The Artificial Intelligence behind the winning entry to the 2019 AI Robotic Racing Competition
Delft University of Technology(代尔夫特理工大学)
机器人技术是人工智能(AI)发展的下一个前沿,因为机器人操作的现实世界代表了一个巨大的,复杂的,连续的状态空间,具有固有的实时要求。目前,机器人技术的一个极端挑战是无人驾驶飞机竞赛。人类无人机赛车手可以以高达190公里/小时的速度在复杂的赛道上飞行。用自主无人机实现类似的速度意味着在资源极端限制的情况下解决人工智能的基本问题。在这篇文章中,我们介绍了第一个AI机器人赛车(AIRR)赛道的获胜解决方案,这是一个由四场比赛组成的比赛,所有参赛队伍都使用相同的无人机,他们只能有限地进入。我们方法的核心是受到人类飞行员如何将对比赛门的嘈杂观察与他们对无人机动态的心理模型相结合以实现快速控制的启发。我们的方法主要集中在使用有效的深度神经分割网络和主动视觉进行门检测。此外,我们的贡献,鲁棒状态估计和基于风险的控制。这使我们在最后一场比赛中达到了约9.2米/秒的速度,这是以前的无人机比赛所无法比拟的。虽然我们的解决方案是最快和最强大的,但它仍然输给了最好的人类飞行员之一Gab 707。所提出的方法为缩小与人类无人机飞行员的差距指明了一个有希望的方向,这是将人工智能带入现实世界的重要一步。
2021-09-30 cs.AI cs.RO
Bayesian Active Learning for Sim-to-Real Robotic Perception
German Aerospace Center (DLR)(德国航空航天中心);Technical University of Munich (TUM)(慕尼黑工业大学)
虽然从合成训练数据中学习最近得到了越来越多的关注,但在现实世界的机器人应用中,由于所谓的模拟到真实的差距,仍然存在性能缺陷。在实践中,仅用合成数据很难解决这一差距。因此,我们专注于在Sim-to-Real学习管道中有效获取真实数据。具体来说,我们采用深度贝叶斯主动学习来最大限度地减少手动注释工作,并设计一个自主学习范式来选择被认为对人类专家有用的数据进行注释。为了实现这一点,提供可靠的不确定性估计的贝叶斯神经网络(BNN)对象检测器适于推断未标记数据的信息量。此外,为了应对不确定性为基础的抽样标签分布的错位,我们开发了一个有效的随机抽样策略,表现良好相比,其他复杂的替代品。在我们对对象分类和检测的实验中,我们展示了我们的方法的好处,并提供了可以显着减少标记工作的证据。最后,我们证明了这一想法的实际有效性,在一个辅助机器人的抓取任务。
2022-08-01 cs.AI cs.LG cs.RO
An Overview of Blockchain Integration with Robotics and Artificial Intelligence
Universidade da Beira Interior(贝拉内格罗大学);Instituto de Telecomunicações(电信研究所)
区块链技术每天都在以快速的节奏增长,并且可以将其与许多系统集成,即机器人与人工智能服务。然而,这仍然是一个最近的领域,还没有一个明确的了解它可能成为什么。在本文中,我们对许多不同的方法和平台进行了概述,这些方法和平台试图将区块链的力量运用到机器人系统中,以改善人工智能服务或解决主要区块链中存在的问题,从而能够创建具有更高功能和安全性的机器人系统。我们提出了一个概述,讨论的方法,并得出结论,我们认为这些技术的集成的未来的文件。
2018-09-30 cs.AI cs.CR
Artificial Intelligence and Robotics
人工智能最近的成功激发了科学界和公众最狂野的想象力。机器人和人工智能放大了人类的潜力,提高了生产力,并从简单的推理转向了类似人类的认知能力。目前的人工智能技术用于一系列应用领域,从医疗保健、制造业、交通运输、能源到金融服务、银行、广告、管理咨询和政府机构。2016年全球人工智能市场约为2600亿美元,预计到2024年将超过3万亿美元。要了解人工智能的影响,重要的是要从过去的成功和失败中吸取教训,本白皮书全面解释了人工智能的发展,其现状和未来方向。
2018-03-28 cs.AI
Artificial Hormone Reaction Networks: Towards Higher Evolvability in Evolutionary Multi-Modular Robotics
Karl-Franzens University Graz(格拉茨卡尔·弗朗岑斯大学)
机器人控制器软件的半自动或自动合成既令人满意又具有挑战性。通过应用人工进化来合成相当简单的行为,例如避免碰撞,已经多次展示。然而,这种合成的难度随着机器人应该执行的任务的复杂性的增加而大大增加。我们试图解决这个问题的复杂性与人工稳态激素系统(AHHS),它提供了内在的,稳态的过程和(瞬态)内在的,变异的行为。通过使用AHHS,对预定义的控制器拓扑或关于应用领域的信息的需要被最小化。我们研究了控制器的原理设计和激素网络大小如何影响人工进化的整体性能(即,进化性)。这是通过比较AHHS的两种变体来完成的,这两种变体在突变时显示出不同的效果。我们进化了一个机器人的控制器,该机器人由五个自主合作的模块组成。期望的行为是通过使用模块的主铰链导致快速运动的步态形式。
2010-11-17 cs.AI cs.NE cs.RO
Neuroscience-inspired perception-action in robotics: applying active inference for state estimation, control and self-perception
Donders Institute for Brain, Cognition and Behaviour(唐德斯脑、认知与行为研究所);Radboud University(拉德堡德大学)
