AI-Driven Collaborative Assembly Line Inspection: System Integration and Deployment Challenges
TEKNOPAR(泰克诺帕尔)
本文介绍AI-PRISM项目中装配线协作检测单元的集成与部署,结合UR10e和Comau Racer-5机器人,通过ROS 2协调,解决安全、AI鲁棒性等挑战,将质检时间缩短25%,显著降低操作员负荷。
2026-09-29 cs.CV cs.HC cs.RO
Interactive Motion Planning for Human-Robot Collaboration Based on Human-Centric Configuration Space Ergonomic Field
Department of Mechanical and Automation Engineering, T-Stone Robotics Institute, The Chinese University of Hong Kong(机械与自动化工程系,T-Stone机器人研究所,香港中文大学);Idiap Research Institute(Idiap研究所);Department of Advanced Robotics, Istituto Italiano di Tecnologia(先进机器人系,意大利Istituto Italiano di Tecnologia)
本文提出基于配置空间人体工学场的运动规划方法,通过高效算法构建人体工学场并集成到阻抗控制机器人中,实验表明其在协作任务中有效降低人体工学成本和肌肉激活,提升人机协作效率。
2025-12-16 cs.RO
MACE: Multi-Agent Autonomous Collaborative Exploration of Unknown Environments
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心)
在本文中,我们提出了一个新的框架,多智能体协作探索未知环境。该方法结合了地图绘制、安全走廊生成和多智能体规划等方面的最新算法。它首先需要一个我们想要探索的体积,然后继续为多个代理提供不同的目标,以便探索该体积的体素网格。当所有体素被发现为空闲或被占用时,或者没有为剩余的未发现的体素找到路径时,探索结束。国家的最先进的规划算法使用时间感知的安全邻居,以保证内部代理碰撞安全以及静态障碍物的安全。所提出的方法进行了测试,在最先进的模拟器多达4个代理。
2022-08-16 cs.RO
Learning Human-Humanoid Coordination for Collaborative Object Carrying
Department of Electrical and Electronic Engineering, the University of Hong Kong(香港大学电子与电气工程系);State Key Laboratory of General Artificial Intelligence, BIGAI(通用人工智能国家重点实验室,BIGAI);School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);Yuanpei College, Peking University(北京大学元培学院)
提出仅依赖本体感觉的强化学习策略COLA,融合领导与跟随行为,实现人形机器人柔顺协作搬运,仿真减少人类努力24.7%,用户研究改善27.4%。
2025-10-16 cs.AI cs.CV cs.LG
Trust in Construction AI-Powered Collaborative Robots: A Qualitative Empirical Analysis
San Diego State University(圣地亚哥州立大学)
本研究通过扎根理论分析建筑从业者半结构化访谈结果,探究建筑领域AI驱动协作机器人的可信特征,发现除文献综述识别的关键信任因素外,财务考量、变革不确定性也是信任的重大障碍。
2023-08-28 cs.AI cs.HC cs.RO
Efficient Collaborative Navigation through Perception Fusion for Multi-Robots in Unknown Environments
Beijing National Research Center for Information Science and Technology, Tsinghua University(北京信息科学与技术国家研究中心,清华大学)
本文提出了一种基于感知融合的多机器人协作导航方法,通过图注意力架构和信息增益权重提升规划效率,实验证明在未知环境中显著提高导航效率和路径优化能力。
2024-11-02 cs.RO
A Collaborative Aerial-Ground Robotic System for Fast Exploration
The Hong Kong University of Science and Technology(香港科技大学);Beihang University(北京航空航天大学)
未知环境的自主探索已广泛应用于检查、监视、搜救等领域。在探测任务中,对机器人的基本要求是尽可能快地探测未知空间。在本文中,我们提出了一个自主的协作系统由一个空中机器人和地面车辆探索在未知的环境。将基于前沿面的方法与谐波场相结合生成路径,并针对地面机器人在障碍物中的安全性和动力学可行性,生成一条最小加加速度的分段Bezier曲线。对于空中机器人,采用运动基元法进行局部路径规划。我们实现了一个自主的协同空-地系统的建议框架。大量的现场实验以及模拟验证的方法,并证明其对每一个单一的车辆更高的效率。
