FaceBots: Steps Towards Enhanced Long-Term Human-Robot Interaction by Utilizing and Publishing Online Social Information
UAE University（阿联酋大学）；New York Institute of Technology（纽约理工学院）；Aristotle University（亚里士多德大学）；University of Paderborn（帕德博恩大学）
我们的项目旨在通过创建具有面部识别和自然语言对话能力的实体机器人，支持创建可持续和有意义的长期人机关系，这些机器人利用并发布网络（Facebook）上的社交信息。我们的主要实验假设是，如果人类和机器人逐渐创建一个共享的情景记忆池，他们可以共同引用（共享记忆），如果他们都嵌入到他们都认识和遇到的其他人类和机器人的社交网络中（共享朋友），这种关系可以显著增强。在本文中，我们提出了这样一个机器人，我们将看到实现两个重要的新奇。
2009-04-30 cs.AI cs.CV cs.RO
Self-supervised reinforcement learning for speaker localisation with the iCub humanoid robot
Italian Institute of Technology（意大利理工学院）；University of Genova（热那亚大学）；University of Lethbridge（莱斯布里奇大学）
在未来，机器人将与人类进行越来越多的互动，并且必须进行自然和有效的沟通。自动语音识别系统（ASR）将在创造自然交互和使机器人成为更好的伴侣方面发挥重要作用。人类擅长在嘈杂环境中进行语音识别，能够滤除噪音。在这种嘈杂的环境中，看一个人的脸是人类过滤语音所依赖的机制之一。拥有一个可以看向说话者的机器人可以在具有挑战性的环境中提高ASR的性能。为了实现这一目标，我们提出了一个基于自我监督强化学习的框架，该框架受到人类早期发展的启发，允许机器人自主创建一个数据集，该数据集后来用于学习使用深度学习网络来定位扬声器。
2020-11-12 cs.AI cs.RO
Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments
University of Lincoln（林肯大学）；University of Oxford（牛津大学）；Örebro University（厄勒布鲁大学）
本文提出了一种新的方法，在大规模环境中的移动机器人的全球定位。我们的方法利用基于学习的本地化和基于过滤的本地化，通过使用深度学习的分布播种蒙特卡洛本地化（MCL）来有效和精确地定位机器人。特别地，快速定位系统通过深度概率模型（具有深度核的高斯过程回归）快速估计6-DOF姿态，然后精确的递归估计器根据几何对准来细化估计的机器人姿态。更重要的是，高斯方法（即深度概率定位）和非高斯方法（即MCL）可以通过重要性采样自然地集成。因此，这两个系统可以无缝集成并相互受益。为了验证所提出的框架，我们提供了一个案例研究，在大规模定位与三维激光雷达传感器。我们在密歇根NCLT长期数据集上的实验表明，所提出的方法能够在大约0.5平方公里的大规模环境中平均在1.94 s（中位数为0.8 s）内定位机器人，精度为0.75 m。
2020-07-15 cs.CV cs.LG cs.RO
An Infrastructure-less, Control-Independent Solution to Relative Localisation of a Team of Mobile Robots using Ranging Measurements
Department of Industrial Engineering, University of Trento（特伦托大学工业工程系）；Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系）
提出一种无锚点、完全去中心化的协作定位算法，仅依赖局部里程计、稀疏测距和短程通信，无需控制机器人运动即可实现团队可观测性，采用多假设贝叶斯框架保证鲁棒性。
2026-06-19 cs.MA cs.RO
Bayesian Optimisation for Safe Navigation under Localisation Uncertainty
The University of Sydney（悉尼大学）
在室外环境中，移动机器人需要在具有不同特征的地形中导航，其中一些特征可能会显著影响平台的完整性。理想情况下，机器人应该能够根据自己对环境的感知来识别安全的导航区域，同时避免对自己造成伤害。贝叶斯优化（BO）已成功地应用于任务的学习模型的地形可穿越性，同时引导机器人通过更多的可穿越的地区。然而，一个问题是，定位的不确定性最终可能会将机器人引导到不安全的区域，并扭曲正在学习的模型。在本文中，我们解决这个问题，并提出了一种新的方法，允许BO考虑本地化的不确定性，通过应用高斯过程模型作为先验的不确定输入。我们评估所提出的方法在模拟和实验中与一个真正的机器人在崎岖的地形航行，并比较它对标准BO方法。
2018-02-17 cs.AI cs.LG cs.RO
Safe Probabilistic Planning for Human-Robot Interaction using Conformal Risk Control
University of Washington, Department of Electrical and Computer Engineering（华盛顿大学电气与计算机工程系）；University of Washington, Department of Aeronautics and Astronautics（华盛顿大学航空与航天系）
