Bayesian Decentralized Decision-making for Multi-Robot Systems: Sample-efficient Estimation of Event Rates
University of Konstanz(康斯坦茨大学)
本文提出了一种基于贝叶斯的去中心化框架,使多机器人系统在样本效率下有效估计危险事件率,提升安全性和收敛速度。
2025-11-27 cs.MA cs.RO
Achieving the Desired Dynamic Behavior in Multi-Robot Systems Interacting with the Environment
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学)
本文研究了多机器人系统与环境交互时的动态行为控制问题。特别是,我们提出了一种通用的方法,通过局部缩放机器人间的耦合关系,导致实现所需的交互行为。所提出的方法,以保证被动保存,从而确保安全的相互作用。所提出的方法的性能进行评估,在模拟,在大规模的多机器人系统。
2017-02-19 cs.RO
Rapidly adapting robot swarms with Swarm Map-based Bayesian Optimisation
University of Southampton(南安普顿大学)
针对集群机器人应对环境扰动的性能恢复难题,提出SMBO和SMBO-Dec两种基于Swarm Map的贝叶斯优化算法,通过搜索控制器存档实现快速行为适应,在多种干扰实验中最多30次评估内性能提升达80%。
2020-12-21 cs.AI cs.MA cs.NE
Nonlinear Heterogeneous Bayesian Decentralized Data Fusion
University of Colorado Boulder(科罗拉多大学博尔德分校)
针对非线性、通信丢包下的异构多机器人贝叶斯融合,论文推广协方差交叉提出新的FG-DDF融合规则,并以仿真和硬件验证其估计一致性及超过99%的计算通信成本降低。
2023-09-25 cs.RO
Robo-Platform: A Robotic System for Recording Sensors and Controlling Robots
Department of Electrical Engineering, Islamic Azad University, Najafabad Branch, Isfahan, Iran(电气工程系,伊斯兰教Azad大学,纳杰法德分校,伊斯法罕,伊朗)
本文提出Robo-Platform系统,利用Android手机、微控制器板和远程无线站实现多传感器原始数据采集与机器人控制,并通过SLAM/AR实验及玩具车、四旋翼控制案例验证其有效性。
2025-07-17 cs.RO cs.SY eess.SY
Forming and Controlling Hitches in Midair Using Aerial Robots
Lehigh University(里海大学)
针对空中缆绳操作需人工固定物体的问题,研究提出用多空中机器人在空中搭建凸多边形建模的绳结固定物体的方法,算法可并行执行耗时恒定,经仿真与实物实验验证有效。
2023-03-13 cs.RO cs.SY eess.SY
A Novel Self-Organizing PID Approach for Controlling Mobile Robot Locomotion
Lancaster University(兰卡斯特大学)
提出了一种新型的自组织模糊比例积分微分(SOF-PID)控制系统。该系统由一对控制和参考模型组成,这两个模型都是由一阶自主学习多模型(ALMMo)神经模糊系统实现的。SOF-PID控制器在控制过程中“动态”地自组织和自更新控制模型和参考模型的结构和元参数。这使得SOF-PID控制系统能够快速适应全新的操作环境,而无需完全重新训练。此外,SOF-PID控制系统不受用户和问题特定参数的影响,并且理论上保证了SOF-PID控制系统的一致稳定性。仿真和移动机器人实验验证了所提出的SOF-PID控制系统的有效性。
2019-12-17 cs.RO cs.SY eess.SY
Controlling Robot Morphology from Incomplete Measurements
Czech Technical University in Prague(捷克布拉格技术大学)
针对复杂形态机器人在城市搜索与救援任务中的地形穿越需求,提出通过自主控制处理不完整数据并确保安全性的方法。
2016-12-08 cs.AI cs.LG cs.RO
Sample-efficient Model Predictive Control Design of Soft Robotics by Bayesian Optimization
Michigan State University(密歇根州立大学);Utah State University(犹他州立大学)
提出了一种基于贝叶斯优化的数据驱动模型预测控制(MPC)设计方法。该方法不需要对软体机器人的复杂动力学模型进行建模,而是利用贝叶斯优化方法搜索最佳预测的低维预测模型及其控制器,以最小化闭环响应的目标函数。在每次迭代中,通过贝叶斯优化从闭环输入-输出数据更新预测模型。然后基于更新的预测模型设计线性MPC,并基于闭环响应进行评估。与直接搜索控制器参数不同,闭环系统的稳定性和输入/输出约束可以很容易地在MPC设计中处理。经过几次迭代,可以得到一个收敛的(次)最优控制器的解决方案,它最小化用户定义的闭环性能指标。通过一个柔索驱动的软体机器人的高保真仿真,对所提出的方法进行了仿真和验证。仿真结果表明,所提出的方法可以实现理想的跟踪控制器的软体机器人没有事先已知的模型。
