UNav-Sim: A Visually Realistic Underwater Robotics Simulator and Synthetic Data-generation Framework
Aarhus University(奥胡斯大学);EIVA a/s(EIVA公司);Paderborn University(帕德博恩大学)
UNav-Sim是一个开源的水下机器人模拟器,首次结合UE5的高效高细节渲染技术,支持ROS并提供基于视觉的自主导航栈,解决了现有模拟器渲染质量不足导致的模拟到现实迁移受限问题。
2023-10-18 cs.RO
UAIbot: Beginner-friendly web-based simulator for interactive robotics learning and research
Graduate Program in Electrical Engineering - Universidade Federal de Minas Gerais - Av. Antônio Carlos 6627, 31270-901, Belo Horizonte, MG, Brazil(巴西米纳斯吉拉斯联邦大学电气工程研究生项目);Comenius University, Bratislava, Slovakia(斯洛伐克布拉迪斯拉发康门纽斯大学)
本文提出免费开源的网页端机器人模拟器UAIbot,通过Python和JavaScript接口免安装提供交互式学习体验,帮助用户探索数学与物理原理,以深化教育理解并促进研究与实验。
2025-06-26 cs.RO
CinemAirSim: A Camera-Realistic Robotics Simulator for Cinematographic Purposes
Instituto de Investigación en Ingeniería de Aragón, Universidad de Zaragoza(萨拉戈萨大学阿拉贡工程研究所);Stanford University(斯坦福大学)
无人机和无人驾驶飞行器(UAV)在电影和娱乐行业越来越受欢迎,部分原因是它们的机动性以及它们所能实现的动态拍摄和视角。虽然存在用于控制无人机的位置和方向以获得可见性的方法,但拍摄过程中的其他艺术元素,例如焦点模糊和光线控制,在机器人社区中仍然未被探索。电影摄影机器人解决方案的缺乏部分是由于与电影行业中使用的相机和设备相关的成本,但也因为最先进的照片逼真的机器人模拟器仅利用完整的对焦针孔相机模型,该模型确实包含这些所需的艺术属性。为了克服这一点,这项工作的主要贡献是赋予著名的无人机模拟器AirSim一个电影摄像机,并扩展其API以实时的控制其所有参数,包括各种拍摄镜头和常见的电影摄影属性。在本文中,我们详细介绍了我们的AirSim修改,CinemAirSim,目前的例子,说明了新工具的潜力,并强调了新的研究机会,使用电影摄像机可以带来研究机器人和控制。https://github.com/ppueyor/CinematicAirSim
2021-03-15 cs.RO
DAVE Aquatic Virtual Environment: Toward a General Underwater Robotics Simulator
Open Robotics(开放机器人组织);Naval Postgraduate School(海军研究生院)
我们提出了DAVE水上虚拟环境(DAVE),一个开源的仿真堆栈的水下机器人,传感器和环境。传统的机器人模拟器没有被设计成解决伴随海洋环境而来的独特挑战,包括但不限于空间和时间变化的环境条件、受损或具有挑战性的感知以及在通常未探索的环境中数据的不可用性。考虑到传感器和平台的多样性,车轮通常会针对特定的用例进行重新设计,而这些用例不可避免地会抵制更广泛的采用。在现有模拟器的基础上,我们提供了一个框架,以帮助加快算法的开发和评估,否则这些算法需要在海上进行昂贵而耗时的操作。该框架包括基本构建块(例如,新的车辆,水跟踪多普勒速度记录仪,基于物理的多波束声纳)以及开发工具(例如,动态测深产卵,洋流),这使用户能够专注于方法,而不是软件基础设施。我们通过示例场景、测深数据导入、用于数据检查的用户界面和用于操作的运动规划以及可视化来演示使用。
2022-09-06 cs.RO
Underwater Robotic Simulators Review for Autonomous System Development
University College London(伦敦大学学院);Technology Innovation Institute(技术创新研究院)
本文系统综述并比较了五个ROS兼容的开源水下机器人仿真器,从保真度、可扩展性、任务适配性及sim-to-real能力等方面进行评估,为仿真环境选择与未来标准化发展提供指导。
2025-04-08 cs.RO
A data set of aerial imagery from robotics simulator for map-based localization systems benchmark
Institute of Data Science and Digital Technologies, Vilnius University(维尔纽斯大学数据科学与数字技术研究所)
目的:本文提出了一个新的数据集的航空图像从机器人模拟器(abbr。AIR)。AIR数据集旨在为定位系统开发提供起点,并成为基于地图的定位算法、视觉里程计和高空飞行SLAM精度比较的典型基准。设计/方法/办法:所呈现的数据集包含超过10万张从Gazebo机器人模拟器捕获的航空图像,使用正射影像地图作为地平面。在不同高度的城市和森林环境的地图上执行3种不同轨迹的飞行,飞行距离总计超过33公里。调查结果:对以往研究的回顾表明,所提出的数据集是目前最大的面向下的相机图像的公共数据集。创意/价值:针对高空(100- 3000 m)无人机飞行中缺少公开数据集的问题,提出了基于地图的无人机定位系统的研究现状,并通过实际试飞和自定义仿真数据集对算法的精度进行了评估。提出的新数据集解决了这个问题,旨在帮助研究人员改进和基准测试高空飞行的新算法。
2019-10-28 cs.RO
