Exploring the Intrinsic Geometry of Diffusion Models with Constrained Inverse Kinematics
Institute for Aerospace Studies, University of Toronto(航空航天研究所以及多伦多大学)
通过约束逆运动学问题,研究扩散模型能否恢复数据流形的内在几何结构,实验表明模型得分函数恢复的内在维度与解析自由度匹配,且潜在空间线性插值保持约束流形结构。
2026-10-16 cs.RO
ReVAMP: Vector-Accelerated Motion Planning for Kinematically-Constrained Systems via Reparameterization
Purdue University(普渡大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出ReVAMP,一种基于解析逆运动学重参数化规划空间的向量化运动规划方法,通过暴露并行性解决现有低效问题,在高达20维复杂约束系统中实现比最先进技术快10倍的微秒级规划,并促进顺序操作流程的重组。
2026-09-25 cs.RO
Modeling, Vibration Control, and Trajectory Tracking of a Kinematically Constrained Planar Hybrid Cable-Driven Parallel Robot
University of Waterloo(滑铁卢大学)
本文提出了一种运动学约束平面混合缆驱动并联机器人(HCDPR)的仓储应用以及其他潜在的应用,如康复。建议HCDPR可以利用串行和电缆驱动的并联机器人的优势和好处。基于此机器人平台,在本文中的目标是开发一个集成的控制系统,以减少振动,提高轨迹精度和性能的HCDPR,包括推导运动学和动力学方程,提出解决方案的冗余分辨率和刚度优化,并开发两个运动和振动控制策略(控制器I和II)。最后,通过不同的案例研究来评估控制器的性能,结果表明,控制器II可以更好地实现目标。
2020-12-27 cs.RO cs.SY eess.SY
Autonomous Field-of-View Adjustment Using Adaptive Kinematic Constrained Control with Robot-Held Microscopic Camera Feedback
Department of Mechanical Engineering, the University of Tokyo(东京大学机械工程系);Department of Electrical and Electronic Engineering, the University of Manchester(曼彻斯特大学电子与电气工程系)
提出一种基于机器人持显微镜相机反馈的自适应运动学约束控制方法,通过将相机外参纳入运动学模型并结合U-Net工具跟踪进行实时调整,有效提升了毫米级操作中相机视场保持的准确性与时间占比。
2024-03-29 cs.RO
Kinematically Constrained Human-like Bimanual Robot-to-Human Handovers
Technische Universität Darmstadt(达姆施塔特工业大学);German Research Center for AI(德国人工智能研究中心);Hessian Center for AI(黑森州人工智能中心)
本文提出基于隐半马尔可夫模型和任务空间约束生成运动学受限的类人双臂机器人交接动作,实验显示其比逆运动学基线更自然。
2024-02-22 cs.HC cs.LG cs.RO
Online path planning for kinematic-constrained UAVs in a dynamic environment based on a Differential Evolution algorithm
Universidade Federal de Minas Gerais, UFMG(巴西米纳斯吉拉斯联邦大学)
本文提出了一种基于微分进化算法的动态环境中无人机路径规划方法,通过NURBS路径表示和速度障碍方法概念,解决运动约束和动态障碍物问题。
2024-10-24 cs.NE cs.RO
Robotic Tool Tracking under Partially Visible Kinematic Chain: A Unified Approach
University of California San Diego(加州大学圣迭戈分校)