2022-10-17 cs.RO cs.SY eess.SY
Field Estimation using Robotic Swarms through Bayesian Regression and Mean-Field Feedback
University of Notre Dame(圣母大学)
近年来,人们越来越关注使用平均场密度为基础的建模和控制策略部署机器人群。在本文中,我们研究了如何动态部署机器人的物理约束,以有效地测量和重建某些未知的空间场(如空气污染指数在一个城市)。具体而言,机器人的密度的演变是由平均场偏微分方程(PDE),这是唯一确定的机器人的个人动态建模。贝叶斯回归模型用于获得预测并返回表示预测置信度的方差函数。我们制定了一个PDE约束优化问题的基础上,这个方差函数动态生成一个参考密度信号,引导机器人到不确定的区域收集新的数据,并设计基于平均场反馈的控制律,使机器人的密度收敛到这个参考信号。我们还表明,建议的反馈法是强大的密度估计误差的意义下的输入到状态稳定性。仿真结果验证了算法的有效性。
2021-06-02 cs.RO cs.SY eess.SY
Bayesian Multi-Task Learning MPC for Robotic Mobile Manipulation
ETH Zurich(苏黎世联邦理工学院)
由于需要解决许多不同的任务,例如开门或拾取和放置物体,机器人中的移动操作具有挑战性。通常,机器人的基本第一原理系统描述是可用的,从而激励基于模型的控制器的使用。然而,机器人动力学及其与物体的相互作用受到不确定性的影响,限制了控制器的性能。为了解决这个问题,我们提出了一个贝叶斯多任务学习模型,使用三角基函数来识别动态中的错误。通过这种方式,可以利用来自不同但相关的任务的数据来提供描述性错误模型,该模型可以针对新的、看不见的任务进行有效的在线更新。我们将这种学习方案与模型预测控制器相结合,并广泛测试所提出的方法的有效性,包括与现有的基线控制器的比较。我们目前的模拟测试与球平衡机器人,和开门硬件实验与四足机械手。
2023-03-21 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
An Architecture for Autonomously Controlling Robot with Embodiment in Real World
Nara Women’s University(奈良女子大学);Kyoto University(京都大学);National Institute of Informatics(国立信息学研究所);Hosei University(法政大学)
在现实世界中,机器人的实施面临着各种问题,如环境的动态连续变化和输入/输出干扰。解决这些问题的关键可以在日常生活中找到;人们“采取与感知有关的行动”,并“在必要时动态改变计划”。我们建议使用一个新的概念,使机器人做这两件事,自主控制移动机器人。我们实现了我们的概念,在静态/动态环境下做了两个实验。这些实验的结果表明,我们的想法提供了一种方法来适应现实世界中的环境的动态变化。
2013-07-26 cs.AI cs.RO
Implementation of Q Learning and Deep Q Network For Controlling a Self Balancing Robot Model
Bangladesh University of Engineering & Technology(孟加拉国工程技术大学)
在本文中,两个强化学习,即Q学习和深度Q网络(DQN)的自平衡机器人凉亭模型的实现进行了讨论。实验的目标是让机器人模型学习在环境中保持平衡的最佳动作。它在一个特定的限度内停留的时间越长,它积累的奖励就越多,因此它就越平衡。在Q学习和DQN上进行了不同学习参数的不同实验,并显示了实验的图表。
2018-07-22 cs.RO
Controlling Traffic with Humanoid Social Robot
University of Waterloo(滑铁卢大学)
随着人工智能、机器学习和物联网等技术的进步,开发更多的人形机器人并实现不同流程的自动化变得很容易。一个交互式机器人必须具有高度的社会行为,这样它才能被使用它的人容易接受。由于长时间的值班,人类警察经历了很大的压力,并造成事故的风险。数字电子信号是自动的,但我们希望创建一个更人性化的系统,看起来像一个在十字路口控制交通的官员。我们在这项研究中使用了Thiago++机器人,并将其外观修改为像警察一样,然后对其进行编程,模仿并做出手势,就像交通警察做出手势来控制交通一样。我们评估了机器人的外观、手势、功能和社会行为。我们要求两名参与者的有限样本识别TRAPBOT,将其外观,社交行为和手势与现实生活中的警察进行比较。我们发现人们可以识别出这个机器人是交警机器人。我们的分析还表明,TRAPBOT具有类似交通机器人的外观,并能做出类似交通警察的信号手势。
2022-04-08 cs.HC cs.RO
Optimal Gait Design for a Soft Quadruped Robot via Multi-fidelity Bayesian Optimization
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文针对腱驱动软体四足机器人,提出结合中枢模式发生器与多保真贝叶斯优化的在线自适应步态设计方法,并通过边缘计算卸载降低机载开销,实现从仿真到实机的高效步态优化部署。
2024-06-11 cs.RO cs.SY eess.SY