DiSECt: A Differentiable Simulation Engine for Autonomous Robotic Cutting
NVIDIA(英伟达);University of Southern California(南加州大学);University of Toronto(多伦多大学);Vector Institute(向量研究所);University of Washington(华盛顿大学);University of Sydney(悉尼大学)
软材料的机器人切割对于食品加工、家庭自动化和手术操作等应用至关重要。与机器人的其他领域一样,仿真器可以促进控制器验证、策略学习和数据集生成。此外,可微分仿真器可以实现基于梯度的优化,这对于校准仿真参数和优化控制器是非常宝贵的。在这项工作中,我们提出了DiSECt:第一个微分模拟器切割软材料。该模拟器增强了有限元法(FEM)与连续接触模型的基础上签署的距离场(SDF),以及一个连续的损伤模型,插入弹簧的切割平面的相对两侧,并允许他们削弱,直到零刚度,使裂纹形成。通过各种实验,我们评估的模拟器的性能。我们首先表明,模拟器可以进行校准,以匹配来自最先进的商业求解器和现实世界的切割数据集的合力和变形场,具有切割速度和对象实例的通用性。然后,我们表明,贝叶斯推理可以有效地利用模拟器的可微性,估计后验在一小部分的时间的衍生自由的方法超过数百个参数。最后,我们说明,在模拟中的控制参数可以优化,以尽量减少切削力通过横向切片运动。我们在项目网站https://diff-cutting-sim.github.io上发布视频和其他结果。
2021-05-25 cs.RO
Aerial Gym Simulator: A Framework for Highly Parallelized Simulation of Aerial Robots
Norwegian University of Science and Technology(挪威科技大学)
本文提出基于NVIDIA Isaac Gym的高度并行化、模块化仿真框架Aerial Gym Simulator,支持多种驱动类型多旋翼仿真与GPU加速渲染,提供强化学习导航等任务示例,并验证了训练策略的sim2real迁移效果。
2025-03-03 cs.RO
OmniLRS: A Photorealistic Simulator for Lunar Robotics
University of Luxembourg(卢森堡大学);Tohoku University(东北大学)
本文提出OmniLRS,一种基于Nvidia机器人模拟器的逼真月球模拟器,支持快速环境生成、多机器人和合成数据管道,实验证明其在岩石实例分割任务中有效实现sim-to-real迁移。
2023-09-16 cs.CV cs.RO
Physics-Grounded Differentiable Simulation for Soft Growing Robots
Purdue University(普渡大学)
针对软体生长机器人建模与控制困难,提出一种基于物理的可微仿真器,集成闭式非线性刚度模型并支持数据并行,有效解决了高通量仿真与参数优化问题,促进了仿真到现实的迁移。
2025-01-29 cs.RO
Roborobo! a Fast Robot Simulator for Swarm and Collective Robotics
UPMC(巴黎第六大学);CNRS(法国国家科学研究中心);NTNU(挪威科技大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
机器人是一个多平台,高度便携式,机器人模拟器的大规模集体机器人实验。机器人是用C++编写的,遵循KISS准则(“保持简单”)。因此,它的外部依赖性仅限于用于快速2D图形的广泛可用的SDL库。机器人基于Khepera/ePuck模型。它的目标是快速的单机器人和多机器人仿真,并已被用于十几个已发表的研究,主要涉及进化群体机器人,包括环境驱动的自适应和分布式进化优化,以及在线板载体现进化和体现形态发生。
2013-04-10 cs.AI cs.NE cs.RO
BayesSim: adaptive domain randomization via probabilistic inference for robotics simulators
NVIDIA(英伟达);University of Sydney(悉尼大学);University of Washington(华盛顿大学)
我们介绍BayesSim,机器人模拟的框架,允许一个完整的贝叶斯处理模拟器的参数。随着模拟器变得越来越复杂,能够更准确地表示动态,机器人技术中的基本问题,如运动规划和感知,可以在模拟和解决方案转移到物理机器人解决。然而,即使是最复杂的模拟器也可能仍然无法在所有细节中表示现实,这可能是由于动态模型中不准确的参数化或过于简单的假设。BayesSim提供了一个原则性的框架来推理模拟参数的不确定性。给定一个黑箱模拟器(或生成模型),输出的状态和动作对的轨迹从未知的仿真参数,其次是与物理机器人获得的轨迹,我们开发了一种无似然推理方法,计算后验分布的仿真参数。这个后验可以用于Sim2Real关键的问题,例如策略搜索。我们比较性能的BayesSim在获得准确的后验在一些经典的控制和机器人问题。结果表明,从BayesSim计算的后验可以用于域随机化优于基于均匀先验随机化的替代方法。
2019-06-04 cs.LG cs.RO
Human-Robot Shared Control for Surgical Robot Based on Context-Aware Sim-to-Real Adaptation
University of Bristol(布里斯托大学);Bristol Robotics Lab(布里斯托机器人实验室);Imperial College London(帝国理工学院);Polytechnic University of Milan(米兰理工大学);Shanghai Jiao Tong University(上海交通大学);Worcester Polytechnic Institute(伍斯特理工学院)
