Hey Robot, Which Way Are You Going? Nonverbal Motion Legibility Cues for Human-Robot Spatial Interaction
University of British Columbia(不列颠哥伦比亚大学);Monash University(莫纳什大学)
移动机器人最近已被部署在公共场所,如购物中心,机场和城市人行道。这些机器人中的大多数被设计成具有人类感知的运动规划能力,但并不被设计成与行人交流。遇到这些机器人的行人如果事先不了解机器人的行为,可能会感到不适、困惑和延迟社会接受。在这项工作中,我们设计和评估的非语言机器人运动易读性线索,沟通移动机器人的运动意图给行人。我们比较了使用投射箭头的运动易读性提示和使用闪烁灯光的运动易读性提示。我们设计的线索,沟通路径信息,目标信息,或两者兼而有之,并探讨了不同的机器人运动场景。我们进行了一项在线用户研究,229名参与者使用视频的运动易读性线索。我们的研究结果表明,没有线索是不被社会接受的,而投射的箭头是在大多数实验条件下更社会接受的线索。我们的结论是,运动易读性线索的存在和选择可以积极影响机器人的接受和成功部署在公共空间。
2021-04-06 cs.RO
Legibot: Generating Legible Motions for Service Robots Using Cost-Based Local Planners
Sorbonne University(索邦大学);CNRS(法国国家科学研究中心);Institut des Systemes Intelligents et de Robotique(智能与机器人系统研究所)
针对社交机器人需清晰传达意图的问题,提出将易读性融入基于代价的局部运动规划,并给出集成感知与定位的部署技术栈。
2024-04-07 cs.RO
GATER: Learning Grasp-Action-Target Embeddings and Relations for Task-Specific Grasping
Shanghai Jiao Tong University(上海交通大学)
智能服务机器人需要在动态环境中执行各种任务的能力。尽管机器人抓取技术取得了重大进展,但在非结构化的现实生活环境中,机器人在执行不同任务时确定抓取位置仍然是一个挑战。为了克服这一挑战,创建一个合适的知识表示框架是关键。与以往的工作不同,本文将任务定义为一个三元组,包括抓取工具、期望动作和目标对象。我们提出的算法GATER(Grasp-Action-Target Embeddings and Relations)在嵌入空间中建模抓取工具-动作-目标对象之间的关系。为了验证我们的方法,创建了一个新的数据集,用于特定任务的抓取。GATER在新的数据集上进行训练,获得了94.6%的任务特定抓取推理成功率。最后,在一个实际的服务机器人平台上对GATER算法的有效性进行了测试。GATER算法在人类行为预测和人机交互方面有很大的潜力。
2021-11-27 cs.RO
The Effects of Robot Motion on Comfort Dynamics of Novice Users in Close-Proximity Human-Robot Interaction
Georgia Institute of Technology(佐治亚理工学院)
本研究探讨了近距离人机交互中机器人运动对新手用户舒适度及习惯化动态的影响,发现工作空间重叠比速度和易读性对舒适度影响更显著,较低重叠能提升整体舒适度并减少波动。
2023-08-02 cs.RO
EMP: Executable Motion Prior for Humanoid Robot Standing Upper-body Motion Imitation
State Key Laboratory of Industrial Control and Technology(工业控制与技术国家重点实验室)
本文提出基于强化学习的人形机器人站立上半身运动模仿框架,通过重定向网络生成训练数据,并引入可执行运动先验模块根据机器人状态调整目标运动,在保持稳定性的同时实现安全、鲁棒的上半身运动模仿。
2025-07-21 cs.RO
Planning coordinated motions for tethered planar mobile robots
Singapore Centre for 3D Printing(新加坡3D打印中心);Nanyang Technological University(南洋理工大学)
研究多绳系平面移动机器人的运动规划问题。每个机器人都通过柔性电缆连接到固定基座上。由于机器人共享一个共同的工作空间,机器人,电缆和障碍物之间的相互作用给规划带来了很大的困难。以前的工作已经研究了检测目标电缆配置是否相交(或纠缠)的问题。在这里,我们感兴趣的运动规划问题:如何规划和协调机器人运动,以实现一个给定的不相交的目标电缆配置。我们确定了四种可能的运动模式,这取决于(i)机器人是否沿直线移动或沿电缆移动;(ii)机器人顺序移动或同时移动。我们深入分析了直线和并行,这是最实用的运动模式。特别是,我们提出的算法,(a)检测是否一个给定的目标电缆配置是可实现的直线和并发运动,以及(b)返回一个有效的协调运动计划。对算法进行了详细的分析,并在仿真和硬件实验中进行了验证。
2019-05-20 cs.RO
Dynamic Motion Modelling for Legged Robots
University of Bremen(不来梅大学)