2019-10-20 cs.RO
Highly Efficient Observation Process based on FFT Filtering for Robot Swarm Collaborative Navigation in Unknown Environments
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Sun Yat-sen University(中山大学)
本文提出基于FFT滤波的观测处理方法,通过安全方向提取与环境数据压缩重建,实现未知环境中机器人集群的高效协同导航。
2025-01-02 cs.RO
Intuitive Human-Drone Collaborative Navigation in Unknown Environments through Mixed Reality
New York University(纽约大学);Tandon School of Engineering(坦登工程学院);Worcester Polytechnic Institute(伍斯特理工学院)
本文提出一种基于混合现实的人机接口,通过HMD共享空间信息,在未知环境中实现超越传统遥控的直观安全协同导航,并在模拟灾后场景中验证其优于FPV控制。
2025-04-08 cs.RO
Marsupial Walking-and-Flying Robotic Deployment for Collaborative Exploration of Unknown Environments
NTNU(挪威科技大学);ETH Zurich(苏黎世联邦理工学院)
这项工作有助于有袋类机器人系统的系统,涉及腿和空中机器人能够协作映射和探索路径规划,利用两个系统的异构特性和选择性地部署从地面机器人的空中系统的能力。利用四足机器人灵巧的运动能力和长时间的耐力,有袋动物组合可以在大规模和封闭的环境中探索,包括崎岖的地形。然而,由于某些类型的地形或垂直几何形状可以使任何地面系统无法继续其探索,有袋动物系统可以-在需要时-部署飞行机器人,通过利用其3D导航能力,可以在其耐力限制内进行集中的探索任务。专注于自主性,这两个系统可以通过共享基于LiDAR的地图和单独规划探索路径来共同定位和映射,而足式机器人上的定制图形搜索使其能够识别何时何地应该部署摆渡的空中平台。该系统在多个实验研究中得到验证,证明了有袋动物系统的扩展探索能力,并促进了对其他无法到达的区域的探索。
2022-05-11 cs.RO
Human-robot collaborative object transfer using human motion prediction based on Cartesian pose Dynamic Movement Primitives
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Chalmers University of Technology(查尔姆斯理工大学)
在这项工作中,问题的人-机器人协作对象转移到未知的目标位姿。使用DMP(动态运动基元)对末端执行器姿态轨迹到已知目标姿态的期望模式进行编码。在物体向新的未知目标的转移过程中,提出了一种基于DMP的参考模型和EKF(Extended卡尔曼滤波器)方法,用于估计目标的位姿和人的预期运动持续时间。提供了整体方案的稳定性分析。实验使用Kuka LWR 4+机器人配备ATI传感器在其末端执行器验证其功效方面所需的人力,并比较它与导纳控制方案。
2021-10-27 cs.RO
Adaptive Controllers for Quadrotors Carrying Unknown Payloads
International Institute of Information Technology Hyderabad(国际信息技术学院海得拉巴分校)
随着智能运输的出现,四旋翼正在成为一个有吸引力的解决方案,而提升或下降有效载荷在紧急疏散,建筑工程等,在这样的操作,动态变化(可能是未知的)有效载荷引起系统动态的相当大的变化。然而,一个系统的控制解决方案,以解决这种变化的动态行为仍然是失踪。在这项工作中,提出了两个控制解决方案,以解决两个具体的问题,在空中运输的有效载荷,如下所述。在第一项工作中,我们探索了携带不同未知有效载荷的六自由度四旋翼的跟踪控制问题。由于动态变化引起的不确定性的状态依赖性,最先进的自适应控制解决方案将对这些不确定性是无效的,这些不确定性可能是完全未知的,并且可能是先验无界的。此外,在所有三个位置和姿态角中遵循轨迹时,诸如风的外部干扰。因此,四旋翼自适应控制解决方案,提出了不需要任何先验知识的四旋翼动力学参数和外部干扰。第二项工作的重点是在垂直操作过程中装载和卸载不同有效载荷时四旋翼的互换动态行为。保持所需高度的控制问题,制定通过切换动态框架,以捕获在这种垂直操作的四旋翼的互换动态,并提出了一个鲁棒自适应控制解决方案,以解决这种动态时,它是未知的。闭环系统的稳定性进行了分析研究,并通过仿真验证了所提出的解决方案的有效性。
2021-08-30 cs.RO cs.SY eess.SY
Anticipating Human Behavior for Safe Navigation and Efficient Collaborative Manipulation with Mobile Service Robots