人-机器人共享控制融合了人和机器人的优势,是实现高效手术的有效途径。示教学习(LfD)技术可用于自动化构建共享控制框架的一些手术子任务。然而,机器人需要足够的数据量来学习操纵。使用手术模拟器收集数据是一种资源需求较少的方法。通过模拟到真实的适应,从模拟器中学习到的操纵可以转移到物理机器人上。为此,我们提出了一个模拟到真实的适应方法来构建一个人-机器人共享控制框架的机器人手术。在本文中,所需的轨迹是从模拟器使用LfD方法生成的,而基于动态运动基元(DMPS)的方法是用来将所需的轨迹从模拟器的物理机器人平台。此外,角色自适应机制的开发,使机器人可以调整其角色,根据手术上下文预测的神经网络模型。该框架的有效性进行了验证达芬奇研究工具包(dVRK)。用户研究结果表明,自适应人机共享控制框架,远程控制器的路径长度,总的离合次数和任务完成时间可以显着减少。所提出的方法优于传统的手动控制通过遥操作。
2022-06-04 cs.RO
Fire as a Service: Augmenting Robot Simulators with Thermally and Visually Accurate Fire Dynamics
Department of Computer Science, Kiel University(基尔大学计算机科学系);Department of Computer Science, George Mason University(乔治·马歇尔大学计算机科学系)
本文提出Fire as a Service框架,通过高保真火灾模拟提升机器人仿真器的热力学和视觉准确性,支持生成真实火灾环境下的训练数据和热危害评估。
2026-07-16 cs.GR cs.RO
Bringing A Robot Simulator to the SCAMP Vision System
Bristol Robotics Laboratory(布里斯托尔机器人实验室);University of Bristol(布里斯托尔大学);University of Manchester(曼彻斯特大学)
这项工作开发和演示的SCAMP-5D视觉系统到CoppeliaSim机器人模拟器的集成,创建一个半模拟的环境。通过在模拟器中配置摄像头并通过远程API设置与SCAMP python主机的通信,可以将模拟器中的传感器图像传输到SCAMP视觉传感器,在那里可以执行CNN推理等传感器上的图像处理。SCAMP输出然后反馈到CoppeliaSim。该平台集成使机器人系统的SCAMP算法的快速原型验证成为可能。我们演示了一个汽车定位和跟踪任务,使用这个建议的半模拟平台,SCAMP上的CNN推理命令机器人的运动。我们在网上提供了这个平台。
2021-05-21 cs.RO cs.SY eess.SY
Hybrid Neural Network-Based Indoor Localisation System for Mobile Robots Using CSI Data in a Robotics Simulator
Computer Systems Department(计算机系统系);Artificial Intelligence Department(人工智能系)
提出一种结合CNN与MLP的混合神经网络HyNN,利用Massive MIMO的CSI数据估计移动机器人2D位置,并与ROS及模拟器集成实现精确室内定位。
2025-11-03 cs.LG cs.RO
DiSECt: A Differentiable Simulator for Parameter Inference and Control in Robotic Cutting
University of Southern California(南加州大学);NVIDIA(英伟达);University of Washington(华盛顿大学);University of Toronto(多伦多大学);Vector Institute(向量研究所);University of Sydney(悉尼大学)
软材料的机器人切割对于食品加工、家庭自动化和手术操作等应用至关重要。与机器人的其他领域一样,仿真器可以促进控制器验证、策略学习和数据集生成。此外,可微分仿真器可以实现基于梯度的优化,这对于校准仿真参数和优化控制器是非常宝贵的。在这项工作中,我们提出了DiSECt:第一个微分模拟器切割软材料。该模拟器增强了有限元法(FEM)与连续接触模型的基础上签署的距离场(SDF),以及一个连续的损伤模型,插入弹簧的切割平面的相对两侧,并允许他们削弱,直到零刚度,使裂纹形成。通过各种实验,我们评估的模拟器的性能。我们首先表明,模拟器可以进行校准,以匹配来自最先进的商业求解器和现实世界的切割数据集的合力和变形场,具有切割速度和对象实例的通用性。然后,我们表明,贝叶斯推理可以有效地利用模拟器的可微性,估计后验在一小部分的时间的衍生自由的方法超过数百个参数。接下来,我们说明了在模拟中的控制参数可以优化,以尽量减少通过横向切片运动的切削力。最后,我们进行实验,一个真正的机器人手臂配备切片刀推断力的测量仿真参数。通过优化刀的切片运动,我们在水果切割场景中显示,与垂直切割运动相比,平均刀力可以减少40%以上。我们在项目网站https://diff-cutting-sim.github.io上发布代码和其他材料。
2022-03-19 cs.AI cs.RO
A Study on the Challenges of Using Robotics Simulators for Testing
Carnegie Mellon University(卡内基梅隆大学)
机器人仿真在机器人系统的设计、开发和验证中起着重要的作用。最近的研究表明,模拟可以作为一个更便宜,更安全,更可靠的替代手动,广泛使用,现场测试过程。这在持续集成管道的背景下尤其重要,其中集成的自动化测试是降低成本同时保持系统安全的关键。然而,模拟和自动化测试在实践中并没有达到其潜力所能激励的广泛采用程度。本文的目标是对开发人员在其过程中使用模拟的方式以及他们在这样做时面临的挑战有一个原则性的理解。这种类型的理解可以指导更有效的模拟器和测试技术的发展,为现代机器人的发展。为此,我们对来自不同背景的82名机器人开发人员进行了调查,以解决模拟技术在实践中的当前能力和局限性。我们发现85%的参与者使用模拟进行测试,并且许多参与者希望将模拟作为其测试自动化的一部分。我们确定了10个高层次的挑战,阻碍开发人员使用模拟手动和自动化测试,以及一般用途。这些挑战包括模拟和现实之间的差距,缺乏可重复性,以及与使用模拟器相关的相当大的资源成本。最后,我们概述了改进新的模拟器,可以帮助模拟达到其潜力的验证和确认的手段的发展途径。
