Tread: A Visuo-Inertial Framework for Terrain and Locomotion Context-Aware Gait-Phase and Speed Estimation in Wearable Robotics
CSIR-Central Mechanical Engineering Research Institute（CSIR中央机械工程研究所）
该研究提出视觉-惯性框架Tread，结合ATP、TALMI等模块，实现地形、运动模式、步态相位及速度的精准估计，降低传感器安装依赖，在多任务评估中表现优异。
2026-10-15 cs.RO
Inertial Collaborative Localisation for Autonomous Vehicles using a Minimum Energy Filter
Australian National University（澳大利亚国立大学）；Defence Science and Technology Group（国防科学技术集团）
近年来，协作定位作为一种在具有挑战性的环境中改善无人机姿态估计的方法得到了广泛的研究。然而，很少有人注意到推进基本的滤波器设计超出标准的扩展卡尔曼滤波器为基础的方法。在本文中，我们详细介绍了一个离散时间协同定位过滤器使用确定性最小能量框架。该滤波器包含来自惯性测量单元的测量结果，并对传感器偏差和重力加速度的影响进行建模。我们提出了一个基于真实世界的车辆轨迹和IMU数据的模拟，演示了协作定位如何提高单车辆方法的性能。
2021-04-13 cs.RO cs.SY eess.SY
Identification of Fully Physical Consistent Inertial Parameters using Optimization on Manifolds
Istituto Italiano di Tecnologia（意大利技术研究院）；CNRS（法国国家科学研究中心）；LIRMM（蒙彼利埃计算机科学、机器人学与微电子学实验室）；AIST（日本产业技术综合研究所）
本文提出了一个新的条件，即一组惯性参数的完全物理相容性，以确定它们是否可以由一个物理刚体产生。该条件保证了三维惯性矩阵的正定性和三角不等式约束，而不是现有的技术中，三角不等式约束被忽略。本文还提出了一种新的参数化，自然地确保惯性参数是完全物理一致的。利用所提出的参数化将惯性识别问题转化为流形优化问题，确保所识别的参数始终可以由物理体生成。所提出的优化问题已得到验证的一组实验上的iCub人形机器人。
2016-10-27 cs.RO
$D^2$SLAM: Decentralized and Distributed Collaborative Visual-inertial SLAM System for Aerial Swarm
Hong Kong University of Science and Technology（香港科技大学）；HKUST-DJI Joint Innovation Laboratory（香港科技大学-大疆创新联合创新实验室）
针对现有协作SLAM相对定位精度不足的问题，提出去中心化分布式的$D^2$SLAM系统，通过远近场结合估计、多相机适配前端和分布式优化，实现高精度定位与强鲁棒性，推动无人机集群技术发展。
2024-06-23 cs.RO
Inertial Parameter Identification Including Friction and Motor Dynamics
Istituto Italiano di Tecnologia（意大利技术研究院）；University of Verona（维罗纳大学）
惯性参数辨识是类人机器人实现力矩控制的基础。同时，良好的摩擦和致动器动力学模型对于关节扭矩的低水平控制至关重要。我们提出了一种新的方法来识别惯性，摩擦和电机参数在一个单一的过程。该识别利用了直流电机的PWM测量值和安装在运动链内部的6轴力/扭矩传感器。偏最小二乘（PLS）方法被用来执行回归。我们确定了iCub人形机器人右臂的惯性、摩擦和电机参数。我们验证了所识别的模型可以准确地预测力/扭矩传感器测量值和电机电压。此外，我们比较了所识别的参数对CAD参数，在预测的力/扭矩传感器测量。最后，我们证明了估计模型可以有效地检测外部接触，并将其与基于网络的接触检测进行比较。所提出的方法相对于其他最先进的方法提供了一些优势，因为它的完整性（即，它识别惯性，摩擦和电机参数）和简单性（只有一个数据汇集，没有特殊要求）。
2014-10-16 cs.RO
On the Feasibility of Fingerprinting Collaborative Robot Network Traffic
University of Waterloo（滑铁卢大学）
本文研究协作机器人加密流量中的隐私泄露问题，提出基于信号处理的流量分类方法以实现高级运动识别，并评估了填充与时序操纵等防御手段的可行性与局限性。
2025-03-07 cs.CR cs.RO
FollowMe: a Robust Person Following Framework Based on Re-Identification and Gestures
Leonardo Labs（莱昂纳多实验室）；Istituto Italiano di Tecnologia（意大利技术研究院）；Università di Trento（特伦托大学）
针对移动协作机器人在拥挤环境中跟随目标人员的需求，提出FollowMe框架，结合视觉重识别、手势检测和无碰撞导航技术，实现自主识别与跟随目标，并在实验室环境下验证了其有效性。
2023-11-21 cs.CV cs.RO