本文提出结合控制屏障函数与符合风险控制的方法，以提高人机交互中的安全性和效率。
2026-03-11 cs.AI cs.RO
RANT: Ant-Inspired Multi-Robot Rainforest Exploration Using Particle Filter Localisation and Virtual Pheromone Coordination
RANT通过粒子滤波定位和虚拟信息素协调，实现多机器人在嘈杂环境中的高效雨林探索，提升热点识别与地图构建效率。
2026-02-10 cs.RO
Topological Navigation of Simulated Robots using Occupancy Grid
以前，我提出了度量导航方法在Webots移动机器人模拟器。导航Khepera类机器人建立一个环境的占用网格，并探索周围的方形房间与价值迭代算法。现在，我创建了一个基于占用网格过程的拓扑导航程序。通过一个扩展算法的结果是一个图的重要地点和它们之间的连接路线。我还展示了在这个过程中获得的显著的时间利润。
2004-11-08 cs.AI cs.RO
Mobile Robot Localisation and Navigation Using LEGO NXT and Ultrasonic Sensor
University of Bristol（布里斯托大学）；The Hong Kong University of Science and Technology（香港科技大学）；Shandong University（山东大学）；Jilin University（吉林大学）；Shenzhen Sanhang Industrial Technology Research Institute（深圳三航工业技术研究院）
移动机器人对个人和行业都变得越来越重要。移动机器人技术不仅被该领域的专家使用，而且在业余爱好者中也很受欢迎。然而，实现移动机器人自主执行任务可能是昂贵的，因为需要各种类型的传感器和机器人平台的高价格。因此，在本文中，我们提出了一种移动机器人定位和导航系统，它使用了乐高超声波传感器在室内地图的基础上的乐高MINDSTORM NXT。这为大多数机器人爱好者提供了一个负担得起的、即用型的选择。本文提出了一种从超声波传感器采集的失真读数中提取有用信息的有效方法。然后，粒子滤波器被用来定位机器人。在机器人位置估计的基础上，提出了一种基于采样的机器人导航路径规划方法。该方法通过最小化机器人转弯次数和覆盖距离来减小机器人累积运动误差。机器人定位和导航算法在MATLAB中实现。模拟结果表明，三个不同的室内地图位置的平均精度在1和3厘米之间。此外，在一个真实的设置进行的实验表明，所提出的方法的有效性。
2018-10-20 cs.RO
An Integrated Localisation, Motion Planning and Obstacle Avoidance Algorithm in Belief Space
University of Genoa（热那亚大学）
随着机器人越来越多地被用于接近人类和物体，机器人必须在现实世界条件下安全有效地运行。然而，环境很少被完全了解。噪声传感器和致动误差复合到在估计环境特征时引入的误差。我们提出了一种新的方法（1）将这些不确定性的机器人状态估计和（2）计算碰撞的概率有关的估计机器人配置。给出了碰撞概率的无穷级数表达式，并证明了其收敛性。截断误差的上界也来自和所需的条款的数量证明通过分析不同的机器人和障碍配置的收敛性。我们评估我们的方法，使用两个模拟域，使用基于路线图的策略来合成满足碰撞概率界限的轨迹。
2021-01-27 cs.AI cs.RO
RaSpectLoc: RAman SPECTroscopy-dependent robot LOCalisation
University of Surrey（萨里大学）；Surrey Institute for People-Centered Artificial Intelligence（萨里以人为本人工智能研究所）；Industrial 3D Robotics（工业3D机器人公司）
本文提出 RaSpectLoc，首次利用拉曼光谱获取材料组成信息进行机器人定位，并发布 Gazebo 插件、演示和首个基准数据集，实验表明其定位精度比领先基线提高 16%。
2023-09-21 cs.RO
Online Localisation and Colored Mesh Reconstruction Architecture for 3D Visual Feedback in Robotic Exploration Missions
ONERA（法国航空航天实验室）；Université Paris-Saclay（巴黎萨克雷大学）；University of Toulouse（图卢兹大学）
本文介绍了一种用于地面探测机器人的在线定位和彩色网格重建（OLCMR）ROS感知体系结构，旨在在具有挑战性的未知环境中执行鲁棒的同时定位和映射（SLAM），并提供实时的相关彩色3D网格表示。它旨在由远程操作员使用，以便在任务期间或之后轻松可视化地图环境，或作为探索机器人领域进一步研究的开发基础。该架构主要由精心选择的基于LiDAR的SLAM算法的开源ROS实现以及使用点云和投影到3D空间的RGB相机图像的彩色表面重建过程组成。的整体性能进行评估，在较新的学院手持激光雷达视觉参考数据集和两个实验轨迹上收集的代表性轮式机器人在城市和农村的户外环境。索引词：现场机器人，地图，SLAM，彩色表面重建
2022-07-21 cs.CV cs.RO