与机器人不同,人类通过与世界互动来学习、适应和感知自己的身体。发现大脑如何代表身体并产生动作对机器人技术和人工智能至关重要。在这里,我们将讨论神经科学的发现如何为改进机器人技术中的当前估计和控制算法提供机会。特别是,主动推理,一种大脑如何抵抗自然紊乱倾向的数学公式,提供了一个统一的配方,可能解决机器人技术中的一些主要挑战,如适应性,鲁棒性,灵活性,泛化和安全交互。本文总结了在真实体现平台上开发这种计算模型的一些实验和经验教训,即,人形机器人和工业机器人。最后,我们展示了我们仍然面临的限制和挑战,以赋予机器人类似人类的感知
2021-05-10 cs.AI cs.RO q-bio.NC
Ethics of Artificial Intelligence and Robotics in the Architecture, Engineering, and Construction Industry
Stony Brook University(石溪大学);National Taiwan University(台湾大学);Texas A&M University(德克萨斯农工大学);University of Sharjah(沙迦大学);Embry-Riddle Aeronautical University(安柏瑞德航空大学)
本研究从伦理视角系统回顾了过去五年AEC行业的AI与机器人研究,识别出九个关键伦理问题和十三个相关研究主题,并提出七个未来研究方向,以促进更安全高效的应用。
2023-10-09 cs.AI cs.RO
NIMS-OS: An automation software to implement a closed loop between artificial intelligence and robotic experiments in materials science
Center for Basic Research on Materials(材料基础研究中心);National Institute for Materials Science(国家材料科学研究所);Graduate School of Frontier Sciences, The University of Tokyo(东京大学前沿科学研究生院);Research Center for Energy and Environmental Materials(GREEN)(能源与环境材料研究中心(GREEN));Center for Advanced Battery Collaboration, Research Center for Energy and Environmental Materials (GREEN)(先进电池协作中心,能源与环境材料研究中心(GREEN))
NIMS-OS通过整合AI技术与机器人实验,实现材料探索的闭环自动化,支持模块扩展和可视化工具,提供电解质自动探索的演示。
2023-04-27 cond-mat.mtrl-sci cs.AI cs.RO
On the role of Artificial Intelligence methods in modern force-controlled manufacturing robotic tasks
Department of Information Engineering, Electrical Engineering and Applied Mathematics (DIEM), University of Salerno(信息工程、电气工程与应用数学系(DIEM),萨勒诺大学)
本文综述AI在去毛刺、抛光和PiH装配等力控制造机器人任务中的应用,比较近期方法并指出挑战,提出统一指标、性能优化整合和场景验证等方向。
2025-01-09 cs.AI cs.RO
Learning What Can Be Picked: Active Reachability Estimation for Efficient Robotic Fruit Harvesting
Washington State University(华盛顿州立大学)
本文提出一种结合RGB-D感知与主动学习的方法,用于高效判断水果可达性,减少标注工作量并提高预测精度,实验表明在低标注情况下,熵和边距采样效果最佳。
2026-05-12 cs.AI cs.RO
Active Reward Learning for Co-Robotic Vision Based Exploration in Bandwidth Limited Environments
MIT-WHOI Joint Program in Applied Ocean Science and Engineering(麻省理工学院-伍兹霍尔海洋学研究所应用海洋科学与工程联合项目);Massachusetts Institute of Technology (MIT)(麻省理工学院);Woods Hole Oceanographic Institution (WHOI)(伍兹霍尔海洋学研究所)
我们提出了一种新的POMDP问题制定的机器人,必须自主决定去哪里收集新的和科学相关的图像与人类操作员的通信能力有限。从这个配方中,我们得到的约束条件和设计原则的观察模型,奖励模型,和这样的机器人的通信策略,探索技术来处理非常高维的观察空间和相关的训练数据的稀缺性。我们引入了一种新的主动奖励学习策略的基础上,使查询,以帮助机器人最大限度地减少路径“遗憾”在线,并通过模拟评估其适用于自主视觉探索。我们证明,在一些带宽有限的环境中,这种新的后悔为基础的标准,使机器人探险家收集高达17%以上的奖励每一个任务比下一个最好的标准。
2020-03-10 cs.AI cs.RO
Active Inference and Behavior Trees for Reactive Action Planning and Execution in Robotics
TU Delft(代尔夫特理工大学)
我们提出了一个混合的主动推理和行为树(BTs)的反应行动规划和执行在动态环境中,显示如何机器人任务可以制定为一个自由能最小化问题。所提出的方法允许处理部分可观察的初始状态,并提高了经典BT对意外事故的鲁棒性,同时减少了树中的节点数。在这项工作中,我们指定的名义行为离线,通过BT。然而,与以前的方法相比,我们引入了一种新类型的叶节点来指定要实现的期望状态,而不是要执行的操作。执行哪个动作以达到期望状态的决策通过主动推理在线执行。这导致持续的在线规划和分层审议。通过这样做,代理可以遵循预定义的离线计划,同时仍然保持在运行时本地适应和自主决策的能力,尊重安全约束。我们提供了收敛性和鲁棒性分析的证明,我们验证了我们的方法在两个不同的移动机械手执行类似的任务,无论是在模拟和真实的零售环境。结果表明,改进的运行时适应性与一小部分的手工编码的节点相比,经典的BT。
