GPT-Lab: Next Generation Of Optimal Chemistry Discovery By GPT Driven Robotic Lab
Research Center for Intelligent Sensing Systems（智能传感系统研究中心）；Zhejiang Laboratory（之江实验室）
提出GPT-Lab范式，利用GPT模型驱动机器人实验室完成文献挖掘、实验设计与高通量合成验证，并在湿度传感器案例中实现快速材料发现。
2023-09-15 cs.AI cs.RO
Admittance-Based Motion Planning with Vision-Guided Initialization for Robotic Manipulators in Self-Driving Laboratories
Department of Electronics Systems, Aalborg University（电子系统系，奥尔堡大学）；Department of Information Technology and Electrical Engineering, Università degli Studi di Napoli Federico II（信息科技与电气工程系，那不勒斯费迪里奇二世大学）
本文提出了一种基于阻抗控制的运动规划方法，结合视觉引导初始化，实现机械臂在自动驾驶实验室中的自适应和安全操作。
2026-01-29 cs.RO
Analysis of Executional and Procedural Errors in Dry-lab Robotic Surgery Experiments
University of Virginia（弗吉尼亚大学）
分析运动学和视频数据可以帮助识别潜在的错误运动，这些运动会导致机器人辅助手术中的外科医生表现不佳和安全关键事件。方法我们开发了一个用于识别任务和手势特定的执行和程序错误的规则，并从JIGSAWS数据集评估缝合和穿针任务的干实验室演示。我们通过标记视频数据来表征演示的错误部分，并使用分布相似性分析和运动学数据的轨迹平均来识别区分错误手势的参数。结果执行错误频率因任务和手势而异，并与技能水平相关。在每个姿态的一些主要的错误模式是可区分的，通过分析特定的错误运动学参数。手术错误可能导致性能评分降低和演示时间增加，但也取决于手术方式。结论本研究提供了对上下文相关错误的见解，可用于设计自动错误检测机制，并改善培训和技能评估。
2021-11-12 cs.RO
Unreal Robotics Lab: A High-Fidelity Robotics Simulator with Advanced Physics and Rendering
University College London（伦敦大学学院）
本文提出Unreal Robotics Lab框架，结合Unreal Engine渲染与MuJoCo物理模拟，实现高保真机器人仿真，支持复杂环境效果，用于测试视觉导航和SLAM方法的鲁棒性。
2026-04-07 cs.CV cs.GR cs.LG
W-RIZZ: A Weakly-Supervised Framework for Relative Traversability Estimation in Mobile Robotics
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Coordinated Science Laboratory（协调科学实验室）
本文提出弱监督框架W-RIZZ，通过少量点对标注估计相对可通过性，结合跨图像标注策略和损失函数，在减少标注成本的同时提升移动机器人在非结构化环境中的地形理解能力。
2024-06-04 cs.RO
Scalable and low-cost remote lab platforms: Teaching industrial robotics using open-source tools and understanding its social implications
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出两个基于ROS和ROS 2开源工具的低成本远程实验室平台，通过部署UR5机械臂和移动漫游车构建AAHS与AWMS系统，在7个月内经1400余名学生测试验证了其教学有效性。
2024-12-19 cs.RO
Stress-testing large language model agents in a robotic chemistry laboratory
研究以机器人化学实验室为测试平台，使科学智能可衡量，通过4608次试验发现工作流程执行率低、长期规划有挑战，反馈促使局部调整，提供了部署评估及改进诊断框架。
2026-07-28 cs.AI cs.RO
Instance-Guided Unsupervised Domain Adaptation for Robotic Semantic Segmentation
Department of Computer Science, University of Milan（计算机科学系，米兰大学）