2020-04-15 cs.RO cs.SE
RoboGSim: A Real2Sim2Real Robotic Gaussian Splatting Simulator
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);MEGVII Technology(商汤科技);Zhejiang University(浙江大学)
RoboGSim是一个基于3D高斯泼溅和物理引擎的机器人模拟器,通过真实到仿真到真实的流程,实现高保真数据合成与策略评估,在真实机器人上达到零样本性能,缩小仿真到真实差距。
2025-08-03 cs.CV cs.RO
All You Need Is Low Fidelity: Zero-Shot Sim-to-Real of Learned Robotic Fish Control
Soft Robotics Lab, ETH Zurich(苏黎世联邦理工学院软体机器人实验室);ETH AI Center, ETH Zurich(苏黎世联邦理工学院人工智能中心)
本文证明低保真无状态流体仿真器足以零样本训练软体机器鱼闭环控制器,无需调参即可迁移至硬件,实现目标到达、扰动抑制和分布外跟踪,并提出物理可驻留于控制器的观点。
2026-09-30 cs.RO
Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics
ETH Zurich(苏黎世联邦理工学院)
本文提出了一种基于神经网络的机器人世界模型,通过双自回归机制和自监督训练实现鲁棒的长周期预测,从而提升机器人策略优化的效率和适应性。
2025-12-14 cs.AI cs.LG cs.RO
SimGAN: Hybrid Simulator Identification for Domain Adaptation via Adversarial Reinforcement Learning
Google(谷歌);Stanford University(斯坦福大学);Everyday Robots(日常机器人公司);X The Moonshot Factory(X登月工厂);University of California, Berkeley(加州大学伯克利分校)
随着基于学习的方法朝着自动化机器人控制器设计的方向发展,将学习到的策略转移到具有不同动态的新域(例如,仿真到现实迁移)仍然需要人工努力。本文介绍了SimGAN,一个框架,以解决领域自适应通过识别一个混合物理模拟器,以匹配模拟轨迹的目标域,使用学习判别损失,以解决与手动损失设计的局限性。我们的混合模拟器结合了神经网络和传统的物理模拟,以平衡表现力和泛化能力,并强调了需要在系统ID中精心选择的参数集。一旦通过对抗性强化学习识别混合模拟器,它可以用于改进目标域的策略,而不需要交错数据汇集和策略改进。我们表明,我们的方法优于多个强基线的领域自适应六个机器人运动任务。
2021-05-31 cs.RO
Guiding Evolutionary Strategies by Differentiable Robot Simulators
Tinkoff
近年来,进化策略在机器人任务中被积极探索用于策略搜索,因为它们提供了强化学习算法的更简单的替代方案。然而,这类算法通常被认为是非常样本效率低下的。另一方面,人们对可微分机器人模拟器(DRS)的兴趣越来越大,因为它们可能只需要少数轨迹就可以找到成功的策略。但是,由此产生的梯度并不总是有用的一阶优化。在这项工作中,我们演示了如何DRS梯度可以与进化策略结合使用。初步结果表明,这种组合可以减少样本复杂性的进化策略的3倍-5倍,在模拟和现实世界。
2021-11-09 cs.AI cs.LG cs.NE
ROOM: A Physics-Based Continuum Robot Simulator for Photorealistic Medical Datasets Generation
University of Edinburgh, UK(爱丁堡大学,英国);University of British Columbia, Canada(不列颠哥伦比亚大学,加拿大)
提出ROOM模拟框架,利用患者CT扫描生成多模态支气管镜训练数据,验证其在姿态估计和深度估计任务中的有效性。
2026-05-27 cs.RO
EIDA: Execution-Interface Dynamics Adaptation for Real-to-Sim-to-Real Robot Navigation
Eastern Institute of Technology(东方理工大学);National University of Singapore(新加坡国立大学);The Hong Kong Polytechnic University(香港理工大学);University of Science and Technology of China(中国科学技术大学)
EIDA通过拟合执行接口动力学,在轻量级仿真中更新几何与速度反馈,显著提升真实到仿真到真实导航迁移的成功率与准确性。
2026-10-02 cs.RO
MEbots: Integrating a RISC-V Virtual Platform with a Robotic Simulator for Energy-aware Design
Dept. DAUIN, Politecnico di Torino(都灵理工学院DAUIN系);IMEC
本文提出一个开源框架MEbots,集成Webots机器人模拟器与RISC-V虚拟平台MESSY,实现任务级能量感知协同仿真,支持设计配置与功耗管理策略探索。
2025-05-22 cs.RO cs.SY eess.SY
A User's Guide to Calibrating Robotics Simulators