2022-11-25 cs.AI cs.RO
Commentaries on "Learning Sensorimotor Control with Neuromorphic Sensors: Toward Hyperdimensional Active Perception" [Science Robotics Vol. 4 Issue 30 (2019) 1-10
Research Institutes of Sweden(瑞典研究机构);University of California, Berkeley(加州大学伯克利分校);Luleå University of Technology(吕勒奥理工大学)
这封信件评论了Mitrokhin等人最近发表在Science Robotics文章中的发现[1]。本评注的主要目的是进一步阐述该条所涉及的一些问题。我们的经验是,超维计算与其他计算方法非常不同,在获得实际有用的理解之前,它可能需要相当多的接触。因此,为了向第一次阅读[1]的读者提供该领域的概况,评注包括一个简短的历史概述,并将该条款的调查结果与该领域现有的大量文献联系起来。
2020-03-25 cs.AI cs.CV cs.RO
Uncertainty-Resilient Active Intention Recognition for Robotic Assistants
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));Osnabrück University(奥斯纳布吕克大学);Joint Lab for AI & DS(人工智能与数据科学联合实验室);Institute of Computer Science(计算机科学学院)
针对机器人助手意图识别中不确定性与感知噪声的挑战,提出一个以意图识别POMDP为核心、整合实时传感器数据与规划器组合的鲁棒框架,并在实体机器人上验证了其有效性。
2025-08-26 cs.AI cs.RO
ActiveArena: Benchmarking and Understanding Active Perception in Robotic Manipulation
Beihang University(北京航空航天大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);Peking University(北京大学);Tsinghua University(清华大学)
ActiveArena提出模拟器与基准,含35个任务和13种VLA配置,系统评估机器人主动感知,发现记忆采样、容量、本体感觉及子任务监督可提升OOD泛化,为主动感知研究提供统一测试平台。
2026-09-24 cs.AI cs.RO
Active Markov Information-Theoretic Path Planning for Robotic Environmental Sensing
National University of Singapore(新加坡国立大学);Carnegie Mellon University(卡内基梅隆大学)
最近的研究在多机器人探索和地图集中在采样环境领域,这是典型的高斯过程(GP)建模。现有的信息理论的探索策略,学习基于GP的环境场地图采用非马尔可夫问题结构,因此规模差的历史观测的长度。因此,使用这些策略进行原位、实时主动采样在计算上变得不切实际。为了减轻这种计算负担,本文提出了一种基于马尔可夫的方法,有效的信息理论的路径规划主动采样的GP为基础的领域。我们分析了解决基于马尔可夫路径规划问题的时间复杂度,并分析表明,它的规模优于得出的非马尔可夫策略,随着规划范围的长度增加。对于一类称为样带采样任务的探索任务,我们提供了理论上的保证,我们的主动采样性能的马尔可夫为基础的政策,从理想的环境场条件和采样任务设置可以建立限制其性能下降,由于违反马尔可夫假设。对实际温度和浮游生物密度场数据的实证评估表明,我们的基于马尔可夫的政策通常可以实现主动采样性能相比,广泛使用的非马尔可夫贪婪政策在不太有利的现实条件和任务设置,同时享受显着的计算增益。
2011-01-28 cs.AI cs.LG cs.MA
Tactile Active Inference Reinforcement Learning for Efficient Robotic Manipulation Skill Acquisition
Research Center for Intelligent Robotics, School of Astronautics, Northwestern Polytechnical University(西北工业大学航天学院智能机器人研究中心);National Key Laboratory of Aerospace Flight Dynamics, Northwestern Polytechnical University(西北工业大学航空航天飞行动力学全国重点实验室)
提出触觉主动推断强化学习(Tactile-AIRL),结合主动推断与视觉触觉感知,通过自由能最小化进行规划,显著提升了机器人操作在密集和稀疏奖励任务下的训练效率与实用性。
2023-11-19 cs.AI cs.RO
Pogobot: an Open-Source, Low-Cost Robot for Swarm Robotics and Programmable Active Matter
Sorbonne Université, CNRS, ISIR(索邦大学,法国国家科学研究中心,ISIR研究所);Gulliver Lab, ESPCI Paris - PSL(Gulliver实验室,巴黎ESPCI-PSL);Sorbonne Université, SUMMIT(索邦大学,SUMMIT研究所);Sorbonne Université, CNRS, IBPS, LJP(索邦大学,法国国家科学研究中心,IBPS,LJP)
本文提出开源低成本机器人平台Pogobot,通过振动/轮式运动、红外定向通信和模块化架构,支持群体智能与可编程活性物质研究,并已在多所大学部署超过200台。
