Split Covariance Intersection Filter Based Visual Localization With Accurate AprilTag Map For Warehouse Robot Navigation
Department of Automation, Shanghai Jiao Tong University（上海交通大学自动化系）；Université Paris-Saclay, ENS Paris-Saclay, CNRS, Centre Borelli（巴黎-萨克莱大学、巴黎-萨克莱高等学院、法国国家科学研究中心、Borelli中心）
针对仓库机器人导航，提出基于分裂协方差交叉滤波器的视觉定位系统，利用精确AprilTag地图融合测量与运动数据，有效处理非线性、时间相关性及异常值，并在真实环境中验证了其优势。
2025-08-14 cs.RO
Wheeled Robots Path Planing and Tracking System Based on Monocular Visual SLAM
Tongji Universty（同济大学）
仓库物流机器人将在不同的仓库环境中工作。为了使机器人能够在不修改现有仓库的情况下更快地感知环境和规划路径，我们使用单目摄像机来实现高效的机器人集成系统。地图绘制和路径规划是本文提出的两个主要任务.采用直接法视觉里程计进行定位，计算出环境中主要障碍物的三维位置。我们用已占用的栅格地图描述地形，将三维点投影到机器人运动平面上，从而确定每个栅格的可达性。基于地形信息，采用优化的A* 算法进行路径规划。最后，根据机器人的定位和规划，控制机器人进行路径跟踪，并研制了一台路径跟踪机器人样机。仿真和实验结果验证了该方法的有效性和可靠性。
2018-07-17 cs.RO eess.IV
Learning Efficient and Fair Policies for Uncertainty-Aware Collaborative Human-Robot Order Picking
Eindhoven University of Technology（埃因霍温理工大学）；Vanderlande Industries B.V.（范德兰德工业有限公司）
针对人机协作订单拣选的随机分配优化问题，提出基于图建模的多目标DRL方法，兼顾效率与公平性，性能优于基准且具备跨仓库规模的迁移能力。
2024-04-09 cs.AI cs.LG cs.RO
Object-RPE: Dense 3D Reconstruction and Pose Estimation with Convolutional Neural Networks for Warehouse Robots
Centre for Applied Autonomous Sensor Systems (AASS)（应用自主传感器系统中心（AASS）；厄勒布鲁大学）；Orebro University
我们提出了一种方法，用于识别场景中的所有对象，并使用RGB-D相机从精确的3D实例感知语义重建中估计它们的完整姿态。我们的框架将卷积神经网络（CNN）和最先进的密集同步定位和映射（SLAM）系统ElasticFusion结合起来，以实现高质量的语义重建以及相关对象的鲁棒6D姿态估计。虽然基于CNN的6D姿态估计的主要趋势是从场景的单个视图推断对象的位置和方向，但我们的方法探索了从多个视点执行姿态估计，推测组合多个预测可以提高目标检测系统的鲁棒性。由此产生的系统能够生成高质量的房间大小的环境的对象感知语义重建，以及准确地检测对象及其6D姿态。所开发的方法已通过实验验证YCB-Video数据集和一个新收集的仓库对象数据集。实验结果证实，该系统实现了改进的国家的最先进的方法，在表面重建和物体姿态预测。我们的代码和视频可以在https://sites.google.com/view/object-rpe上找到。
2019-09-30 cs.RO
Causality-enhanced Decision-Making for Autonomous Mobile Robots in Dynamic Environments
University of Lincoln（林肯大学）；National Research Council of Italy（意大利国家研究 council）；University of Padua（帕多瓦大学）
本文提出基于因果推理的决策框架，通过建模因果关系帮助机器人在动态环境中更高效安全地完成任务，同时开发了PeopleFlow模拟器来评估因果方法的有效性。
2026-05-01 cs.AI cs.RO
GroundSLAM: A Robust Visual SLAM System for Warehouse Robots Using Ground Textures
University at Buffalo（布法罗大学）；Nanyang Technological University（南洋理工大学）
针对仓储机器人前向相机SLAM在动态环境和开阔空间的局限，以及现有地面纹理定位方法在稀疏/重复特征表面的不足，提出无特征的GroundSLAM系统，通过下视相机利用地面纹理实现鲁棒SLAM，并发布首个带真实位姿的地面纹理数据集，性能优于现有方法。
2025-04-16 cs.RO
Together We Rise: Optimizing Real-Time Multi-Robot Task Allocation using Coordinated Heterogeneous Plays
TCS Research（塔塔咨询服务研究中心）
