NeuronsMAE: A Novel Multi-Agent Reinforcement Learning Environment for Cooperative and Competitive Multi-Robot Tasks
University of Chinese Academy of Sciences(中国科学院大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
多智能体强化学习(MARL)在各种具有挑战性的问题中取得了显著的成功。与此同时,越来越多的基准测试程序也出现了,为不同领域的算法提供了评价标准。一方面,虚拟MARL环境缺乏对真实世界任务和执行器能力的了解,另一方面,当前任务指定的多机器人平台对多智能体强化学习算法的通用性支持较差,缺乏对从仿真到真实环境的转换的支持。弥补虚拟MARL环境与真实多机器人平台之间的差距,是提高MARL算法实用性的关键。本文提出了一种新的MARL环境的真实多机器人任务命名为NeuronsMAE(神经元多智能体环境)。该环境支持多机器人的合作和竞争任务,并配置了丰富的参数接口,研究多智能体的政策从模拟到现实的转移。在这个平台上,我们评估了各种流行的MARL算法,并建立了一个新的多机器人任务的MARL基准。我们希望这个平台将促进MARL算法的研究和实际机器人任务的应用。有关基准测试和开源代码的信息将被发布。
2023-03-22 cs.RO
Pneumatic neurons for soft robots enable inflate-and-fire networks for rhythmic motion
UC San Diego(加州大学圣迭戈分校)
提出气动神经元软体执行器,通过充气-触发机制构建自激励网络,实现无需电子控制器的软体机器人节律运动,并揭示其动力学分岔规律。
2026-09-14 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 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
Bi-directioal Motion Detection: A Neural Intelligent Model For Perception of Cognitive Robots
K. N. Toosi University of Technology(卡托斯理工大学)
本文提出了一种基于脉冲神经网络模型的新的神经元电路,用于检测认知机器人周围漫游的动态物体的运动方向。我们的新方法在双向运动检测中的能力归功于所提出的电路的对称配置。随着对神经元网络(如癫痫)中阻滞问题处理的重视,兴奋性和抑制性刺激的安装也被考虑在内。在PIONEER认知机器人上应用上述策略的研究表明,该策略导致感觉网络中的潜在水平的缓解。此外,对电路的固有延迟的研究表明,不仅可以获得显着的开关速率,但与其他高速电路的高效耦合。
2014-07-06 cs.RO
Controlling Robot Swarm Aggregation through a Minority of Informed Robots
University of Namur(那慕尔大学);Université Libre de Bruxelles(布鲁塞尔自由大学)
自组织聚合是群体机器人中一个研究得很好的行为,因为它是发展更高级的群体级响应的先决条件。在本文中,我们研究了分散算法的设计一群异构的机器人,自我聚集在不同的目标网站。以前的研究表明,包括作为群体的一部分,一些知情的机器人可以引导动态的聚合过程中的群体之间的可用聚合站点的理想分布。我们已经复制了以前的研究结果,使用一种简化的方法:我们删除了与机器人的通信协议相关的约束,并简化了控制机制,调节概率控制器的状态之间的转换。结果表明,与以前的,更复杂的,控制器获得的性能可以复制与我们的简化方法,提供了明显的优势,在物理机器人的便携性和灵活性。也就是说,我们的简化方法可以产生自组织的聚合反应,在一个更大的一组操作条件比可以实现的复杂控制器。
2022-08-26 cs.RO
CPG-Based Control Scheme for Quadruped Robot to Withstand the Lateral Impact
Beijing Institute of Technology(北京理工大学)
针对四足机器人在侧向冲击下的稳定性问题,提出了一种基于侧小跑的稳定性控制策略。我们首先提出了保持平衡的五个必要条件。然后将经典的带有霍普夫振荡器的四神经元中枢模式发生器(Central Pattern Generator,CPG)网络扩展为带有四个激活神经元的八神经元网络,用于控制侧小跑。通过对网络参数的适当调整,该网络能够实现侧、纵小跑步态的协调。基于零运动点(ZMP)理论,机器人被建模为倒立摆,规划重心(CoG)的位置,并计算所需的横向步长。仿真结果表明,四足机器人受到侧向冲击后,其侧向加速度在较短时间内恢复到正常范围。结果表明,机器人所能承受的最大侧向冲击力从0.72g提高到1.55g,提高了125%。