2025-11-07 cs.AI cs.MA cs.RO
Performance Comparison of Classical and Neural Sampling Algorithms for Robotic Navigation
dept. of Economics Oran2 Mohamed BenAhmed University(经济系奥兰2莫哈梅德·本·阿赫迈德大学)
本文在含凸凹障碍物的环境中比较了RRT*、Neural RRT*和Neural Informed RRT*三种算法,发现神经引导规划器能生成更短(最多14%)和更平滑(55-75%)的路径,其中Neural Informed RRT*综合性能最优。
2026-05-24 cs.AI cs.RO
Robotics Rights and Ethics Rules
Suleyman Demirel University(苏莱曼·德米雷尔大学);Mehmet Akif Ersoy University(穆罕默德·阿基夫·埃尔索伊大学)
在将我们的大部分生活交付给人工智能系统时,严格遵守道德和社会影响是非常重要的。随着工业4.0,物联网,数据分析和自动化已经开始在我们的生活中发挥重要作用。随着工业5.0的Yapanese版本,我们注意到人机交互和人类智能正在与认知计算机协调工作。在此背景下,与技术发展相协调的人工智能算法工作的机器人开始进入我们的生活。但机器人最近抱怨的后果是,在知识产权和道德方面如何被遵循的重要问题已经出现。虽然我国目前还没有规范机器人的法律,但国外关于机器人伦理和权利的法律已经生效。这意味着我们必须以机器人和人工智能在新世界秩序中如此重要的方式组织必要的安排。在这项研究中,它的目的是检查现有的规则的机器和机器人的伦理,并设置一个例子,在我国的安排,并在此背景下进行了各种讨论。
2018-09-24 cs.AI cs.RO
Use of Python and Phoenix-M Interface in Robotics
Vikas Publishing House Pvt Ltd(维卡斯出版私人有限公司)
在本文中,我将展示如何使用Python编程与计算机接口,如凤凰-M 1驱动简单的机器人。在我对人工智能(AI)的探索中,我正在机器人技术中尝试许多不同的可能性。这一个将尝试模仿一个简单的昆虫的神经系统的工作使用硬布线和一些最小的软件使用。这是我的先进机器人技术和人工智能集成的先驱,我计划通过知识反馈和更新过程使用基于机器学习和自我意识的人工智能新范式。
2010-12-31 cs.AI cs.RO
Artificial Intelligence and Systems Theory: Applied to Cooperative Robots
本文介绍了一种方法来设计人口的合作机器人的概念借用系统理论和人工智能的基础上。这项研究是在里斯本系统和机器人研究所(ISR/IST)的智能系统实验室进行的SocRob项目下开发的。该项目的首字母缩写代表“机器人社会”和“足球机器人”,我们正在测试我们的机器人种群的案例研究。设计足球机器人是一个非常具有挑战性的问题,机器人不仅要将球射向球门,还要检测和避免静态(墙壁,停止机器人)和动态(移动机器人)障碍物。此外,他们必须合作击败对手。我们过去和现在在足球机器人方面的研究包括用于世界建模的协作传感器融合,对象识别和跟踪,机器人导航,多机器人分布式任务规划和协调,包括合作和对抗环境中的协作强化学习,以及用于协作机器人团队实时的任务执行的基于行为的体系结构。
2004-11-08 cs.AI cs.RO
A Perspective on Robotic Telepresence and Teleoperation using Cognition: Are we there yet?
在过去的10年里,远程呈现和远程操作机器人吸引了大量的关注。随着人工智能(AI)革命的开始,我们可以看到广泛的机器人应用正在实现。智能机器人系统正在工业和家庭环境中部署。远程呈现是指虚拟地或通过机器人化身出现在远程位置的想法。类似地,从远程位置操作机器人执行各种任务的想法被称为遥操作。这些技术在医疗保健、教育、监控、灾难恢复和企业/政府部门有着重要的应用。但问题仍然是他们的成熟度,安全性和安全水平。我们还需要考虑如何增强用户体验,以及对进入下一代计算的此类技术的信任。
2022-03-06 cs.AI cs.CV cs.HC
Commonsense Scene Semantics for Cognitive Robotics: Towards Grounding Embodied Visuo-Locomotive Interactions
University of Bremen(不来梅大学);Örebro University(厄勒布鲁大学)
我们提出了一个常识性的,定性的模型体现视觉空间和机车互动的语义基础。其主要贡献是将低级视觉处理与植根于人工智能的以人为本的空间和运动表示相结合的综合方法。我们展示了实际的适用性,涉及对象的相互作用和室内运动的例子。
2017-09-15 cs.AI cs.CV cs.RO
Active exploration of sensor networks from a robotics perspective
Humboldt-Universität zu Berlin(柏林洪堡大学)
对于需要集成到无线网络中的机器人来说,传统的算法通常专注于一项特定的任务。在这项工作中,我们要开发简单的,自适应和可重用的算法,为现实世界中的应用程序,这种情况下。从移动无线网络节点最基本的任务开始,找到另一个节点的位置,我们介绍了一种算法能够解决这个任务。然后,我们展示了如何使用该算法来解决大量其他相关的任务,如找到最佳位置来桥接两个静态网络节点。为此,我们首先介绍了一个元算法的启发自主机器人学习策略和内部模型的概念,产生了一类移动节点的源查找算法。该算法的有效性证明在现实世界的实验中使用物理移动机器人和标准的802.11无线局域网在办公室环境中。我们还讨论了传统算法的差异,并给出了这类算法的机器人的角度来看。然后,我们继续展示如何更复杂的任务,这可能会遇到的移动节点,可以在同一个框架中编码,以及如何介绍的算法可以解决这些问题。这些任务可以是直接(跨层)优化任务,也可以编码更复杂的任务,如桥接两个网络节点。我们选择桥接场景作为一个例子,在一个真实的物理机器人上实现,并展示了机器人如何在现实世界的实验中解决它。