Collaborative Visual Inertial SLAM for Multiple Smart Phones
Zhejiang University of Technology（浙江工业大学）；Tianjin University of Technology（天津理工大学）
映射的效率和准确性在大型场景和长期AR应用中至关重要。多智能体协作SLAM是实现多用户AR交互的前提。多个智能手机的合作有可能提高任务完成的效率和鲁棒性，并且可以完成单个智能体无法完成的任务。然而，它依赖于强大的通信，有效的位置检测，强大的映射，以及代理之间的有效信息共享。我们提出了一个多智能协作单眼视觉惯性SLAM部署在多个iOS移动设备上的集中式架构。每个智能体都可以独立地探索环境，在线运行视觉-惯性测距模块，然后将所有测量信息发送到具有更高计算资源的中央服务器。服务器管理接收到的所有信息，检测重叠区域，合并和优化地图，并在需要时与代理共享信息。我们已经在公共数据集和真实环境中验证了系统的性能。所提出的系统的映射和融合的准确性是可比的VINS-Mono，这需要更高的计算资源。
2021-06-23 cs.CV cs.RO
A Geometric Characterization of Observability in Inertial Parameter Identification
本文提出一种几何算法，通过有限条件在不做近似的情况下刻画任意开链机器人惯性参数的可辨识性，并证明其正确性，复杂度为 O(N)。
2023-09-20 cs.RO
CoLRIO: LiDAR-Ranging-Inertial Centralized State Estimation for Robotic Swarms
School of Systems Science and Engineering, Sun Yat-sen University（中山大学系统科学与工程学院）；Hong Kong University of Science and Technology（香港科技大学）；Hong Kong Polytechnic University（香港理工大学）
本文提出集中式CoLRIO系统，将LiDAR-测距-惯性协作状态估计的计算任务卸载到中央服务器，通过地点识别、全局优化和异常剔除提升多机器人SLAM精度，并支持十台机器人协同执行大规模任务。
2024-02-23 cs.RO
Online Visual Robot Tracking and Identification using Deep LSTM Networks
University of Bonn（波恩大学）
在许多应用中，协作机器人在共同的任务上工作是必要的。在机器人团队中实现协作的挑战之一是相互跟踪和识别。我们提出了一种新的管道在线视觉为基础的检测，跟踪和识别机器人与已知的和相同的外观。我们的方法在有限的硬件上实时运行的观察员机器人。与以前的机器人跟踪和识别工作不同，我们使用基于递归神经网络的数据驱动方法来学习顺序输入和输出之间的关系。我们将数据关联问题表述为多分类问题。深度LSTM网络在模拟数据集上进行训练，并在少量真实数据集上进行微调。在两个具有挑战性的数据集上进行的实验，一个是合成数据集，一个是真实数据集，其中包括长期遮挡，显示出有希望的结果。
2018-10-16 cs.CV cs.RO
Data-Efficient Collaborative Decentralized Thermal-Inertial Odometry
University of Zurich（苏黎世大学）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
我们提出了一个系统解决方案，以实现数据高效，分散的状态估计的飞行机器人使用热图像和惯性测量的团队。每个机器人都可以独立飞行，并在可能的情况下交换数据以改进其状态估计。我们的系统前端应用在线光度校准来细化热图像，以增强特征跟踪和位置识别。我们的系统后端使用协方差交叉融合策略，忽略代理之间的互相关，以降低内存使用和计算成本。通信管道使用局部聚集描述符向量（VLAD）来构造要求低带宽使用的请求-响应策略。我们在合成数据和真实数据上测试了我们的协作方法。我们的研究结果表明，所提出的方法提高了高达46%的轨迹估计相对于个人代理的方法，同时减少了高达89%的通信交换。数据集和代码向公众发布，扩展了已经公开的JPL xVIO库。
2022-09-14 cs.CV cs.RO
Linear Matrix Inequalities for Physically-Consistent Inertial Parameter Identification: A Statistical Perspective on the Mass Distribution
University of Notre Dame（圣母大学）；MIT（麻省理工学院）
随着基于模型的全身控制在足式机器人中的应用越来越多，人们对精确系统辨识方法的研究兴趣又重新抬头。一类重要的方法关注刚体系统的惯性参数。这些参数包括每个连杆的质量、第一质量矩（与质心位置相关）和转动惯量矩阵。本文的主要贡献是制定这些参数的线性矩阵不等式（LMI）的物理一致性约束。在识别中使用这些约束可以加速收敛并增加对噪声数据的鲁棒性。它是严格观察到，建议的LMI表示的质量分布的协方差，而不是其转动惯量。从这个角度来看，连接到数学中的经典问题的时刻产生新的约束体积的质量分布的每个环节。虽然以前的工作确保了物理可扩展性或在识别中使用凸优化，但这里的LMI独特地实现了这两个优点。约束应用于识别的腿为麻省理工学院猎豹3机器人。传动部件的详细属性被识别出与连杆惯性一起，通过半定规划进行参数优化以达到全局最优。
2017-09-18 cs.RO