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
Deep Robust Multi-Robot Re-localisation in Natural Environments
CSIRO（联邦科学与工业研究组织）；Queensland University of Technology（昆士兰科技大学）
针对自然环境中单模态重定位易失败的问题，提出利用激光雷达-图像跨模态与自监督2D-3D特征匹配预测对齐/未对齐，以增强重定位鲁棒性，并在真实数据集上验证了有效性。
2023-07-26 cs.RO
Robot Learning from a Physical World Model
Google DeepMind（谷歌DeepMind）；USC（美国斯克利普斯大学）；Stanford（斯坦福大学）；Toyota Research Institute（丰田研究机构）
该研究提出PhysWorld框架，通过结合视频生成与物理世界重建，将生成视频中的视觉演示转化为物理准确的机器人动作，实现零样本泛化且无需真实机器人数据，显著提升操作精度。
2025-11-10 cs.AI cs.CV cs.RO
Real-Time Visual Localisation in a Tagged Environment
Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（布拉格捷克理工大学信息学、机器人与控制论研究所）
在机器人仓库中，一个主要问题是在机器人工作区域进行干预时人类操作员的安全。目前的解决方案是关闭每个机器人，但这会导致生产力下降，特别是对于大型自动化仓库。为了避免这种损失，我们需要在不关闭机器人电源的情况下确保操作员在仓库中进行干预时的安全。人类操作员需要在仓库中本地化，机器人的轨迹必须修改，以便它们不会干扰人类。本文的目的是展示一个视觉定位方法与视觉元素，已经在当前的仓库设置。
2017-07-31 cs.CV cs.RO
Teaching Machine Learning Fundamentals with LEGO Robotics
本文介绍了一个基于网页的机器学习平台和为期两天的课程，通过无编程的机器人活动向12至17岁学生教授机器学习概念，展示了平台在提升学生理解力和学习动机方面的有效性。
2026-04-05 cs.AI cs.CY cs.HC
A Minimum Energy Filter for Distributed Multirobot Localisation
Australian National University（澳大利亚国立大学）；Defence Science and Technology Group（国防科学技术集团）
我们提出了一种新的方法来合作定位问题，应用最小能量滤波理论。我们考虑的问题，估计一组移动机器人的姿势在一个环境中，机器人可以感知固定的地标和相邻的机器人，以及与他人共享信息通过通信信道。鉴于绝大多数现有的文献应用的卡尔曼滤波器的一些变体，我们推导出一组滤波器方程的全局状态估计的最小能量滤波的原则的基础上。我们展示了如何过滤器方程可以解耦和计算分布在网络中的机器人之间，而不需要一个中央处理节点。最后，我们提供了一个示范的滤波器的性能模拟。
2020-05-15 cs.MA cs.RO cs.SY
Implementation 2D EKF-Based Simultaneous Localisation and Mapping for Mobile Robot
UNSW Australia（澳大利亚新南威尔士大学）
该项目的主要目标是，基本的EKF为基础的SLAM操作可以充分实现估计的UGV，在这个真实的环境中，涉及动态对象的状态。在基于EKF的SLAM系统的运行过程中，观察到SLAM操作实际实现中的几个问题，如测量数据处理、测量偏差去除、从测量数据中提取地标、对提取的地标进行预滤波以及观察地标中的数据关联。此外，还将基于EKF的SLAM操作与航位推算操作和全球定位系统（GPS）进行比较，以确定基于EKF的SLAM操作在真实环境中的有效性和性能。
2019-05-16 cs.RO
Multi-vision-based Picking Point Localisation of Target Fruit for Harvesting Robots
University of Wollongong（伍伦贡大学）
本文面向收获机器人提出多视觉采摘点定位方法，结合解析法与基于模型的学习算法，利用双RGB-D相机和mocap数据提升定位精度，实验证明Adaboost回归效果最佳。
2025-02-18 cs.CV cs.RO
Self-Improving Semantic Perception for Indoor Localisation
ETH Zürich（苏黎世联邦理工学院）
我们提出了一种新的机器人系统，可以提高其在部署过程中的感知。与从大型数据集学习语义并部署固定模型的既定方法相反，我们提出了一个框架，在该框架中，语义模型在机器人上不断更新以适应部署环境。通过将持续学习与自我监督相结合，我们的机器人系统在部署过程中在线学习，无需外部监督。我们进行了真实世界的实验，机器人定位在3D平面图。我们的实验展示了机器人的语义感知如何在部署过程中得到改善，以及这如何转化为改进的本地化，即使是在完全不同的环境中。我们进一步研究了这种持续学习环境所带来的灾难性遗忘的风险。我们发现记忆重放是减少遗忘的有效措施，并展示了机器人系统即使在不同环境之间切换时也可以改善。平均而言，与部署固定模型相比，我们的系统在分割方面提高了60%，在定位准确性方面提高了10%，并且在适应进一步环境的同时保持了这一改进。
2021-09-15 cs.CV cs.RO