2015-11-17 cs.AI cs.NI cs.RO
From Passive Observer to Active Critic: Reinforcement Learning Elicits Process Reasoning for Robotic Manipulation
Shanghai Jiao Tong University(上海交通大学);Northeastern University(东北大学);Xiamen University Malaysia(厦门大学马来西亚分校);The University of Hong Kong(香港大学);The Chinese University of Hong Kong(香港中文大学);Xspark AI
本文提出PRIMO R1框架,通过强化学习使视频MLLMs成为主动批评者,提升机器人操作中长期任务的监督准确性,实验表明其在过程推理和零样本泛化方面表现优异。
2026-07-08 cs.AI cs.CL cs.CV
Active Exploration for Robotic Manipulation
Technical University of Darmstadt(达姆施塔特工业大学);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
尽管近年来机器人技术和机器学习取得了重大进展,但机器人操作仍然是一个很大程度上未解决的问题。操纵中的关键挑战之一是当被操纵的对象之间存在连续接触时对环境的动态的探索。本文提出了一种基于模型的主动探索方法,使有效的学习稀疏奖励机器人操作任务。所提出的方法估计的信息增益目标使用的概率模型的合奏和部署模型预测控制(MPC)计划的行动,最大限度地提高预期的回报,同时也执行定向探索。我们评估我们提出的算法在模拟和一个真正的机器人,从头开始训练我们的方法,在一个具有挑战性的球推任务倾斜的桌子上,目标球的位置是不知道代理先验。我们的真实世界的机器人实验作为一个基本的应用程序的积极探索基于模型的强化学习的复杂的机器人操作任务。
2022-10-23 cs.LG cs.RO
Modeling and Simulation of Robotic Finger Powered by Nylon Artificial Muscles- Equations with Simulink model
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文详细介绍了由尼龙人工肌肉驱动的三连杆机器人手指的建模和可用于机器人手指数值研究的simulink模型。机器人手原型最近在最近的出版物Wu,L.中展示,Jung de Andrade,M.,撒哈拉湖罗马河,鲍曼河,和Tadesse,Y.,2017年,由尼龙人工肌肉驱动的紧凑且低成本的人形手,Bioinspiration & Biomimetics,12(2)。机器人手是一种3D打印的,轻巧而紧凑的手,由镀银尼龙肌肉驱动,通常称为扭曲和盘绕聚合物(TCP)肌肉。TCP肌肉是热致动器,当它们被加热时会收缩,并且它们在机器人技术中的应用越来越受到关注。本文的目的是证明的建模方程推导的基础上欧拉拉格朗日方法,适合在simulink模型中实现。
2019-01-28 cs.RO math.DS
An Efficient Learning Control Framework With Sim-to-Real for String-Type Artificial Muscle-Driven Robotic Systems
Department of Advanced Manufacturing and Robotics, College of Engineering(先进制造与机器人学院);State Key Laboratory of Turbulence and Complex Systems, Peking University(湍流与复杂系统国家重点实验室)
本文提出一种具有sim-to-real迁移的高效强化学习控制框架,通过Bootstrap和augmentation增强提高数据效率,并采用肌肉动力学随机化弥合仿真与真实差距,在两自由度机器人眼和并联机器人腕部实验中验证了其有效性。
2025-05-26 cs.RO
Active Inference for Robotic Manipulation
Intelligent Autonomous Systems(智能自主系统实验室);Technical University of Darmstadt(达姆施塔特工业大学)
尽管在过去的几十年中机器人技术和机器学习取得了重大进展,但机器人操作仍然是一个很大程度上未解决的问题。操纵的核心挑战之一是部分可观察性,因为智能体通常不知道环境的所有物理属性和它预先操纵的对象。最近出现的一种以显式方式处理部分可观测性的理论是主动推理。它通过驱动智能体以一种不仅是目标导向的而且是关于环境的信息的方式行动来做到这一点。在这项工作中,我们将主动推理应用于一个难以探索的模拟机器人操作任务,其中代理必须将球平衡到目标区域。由于这项任务的回报是稀疏的,为了探索这个环境,智能体必须学习在没有任何外部反馈的情况下平衡球,纯粹是出于自己的好奇心。我们表明,主动推理引起的信息寻求行为允许代理系统地探索这些具有挑战性的,稀疏的环境。最后,我们得出结论,使用信息寻求目标是有益的,在稀疏的环境中,并允许代理解决任务的方法,不表现出定向探索失败。
2022-06-01 cs.LG cs.RO
Real-world Transfer of Evolved Artificial Immune System Behaviours between Small and Large Scale Robotic Platforms
在移动机器人技术中,适应性的一个可靠测试是控制系统不仅在各种物理环境中工作,而且在许多不同的机器人平台上工作的能力。本文证明了一组行为演变的模拟微型机器人(epuck)可以转移到一个更大规模的平台(先锋),无论是在模拟和现实世界中。所选择的架构使用epuck行为的人工进化来获得遗传序列,然后将其用于在先驱者上播种独特型人工免疫系统(AIS)。尽管平台之间存在许多硬件和软件差异,但导航和目标寻找实验表明,当使用独特型AIS技术时,进化的行为可以很好地转移到更大的机器人上。相比之下,当单独使用强化学习时,可移植性较差,这验证了所选架构的适应性。
