但零集的初始配置所需的目标，保证沿途没有冲突。
2015-07-06 cs.RO
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México（墨西哥自治理工学院）
本文提出了一种多机器人运动规划方法，通过工作空间分解的离散搜索提高规划效率，核心方法是分层子问题扩展和工作空间分解细化，主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
Hierarchical Human-Motion Prediction and Logic-Geometric Programming for Minimal Interference Human-Robot Tasks
University of Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Technische Universität Berlin（柏林工业大学）
在本文中，我们解决的问题，人与机器人协调的操作任务序列。我们的方法将分层人体运动预测与任务和运动规划（TAMP）集成在一起。我们首先设计了一个分层的运动预测方法相结合的逆强化学习和短期运动预测使用递归神经网络。在第二步中，我们提出了一个动态版本的TAMP算法逻辑几何规划（LGP）。我们的动态LGP版本定期重新扫描，以处理人类运动预测和实际人类行为之间的不匹配。我们通过训练预测算法并在公开的MoGaze数据集上测试框架来评估该方法的有效性。
2021-07-05 cs.RO
HEXAR: a Hierarchical Explainability Architecture for Robots
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（机器人与信息工业研究所（CSIC-UPC））；PAL Robotics（PAL机器人技术公司）；University of Naples Federico II（那不勒斯费德里科二世大学）；Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC））
HEXAR通过分层可解释性架构提升机器人系统的透明度和可解释性，有效提高根因识别和运行效率。
2026-01-06 cs.RO
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
A Hierarchical fuzzy controller for a biped robot
National Engineering School of Sfax, University of Sfax（斯法克斯大学斯法克斯国家工程学院）
本文研究了递阶神经模糊系统作为PID控制的一种可能的解决方案。提出了一种分层递阶控制器，它包括多个子控制器，整个控制结构采用自适应神经模糊方法生成。所提出的分层系统的重点是关键作用，质心的位置在机器人中发挥，系统的子控制器产生他们的输出考虑到该关键点的位置。
2014-02-06 cs.RO
HierKick: Hierarchical Reinforcement Learning for Vision-Guided Soccer Robot Control
Tongji University（同济大学）；Shanghai Innovation Institute（上海创新研究院）；Shanghai Jiao Tong University（上海交通大学）；Jiangxi University of Finance（江西财经大学）；East China Normal University（华东师范大学）
HierKick通过双频分层强化学习框架，结合视觉检测与任务选择，实现足球机器人多时间尺度决策控制，提升复杂环境下的任务成功率。
2026-03-01 cs.RO
A Hierarchical Graph-Based Terrain-Aware Autonomous Navigation Approach for Complementary Multimodal Ground-Aerial Exploration
Robotics & AI Team, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能团队，计算机、电气与空间工程系，卢勒奥技术大学）
针对未知环境下地空机器人协同探索效率问题，提出基于分层图的地形感知导航方法，通过共享置信度指标协调部署，在地下场景中实现了更高效的互补式探索。
2025-05-20 cs.RO
Hierarchical Temporal Logic Task and Motion Planning for Multi-Robot Systems
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文针对多机器人系统，提出基于分层时序逻辑规范和凸集图方法的乘积图框架，解决任务分配未预定的TAMP问题，在保证可靠性与完备性的同时提升了求解效率与最优性。
2025-04-29 cs.RO
Instructing Hierarchical Tasks to Robots by Verbal Commands
Tampere University（坦佩雷大学）
本文提出一个通过口头指令向机器人下达分层任务的框架，将单条指令映射到动作与目标并支持长周期动作序列，实验验证了其在人机协作中的有效性。
2023-11-30 cs.RO
Hierarchical Multi-robot Strategies Synthesis and Optimization under Individual and Collaborative Temporal Logic Specifications
College of Electrical Engineering, Zhejiang University（浙江大学电气工程学院）
针对需满足个体与协作线性时序逻辑规范的多机器人时序任务规划问题，提出含任务分解分配、初始策略综合及分布式迭代调整的分层框架，经仿真验证具备良好可扩展性与优化效率。
2021-10-21 cs.RO
Hierarchical Needs Based Self-Adaptive Framework For Cooperative Multi-Robot System
University of Georgia（佐治亚大学）