Controlling a remotely located Robot using Hand Gestures in real time: A DSP implementation
CEERI-CSIR(印度中央电子工程研究所-科学与工业研究理事会);Northwest Missouri State University(西北密苏里州立大学)
远程呈现是当今时代的必需品,因为我们无法到达任何地方,而且它在危险的地方拯救人类生命方面也很有用。一个可以从远处控制的机器人可以解决这些问题。这可以通过通信波或联网方法。控制也应该是实时的和平滑的,以便它可以以有效的方式对每个小信号进行激励。本文讨论了一种方法来控制一个机器人在网络上从一个遥远的位置。机器人由现场摄像机捕捉的手势控制。采用DSP芯片TMS320DM642EVM实现图像的预处理和整个系统的调试。PCA用于手势分类,机器人驱动根据预定义的程序完成。在实验中,分类信息通过网络发送。该方法具有鲁棒性,可用于远距离控制任何类型的机器人。
2017-07-23 cs.HC cs.RO
Emotional Tandem Robots: How Different Robot Behaviors Affect Human Perception While Controlling a Mobile Robot
University of Konstanz(康斯坦茨大学);University of Lübeck(吕贝克大学)
本研究聚焦领航-跟随场景,探讨小型移动跟随机器人的情感表达运动模式如何影响人类操作员的感知,发现不同情感行为会显著改变操作员的注意力、压力水平及偏好,为未来协同机器人设计提供了重要参考。
2024-03-06 cs.HC cs.RO
Controlling Robots using Artificial Intelligence and a Consortium Blockchain
Departamento de Informática, Universidade of Beira Interior(比拉内格罗大学计算机系);Instituto de Telecomunicações(电信研究所)
区块链是一种通常用于金融应用的颠覆性技术,但在某些机器人环境中也非常有益,例如需要不可变的事件寄存器时。在机器人环境中有用的区块链的几个属性中,我们发现不仅不变性,而且数据的分散性,不可逆性,可访问性和不可否认性。在本文中,我们提出了一种架构,该架构使用区块链作为分类帐和智能合约技术,通过使用外部方Oracle来处理数据来进行机器人控制。我们展示了如何以安全的方式注册事件,如何使用智能合约来控制机器人,以及如何与外部人工智能算法进行图像分析。所提出的架构是模块化的,可以用于多种情况下,如在制造,网络控制,机器人控制,和其他,因为它很容易集成,适应,维护和扩展到新的领域。
2019-03-02 cs.RO
A Vision-Based Shared-Control Teleoperation Scheme for Controlling the Robotic Arm of a Four-Legged Robot
Department of Mechanical Engineering, University of São Paulo(机械工程系,圣保罗大学);Instituto Israelita de Ensino e Pesquisa Albert Einstein, Hospital Israelita Albert Einstein(艾利哈德研究所,以色列医院)
本文提出了一种基于视觉的姿态估计方法,通过检测操作员手腕位置来实现四足机器人机械臂的直观远程控制,提高了安全性和易用性。
2025-10-11 cs.CV cs.LG cs.RO
A Comparison of Bayesian Prediction Techniques for Mobile Robot Trajectory Tracking
Dept. of Electrical Engineering, Pontificia Universidad Católica de Chile(电气工程系,智利天主教大学)
本文比较了移动机器人轨迹跟踪中多种贝叶斯预测技术的性能,包括卡尔曼滤波及其变种和粒子滤波等方法,评估了误差、计算成本和鲁棒性等关键指标。
2026-02-17 cs.RO cs.SY eess.SY
Design strategies for controlling neuron-connected robots using reinforcement learning
The University of Tokyo(东京大学);Microsoft(微软)
尽管利用生物神经元的计算对机器人控制的兴趣越来越大,但神经元连接的机器人的上下文相关行为仍然是一个挑战。情境依赖行为在这里被定义为不是简单的感觉-运动耦合的结果,而是基于对任务目标的理解的行为。本文提出了基于任务目标训练神经元连接机器人的设计原则,以实现上下文相关的行为。首先,我们采用深度强化学习(RL)来实现考虑目标成就的训练。其次,我们提出了一个神经元模拟器作为基于记录的神经数据的概率分布,旨在表示生理上有效的神经动力学,同时避免复杂的建模与高计算成本。此外,我们建议在训练过程中更新模拟器,以弥合模拟和真实设置之间的差距。实验表明,机器人逐渐学习上下文相关的行为在杆平衡和机器人导航任务。此外,学习到的策略对于基于新神经数据的神经模拟器是有效的,并且通过在训练期间更新模拟器来提高任务性能。这些结果表明,所提出的设计原则的上下文相关的行为的神经元连接的机器人的有效性。
2022-03-29 cs.RO
Controlling the Solo12 Quadruped Robot with Deep Reinforcement Learning