2013-05-31 cs.NE cs.RO
Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems
Rochester Institute of Technology(罗切斯特理工学院);The University of South Florida(南佛罗里达大学)
在这篇文章中,我们提出了一个反向传播自由的方法,通过神经生成编码(NGC)的神经认知计算框架的机器人控制,设计一个代理完全从强大的预测编码/处理电路,促进动态,在线学习从稀疏的奖励,体现规划推理的原则。具体地说,我们制作了一个自适应代理系统,我们称之为主动预测编码(ActPC),它平衡了内部生成的认知信号(旨在鼓励智能探索)与内部生成的工具信号(旨在鼓励目标寻求行为),以最终学习如何使用现实机器人模拟器控制各种模拟机器人系统以及复杂的机器人手臂,即,超现实机器人套件,用于块升降任务,并可以拾取和放置问题。值得注意的是,我们的实验结果表明,我们提出的ActPC代理在面对稀疏(外在)奖励信号时表现良好,并且与几种强大的基于反向传播的RL方法竞争或优于它们。
2022-09-19 cs.LG cs.NE cs.RO
Path planning for unmanned surface vehicle based on predictive artificial potential field. International Journal of Advanced Robotic Systems
Beihang University(北京航空航天大学)
本文提出一种结合时间信息和预测势场的改进方法,用于提升无人水面车辆路径规划的效率和避障能力。
2026-02-22 cs.RO
Sampling Approach Matters: Active Learning for Robotic Language Acquisition
Booz Allen Hamilton(博思艾伦汉密尔顿)
使用主动学习对训练数据的选择进行排序可以提高从较小语料库中学习的效率。我们提出了一个探索的主动学习方法应用于三个接地的语言问题的不同复杂性,以分析什么方法是适合提高数据效率的学习。我们提出了一种方法,用于分析在这个联合问题空间的数据的复杂性,并报告的基本任务的特点,以及设计决策,如特征选择和分类模型,驱动的结果。我们认为,代表性和多样性在选择数据样本时至关重要。
2020-11-16 cs.CL cs.LG cs.RO
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
Learning Soft Robotic Dynamics with Active Exploration
Soft Robotics Lab, D-MAVT, ETH Zurich(软机器人实验室,ETH Zurich);Learning & Adaptive Systems Group, D-INFK, ETH Zurich(学习与自适应系统组,ETH Zurich);ETH AI Center, ETH Zurich(ETH人工智能中心,ETH Zurich)
提出不确定性感知的主动探索框架SoftAE,通过概率集成模型估计认知不确定性并引导探索,在多种软体机器人形态上实现了更准确、可泛化的动力学建模与零样本控制。
2026-11-05 cs.AI cs.RO
AIR4Children: Artificial Intelligence and Robotics for Children
AIR4Children(儿童人工智能与机器人项目)
我们推出AIR4Children,即儿童人工智能,作为(a)解决包容性,可访问性,透明度,公平,公正和参与方面的一种方式,(b)在人工智能和机器人(AIR)中创建负担得起的以儿童为中心的材料。我们目前的挑战和机会,为儿童为中心的方法空气。同样,我们还涉及开源软件和硬件技术,以使儿童在AIR领域的参与更具包容性,负担得起和公平。然后,我们描述了AIR4Children可以根据我们最初的试点和经验开发开源软件和硬件的途径。同样,我们建议遵循蒙台梭利教育的理念,帮助儿童不仅发展计算思维,而且通过运动和重复活动内化新概念和学习技能。最后,我们总结了我们工作的机会,主要是我们提出了未来的工作,把在这里提出的评估空气对儿童,教师,家长和他们的社区的潜在影响付诸实践。
2021-03-13 cs.RO
BRAVE-6D: Benchmark for Robotic Active Vision in 6DOF Pose Estimation
TU Wien(维也纳工业大学)
针对机器人抓取小物体中主动视觉方法难以公平比较的问题,提出基于3DGS视图合成的BRAVE-6D基准,用于评估6自由度姿态估计的主动视觉系统,并验证了基线方案的有效性。
2026-09-16 cs.RO
Active Robotic Mapping through Deep Reinforcement Learning
Stanford University(斯坦福大学)
我们提出了一种方法来学习代理主动机器人映射,其目标是尽可能快地映射环境。智能体通过获得与其构建准确地图的速度相对应的奖励来学习在模拟环境中有效地进行地图绘制。与以前的工作相比,这种方法学习的探索政策的基础上,用户指定的环境配置和传感器模型的先验,使其专门的规格。我们评估的方法,通过一个模拟的灾难地图的情况下,发现它实现的性能略好于一个接近最佳的近视勘探计划,这表明它可能是有用的,在更复杂的问题场景。
2017-12-28 cs.RO
Active fall prevention: robotic vision in AAL
Warsaw University of Technology(华沙理工大学)
有效预防跌倒的方法能显著提高老年人的生活质量。如今,人们主要关注的是公寓的扶手和跌倒检测系统,一旦发生。本文介绍了一种使用配有视觉传感器的服务机器人对家庭空间中的跌倒风险进行主动检测和分类的系统。危险分类允许有效执行分配给机器人的任务,同时保持较高的用户安全水平。