Massachusetts Institute of Technology(麻省理工学院);NVIDIA(英伟达);University of Washington(华盛顿大学);University of Sydney(悉尼大学)
模拟器是现代机器人研究的重要组成部分。感知和决策策略可以在部署到现实世界系统之前首先在模拟中进行研究,从而节省时间和成本。尽管在模拟到真实算法的开发方面取得了重大进展,但对不同方法的分析仍然是以一种特别的方式进行的,没有一套一致的测试和指标进行比较。本文填补了这一空白,并提出了一套基准和各种算法的研究框架,旨在将模拟中学到的模型和政策转移到现实世界中。我们在广泛的知名模拟环境中进行实验,以表征不同算法的性能并提供见解。我们的分析可以为从业者在这一领域的工作是有用的,可以帮助作出明智的选择的行为和主要属性的模拟到真实的算法。我们开源了基准测试、训练数据和训练模型,可以在https://github.com/NVlabs/sim-parameter-estimation上找到。
2020-11-17 cs.LG cs.RO
Unreal Robotics Lab: A High-Fidelity Robotics Simulator with Advanced Physics and Rendering
University College London(伦敦大学学院)
本文提出Unreal Robotics Lab框架,结合Unreal Engine渲染与MuJoCo物理模拟,实现高保真机器人仿真,支持复杂环境效果,用于测试视觉导航和SLAM方法的鲁棒性。
2026-04-07 cs.CV cs.GR cs.LG
UGSim: Autonomous Buoyancy-Driven Underwater Glider Simulator with LQR Control Strategy and Recursive Guidance System
School of Engineering, Newcastle University(纽卡斯尔大学工程学院);School of Naval Architecture and Maritime, Guangdong Ocean University(广东海洋大学船舶与海运学院)
本文提出UGSim水下滑翔机模拟器,结合LQR控制与递归制导,解决复杂水动力挑战,加速算法开发与评估。
2025-01-29 cs.RO cs.SE
OceanSim: A GPU-Accelerated Underwater Robot Perception Simulation Framework
Department of Robotics, University of Michigan(机器人系,密歇根大学)
针对水下传感器物理建模与渲染效率的不足,本文提出高保真GPU加速水下仿真框架OceanSim,采用基于物理的渲染技术缩小仿真到真实的差距,实现实时成像声纳渲染与快速合成数据生成,并通过真实数据验证了其逼真度。
2025-08-09 cs.CV cs.RO
Effective Parameters, Real Behavior: Renormalization for Robotics -- From Infinite Electron Mass to Sim-to-Real Gap
University of Maryland, College Park(马里兰大学帕克分校);Stanford University(斯坦福大学);The Chinese University of Hong Kong(香港中文大学)
研究机器人技术中弥合模拟与现实差距的问题,提出基于重整化的方法,通过有效参数吸收模拟器遗漏细节以重现真实行为,经分析论证及实例展示该方法,并给出实用程序,为跨越模拟与现实差距提供补充路径。
2026-07-28 cs.RO hep-th
Design and Implement an Enhanced Simulator for Autonomous Delivery Robot
Wayne State University(韦恩州立大学)
随着自动驾驶技术越来越成熟,像Starship、Marble和Nuro这样的自动送货公司在自动送货机器人的测试方面一直在取得进展。而仿真和模拟器对于自主送货机器人的最终产品落地非常重要,因为自主送货机器人需要在人行道,校园和其他城市场景中导航,其中仿真可以避免任何算法故障和编程错误对现实世界中的行人和财产造成的实际损害,从而加快整个开发过程并降低成本。在这种情况下,本研究提出了一个开源的模拟器的基础上,我们的自主交付机器人ZebraT,以加速自主交付的研究。详细说明了仿真器的开发过程。此外,还介绍了我们正在研究的在模拟器上的应用,包括模拟城市环境中的自主导航、自主车辆与自主配送机器人之间的协作以及强化学习在模拟器任务训练中的应用。我们已经在Github上发布了建议的模拟器。
2022-05-16 cs.RO
A Flexible MATLAB/Simulink Simulator for Robotic Floating-base Systems in Contact with the Ground
Istituto Italiano di Tecnologia(意大利技术研究院)
物理仿真器广泛应用于机器人领域,从机械设计到动态仿真和控制器设计。本文介绍了一个开放源代码的MATLAB/Simulink仿真器的刚体关节系统,包括机械手和浮基机器人。由于MATLAB/Simulink的功能,如MATLAB系统类和Simulink功能块,所提出的模拟器结合了编程和基于块的方法,从而在这个意义上,不同的部分,包括其物理引擎,机器人地面交互模型,状态演化算法是简单的访问和编辑的灵活设计。此外,通过使用Simulink动态掩模块,建议的仿真框架支持机器人模型集成开链和闭链运动学与任何所需数量的链接与地面相互作用。该模拟器还可以集成二阶执行器动态。此外,该模拟器还得益于单线安装和易于使用的Simulink界面。
2022-11-17 cs.RO
Task-sequencing Simulator: Integrated Machine Learning to Execution Simulation for Robot Manipulation
Microsoft(微软)