2017-11-21 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
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
SpikingSoft: A Spiking Neuron Controller for Bio-inspired Locomotion with Soft Snake Robots
Delft University of Technology(代尔夫特理工大学);The University of Manchester(曼彻斯特大学)
本研究受动物运动神经元与物理弹性耦合启发,提出SpikingSoft脉冲神经元控制器,通过可调阈值双阈值脉冲神经元模型激发软蛇机器人自然动力学,结合强化学习简化运动学习,仿真显示其性能显著优于对比方法。
2025-02-10 cs.LG cs.RO
Brain-Swarm Interface (BSI): Controlling a Swarm of Robots with Brain and Eye Signals from an EEG Headset
Boston University(波士顿大学);Stanford University(斯坦福大学)
这项工作提出了一种新的婚姻群机器人和脑机接口技术,以产生一个接口,连接用户到一群机器人。建议的界面使用户能够控制群的大小和运动,采用只是思想和眼球运动。思想和眼球运动通过一个现成的脑电图(EEG)耳机从头皮上记录下来。信号处理技术用于滤除噪声并从原始信号中解码用户的眼球运动,而隐马尔可夫模型技术用于从滤波后的信号中破译用户的想法。机器人的动力学控制使用基于势场的群控制器。人类用户通过脑群接口来调节势场的形状和运动参数以移动机器人。该方法被证明是实验室环境中的一个人控制一群三个M3PI机器人,以及控制一群128个机器人在计算机模拟。
2016-12-24 cs.MA 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
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
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
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
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
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
Synthetic Neural Vision System Design for Motion Pattern Recognition in Dynamic Robot Scenes
University of Lincoln(林肯大学)
昆虫的大脑很小,但有复杂的视觉系统来感知运动。少数昆虫视觉神经元已被计算机建模并成功应用于机器人。不同的神经元如何在运动感知中协作,迄今为止是一个悬而未决的问题。在本文中,我们提出了一种新的嵌入式视觉系统的自主微型机器人,识别动态场景中的机器人运动模式。在这里,基本的运动模式被归类为逼近(接近),后退,平移和其他无关的运动。该系统是一个合成的神经网络,由两个互补的子系统和四个尖峰神经元组成--蝗虫的小叶巨型运动检测器(LGMD 1和LGMD 2),用于感知迫在眉睫和衰退,以及果蝇的方向选择神经元(DSN-R和DSN-L)用于平移运动提取。图像通过时空计算转换为尖峰开关功能和决策机制,以调用适当的机器人行为之间的碰撞避免,跟踪和徘徊,在动态的机器人场景。我们的机器人实验证明了两个主要的贡献:(1)这种神经视觉系统是有效的,以识别相应的基本运动模式,及时和适当的机器人行为在动态场景。(2)多机器人的实验结果表明,该方法能够有效地识别出更丰富的运动特征进行碰撞检测,与以往的研究相比有了很大的提高。
2019-04-15 cs.AI cs.NE cs.RO
CineTransfer: Controlling a Robot to Imitate Cinematographic Style from a Single Example
Universidad de Zaragoza(萨拉戈萨大学);Stanford University(斯坦福大学)
本研究提出轻量便携的CineTransfer框架,基于单输入视频提取构图、景深等风格特征,结合CineMPC控制机器人自主迁移电影摄影风格,无需深度训练或大数据集,经真实与模拟实验验证有效。
2023-10-06 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
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