LAAS-CNRS(法国国家科学研究中心实验室分析与建筑系统实验室);Université de Toulouse(图卢兹大学);NAVER LABS Europe(NAVER欧洲实验室)
本文提出在 Solo12 四足机器人上实现基于深度强化学习的端到端关节阻抗参考控制器,并验证其速度跟踪、能效、鲁棒性与真机部署价值。
2023-08-02 cs.LG cs.RO
Bayesian Gaussian mixture model for robotic policy imitation
Idiap Research Institute(Idiap 研究所)
学习机器人技能的一种常见方法是模仿演示策略。由于小误差和扰动的复合,这种方法可能会让机器人离开提供演示的状态。这就需要考虑额外的策略,以保证机器人在面对未知状态时表现得适当。我们建议使用贝叶斯方法来量化每个状态下的动作不确定性。所提出的贝叶斯方法是简单的设置,计算效率高,可以适应范围广泛的问题。我们的方法利用估计的不确定性融合的模仿政策与额外的政策。在一个熊猫机器人上进行了仿真实验,仿真结果表明,该方法在连续域中使用不同的控制输入/状态对完成三个操作任务。
2019-08-07 cs.RO
Controlling Assistive Robots with Learned Latent Actions
Stanford University(斯坦福大学);University of Toronto(多伦多大学);Vector Institute(向量研究所);Nvidia(英伟达)
辅助机器人手臂使身体残疾的用户能够在不依赖护理人员的情况下执行日常任务。不幸的是,使这些手臂有用的灵活性也使它们具有远程操作的挑战性:机器人比人类有更多的自由度可以直接与手持操纵杆协调。我们的见解是,我们可以通过利用潜在的动作使辅助机器人更容易被人类控制。潜在动作提供了高维机器人行为的低维嵌入:例如,一个潜在维度可能会引导辅助手臂沿着倾倒运动。在本文中,我们设计了一个遥操作算法的辅助机器人,学习潜在的行动任务演示。我们制定的可控性,一致性和缩放属性,用户友好的潜在行动应该有,并评估如何不同的低维嵌入捕捉这些属性。最后,我们对机器人手臂进行了两项用户研究,将我们的潜在行动方法与最先进的共享自主基线和辅助手臂目前使用的遥操作策略进行比较。参与者在利用我们的潜在行动时更有效地完成了辅助饮食和烹饪任务,并且主观地报告说,潜在行动使任务更容易执行。本文附带的视频可以在https://youtu.be/wjnhrzugBj4上找到。
2019-12-08 cs.RO
Robotic Control Optimization Through Kernel Selection in Safe Bayesian Optimization
School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院);Singapore Institute of Manufacturing Technology, A*STAR(新加坡制造技术研究院(新加坡科研局));Department of Electrical and Computer Engineering, National University of Singapore(新加坡国立大学电气与计算机工程系);Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)机器人与自主系统学部)
本文提出一种基于学习的控制优化方法,通过核选择增强加性高斯过程的安全贝叶斯优化算法,高效解决高维复杂系统的多控制器优化问题,并在Safe Control Gym基准的无人机PID控制中验证了其优于现有技术的显著改进。
2024-11-12 cs.RO cs.SY eess.SY
Real-time Monocular 2D and 3D Perception of Endoluminal Scenes for Controlling Flexible Robotic Endoscopic Instruments
The Chinese University of Hong Kong(香港中文大学);The University of Hong Kong(香港大学)
本文提出了一种基于单目内窥图像的视觉感知平台,用于提高内窥手术中柔性机器人器械的控制精度和手术效果。
2026-02-16 cs.RO
Controlling Pivoting Gait using Graph Model Predictive Control
Osaka University(大阪大学)
枢转步态是一种高效的以相对较小的操纵力操纵大而重的物体的步态,其中机器人迭代地倾斜物体,使其绕顶点旋转,然后将其放下到地板上。然而,由于其本质上的不稳定性,即使有很小的外部干扰,旋转步态也很容易失败。为了解决这个问题,我们提出了一种控制器,通过引入两种步态模式,即,一种是双支撑模式,它可以以较快的速度操纵相对较轻的物体,另一种是四支撑模式,它可以以较慢的速度操纵相对较重的物体。为了控制枢转步态,考虑到这两种步态模式,应用图形模型预测控制。通过根据所施加的外部干扰自适应地切换步态模式,机器人即使在外部干扰施加到物体的情况下也可以稳定地执行枢转步态。
2021-04-19 cs.RO cs.SY eess.SY
A Decade of Bayesian Optimization for Controller Tuning and Robot Learning: Tutorial, Review, and Future Prospects
RWTH Aachen University(亚琛工业大学);University of Technology Nuremberg(纽伦堡工业大学);Technical University of Munich(慕尼黑工业大学)