精确的运动模型是现代机器人系统的重要组成部分,但为复杂系统构建这样的模型通常需要大量的手动工作。在本文中,我们提出了一种运动模型表示,动态高斯混合模型(DGMM),它说明了需要手动设计的运动模型的形式,并提供了一个直接的手段,将辅助传感器数据到模型中。这种表示及其伴随的算法进行了实验验证,使用8腿运动学复杂的机器人,以及标准的基准数据集。所提出的方法不仅学习机器人的运动模型,但也提高了模型的准确性,通过结合周围的地形信息的机器人。
2010-05-27 cs.RO
Human Motion Prediction for Human-Robot Collaboration
本文比较了三种人体运动预测方法(GMM聚类、TransFusion、Graph-Mixer)在人机协作中的效果,通过预判人体运动来改进机器人规划,提升动态环境的安全与效率。
2026-09-29 cs.RO
RRT-GPMP2: A Motion Planner for Mobile Robots in Complex Maze Environments
University College London(伦敦大学学院)
针对复杂迷宫环境下移动机器人的运动规划需求,提出融合GPMP2轨迹优化算法与RRT采样算法优势的RRT-GPMP2规划器,经仿真与海洋机器人虚拟场景应用验证了其性能与实用性。
2024-12-10 cs.RO
Teleoperation of a Humanoid Robot with Motion Imitation and Legged Locomotion
SRM University(SRM大学)
本研究提出一个可模仿人类动作、行走及转弯的遥操作人形机器人系统。为了捕捉人体运动,使用了Microsoft Kinect深度传感器。与笨重的动作捕捉套装不同,传感器使系统更舒适地进行交互。从Kinect中提取骨架数据,并对其进行处理以生成机器人的关节角度。Robot操作系统(ROS)用于代码的各个部分之间的通信,以实现最小的延迟。因此,机器人模仿人类的实时性可以忽略不计的滞后。与大多数人体运动模拟系统不同,该系统不是静止的。用户的下半身运动被捕获和处理,并用于使机器人向前、向后行走以及向右或向左转,从而实现完全动态的遥控人形机器人系统。
2018-12-02 cs.RO
Human Motion Control of Quadrupedal Robots using Deep Reinforcement Learning
Seoul National University(首尔国立大学);Georgia Institute of Technology(佐治亚理工学院)
基于运动的控制界面通过将用户的直觉与机器人的运动能力相结合,保证了机器人在危险环境中的灵活操作。然而,为非人形机器人(如四足或六足机器人)设计运动接口并不简单,因为不同的动力学和控制策略支配着它们的运动。我们提出了一种新的运动控制系统,允许人类用户无缝地操作四足机器人上的各种电机任务。我们首先使用监督学习和后处理技术将捕获的人体运动重定向到具有适当语义的相应机器人运动。然后,我们将动作模仿学习与课程学习相结合,开发了一种能够跟踪给定重定向参考的控制策略。我们通过训练一组专家来进一步提高运动重定向和运动模仿的性能。正如我们所展示的,用户可以使用我们的系统执行各种运动任务,包括站立,坐着,倾斜,操纵,行走和转动,模拟和真实的四足动物。我们还进行了一组研究,以分析每个组件引起的性能增益。
2022-04-28 cs.RO
Hybrid Robot Learning for Automatic Robot Motion Planning in Manufacturing
University of Virginia(弗吉尼亚大学)
本文提出一种多级混合机器人运动规划方法,结合RL-LfD和DRL智能体,通过高级智能体切换实现可行平滑轨迹,并在模拟和真实环境中验证有效性。
2025-02-26 cs.RO
Learning Agile Bipedal Motions on a Quadrupedal Robot
Institute for Interdisciplinary Information Sciences, Tsinghua University(清华大学交叉信息研究院);Shanghai Qi Zhi Institute(上海期智研究院)
本文提出分层框架,通过高层运动生成器与底层运动条件控制策略,使轻量级四足机器人能以后脚双足直立并完成多种类人敏捷运动及多模态人机交互。
2024-03-04 cs.RO
Mobile Robot Motion Control Using a Combination of Fuzzy Logic Method and Kinematic Model
Hanoi University of Industry(河内工业大学);University of Economics - Technology for Industries(工业经济技术大学)
移动机器人已经广泛应用于人类生活的各个方面。当机器人在工作区域的不同位置之间移动以执行任务时,控制运动以遵循预定义的路径是移动机器人的主要任务。此外,机器人必须保持其所需的速度与其他代理合作。本文提出了一种运动控制器的发展,其中模糊逻辑方法相结合的差动驱动机器人的运动模型。仿真结果与实验结果的比较表明,该方法是有效的,适用于实际的移动机器人。
2022-10-23 cs.RO
Realizing Text-Driven Motion Generation on NAO Robot: A Reinforcement Learning-Optimized Control Pipeline