Training slow silicon neurons to control extremely fast robots with spiking reinforcement learning
Institute of Neuroinformatics, UZH and ETH Zurich(神经信息研究所,苏黎世联邦理工学院和苏黎世联邦理工学院);Istituto Italiano di Tecnologia(意大利技术研究所);Technical University of Munich(慕尼黑技术大学);Natl. Center for Radiation Protection and Computational Physics, Istituto Superiore di Sanità(辐射防护与计算物理国家中心,意大利卫生超级研究所);Digital Society Initiative, University of Zurich(数字社会倡议,苏黎世大学)
通过脉冲强化学习训练慢硅神经元,实现高速机器人控制,展示脑启发方法在快速互动任务中的有效性。
2026-01-29 cs.AI cs.ET cs.RO
A Framework for Controlling Multi-Robot Systems Using Bayesian Optimization and Linear Combination of Vectors
West Virginia University(西弗吉尼亚大学)
我们提出了一个通用的框架,为分散式多机器人系统创建参数化控制方案。在分散式多机器人文献中可以看到各种各样的任务,每个任务都有许多可能的控制方案。对于其中的几个,智能体使用从环境中提取信息并以有意义的方式组合这些信息的算法来选择控制速度。从这个基本的形成,提出了一个框架,每个机器人的测量信息分类为相关的标量和矢量集,并创建一个线性组合的测量矢量集。与可优化的参数集一起,标量测量用于生成线性组合的系数。有了这个框架和贝叶斯优化,我们可以创建几个多机器人任务,包括凝聚力和隔离,模式形成,搜索/觅食有效的控制系统。
2022-03-23 cs.RO cs.SY eess.SY
A programmable actuator for combined motion and connection and its application to modular robot
LAAS-CNRS(法国国家科学研究中心分析与系统架构实验室);Université de Toulouse(图卢兹大学);CNRS(法国国家科学研究中心)
本文提出了一种新型的毫米级驱动器,它是基于简化的电永磁(SEP)磁铁。该驱动器通过控制SEP磁铁的极性来实现连接和平稳运动。基于数值模拟的分析被用来设计原型。提出了一种死区时间可控的H桥及其多路复用设计,用于控制新型执行器,简化了电子电路。最后,在DILI模块化可重构机器人系统中实现了该驱动器。实验结果表明,采用该驱动器后,DILI模块能够在连接过程中实现平稳移动和无电源连接。DILI模块的最大速度为20 mm/s。
2019-03-26 cs.RO
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
A Framework for Controlling Multiple Industrial Robots using Mobile Applications
Cranfield University(克兰菲尔德大学)
本文提出一种基于智能手机和MIT Inventor App的移动应用框架,通过ROS和Arduino UNO实现双工业机器人的四种模式控制,实验验证了滑块控制优于传感器且延迟适当。
2024-03-12 cs.RO
Stable-BC: Controlling Covariate Shift with Stable Behavior Cloning
Virginia Tech(弗吉尼亚理工大学);USC Viterbi School of Engineering(南加州大学维特比工程学院)
针对行为克隆中机器人遇新状态易产生协变量偏移与累积误差的问题,研究基于误差动力学推导稳定性条件,提出易实现且对协变量偏移鲁棒的Stable-BC方法,并通过多环境仿真与机械臂空气曲棍球实验验证了有效性。
2024-08-12 cs.RO
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
Controlling Collectives of AI Agents in Reasoning Space with Spatial Transformers
University of Pennsylvania(宾夕法尼亚大学)
提出COMPASS去中心化多机器人架构,利用空间Transformer在推理空间生成反馈令牌,实现大规模智能体编队飞行,零样本泛化至1024个机器人。
2026-09-24 cs.AI cs.RO
Spiking neural state machine for gait frequency entrainment in a flexible modular robot