任何时候,通过视觉反馈控制机器人操纵器,机器人和摄像机框架之间的转换必须是已知的。然而,在摄像机只能捕获机器人操纵器的一部分以便更好地感知与之交互的环境的情况下,对基座到摄像机变换的校准中的误差存在更大的敏感度。机器人控制期间不确定性的第二个来源是关节角度测量的不准确性,这可能是由定位偏差和复杂的传动效应(如反冲和电缆拉伸)引起的。在这项工作中,我们把这两组未知参数到一个统一的问题制定时,运动链是部分可见的相机视图。我们证明了这些参数是不可识别的,这意味着显式估计它们是不可行的。为了克服这一点,我们推导出一组较小的参数,我们称之为集总误差,因为它将校准和关节角度测量的误差集中在一起。粒子滤波方法,并在模拟和两个现实世界的机器人估计集中误差,并显示此参数减少的效率进行了测试。
2021-09-06 cs.RO
On Solving the Dynamics of Constrained Rigid Multi-Body Systems with Kinematic Loops
Disney Research Imagineering(迪士尼研究创意部门)
本报告评估了含运动学环和硬接触的约束刚性多体系统模拟方法,提出基准框架并实验对比了多种NCP求解器的性能。
2025-04-28 cs.RO
Prioritized Kinematic Control of Joint-Constrained Head-Eye Robots using the Intermediate Value Approach
University of Texas at Austin(德克萨斯大学奥斯汀分校)
现有的头眼机器人凝视控制器只能处理单个注视点。在这里,提出了一种通用的头眼机器人控制器,能够执行笛卡尔空间中的同步和优先的固定轨迹。这使得能够指定具有优先级的多个操作空间行为,使得低优先级头部定向任务的执行不会干扰较高优先级的眼睛注视任务的满足。通过我们的方法,头眼机器人固有地获得仿生前庭眼反射(VOR),这是自我生成的运动下的凝视稳定的能力。所描述的控制器利用递归零空间投影来编码联合限制约束和任务优先级。为了处理关节限制任务作为约束插入或移除时出现的解不连续性,应用中间期望值(IDV)方法。实验验证的控制器的属性与梦想家人形机器人。我们的贡献是(1)制定一个理想的凝视任务作为一个操作空间定向任务,(2)IDV方法的应用细节,优先级的头眼机器人控制器,可以处理中间关节约束,和(3)最小加加速度规范的行为和轨迹生成笛卡尔空间。
2018-09-24 cs.RO
Mirror-Descent Inverse Kinematics for Box-constrained Joint Space
National Institute of Informatics (NII)(国立信息学研究所);The Graduate University for Advanced Studies (SOKENDAI)(综合研究大学院大学(SOKENDAI));Nara Institute of Science and Technology(奈良科学技术研究所)
本文提出MD-IK方法,将镜像下降与盒约束关节空间结合,并引入$ε$-clamping和加速技术,以低计算成本实现人形机器人更稳定快速的逆运动学求解。
2022-12-08 cs.RO
Prioritized motion-force control of constrained fully-actuated robots: "Task Space Inverse Dynamics"
Istituto Italiano di Tecnologia(意大利理工学院)
我们提出了一个新的框架优先多任务的运动力控制的全驱动机器人。这项工作是建立在仔细审查和比较的最先进的状态。一些控制框架是不是最佳的,也就是说,他们没有找到最佳的解决方案的次要任务。其他框架是最佳的,但它们在运动学水平上解决控制问题,因此它们忽略了机器人动力学,并且它们不允许力控制。还有其他框架是最优的,并考虑了力控制,但它们的计算效率低于我们的。我们的最终主张是,对于全驱动机器人,计算操作空间逆动力学相当于计算逆运动学(在加速度水平),然后关节空间逆动力学。由于这一事实,我们的控制框架可以有效地计算最优解解耦运动学和动力学的机器人。我们考虑到:运动和力控制,软接触和刚性接触,自由和受约束的机器人。仿真测试验证了我们的控制框架,比较它与其他国家的最先进的等效框架,并表现出显着的改进,在最优性和效率。
2014-10-14 cs.RO
PAKE: Learning Whole-Body Loco-Manipulation with Partial Kinematic Embeddings
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Korea Advanced Institute of Science and Technology(韩国科学技术院);ETH Zurich(苏黎世联邦理工学院)
研究针对高自由度机器人全身移动操作面临的挑战,提出将其分解为部分参考运动生成和低级模仿控制的框架,用KNF模型生成参考运动,经高低级控制器实现精确控制,在模拟和硬件实验中均表现优异,为相关操作提供实用方案。