COVINS: Visual-Inertial SLAM for Centralized Collaboration
ETH Zurich（苏黎世联邦理工学院）
协作SLAM使一组代理能够同时共同定位并联合映射环境，从而通过消除对外部基础设施或预建地图的需求，为多机器人感知和多用户AR体验的广泛应用铺平了道路。本文介绍了COVINS，一种新型的协作SLAM系统，它可以在大型环境中实现多代理，可扩展的SLAM，并为超过10个代理的大型团队提供支持。这里的范例是每个代理独立地在船上运行视觉惯性里程，以确保其自主性，同时与运行在强大的本地PC或远程云服务器上的COVINS服务器后端共享地图信息。服务器后端根据贡献的数据建立准确的协作全局估计，通过位置识别、全局优化和去除冗余数据来细化联合估计，以确保准确且高效的SLAM过程。对COVINS的全面评估揭示了协作SLAM估计的准确性提高，以及在去除冗余信息和减少协调开销方面的效率，并展示了在12个代理联合执行SLAM的大规模任务中的成功操作。
2021-08-12 cs.CV cs.MA cs.RO
Bandwidth-Adaptive Spatiotemporal Correspondence Identification for Collaborative Perception
North Carolina State University（北卡罗来纳州立大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
针对多机器人协同感知中带宽受限导致原始观测难以共享的问题，提出带宽自适应时空 CoID 方法，逐步选择并共享部分观测，在联网自动驾驶仿真中实现动态适应并取得 8%–56% 的性能提升。
2025-02-17 cs.RO
Online Learning-Based Inertial Parameter Identification of Unknown Object for Model-Based Control of Wheeled Humanoids
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出一种基于在线学习的惯性参数估计框架，利用端到端学习仅凭机器人本体感觉快速辨识未知物体参数，并通过真实到仿真适配和高斯过程处理建模误差，在约0.1秒内实现高精度估计，提升轮式人形机器人模型控制性能。
2024-08-21 cs.RO
Estimation and Exploitation of Objects' Inertial Parameters in Robotic Grasping and Manipulation: A Survey
University of Surrey（萨里大学）；University of Birmingham（伯明翰大学）
惯性参数描述了物体在外力作用下的运动，可以为规划和控制机器人操纵物体的动作提供强有力的先验信息。然而，这些参数在机器人遇到新物体的情况下是不可用的。在本文中，我们描述和分类的方式，机器人可以识别物体的惯性参数。我们还讨论了掌握和操纵方法，其中惯性参数的知识是利用各种方式。我们首先讨论的文献，研究人类如何估计物体的惯性参数，提供背景和动机，这一领域的机器人研究。根据与物体的交互量，我们将机器人技术文献的讨论分为三类估计方法：纯视觉、探索性和固定物体。每一个类别都进行了分析和讨论。为了证明惯性估计研究的有用性，我们描述了一些把握和操纵应用程序，利用物体的惯性参数。本文的目的是彻底审查和分类现有的工作在一个重要的，但未充分探索，机器人研究领域，目前其背景和应用，并提出未来的发展方向。请注意，本文不检查机器人的惯性参数的识别方法，而是机器人的任务是操纵的其他对象的惯性参数的识别。
2019-11-11 cs.RO
Deep Masked Graph Matching for Correspondence Identification in Collaborative Perception
Toyota Motor North America（丰田汽车北美公司）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；University of Maryland, College Park（马里兰大学帕克分校）；Colorado School of Mines（科罗拉多矿业学院）
对应识别（Correspondence Identification，CoID）是多机器人系统（如互联自主车辆）中协作感知的重要组成部分。CoID的目标是识别多个机器人在其自己的视野中观察到的对象的对应关系，以便机器人始终引用相同的对象。由于感知混叠、对象非共视性和噪声感测，CoID具有挑战性。在本文中，我们介绍了一种新的深度掩码图匹配方法，以实现CoID并应对挑战。我们的方法制定CoID作为一个图匹配问题，我们设计了一个掩蔽的神经网络，整合多模态视觉，空间和GPS信息，以执行CoID。此外，我们设计了一种新的技术，明确地解决对象的非共视所造成的闭塞和车辆的视野有限。我们评估我们的方法在各种街道环境中使用高保真模拟，集成了CARLA和SUMO模拟器。实验结果表明，我们的方法优于以前的方法，并在连接的自动驾驶应用中实现了最先进的CoID性能。我们的工作可在https://github.com/gaopeng5/DMGM.git上获得。
2023-03-14 cs.RO
COVINS-G: A Generic Back-end for Collaborative Visual-Inertial SLAM
ETH Zurich（苏黎世联邦理工学院）