介绍了一种集学习模拟和执行模拟于一体的机器人操作任务排序模拟器。与现有的机器学习模拟不同,其中使用非分解模拟来模拟训练场景,任务排序模拟器使用构建块运行组合模拟。这样,学习模拟的结构类似于多步执行模拟。为了组成学习和执行场景,提出并使用了一个统一的可训练和可组合的块描述,称为概念模型。使用模拟器的设计和概念模型,一个可重复使用的模拟器学习不同的任务,一个共同的地面系统学习到执行,模拟到真实的实现和显示。
2023-01-03 cs.RO
Kilombo: a Kilobot simulator to enable effective research in swarm robotics
University of Amsterdam(阿姆斯特丹大学);John Innes Centre(约翰·英纳斯中心);Centre for Genomic Regulation (CRG)(基因组调控中心(CRG));The Barcelona Institute of Science and Technology(巴塞罗那科学技术学院);Universitat Pompeu Fabra (UPF)(庞培法布拉大学(UPF));Institució Catalana de Recerca i Estudis Avançats (ICREA)(加泰罗尼亚研究与高等教育机构(ICREA));Delft University of Technology(代尔夫特理工大学);Åbo Akademi University(奥博学术大学)
Kilobot是一个广泛使用的群体机器人研究平台。物理Kilobots移动缓慢,需要频繁的重新校准和充电,这大大减缓了开发周期。模拟器可以加快测试、探索和假设生成的过程,但通常需要在模拟器和机器人之间进行耗时且容易出错的代码翻译。此外,不同性质的代码往往混淆直接比较,以及偏差的原因,模拟器和实际的机器人群体行为之间的确定。为了解决这些问题,我们开发了一个基于C的模拟器,允许那些与Kilobots一起工作的人在模拟器和物理机器人中使用相同的程序代码。使用我们的模拟器,创造Kilombo,显着简化和加快开发,考虑到1000个机器人的模拟可以以比台式计算机上的实时的速度快100倍的速度运行,使得高吞吐量的预筛选可能的潜在算法,可能导致所需的紧急行为。我们认为,这种策略,在这里专门为Kilobots开发的,是有效的机器人群研究的一般重要性。源代码在MIT许可证下免费提供。
2016-05-09 cs.RO
An Approach to Deploy Interactive Robotic Simulators on the Web for HRI Experiments: Results in Social Robot Navigation
Yale University(耶鲁大学);Rutgers University-Camden(罗格斯大学卡姆登分校)
由于其定性性质,社交机器人导航的评估本质上需要人工输入。出于对人类评估的需求,我们提出了一种在网络上部署交互式富客户端机器人模拟的通用方法。先前的方法实现特定的网络兼容的模拟器或提供工具来构建用于特定研究的模拟器。相反,我们的方法建立在标准的Linux工具上,与远程用户共享图形桌面。我们利用这些工具在Web上部署模拟器,这些模拟器通常局限于桌面计算环境。作为我们的方法的一个示例实现,我们介绍了SEAN实验平台(SEAN-EP)。通过SEAN-EP,远程用户可以在自主导航的社会环境中与移动机器人进行虚拟交互,而无需在计算机上安装任何软件或需要专门的硬件。我们通过在线调查验证了SEAN-EP可以快速扩展人类反馈的收集及其可用性。此外,我们还比较了使用SEAN-EP与机器人互动的参与者的反馈与通过更传统的视频调查获得的反馈。我们的研究结果表明,人类对机器人的看法可能会有所不同,这取决于他们是在模拟中与机器人互动,还是在视频中观察机器人。此外,他们认为,人们认为互动模拟调查比视频调查对精神的要求更低。
2021-08-16 cs.RO
HuNavSim: A ROS 2 Human Navigation Simulator for Benchmarking Human-Aware Robot Navigation
Pablo de Olavide University(巴勃罗·德·奥拉维德大学)
本文提出首个基于 ROS 2 的开源人类导航仿真器 HuNavSim,提供丰富逼真的人类导航行为和完整的社会导航基准测试指标,旨在简化人类感知机器人导航系统的开发与评估。
2023-09-13 cs.RO
MagRobot:An Open Simulator for Magnetically Navigated Robots
South China University of Technology(华南理工大学)
MagRobot是一个开源仿真平台,用于磁导航机器人的研究、设计和评估,支持多种医疗应用的模拟与优化。
2026-03-06 cs.RO
Simulators for Mobile Social Robots:State-of-the-Art and Challenges
Wayne State University(韦恩州立大学)
未来的机器人预计将与人类在共享的物理空间中工作[1],然而,人类的存在导致了一个动态的环境,这对移动机器人来说是一个挑战。由于缺乏仿真框架,设计用于在复杂的人类环境中导航无碰撞路径的路径规划算法通常在真实环境中进行测试。本文确定了一个理想的模拟器,这项任务的关键要求,评估现有的模拟框架,最重要的是,它确定了现有的模拟技术的挑战和局限性。首先,我们认识到,测试为人类环境设计的移动机器人所需的模拟器是独特的,因为它们必须模拟现实的行人行为,除了移动机器人的建模。我们的研究发现,Pedsim_ros [2]和最近的SocNavBench框架[3]是仅有的两个满足我们论文中定义的大多数关键要求的3D仿真框架。总之,我们确定需要开发更多的模拟器,提供创建逼真的3D行人丰富的虚拟环境的能力,以及从头开始设计复杂的机器人及其传感器模型的灵活性。
2022-02-08 cs.RO
Do Rigid-Body Simulators Dream of Soft Robots? Learning Contact-Rich Manipulation for Tendon-Driven Continuum Robots