本文综述贝叶斯优化在控制器调参和机器人学习中的十年进展,提供教程式设置指南、方法分类,并针对控制应用缺乏标准基准的问题,提出轻量级基准套件及评估指标。
2026-09-10 cs.RO cs.SY eess.SY
Robot Introspection with Bayesian Nonparametric Vector Autoregressive Hidden Markov Models
机器人内省,与过程监控中典型的异常检测相反,有助于机器人了解它在任何时候都在做什么。机器人应该能够识别其动作,不仅当失败或新奇发生时,而且当它执行任何数量的子任务时。随着机器人继续寻求在非结构化环境中发挥作用,他们必须了解他们实际上在做什么来使他们更加强大。这项工作研究了马尔可夫切换过程的贝叶斯非参数技术的建模能力,学习复杂的动态典型的机器人接触任务。我们研究是否马尔可夫切换过程,连同贝叶斯先验可以胜过建模能力的同行:HMM与贝叶斯先验和没有。这项工作进行了测试,在一个卡扣组装任务的特点是高弹性力。该任务由一个具有非常复杂动态的插入子任务组成。我们的方法表现出更强的泛化能力,并且能够以计算高效的方式更好地对具有复杂动态的子任务进行建模。建模技术还用于学习不断增长的机器人技能库,当与低级别控制集成时,允许机器人在线决策。
2018-01-22 cs.RO
Controlling Intent Expressiveness in Robot Motion with Diffusion Models
Sorbonne Université, CNRS, Institut des Systèmes Intelligents et de Robotique (ISIR)(索邦大学、国家科学研究中心、智能系统与机器人研究所)
本文提出一种基于信息势场和两阶段扩散模型的运动生成框架,实现从高度可读到高度模糊的连续可控意图表达,在2D和3D任务中性能与SOTA相当。
2025-10-14 cs.RO
Light Communication for Controlling Industrial Robots
Near East University(近东大学);University of Camerino(卡梅里诺大学)
光无线通信(OWC)被认为是一种可以超越现有无线技术的理想通信方式。它利用LED灯,其辐射强度的微妙变化产生二进制数据流。这是由光电二极管感知,将其转换为电信号,以进一步解释。本文旨在探索使用这种新兴技术来无线控制工业机器人,克服对电线的需求,特别是在无线电波由于环境因素而无法工作或出于安全原因而不允许的环境中。我们进行了实验,以确保基于OWC的技术在上述范围内的适用性和效率,并在各种视线(LoS)和非视线(NLoS)配置中进行“体外”测试,以观察系统的吞吐量和可靠性。还分析了在“透明LoS”和存在透明屏障的情况下的技术性能。
2022-05-08 cs.RO
Algorithm Development for Controlling Movement of a Robotic Platform by Digital Image Processing
Universidad de Cundinamarca(昆迪纳马卡大学);Universidad Católica de Pereira(佩雷拉天主教大学)
下面的工作显示了一个算法,可以处理图像的数字控制移动机器人平台在一定的环境中的运动的目标。该平台是用一个特定的颜色来识别,而平台移位的位移环境用不同的颜色来识别障碍物,对于这两种情况,它都是用RGB色标来工作的。为了获得控制的机器人平台的运动,该算法是在C程序设计语言开发的,并使用Open CV库在开发平台C++上处理由摄像机捕获的图像。摄像机之前使用ZHANG技术进行校准,其中参数是焦距和倾斜焦点像素。在该算法中,开发了图像的直方图分析和分割,允许准确地确定平台相对于障碍物的相对位置和要遵循的运动策略。
2022-05-23 cs.CV cs.RO
Bayesian Optimisation with Prior Reuse for Motion Planning in Robot Soccer
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校)
我们整合学习和运动规划足球比赛差分驱动机器人使用贝叶斯优化。使用端部斜率三次贝塞尔样条生成的轨迹首先通过贝叶斯优化为一组具有障碍物的候选点进行全局优化。优化的轨迹以及机器人和障碍物的位置和速度存储在数据库中。最接近的规划情况,确定从数据库中使用k-最近邻的方法。通过重新使用先前优化轨迹的先验信息,进一步在线优化。我们的方法大大减少了轨迹优化的计算时间。速度分析产生的速度与机器人kinodynamic约束一致,并避免碰撞和滑动。广泛的测试是在开发的模拟器,以及物理差动驱动机器人。在实时的执行任务的约束下,我们的方法在减少跟踪误差,减少遍历和计算时间方面比竞争技术有显着的改进。
2017-10-18 cs.RO
Classified Regression for Bayesian Optimization: Robot Learning with Unknown Penalties
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Tübingen(图宾根大学)