针对动态仓库中的实时多机器人任务分配问题，提出双智能体强化学习框架MRTAgent，结合改进LQR控制器，在支持连续运动的同时优化任务分配与机器人选择，以最小化行驶距离和延迟。
2025-02-22 cs.AI cs.LG cs.MA
Deep Reinforcement Learning for Dynamic Battery Management of Autonomous Order Pickers
Indian Institute of Management Bangalore（班加罗尔印度管理学院）；University of Antwerp（安特卫普大学）
研究随机订单到达下自主订单拣选机器人的动态电池充电问题，提出基于近端策略优化的深度强化学习框架，能动态学习充电站选择和充电时长，实验表明该框架可提高订单完成率、减少充电时间并验证其鲁棒性。
2026-07-08 cs.LG cs.MA math.OC
DC-MRTA: Decentralized Multi-Robot Task Allocation and Navigation in Complex Environments
University of Maryland, College Park（马里兰大学帕克分校）
提出了一种新的基于强化学习（RL）的仓库环境中移动机器人任务分配和分散导航算法。我们的方法是专为多个机器人被用来执行各种拾取和交付任务的场景。研究了分布式任务分配和导航问题，提出了一种两层的求解方法，在高层，通过马尔可夫决策过程来求解任务分配问题，并选择合适的奖励以最小化总行程延迟（TTD）.在较低级别，我们使用基于ORCA的分散导航方案，使每个机器人能够以独立的方式执行这些任务，并避免与其他机器人和动态障碍物发生碰撞。我们通过将较高级别的奖励定义为来自较低级别导航算法的反馈来组合这些较低级别和较高级别。我们进行了广泛的评估，在复杂的仓库布局与大量的代理，并强调了国家的最先进的算法的基础上近视皮卡距离最小化和遗憾为基础的任务选择的好处。我们观察到机器人的任务完成时间提高了14%，计算无碰撞轨迹提高了40%。
2022-09-07 cs.LG cs.MA cs.RO
Visual Foresight for Robotic Stow: A Diffusion-Based World Model from Sparse Snapshots
Amazon, Seattle, US（亚马逊（美国西雅图））
FOREST通过基于稀疏快照的扩散模型，提升仓库存取操作的预测精度，为仓储规划提供有效预见信号。
2026-02-12 cs.AI cs.CV cs.RO
Kinematic-ICP: Enhancing LiDAR Odometry with Kinematic Constraints for Wheeled Mobile Robots Moving on Planar Surfaces
Center for Robotics, University of Bonn（波恩大学机器人中心）；Dexory；Department of Engineering Science at the University of Oxford（牛津大学工程科学系）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文针对轮式移动机器人在平面场景的LiDAR里程计问题，提出Kinematic-ICP方法，在传统ICP优化中引入运动学约束并动态调整LiDAR与轮式里程计权重，实验表明其性能优于现有方法且已在实际场景部署。
2025-02-10 cs.RO
A Capability and Skill Model for Heterogeneous Autonomous Robots
Helmut-Schmidt-University（赫尔穆特·施密特大学）
异构自主机器人团队变得越来越重要，因为他们促进各种复杂的任务。对于这样的异构机器人，目前没有一致的方式来描述每个机器人提供的功能。在制造领域，能力建模被认为是一种很有前途的方法，语义模型的功能提供不同的机器。本文研究了如何将能力模型从制造业扩展到自主机器人领域，并提出了一种建立能力模型的方法。
2023-02-09 cs.AI cs.RO
Deep execution monitor for robot assistive tasks
Alcor Lab, Diag, University of Rome La Sapienza（罗马一大诊断与人工智能实验室（Alcor Lab, Diag, University of Rome La Sapienza））
我们考虑一种新的方法，高层次的机器人任务执行的机器人辅助任务。在这项工作中，我们探讨了学习预测下一个子任务的问题，通过引入一个深度模型来实现排序目标和直观地评估任务的状态。我们表明，用于监控机器人任务执行的深度学习非常好地支持任务级规划和机器人操作之间的互连。这些解决方案还可以处理执行监视器的自然非确定性。我们表明，深度执行监视器利用机器人的性能。我们衡量的改进，考虑到一些机器人帮助在仓库执行的任务。
2019-02-07 cs.AI cs.CV cs.RO
Constrained Bandwidth Observation Sharing for Multi-Robot Navigation in Dynamic Environments via Intelligent Knapsack
Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）