University of Bonn(波恩大学)
本文利用智能边缘传感器网络预测人类行为,提出轨迹投影和意图预测方法,实现移动服务机器人的安全导航与高效协作操作。
2025-09-15 cs.RO
Safety-critical Motion Planning for Collaborative Legged Loco-Manipulation over Discrete Terrain
University of Southern California(南加州大学)
本研究提出一种基于全局与去中心化模型预测控制及自适应全身控制器的安全运动规划方法,解决腿足机器人在离散地形上协同操作未知载荷并避障的问题,并在仿真与硬件实验中验证了其有效性。
2024-10-14 cs.RO
Carrying the uncarriable: a deformation-agnostic and human-cooperative framework for unwieldy objects using multiple robots
Istituto Italiano di Tecnologia(意大利技术研究院);University of Genoa(热那亚大学)
这篇手稿介绍了一个对象变形不可知的框架,共同携带的任务,一个人和多个机器人之间共享。我们的方法允许由人完全控制共同携带的轨迹,同时根据对象的大小和重量与多个机器人共享负载。这是通过合并通过对象传递的触觉信息和从运动捕捉系统获得的人体运动信息来实现的。该框架的一个重要优点是,无论物体大小和变形特性如何,机器人之间都不需要严格的内部通信。我们验证了框架与两个具有挑战性的现实世界的情况下:共同运输的木制刚性壁橱和一个笨重的箱子上的叉车移动带,与后者的特点可变形的物体。为了评估所提出的框架的通用性,一个异构的团队的两个移动机械手,包括一个全方位的移动基地和一个合作的机器人手臂具有不同的自由度选择的实验。我们的控制器和基线控制器之间的定性比较(即,导纳控制器)在这些实验中证明了所提出的框架的有效性,特别是当共同携带可变形物体时。此外,我们相信,我们的框架在实验过程中的性能与提升带提供了一个有前途的解决方案,为笨重和难以把握的对象的共同运输。
2023-02-09 cs.RO
On the Collaborative Object Transportation Using Leader Follower Approach
TCS Research(塔塔咨询服务公司研究院)
针对部分已知障碍环境下的多智能体协作运输问题,提出结合比例导航导引与Stop-and-Sync算法的主从式方法,通过机械臂补偿非完整约束偏差,保持负载刚性,经对比验证了算法有效性。
2023-05-02 cs.RO
Flexible collaborative transportation by a team of rotorcraft
Southern University of Denmark(丹麦南方大学);Delft University of Technology(代尔夫特理工大学)
我们提出了一个组合的方法,由一个团队的旋翼机的悬浮有效载荷的协同运输。最近的距离为基础的编队运动控制算法的基础上分配距离之间的分歧机器人产生的加速度信号被跟踪的车辆。特别是,所提出的方法不需要全球的位置,也不跟踪规定的轨迹的运动的团队成员。加速度信号由增量非线性动态逆控制器精确跟踪,该控制器为旋翼机设计,用于测量和抵抗来自有效载荷的张力。我们的方法允许我们分析系统中涉及的加速度和力,以便我们可以明确地计算最坏情况下的条件,以保证标称性能,只要有效载荷在编队的2D质心中静止开始,并且它没有受到显著的干扰。例如,我们可以计算团队相对于其所需形状的最大安全变形。我们演示了我们的方法与一个团队的四个旋翼机进行悬浮物体的两倍,比个人的最大有效载荷。最后但并非最不重要的是,我们提出的算法可用于开源自动驾驶仪Paparazzi社区。
2019-02-01 cs.RO
Hierarchical Adaptive Motion Planning with Nonlinear Model Predictive Control for Safety-Critical Collaborative Loco-Manipulation
提出一种基于非线性模型预测控制和控制障碍函数的四足机器人团队分层协同移动操作控制系统,实现复杂动态环境下的安全自适应规划与操作,并通过仿真和硬件实验验证。
2024-11-16 cs.RO
PECMAN: Perception-enabled Collaborative Multi-Agent Navigation in Unknown Environments
Department of Electrical and Computer Engineering, University of Connecticut(电子与计算机工程系,康涅狄格大学)
PECMAN通过分布式树形变形和共享感知策略,实现多智能体在未知环境中的协作导航,提高实时适应性和效率,减少冗余反应,提升团队完成效率达52%。
2026-05-10 cs.MA cs.RO
BodyGuards: Escorting by Multiple Robots in Unknown Environment under Limited Communication
本文提出BodyGuards框架,通过整合协同探索、机器人与操作员通信和护送任务,减少操作员在对抗性环境中的导航时间与风险。
2026-03-16 cs.RO