本研究提出基于COVINS框架的协作式视觉惯性SLAM通用后端COVINS-G，支持任意VIO前端接入，采用多相机相对位姿估计实现2D图像回环，精度达顶尖水平且已开源。
2023-05-05 cs.CV cs.MA cs.RO
Physically-Consistent Parameter Identification of Robots in Contact
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；Center for Robotics（机器人中心）；Roboverse Reply（Roboverse Reply公司）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Technical University of Munich (TUM)（慕尼黑工业大学）
本文提出通过将全身动力学投影到接触约束零空间，仅利用关节电流/扭矩测量辨识机器人惯性参数，并以线性矩阵不等式保证物理一致性，在Spot上验证了更高样本效率与跨步态泛化能力。
2025-03-18 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
Provably-Safe, Online System Identification
Robotics Institute, University of Michigan（密歇根大学机器人研究所）
本文提出一个集成框架，通过在线轨迹规划与控制生成可证明安全的激励轨迹，结合鲁棒系统辨识方法计算严格过近似边界，使机器人在满足约束和避障的同时安全自动辨识未知负载惯性参数。
2025-04-30 cs.RO
Recursive Distributed Collaborative Aided Inertial Navigation
University Klagenfurt（克拉根福大学）；McGill University（麦吉尔大学）
针对异构移动智能体集群的鲁棒定位问题，提出了一种新颖的 Kalman filter 解耦范式 Isolated Kalman Filtering (IKF)，支持模块化传感器融合与分布式协同估计，具有通信需求低、可动态增删智能体及支持延迟多速率更新等优点。
2024-08-22 cs.RO cs.SY eess.SY
System Identification under Constraints and Disturbance: A Bayesian Estimation Approach
Robot Motor Intelligence (RoMI) Lab, Heriot-Watt University, U.K.（机器人运动智能实验室，赫瑞-沃森大学）；Informatics School, University of Edinburgh, U.K.（信息学院，爱丁堡大学）
本文提出了一种贝叶斯估计方法，用于高精度联合估计机器人状态轨迹和物理参数，通过引入物理一致的约束和能量观测，提升了系统辨识的准确性和鲁棒性。
2026-02-18 cs.RO
VIO-UWB-Based Collaborative Localization and Dense Scene Reconstruction within Heterogeneous Multi-Robot Systems
University of Turku（图尔库大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
多机器人系统的有效协作需要精确和鲁棒的相对定位估计：从协作操作到协作感知，包括协作探索或协作运输。针对由地面机器人和微型飞行器（MAVs）组成的异构多机器人系统的稠密场景重建问题，提出了一种新的协作定位方法。我们解决了没有滑动时间窗口的完整相对姿态估计的问题，依靠基于UWB的测距和基于视觉惯性里程计（VIO）的自运动估计定位，同时利用激光雷达机载地面机器人在一个单一的参考系中的完整相对姿态估计。在操作期间，刚度特征值向系统提供反馈。为了解决在GNSS拒绝环境中的路径规划和避障的MAVs的挑战，我们保持地面机器人和MAVs之间的视线。由于能够进行密集重建的激光雷达具有有限的FoV，这给系统带来了新的约束。因此，我们提出了一种新的配方与Dubins多个旅行商问题的一个变种与邻域（DMTSPN），其中我们包括与地面机器人的有限FoV的约束。我们的方法进行了验证与模拟和实验与真实的机器人系统的不同部分。
2022-04-10 cs.RO
Information-Driven Fault Detection and Identification for Multi-Agent Spacecraft Systems: Collaborative On-Orbit Inspection Mission
Purdue University（普渡大学）；Georgia Institute of Technology（佐治亚理工学院）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
针对低轨多航天器协同巡检任务，提出全局到局部、任务感知的FDI框架，通过统一代价泛函连接制导控制与FDI，实现故障检测识别，仿真验证其在不确定性下的可靠性，为弹性自主巡检提供基础。
2025-11-11 cs.AI cs.MA cs.RO
Momentum Model-based Minimal Parameter Identification of a Space Robot
Indian Institute of Technology, Jodhpur, Rajasthan, India（印度理工学院，朱达普尔，拉贾斯坦邦，印度）；McGill University, Montreal, Quebec H3A 0C3, Canada（麦吉尔大学，蒙特利尔，魁北克 H3A 0C3，加拿大）