本文提出最优通信方案Intelligent Knapsack (iKnap)，将多机器人通信建模为推理智能体图中的置信度传播，并将观测共享表述为0/1背包问题，有效解决了动态环境带宽约束下的多机器人导航观测共享难题。
2025-03-03 cs.RO
Technical Opinion: From Animal Behaviour to Autonomous Robots
University of Aberdeen（阿伯丁大学）；University of Uyo（乌约大学）
随着机器人在非结构化现实世界环境中的应用越来越多，机器人专家越来越关注这种环境的复杂性所带来的问题。解决这些问题的方法之一是机器人的自主性。由于自然界已经解决了自主性问题，它可以成为开发自主机器人的合适模型。本文从动物行为的角度对机器人自主性进行了简要的综述。它检查了一些国家的最先进的技术，以及建议可能的研究方向。
2020-12-11 cs.AI cs.RO
ARC: Autonomous Robotics Compliance A Three-Layer Governance Architecture for Deployed Autonomous Systems
Wybe Labs Inc.（Wybe实验室公司）
针对自主机器人系统，提出三层合规治理架构ARC，涵盖模型安全验证、认知认证基准与操作授权标准，以保障部署合规性。
2026-09-14 cs.AI cs.CY cs.RO
AUTONAV: A Toolfor Autonomous Navigation of Robots
School of Mathematical and Computational Sciences（数学与计算科学学院）；Indian Association for the Cultivation of Science（印度科学促进协会）
该研究提出工具AUTONAV以自动化机器人自主导航的建图、定位与路径规划任务，其模块化架构支持多算法集成比较，并在室内仿真场景验证了其生成地图与路径规划的能力。
2025-04-10 cs.AI cs.RO
MARL Warehouse Robots
Department of Computer Science, Oral Roberts University（计算机科学系，奥尔巴尼罗尔斯大学）
本文比较了MARL算法在仓库机器人中的性能，发现QMIX在奖励回报上显著优于IPPO，但需大量超参数调优，适用于小规模部署但存在扩展挑战。
2025-12-09 cs.AI cs.RO
DC-Ada: Reward-Only Decentralized Sensor Adaptation for Heterogeneous Multi-Robot Teams
Department of Computer Science, Al-Baha University（阿尔巴大学计算机科学系）
DC-Ada通过冻结预训练共享策略并适应紧凑的机器人观测转换，解决异构多机器人团队中传感器差异导致的性能下降问题，展示了在不同任务和指标下的有效性。
2026-04-29 cs.AI cs.MA cs.RO
REAL-X -- Robot open-Ended Autonomous Learning Architectures: Achieving Truly End-to-End Sensorimotor Autonomous Learning Systems
Frankfurt Institute of Advanced Studies（法兰克福高等研究院）
开放式学习是发展机器人和人工智能的核心研究领域，旨在建立学习机器和机器人，可以自主地获得知识和技能，如婴儿和儿童。这项工作的第一个贡献是研究以前提出的基准“真正的竞争”，旨在促进真正的开放式学习机器人架构的发展所带来的挑战。比赛涉及一个模拟的相机臂机器人：（a）在第一个“内在阶段”获得感觉运动能力，自主与物体互动;（b）在第二个“外在阶段”进行测试，与任务未知的内在阶段，以衡量质量的知识以前获得。这个基准需要解决通常孤立解决的多个挑战，特别是探索，稀疏奖励，对象学习，概括，任务/目标自我生成和自主技能学习。作为第二个贡献，我们提出了一套“REAL-X”机器人架构，能够解决不同版本的基准测试，我们逐步释放初始简化。这些架构基于一种规划方法，这种方法动态地增加了抽象性和促进探索的内在动机。REAL-X在非常苛刻的条件下实现了良好的性能水平。我们认为，REAL基准是研究开放式学习最困难形式的一个有价值的工具。
2022-03-02 cs.AI cs.RO
Deep Reinforcement Learning for Dynamic Order Picking in Warehouse Operations
University of South Florida（南佛罗里达大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Carey Business School（凯瑞商学院）；University of Newcastle（纽卡斯尔大学）；School of Information and Physical Sciences（信息与物理科学学院）
本文提出一种面向单区块仓库自主拣选设备的深度强化学习框架，通过动态优化拣选路径，在高订单到达率下将订单完成率从基准算法的82%提升至约98%，并验证了模型在样本外实例上的鲁棒性。
2025-04-05 cs.LG math.OC
Indoor Localization for Autonomous Robot Navigation
Colorado State University（科罗拉多州立大学）