2026-10-21 cs.RO
A Classification of Configuration Spaces of Planar Robot Arms with Application to a Continuous Inverse Kinematics Problem
University of Pennsylvania(宾夕法尼亚大学)
利用多边形的模空间拓扑的结果[Jaggi,92; Kapovich和Millson,94],可以表明,对于具有$n$段的平面机器人臂,存在一些基本长度值$z$,在这些值处,约束臂的配置空间在其他值处,受约束的配置空间(其末端执行器固定的臂)具有两个断开的分量,而在其他值处,受约束的配置空间具有一个连接分量。我们首先回顾这些已知的结果。然后,本文解决的主要设计问题是对任意机器人手臂的连续逆运动学的建设,与属性,这两个逆运动学同意时,约束配置空间有一个单一的连接组件,但他们给不同的配置(一个在每个连接组件)时,约束臂的配置空间有两个组件。这种设计是可能的基本理论贡献在本文中-机器人手臂的配置空间的分类,这样的路径的类型,系统(机器人手臂)通过某些临界值的正向运动学函数是完全确定的类的配置空间的手臂所属。该分类结果使得上述设计问题易于处理,使得足以为每类位形空间(总共三个)设计一对逆运动学。我们讨论了这项工作的动机,这来自一个更广泛的问题,运动规划的机器人手臂的末端执行器,需要我们不断采样的配置从每个连接组件的约束配置空间。我们通过一个基于JavaScript + HTML5的实现证明了所提出的算法的低复杂性,该实现可在http://hans.math.upenn.edu/~subhrabh/nowiki/robot_arm_JS-HTML5/arm.html上获得
2014-08-29 cs.RO math.DG
Estimating Lower Limb Kinematics using a Lie Group Constrained EKF and a Reduced Wearable IMU Count
UNSW Sydney(悉尼新南威尔士大学);University College Dublin(都柏林大学)
本文提出了一种算法,使新的使用李群表示的位置和方向旁边的约束扩展卡尔曼滤波器(CEKF),以准确地估计骨盆,大腿,小腿运动学在步行过程中使用只有三个可穿戴的惯性传感器。该算法迭代预测更新(运动学方程)、测量更新(骨盆高度、零速度更新、平坦地板假设和协方差限制器)和约束更新(铰链膝关节和球窝髋关节的公式化)。本文还描述了一种新的李群公式的假设,实现在所述的测量和约束更新。对9名在$4 \times 4$和$^2$房间内自由行走的健康受试者进行的算法评价显示,自由行走时矢状面中的膝关节和髋关节角度均方根误差(RMSE)分别为$10.5 \pm 2.8^\circ$和$9.7 \pm 3.3^\circ$,而相关系数(CC)分别为$0.89 \pm 0.06$和$0.78 \pm 0.09$。评估表明,在减少传感器数量的配置下,李群表示在惯性运动捕获中的应用前景广阔,提高了估计(即,关节角度RMSE和CC)进行动态运动,并使我们的非线性生物力学约束能够更好地收敛。为了进一步提高性能,需要有关骨盆和踝关节运动学的额外信息。
2020-05-29 cs.RO cs.SY eess.SY
RCM-Constrained Manipulator Trajectory Tracking Using Differential Kinematics Control
Center for Artificial Intelligence and Robotics (CAIR), New York University Abu Dhabi (NYUAD)(纽约大学阿布扎比分校人工智能与机器人中心(CAIR));Electrical Engineering, NYUAD(纽约大学阿布扎比分校电气工程系)
针对RA-MIS中的RCM约束问题,提出基于微分运动学的算法约束控制方法,利用考虑RCM误差的可操作性指数选择起始构型,并通过电磁跟踪验证其轨迹跟踪有效性。
2024-09-09 cs.RO math.OC
Sampling Strategies for Path Planning under Kinematic Constraints
INRIA Rhône-Alpes(法国国立信息学与自动化研究院罗讷-阿尔卑斯研究中心)
概率路径规划器的一个众所周知的弱点是所谓的窄通道问题,其中必须探索具有相对较低的被采样概率的区域以找到解路径。已经提出了许多策略来缓解这个问题,其中大多数基于偏置采样分布。当问题中出现运动学约束时,位形空间通常变成不可参数化的隐式流形。不幸的是,这使大多数现有的采样偏差方法无效,这些方法依赖于空间的显式参数化来探索。在本文中,我们提出并评估了三种新的策略,以偏置下的存在下,在运动学约束系统的狭窄通道的采样。
