SaWa-ML: Structure-Aware Pose Correction and Weight Adaptation-Based Robust Multi-Robot Localization
School of Electrical Engineering, KAIST(韩国科学技术院电子工程学院);Laboratory for Information & Decision Systems (LIDS)(信息与决策系统实验室);Massachusetts Institute of Technology(麻省理工学院)
SaWa-ML提出一种视觉-惯性-UWB融合的多机器人定位方法,利用UWB测距不累积误差的特性进行结构感知位姿校正,并设计自适应权重,显著降低长期漂移并提升定位鲁棒性。
2025-07-18 cs.RO
MULAN-WC: Multi-Robot Localization Uncertainty-aware Active NeRF with Wireless Coordination
college.harvard.edu(哈佛大学学院)
针对多机器人三维重建中的位姿估计、不确定性量化与视角选择难题,提出融合无线AoA测距定位、不确定性感知训练与主动视角选择的MULAN-WC框架,经多数据集与硬件实验验证可实现接近真实位姿的高质量重建。
2024-09-15 cs.RO
Communication-Efficient Relative Pose Estimation with Vision Foundation Models for Ephemeral 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)
针对现实中机器人短交互窗口及有限通信带宽下的相对位姿估计难题,提出通信高效相对位姿估计框架CERPE,利用固定大小描述符减少原始观测交换,通过自身运动传播相对位姿,提升了短暂协作感知中的6自由度相对位姿估计。
2026-10-06 cs.RO
Long-Lived Distributed Relative Localization of Robot Swarms
Harvard University(哈佛大学)
本文研究了多机器人系统中的移动机器人对环境中邻近机器人的相对位置和相对方位的估计问题。这个问题是在大群的简单的机器人,能够测量的距离附近的机器人的背景下进行研究。我们提出了两种分布式定位算法,它们的计算复杂性和它们的协调要求之间有不同的权衡。第一种算法不需要机器人协调它们的运动。它依赖于一个非线性最小二乘法为基础的策略,让机器人计算附近的机器人的相对姿态。第二种算法借用了分布式计算理论的工具来协调哪些机器人必须保持静止,哪些机器人可以移动。这种协调允许机器人使用标准的三边测量技术来计算附近机器人的相对姿态。对这两种算法进行了理论分析和仿真验证。
2013-12-06 cs.RO
Di-NeRF: Distributed NeRF for Collaborative Learning with Relative Pose Refinement
Toronto Metropolitan University(多伦多 Metropolitan 大学)
提出一种完全分布式的Di-NeRF算法,使多机器人协同优化NeRF参数并联合精化相对位姿,实现低精度位姿下的稳健3D建图,实验验证其效率。
2025-08-07 cs.RO
Implicit Virtual Leader: Decentralized Vision-Only Relative Pose Estimation for Multi-Robot Formations
针对经典编队控制问题,提出基于图神经网络的仅视觉去中心化相对姿态估计框架,通过隐式虚拟领导者解决局限性,附加相关模块进行不确定性处理,经多测试集验证,该框架姿态估计精度高且能推广到不同平台和编队规模。
2026-08-11 cs.RO
Multi-Robot Relative Pose Estimation in SE(2) with Observability Analysis: A Comparison of Extended Kalman Filtering and Robust Pose Graph Optimization
Inha University(仁荷大学)
本研究针对多机器人相对位姿估计的可观测性,比较EKF与鲁棒PGO在仿真和硬件实验中的精度,提出不同感知通信结构下的估计方案。
2024-02-04 cs.CV cs.RO cs.SY
Analysis on Multi-robot Relative 6-DOF Pose Estimation Error Based on UWB Range
针对GNSS拒止、无锚点环境下的多机器人相对6-DOF位姿估计问题,本文推导误差解析下界,并通过仿真验证节点距离、高度和标签单纯形外接圆半径的影响。
2023-09-27 cs.RO cs.SY eess.SY
A Robot Localization Framework Using CNNs for Object Detection and Pose Estimation
Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学)
外部定位是小型或具有成本效益的机器人室内操作的重要组成部分,因为它们被用于例如群体机器人。本文提出了一种基于卷积神经网络的任意机器人两阶段定位和实例识别框架。对操作区的外部摄像机图像执行目标检测,为识别和取向估计卷积神经网络提供机器人边界框。此外,我们提出了一个过程来生成必要的训练数据。该框架进行了评估与3种不同的机器人类型和各种识别模式。我们分析了主要的框架超参数,为框架操作设置提供了建议。我们在GPU上以50 Hz的帧速率运行时,实现了高达98%的mAP@IOU0.5和仅1.6 °的方向误差。
2018-10-03 cs.CV cs.RO
Multi-Robot Relative Pose Estimation and IMU Preintegration Using Passive UWB Transceivers
McGill University(麦吉尔大学);Polytechnique Montreal(蒙特利尔理工学院)