在多机器人和群体系统的研究已经看到了显着的兴趣在复杂和动态环境中的代理合作。为了有效地适应未知环境，使群体效用最大化，机器人需要合作，共享信息，并根据具体场景制定合适的计划。受马斯洛需求层次理论和系统理论的启发，本文引入机器人需求层次理论，提出了一种新的解决方案--自适应群体系统（SASS）。它结合了多机器人的感知，通信，规划和执行与冲突的合作管理，通过一个分布式的协商协议机制，优先考虑机器人的需求。我们还通过几个原子操作，如选择，形成和路由，将复杂的任务分解成简单的可执行行为。我们评估SASS通过模拟静态和动态任务，并将它们与最先进的碰撞感知任务分配方法集成到我们的框架。
2020-08-29 cs.RO
Hierarchical LLMs In-the-Loop Optimization for Real-Time Multi-Robot Target Tracking under Unknown Hazards
GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）；Department of Electrical and Computer Engineering, Drexel University（德雷塞尔大学电气与计算机工程系）；Department of Computer Science, University of Southern California（南加州大学计算机科学系）
针对未知危险下实时多机器人目标跟踪的协同需求，提出分层优化框架将LLMs集成到决策环，通过LLMs推理危险与团队状态、调整双层优化参数实现实时行为调整，经仿真与实机实验验证有效性及LLMs安全集成能力。
2025-11-17 cs.RO
Mobile Pedipulation for Object Sliding via Hierarchical Control on a Wheeled Bipedal Robot
Department of Robotics, University of Michigan（密歇根大学机器人系）
提出一种分层控制框架，使轮式双足机器人能用腿部滑动平面物体，通过简化三刚体动力学模型和轨迹优化运动规划器，在实验中成功实现1kg物体取回和4kg物体滑动。
2026-06-18 cs.RO
Hierarchical control strategy for planar bipedal walking robots based on reduced order model
Korea Institute of Science and Technology（韩国科学技术研究院）；UNIVERSITY OF SCIENCE AND TECHNOLOGY（科学技术大学）
在这项工作中，基于模板控制的双足机器人的分层控制策略进行了描述。柔性腿的轴向力被重定向到一个点，称为虚拟枢轴点（VPP），一个2D的机器人，这是位于CoM的模型，以产生一个恢复力矩的躯干运动。由此产生的模型行为将类似于围绕该VPP旋转的虚拟钟摆，从而在行走期间瞄准直立的躯干。受此分析的启发，我们提出了一种新的力重定向方法作为机器人行走的控制器。然后，这些关键功能的BTSLIP模型与一个简单的力方向控制器被映射到关节体机器人通过任务空间控制器的整体输入转矩。我们考虑了一个完整的动态仿真的2D关节体机器人随机初始条件下，存在的力干扰和适度粗糙的表面，以验证所提出的方法的性能。此外，与我们的控制策略，机器人实现了稳定的步行运动，同时保持其上身直立，而不使用优化方法。我们假设通过利用机械模板的属性，也称为降阶模型，这可以使稳定的步态的完整模型机器人，而不需要精确的路径规划。
2023-02-12 cs.RO
Balancing experiments on a torque-controlled humanoid with hierarchical inverse dynamics
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Southern California（南加州大学）
最近几个层次的逆动力学控制器的基础上级联的二次规划已被提出应用于力矩控制机器人。他们有重要的理论上的好处，但从来没有被实施的扭矩控制的机器人模型不准确和实时计算的要求可能是有问题的。在这方面的贡献，我们提出了一个实验评估这些算法的背景下，平衡控制的人形机器人。所提出的实验证明了该方法在真实机器人条件下（即模型不确定性，估计误差等）的适用性。我们提出了一个简化的优化问题，使我们能够减少计算时间，足以实现它在一个快速的转矩控制回路。我们实现了一个基于动量的平衡控制器，它在面对未知的干扰，即使当机器人是站在只有一只脚表现出强大的性能。在第二个实验中，跟踪任务进行评估，以证明更复杂的层次结构的控制器的性能。我们的研究结果表明，分层逆动力学控制器可以用于人形机器人的反馈控制和基于动量的平衡控制可以有效地实现对一个真正的机器人。
2014-11-07 cs.RO
Hierarchical and State-based Architectures for Robot Behavior Planning and Control
University of Bonn（波恩大学）
本文提出了两种跨平台C++框架形式的自主智能体行为控制体系结构：状态控制器库和行为控制框架。前者是基于状态的，并概括了状态和有限状态机的概念，以允许多动作规划，后者是基于行为的，并利用层次结构和抑制的概念，以允许动态转换。这两个框架具有完全独立的实现，但可以有效地协同使用，以解决所有粒度级别上的行为控制问题。这两个框架都被用来控制NimbRo-OP，这是一个由波恩大学NimbRo团队开发的人形足球机器人。
2018-09-28 cs.RO
Contact Optimization for Non-Prehensile Loco-Manipulation via Hierarchical Model Predictive Control
University of Southern California（南加州大学）
最近的研究集中在四足机器人的运动或移动操作使用的机器人手臂。足式机器人可以操纵较重和较大的物体使用非弹性操作原语，如平面推动，驱动对象到所需的位置。在本文中，我们提出了一种新的分层模型预测控制（MPC）的接触优化的操作任务。使用两个级联的MPC，我们分裂的本地操作问题分为两部分：第一，以优化机器人和物体之间的接触力和接触位置，第二，通过机器人运动调节所需的相互作用力。我们的方法是成功地验证了在仿真和硬件实验。虽然基线运动MPC未能遵循所需的轨迹的对象，我们提出的方法可以有效地控制对象的位置和方向，以最小的跟踪误差。这种能力也使我们能够执行避障的机器人和对象在本地操作任务。
2022-10-07 cs.RO