本文提出了一种实例引导的无监督领域适应方法，通过生成多视图一致的伪标签并利用基础模型进行细化，提升机器人语义分割的适应性能。
2026-02-15 cs.RO
Autonomous Elemental Characterization Enabled by a Low Cost Robotic Platform Built Upon a Generalized Software Architecture
Energy Geosciences Division, Lawrence Berkeley National Laboratory（能源地球科学部，劳伦斯伯克利国家实验室）；Materials Science Division, Lawrence Berkeley National Laboratory（材料科学部，劳伦斯伯克利国家实验室）
本文提出一种基于通用软件架构的低成本机器人平台，通过集成手持LIBS分析仪实现矿物样品自动二维化学图谱绘制，以1071点高光谱图谱验证了自动化表征的可行性，并连接资源勘探与加工环节。
2025-09-23 cs.RO
Deep Robotic Prediction with hierarchical RGB-D Fusion
Fudan University（复旦大学）；Zhejiang University（浙江大学）
机器人手臂抓取是实现机器人控制任务的基本操作。目前大多数机器人抓取方法都集中在桌面场景中的RGB-D策略或3D空间中的3D点云分析和推理。相比这些方法，我们提出了一种新的实时多模态分层编码器-解码器神经网络，融合RGB和深度数据，实现机器人人形抓在3D空间中只有部分观察。考虑了原始深度数据不确定性的量化和融合RGB的深度估计。我们开发了一种通用的标记方法来标记常见RGB-D数据集上的地面实况。我们评估了我们的方法的有效性和性能的物理机器人设置和我们的方法实现了超过90\%的成功率在桌面和3D空间场景。
2019-09-17 cs.CV cs.RO
Hardware-Free Robotics Laboratories in Mixed Reality
Technical University of Munich（慕尼黑工业大学）
提出MR-Robotics LAB混合现实平台，以真实尺度重放MATLAB机器人轨迹，评估显示低设置工作量和高接受度，为无硬件机器人教学提供可复用路径。
2026-09-17 cs.HC cs.RO
AWML: An Open-Source ML-based Robotics Perception Framework to Deploy for ROS-based Autonomous Driving Software
TIER IV, Inc（TIER IV公司）
本文提出开源框架AWML，为基于ROS的自动驾驶提供MLOps支持，除模型部署外还集成自动标注、半自动标注与数据挖掘的主动学习流水线。
2025-05-31 cs.RO cs.SE
AprilTags 3D: Dynamic Fiducial Markers for Robust Pose Estimation in Highly Reflective Environments and Indirect Communication in Swarm Robotics
MIT（麻省理工学院）
虽然基准标记在实验室条件下给出了精确的姿态估计，其中噪声因素得到控制，但在现场机器人应用中使用它们仍然是一个挑战。这受限于基准标记器系统，因为它们仅在RGB图像空间内工作。结果，图像中的噪声产生大的姿态估计误差。在机器人应用中，基准标记主要以其原始和简单的形式使用，如印刷纸张中的平面。这种设置对于基本的视觉伺服和增强现实应用是足够的，但对于复杂的群机器人应用是不够的，在这些应用中，设置由多个动态标记（显示在LCD屏幕上的标签）组成。本文介绍了一种新的方法，称为AprilTags3D，提高姿态估计精度的AprilTags在现场机器人只有RGB传感器，通过添加第三个维度的标记检测器。此外，提出了实验结果，从应用所提出的方法来集群自主机器人船之间的锁定，并创建机器人编队。
2020-01-11 cs.RO
Pipette: An Embodied Simulation Platform, Benchmark, and Data-Efficient Augmentation Framework for Wet-Lab Robotics
Key Laboratory of Smart Manufacturing in Energy Chemical Process Ministry of Education（能源化工过程智能制造国家重点实验室）；Department of Computer Science and Engineering（计算机科学与工程系）；Department of Laboratory Medicine（实验室医学系）；Shanghai Jiao Tong University School of Medicine（上海交通大学医学院）
提出Pipette平台，包含可编辑资产、仿真数据增强管道和11任务基准测试，将30次演示的VLA成功率从44.1%提升至74.7%。