University of Toronto(多伦多大学)
针对肌腱驱动连续体机器人缺乏接触丰富操作模拟基础设施的问题,提出基于连续介质力学的离散化方法,将软体机器人原生集成到MuJoCo中,实现仿真到真实世界的零样本迁移。
2026-06-23 cs.RO
A Flexible MATLAB/Simulink Simulator for Robotic Floating-base Systems in Contact with the Ground: Theoretical background and Implementation Details
Istituto Italiano di Tecnologia(意大利技术研究院);Artificial and Mechanical Intelligence(人工与机械智能中心)
本研究提出一款开源MATLAB/Simulink刚体铰接系统物理仿真器,结合编程与模块式设计实现高可编辑性,支持多类机器人模型与执行器动力学,且安装使用便捷。
2024-05-13 cs.RO
An End-to-End Human Simulator for Task-Oriented Multimodal Human-Robot Collaboration
University of Illinois Chicago(伊利诺伊大学芝加哥分校);California State University Channel Islands(加州州立大学海峡群岛分校)
本文提出一种基于神经网络的多模态用户模拟器,支持语言、手势和触觉等多种通信模式训练强化学习智能体,并引入数据增强方法解决数据集有限的挑战,助力家庭辅助机器人开发。
2023-04-02 cs.RO
ROS-NetSim: A Framework for the Integration of Robotic and Network Simulators
University of Pennsylvania(宾夕法尼亚大学);Massachusetts Institute of Technology(麻省理工学院);Tampere University(坦佩雷大学);U.S. Army Research Laboratory(美国陆军研究实验室)
多智能体系统在现代机器人技术中扮演着重要的角色。由于这些系统的性质,代理之间通过通信的协调是经常必要的。事实上,感知-动作-通信(PAC)回路,或在通信信道上闭合的感知-动作回路,是多机器人系统的关键组成部分。然而,我们缺乏适当的工具来模拟PAC循环。为此,在本文中,我们介绍了ROS-NetSim,一个ROS包,作为机器人和网络模拟器之间的接口。使用ROS-NetSim,我们可以通过精确模拟PAC循环来获得机器人和网络交互的高保真表示。我们提出的方法是轻量级的,模块化和自适应。此外,它可以使用许多可用的网络和物理模拟器,通过使用我们提出的接口。总而言之,ROS-NetSim(i)对ROS目标应用程序是透明的,(ii)对所使用的特定网络和物理模拟器是不可知的,(iii)在保真度和复杂性方面是可调的。作为我们贡献的一部分,我们向社区提供了ROS-NetSim的开源实现。
2021-01-25 cs.RO
A Massively-Parallel 3D Simulator for Soft and Hybrid Robots
Columbia University(哥伦比亚大学)
仿真是机器人技术中创建控制策略和测试各种物理参数的重要步骤。软机器人是一个领域,由于可变形材料组件的非线性以及其他创新的,往往是复杂的物理特性,模拟其主题提出了独特的物理挑战。由于用传统技术模拟软的和异构的对象的计算成本,刚性机器人模拟器不太适合模拟软体机器人。因此,许多工程师必须根据他们的系统构建自己的一次性仿真器,或者使用性能降低的现有仿真器。为了促进这项令人兴奋的技术的发展,这项工作提出了一个互动的速度,准确,和多功能的模拟器,为各种类型的软体机器人。Cronos是我们的开源3D仿真引擎,它并行化了质量弹簧模型,可在可变形和刚性物体上实现超快性能。我们的方法适用于广泛的非线性材料配置,包括高变形性,体积驱动,或异质刚度。这种多功能性提供了在单个机器人仿真中自由混合材料和几何组件的能力。通过利用非线性Hookean质量弹簧系统的灵活性和可扩展性,该框架通过高度并行的模型模拟软和刚性物体,以接近实时的速度。我们描述了一个高效的GPU CUDA实现,我们证明,以实现超过10亿元每秒的计算消费级GPU卡。通过与Euler-Bernoulli梁理论、固有频率预测和大变形下软结构的经验数据的比较,验证了系统的动态物理精度。
2022-07-19 cs.RO
BotNet: A Simulator for Studying the Effects of Accurate Communication Models on Multi-agent and Swarm Control
University of California, Berkeley(加州大学伯克利分校);University of Utah(犹他大学)
多机器人系统中的分散控制依赖于智能体之间准确可靠的通信。重要的通信因素,如延迟和数据包传输率,是网络中代理数量的强函数。移动和高节点数的射频(RF)网状网络的研究结果只被转移到域的多机器人系统在有限的程度上,和典型的多智能体机器人仿真器往往依赖于简单的传播模型,不反映现实的RF网络的行为。在本文中,我们提出了一个新的开源群机器人模拟器,僵尸网络,与嵌入式标准兼容的时间同步信道跳频(6TiSCH)RF网状网络模拟器。使用这个模拟器,我们展示了如何更准确的通信模型,甚至可以限制简单的多机器人控制任务,如群集和编队控制,代理数量从10到2500代理。实验结果被用来激励改变机器人间的通信传播模型和其他网络组件目前在实践中使用,以弥合模拟到真实的差距。
2021-08-31 cs.RO
HuNavSim 2.0: An Enhanced Human Navigation Simulator for Human-Aware Robot Navigation
Service Robotics Lab University Pablo de Olavide(帕布罗·德·奥拉维德大学服务机器人实验室)