Robot Localisation and 3D Position Estimation Using a Free-Moving Camera and Cascaded Convolutional Neural Networks
Graz University of Technology（格拉茨理工大学）；Joanneum Research - Robotics（约翰内姆研究中心-机器人学）；Oslo University Hospital（奥斯陆大学医院）；University of Oslo（奥斯陆大学）
协作机器人和人机交互的许多工作都集中在识别和预测人类行为，同时考虑机器人本身的信息。当传感器和机器人相互校准时，通常无法重新配置系统，或者需要额外的手动工作时，就会出现这种情况。我们提出了一种基于深度学习的方法来消除机器人和视觉传感器需要相对于彼此固定和校准的约束。该系统学习机器人身体的视觉线索，并能够定位它，以及仅使用2D彩色图像来估计机器人关节在3D空间中的位置。该方法使用了一个级联的卷积神经网络，给出了网络的结构，描述了我们自己收集的数据集，说明了网络的训练和取得的结果。一个经过充分训练的系统在提供机器人所在位置的准确掩模以及其3D关节位置的良好估计方面显示出有希望的结果。精度对于视觉伺服应用来说还不够好，但是，对于一般安全性和一些不需要非常高精度的协作任务来说，它可以是足够的。我们的方法的主要好处是视觉传感器自由移动的可能性。这使得它可以安装在移动物体上，例如，人的身体或在与机器人相同的环境中工作的移动机器人。
2018-05-30 cs.AI cs.RO
Improving Robot Localisation by Ignoring Visual Distraction
University of Surrey（萨里大学）
注意力是现代深度学习的重要组成部分。然而，很少有人强调它的反面：忽视分心。我们的日常生活要求我们明确地避免注意那些混淆我们试图完成的任务的显著视觉特征。这种视觉优先级使我们能够专注于重要的任务，而忽略视觉干扰。在这项工作中，我们引入了神经盲，它使代理能够完全忽略被视为干扰物的对象或类。更明确地说，我们的目标是使一个神经网络完全无法表示其潜在空间中的特定选择类。在一个非常真实的意义上，这使得网络对某些类“盲目”，允许代理专注于对给定任务重要的内容，并演示了如何使用它来改进本地化。
2021-07-25 cs.CV cs.RO
RigidFusion: Robot Localisation and Mapping in Environments with Large Dynamic Rigid Objects
University of Edinburgh（爱丁堡大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）
这项工作提出了一种新的RGB-D SLAM方法，同时分割，跟踪和重建的静态背景和大型动态刚性对象，可以遮挡相机视图的主要部分。先前的方法将场景的动态部分视为异常值，并且因此限于场景中的少量变化，或者依赖于场景中所有对象的先验信息来实现鲁棒的相机跟踪。在这里，我们建议把所有的动态部分作为一个刚体，同时分割和跟踪静态和动态组件。因此，我们能够同时定位和重建的静态背景和刚性动态组件的环境中，动态对象造成大的闭塞。我们评估我们的方法在多个具有挑战性的场景与大动态遮挡。评估表明，我们的方法实现了更好的运动分割，定位和映射，而不需要先验知识的动态对象的形状和外观。
2021-03-04 cs.RO
Online 6DoF Global Localisation in Forests using Semantically-Guided Re-Localisation and Cross-View Factor-Graph Optimisation
CSIRO（澳大利亚联邦科学与工业研究组织）；The University of Queensland (UQ)（昆士兰大学）；Queensland University of Technology (QUT)（昆士兰科技大学）
本文提出FGLoc6D方法，通过语义引导重定位与跨视角因子图优化，解决森林环境中地面机器人的在线6DoF全局定位问题，实现无漂移且有界误差的鲁棒导航。
2025-03-11 cs.RO
Semantic-Aware Particle Filter for Reliable Vineyard Robot Localisation
Lincoln Centre for Autonomous Systems (L-CAS), University of Lincoln, UK（林肯自主系统中心（L-CAS），林肯大学，英国）；MAVLab, TU Delft, Netherlands（MAV实验室，代尔夫特理工大学，荷兰）；Robotics Systems Lab, ETH Zurich, Switzerland（机器人系统实验室，苏黎世联邦理工学院，瑞士）
本文提出一种语义感知粒子滤波方法，通过融合葡萄树干和支撑柱的语义检测、语义墙约束及自适应GPS先验，解决葡萄园中因行结构重复导致的定位混叠问题，并在真实环境中验证其优于AMCL和RTAB-Map。
2025-09-22 cs.CV cs.RO
Correspondenceless scan-to-map-scan matching of homoriented 2D scans for mobile robot localisation
本文提出一种无需建立对应点的二维扫描匹配方法，用于提高移动机器人定位精度，并证明在无扰动时可任意精度恢复位置，有扰动时误差有界。
2021-06-26 cs.RO
Visual Localisation of Mobile Devices in an Indoor Environment under Network Delay Conditions