College of Electronic and Information Engineering, Tongji University(电子信息工程学院,同济大学)
本文提出一种文本驱动的人形机器人运动生成与控制流程,通过NPR Loss角度信号网络生成关节角度,并结合强化学习全身控制策略,在NAO机器人上实现了稳定的人类运动模仿。
2025-06-05 cs.RO
Multi-Robot Motions in Milliseconds: Vector-Accelerated Primitives for Sampling-Based Planning
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign(帕索尔实验室,计算与数据科学学院,伊利诺伊大学厄巴纳-香槟分校);Department of Computer Science at Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治理工学院(ITAM)计算机科学系)
本文扩展了Vector-Accelerated Motion Planning框架,开发了多机器人MotionValidation和FindFirstConflict原语,利用SIMD并行性实现多机器人运动规划的高效验证与冲突检测,显著提升规划效率。
2026-08-07 cs.RO
The Bridge between Xsens Motion-Capture and Robot Operating System (ROS): Enabling Robots with Online 3D Human Motion Tracking
Istituto Italiano di Tecnologia(意大利技术研究院)
本文提出将 Xsens 惯性动作捕捉系统的 3D 运动学数据转换为 ROS 消息并生成 URDF 模型,通过发布 xsens_mvn_ros 软件包,实现了机器人在 RViz 中对在线 3D 人体运动的追踪与可视化。
2023-06-30 cs.RO
Visualizing Local Minima in Multi-Robot Motion Planning using Multilevel Morse Theory
多机器人运动规划问题往往存在许多局部极小点。必须将这些局部最小值可视化,以便我们可以更好地理解、调试和与多机器人系统交互。为了实现这一目标,我们提出了多机器人运动探测器,一种算法,通过引入基于组件的框架,通过减少每个机器人的组件空间使用纤维束,减少多机器人配置空间,从而扩展了以前的结果多层次莫尔斯理论。我们的算法利用这种组件结构搜索和可视化局部极小值。该算法的用户可以指定多级抽象和优化算法。我们使用这些信息来逐步建立一个局部最小树为一个给定的问题。我们证明了这种算法上的几个多机器人系统的多达20个自由度。
2020-04-29 cs.RO
WALK-VIO: Walking-motion-Adaptive Leg Kinematic Constraint Visual-Inertial Odometry for Quadruped Robots
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
本文提出了一种新的视觉-惯性里程计(VIO),它具有随身体运动而变化的步行运动自适应腿部运动约束,用于四足机器人的定位。四足机器人主要使用VIO,因为它们需要快速定位以进行控制和路径规划。然而,由于四足机器人主要用于户外,从天空或地面提取的无关特征会导致跟踪失败。此外,四足机器人的步行运动会导致摆动,这会降低由于相机和惯性测量单元(IMU)的定位精度。为了克服这些限制,许多研究人员使用VIO与腿部运动学约束。然而,由于四足机器人的步行运动根据控制器,步态,四足机器人的速度,等等,这些因素应该考虑的过程中添加腿运动学约束。我们提出了VIO,可以使用无论步行运动通过调整腿的运动学约束因子。为了评估WALK-VIO,我们创建并发布了四足机器人的数据集,这些机器人在仿真环境中以各种类型的步行运动移动。此外,我们通过与当前最先进的算法进行比较,验证了WALK-VIO的有效性。
2021-11-30 cs.RO
k-Color Multi-Robot Motion Planning
Tel-Aviv University(特拉维夫大学)
我们提出了一个简单而自然的扩展的多机器人运动规划问题,其中的机器人被划分成组(颜色),这样,在每个组的机器人是可互换的。每个机器人不再需要移动到特定的目标,而是移动到分配给其组的某个目标位置。我们称这个问题为k-颜色多机器人运动规划,并提供了一个专门设计的基于采样的算法来解决它。在该算法的核心是一个新的技术,其中k-颜色问题减少到几个离散的多机器人运动规划问题。这些减少将基本样本放大为机器人的大量自由放置和路径集合。我们证明了该算法的性能的情况下,圆盘机器人和多边形机器人在平面上平移的实现。我们表明,该算法成功地和有效地应对了各种具有挑战性的情况下,涉及许多机器人,而该算法的简化版本,可以被视为一个普遍的基于采样的算法的K-颜色的情况下,即使在简单的情况下失败。有趣的是,我们的算法优于PRM的标准多机器人问题,其中每个机器人都有一个独特的颜色建立的实现。
2013-05-13 cs.RO
CrossLoco: Human Motion Driven Control of Legged Robots via Guided Unsupervised Reinforcement Learning