本研究探索将室内定位系统（IPS）用于自主机器人导航，通过收集数据集、训练模型并开发A*路径规划算法，使机器人利用预测方向导航，实验显示约50%的拐角导航成功率，表明该方向具有研究潜力。
2025-02-28 cs.LG cs.RO
Future Intelligent Autonomous Robots, Ethical by Design. Learning from Autonomous Cars Ethics
Mälardalen University（梅拉达伦大学）；University of Gothenburg（哥德堡大学）
智能自主机器人技术的发展以其对个人和社会产生预期的有益影响为前提。在这种颠覆性的新兴技术的情况下，不仅如何构建的问题，而且为什么要构建以及会产生什么后果的问题都很重要。智能自动驾驶机器人汽车的道德领域是具有可操作实用价值的研究的一个很好的例子，其中包括法律系统和其他社会和政府行为者以及公司和企业在内的各种利益相关者进行合作，带来对技术的道德和社会方面的共同看法。它可以作为一般智能自主机器人开发方法的起始平台，考虑技术生存周期不同阶段的人机界面-开发、实施、测试、使用和处置。从我们对自主智能机器人汽车伦理的研究以及现有的机器人伦理文献中，我们的贡献包括一套价值观和伦理原则，以及确定的挑战和应对挑战的建议方法。这可能有助于智能自主机器人领域的利益相关者将伦理原则与其应用联系起来。我们对自动驾驶汽车道德要求的建议可用于其他类型的智能自动驾驶机器人，但对于社交机器人需要进行更多有关与用户交互的研究。我们强调，现有的道德框架需要以一种对背景敏感的方式加以应用，通过多学科、多能力团队的评估，通过多标准分析。此外，我们认为，需要不断发展的道德原则，指导方针和法规，通过技术的进步和相关利益相关者的参与。
2021-07-16 cs.AI cs.CY cs.RO
Explainable Autonomous Robots: A Survey and Perspective
Osaka University（大阪大学）；The University of Electro-Communications（电气通信大学）
先进的通信协议对于实现自主机器人与人类的共存至关重要。因此，解释能力的发展是迈向自主机器人的紧迫的第一步。本调查概述了机器学习研究中讨论的各种类型的“可解释性”。然后，我们讨论在自主机器人的背景下“可解释性”的定义（即，可解释的自主机器人）通过探索问题“什么是解释？“我们进一步根据这一定义进行了研究调查，并提出了一些相关的主题，以供未来研究。
2021-05-06 cs.AI
AnyBox: Efficient Zero-Shot 9DoF Pose Estimation of Boxes for Robotic Manipulation
Huawei Technologies Canada（华为加拿大技术有限公司）
Box6D通过类别级CAD模板实现仓库存储箱的零样本6D姿态估计，提升精度并减少76%的推理时间。
2026-09-04 cs.AI cs.CV cs.LG
Deep Reinforcement Learning-based Obstacle Avoidance for Robot Movement in Warehouse Environments
AMA University（AMA大学）；New York University（纽约大学）；University of California, Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）；Northeastern University（东北大学）；Cornell University（康奈尔大学）；University of California, Irvine（加州大学欧文分校）；Northern Arizona University（北亚利桑那大学）
针对仓库环境中传统移动机器人避障策略反馈不佳的问题，提出一种基于深度强化学习的避障算法，通过改进价值函数网络并设计基于行人空间行为的奖励函数，实现了高效舒适的避障，仿真实验验证了其有效性。
2024-09-23 cs.AI cs.RO
Avant-Satie! Using ERIK to encode task-relevant expressivity into the animation of autonomous social robots
INESC-ID（里斯本系统与计算机工程研究所）；Instituto Superior Técnico（高等技术学院）；University of Lisbon（里斯本大学）
ERIK是一种表达逆运动学技术，以前已经提出和评估算法和有限的用户交互场景。它允许自主社交机器人在跟踪用户的同时传达基于姿势的表达信息。我们开发了一个新的场景，旨在进一步验证前一个场景中一些不支持的说法。我们的实验具有完全自主的Adelino机器人，并得出结论，ERIK可以用来指导用户的选择在执行给定的任务的行动，完全通过其非语言表达队列。
2022-03-02 cs.AI cs.HC cs.RO
Autonomous Agriculture Robot for Smart Farming
本项目开发了名为AAR的轻量级太阳能-电动地面机器人，集成智能感知、机械臂除草与液体喷洒功能，用于低矮蔬菜作物的半自主作业，实验验证了其在真实环境中的有效性。
2023-09-07 cs.AI cs.CV cs.RO
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