2014-07-09 cs.RO
Trajectory optimization for a class of robots belonging to Constrained Collaborative Mobile Agents (CCMA) family
ETH Zurich(苏黎世联邦理工学院)
我们提出了一类新的机器人属于约束协作移动代理(CCMA)家庭,其中包括地面移动基地与非完整约束。此外,这些移动机器人是由闭环运动链组成的旋转关节,可以是被动的或驱动的约束。我们还描述了一种新的轨迹优化方法,这是一般的移动机器人的数量,拓扑结构的闭环运动链和放置在转动关节的致动器。我们还扩展了独立的轨迹优化方法,以同时优化设计参数和控制策略。我们描述了各种CCMA系统的例子,在模拟中,不同的设计,拓扑结构,移动机器人的数量和驱动空间。以CCMA系统为例,给出了固定设计参数的独立轨迹优化的仿真结果。我们还展示了这种方法可以用于任务以外的末端执行器定位,如内部碰撞避免和外部避障。在仿真中,并行设计和控制策略优化被证明,以增加CCMA系统的工作空间和操纵能力。最后,通过两个由3个履带式移动基座组成的4自由度样机对轨迹优化方法进行了实验验证。
2019-10-12 cs.RO
Constrained Whole-Body Tracking for Humanoid Robots
Stanford University(斯坦福大学);NVIDIA Research(NVIDIA研究)
提出 ConstrainedMimic 框架,结合操作空间控制与控制障碍函数,在强化学习跟踪策略中实现实时约束满足,用于人形机器人全身运动跟踪与遥操作。
2026-10-15 cs.RO
WaveSync: Constrained Wavefront Optimization for Synchronized Co-Speech Gestures in Humanoid Robots
University of Engineering and Technology, Vietnam National University(越南国立大学工程与技术大学);School of Information Science, Japan Advanced Institute of Science and Technology(日本先端科学技术大学院大学信息科学学院);School of Electronics and Computer Science, University of Southampton(南安普顿大学电子与计算机科学学院);Department of Robotics, Hanyang University(汉阳大学机器人学系)
提出WaveSync框架,利用大语言模型分解语义并构建重要性波,通过动态运动基元生成手势轨迹,再经波前优化实现手势与语音的峰值同步,同时满足运动学约束,在五组对话场景中优于基线方法。
2026-09-03 cs.RO
Visual-Inertial Localization for Skid-Steering Robots with Kinematic Constraints
Zhejiang University(浙江大学);Alibaba-Zhejiang University Joint Institute of Frontier Technologies(阿里巴巴-浙江大学前沿技术联合研究院)
虽然视觉定位或SLAM在过去的几十年里取得了很大的进展,但在实际应用中,当将其部署在移动机器人上时,很少有工作在设计状态估计器时明确考虑真实机器人系统的运动学(或动力学)约束。为了促进当前国家的最先进的视觉惯性定位算法的实际部署,在这项工作中,我们提出了一个低成本的运动学约束定位系统,特别是一个滑移转向移动机器人。特别是,我们推导出一个原则的方式的机器人的运动学约束的基础上的瞬时旋转中心(ICR)模型,并将它们以紧密耦合的方式集成到基于滑动窗口光束法平差(BA)的视觉惯性估计。由于ICR模型参数是随时间变化的,例如,轨道与地形的相互作用和地形粗糙度,我们估计这些运动学参数在线随着导航状态。为此,我们进行深入的可观测性分析,并确定运动条件下的状态/参数估计是可行的。所提出的运动学约束的视觉-惯性定位系统已经在不同的地形场景中得到了广泛的验证。
2019-11-13 cs.CV cs.RO
Learning Diverse Robot Striking Motions with Diffusion Models and Kinematically Constrained Gradient Guidance
Institute of Robotics and Intelligent Machines (IRIM), Georgia Institute of Technology(佐治亚理工学院机器人与智能机器研究所);Google DeepMind(谷歌DeepMind)