Georgia Institute of Technology(佐治亚理工学院)
本文提出 CrossLoco 引导式无监督强化学习框架,利用循环一致性奖励联合学习机器人技能与人体运动对应关系,提升运动转换的准确性、多样性和用户偏好。
2023-09-29 cs.RO
Expectable Motion Unit: Avoiding Hazards From Human Involuntary Motions in Human-Robot Interaction
School of Social Sciences and Technology, Technical University of Munich(社会科学与技术学院,慕尼黑工业大学)
针对人机交互中人类因受惊产生非自主运动危及安全的问题,提出可预期运动单元EMU,通过速度限制控制非自主运动发生概率,验证实验显示其在六成五的案例中可成功避免该运动。
2024-08-18 cs.RO
VQ-ACE: Efficient Policy Search for Dexterous Robotic Manipulation via Action Chunking Embedding
ETH Zurich(苏黎世联邦理工学院)
VQ-ACE通过压缩人类手部运动到量化潜在空间,结合MPC和RL,在灵巧操作任务中实现高效策略搜索,提升成功率并加速学习。
2024-11-05 cs.RO
Ensuring Progress for Multiple Mobile Robots via Space Partitioning, Motion Rules, and Adaptively Centralized Conflict Resolution
Cornell University(康奈尔大学);Rice University(莱斯大学);Pashi Corp.(帕希公司)
在多个机器人必须在共享空间中协调的环境中,分散式方法允许以全局保证为代价进行解耦规划,而集中式方法则进行相反的权衡。这些解决方案做出了一系列假设-通常,所有机器人共享相同的规划策略。在这项工作中,我们提出了一个框架,确保所有机器人的进展,而不假设任何机器人的规划策略(1)生成一个分区的环境到“流”,“开放”和“通道”区域和(2)强加一套规则,机器人运动在这些地区。这些机器人运动规则通过自适应集中式协议来解决机器人之间的空间冲突,从而防止死锁。我们提出的框架,确保所有机器人的进步,没有一个网格样的离散化的环境或机器人通信,协调或合作的强烈要求。每个机器人都可以自由选择如何规划和协调自己,而不会受到其他机器人或机器人组的阻碍,只要他们在必要时遵守规则。我们描述了我们的空间划分和运动规则,证明了运动规则足以保证在分区环境中的进展,并在模拟多边形环境中演示了几种情况。这项工作取得了平衡之间的每个机器人的规划独立性和保证每个机器人总是可以达到任何目标在有限的时间。
2022-03-07 cs.RO
A Joint Motion Model for Human-Like Robot-Human Handover
Bielefeld University of Applied Sciences(比勒费尔德应用科学大学);Bielefeld University(比勒费尔德大学)
未来,机器人将出现在日常生活中。这些辅助机器人的开发是一个挑战。辅助机器人的一项基本任务是拿起物体并将其交给人类。通过与用户互动,可预测性、安全性和可靠性等软因素成为发展的重要因素。以前的工作表明,当机器人的行为和移动像人类时,与机器人的合作更容易被接受。在本文中,我们提出了一个运动模型的基础上的运动轮廓的各个关节。这些运动轮廓是基于人-人切换中的关节运动的观察和测量。我们实现了这个关节运动模型(JMM)上的人形和非人形工业机器人显示主体的运动。特别注意的是动作的可识别性和人类相似性。结果表明,与传统模型相比,人们能够识别类似人类的运动,并将JMM的运动感知为更像人类。此外,事实证明,线性关节空间轨迹和JMM之间的差异在工业机器人中比在人形机器人中更明显。
2018-08-28 cs.RO
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架,用于UR5e机械臂的主动碰撞避免,以提升人机协作安全性。
2026-09-29 cs.RO
Bi-Level Motion Imitation for Humanoid Robots
Aalto University(阿尔托大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
针对人形机器人模仿学习中因形态差异导致人类MoCap数据物理不可行的问题,提出一种双层优化框架,通过自洽自编码器构建潜在动力学模型并生成物理一致的参考运动,从而提升机器人策略性能。
2024-10-02 cs.RO
Online Dynamic Motion Planning and Control for Wheeled Biped Robots
轮式足式机器人结合了轮式机器人在适当平坦表面上行驶时的效率和足式机器人在跨越或绕过障碍物时的多功能性。本文介绍了一种规划和控制框架,以实现动态移动的轮式机器人。我们提出的车线性倒立摆模型(车LIPM)作为模板模型的滚动运动和欠驱动LIPM的接触变化,而步行。生成的运动然后由一个逆动态全身控制器跟踪,该控制器协调所有关节,包括车轮。该框架具有分层结构,并以模型预测控制(MPC)方式实现。为了验证所提出的混合运动生成方法,在仿真中设计了两种涉及不同类型障碍物的场景。据我们所知,这是第一次,这种在线动态混合运动已被证明对轮式机器人。