本文提出了一种基于动量模型的最小参数识别方法，用于在轨识别太空机器人的最小参数，这些参数能够唯一确定动量和动力学模型，从而支持卫星及其安装的机械臂的运动规划和控制。
2018-09-02 cs.RO cs.SY eess.SY
PRIME: Physically-consistent Robotic Inertial and Motion Estimation for Legged and Humanoid Robots
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Shanghai Innovation Institute（上海创新研究院）
该研究提出PRIME方法，通过结合可微接触动力学和光滑互补约束，实现从 onboard 传感器数据中获得物理一致的运动轨迹和惯性参数估计，从而提升机器人运动估计的准确性。
2026-05-17 cs.RO
Global Task-aware Fault Detection, Identification For On-Orbit Multi-Spacecraft Collaborative Inspection
Purdue University（普渡大学）；California Institute of Technology（加州理工学院）；Jet Propulsion Laboratory（喷气推进实验室）
本文提出一种全局到局部的任务感知故障检测与识别算法，利用巡检任务代价泛函及其高阶梯度设计度量和自适应阈值，在多航天器协同巡检中实现故障检测与故障类型识别。
2025-05-06 cs.MA cs.RO cs.SY
Uniform Complete Observability of Mass and Rotational Inertial Parameters in Adaptive Identification of Rigid-Body Plant Dynamics
Johns Hopkins University（约翰斯·霍普金斯大学）
针对受外力和力矩作用的六自由度刚体动力系统二阶非线性模型自适应辨识中质量和惯性参数的可观测性问题，提出了一种新的自适应辨识方法。虽然这类系统的植物参数的AID稳定的方法，以及许多方法来稳定的基于模型的直接自适应跟踪控制的这种系统，已经报道，这些研究一直无法证明分析，自适应参数估计收敛到真实的植物参数值。本文给出了这类系统的稳定自适应辨识器的6自由度对象惯性参数一致完全可观的充分必要条件。当UCO条件满足时，自适应参数估计收敛到真实的植物参数值。据我们所知，这是第一次报告证明这类系统的UCO的植物参数和自适应参数估计的收敛到真正的参数值。我们还报告了这种AID方法的数值模拟研究表明，（a）UCO条件可以满足全驱动植物以及欠驱动植物与控制输入的适当选择和（b）收敛的自适应参数估计的真实参数值。我们推测，这种方法可以扩展到包括其他参数，出现刚体植物模型，包括阻力，浮力，附加质量，偏置和致动器的参数。
2021-12-09 cs.RO cs.SY eess.SY
Energy Consumption in Robotics: A Simplified Modeling Approach
Fraunhofer IPK（弗劳恩霍夫生产系统与设计技术研究所）
针对机器人轨迹优化中能耗模型复杂且难以集成的问题，提出一种基于标准开源工具和ROS的简化建模方法，结合逆动力学与单参数电气模型，在协作机器人上验证了其精度和易用性。
2024-11-05 cs.RO
Swarm-SLAM : Sparse Decentralized Collaborative Simultaneous Localization and Mapping Framework for Multi-Robot Systems
Polytechnique Montréal（蒙特利尔理工学院）
本文提出开源多机器人协同SLAM系统Swarm-SLAM，通过稀疏去中心化架构和回环闭合优先级排序技术，在减少通信的同时加速收敛，支持多种传感器并在多数据集和真实三机器人实验中验证。
2024-01-12 cs.CV cs.RO
Online Information-Aware Motion Planning with Inertial Parameter Learning for Robotic Free-Flyers
SGT Inc.（SGT公司）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Técnico（里斯本高等理工学院）；Massachusetts Institute of Technology（麻省理工学院）
像目前在国际空间站上运行的Astrobee机器人这样的太空自由飞行器必须在固有的系统不确定性下运行。质量和转动惯量等参数不确定性在这些安全关键型空间系统中的量化尤为重要，并且可能在诸如在轨货物移动等情况下发生变化，在这些情况下，未知的抓取有效载荷会显著改变系统动态。谨慎地学习这些不确定性的路线，可以潜在地避免时间和燃料消耗的纯系统辨识演习。认识到这一点，这项工作提出了RATTLE，一个在线的信息感知运动规划算法，明确加权参数模型学习加上实时重新规划能力，可以利用改进的系统模型。该方法包括一个两层（全球和本地）的计划，一个低级别的模型预测控制器，和一个在线参数估计器，产生更明智的控制和重新规划的飞行机器人的惯性特性的估计;所有级别的规划和控制功能在线更新的模型。RATTLE的Astrobee自由飞行器抓取一个不确定的有效载荷的模拟结果一起展示的硬件演示的结果，明确鼓励模型参数学习，同时实现其他有用的运动的能力。