University of California, Santa Cruz(加州大学圣克鲁兹分校);Genomics Institute, University of California, Santa Cruz(加州大学圣克鲁兹分校基因组学研究所);Howard Hughes Medical Institute(霍华德·休斯医学研究所)
我们提出了一个模块化的架构,神经形态闭环控制的基础上,由三个尖峰神经元组成的pneumatic弛豫振荡器模块。像它的生物原型一样,这个基本组件对参数变化是鲁棒的,但可以通过外部输入进行调制。通过结合这些模块,我们可以构建一个神经状态机,能够产生腿部运动所需的循环或重复行为。该方法的一个具体的案例研究是由一个模块化的机器人构造的柔性塑料体像素,在其中,我们产生一个向前爬行步态夹带到机器人的固有频率的最小系统的12个神经元组织成4个模块。
2020-09-25 cs.NE cs.RO
Collision Selective Visual Neural Network Inspired by LGMD2 Neurons in Juvenile Locusts
University of Lincoln(林肯大学)
对于处于动态混合环境中的自主机器人来说,快速、鲁棒地检测即将发生的碰撞是至关重要的。经过数百万年进化的生物视觉系统可以为复杂环境中的碰撞检测提供有效的解决方案。在蝗虫的驾驶舱中,已经确定了两个小叶巨人运动探测器,即LGMD 1和LGMD 2,它们以高发射率对隐约出现的物体做出严格的响应。与LGMD 1相比,LGMD 2在蝗虫幼蝗体内成熟较早,对明亮背景下的暗运动物体具有特异性选择性,而对暗背景下的亮物体则没有反应,这与地面车辆和机器人面临的情况类似。然而,对LGMD 2建模的工作很少,更不用说它在机器人和其他基于视觉的应用中的潜力了。在这篇文章中,我们提出了一种新的建模LGMD 2神经元的方法,有偏的ON和OFF通路将视觉流分成并行通道,分别编码亮度增量和减量,以实现其选择性。此外,我们应用尖峰频率适应的生物物理机制来塑造这种碰撞检测神经元模型中隐约可见的选择性。建议的视觉神经网络已进行了系统的实验测试,对合成和真实的物理刺激,以及从传感器的微型机器人的图像流的挑战。结果表明,该框架能够选择性地检测嵌入明亮背景中的隐约可见的黑暗物体,这使其成为地面移动平台的理想选择。机器人实验还显示了它在碰撞检测方面的鲁棒性-它在有许多障碍物的竞技场中的近距离导航中表现良好。通过系统的实验也验证了其增强的碰撞选择性黑暗接近物体与后退和平移的。
2017-12-22 cs.CV cs.RO q-bio.NC
Differential Mapping Spiking Neural Network for Sensor-Based Robot Control
The Hong Kong Polytechnic University(香港理工大学);Technical University of Denmark(丹麦技术大学)
在这项工作中,提出了一个脉冲神经网络(SNN)近似差分感觉运动地图的机器人系统。所计算的模型被用作将传感器空间中的变化与运动空间中的变化相关联的局部雅可比式投影。SNN由通过可塑性突触连接的输入(感觉)层和输出(运动)层组成,在输出层具有抑制间连接。尖峰神经元被建模为Izhikevich神经元的突触学习规则的基础上尖峰时间依赖的可塑性。来自本体感受和外感受传感器的反馈数据被编码并通过运动牙牙学语过程馈送到输入层。由于构建高效SNN的主要挑战是调整其参数,因此我们提出了一种直观的调整方法,可以大大减少神经元的数量和训练所需的数据量。我们提出的架构代表了一个生物学上合理的神经控制器,能够处理嘈杂的传感器读数,以指导机器人运动的实时性。实验结果验证了视觉引导机器人的控制方法。
2020-09-11 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
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
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
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 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 Parent Systems Through Swarms Using Abstraction
The George Washington University(乔治·华盛顿大学);The University of Delaware(特拉华大学)
本研究考虑了父子系统的控制,其中父系统由一组可控子系统(即群)作用。这样的系统的示例包括在表面上推动物体的机器人群、承载大负载的飞行器群、或操纵物体的一组末端执行器。本文提出了一种通过低维抽象状态空间实现群体与父系统解耦的一般方法。这种方法的要求,以及如何在这两个系统上的约束传播通过抽象状态和影响的要求,这两个系统的控制器。为了证明这一点,设计了几个具有硬状态约束的控制器来跟踪一个倾斜平面的给定期望角度轨迹,其中一群机器人在上面行驶。不同大小和属性的同质和异质群被认为是测试该架构的鲁棒性。控制器被证明是局部渐近稳定的,并在仿真中证明。