2020-03-07 cs.RO
Prototyping fast and agile motions for legged robots with Horizon
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院);PAL Robotics(PAL机器人公司)
为了使足式机器人能够执行灵活、高动态和接触丰富的运动,需要对欠驱动复杂系统进行非线性动力学的全身轨迹计算。在这项工作中,我们提出了实践应用的地平线,一种新的开源框架,为机器人系统量身定制的轨迹优化,提供了一系列工具,以简化动态运动生成。Horizon在涉及多个机器人平台的广泛行为上进行了测试:我们介绍了它的构建块,并描述了使用其直观简单的API生成三个复杂运动的完整过程。
2022-06-17 cs.RO
Robot Motion Planning using One-Step Diffusion with Noise-Optimized Approximate Motions
Toyota Technological Institute(丰田技术研究所)
本文提出一种基于图像的单步扩散机器人运动规划方法,通过新型噪声优化器各向异性地调整加性噪声来优化近似运动,在保持实时高效率的同时实现了优于现有方法的性能。
2025-04-28 cs.RO
Sensorimotor Attention and Language-based Regressions in Shared Latent Variables for Integrating Robot Motion Learning and LLM
Faculty of Science and Engineering, Waseda University(早稻田大学理工学部);Artificial Intelligence Laboratories, Fujitsu Limited.(富士通株式会社人工智能研究所);National Institute of Advanced Industrial Science and Technology(独立行政法人产业技术综合研究所)
针对LLM与机器人结合研究缺乏运动生成端到端反馈的问题,提出基于共享潜变量连接运动学习模型与LLM的方法,经多任务仿真验证了位置与语言指令泛化有效性。
2024-07-12 cs.RO
Transferring human emotions to robot motions using Neural Policy Style Transfer
Universidad Complutense de Madrid (UCM)(马德里康普顿斯大学 (UCM));Universidad Carlos III de Madrid (UC3M)(马德里卡洛斯三世大学 (UC3M));CNRS(法国国家科学研究中心);University Rennes(雷恩大学);Inria(法国国家信息与自动化研究所);IRISA(法国布列塔尼计算机科学与随机系统研究所)
针对机器人领域缺乏预训练运动分类架构的问题,提出NPST3框架,结合TD3网络与自编码器实现人类运动风格向机器人运动的离线/在线迁移,在两类机器人平台上经147份问卷验证有效性。
2024-02-01 cs.RO
An Experimental Validation and Comparison of Reaching Motion Models for Unconstrained Handovers: Towards Generating Humanlike Motions for Human-Robot Handovers
Monash University(莫纳什大学);University of British Columbia(不列颠哥伦比亚大学)
最小Jerk运动模型在文献中长期被引用用于单人任务中的人类点对点到达运动。虽然已经证明,在人类-机器人递送者的联合动作任务中将最小加加速度样轨迹应用于机器人到达运动允许机器人递送者被感知为更仔细、安全和熟练,但尚未验证人类在递送者中的到达运动是否遵循最小加加速度模型。为了在实验上测试和验证人体在无约束的机器人中的运动模型,我们检查了人体在无约束的机器人中的运动(允许人移动整个身体),并与1)最小Jerk模型,2)其变体,解耦最小Jerk模型和3)最近提出的椭圆(圆锥)模型进行了拟合。结果表明,圆锥模型最适合无约束的人类切换到达运动。此外,我们还发现,与被发现是椭圆形的受约束的单人到达运动不同,椭圆和双曲圆锥类型之间存在分裂。我们希望我们的研究结果将有助于指导人类机器人交接任务中更人性化的运动的产生。
2021-08-29 cs.RO
Learning Soft Robot Dynamics using Differentiable Kalman Filters and Spatio-Temporal Embeddings
Arizona State University(亚利桑那州立大学);Kyushu Institute of Technology(九州工业大学)
提出一种结合可微卡尔曼滤波器与时空嵌入的软体机器人动力学建模框架,可端到端学习并适应异构、缺失传感器数据,在张拉整体机械臂上显著降低预测误差。
2023-08-19 cs.RO
Can Pretrained Vision-Language Embeddings Alone Guide Robot Navigation?