2021-04-01 cs.RO
Material Classification Using Active Temperature Controllable Robotic Gripper
National Institute of Advanced Industrial Science and Technology (AIST)(日本国立产业技术综合研究所 (AIST));CNRS-University of Montpellier(法国国家科学研究中心-蒙彼利埃大学)
识别技术允许机器人做出适当的规划和控制策略来操纵各种物体。当通过组合几个感知来进行对象识别时,例如,视觉和触觉每个物体材料的显着特征之一是其热特性,分类可以利用热传递,类似于人类的热感觉。基于热的识别具有通过使用微小且便宜的传感器简单地捕获温度变化来实时获得接触表面信息的优点。然而,机器人表面和接触物体之间的热传递强烈地受初始温度和环境条件的影响。当一个物体的温度与机器人的夹持器尖端相同时,它的材料就不能被识别出来。我们提出了一个材料分类系统,使用主动温度可控的机器人夹持器,以诱导热流。随后,我们的系统可以独立于环境温度识别材料。机器人抓取器表面可以调节到任何温度,使其与被触摸物体的表面区分开来。我们通过将温度控制系统与Academic SCARA机器人集成进行了一些实验,并使用从抓取目标对象获得的温度数据,基于长短期记忆(LSTM)对其进行分类。
2021-11-30 cs.LG cs.RO
Artificial Intelligence for Long-Term Robot Autonomy: A Survey
University of Oxford(牛津大学);University of Lincoln(林肯大学);Czech Technical University in Prague(布拉格捷克理工大学)
自主系统将在不同领域的许多应用中发挥重要作用,包括太空,海洋,空中,野外,道路和服务机器人。他们将协助我们的日常工作,并执行危险,肮脏和枯燥的任务。然而,使机器人系统能够在复杂的现实世界场景中长时间(即数周、数月或数年)自主执行提出了许多挑战。其中一些已经被人工智能(AI)的子学科研究,包括导航和地图,感知,知识表示和推理,规划,交互和学习。不同的子学科已经开发出了技术,当这些技术重新集成到自主系统中时,可以使机器人在复杂的长期场景中有效地运行。在本文中,我们调查和讨论人工智能技术作为长期机器人自主的“使能者”,目前在长期运行的机器人系统中集成这些技术的进展,以及人工智能在长期自主中的未来挑战和机遇。
2018-07-13 cs.AI cs.RO
Active Perception and Representation for Robotic Manipulation
Kindred Systems;University of Waterloo(滑铁卢大学)
绝大多数视觉动物主动控制它们的眼睛、头部和/或身体,将目光投向环境的不同部分。相比之下,强化学习在机器人操作中的最新应用采用相机作为被动传感器。这些都是精心放置,以查看一个场景从一个固定的姿势。主动感知使动物能够收集关于世界的最相关信息,并将其计算资源集中在需要的地方。它还使他们能够从不同的距离和视角观看物体,提供丰富的视觉体验,从中学习环境的抽象表示。受灵长类动物视觉运动系统的启发,我们提出了一个框架,利用主动感知的好处来完成操纵任务。我们的代理使用视点变化来本地化对象,以自我监督的方式学习状态表示,并执行目标导向的行动。我们将我们的模型应用到一个6自由度动作空间的模拟抓取任务中。与被动的固定摄像头相比,主动模型在目标抓取方面的性能提高了8%。与普通的深度Q学习算法相比,我们的模型的样本效率至少高出四倍,突出了主动感知和表示学习的优势。
2020-03-15 cs.CV cs.LG cs.RO
Active Learning in Robotics: A Review of Control Principles
Northwestern University(西北大学)
主动学习是一个决策过程。无论是在抽象的环境中还是在实际的环境中,主动学习都需要分析和行动。这是一个机器人学中的主动学习的综述,主要关注符合具身学习系统要求的方法。机器人必须能够通过持续的在线部署来高效灵活地学习。这提出了一组独特的控制导向的挑战-必须选择合适的措施作为目标,综合实时控制,并产生分析,以保证性能和安全性与环境或机器人本身的有限知识。在这项工作中,我们调查的机器人主动学习系统的基本组成部分。我们讨论类的学习任务,机器人通常遇到的措施,他们衡量的信息内容的意见,并生成行动计划的算法。此外,我们提供了各种例子-从环境映射到非参数形状估计-突出学习任务,信息措施和控制技术之间的质的差异。最后,我们讨论了面向控制的开放式挑战,包括安全约束学习和分布式学习。
2021-06-25 cs.RO
ActiveScale: Scaling Active Perception for Robots across Model, Data, and Hardware
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对固定视点下机器人操作信息缺失问题,提出ActiveScale框架,通过模型、数据、硬件协同设计,实现VLA模型主动感知,提升任务成功率。
2026-09-22 cs.LG cs.RO
The active visual sensing methods for robotic welding: review, tutorial and prospect
School of Computer Science and Technology, Huaibei Normal University(淮北师范大学计算机科学与技术学院)
本文系统综述了机器人焊接中的主动视觉感知方法,将其按用途分为焊缝跟踪、缺陷检测、三维熔池测量和路径规划四类,并提供三维标定教程及未来展望。
2024-03-06 cs.CV cs.RO
Predicting the Timing of Camera Movements From the Kinematics of Instruments in Robotic-Assisted Surgery Using Artificial Neural Networks