Oviedo University（奥维耶多大学）；University of Essex（埃塞克斯大学）
当前在家庭自动化和服务机器人环境中的进展突出了开发允许两个系统之间的标准通信的互操作性机制的需要。在DHCompliant协议的开发过程中，已经研究了在室内环境中定位移动设备的问题。设备与位置服务的通信已经进行了研究的时间延迟，Web服务提供的套接字前面。从实时定位系统获取数据的重要性预示着，互操作性的基本工具，如Web服务，在这种情况下可能是无效的，因为在调用服务时增加了延迟。本文的重点是介绍一个Web服务来解决一个坐标请求没有任何显着的延迟相比，套接字。
2011-03-29 cs.RO
Coarse-to-Fine Learning for Multi-Pipette Localisation in Robot-Assisted In Vivo Patch-Clamp
Imperial College London（帝国理工学院）；Imperial-X Initiative（Imperial-X计划）；Department of Bioengineering（生物工程系）
针对在体多微管膜片钳实时定位的挑战，提出基于GAN去噪与两阶段Transformer的粗到细学习方法，实现高精度多微管尖端定位。
2025-03-31 cs.CV cs.LG cs.RO
Multi-Objective Convolutional Neural Networks for Robot Localisation and 3D Position Estimation in 2D Camera Images
Joanneum Research - Robotics（约翰内姆研究中心-机器人学）；The Intervention Centre, Oslo University Hospital（奥斯陆大学医院介入中心）；Department of Informatics, University of Oslo（奥斯陆大学信息学系）
协作机器人和人机交互领域通常关注人类行为的预测，同时假设有关机器人设置和配置的信息是已知的。这通常是固定设置的情况，即所有传感器都相对于系统的其余部分固定和校准。然而，当系统需要重新配置或移动时，它成为一个限制因素。我们提出了一种深度学习方法，旨在解决这个问题。我们的方法学习在2D摄像机图像中识别和精确定位机器人，因此不再需要固定设置，并且可以移动摄像机。此外，我们的方法识别机器人类型，并估计在相机图像中的机器人基地的3D位置，以及每个机器人关节的3D位置。学习是通过使用具有前面提到的四个目标的多目标卷积神经网络同时使用组合的损失函数来完成的。多目标方法通过重用一些相同的特征并在较低层中为每个目标进行多样化，使系统更加灵活和高效。一个经过充分训练的系统在提供机器人所在位置的准确掩模以及3D中其基础和关节位置的估计方面显示出有希望的结果。我们将结果与我们以前使用级联卷积神经网络的方法进行比较。
2018-05-30 cs.RO
Toward Trustworthy Robot-Assisted Sliding Palpation for Shallow Vessel Localisation with a Calibrated Digital Twin
Imperial College London（帝国理工学院）
本文提出带校准数字孪生的机器人辅助滑动触诊框架，结合时空图神经网络实现浅血管定位，在三类数据集上验证了模拟到真实的定位精度，为可信触觉触诊提供了进展。
2026-09-01 cs.RO
Navigation without localisation: reliable teach and repeat based on the convergence theorem
Czech Technical University（捷克理工大学）
我们提出了一个新的概念，教和重复视觉导航。所提出的概念是基于一个数学模型，这表明，在教和重复导航的情况下，移动机器人不需要执行明确的定位。相反，一个移动机器人，重复以前教的路径可以简单地“重放”的学习速度，而使用它的摄像机信息只纠正其相对于预期的path.To支持我们的要求，我们建立了一个位置误差模型的机器人，它遍历一个教的路径，只纠正其航向。然后，我们概述了一个数学证明，表明这个位置误差不会随着时间的推移而发散。基于该模型的见解，我们提出了一个简单的单目示教和重复导航方法。该方法计算效率高，不需要摄像机校准，并且可以学习和自主遍历任意形状的路径。在一系列的实验中，我们证明了该方法可以可靠地引导移动机器人在现实的室内和室外条件下，并可以应付不完美的里程计，地标不足，光照变化和自然发生的环境变化。此外，我们还提供导航系统和在http://www.github.com/gestom/stroll_bearnav上收集的数据集。
2018-07-30 cs.RO
Real-time Active Vision for a Humanoid Soccer Robot Using Deep Reinforcement Learning
Qazvin Azad University（加兹温伊斯兰阿扎德大学）；University of Leeds（利兹大学）
在本文中，我们提出了一种主动视觉方法，使用深度强化学习方法的人形足球机器人。所提出的方法自适应优化的机器人的观点，以获得最有用的地标自我定位，同时保持球进入其观点。主动视觉对于具有有限视野的类人决策机器人至关重要。为了处理主动视觉问题，先前已经提出了几种基于概率熵的方法，这些方法高度依赖于自定位模型的准确性。然而，在这项研究中，我们将这个问题描述为一个情景强化学习问题，并采用深度Q学习方法来解决它。所提出的网络只需要相机的原始图像将机器人的头部移向最佳视点。该模型显示出非常有竞争力的80%的成功率，在实现最佳的观点。我们实现了所提出的方法在Webots模拟器中模拟的人形机器人。我们的评估和实验结果表明，所提出的方法优于基于熵的方法在RoboCup的上下文中，在高自我定位错误的情况下。