使用贝叶斯优化(BO)通过最小化黑盒目标成本来学习机器人控制器可能是耗时且具有挑战性的。这是非常常见的情况下,一些推出导致失败的行为,造成过早的实验延迟。在这种情况下,设计者被迫决定启发式成本惩罚,因为所获得的数据往往是稀缺的,或不可比的稳定政策。为了克服这一点,我们提出了一个贝叶斯模型,准确地捕捉我们所知道的不稳定控制器的成本之前,数据汇集:什么都没有,除了它应该是一个有点大的数字。由此产生的贝叶斯模型,近似与高斯过程,预测高成本值的地区,故障可能会发生。以这种方式,该模型引导BO探索稳定区域。我们证明了所提出的模型的好处,在几个说明性和统计合成基准,并在一个真正的机器人平台上的实验。此外,我们提出并实验验证了一个新的BO方法来考虑未知的约束。这种方法是最大值熵搜索,最近的信息论方法,解决无约束全局优化问题的扩展。
2020-11-09 cs.LG cs.RO cs.SY
A Kubernetes-Based Edge Architecture for Controlling the Trajectory of a Resource-Constrained Aerial Robot by Enabling Model Predictive Control
Luleå University of Technology(吕勒奥理工大学)
近年来,云和边缘架构在卸载计算繁重的应用程序方面获得了极大的关注。从机器学习和物联网(IOT)到工业程序和机器人技术,云计算已被广泛用于数据处理和存储目的,这要归功于其“无限”资源。另一方面,云计算的特征在于由于云服务器与请求资源的机器之间的长距离而导致的长时间延迟。相比之下,边缘计算提供几乎实时的服务,因为边缘服务器的位置非常接近数据源。这种能力使边缘计算成为实时应用的理想选择,例如资源受限平台的高级控制。为了利用边缘资源,已经开发了几种技术,其中基本的是容器和编排,如Kubernetes,以根据每个应用程序的需求提供具有许多功能的环境。在这种情况下,本文提出了一种基于Kubernetes编排的新型边缘架构的实现和评估,用于通过启用模型预测控制(MPC)来控制资源受限的无人机(UAV)的轨迹。
2023-01-31 cs.RO
Backstepping Control of Tendon-Driven Continuum Robots in Large Deflections Using the Cosserat Rod Model
Toronto Metropolitan University(多伦多都会大学)
针对腱驱连续体机器人大挠度非线性控制难题,本文基于 Cosserat 杆模型建模并提出反步控制,经实验证明其轨迹更平滑、调节更快、超调更低且抗扰鲁棒。
2024-12-16 cs.RO cs.SY eess.SY
Brain-Computer-Interface controlled robot via RaspberryPi and PiEEG
本文介绍了可用于读取EEG信号的Raspberry Pi系列单板计算机的开源软件和开发的屏蔽板。我们已经描述了读取EEG信号并将其分解为傅立叶级数的机制,并提供了通过眨眼控制LED和玩具机器人的示例。最后,我们讨论了脑机接口在不久的将来的前景,并考虑使用实时EEG信号控制外部机械对象的各种方法。
2022-02-04 cs.AI cs.RO
Learning Interactive Behaviors for Musculoskeletal Robots Using Bayesian Interaction Primitives
Arizona State University(亚利桑那州立大学);Osaka University(大阪大学);Kyushu Institute of Technology(九州工业大学)
基于气动驱动的肌肉骨骼机器人具有多种特性,如顺应性和反向驱动性,这使得它们特别适合于人机协作。然而,由于其控制固有的非线性和不确定性,为此类系统编程交互和响应行为极具挑战性。在本文中,我们提出了一种学习贝叶斯交互原语肌肉骨骼机器人的方法,给出了一组有限的例子演示。我们表明,这种方法是能够实时的状态估计和响应生成的机器人,其中没有分析模型存在的相互作用。在“握手”任务上的人机交互实验表明,该方法可以推广到新的位置、交互伙伴和移动速度。
2019-08-15 cs.LG cs.RO
Controlling diverse robots by inferring Jacobian fields with deep networks
针对受生物启发的多样化机器人建模控制难题,提出用深度网络从单目视频推断视觉运动雅可比场的方法,无需专家干预训练,实现精准闭环控制,拓宽机器人设计空间、降低自动化门槛。
2025-07-30 cs.CV cs.LG cs.RO
Combining Simulations and Real-robot Experiments for Bayesian Optimization of Bipedal Gait Stabilization
步行控制器通常需要参数化,必须根据一些成本函数进行调整。为了估计这些参数,可以进行模拟,这是便宜的,但不完全代表现实。另一方面,真正的机器人实验更昂贵,并导致硬件磨损。在本文中,我们提出了一种方法相结合的模拟和真实的实验来学习步态稳定参数。我们使用贝叶斯优化方法,选择参数空间中信息量最大的点进行评估,基于熵的成本函数进行优化。在igus类人开放平台上的实验证明了该方法的有效性。
2018-09-14 cs.RO
Bayesian Optimization with Safety Constraints: Safe and Automatic Parameter Tuning in Robotics
1 Learning \& Adaptive Systems Group, Department of Computer Science, ETH Zurich, Switzerland. 2 Dynamic Systems Lab, Institute for Aerospace Studies, University of Toronto, Canada.