2021-12-11 cs.RO
Online Inertia Tensor Identification for Non-Cooperative Spacecraft via Augmented UKF
Department of Aerospace Engineering, Iowa State University（航空航天工程系，爱荷华州立大学）
本文提出一种增强型UKF框架，用于同时估计非合作目标航天器的六自由度姿态和完整惯性张量，结合视觉和LiDAR数据，实现实时惯性参数估计，提升深空环境下的导航与引导精度。
2026-03-28 cs.RO
A2VISR: An Active and Adaptive Ground-Aerial Localization System Using Visual Inertial and Single-Range Fusion
State Key Laboratory of Mechanical System and Vibration, School of Mechanical Engineering, Shanghai Jiaotong University（机械系统与振动国家重点实验室，机械工程学院，上海交通大学）
A2VISR通过整合主动视觉、单距离、惯性里程计和光流，提升飞行机器人在复杂环境中的定位鲁棒性，实现高精度与抗干扰的在线定位。
2025-12-18 cs.RO
Collaborative Object Transportation Using MAVs via Passive Force Control
ETH Zurich（苏黎世联邦理工学院）
本文提出一种基于被动力控的MAVs协同运输策略，通过双六旋翼运输大型物体，无需通信链路、负载形状或抓取点位置信息。
2016-12-15 cs.RO cs.SY eess.SY
S3E: A Multi-Robot Multimodal Dataset for Collaborative SLAM
Sun Yat-sen University（中山大学）；South China Agricultural University（华南农业大学）；The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对现有协作SLAM数据集规模与场景多样性不足的问题，本文提出多机器人多模态数据集S3E，含多场景多轨迹模式的多传感器同步校准数据，并提供SLAM方法基准分析。
2024-10-27 cs.CV cs.RO
Automatic Mapping with Obstacle Identification for Indoor Human Mobility Assessment
University of Guanajuato（瓜纳华托大学）
我们提出了一个框架，允许移动机器人建立一个室内场景的地图，识别和突出显示的对象，可能被认为是一个障碍的人与有限的流动性。该地图是通过将单目SLAM的最新发展与来自机器人平台的惯性传感器的信息相结合来构建的，从而产生可以进一步处理以获得网格的度量点云。来自单目摄像机的图像同时用对象识别神经网络进行分析，该神经网络被调谐以检测特定类别的目标。这些信息然后被处理并被合并到度量地图上，从而导致对感兴趣的对象的位置和边界体积的详细调查。研究结果可用于向决策者和行动不便的用户通报特定室内场所存在的危险。我们最初的测试是使用微型无人机进行的，并将扩展到其他机器人平台。
2021-11-24 cs.RO
Distributed and Consistent Multi-Robot Visual-Inertial-Ranging Odometry on Lie Groups
School of Control and Computer Engineering, North China Electric Power University（控制与计算机工程学院，华北电力大学）；Department of Electrical and Computer Engineering, George Mason University（电气与计算机工程系，乔治·马歇尔大学）
本文提出DC-VIRO框架，通过融合多机器人视觉-惯性测距数据，在李群上实现鲁棒的分布式定位与自校准。
2026-02-22 cs.RO cs.SY eess.SY
Combining Parameter Identification and Trajectory Optimization: Real-time Planning for Information Gain
Massachusetts Institute of Technology（麻省理工学院）；Instituto Superior Técnico（高等技术学院）
机器人系统通常在其动力学中具有不确定性的情况下操作，例如，未知的惯性特性。广义地说，有两种方法来控制不确定系统：设计鲁棒控制器，尽管不确定性，或描述一个系统，然后再试图控制it.This本文提出了一个中间地带的方法，使轨迹的进展，同时也占获得有关系统的信息。更具体地说，它将通常旨在优化估计器的信息增益的激励轨迹与目标驱动的轨迹优化度量相结合。为此目的，在实时的【形】规划框架中结合（使用Fisher信息矩阵）信息增益的测量以产生有利于估计的轨迹。同时，规划器从估计器接收稳定的参数更新，增强系统模型。这种学习，你去的方法，利用无迹卡尔曼滤波器（UKF）和非线性模型预测控制器（NMPC）的实现在仿真中演示。在系统模型中的信息增益和在线参数更新的情况下，结果。
2019-06-06 cs.RO