Autonomous Navigation with Mobile Robots using Deep Learning and the Robot Operating System
Imperial College London（帝国理工学院）；AIOZ Ltd.（AIOZ有限公司）
自主导航是机器人研究的一个长期领域，它为移动机器人提供了一种基本的能力，使其能够在人类日常执行的相同环境中执行一系列任务。在本章中，我们提出了一套算法，训练和部署深度网络的自主导航的移动机器人使用机器人操作系统（ROS）。我们描述了解决这个问题的三个主要步骤：i）使用ROS和Gazebo在模拟环境中收集数据; ii）设计用于自主导航的深度网络; iii）在模拟和现实世界中的移动机器人上部署学习策略。从理论上讲，我们提出了深度学习架构，用于在正常环境中进行鲁棒导航（例如，人造房屋、道路）和复杂环境（例如，倒塌的城市或天然洞穴）。我们进一步表明，使用视觉模态，如RGB，激光雷达和点云是必不可少的，以提高移动机器人的自主性。我们的项目网站和演示视频可以在https://sites.google.com/site/autonomousnavigationros上找到。
2020-12-07 cs.RO
MengeROS: a Crowd Simulation Tool for Autonomous Robot Navigation
The Graduate Center（纽约市立大学研究生中心）；Hunter College of The City University of New York（纽约市立大学亨特学院）
虽然在大型拥挤的环境中有效导航对于自主机器人至关重要，但支持它的算法的初步测试需要在广泛的人群场景中进行模拟。大多数可用的仿真工具提供没有机器人的真实人群或没有真实人群的真实机器人。本文介绍了MengeROS，一个2-D模拟器，逼真地集成了多个机器人和人群。MengeROS提供了广泛的设置，用于测试为大型拥挤环境设计的导航算法的功能和性能。
2018-01-26 cs.RO
Implementation of Augmented Reality in Autonomous Warehouses: Challenges and Opportunities
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
带有移动式货架搬运机器人的自动仓库开始变得普遍，亚马逊的Kiva和瑞仕格的CarryPick等系统已经在功能仓库中实施。然而，这样的仓库仍然需要人工干预来进行物体拾取和维护。在欧洲项目SafeLog中，我们正在开发一种安全背心，用于移动机器人的安全关键测距和停止，一种改进的规划器，可以处理大量的异构代理以及AR交互系统，以在这种自动化环境中导航和支持人类工作人员。在这里，我们介绍了AR交互模式，即在撰写本文时开发的导航，AR拾取和一般系统交互，以及整体系统概念和计划的未来工作。
2018-06-01 cs.HC cs.RO
Multi-Robot Coordination and Layout Design for Automated Warehousing
Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
本文研究自动化仓储中的布局优化问题，通过扩展自动场景生成方法优化仓库布局，从而减少拥堵、提高吞吐量和可扩展性，并支持用户指定的多样性度量。
2023-09-02 cs.AI cs.NE cs.RO
Fast, Autonomous Flight in GPS-Denied and Cluttered Environments
University of Pennsylvania（宾夕法尼亚大学）；University of Zurich（苏黎世大学）
对于飞行机器人来说，最具挑战性的任务之一是在目标位置之间快速可靠地自主导航，同时避开其路径上的障碍物，并且对操作环境几乎没有先验知识。本文件探讨了这一挑战。我们描述了我们提出的解决方案的系统设计和软件架构，并展示了如何集成所有不同的组件，以实现平稳的机器人操作。我们提供有关硬件和软件组件选择和开发的重要见解，并提供在真实仓库环境中进行的广泛实验测试的结果。实验测试表明，我们提出的解决方案可以提供快速和强大的空中机器人自主导航杂乱，GPS拒绝的环境。
2017-12-06 cs.RO
Human Intention Recognition in Flexible Robotized Warehouses based on Markov Decision Processes
FER（萨格勒布大学电气工程与计算机学院）
电子商务的快速增长增加了对大型仓库及其自动化的需求，因此使用机器人作为人类工人的助手成为优先事项。为了有效和安全地操作，机器人助手或监督系统应该识别人类的意图。心理理论（Theory of Mind，ToM）是对其他主体心理状态的直观概念，即，信仰和欲望，以及它们如何导致行为。在本文中，我们提出了一个基于ToM的算法，在灵活的机器人仓库的人类意图识别。我们将仓库工人置于模拟的2D环境中，其中有三个潜在目标。我们观察代理的行动，并验证他们的目标位置使用马尔可夫决策过程框架。然后，这些观察结果由所提出的隐马尔可夫模型框架进行处理，该框架估计代理的愿望。我们证明了所提出的框架预测人类仓库工人的愿望在一个直观的方式，并在最后，我们讨论了模拟结果。
2018-04-05 cs.HC cs.RO
Towards Preference Learning for Autonomous Ground Robot Navigation Tasks