本文提出了一种通用算法,允许在目标函数之外存在多个独立的安全约束。该算法在给定初始安全参数的情况下,最大化性能,但仅评估满足所有安全约束的参数。通过利用高斯过程先验的正则性假设,该算法仔细探索参数空间,并展示了如何利用上下文变量安全地将知识转移到新任务中。
2020-04-07 cs.LG cs.RO cs.SY
BeBOP -- Combining Reactive Planning and Bayesian Optimization to Solve Robotic Manipulation Tasks
ABB Robotics(ABB机器人公司);Lund University(隆德大学);Royal Institute of Technology (KTH)(皇家理工学院(KTH))
针对机器人操作任务快速配置需求,提出结合反应式规划构建行为树结构、贝叶斯优化学习参数的BeBOP方法,还改进随机森林不确定性估计,在基准测试中速度最高达现有强化学习算法的46倍且更不依赖奖励塑形。
2023-10-02 cs.RO
The Revisiting Problem in Mobile Robot Map Building: A Hierarchical Bayesian Approach
University of Washington(华盛顿大学);SRI International(斯坦福国际研究院)
我们提出了一个应用分层贝叶斯估计机器人地图建设。当机器人必须决定它是看到地图上以前构建的部分,还是正在探索新的领土时,就会出现重访问题。这是一个困难的决策问题,需要处于当前已知地图之外的概率。为了估计这种可能性,我们模型的结构,一个“典型”的环境作为一个隐马尔可夫模型,生成序列的机器人浏览通过环境中观察到的意见。狄利克雷先验结构模型是从以前探索的环境中学习的。每当机器人探索一个新的环境时,模型的后验由Dirichlet超参数估计。我们的方法是实施和测试的背景下,多机器人地图合并,一个特别困难的情况下,重访问题。与机器人数据的实验表明,该技术产生强大的改进替代方法。
2012-10-19 cs.AI cs.RO
Unscented Bayesian Optimization for Safe Robot Grasping
Institute for Systems and Robotics(系统与机器人研究所);Instituto Superior Tecnico(高等技术学院);Centro Universitario de la Defensa(国防大学中心)
本文提出无迹贝叶斯优化算法,通过考虑输入噪声在安全区域寻找最优抓取策略,提升机器人抓取的安全性和效率。
2016-03-07 cs.AI cs.LG cs.RO
ROS-Mobile: An Android application for the Robot Operating System
University of Luebeck(吕贝克大学)
控制和监控复杂的自主和半自主机器人系统是一项具有挑战性的任务。Robot操作系统(ROS)是作为一个运行在Ubuntu Linux上的机器人中间件系统而开发的,它允许硬件抽象、各个进程之间的消息传递和包管理。然而,缺少对移动设备(如智能手机或平板电脑)的ROS应用程序的主动支持。我们为Android开发了一个ROS应用程序,它带有一个直观的用户界面,用于控制和监控机器人系统。我们的开源贡献可以用于各种各样的任务和许多不同类型的机器人。此外,它可以很容易地定制和添加新功能。在本文中,我们给出了一个大纲的软件架构,主要功能,并显示了一些可能的用例在不同的移动机器人系统。
2020-11-05 cs.RO
Adaptive Code Generation for Controlling Robots
Technische Universität Berlin(柏林工业大学)
本文提出一种双AI架构,利用LLM和VLM将高层意图转化为受限代码,并通过环境驱动重规划实现动态未知环境下的鲁棒机器人控制。
2026-10-08 cs.AI cs.RO
A Bayesian framework for the uncanny valley in humanoid robot design
The University of Tokyo(东京大学)
研究类人机器人设计中恐怖谷效应,提出分层贝叶斯生成模型,将相关准则转化为数学变量,通过模拟和实验验证,该模型能将经验启发式方法转变为计算基础,用于评估和优化机器人外观与行为。
2026-07-16 cs.RO
Robotic Optimization of Powdered Beverages Leveraging Computer Vision and Bayesian Optimization
ETH Zürich(苏黎世联邦理工学院);EPFL(洛桑联邦理工学院);Nestle Research(雀巢研究中心)
针对食品行业对创新研究的需求,本研究引入结合优化算法与计算机视觉的机器人系统,以粉末卡布奇诺制备为案例优化食品质量,通过闭环控制提升饮料品质,证明机器人自动化在食品开发中的有效性。
2025-04-17 cs.RO
Predictive Runtime Monitoring for Mobile Robots using Logic-Based Bayesian Intent Inference