Improving Welding Robotization via Operator Skill Identification, Modeling, and Human-Machine Collaboration: Experimental Protocol Implementation
Nantes Université（南特大学）；École Centrale Nantes（南特中央理工学院）；CNRS（法国国家科学研究中心）；CETIM（法国技术与工业设备中心）；Université Rennes 2（雷恩第二大学）
本文面向工业5.0中仍难机器人化的手工制造任务，以焊接为案例，提出并实施一种结合操作员技能识别、数字化建模与人机协作的实验方案，旨在形成可迁移至其他领域的方法论。
2024-02-22 cs.RO
RigPI: Dynamic Parameter Identification of Rigid Body via VLM-Seeded Differentiable Simulation
Way-Robotics（Way-机器人）
提出RigPI框架，结合视觉语言模型初始化和可微物理仿真梯度优化，两步策略实现刚体与多连杆刚体动力学参数精确辨识，实验验证了其鲁棒性和预测有效性。
2026-06-26 cs.RO
Parameter Identification of a Differentiable Human Arm Musculoskeletal Model without Deep Muscle EMG Reconstruction
针对深层肌肉 EMG 难以测量的问题，提出在可微优化框架中利用深层肌肉力最小二乘解计算梯度，无需重建深层 EMG 即可同时辨识手臂骨骼与浅层肌肉参数，并达到接近全 EMG 方法的精度。
2025-09-26 cs.RO
Real-Time Safety Evaluation of Human Arm Operations Using a Wrist-Mounted IMU with PSM System
Geometric Mechanics and Mechatronics in Robotics (gm 2 R) Lab, School of Engineering, Cardiff University（几何力学与机电一体化机器人实验室，工程学院，卡迪夫大学）
提出一种集成腕戴式惯性测量单元(IMU)与预测安全模型(PSM)的实时安全监测方法，通过弹簧-阻尼-质量模型优化手腕运动，采用基于阻抗的概率安全评估，在三种制造任务中验证了有效性。
2026-06-26 cs.RO
Modeling, Reduction, and Control of a Helically Actuated Inertial Soft Robotic Arm via the Koopman Operator
University of California, Santa Barbara（加州大学圣巴巴拉分校）
软体机器人在复杂、微妙和动态的环境中部署时，有望提高刚性机器人的安全性和能力。然而，这些系统的无限自由度和高度非线性动力学严重复杂的建模和控制。作为解决这一开放性挑战的一步，我们应用数据驱动，汉克尔动态模式分解（HDMD）与时间延迟可观的高度惯性，螺旋软机械臂的模型识别与大量的欠驱动自由度。所得到的模型是线性的，因此可以通过线性二次型调节器（LQR）进行控制。使用我们的测试台设备，一个动态的，轻量级的气动织物臂与惯性质量的尖端，我们表明，HDMD和LQR的组合允许我们命令我们的机器人实现任意姿态，只使用开环控制。我们进一步表明，Koopman谱分析给我们一个维度减少的模式，降低计算复杂性，而不牺牲预测能力的基础。
2020-11-16 cs.RO cs.SY eess.SY
Adversarial Generation of Informative Trajectories for Dynamics System Identification
University of Edinburgh（爱丁堡大学）
动态系统辨识方法通常严重依赖于进化和基于梯度的优化技术，以产生最佳的激励轨迹，用于确定机器人平台的物理参数。目前的优化技术往往产生单一的轨迹。这是昂贵的，并且对于较长的轨迹是棘手的，因此限制了它们用于系统辨识的功效。我们建议通过使用多个较短的循环轨迹来解决这个问题，这些轨迹可以并行生成，然后组合在一起以实现与较长轨迹相同的效果。至关重要的是，我们展示了如何通过使用基于生成对抗网络（GAN）的架构来提高数据集的生成速度和质量，从而进一步扩展这种方法，以生成有效和多样化的激励轨迹的大型数据库。据我们所知，这是第一个机器人工作，探索系统辨识与多个循环轨迹，并开发基于GAN的技术，用于标量产生激励轨迹，在控制参数和惯性参数空间都是不同的。我们表明，我们的方法大大加快了轨迹优化，同时提供更准确的系统辨识比传统的方法。
2020-09-23 cs.LG cs.RO
Dynamic Based Estimator for UAVs with Real-time Identification Using DNN and the Modified Relay Feedback Test
Khalifa University（哈利法大学）；Kingston University London（伦敦金斯顿大学）