CCDC Army Research Laboratory（CCDC陆军研究实验室）
我们感兴趣的自主机器人行为的设计，学习用户的偏好，在持续的互动，以有效地执行导航行为的方式，用户期望的目标。在本文中，我们讨论了我们正在进行的工作，以修改一个通用模型的机器人导航行为的探索任务，在每个用户的基础上，使用基于偏好的强化学习。这种方法的新颖贡献在于，它结合了强化学习、运动规划和自然语言处理，允许自主智能体从与人类队友的持续对话中学习，而不是一次性的指令。
2020-11-05 cs.RO
A Realtime Autonomous Robot Navigation Framework for Human like High-level Interaction and Task Planning in Global Dynamic Environment
在本文中，我们提出了一个框架，实时自主机器人导航的基础上云和按需数据库，以解决两个主要问题的类人机器人交互和任务规划在全球动态环境中，这是不知道的先验。我们的框架有助于使人类的大脑GPS地图系统的机器人使用空间信息和独立的机器人导航进行三维视觉语义SLAM。我们将机器人的记忆系统分为长期记忆和短期记忆。通过将这些记忆与自主导航模块（ANM）、学习模块（LM）和行为规划模块（BPM）相连接，形成机器人的行为和知识系统。建议的框架进行评估，通过模拟使用基于ROS的Gazebo模拟移动机器人，RGB-D相机（3D传感器）和激光测距仪（2D传感器）在3D模型的现实室内环境。仿真证实了我们提出的框架的实质性的实际优点。
2019-05-30 cs.RO
Autonomous Mobile Robot Navigation: Tracking problem
本研究针对自主移动机器人导航跟踪问题，研究里程计、目标跟踪、避障三类核心行为，结合仿真与真实环境（含Pioneer、Elegoo机器人平台）完成验证，为鲁棒导航系统开发提供参考。
2024-07-08 cs.RO
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering（先进科学与工程研究生院）；Hiroshima University（广岛大学）
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题，提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法，并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO
A Comparative Analysis of Interactive Reinforcement Learning Algorithms in Warehouse Robot Grid Based Environment
University of Lincoln（林肯大学）
本文在虚拟网格仓库环境中比较了Q-learning与SARSA两种交互式强化学习算法的性能，由同一人提供反馈以确保公平，旨在评估它们在复杂仓库任务中的训练效果。
2024-07-16 cs.HC cs.RO
Human Intention Estimation based on Hidden Markov Model Motion Validation for Safe Flexible Robotized Warehouses
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Laboratory for Autonomous Systems and Mobile Robotics（自主系统与移动机器人实验室）；Institute for Anthropomatics and Robotics（人机工程与机器人研究所）；Intelligent Process Automation and Robotics Lab（智能过程自动化与机器人实验室）
随着物流业务的大幅增长，对大型仓库及其自动化的需求不断增加，因此使用机器人作为人类工人的助手正在成为优先事项。为了有效和安全地操作，机器人助手或监督系统应该实时识别人类的意图。心理理论（Theory of Mind，简称ToM）是人类对他人心理状态的一种直观概念，即：信仰和欲望，以及它们如何导致行为。在本文中，我们提出了一个基于ToM的人的意图估计算法的柔性机器人仓库。我们观察人类的，即，工人的运动，并验证它相对于目标位置使用广义沃罗诺伊图为基础的路径规划。这些意见，然后处理所提出的隐马尔可夫模型框架，估计工人的意图在一个在线的方式，能够处理不断变化的环境。为了测试所提出的意图估计，我们在现实世界的实验室仓库中进行了实验，一名工人戴着微软Hololens增强现实眼镜。此外，为了证明该方法的可扩展性，以更大的仓库，我们建议使用虚拟现实数字仓库双胞胎，以逼真地模拟工人的行为。我们进行了意图估计实验，在较大的仓库数字孪生多达24个运行的机器人。我们证明了所提出的框架估计仓库工人的意图精确，并在最后，我们讨论了实验结果。
2018-11-20 cs.RO
Multi-Agent Path Finding with Real Robot Dynamics and Interdependent Tasks for Automated Warehouses
NAVER LABS（纳弗实验室）
本文研究自动化仓库中具有真实机器人动力学和相互依赖任务的在线订单配送MAPF问题，提出交错优先级规划处理任务依赖并设计VP*算法生成符合动力学的无碰撞轨迹，证明了完备性并在仿真和真实仓库中验证。