本文发布开源人类导航模拟器 HuNavSim 2.0,基于 ROS 2 并兼容 Gazebo、NVidia Isaac Sim,通过扩展行为树动作与条件支持更真实的人类智能体导航仿真。
2025-07-25 cs.RO
Haptic-Enhanced Virtual Reality Simulator for Robot-Assisted Femur Fracture Surgery
Rowan University(罗文大学);Virtua Health(维克托健康医疗系统);Rowan-Virtua School of Osteopathic Medicine(罗文-维克托 osteopathic 医学院)
本文开发了用于Robossis机器人辅助股骨骨折手术的触觉增强VR模拟器,集成Sigma-7触觉控制器、RSR机器人和Meta Quest头显,验证了6自由度跟随和防骨段重叠能力,为未来系统实施提供基础。
2023-10-29 cs.RO
qiBullet, a Bullet-based simulator for the Pepper and NAO robots
SoftBank Robotics Europe(软银机器人欧洲公司)
Pepper和NAO机器人广泛用于店内清洁和教育,也可作为研究目的的机器人平台。他们在学术领域的存在是通过各种出版物,多个合作项目,并通过两个不同的RoboCup联赛的标准平台表达。开发、收集数据和训练人形机器人可能是乏味的:反复重复特定任务可能会给机器人带来风险,而且某些环境可能很难设置。因此,允许模拟复杂环境和机器人动力学的软件工具可以缓解这个问题,允许在虚拟模型上执行上述过程。Pepper和NAO平台目前的一个缺点是缺乏物理上精确的仿真工具,允许在虚拟机器人上测试涉及重复运动和与环境接触的场景。在本文中,我们介绍了qiBullet仿真工具,使用Bullet物理引擎为Pepper和NAO机器人提供了这样的解决方案。
2020-02-07 cs.RO
Aerial Gym -- Isaac Gym Simulator for Aerial Robots
Norwegian University of Science and Technology (NTNU)(挪威科技大学)
本文提出 Aerial Gym 模拟器,通过 SE(3) 几何控制器实现数百万多旋翼飞行器并行仿真,并提供障碍物随机化和多模态视觉数据支持,以推动空中机器人导航的强化学习研究。
2023-05-25 cs.RO
A Q-learning Control Method for a Soft Robotic Arm Utilizing Training Data from a Rough Simulator
University of Science and Technology of China(中国科学技术大学)
针对软体机器人强化学习样本效率低的问题,提出借助粗糙模拟器数据预训练的 Q-learning 控制器,并在 HPN 机械臂上验证其可减少真实数据、提升精度与收敛速度。
2021-09-13 cs.RO
Pogosim -- a Simulator for Pogobot robots
Sorbonne Université, CNRS, ISIR(索邦大学、国家科学研究中心、ISIR)
本文提出Pogosim,一款专为Pogobot群体机器人设计的快速可扩展模拟器,通过复用相同代码实现低成本算法开发、并行模拟与参数优化。
2025-09-13 cs.RO
Survey of Simulators for Aerial Robots: An Overview and In-Depth Systematic Comparisons
Johns Hopkins University(约翰斯·霍普金斯大学);Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Czech Technical University in Prague(布拉格捷克理工大学);Bitcraze A.B.(Bitcraze公司);University of Twente(特文特大学)
本文综述44款UAV模拟器,系统比较其中14款,并提出模拟器选择决策因素,以帮助研究人员依据局限性与定制化能力选择合适工具。
2025-05-12 cs.RO
CathSim: An Open-source Simulator for Endovascular Intervention
University of Liverpool(利物浦大学);Imperial College London(帝国理工学院);TU Wien(维也纳工业大学);National Tsing Hua University(国立清华大学)
针对血管内自主机器人训练耗时长、存在安全风险且现有模拟器多为闭源的问题,本文提出了开源模拟环境CathSim,通过高保真模拟导管与主动脉及实时力感知,并验证其能有效支持强化学习算法开发自主导管插入任务。
2023-07-31 cs.RO
Affordable Mobile-based Simulator for Robotic Surgery
Digital Surgery Limited(数字手术有限公司);University College London(伦敦大学学院);Kasetsart University(泰国农业大学)
机器人手术和新型手术器械为更安全、更准确和一致的微创手术提供了巨大的潜力。然而,采用这些方法取决于能否获得培训设施和广泛的外科培训。与开放式或腹腔镜相比,机器人器械需要不同的灵巧技能。因此,外科医生需要投入大量时间参加广泛的培训计划。相反,由于用于培训目的的机器人系统的可用性有限,实际操作经验代表了医院的额外运营成本。外科医生和医院面临的所有这些技术和财政障碍都阻碍了机器人手术的采用。在本文中,我们提出了一个移动灵活性训练包,以发展基本的手术技术在一个负担得起的设置。该系统可用于训练基本的外科手术姿势,并开发操纵机器人器械所需的运动技能。我们的工作提出了架构和组件需要创建一个模拟环境的培训子任务,以及便携式移动机械手,可用作主控制器的不同仪器的设计。初步研究结果表明,该系统的可用性和技能的发展。
2018-07-20 cs.RO