无人机的状态估计能力直接影响其控制性能。随着自主无人机解决方案在实际应用中的日益普及，迫切需要开发鲁棒自适应估计器，以改善低成本无人机的传感器噪声。利用无人机动力学知识进行估算具有显著的优势，但由于获得无人机动力学参数所需的飞行前试验复杂而昂贵，因此仍然具有挑战性。本文提出了两种基于解耦动力学模型的无人机扩展卡尔曼滤波器，可对无人机的旋转和平移状态的位置、速度以及滤波后的惯性加速度进行高速估计。使用深度神经网络和改进的中继反馈测试（DNN-MRFT）框架在线估计动态模型参数，而不需要任何关于UAV物理参数的先验知识。所设计的滤波器与实时的【形】识别过程模型参数进行了实验测试，并显示出两个优点。首先，平滑和无滞后的无人机转速和惯性加速度的估计，并用于改善闭环系统的性能，减少控制器的行动超过6%。其次，所提出的方法使无人机跟踪侵略性的轨迹与低速率的位置测量，任务通常是不可行的，在这些条件下。实验数据表明，我们达到了估计性能相匹配的其他方法，需要充分的知识的无人机参数。
2021-06-14 cs.RO cs.SY eess.SY
Adaptive Human-Robot Collaborative Missions using Hybrid Task Planning
University of York（约克大学）
本文提出一种混合任务规划方法，将问题分解为可行规划识别与不确定性增强验证两部分，并通过自适应策略应对系统需求和智能体能力变化，在葡萄园人机协同案例中展示了其在可行解生成和可扩展性上的优势。
2025-04-09 cs.MA cs.RO
Data-Driven Geometric System Identification for Shape-Underactuated Dissipative Systems
University of Michigan（密歇根大学）；Johns Hopkins University Applied Physics Lab（约翰霍普金斯大学应用物理实验室）；Oregon State University（俄勒冈州立大学）
运动具有高度耗散性的系统提供了一个机会，既可以轻松识别模型，又可以快速优化运动。几何力学提供了通过环境均匀性来减少动力学的手段，而耗散性质最小化了动力学中二阶（惯性）特征的作用。在这里，我们将几何系统辨识的工具扩展到“形状欠驱动耗散系统（SUDS）"-其运动比惯性更耗散的系统，但其驱动仅限于身体形状坐标的一个子集。许多动物的运动都是SUDS，包括线虫和鞭毛细菌等微型游泳者，以及蛇和蜥蜴等颗粒运动。许多软体机器人也是SUDS，特别是那些使用高阻尼串联弹性致动器的机器人。无论是参与运动还是操纵，这些机器人通常用于与环境进行不那么严格的交互。我们鼓励使用的SUDS模型，并验证他们的能力来预测各种模拟粘性游泳平台的运动。对于一个大类的SUDS，我们展示了如何形状速度驱动输入可以直接转换为扭矩输入，这表明软气动执行器或介电弹性体系统可以建模与工具。基于物理学中的基本假设，我们展示了我们的模型复杂性如何随被动形状坐标的数量线性缩放。这大大减少了从实验数据中识别系统模型所需的试验次数，并且可以减少过拟合。我们的方法的样本效率表明其在机器人建模，控制和优化中的使用，并作为一种工具，在摩擦占主导地位的制度的有机体运动的研究。
2021-08-28 cs.RO cs.SY eess.SY
Zero-Shot Parameter Learning of Robot Dynamics Using Bayesian Statistics and Prior Knowledge
Laboratory of Machine Tools and Production Engineering of RWTH Aachen University（鲁尔大学亚琛机械加工与生产工程实验室）；Business Unit Motion Control of Siemens AG（西门子股份公司运动控制业务单元）
针对传统机器人参数辨识需大量测量且忽略先验信息的问题，提出基于贝叶斯统计的零样本参数学习方法，结合先验知识在少量或无额外测量下学习，确保物理可行性与置信区间。
2025-06-24 cs.RO cs.SY eess.SY
Information-theoretic Model Identification and Policy Search using Physics Engines with Application to Robotic Manipulation
Rutgers University（罗格斯大学）
我们考虑的问题，一个机器人学习的机械性能的对象，通过与对象的物理交互，并引入一个实用的，数据高效的方法来识别这些对象的运动模型。所提出的方法利用物理引擎，其中机器人试图通过在不同的参数值下模拟其运动来识别物体的惯性和摩擦参数，并识别那些导致与观察到的真实运动相匹配的模拟的参数。该问题在贝叶斯优化框架中得到解决。相同的框架用于在线识别对象的模型和搜索将根据所识别的模型最小化给定成本函数的策略。仿真和实际机器人的实验结果表明，该方法优于最先进的无模型强化学习方法。
2017-03-22 cs.AI cs.LG cs.RO
System Identification and Control of Valkyrie through SVA--Based Regressor Computation
Texas A & M University（德州农工大学）；Georgia Institute of Technology（佐治亚理工学院）
本文利用空间向量代数(SVA)实现瓦尔基里人形机器人的同时辨识与控制，通过空间惯性张量计算动力学参数，提出高效算法实现回归器评估，用于在线系统辨识与基于模型的控制。
2016-09-12 cs.DS cs.RO cs.SY
Edge-Assisted Multi-Robot Visual-Inertial SLAM with Efficient Communication
本文提出了一种基于边缘计算的轻量级多机器人SLAM方法，通过优化数据传输和压缩，实现了高效、实时的协作SLAM，提升了定位精度并降低了计算负载。
2026-03-11 cs.CV cs.MA cs.RO