本文提出一种无层级限制的无源UWB测距协议,使机器人可被动监听并广播预积分IMU测量,结合SE2(3)上的EKF实现多机器人同时时钟同步与相对位姿估计,实验显示定位精度最高提升48%。
2024-10-03 cs.RO eess.SP
Multi-Robot Bearing-based Pose Estimation via Angle Rigidity
Institute of Engineering Technology and Sciences "Hilario Fernández Long" (CONICET-UBA)(希拉里·费尔南德斯·隆工程技术与科学研究所(CONICET-UBA));Centre for Automation and Robotics (CSIC-UPM)(自动化研究中心(CSIC-UPM));Artificial Intelligence and Robotics Laboratory, Universidad de San Andrés and CONICET(人工智能与机器人实验室,圣安德烈斯大学及CONICET)
提出一种分布式仅方位姿态估计器,利用体坐标系方位角计算位置并恢复姿态,仅需角度刚性条件,实现局部一致指数稳定。
2026-09-07 cs.RO cs.SY eess.SY
Relative ultra-wideband based localization of multi-robot systems with kinematic extended Kalman filter
Université de Sherbrooke(舍布鲁克大学)
定位在分布式群体机器人领域中起着至关重要的作用。以前的工作已经强调了在多机器人系统中位置跟踪的相对定位的潜力。超宽带(UWB)技术提供了一个很好的估计机器人之间的相对位置,但受到一些限制。本文提出了改进的相对定位功能,在我们以前的工作,这是基于UWB技术。我们的新方法合并UWB遥测和运动学模型到一个扩展的卡尔曼滤波器,以正确地跟踪机器人的相对位置。我们进行了仿真,并验证了所提出的方法在相对距离和角度精度的改进。进行了额外的分析,以观察当机器人共享其控制输入时性能的提高。
2023-03-20 cs.RO eess.SP
Fault-Tolerant Multi-Modal Localization of Multi-Robots on Matrix Lie Groups
Autonomous Space Robotics and Mechatronics Laboratory, Carleton University(卡尔顿大学自主空间机器人与机电一体化实验室)
本文提出一种基于矩阵李群的容错多模态多机器人定位框架,通过新颖的随机运算构建伪位姿并结合EKF融合多传感器数据,引入故障检测模块确保可靠性,实验证明其在多机器人定位中具备高效、可扩展和实时性能。
2025-05-01 cs.RO cs.SY eess.SY
Robot Structure Prior Guided Temporal Attention for Camera-to-Robot Pose Estimation from Image Sequence
Peking University(北京大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
本研究聚焦单视角图像序列的在线相机到机器人位姿估计问题,提出结合机器人结构先验引导的时序注意力方法,服务于机器人与环境交互的核心需求。
2023-07-22 cs.RO
Visually Guided Model Predictive Robot Control via 6D Object Pose Localization and Tracking
CIIRC, Czech Technical University in Prague(捷克理工大学CIIRC);LAAS-CNRS, Universite de Toulouse, CNRS, Toulouse(图卢兹大学LAAS-CNRS)
本研究针对动态物体6D位姿引导的机器人操作需求,提出融合学习式定位器与模型式跟踪器的高速高精度视觉感知模块,结合力矩型模型预测控制实现稳定鲁棒的机械臂控制,并通过基准测试与真实7自由度机器人实验验证了方法有效性。
2023-11-09 cs.RO
ViTAL: Vision-Based Terrain-Aware Locomotion for Legged Robots
Istituto Italiano di Tecnologia (IIT)(意大利理工学院)
这项工作是基于视觉的规划策略的足式机器人分离到立足点选择和姿势适应运动规划。目前的姿态自适应策略优化机器人的身体姿势相对于给定的立足点。如果未到达这些立足点,则机器人可能最终处于没有可到达的安全立足点的状态。因此,我们提出了一个基于视觉的地形感知运动(ViTAL)的战略,包括新的姿态适应和立足点选择算法。ViTAL在姿势适应中引入了一种不同的范例,该范例不优化相对于给定立足点的身体姿势,而是最大化腿部到达安全立足点的机会的身体姿势。ViTAL根据机器人的能力和地形感知能力来规划立足点和姿势。我们使用90 kg HyQ和140 kg HyQReal四足机器人来验证ViTAL,并表明它们能够以不同的速度和步态爬上各种障碍物,包括楼梯,间隙和粗糙的地形。我们比较ViTAL与基线策略,选择机器人姿势的基础上,给定选定的立足点,并显示ViTAL优于基线。
2022-12-02 cs.RO
Self-supervised 6D Object Pose Estimation for Robot Manipulation
NVIDIA(英伟达);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Washington(华盛顿大学)
为了教授机器人技能,在监督下获取数据至关重要。由于注释真实世界的数据既耗时又昂贵,因此使机器人能够以自我监督的方式学习非常重要。在这项工作中,我们介绍了一个机器人系统的自我监督的6D物体姿态估计。从经过模拟训练的模块开始,我们的系统能够用准确的6D对象姿势标记真实世界图像,以进行自监督学习。此外,机器人与环境中的物体进行交互,通过抓取或推动物体来改变物体的配置。通过这种方式,我们的系统能够持续收集数据并改进其姿态估计模块。我们表明,自监督学习提高了对象分割和6D姿态估计性能,从而使系统能够更可靠地把握对象。展示实验的视频可以在https://youtu.be/W1Y0Mmh1Gd8上找到。