2024-08-26 cs.AI cs.MA cs.RO
WareVR: Virtual Reality Interface for Supervision of Autonomous Robotic System Aimed at Warehouse Stocktaking
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）
WareVR是一种基于虚拟现实（VR）应用的新型人机界面，可与异构机器人系统进行交互，以实现自动库存管理。我们创建了一个界面，以便从仓库中的一个隔离工作站远程监督自动机器人，这可能会在当前的COVID-19疫情期间受益，因为盘点是仓库中的一个必要和常规的过程，涉及一群人。建议的接口允许没有机器人经验的普通仓库工人控制由无人驾驶地面车辆（UGV）和无人驾驶飞行器（UAV）组成的异构机器人系统。WareVR在仓库的数字孪生中提供机器人系统的可视化，并通过机载无人机摄像头提供来自真实环境的实时视频流。使用WareVR界面，操作员可以进行不同级别的盘点，远程监控库存过程，并远程操作无人机进行更详细的检查。此外，开发的界面包括无人机的远程控制，用于直观和直接的人机交互与自主机器人进行盘点。基于VR的界面的有效性进行了评估，通过用户研究中的“视觉检查”的情况。
2021-10-21 cs.HC cs.RO
UWB Propagation Characteristics of Human-to-Robot Communication in Automated Collaborative Warehouse
Ericsson Nikola Tesla d.d., Research and Development（爱立信尼古拉特斯拉股份公司研发部）；University of Zagreb, Faculty of electrical engineering and computing（萨格勒布大学电气工程与计算机学院）；Končar–Electrical Engineering Institute Inc.（康查尔电气工程研究所）
利用光线追踪方法分析了超宽带高斯信号在自动化协同仓库模型中的传播。将发射天线放置在人体上，计算了仓库中空货架和货架上装载不同载荷时的接收功率分布。这就产生了人类和机器人之间的安全通信范围的估计。
2020-12-21 cs.RO cs.SY eess.SY
An implementation of ROS Autonomous Navigation on Parallax Eddie platform
Universiti Brunei Darussalam（文莱达鲁萨兰大学）
提出了一种基于机器人操作系统（ROS）的自主导航功能在轮式差动驱动移动平台Eddie机器人上的实现方法。ROS是一个框架，包含许多可重用的软件栈以及可视化和调试工具，为任何机器人项目开发提供了理想的环境。本文的主要贡献是描述了Eddie机器人的定制硬件和软件系统设置，以与ROS中的自主导航系统（称为Navigation Stack）一起工作，并实现一个自主导航的应用用例。在本文中，选择拍照来演示移动机器人的一个用例。
2021-08-28 cs.CV cs.RO
Analysis of Safe Ultrawideband Human-Robot Communication in Automated Collaborative Warehouse
Ericsson Nikola Tesla d.d., Research and Development Centre（爱立信尼古拉特斯拉公司研发中心）；University of Zagreb, Faculty of electrical engineering and computing（萨格勒布大学电气工程与计算机学院）；Končar–Electrical Engineering Institute Inc.（康查尔电气工程研究所）
本文介绍了超宽带高斯信号在自动化协同仓库环境中的传播分析，人与机器人进行通信，以确保相互碰撞不会发生。仓库货架主要建模为金属（PEC）平行六面体的集群，尺寸选择接近现实的仓库。使用光线追踪软件分析信号传播，目的是计算不同代表性场景和天线极化的路径损耗分布。分析了齿条表面粗糙度对传播的影响。根据仿真结果，提出了人与机器人安全通信的最佳天线位置的指导原则。
2020-12-21 cs.RO cs.SY eess.SY
Review of Autonomous Mobile Robots for the Warehouse Environment
University of Nevada, Reno（内华达大学雷诺分校）
本文综述仓库AMR的硬件、机器人控制与系统控制进展及产业实例，指出其相较AGV的自主导航优势，并展望未来研究方向。
2024-06-12 cs.RO
Multi-Robot Planning and Control from CCTV Camera Networks in a Real Warehouse
Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，牛津大学，英国）；Robot Systems Group, Technical University of Munich, Germany（机器人系统组，慕尼黑技术大学，德国）
提出仅利用分布式CCTV网络和边缘计算实现多机器人协调规划与控制的方法，在真实仓库中验证了四台机器人和30个摄像头的系统，首次实现仅依赖外部摄像头网络的现场多机器人协调。
2026-06-04 cs.RO