Collaborative Grid Mapping for Moving Object Tracking Evaluation
Heudiasyc UMR CNRS 7253, Université de technologie de Compiègne(康皮涅技术大学,Heudiasyc UMR CNRS 7253实验室)
本文提出一种基于栅格建图与多车及路侧传感器协同的半自动伪真实数据生成方法,用于智能车辆感知评估,并通过实验验证其有效性。
2023-11-17 cs.RO
Collaborative Radio SLAM for Multiple Robots based on WiFi Fingerprint Similarity
Singapore University of Technology and Design(新加坡科技设计大学);Southwest University of Science and Technology(西南科技大学);Nanyang Technological University(南洋理工大学)
同时定位与地图构建(SLAM)使自主机器人能够在未知环境中导航和执行任务。然而,利用单个机器人在大型环境中执行SLAM是低效的,并且视觉或基于LiDAR的SLAM需要计算上昂贵的特征提取和匹配算法。在本文中,我们提出了一种协作SLAM方法与多个机器人使用的普及WiFi无线电信号。提出了一种集中式的解决方案,以优化轨迹的基础上里程计和无线电指纹收集从多个机器人。为了提高定位精度,引入了一种新的相似性模型,该模型结合了接收信号强度(RSS)和接入点(AP)的检测可能性。我们进行了大量的实验,以证明所提出的相似性模型和协作SLAM框架的有效性。
2021-10-20 cs.RO
Compliant Control of Quadruped Robots for Assistive Load Carrying
针对四足机器人辅助负载搬运,提出融合导纳控制与基于 CBF 的 QP 的柔顺控制框架,可估计外部力旋量、精确控制加速度、抑制扰动并避免与前方协作者碰撞,且经硬件与仿真验证。
2025-03-13 cs.RO cs.SY eess.SY
Efficient Frontier Management for Collaborative Active SLAM
École Centrale de Nantes(南特中央理工学院);University of Genoa(热那亚大学)
针对多机器人协作主动SLAM,提出一种集中式前沿共享方法,通过信息增益、距离和奖励计算最大化探索并分散机器人,同时保持低不确定性,并引入同步与异步协调机制,在ROS中实现并验证了其有效性。
2024-07-22 cs.RO
A Cooperation Control Framework Based on Admittance Control and Time-varying Passive Velocity Field Control for Human-Robot Co-carrying Tasks
针对人机协同搬运中的人机冲突、安全交互与运动同步问题,本文提出结合导纳控制与带能量补偿的时变无源速度场控制的协作框架,实验证明其可显著提升任务表现、降低人体负荷。
2025-11-16 cs.RO
DCL-SLAM: A Distributed Collaborative LiDAR SLAM Framework for a Robotic Swarm
Sun Yat-Sen University(中山大学);Hong Kong University of Science and Technology(香港科技大学)
提出DCL-SLAM,一个完全分布式的协作激光雷达SLAM框架,通过轻量级描述符和分布式优化实现机器人集群在未知环境中的协同定位,具有高精度和低通信带宽。
2023-04-13 cs.RO
Probabilistic Semantic Data Association for Collaborative Human-Robot Sensing
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出概率语义数据关联(PSDA)算法,并将其融入递归混合贝叶斯数据融合框架,以解决人机协作感知中人类语义数据存在错误和参考歧义时的鲁棒状态估计问题。
2023-04-10 cs.RO
Multi-Robot Decentralized Collaborative SLAM in Planetary Analogue Environments: Dataset, Challenges, and Lessons Learned
Department of Computer and Software Engineering, Polytechnique Montreal(计算机与软件工程系,蒙特利尔大学)
本文提出了一种在类地环境中实现多机器人去中心化协作SLAM的方法,并介绍了用于支持通信受限多机器人操作的新数据集。
2026-01-28 cs.RO
Realm: Real-Time Line-of-Sight Maintenance in Multi-Robot Navigation with Unknown Obstacles
School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院);Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局信息通信研究所);School of Automation, Chongqing University(重庆大学自动化学院);College of Computer Science, Sichuan University(四川大学计算机学院)