2026-07-17 cs.AI cs.RO
GPLAC: Generalizing Vision-Based Robotic Skills using Weakly Labeled Images
University Of California, Berkeley（加州大学伯克利分校）
我们解决了学习机器人感觉运动控制策略的问题，这些策略可以推广到视觉多样和看不见的环境。实现广泛的泛化通常需要大型数据集，这对于特定于任务的交互过程（例如强化学习或从演示示教学习）来说是难以获得的。然而，世界上的许多视觉多样性可以通过被动收集的图像或视频数据集来捕获。在我们的方法中，我们称之为GPLAC（广义策略学习与注意力分类器），我们使用交互数据和弱标记的图像数据来增强感觉运动策略的泛化能力。我们的方法结合了动作选择和辅助二进制分类目标的多任务学习，以及使用注意力机制来避免干扰的卷积神经网络架构。我们表明，配对交互数据从一个单一的环境与不同的数据集的弱标记的数据结果大大提高了泛化到看不见的环境，并表明，这种泛化依赖于辅助目标和注意力的架构，我们提出。我们在模拟和真实的机器人机械手上展示了我们的结果，并证明了标准卷积架构和领域自适应方法的实质性改进。
2017-08-07 cs.CV cs.LG cs.RO
A review of robotics taxonomies in terms of form and structure
Naval Research Laboratory（海军研究实验室）
识别和分类特定的机器人任务，行为和资源是跨实验室和平台复制和评估机器人实验的重要前提。如果没有一些方法来捕捉一个环境、平台或行为与另一个环境、平台或行为的差异，我们就无法开始确定这些变化对性能的影响，也无法预测机器人在新环境中的性能。作为实验重现性的第一步，现有的分类在机器人领域进行审查和结构和形式的共同模式提取，确定他们与传统分类和必要的结构元素，从其他分类和归类系统共享的属性。注意到分类学主题的多样性和随后在协调概念基础方面的困难。机器人分类法在结构和形式上是非常分散的，需要能够支持复杂关系的符号。
2021-01-07 cs.RO
Pseudo-Labeling and Contextual Curriculum Learning for Online Grasp Learning in Robotic Bin Picking
Technical University Dortmund（多特蒙德工业大学）；Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心）
提出 SSL-ConvSAC，将带奖励反馈像素作为标签并结合半监督学习、强化学习与上下文课程，实现机器人料箱拣选的在线抓取学习。
2024-03-04 cs.AI cs.RO
ProtoAct: Turning Wet-Lab Protocols into Embodied Robotic Actions
研究针对湿实验室协议难转化为机器人动作的问题，提出ProtoAct框架，结合ProtoRAG、RefineChecker、ActSchema处理协议，引入BioP2E数据集，经多模型评估与消融实验验证，可实现仿真及真实机器人的协议执行。
2026-08-04 cs.AI cs.RO
Self-Supervised Learning For Robust Robotic Grasping In Dynamic Environment
College of Engineering（工程学院）；University of Washington（华盛顿大学）
本文提出一种基于自监督学习（SSL）的机器人抓取框架，利用RGBD传感器和本体感受数据实时适应动态环境中物体行为的变化，相比现有方法抓取成功率提升15%，并具备更快的适应速度。
2024-10-17 cs.RO
ORGANA: A Robotic Assistant for Automated Chemistry Experimentation and Characterization
University of Toronto（多伦多大学）；Vector Institute（矢量研究所）；Acceleration Consortium, University of Toronto（多伦多大学加速联盟）；NVIDIA（英伟达公司）
本文提出 ORGANA 机器人系统，结合 LLM 交互、视觉反馈、人机协同决策与并行调度，自动完成多类化学实验，并显著降低用户负担与时间成本。
2025-01-07 cs.AI cs.RO
GAMORA: A Gesture Articulated Meta Operative Robotic Arm for Hazardous Material Handling in Containment-Level Environments
Department of Computer Science \& AI Muffakham Jah College of Engineering
针对高风险实验室人员暴露风险与操作精度需求，研究团队提出VR引导的GAMORA机器人系统，整合多硬件与逆运动学等技术，实现危险任务远程精准操作，兼具低功耗与可扩展性。