University of Colorado Boulder(科罗拉多大学博尔德分校)
我们提出了一个预测运行时监测框架,预测移动机器人的未来位置的分布,以检测和避免即将发生的财产侵犯,如与障碍物或其他代理的碰撞。我们的方法使用了一个有限的类的时间逻辑公式来表示可能的意图的代理连同时间逻辑为基础的最优成本路径规划和贝叶斯推理的组合,以计算这些意图的概率给定的机器人的当前轨迹。首先,我们构建了一个大的,但有限的假设空间的可能意图表示为时间逻辑公式,其原子命题是来自机器人的工作空间的详细地图。接下来,我们的方法使用机器人的位置的实时观察,以更新的时间逻辑公式,代表其可能的意图的分布。这是通过使用最优成本路径规划和玻尔兹曼噪声合理性模型的组合来执行的。以这种方式,我们构建了一个贝叶斯方法来评估后验概率的各种假设给定的观察到的状态和动作的机器人。最后,我们预测的机器人的未来位置绘制后验预测样本,使用蒙特卡罗方法。我们使用两个不同的轨迹数据集来评估我们的框架,这些数据集包含实现各种任务的多个场景。结果表明,我们的方法可以准确有效地预测未来的位置,因此生成预测的计算时间是整个时间范围的一小部分。
2021-08-03 cs.RO
Bayesian Continuum Robot Dynamics and State Estimation
Vanderbilt University(范德堡大学);University of Utah(犹他大学)
针对连续体机器人在动态运动下现有状态估计方法忽略惯性效应的问题,提出基于Cosserat杆动力学的贝叶斯框架,将惯性和阻尼等效为载荷,实现随机前向仿真与联合状态估计,并经仿真和实验验证。
2026-09-18 cs.RO
Bayesian Generalized Kernel Inference for Exploration of Autonomous Robots
Zhejiang University(浙江大学);Xi’an Jiaotong University(西安交通大学)
本文涉及实现高效的信息理论机器人探索与所需的性能在复杂的场景。我们建立了一个连续的轻量级推理模型来预测的互信息(MI)和相关的预测置信度的机器人的候选动作没有被显式评估。这使得机器人探索中的决策阶段可以近似以对数复杂度运行,这也将有利于在大型非结构化和混乱的地方进行在线探索,这些地方需要更多的空间样本来评估和决定。我们还开发了一个目标函数来平衡具有最高MI值的局部最优行动和具有高预测方差的全局选择。大量的数值和数据集模拟表明,我们所提出的方法在不同的环境中不失去探索性能的期望效率。我们还为机器人社区提供在GitHub上发布的开源实现代码。
2023-01-02 cs.RO
Using Simulation to Improve Sample-Efficiency of Bayesian Optimization for Bipedal Robots
Carnegie Mellon University(卡内基梅隆大学);KTH Royal Institute of Technology(瑞典皇家理工学院);University of Washington(华盛顿大学)
控制学习可以为新的机器人任务获得控制器,为自主智能体铺平道路。这种控制器可以是专家设计的策略,通常需要为每个任务场景调整参数。在这种情况下,贝叶斯优化(BO)已经成为一个很有前途的方法自动调整控制器。然而,当针对高维策略在硬件上执行BO时,样本效率可能是一个问题。在这里,我们开发了一种方法,利用模拟映射到域知情的空间的原始参数空间。在BO期间,控制器之间的相似性现在在这个变换的空间中计算。ATRIAS机器人硬件和另一个双足机器人仿真实验表明,我们的方法成功地在样本有效地学习控制器的多个机器人。另一个问题出现了:如果模拟与硬件有很大的不同怎么办?为了回答这个问题,我们创建越来越近似的模拟器,并研究增加模拟硬件不匹配对贝叶斯优化性能的影响。我们还将我们的方法与文献中的其他方法进行了比较,发现它更可靠,特别是在高失配的情况下。我们的实验表明,我们的方法成功地跨越不同的控制器类型,双足机器人模型和模拟器的保真度水平,使其适用于广泛的双足运动问题。
2018-05-07 cs.RO
Bayesian Optimization Meets Riemannian Manifolds in Robot Learning
Bosch Center for Artificial Intelligence(博世人工智能中心);Idiap Research Institute(Idiap研究院)
贝叶斯优化(BO)由于其数据效率和无梯度的方法,最近在机器人中流行起来,用于优化直接强化学习中的控制参数和参数策略。然而,当参数空间是高维的时,其性能可能会严重受损。解决这个问题的一种方法是将领域知识引入BO框架。我们建议利用非欧几里德参数空间的几何形状,这经常出现在机器人(如方向,刚度矩阵)。我们的方法,建立在黎曼流形理论,允许BO通过几何感知核函数在参数空间中正确测量相似性,并优化流形上的采集函数作为一个无约束的问题。我们测试我们的方法在几个基准人工景观,并使用7自由度模拟机器人学习方向和阻抗参数的操作技能。
2019-10-11 cs.LG cs.RO