2020-11-27 cs.AI cs.CV cs.LG
Modular Robot and Landmark Localisation Using Relative Bearing Measurements
Department of Electrical and Electronic Engineering, University of Melbourne（墨尔本大学电子与电气工程系）；School of Engineering, The Australian National University（澳大利亚国立大学工程学院）
提出一种面向独立子系统的模块化非线性最小二乘滤波方法，通过最小二乘推导集成 CI 算法，并在机器人-地标相对方位定位仿真中与联合滤波器及低通信变体进行权衡比较。
2025-07-24 cs.RO cs.SY eess.SP
The Data Market: Policies for Decentralised Visual Localisation
Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
本文提出了一个商业框架，分散共享的导航专业知识之间的一队机器人执行定期任务到一个共同的，但可变的环境。我们建立在我们早期的工作基础上，允许个体代理根据其任务性质或本地化能力需求的实时评估间歇性地启动交易，并根据内部不断发展的对与团队其他成员进行交易的预期价值的信念来选择具有歧视性的贸易伙伴。为此，我们建议一些强制性的属性，经验地图的分布式版本化的形式化应该表现出，以确保最终收敛的状态下的每个代理的地图一系列的成对交换，以及不间断的完整性下的版本化操作的表示。为了减轻硬件和网络资源方面的限制，“数据市场”按世界不同地区分类，代理人将其视为“产品”进行评估和购买。为此，我们展示和评估我们的系统使用公开的牛津RobotCar数据集，手工标记的数据市场目录（接近446公里的完全索引的部分的利益），我们计划一起发布现有的原始立体图像。我们表明，随着时间的推移，通过完善市场政策，代理商实现了定向和加速的方式改善本地化。
2018-01-17 cs.RO
Collection and Evaluation of a Long-Term 4D Agri-Robotic Dataset
Lincoln Centre for Autonomous Systems (LCAS)（林肯自主系统中心（LCAS））；University of Lincoln（林肯大学）
长期自主是机器人最需要的能力之一。在很长的时间范围内反复执行相同任务的可能性，提供高标准的可重复性和鲁棒性，这是很有吸引力的。长期的自主性可以在采用机器人系统进行精准农业方面发挥关键作用，例如帮助人类在大型果园中监测和收获作物。考虑到这一范围，我们报告了一个持续的努力，在长期部署的自主移动机器人在葡萄园的数据汇集跨越多个月。主要目的是收集同一地区不同时间点的数据，以便能够分析环境变化对制图和定位任务的影响。在这项工作中，我们提出了一个基于地图的本地化研究采取4个数据会话。当预构建的地图在视觉上与环境的当前外观不同时，我们确定了预期的失败，并且我们预计LTS-Net是一种旨在提取稳定的时间特征以改善长期4D定位结果的解决方案。
2022-11-25 cs.CV cs.LG cs.RO
Detection, localisation and tracking of pallets using machine learning techniques and 2D range data
University of Genoa（热那亚大学）
工业场景中的自动运输问题正在重新受到关注，因为它可以彻底改变内部物流，特别是在非结构化环境中。本文提出了一种新的架构，允许机器人检测，定位和跟踪（可能是多个）托盘使用机器学习技术的基础上，一个板上的二维激光测距仪。该体系结构由两个主要部分组成：第一级是采用基于快速区域的卷积神经网络的托盘检测器（更快的R-CNN）检测器与基于CNN的分类器级联;第二级是用于定位和跟踪检测到的托盘的卡尔曼滤波器，我们还使用该方法来推迟对在第一阶段中检测到的托盘的提交收购过程。为了对CNN进行微调，该架构已经使用包含340个标记的2D扫描的真实数据集进行了系统评估，这些数据集已经在在线存储库中免费提供。检测性能已被评估的基础上的平均准确度超过k折交叉验证，并在我们的测试中得分为99.58%。关于托盘定位和跟踪，实验已经在机器人接近托盘叉的情况下进行。虽然数据最初是根据我们考虑的用例规范通过仅考虑一个托盘来获取的，但也生成了人工数据，以模拟机器人工作空间中存在多个托盘。我们的实验结果证实，该系统能够识别，定位和跟踪托盘具有很高的成功率，同时对误报具有鲁棒性。
2019-04-28 cs.CV cs.RO
Web Based Teleoperation of a Humanoid Robot
基于云的先进机器人实验室（CARL）集成了全身控制器和基于Web的远程操作，使任何具有Web浏览器的设备都可以访问和控制人形机器人。通过将人形机器人与云集成，可以从任何连接互联网的设备访问它们。增加可访问性很重要，因为很少有人能够访问最先进的人形机器人，限制了它们的发展速度。CARL的实现基于现代软件库、框架和中间件，包括Node.js、Socket.IO、ZMQ、ROS、Robot Web Tools和ControlIt！可行性证明，有经验的人类操作员使用智能手机的网络浏览器来控制梦想家，一个扭矩控制的人形机器人的基础上系列弹性执行器，并使其执行双臂操作任务。该实现可作为许多先进的人形机器人技术的研究和开发的概念验证和基础。