2019-01-22 cs.RO
Walk along: An Experiment on Controlling the Mobile Robot 'Spot' with Voice and Gestures
Delft University of Technology(代尔夫特理工大学)
本研究通过218人实验比较语音与手势控制Spot机器人,发现语音控制配合随行行走最直观高效,并指出优化手势设计可提升手势控制效果。
2025-04-14 cs.HC 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
Automatic Centralized Control of Underactuated Large-scale Multi-robot Systems using a Generalized Coordinate Transformation
University of Luebeck(吕贝克大学)
大规模粒子或机器人系统的控制是具有挑战性的,因为它们的高维数。我们使用一个集中的随机方法,允许最优控制的成本,而不是一个分散的方法的中心元素。以前的工作往往局限于全驱动机器人的假设。在这里,我们提出了一种欠驱动机器人的方法,允许节能控制的机器人系统。我们考虑一个简单的任务,收集的机器人(最小化位置方差),并引导他们在一个有界区域内的目标点没有障碍。我们做出了两个主要贡献。首先,我们提出了一个广义坐标变换的欠驱动机器人,其物理特性应予以考虑。我们选择描述一大类机器人系统的欧拉-拉格朗日系统。其次,我们提出了一个以能源效率为主要目标的最优控制机制。我们证明了我们的方法在数值模拟和机器人模拟的可行性。
2021-08-24 cs.RO
Reinforcement Learning in a Neurally Controlled Robot Using Dopamine Modulated STDP
Imperial College London(帝国理工学院)
最近的研究表明,多巴胺调节的STDP可以解决许多与强化学习相关的问题,例如远端奖励问题。脉冲神经网络提供了一种在具体环境中实现强化学习的有用技术,因为它们可以处理连续的参数空间,并且因此更好地概括在给定环境中执行的正确行为。在这个项目中,我们实现了一个版本的DA调制STDP在一个具体的机器人上的食物觅食任务。通过模拟多巴胺能神经元,我们展示了机器人如何能够学习一系列行为以获得食物奖励。在测试中,机器人能够学习食物吸引行为,随后在所有50次试验中,当环境发生变化时忘记这种行为。此外,我们表明,机器人是能够操作的环境中,最佳的行为变化迅速,所以代理必须不断重新学习。在由食物容器组成的更复杂的环境中,机器人能够在95%的试验中学习食物容器的吸引力,尽管正确的行为和奖励之间存在很大的时间距离。这是通过将多巴胺反应从主要刺激(食物)转移到次要刺激(食物容器)来实现的。我们的工作为一些观察到的生物现象背后的原因提供了见解,例如在多巴胺能神经元中观察到的爆发行为。以及演示脉冲神经网络控制的机器人如何能够解决一系列强化学习任务。
2015-02-21 cs.NE cs.RO
Designing Behaviour in Bio-inspired Robots Using Associative Topologies of Spiking-Neural-Networks
The Open University(开放大学)
本研究探讨了设计和控制的代理和机器人的行为,使用简单的电路的尖峰神经元和尖峰时间依赖可塑性(STDP)作为一种机制的联想和无监督学习。基于“奖励和惩罚”的经典条件反射,它表明,这些机器人学会了识别和避免障碍,以及识别和寻找奖励刺激。使用仿真和编程环境NetLogo,开发了Integrate and Fire模型的软件引擎,该软件引擎允许我们以离散时间步长监控所提出的神经网络中每个单个神经元、突触和尖峰的动态。这些脉冲神经网络(SNN)充当实验机器人的简单大脑。乐高Mindstorms机器人套件用于模拟代理的实施例。在本文中的拓扑积木,以及再现实验所需的神经参数。本文总结了由此产生的行为以及观察到的动态的神经电路。附件载有与NetLogo代码的互联网连接。
2015-09-24 cs.AI cs.NE cs.RO
RACAS: Controlling Diverse Robots With a Single Agentic System