Efficient Task Allocation in Smart Warehouses with Multi-delivery Stations and Heterogeneous Robots
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；University of Oulu（奥卢大学）
多机器人系统中的任务分配问题是一个NP难问题，其可行解通常采用启发式算法求解。考虑到对物流改进的需求日益增加，使用机器人来提高物流仓库的效率正在成为一种需求。在智能仓库中，主要任务包括使用一组自动拣选和移动机器人，这些机器人通过从货架上的一组订单中拣选物品并将其放在配送站来进行协调。多机器人任务分配的复杂性通常有两个方面：（i）环境方面，例如多个交付站和分散的机器人（因为它们保持恒定运动）和（ii）车队异质性，其中机器人的交通速度和容量负载彼此不同。尽管这些特性在文献中已经被广泛研究，但它们通常被单独研究。针对具有多配送站和异构车队的智能仓库，提出了一种可扩展的高效任务分配算法。我们的策略采用了一种新的成本估计器，它计算成本作为机器人的可变特性和能力的函数，而他们接受新的任务。为了验证该策略，进行了一系列实验，模拟具有多个交付站和异质车队的智能仓库的操作。结果表明，我们的策略生成的路由成本高达$33$ \%以下的一个国家的最先进的任务分配算法生成的路由和$96$ \%更快的测试实例，代表我们的目标场景。考虑到单配送站和非分散机器人，我们将机器人数量减少了$18$ \%，分配任务的速度加快了$92$ \%，并生成了成本与最先进算法生成的路线在统计上相似的路线。
2022-02-28 cs.RO
CREST: Constraint-Release Execution for Multi-Robot Warehouse Shelf Rearrangement
Simon Fraser University（西蒙菲莎大学）；HEC Montréal（蒙特利尔高等商学院）；Purdue University（普渡大学）
CREST通过在执行过程中主动释放轨迹约束，提升了多机器人仓库货架重排的连续性与效率，实验表明其在减少机器人行驶时间、总执行时间和货架切换次数方面表现优异。
2026-03-27 cs.AI cs.MA cs.RO
Multiagent Rollout with Reshuffling for Warehouse Robots Path Planning
KTH Royal Institute of Technology（KTH皇家理工学院）
本文提出带重排的多智能体 rollout 算法，在较小静态环境中仿真求解仓库多机器人无碰撞路径规划，兼具理论保证、稳定性能及故障场景下的在线重规划适应能力。
2023-06-03 cs.RO cs.SY eess.SY
Human Intention Recognition for Human Aware Planning in Integrated Warehouse Systems
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）；Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（布拉格捷克理工大学捷克信息学、机器人与控制论研究所）
随着物流业务的大幅增长，对更大和更自动化的仓库的需求增加，从而产生了完全自动化的车间，其中移动机器人负责运输和分配货物。然而，即使在完全自动化的仓库系统中，也经常需要人为干预，无论是因为维护还是因为履行特定订单，从而使移动机器人和人类在集成仓库环境中更加接近。为了确保这种仓库的平稳和高效运行，需要仔细规划机器人和人类的路径;然而，由于人类偏离指定路径的可能性，这成为一项更具挑战性的任务。鉴于此，监控系统应该能够实时识别人类的意图及其替代路径。在本文中，我们提出了一个框架，人类的偏差检测和意图识别输出的最可能的路径的人类工人和规划师的行动，相应地通过重新规划机器人移动的人类的path. Experimental结果表明，所提出的框架增加了交付的总数量，特别是人类交付，并减少人与机器人的遭遇。
2020-05-22 cs.RO
RTAW: An Attention Inspired Reinforcement Learning Method for Multi-Robot Task Allocation in Warehouse Environments
University of Maryland, College Park（马里兰大学帕克分校）
提出了一种基于强化学习的多机器人任务分配算法。我们将其制定为马尔可夫决策过程，并通过一种新的深度多智能体强化学习方法（称为RTAW）与注意力启发的策略架构来解决。因此，我们提出的策略网络使用独立于机器人/任务数量的全局嵌入。我们利用近端策略优化算法进行训练，并使用精心设计的奖励，以获得收敛的策略。融合策略确保不同机器人之间的合作，以最大限度地减少总行程延迟（TTD），最终提高了足够大的任务列表的最大完工时间。在我们广泛的实验中，我们比较了我们的RTAW算法的性能，以最先进的方法，如近视拾取距离最小化（贪婪）和基于不同导航方案的基线后悔。我们显示了高达14%（25-1000秒）的改进TTD的情况下，数百或数千个任务，不同的挑战性仓库布局和任务生成方案。我们还展示了我们的方法的可扩展性，显示性能与$1000$机器人在模拟。
2023-02-27 cs.MA 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