2016-07-19 cs.RO
Shared Autonomy in Web-based Human Robot Interaction
bits-pilani（皮拉尼比特斯学院（注：此处为常见简称，完整应为Birla Institute of Technology and Science, Pilani，中文通常译为“比特拉理工学院”或简称“皮拉尼BITS”，但根据原文直接提取“bits-pilani”））
在本文中，我们的目标是通过实现共享的自主权，通过Web界面，实现人与机器人的工作平衡。共享自主性将用户输入与机器人的自主能力相结合，从而提高了机器人的整体性能。在网页上仅向用户呈现相关信息降低了操作者的认知负荷。通过我们的网络界面，我们提供了一种机制，操作员直接使用显示的信息进行交互，通过应用点和点击范例。此外，我们提出了我们的想法，采用一个人-机器人相互适应的共享自治设置，通过我们的Web界面，有效的团队协作。
2020-02-19 cs.RO
Development and evaluation of automated localisation and reconstruction of all fruits on tomato plants in a greenhouse based on multi-view perception and 3D multi-object tracking
本文提出一种结合多视角感知与3D多目标跟踪的方法，在高度遮挡的温室环境中构建番茄果实通用表示，实现总数估计最大误差5.08%、跟踪准确率最高71.47%，并引入新跟踪指标以分析定位与表示误差。
2023-11-28 cs.CV cs.RO
Container Localisation and Mass Estimation with an RGB-D Camera
DITEN, University of Genoa, Italy（热力学与能源技术研究所，热那亚大学，意大利）
本文提出一种基于单个RGB-D相机的方法，通过自动选择候选容器并平均轻量级模型预测，在CORSMAL数据集上以71.08%的得分实现不同光照和填充条件下的空容器质量估计。
2022-03-02 cs.CV cs.RO eess.IV
Simultaneous Localisation and Mapping with Quadric Surfaces
Imperial College London（伦敦帝国理工学院）；Dyson Technology Ltd.（戴森科技有限公司）
如何在同步定位和地图绘制（SLAM）中表示地图有许多可能性。虽然稀疏的、基于关键点的SLAM系统已经实现了令人印象深刻的准确性和鲁棒性，但它们的地图可能不适合许多机器人任务。密集SLAM系统能够产生密集重建，但是可能在计算上是昂贵的，并且像稀疏系统一样，缺乏关于场景结构的更高级别的信息。人造环境中包含了很多的结构，我们试图利用这一点，使二次曲面作为功能的SLAM系统中使用。我们介绍了一个最小的表示二次曲面，并显示如何将其包含在最小二乘制定。我们还展示了我们的表示可以很容易地扩展到包括额外的约束，如在二次曲面的革命。最后，我们介绍了一个使用我们的表示的概念验证SLAM系统，并提供了一些使用RGB-D数据集的实验结果。
2022-03-15 cs.CV cs.RO
Design specifications of the Human Robotic interface for the biomimetic underwater robot "yellow submarine project"
介绍了一种基于Web的水下水电避碰自主航行仿生潜艇的多智能体设计。本文描述了河流水体的地图拓扑接口的性质和机器人潜艇控制的交互式代理的设计。该代理是迁移在Web上，并在XML/HTML界面设计，具有交互能力和在地图上的可见性。本文从数学上描述了用户界面和用于多Agent描述的地图定义语言
2010-06-28 cs.MA 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
The Penetration of Internet of Things in Robotics: Towards a Web of Robotic Things
Research Centre on Interactive Media, Smart Systems and Emerging Technologies (RISE)（交互式媒体、智能系统与新兴技术研究中心（RISE））；University of Twente（特文特大学）
随着物联网（IoT）渗透到不同的领域和应用领域，它最近也进入了机器人世界。机器人技术是一种现代和快速发展的技术，越来越多地用于工业，商业和家庭环境。物联网与物联网（WoT）一起可以为机器人系统提供许多好处。物联网在机器人技术中的一些好处已经在相关工作中讨论过。本文更进一步，通过文献研究中遇到的各种现实世界的例子，研究物联网在机器人中的实际使用。本文还研究了物联网的潜力，以及机器人系统，调查物联网的概念，特征，架构，硬件，软件和通信方法在现有的机器人系统中使用，哪些传感器和动作被纳入基于物联网的机器人，以及在哪些应用领域。最后，目前的应用，WOT在机器人技术进行了检查和讨论。
2020-01-15 cs.CY cs.RO
Web-based Experiment on Human Performance in Dual-Robot Teleoperation
University of Leeds（利兹大学）