该研究探讨仅用预训练视觉语言嵌入能否引导机器人导航,提出基于冻结嵌入训练行为克隆策略的极简框架,实验表明其可支撑基础语言接地但长程规划与空间推理不足,为具身任务的基础模型应用提供了经验基线与设计参考。
2025-06-17 cs.RO
Trust-based Symbolic Motion Planning for Multi-robot Bounding Overwatch
Clemson University(克莱姆森大学);U.S. Army CCDC Ground Vehicle Systems Center(美国陆军作战能力发展司令部地面车辆系统中心)
多机器人跳跃掩护需要机器人团队成员的及时协调。符号运动规划(SMP)可以为具有高级时序逻辑任务需求的机器人运动规划提供可证明正确的解决方案。针对多机器人系统(MRS)中受时序逻辑约束的复杂边界监视任务,提出了一种安全可靠的SMP框架。首先提出了一个分散的SMP框架,它保证了复杂的边界监视任务的正确性和并行执行的MRS。然后通过参考的遍历性和视线的机器人在地形中的计算信任模型构建。信任模型预测每个机器人团队在执行任务计划的潜在行为的可信度。采用Dijkstra搜索策略寻找最可信的任务和运动规划,保证了MRS跳跃监视的可靠性。在ROS Gazebo中实现了一个机器人仿真,以证明所提出的框架的有效性。
2022-01-06 cs.RO
Planning Coordinated Human-Robot Motions with Neural Network Full-Body Prediction Models
University of Stuttgart(斯图加特大学);TU Berlin(柏林工业大学)
数值优化已经成为规划机器人平滑运动轨迹的一种流行方法。然而,当与人类共享空间时,适当平衡安全性,舒适性和效率仍然具有挑战性。这是值得注意的,因为人类会根据机器人的行为来调整自己的行为,这就需要进行复杂的规划和预测。在本文中,我们提出了一种新的优化为基础的运动规划算法,它产生的机器人运动,同时最大限度地提高人类的轨迹可能性下的数据驱动的预测模型。考虑规划和预测在一起,使我们能够制定目标和约束函数的联合人-机器人状态空间。该方法的关键是将潜在空间修改器添加到基于专用递归神经网络的可微分人类预测模型中。这些修改器允许在运动优化中改变人类预测。我们使用公开的MoGaze数据集对我们的方法进行了经验评估。我们的研究结果表明,所提出的框架优于目前的基线规划移交轨迹,避免机器人和人类之间的碰撞。我们的实验展示了协作运动轨迹,其中人类预测和机器人计划都相互适应。
2022-10-24 cs.RO
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University(莱斯大学)
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库,利用了流行的MoveIt库和机器人操作系统(ROS)中间件。Robowflex提供了一个增强的API,用于在单个程序中制作和操作运动规划查询,使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例,同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1)开发新的运动规划器,2)评估运动规划器,以及3)使用运动规划作为子例程的复杂问题(例如,任务和运动规划)。Robowflex还提供可视化功能,与其他机器人库的集成(例如,DART和Tesseract),并补充其他机器人软件包。使用我们的库,用户不需要是ROS或MoveIt的专家,就可以设置运动规划查询,从结果中提取信息,并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University(东南大学);Tongji University(同济大学)
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加,经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展,基于深度强化学习(Deep Reinforcement Learning,DRL)的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的,并且不依赖于先前的结构化地图。最重要的是,基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中,我们提供了一个系统的审查各种运动规划方法。首先,我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果,并分析了它们的性能特点。随后,我们集中总结了基于RL的运动规划方法,包括运动规划器结合RL的改进,基于地图的RL运动规划器,和多机器人协作规划方法。最后,我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战,回顾了一些最先进的工作,这些问题,并提出了未来的研究建议。
2022-02-23 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
MotionTrans: Human VR Data Enable Motion-Level Learning for Robotic Manipulation Policies
Institute for Interdisciplinary Information Sciences(交叉信息学院);Shanghai Qi Zhi Institute(上海启智研究所);State Key Laboratory of Multimedia Information Processing School of Computer Science(多媒体信息处理国家重点实验室计算机科学学院);Shanghai Jiao Tong University(上海交通大学);Wuhan University(武汉大学)