针对未知环境下多机器人导航的视线连通性约束问题,提出基于实时点云的约束构建方法、视线距离度量与融合策略,结合势函数保障连通性,构建探索框架,实现未知环境下带视线维持的多机器人协作探索与建图。
2025-02-21 cs.RO
Di-NeRF: Distributed NeRF for Collaborative Learning with Relative Pose Refinement
Toronto Metropolitan University(多伦多 Metropolitan 大学)
提出一种完全分布式的Di-NeRF算法,使多机器人协同优化NeRF参数并联合精化相对位姿,实现低精度位姿下的稳健3D建图,实验验证其效率。
2025-08-07 cs.RO
ColAG: A Collaborative Air-Ground Framework for Perception-Limited UGVs' Navigation
Huzhou Institute of Zhejiang University(浙江大学湖州研究院);Dalian University of Technology(大连理工大学);Zhejiang University(浙江大学)
本文提出ColAG空地协同框架,通过一架具备完整感知能力的UAV与盲UGV集群协作,利用SLAM建图与相对位姿估计共享信息,并建模带时间窗的车辆路径问题动态调度航点,解决了盲UGV集群在未知环境中的安全自主导航问题。
2023-10-20 cs.RO
Collaborative Exploration with a Marsupial Ground-Aerial Robot Team through Task-Driven Map Compression
Autonomous Robots Lab, Norwegian University of Science and Technology (NTNU)(自主机器人实验室,挪威科学技术大学)
针对通信受限环境下的大规模未知区域探索,提出有袋式地空机器人协同框架,采用基于图的路径规划与任务驱动地图压缩,在仿真和真实实验中提升了探索效率并降低了通信开销。
2025-09-09 cs.RO
An Energy Balance Based Method for Parameter Identification of a Free-Flying Robot Grasping An Unknown Object
Institute for Systems and Robotics(系统与机器人研究所);Instituto Superior Tecnico(高等技术学院)
机器人系统的惯性参数的估计对于更好的轨迹跟踪性能是至关重要的,特别是当基于模型的控制器用于执行精确的任务时。在本文中,我们考虑的情况下,掌握一个未知属性的自由飞行空间机器人有限的驱动。问题是要找到整个系统的惯性参数后,已执行的把握。在惯性空间中提供激励,通过优化找到激励轨迹。截断傅立叶级数用于表示参考以及跟踪轨迹。一种基于驱动功和动能变化率之间的能量平衡的方法被引入来计算用于表示执行轨迹的傅立叶级数中的谐波的数量,同时试图找到占饱和效应和保持噪声之间的平衡。研究了输入饱和对参数估计的影响。使用空间CoBot自由飞行机器人的仿真结果表明该方法的可行性。
2018-03-15 cs.RO
Collaborative Navigation and Exploration with $β$-Sparse Gaussian Processes
D. Guggenheim School of Aerospace Engineering, Georgia Tech, Atlanta, GA, USA(佐治亚理工学院D.Guggenheim航空航天工程学院);Department of Electrical and Computer Engineering, UNC Charlotte, Charlotte, NC, USA(北卡罗来纳大学夏洛特分校电气与计算机工程系)
针对异构机器人在未知环境中的协作导航问题,提出一种利用$β$-稀疏高斯过程进行带宽受限下地图点选择和导航动作联合优化的框架,显著降低路径代价和传输信息量。
2026-05-29 cs.RO
Active Collaborative Visual SLAM exploiting ORB Features
LS2N, Ecole Centrale de Nantes (ECN)(南特中央理工学院(ECN)LS2N实验室);Centre National de la Recherche Scientifique (CNRS)(法国国家科学研究中心)
针对多机器人主动协同视觉 SLAM,本文提出结合 ORB 特征、IoU 边界过滤和回环引导的空地机器人方法,在公开数据集仿真中实现累计平均 59% 的覆盖率提升。
2024-09-09 cs.RO
CoRelNav: Collaborative Relational Navigation for Multi-Robot Spatially Constrained Semantic Navigation
Beijing Institute of Technology(北京理工大学)
CoRelNav提出了一种将多机器人探索与候选驱动协作验证相结合的方法,用于空间约束语义导航,在模拟和真实机器人上验证了其有效性。
2026-09-24 cs.RO