在大多数情况下，从单机器人系统升级到多机器人系统伴随着系统有效载荷和任务性能的增加。另一方面，许多开放环境中的多机器人系统仍然依赖于遥操作。因此，人的性能是遥操作多机器人系统的瓶颈。基于这一思想，多机器人系统的共享自主性和控制方法是开放环境下机器人操作的新兴研究领域。然而，问题仍然存在：在多机器人系统中，人类代理的瓶颈对系统性能的影响有多大？本研究试图通过单机器人系统与双机器人系统在推箱子任务中的遥操作性能比较来探讨这一问题。本机器人遥操作实验是利用网路环境模拟机器人的二维运动。实验结果表明，单个人与多个机器人进行遥操作是困难的，这表明了多机器人系统共享自主权的必要性。
2022-12-13 cs.HC cs.RO
Smart Cloud: Scalable Cloud Robotic Architecture for Web-powered Multi-Robot Applications
Purdue University（普渡大学）
机器人具有固有的有限的机载处理、存储和功率能力。云计算资源有可能在许多应用中为机器人提供显著的优势。然而，为了利用这些资源，必须开发框架来促进机器人与云服务的交互。在本文中，我们提出了一个基于云的架构，称为智能云，旨在克服物理限制的单或多机器人系统通过大规模并行计算，云服务按需提供。Smart Cloud在Amazon Web Services（AWS）上实施，可用于在机器人操作系统（ROS）和非ROS系统上运行的机器人。Smart Cloud采用了首个基于JavaScript的库的架构，可运行与机器学习和其他方法相关的各种机器人应用程序。本文介绍了该架构及其在CPU使用率和延迟方面的性能，最后验证了它的导航和机器学习应用。
2020-09-15 cs.DC cs.LG cs.RO
Web-Gewu: A Browser-Based Interactive Playground for Robot Reinforcement Learning
School of Future Technology, Shanghai University（上海大学未来技术学院）
Web-Gewu 通过 WebRTC 云-边-端架构降低机器人强化学习教育的计算和环境配置门槛，实现低延迟的浏览器端交互和实时可视化。
2026-04-18 cs.RO
DALL-E-Bot: Introducing Web-Scale Diffusion Models to Robotics
Imperial College London（帝国理工学院）
该研究提出DALL-E-Bot，首次将网络规模扩散模型DALL-E用于机器人场景物体 rearrangement，通过文本推断、目标图生成、实物摆放实现零样本自主操作，验证了该技术路线对可扩展无监督机器人学习的价值。
2023-05-04 cs.CV cs.LG cs.RO
ROS2WASM: Bringing the Robot Operating System to the Web
Queensland University of Technology（昆士兰科技大学）；QuantStack；RWTH Aachen（亚琛工业大学）；Italian Institute of Technology（意大利技术研究院）
本文提出 ROS2WASM，将 RoboStack 与 WebAssembly 集成，使 ROS 2 可直接在浏览器中运行，无需本地安装，从而提升机器人研究的可复现性、安全性与教育可及性。
2025-03-07 cs.RO
DR-VLA: Learning Human-Like Quadruped Navigation from Egocentric Web Videos via Domain-Invariant Scene Representations
本文提出DR-VLA框架，通过域不变场景表示迁移人类导航经验，结合EgoLynx数据集与QNS指标，在四足机器人导航任务上提升性能，且可适配自动驾驶场景。
2026-10-14 cs.RO
Recognition of Dynamic Hand Gestures in Long Distance using a Web-Camera for Robot Guidance
School of Mechanical Engineering, Tel-Aviv University（特拉维夫大学机械工程学院）
针对现有动态手势识别模型识别距离短的问题，本研究提出融合SlowFast与Transformer架构的SFT模型，可实现最远20米的远距离动态手势识别，性能优于现有模型，可用于机器人引导场景。
2024-06-18 cs.CV cs.RO
ROSAnnotator: A Web Application for ROSBag Data Analysis in Human-Robot Interaction
University of Melbourne（墨尔本大学）
针对人机交互领域缺乏ROSBag定性分析专用工具的问题，研究人员开发了融合多模态LLM的网页应用ROSAnnotator，支持手动与自动多模态标注及自定义扩展，提升HRI数据分析效率。
2025-01-13 cs.HC cs.RO
EgoInfinity: A Web-Scale 4D Hand-Object Interaction Data Engine for Any-View Robot Retargeting and Video-to-Action Robot Learning
Rice University（莱斯大学）；Robotics and AI Institute（机器人与人工智能研究所）
提出EgoInfinity引擎，从互联网视频自动生成4D手物交互数据，实现跨机器人形态的动作重定向与技能学习，无需人工标注。
2026-06-23 cs.RO