Center of Excellence in Generative AI, King Abdullah University of Science and Technology (KAUST), Saudi Arabia(沙特王国科学与技术大学生成人工智能卓越中心);Dalle Molle Institute for Artificial Intelligence Research (IDSIA), Switzerland(人工智能研究达勒莫利 institute);Università della Svizzera italiana (USI), Switzerland(瑞士意大利大学);Scuola universitaria professionale della Svizzera italiana (SUPSI), Switzerland(瑞士意大利专业大学);Robotics, Intelligent Systems, and Control Lab, King Abdullah University of Science and Technology (KAUST), Saudi Arabia(机器人、智能系统与控制实验室,沙特王国科学与技术大学(KAUST));Department of Process Control, AGH University of Krakow, Poland(波兰克拉科夫AGH大学过程控制系)
RACAS通过单一代理系统实现跨平台机器人控制,无需修改代码或模型,有效降低机器人原型开发难度。
2026-03-11 cs.AI cs.CL cs.LG
DRL: Deep Reinforcement Learning for Intelligent Robot Control -- Concept, Literature, and Future
结合机器学习(用于生成机器智能),计算机视觉(用于更好的环境感知)和机器人系统(用于受控环境交互),促使这项工作朝着提出一个基于视觉的学习框架智能机器人控制作为最终目标(基于视觉的学习机器人)。这项工作特别引入了深度强化学习作为学习框架,这是一个通用的AI框架(AGI),意味着独立于应用程序和平台。在机器人控制方面,该框架特别提出了一种独立于低级控制的高级控制架构,这意味着这两个所需的控制级别可以相互独立地开发。在这方面,高级控制使用由训练者生成的来自同一平台的记录的低级控制数据来创建用于平台控制的所需智能。所记录的低级控制数据仅仅指示成功和失败的经验或由训练者使用相同的机器人平台进行的实验序列。记录数据的序列由观察数据(输入传感器)、生成的奖励(反馈值)和动作数据(输出控制器)组成。对于实验平台和实验,视觉传感器用于感知环境,不同的运动控制器基于平台应用创建所需的运动命令,深度学习方法生成所需的智能,最后强化学习技术逐步改进生成的智能,直到机器人完成任务。
2021-04-20 cs.AI cs.RO
Safe Imitation Learning of Nonlinear Model Predictive Control for Flexible Robots
KU Leuven(鲁汶大学);Flanders Make(佛兰德斯制造机构);University of Freiburg(弗赖堡大学)
针对柔性机器人NMPC实时计算成本高的问题,提出结合模仿学习与预测安全滤波器的安全近似框架,在保证安全约束下实现超8倍计算加速,性能优于现有强化学习方法,助力柔性机器人工业应用。
2024-08-14 cs.LG cs.RO math.OC
Design and Development of Robots End Effector Test Rig
Indian Institute of Science(印度科学研究院);Robert Bosch Centre for Cyber Physical Systems(罗伯特·博世网络物理系统中心)
设计了一种机器人末端执行器的试验台,使其实现x-y-z轴上的棱柱运动,以抓取物体。它是一种结构,设计有传感器和执行器的紧凑组合。传感器用于检测目标工件或任何物体的存在、位置和干扰,并且致动器具有用于控制和移动系统的机构的电机驱动系统。因此,它改善了人体工程学和操作的准确性,具有增强的可重复性。
2021-01-04 cs.RO physics.app-ph
How Fly Neural Perception Mechanisms Enhance Visuomotor Control of Micro Robots
Machine Life and Intelligence Research Centre, School of Mathematics and Information Science, Guangzhou University(机器生命与智能研究中心,数学与信息科学学院,广州大学)
本文提出一种受果蝇LPLC2神经元启发的注意力驱动视觉运动控制策略,在微型机器人Colias上实现低功耗碰撞感知与规避,检测成功率达96.1%,且规避动作比蝗虫模型更具适应性。
2025-09-17 cs.NE cs.RO
Control of an Internet-based Robot System Using the Real-time Transport Protocol
本文提出利用实时传输协议替代传统TCP和UDP进行机器人系统控制,通过理论分析、仿真和实验验证其可行性与有效性。
2017-07-18 cs.NI cs.RO cs.SY