Cooperative Transportation using Multiple Single-Rotor Robots and Decentralized Control for Unknown Payloads
Cloud Informatics Research-Domain, Toyota Central R&D Labs., Inc.(丰田中央研究实验室云信息研究部门);R-Frontier Division, Frontier Research Center. Toyota Motor Corporation(丰田电机公司前沿研究中心R前沿部门)
本研究提出了一种基于刚性连接单旋翼机器人和分散控制的协同运输系统,通过反馈控制保证未知严格正实系统的渐近稳定性,并通过仿真与八机器人实验验证了其在未知负载及机器人故障条件下的运输能力。
2025-05-06 cs.RO
A Framework for Collaborative Multi-Robot Mapping using Spectral Graph Wavelets
ETH Zurich(苏黎世联邦理工学院)
大规模未知环境的探索可以受益于部署多个机器人进行协作映射。每个机器人探索环境的一部分,并将机载姿态估计和地图传送到中央服务器,以构建优化的全局多机器人地图。当然,由于机载里程计漂移、故障或退化,机载和服务器估计之间可能出现不一致。映射服务器可以使用诸如机器人间环路闭合检测和多模态映射的计算上昂贵的操作来校正和克服这样的故障情况。然而,如果地图服务器不提供反馈,则各个机器人不会从协作地图中受益。虽然从多机器人地图的服务器更新可以大大减轻机器人任务的战略,大多数现有的工作缺乏他们,由于其相关的计算和带宽相关的成本。出于这一挑战,本文提出了一种新的协作映射框架,使机器人和映射服务器之间的全局映射一致性。特别是,我们提出了图谱分析,在不同的空间尺度上,检测机器人和服务器图之间的结构差异,并生成必要的约束,为个人的机器人姿势图。我们的方法专门找到对应于漂移原点的节点,而不是误差变得太大的节点。我们彻底分析和验证我们提出的框架,使用几个现实世界的多机器人现场部署,我们显示了改善的板载系统高达90%,可以恢复板载估计从本地化故障,甚至从退化的估计。
2022-11-02 cs.RO
A Dual-Arm Collaborative Framework for Dexterous Manipulation in Unstructured Environments with Contrastive Planning
The Hong Kong Polytechnic University(香港理工大学);University of York(约克大学);Shanghai Jiatong University(上海交通大学)
机器人的大多数物体操纵策略都是基于物体是刚性的假设(即,具有固定的几何形状)并且目标的细节已经被完全指定(例如,准确的目标姿势)。然而,存在许多涉及人类环境中的空间关系的任务,其中这些条件可能难以满足,例如,弯曲电缆并将其放入未知容器中。为了在非结构化环境中开发先进的机器人操作能力,避免这些假设,我们提出了一种新的长期框架,利用对比规划,找到有前途的合作行动。使用随机行动收集的模拟数据,我们学习的嵌入模型,以对比的方式编码的时空信息,从成功的经验,这有利于通过聚类在潜在空间中的子目标规划。在基于关键点对应的动作参数化基础上,设计了双臂协作的主从控制方案。我们的策略的所有模型都在模拟中自动训练,并可以直接转移到现实环境中。为了验证所提出的框架,我们进行了详细的实验研究,在模拟和真实环境中的环境和可达性的约束下的一个复杂的场景。
2022-09-13 cs.RO
Dual-Attention Heterogeneous GNN for Multi-robot Collaborative Area Search via Deep Reinforcement Learning
School of Artificial Intelligence, School of Automation, Xi’an University of Posts & Telecommunications(人工智能学院、自动化学院、西安邮电大学);Institute of Artificial Intelligence and Robotics(人工智能与机器人研究所);School of Control Science and Engineering(控制科学与工程学院)
本文提出双注意力异构图神经网络,通过深度强化学习解决多机器人协作区域搜索中的探索与覆盖平衡问题,验证了其在复杂环境中的有效性。
2026-01-07 cs.RO
Ultra-Lightweight Collaborative Mapping for Robot Swarms
针对硬件受限的小型机器人集群建图难题,提出一种去中心化轻量级协同SLAM方法,在仅1.5MB内存的46克无人机上实现低于30厘米的建图精度,成本与计算需求降低两个数量级,支持数百智能体协同。
2024-08-26 cs.RO
Multi-Robot Rendezvous in Unknown Environment with Limited Communication
Shanghai Jiao Tong University(上海交通大学)
针对未知环境中多机器人会合难题,提出PIER分区不完全探索策略与基于合并拓扑地图的会合点选择算法,通过极少通信实现相对位姿估计和高效会合,并经仿真与真实实验验证。
2024-12-03 cs.RO