针对机器人学习样本效率低、难处理多样化行为数据及难融入约束的问题,提出一种离线、约束引导的扩散建模方法,通过运动学约束梯度引导技术指导采样,在模拟空气曲棍球和真实乒乓球任务中分别提升25.4%阻挡率和17.3%成功率。
2025-04-17 cs.LG cs.RO
PhysV2A: Reachability-Gated and Semantic-Mask-Constrained Feasibility Completion for Video-to-Robot Manipulation
School of Automation, Guangdong University of Technology(广东工业大学自动化学院);University of Liverpool(利物浦大学);Department of Computing, The Hong Kong Polytechnic University(香港理工大学计算学系)
研究如何将视频衍生的6D对象运动转换为机器人可执行轨迹,提出PhysV2A框架,通过可达性门控选择和语义掩码约束细化可操作性,经真实机器人实验验证,该框架能提升任务成功率、减少运动可行性失败并产生更好轨迹。
2026-07-13 cs.RO
Task-Space Constrained Stochastic Trajectory Optimization for Time-Optimal Forestry Crane Motion Planning
Automation & Control Institute (ACIN), TU Wien(自动化与控制研究所,维也纳工业大学);Center for Vision, Automation & Control, AIT Austrian Institute of Technology GmbH(视觉、自动化与控制中心,奥地利技术研究院有限公司)
针对液压泵流量约束下的林业起重机运动规划问题,提出TSC-VP-STO算法,通过任务空间约束联合优化轨迹与终端配置冗余自由度,相比基线算法平均轨迹时长减12 - 15%,泵流量利用改善,且经实际部署验证。
2026-07-21 cs.RO
Estimating Lower Body Kinematics using a Lie Group Constrained Extended Kalman Filter and Reduced IMU Count
目标:本文提出了一种算法,估计骨盆,大腿,小腿和脚的运动学在步行过程中,只有两个或三个可穿戴惯性传感器。方法:该算法采用了基于李群的扩展卡尔曼滤波器。该算法迭代预测(运动学方程)、测量(骨盆位置伪测量、零速度更新和平坦地板假设)和约束更新(铰链膝关节和踝关节、恒定腿长)。结果如下:惯性运动捕捉算法在两个数据集上进行了广泛的评估,这两个数据集显示了其相对于光学运动捕捉中的两个标准基准方法的性能(即,插入式步态(常用于步态分析)和运动学拟合(常用于动画、机器人和肌肉骨骼模拟)),深入了解不同应用领域中使用的所述方法之间的相似性和差异。我们的算法($n=14$参与者)自由行走的总体平均身体节段位置(相对于骨盆中部原点)和方向误差幅度为$5.93 \pm 1.33$ cm和$13.43 \pm 1.89^\circ$(当使用放置在足部和骨盆上的三个IMU时),以及$6.35 \pm 1.20$ cm和$12.71 \pm 1.60^\circ$(当仅使用放置在足部上的两个IMU时)。结论:该算法能够很好地跟踪直线行走的矢状面中的关节角度,但需要改进无脚本运动(例如,转身,侧步),尤其是对于动态运动或考虑临床应用时。意义:这项工作使我们更接近使用鞋子上的IMU进行全面的远程步态监测。低计算成本也表明它可以与步态辅助设备实时使用。
2021-03-21 cs.RO cs.SY eess.SY
Learning Descriptor of Constrained Task from Demonstration
University of Innsbruck(因斯布鲁克大学)
受约束的对象(如门和抽屉)通常很复杂,并且在人类环境中具有相似的结构。机器人需要与受约束的物体精确交互,以安全成功地完成任务。示教学习为未知任务的未知对象提供了一条学习示教对象结构的合适途径。存在从运动中提取运动学模型的工作。然而,当机器人面对一个新的对象具有类似的模型,但不同的背景下,例如,大小,外观等,在本文中,我们提出了一个框架,集成了所有需要学习的约束运动从深度相机到约束任务的描述符的信息。描述子由目标信息、抓取点模型、约束模型和参考系模型组成。通过将约束学习和参考系与约束对象相关联,我们证明了机器人可以从演示中学习书籍打开模型和约束参数,并推广到新的书籍。
2021-03-17 cs.RO