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
机器人辅助手术使外科医生和患者都受益,然而,外科医生经常需要调整内窥镜摄像机以获得良好的视角。同时控制摄像机和手术器械是不可能的,并且因此,这些摄像机调整重复地中断手术。自主相机控制可以帮助克服这一挑战,但大多数现有系统都是被动的,例如,让摄像机跟随手术器械我们提出了一种预测方法,用于预测何时使用人工神经网络发生摄像机运动。我们使用了手术器械的运动学数据,这些数据是在对猪模型进行机器人辅助手术培训期间记录的。我们将数据分割成片段,并将每个片段标记为紧接在相机移动之前的片段,或者不标记的片段。由于大的类不平衡,我们训练了一个网络集合,每个网络都在训练数据的平衡子集上。我们发现,仪器的运动学数据可以用来预测相机运动何时发生,并评估了不同段持续时间和合奏大小的性能。我们还研究了可以提前多少时间预测即将到来的相机移动,并发现预测相机移动发生前0.25秒,0.5秒和1秒,相对于预测即将到来的相机移动,准确率分别达到98%,94%和84%。这表明,摄像机运动事件可以被预测得足够早,以便留出时间来计算和执行自主摄像机运动,并表明RAMIS的自主摄像机控制器有朝一日可能是可行的。
2022-02-06 cs.CV cs.LG cs.RO
Integrating Trustworthy Artificial Intelligence with Energy-Efficient Robotic Arms for Waste Sorting
University of East London(东伦敦大学);University of Greenwich(格林威治大学);University College Birmingham(伯明翰大学学院)
提出融合可信 AI 与节能机械臂的垃圾分类框架,采用基于 MobileNetV2 的迁移学习 CNN 识别六类垃圾,并通过仿真器按欧几里得距离优化分拣能耗。
2025-10-20 cs.RO cs.SY eess.SY
R-AIF: Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models
Rochester Institute of Technology(罗切斯特理工学院);VERSES AI Research Lab(VERSES AI 研究实验室);University of Sussex(萨塞克斯大学)
本文提出R-AIF,通过引入新颖的先验偏好学习技术和自我修正计划,解决稀疏奖励下连续动作空间POMDPs的机器人控制问题,在累积奖励、稳定性和成功率上优于现有模型。
2024-09-21 cs.AI cs.CV cs.LG
CEASE: Collision-Evaluation-based Active Sense System for Collaborative Robotic Arms
State Key Laboratory of Mechanical System and Vibration, School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械与动力工程学院机械系统与振动国家重点实验室)
针对协作机械臂固定视觉碰撞检测范围受限的问题,提出带旋转摄像头的主动感知系统CEASE,通过状态置信包络表征障碍物、马尔可夫决策过程优化观测序列,显著提升动态障碍物观测覆盖率与机械臂安全性。
2024-03-09 cs.RO
Towards Artificial Nerves: Biomimetic Optical-Fiber Tactile Sensing for Robots
School of Engineering Mathematics and Technology, University of Bristol(工程数学与技术学院,布里斯托大学)
研究旨在为机器人开发仿生光纤触觉传感,以实现类人触觉感知。核心方法是OptiTac传感器模拟人类触觉结构,将触觉信号当图像用简单分析方法处理。主要贡献是建立传感框架,为未来分布式触觉系统提供可扩展路线,展示生物学原理对机器人人工神经开发的指导作用。
2026-07-20 cs.RO
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
The Transfer of Evolved Artificial Immune System Behaviours between Small and Large Scale Robotic Platforms
School of Computer Science, University of Nottingham(诺丁汉大学计算机学院)
本文证明了一组行为演变的模拟上的微型机器人(epuck)可以转移到一个更大规模的平台(虚拟先锋P3-DX),也不同的形状,传感器类型,传感器配置和编程接口。所选择的架构使用强化学习辅助的遗传算法来进化epuck行为,其被编码为遗传序列。然后,先驱者将此序列用作自适应独特型人工免疫系统(AIS)控制架构的一部分。在三个不同的模拟世界中进行的测试表明,只要其自适应AIS机制到位,Pioneer就可以使用这些行为成功地导航和解决目标跟踪任务。
2010-06-25 cs.NE cs.RO
A Framework for Active Haptic Guidance Using Robotic Haptic Proxies
University of Maryland, College Park(马里兰大学帕克分校)
触觉反馈是创建沉浸式混合现实体验的重要组成部分。传统上,响应于用户与虚拟环境的交互来呈现触觉力。在这项工作中,我们探索的想法,以积极主动的方式呈现触觉力量,明确的意图,通过引人注目的触觉力量影响用户的行为。为此,我们提出了一个框架,在混合现实中的主动触觉指导,使用一个或多个机器人触觉代理来影响用户的行为,并提供一个更安全,更身临其境的虚拟体验。我们提供的细节,需要克服的共同挑战时,实施主动触觉指导,并讨论示例应用程序,显示如何主动触觉指导可以用来影响用户的行为。最后,我们应用主动触觉指导的虚拟现实导航问题,并进行用户研究,演示如何主动触觉指导创建一个更安全,更身临其境的体验,为用户。
2023-02-27 cs.GR cs.RO