Reinforcement Learning Driven Multi-Robot Exploration via Explicit Communication and Density-Based Frontier Search
Luleå University of Technology(吕勒奥理工大学)
本文提出一种基于强化学习的去中心化多机器人协同探索框架,结合A*轨迹前沿特征和受约束的显式通信机制,在仿真与真实实验中验证了其鲁棒性和可扩展性。
2024-12-28 cs.RO
Adaptive Whole-Body MPC with Optimal Posture Planning for Humanoid Robots under Unknown Payloads
VinRobotics;Vingroup;Center for AI Research (CAIR), VinUniversity(VinUniversity人工智能研究中心(CAIR))
本文针对人形机器人未知负载下的平衡问题,提出整合质心MPC、自适应模糊平衡控制器与最优姿态规划器的自适应全身控制架构,经实验验证可提升平衡鲁棒性并降低跟踪退化。
2026-10-12 cs.RO
Reactive Temporal Logic Planning for Multiple Robots in Unknown Occupancy Grid Maps
University of Pennsylvania(宾夕法尼亚大学)
本文提出了一种新的反应式时序逻辑规划算法的多个机器人,在未知的几何形状建模使用占用网格地图的环境中运行。机器人配备了单独的传感器,使它们能够使用现有的同时定位与地图构建(SLAM)方法不断学习未知环境的网格地图。机器人的目标是完成复杂的协作任务,由全局线性时序逻辑(LTL)公式捕获。大多数现有的LTL规划方法依赖于在已知环境中操作的机器人动力学的离散抽象,因此,它们不能应用于环境最初未知的更现实的场景。在本文中,我们解决这个新的挑战,提出了第一个反应,抽象,分布式LTL规划算法,可用于复杂的任务规划的多个机器人在未知的环境中运行。所提出的算法是反应式的,即,规划适应于更新的环境地图并且无抽象,因为它不依赖于机器人动力学的设计抽象。此外,我们的算法是分布式的,在这个意义上,全球LTL任务被分解成单智能体的可达性问题在线构建的基础上不断学习的地图。该算法是完整的温和的假设下的结构的环境和传感器模型。我们提供了大量的数值模拟和硬件实验,说明了理论分析,并表明,该算法可以解决复杂的规划任务的大规模多机器人系统在未知的环境。
2020-12-14 cs.RO
Beyond Robustness: Learning Unknown Dynamic Load Adaptation for Quadruped Locomotion on Rough Terrain
Zhejiang University(浙江大学)
针对四足机器人未知动态负载承载的三大挑战,提出负载特性建模方法并结合强化学习,使机器人在无外部传感下推断并稳定负载,仿真与真实实验证明其在突加负载抵抗及重载运动上优于其他方法。
2025-07-10 cs.RO
Uncertainty-bounded Active Monitoring of Unknown Dynamic Targets in Road-networks with Minimum Fleet
the College of Engineering, Peking University(北京大学工学院);Washington University at St. Louis(圣路易斯华盛顿大学)
针对道路网络中未来行为未知的动态目标,本文提出结合m-MVRPTW任务分配与NMPC轨迹优化的在线协调方法,在保证估计不确定性显式有界和安全约束的同时最小化活跃机器人数,并经百级规模仿真验证。
2024-03-05 cs.RO
HDPlanner: Advancing Autonomous Deployments in Unknown Environments through Hierarchical Decision Networks
National University of Singapore(新加坡国立大学);College of Design and Engineering, National University of Singapore(新加坡国立大学设计与工程学院);School of Computing, National University of Singapore(新加坡国立大学计算机学院)
HDPlanner提出基于分层注意力网络和对比学习联合优化的深度强化学习框架,将长期目标分解为短期任务分配与路径规划,在未知环境中显著提升自主探索与导航效率,并在仿真和真实硬件上验证了其优越性与实用性。
2024-08-07 cs.RO
External Camera-based Mobile Robot Pose Estimation for Collaborative Perception with Smart Edge Sensors
University of Bonn(波恩大学)
我们提出了一种方法来估计移动机器人的姿态w.r.t.使用多视图RGB图像的静态相机网络的非同心坐标。通过深度神经网络在智能边缘传感器上本地在线处理图像,以检测机器人并估计在3D机器人模型的独特位置处定义的2D关键点。机器人关键点检测在中央后端同步和融合,其中机器人的姿态通过多视图最小化重投影误差来估计。通过从外部摄像机的姿态估计,机器人的定位可以初始化在一个allocentric地图从一个完全未知的状态(被绑架的机器人问题),并随着时间的推移鲁棒跟踪。我们进行了一系列实验,评估基于摄像头的姿态估计的准确性和鲁棒性相比,机器人的内部导航堆栈,显示我们的基于摄像头的方法实现了低于3厘米和1°的姿态误差,并不会随着时间的推移漂移,因为机器人是本地化allocentrically。随着机器人的姿态精确估计,它的意见可以融合到allocentric场景模型。我们展示了一个真实世界的应用程序,其中从移动机器人和静态智能边缘传感器的观察融合协作建立一个3D语义地图的$\sim$ 240米$^2$室内环境。