本文提出MotionTrans框架,通过多任务人机协同训练将人类VR数据中的运动直接迁移到机器人策略,实现13个任务的运动级迁移(9个零样本成功),并揭示了协同训练与运动覆盖的关键作用。
2025-09-22 cs.RO
Multi-Robot Path Planning Using Medial-Axis-Based Pebble-Graph Embedding
Lightspeed & Quantum Studio, Tencent America(腾讯美国光子工作室群);Technion, Israel Institute of Technology(以色列理工学院);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)
提出了一种集中式算法,用于在具有多边形边界的连续平面工作空间中进行标记的圆盘形多机器人路径规划。我们的方法自动将连续问题转换为离散的,基于图形的变量,称为卵石运动问题,可以有效地解决。为了构建底层卵石图,我们通过中轴变换识别工作空间中的内切圆,并将机器人组织到每个内切圆内的层中。我们表明,我们的分层卵石图使无碰撞运动,允许所有图形限制MPP实例是可行的。具有连续开始和目标位置的MPP实例然后可以通过局部导航来解决,该局部导航将机器人从图形顶点路由到图形顶点。我们测试了我们的方法在几个环境中的高机器人包装密度(高达$61.6\%$的工作空间)。对于狭窄通道的环境,这种密度违反了最先进的MPP规划者所做的良好分离的假设,而我们的方法实现了$83\%$的平均成功率。
2022-07-19 cs.RO
Review on Efficient Strategies for Coordinated Motion and Tracking in Swarm Robotics
Middlesex University(密德萨斯大学)
群体机器人是一种创造性的组织多机器人结构的方法,由许多受公共昆虫影响的基本机器人组成。群体机器人最令人惊讶的属性是它们能够一起工作以实现集体目标。本文讨论了目前的调查,问题和算法,刺激在群体机器人协调运动的研究。群机器人运动的算法进行了对比,考虑到群体微型机器人完成聚合,创建,并通过对比算法和仿真之间的相关计算仿真。
2023-02-13 cs.RO
Piezoelectric Soft Robot Inchworm Motion by Tuning Ground Friction through Robot Shape: Quasi-Static Modeling and Experimental Validation
Princeton University(普林斯顿大学)
本研究针对压电软体机器人单自由度控制局限,通过协调五个附着于金属箔的压电致动器调控形状与地面摩擦,建立含重力的解析模型,在厚度不足0.5mm的机器人上实现了尺蠖式前后爬行运动。
2023-12-14 cs.RO
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University(克莱姆森大学);Air Force Research Laboratory(美国空军研究实验室)
机器人符号运动规划是在离散空间中指定和规划机器人任务,然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展,但仍存在许多挑战,包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中,分布式符号运动规划的多机器人系统的发展,以解决可扩展性。更具体地说,组合推理方法的发展,以分解的全局规划问题,原子命题的观察,通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性,一个动态的,定量的,和概率的人对机器人的信任模型的开发,以帮助这种分解。此外,提出了一种基于信任的实时切换框架,用于在自主和手动运动规划之间切换,以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估,证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 cs.RO
Omnidirectional Tractable Three Module Robot
Robotics Research Center, International Institute of Information Technology, Hyderabad(印度海得拉巴国际信息技术学院机器人研究中心)
介绍了一种用于复杂管网内部穿越的全方位可牵引三模块机器人。该机器人由三个全向模块组成,它们沿圆周方向间隔120°固定,可以绕各自的轴旋转,从而实现机器人的完整运动。完整运动使机器人能够克服运动奇点时,谈判的T型接头,并进一步允许机器人到达一个优选的方向,同时轮流在管道内。我们已经开发了一个封闭形式的机器人运动学模型的文件,并提出了运动奇异区域,机器人需要避免,而谈判的T型路口。机器人的设计和运动能力都证明了在MSC ADAMS中进行模拟的简化集总模型的机器人,并与实验的物理实施例。
2019-09-23 cs.RO
CERNet: Class-Embedding Predictive-Coding RNN for Unified Robot Motion, Recognition, and Confidence Estimation
Equipe Traitement de l’Information et Systèmes Laboratory (ETIS Laboratory), CNRS UMR8051, CY Cergy-Paris Université, ENSEA, Cergy, France(信息与系统实验室(ETIS实验室),CNRS UMR8051,CY塞克-巴黎大学,ENSEA,塞克,法国)