2025-06-17 cs.AI cs.CV cs.RO
Industry Best Practices in Robotics Software Engineering
Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院）；Robert Bosch Corporate Research（罗伯特·博世企业研究院）；Waymo；XITASO GmbH（XITASO有限公司）；Mälardalen University（梅拉达伦大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Stuttgart（斯图加特大学）
机器人软件正在推动软件工程实践的极限。第三届机器人软件工程国际研讨会举行了关于“机器人软件工程最佳做法“的小组讨论。本文分享了小组成员和研讨会讨论中出现的关键要点，包括NASA/加州理工学院喷气推进实验室的架构实践，博世的模型驱动开发，Waymo的自动驾驶系统开发和测试，以及XITASO的机器人软件测试。研究人员和从业者可以在本文内容的基础上，对他们的活动获得新的视角，并专注于当今开发机器人软件中最紧迫的实践和挑战。
2022-12-09 cs.RO cs.SE
Grasping in Uncertain Environments: A Case Study For Industrial Robotic Recycling
Technical University of Munich（慕尼黑工业大学）
本文针对 WEEE 设备回收中视觉数据不确定的机器人拆解问题，提出三种夹持器及基于触觉和柔顺控制的力操控策略，并在实验室和工厂实验中验证其显著提升抓取成功率。
2025-01-03 cs.RO cs.SY eess.SY
Enhancing Robotic Adaptability: Integrating Unsupervised Trajectory Segmentation and Conditional ProMPs for Dynamic Learning Environments
本文提出融合无监督轨迹分割与条件ProMPs的框架，利用自编码器和RNN自动识别无标签运动数据关键点，提升机器人在动态环境中的适应性和学习效率，并降低计算开销。
2024-04-30 cs.RO cs.SY eess.SY
Care3D: An Active 3D Object Detection Dataset of Real Robotic-Care Environments
Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））；University of Technology Nuremberg（纽伦堡工业大学）
针对医疗辅助机器人开发中主动3D目标检测领域缺乏真实测试数据的问题，本文提出Care3D数据集，包含真实护理环境标注数据与单房间真值数据，可用于评估护理机器人上的SLAM算法。
2023-10-09 cs.CV cs.RO
Robotic Hierarchical Graph Neurons. A novel implementation of HGN for swarm robotic behaviour control
Monash University（莫纳什大学）；Defence Science and Technology Group（国防科学技术集团）；Sensor Analytics（传感器分析公司）
本文探讨了使用一种新形式的层次图神经元（HGN）在操作行为选择的机器人代理群。这种新的HGN被称为Robotic-HGN（R-HGN），因为它通过融合来自时间和群内集合的匹配概率来将机器人环境观测与环境标签相匹配。这种方法对于HGN来说是新颖的，因为它解决了机器人观测是伪连续数字，而不是分类值。此外，所提出的方法是存储器和计算功率保守的，因此是可以接受的，用于移动设备，如单板计算机，这是经常使用的移动机器人代理。该R-HGN方法针对个体行为实现和随机行为选择进行了验证。这种对比是在两组模拟环境中进行的：旨在挑战R-HGN行为的环境，以及随机生成的环境，这些环境对机器人群来说比R-HGN训练条件更具挑战性。已经发现R-HGN能够在这两个集合中进行适当的行为选择，从而在预先训练和意外的环境条件下实现显著的群体性能。
2019-10-28 cs.AI cs.MA cs.RO
Autonomous Situational Awareness for Robotic Swarms in High-Risk Environments
the University of Alabama（阿拉巴马大学）
本文介绍了一种技术，自主任务规划的机器人群在高风险的环境中，代理禁用是可能的。给定在已知区域中运行的群，中央命令系统从群生成测量结果。如果这些测量结果表明任务情况发生了变化，如目标移动或代理丢失，则群规划将更新以反映新的情况，并将制导更新广播到群。在这项工作中的主要算法是A* 寻路和广义标记多伯努利多目标跟踪方法。
2021-05-11 cs.MA cs.RO cs.SY