2023-03-07 cs.CV cs.RO
Multi-AGV's Temporal Memory-based RRT Exploration in Unknown Environment
Singapore University of Technology and Design(新加坡科技设计大学)
随着多机器人在复杂环境中探索未知区域的需求的增加,需要有效的协作探索策略来实现这一壮举。可以部署基于前沿的快速探索随机树(RRT)探索来探索未知环境。然而,它的贪婪行为导致多个机器人探索具有最高收益的区域,这导致探索过程中的大量重叠。为了解决这个问题,我们提出了一个基于时间记忆的RRT(TM-RRT)的探索策略,多机器人进行鲁棒的探索在一个未知的环境。它为每个分配的边界计算自适应持续时间,并根据每个机器人的相对位置计算边界的收入。此外,每个机器人都配备了一个存储器,包括边界分配和舰队之间的共享,以防止重复分配相同的边界。通过模拟和实际部署,我们已经通过在25.0 m x 54.0 m(1350.0 m2)区域内完成勘探,证明了TM-RRT勘探策略的鲁棒性,而常规RRT勘探策略则有所不足。
2022-07-15 cs.MA cs.RO
MULE: Multi-terrain and Unknown Load Adaptation for Effective Quadrupedal Locomotion
Department of Computer Science & Automation, Indian Institute of Science(计算机科学与自动化系,印度科学研究院)
提出一种自适应强化学习框架,通过标称策略和自适应策略协同,使四足机器人在无需步态设计或手动调参的情况下,动态适应未知载荷与多地形,显著提升了运动指令跟踪的鲁棒性。
2025-05-01 cs.AI cs.RO
Among Us: Adversarially Robust Collaborative Perception by Consensus
New York University(纽约大学);Shanghai Jiao Tong University(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室);Meta AI
针对多机器人协同感知易受未知对抗攻击的问题,提出基于采样与共识验证的 ROBOSAC 防御框架,并给出采样试验次数的理论保证。
2023-08-18 cs.AI cs.CV cs.MA
Safe Human-Robot Collaborative Transportation via Trust-Driven Role Adaptation
我们研究了一个人-机器人协作运输任务存在的障碍。每个代理的任务是携带一个刚性物体到一个共同的目标位置,同时安全地避开障碍物,并满足其他代理的合规性和致动约束。人类和机器人不共享环境的局部视图。人类的策略要么协助机器人,当他们认为机器人的行动是安全的,基于他们对环境的感知,或积极领导的任务。使用估计的人的输入,机器人计划的轨迹为运输对象通过解决有限时间的约束最优控制问题。机器人上的传感器测量人类施加的输入。然后,机器人适当地应用人类应用的输入和其自身计划的输入的加权组合,其中权重基于机器人对人类输入的估计的信任值来选择。这允许在整个任务中机器人的动态领导者-跟随者角色适应。此外,在低信任值下,如果机器人接近人类可能未知的任何障碍物,则它触发安全停止策略,从而保持系统的安全性并发出人类意图的所需改变的信号。实验结果证明了该方法的有效性。
2022-07-13 cs.RO cs.SY eess.SY
Asynchronous Collaborative Autoscanning with Mode Switching for Multi-Robot Scene Reconstruction
University of Science and Technology of China(中国科学技术大学);Shenzhen University(深圳大学)
在对未知室内环境进行在线重建的自主扫描时,机器人必须能够探索场景结构并高质量地重建物体。我们的关键观察是,不同的任务需要专门的扫描性能的机器人:快速移动速度和远的全局探索和缓慢移动速度和局部对象重建,这被称为两种不同的扫描模式:探索者和重建器,分别视野狭窄。当需要多个机器人协作进行有效探索和细粒度重建时,应该仔细回答何时生成以及如何分配这些任务的问题。为此,提出了一种带模式切换的异步协作自动扫描方法,该方法生成两种具有相关扫描模式的扫描任务,探测任务采用探测器模式,重建任务采用重建器模式,并将其分配给机器人以异步协作的方式执行,以极大地提高扫描效率和重建质量。通过求解一个改进的多仓库多旅行商问题(MDMTSP)来优化任务分配。此外,为了进一步增强协作和提高效率,我们提出了一个任务流模型,该模型在任何机器人完成所有任务时立即激活任务生成和分配过程,而无需等待所有其他机器人完成上一次迭代中分配的任务。大量的实验已经进行了显示我们的方法的每个关键组成部分的重要性和优于以前的方法在扫描效率和重建质量。
2022-10-10 cs.GR cs.RO