CERNet通过类嵌入预测编码RNN实现机器人运动生成、识别和置信度估计的统一模型,显著降低轨迹误差并提升实时识别准确率。
2026-03-04 cs.RO
Motion Generation Interface of ROS to PODO Software Framework for Wheeled Huamanoid Robot
Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文讨论了实时软件体系结构和非实时机器人操作系统之间的机器人运动生成接口的开发。为了使机器人执行智能操作或导航,需要高层感知和底层控制的紧密结合。然而,许多可用的开源感知模块都是在ROS中开发的,ROS在Linux操作系统上运行,不能保证RT性能。这可能会导致不确定性的响应和稳定性问题,可能会对机器人控制产生不利影响。因此,许多机器人系统将RTOS用于低级运动控制。同样,KAIST开发的人形机器人平台Hubo使用了一个名为PODO的定制实时软件框架。虽然PODO为运动生成提供了简单的接口,但它缺乏与ROS等高级框架的接口。因此,我们提出了一个新的运动生成ROS和PODO之间的接口,使用户能够生成运动轨迹,通过标准的ROS消息,同时利用实时运动控制器。与建议的通信接口,我们展示了一系列的机械手任务的实际轮式人形平台,M-胡博。整体通信接口响应最多为27毫秒。
2020-01-02 cs.RO
Robust Locomotion on Legged Robots through Planning on Motion Primitive Graphs
California Institute of Technology(加州理工学院)
机器人系统的功能需求通常要求在干扰或不确定环境的影响下完成各种任务或行为。人们越来越感兴趣的是动态机器人的自主性,如多旋翼,机动车辆和腿式平台。在这里,干扰和环境条件可以对被称为“运动基元”的个体动态行为的成功执行具有显著影响。尽管如此,鲁棒性可以通过切换到合适的运动基元并过渡到合适的运动基元来实现。本文通过对运动基元动力学的抽象和相应的“运动基元传递函数”,提出了一种新的运动基元动力学方法。在此基础上,构造了一个离散和连续混合的“运动基元图”,并给出了一个在线搜索该图的算法。其结果是一个框架,能够实现整体的动态系统的鲁棒性。这是实验证明的一组运动原语的四足机器人,受到各种环境和故意的干扰。
2022-09-15 cs.RO
An optimal fuzzy-PI force/motion controller to increase industrial robot autonomy
University of Coimbra(科英布拉大学)
通过对机器人末端执行器与周围环境接触的分析,提出了一种机器人自识别和自适应的方法。通常,在离线机器人编程中,理想化的机器人环境(虚拟环境)不能准确地反映真实环境。在这种情况下,我们处于部分未知环境(PUE)中。因此,机器人系统必须具有一定程度的自主性来克服这种情况,特别是当接触存在时。所提出的力/运动控制系统具有基于施加在机器人末端执行器上的力和扭矩的外部控制回路和基于机器人运动的内部控制回路。外部控制回路进行了测试与最佳比例积分(PI)和模糊PI控制器。该系统的性能进行了验证与现实世界的实验,涉及接触PUE。
2013-09-09 cs.RO
SRMP: Search-Based Robot Motion Planning Library
Amazon Robotics(亚马逊机器人)
针对现有运动规划框架难以满足高风险应用可预测性与可复现性要求的问题,研究团队提出专为机器人操作定制的SRMP框架,可生成一致可靠轨迹,支持多机器人操作与多平台集成,经评估满足工业级严苛要求并树立运动规划一致性新标准。
2025-09-29 cs.RO
Expressive Robot Motion Timing
UC Berkeley(加州大学伯克利分校)
我们的目标是使机器人能够以一种有目的地表达其内部状态的方式来\emph{time}它们的运动,使它们对人类更加透明。我们首先调查什么类型的状态运动时序能够表达,专注于机器人操作和保持路径不变,同时系统地改变定时。我们发现,用户自然会注意到机器人的某些属性(如自信),运动(如自然)或任务(如机器人携带的物体的重量)。然后,我们进行了一个假设驱动的实验,梳理出这些影响的方向和幅度,并使用我们的研究结果来开发候选数学模型,用于用户如何从时间上做出这些推断。我们发现模型和真实的用户数据之间有很强的相关性,这表明机器人可以利用这些模型来自主优化其运动的时机,以表现力。
2018-02-05 cs.RO
Learning Safe Unlabeled Multi-Robot Planning with Motion Constraints
University of Pennsylvania(宾夕法尼亚大学);Nuro(Nuro公司)
在本文中,我们提出了一种学习方法的目标分配和轨迹规划的无标签机器人在2D,充满障碍的机器人。更具体地说,我们解决了无标记的多机器人运动规划问题的运动约束的多智能体强化学习问题与一些稀疏的全球奖励。与以前的作品,制定一个全新的手工制作的优化成本或轨迹生成算法不同的机器人动态模型相比,我们的框架是一个通用的方法,适用于任意机器人模型。此外,通过使用速度障碍,我们设计了一个平滑的投影,保证碰撞的自由轨迹的所有机器人相对于他们的邻居和障碍。我们的算法的有效性,通过不同的模拟证明。
2019-07-11 cs.RO
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架,融合视觉基础模型提升机器人操作与运动规划,实现实时调整和持续学习,并通过实验验证其在动态环境中的部署潜力。
2023-09-20 cs.RO