A Constrained Saddle Search Approach for Constructing Singular and Flexible Bar Frameworks
Columbia University(哥伦比亚大学);Syracuse University(Syracuse大学);The University of British Columbia(不列颠哥伦比亚大学)
针对机器人运动学中奇异构型引发的控制失效等问题,提出将杆系框架奇异性建模为约束流形鞍点的约束鞍点搜索方法,可发现未知奇异柔性杆系框架,为机器人设计分析提供新见解。
2025-10-29 cs.RO math-ph math.MP
Physiologically Constrained Musculoskeletal Neural Network for Multi-DoF Joint Kinematics Estimation from Partially Observed sEMG
University of Manchester(曼彻斯特大学);Southern University of Science and Technology(南方科技大学)
提出一种肌肉骨骼神经网络(MSK-NN),结合CNN和肌肉骨骼前向动力学模块,在部分观测表面肌电信号下估计多自由度关节角度,并通过复合损失函数实现生理合理激活推断。
2026-06-05 cs.RO cs.SY eess.SP
Bionic Reflex Control Strategy for Robotic Finger with Kinematic Constraints
Department of Mechanical Engineering(机械工程系);Indian Institute of Technology Kharagpur(印度理工学院卡里格普分校);Indian Institute of Technology Guwahati(印度理工学院古瓦哈蒂)
本文提出了一种用于具有运动学约束的机械手指的仿生反射控制策略,通过力跟踪阻抗控制策略实现仿生反射,减少手指的动力学模型并讨论了允许精确力跟踪的阻抗控制策略,展示了单指在平面上支撑矩形物体的仿真结果,反射响应时间在毫秒级。
2018-08-06 cs.RO cs.SY eess.SY
Inducing Multi-Convexity in Path Constrained Trajectory Optimization for Mobile Manipulators
University of Tartu(塔尔图大学);Tampere University(坦佩雷大学);Johannes Kepler University(约翰内斯·开普勒大学)
本文提出了一种新的基于末端路径、碰撞避免和各种运动学约束的移动机械手轨迹优化算法。我们的主要贡献在于展示了这个高度非线性和非凸的问题可以作为一个序列的凸无约束二次规划(QP)来解决。这是通过重新制定的非线性约束所产生的机械手运动学和它的耦合与移动基地的多仿射形式。然后,我们使用交替方向乘法(ADMM)的技术制定和解决的轨迹优化问题。建议的ADMM有两个类似的非凸步骤。重要的是,可以为它们中的每一个导出凸代理。我们展示了我们的优化的大部分可以并行解决,提供了利用多核CPU/GPU的可能性。我们验证我们的轨迹优化在不同的基准示例。具体来说,我们强调它是如何解决的周期性瓶颈,并提供了一个整体的方法,可以通过权衡不同方面的机械手和移动基础运动的轨迹集。
2019-04-22 cs.RO math.OC
Multi-vehicle Conflict Resolution in Highly Constrained Spaces by Merging Optimal Control and Reinforcement Learning
University of California at Berkeley(加州大学伯克利分校)
我们提出了一种新的方法来解决问题的多车辆冲突解决在高度受限的空间。一个最优控制问题,制定纳入非线性,非完整的车辆动力学和精确的防撞约束。首先在简化的离散环境中使用强化学习(RL)学习配置策略,然后使用这些策略来塑造原问题的约束空间,从而获得问题的解决方案。仿真结果表明,我们的方法可以探索有效的行动,以解决冲突在有限的空间,并产生灵巧的机动,是无碰撞和运动学上可行的。
2022-11-10 cs.RO cs.SY eess.SY
IKSPARK: Obstacle-Aware Inverse Kinematics via Convex Optimization
Department of Mechanical Engineering, Boston University(波士顿大学机械工程系)
IKSPARK通过凸优化解决机器人逆运动学问题,利用半正定规划和秩最小化方法,在复杂约束下实现高精度解,尤其在障碍物密集环境中表现优异。
2026-04-30 cs.RO cs.SY eess.SY