2020-03-07 cs.RO
Indirect Object-to-Robot Pose Estimation from an External Monocular RGB Camera
NVIDIA(英伟达)
我们提出了一个机器人抓取系统,使用一个单一的外部单目RGB相机作为输入。通过组合两个神经网络的输出来间接计算物体到机器人的姿态:一个估计物体到相机的姿态,另一个估计机器人到相机的姿态。这两个网络都完全基于合成数据进行训练,依靠域随机化来弥合模拟与真实之间的差距。由于后者网络执行在线摄像机校准,因此摄像机可以在执行过程中自由移动,而不会影响抓取质量。实验结果分析了摄像机的位置,图像分辨率和姿势细化的情况下,抓住几个家庭对象的效果。我们还提出了一套新的28纹理的家用玩具杂货店的对象,已被选定为其他研究人员访问的结果。为了帮助研究的可重复性,我们提供了3D扫描纹理模型,以及用于姿态估计的预训练权重。
2020-08-26 cs.RO
LanPose: Language-Instructed 6D Object Pose Estimation for Robotic Assembly
Tsinghua University(清华大学);Technical University of Munich(慕尼黑工业大学)
本文提出LanPose框架,通过融合几何与语言特征并利用交叉注意力机制,实现基于自然语言指令的的6D物体位姿估计,在真实机器人装配场景中验证了其有效性。
2023-10-20 cs.RO
Human-robot collaborative object transfer using human motion prediction based on Cartesian pose Dynamic Movement Primitives
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Chalmers University of Technology(查尔姆斯理工大学)
在这项工作中,问题的人-机器人协作对象转移到未知的目标位姿。使用DMP(动态运动基元)对末端执行器姿态轨迹到已知目标姿态的期望模式进行编码。在物体向新的未知目标的转移过程中,提出了一种基于DMP的参考模型和EKF(Extended卡尔曼滤波器)方法,用于估计目标的位姿和人的预期运动持续时间。提供了整体方案的稳定性分析。实验使用Kuka LWR 4+机器人配备ATI传感器在其末端执行器验证其功效方面所需的人力,并比较它与导纳控制方案。
2021-10-27 cs.RO
Smart placement, faster robots-a comparison of algorithms for robot base-pose optimization
Technical University of Munich(慕尼黑工业大学)
本文比较了四种算法在机器人基座姿态优化中的性能,发现随机梯度下降在成功率上表现最佳,而遗传算法在成本上表现最优。
2026-03-08 cs.RO
Differentiable Rendering-based Pose Estimation for Surgical Robotic Instruments
University of California San Diego(加利福尼亚大学圣迭戈分校)
针对dVRK等外科机器人因关节角误差和部分可见运动学链导致传统标定失效的问题,本文提出基于可微渲染与圆柱体的无标记单次位姿估计方法,在新型位姿假设空间中构建通用匹配流程,实现稳健且可泛化的手术工具跟踪初始化。
2025-03-07 cs.RO
Tracking Human Pose During Robot-Assisted Dressing using Single-Axis Capacitive Proximity Sensing
Georgia Institute of Technology(佐治亚理工学院)
穿衣是日常生活的一项基本任务,机器人提供了帮助运动障碍者的机会。虽然一些机器人系统已经探索了机器人辅助穿衣,但很少有人考虑机器人如何管理人类姿势估计中的错误,或在穿衣辅助期间实时的适应人类运动。此外,估计由于人体运动引起的姿势变化对于基于视觉的技术可能是具有挑战性的,因为穿衣通常旨在用衣服在视觉上遮挡身体。我们提出了一种方法来跟踪一个人的姿态在实时的使用电容接近感测。这种感测方法以低延迟给出了对距离的直接估计,具有高信噪比,并且具有低计算要求。使用我们的方法,机器人可以调整人的估计姿势中的错误,并在提供穿衣帮助的同时物理地跟随人的轮廓和运动。作为我们的方法的评估的一部分,机器人成功地拉到10个人类参与者的右臂上的医院长袍和羊毛衫的袖子,尽管手臂运动和大的错误,在最初估计的姿势的人的arm.We还表明,电容传感器是不受视觉遮挡的身体,可以通过棉衣服感测一个人的身体。
2019-05-24 cs.RO
Relative Pose Estimation for Nonholonomic Robot Formation with UWB-IO Measurements (Extended version)
School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院);Cavendish Laboratory, University of Cambridge(剑桥大学卡文迪许实验室);Zhongguancun Laboratory(中关村实验室)
本文研究利用机载超宽带距离和惯性里程计测量实现多机器人分布式编队控制问题,提出局部帧下的并发学习估计器和协作定位算法,设计分布式编队跟踪控制器,通过实验证明方法有效性。
2026-04-14 cs.RO
Orientation to Pose: Continuum Robots Shape Sensing Based on Piecewise Polynomial Curvature Model
Department of Automation, Tsinghua University(清华大学自动化系)
连续体机器人具有细长、柔性和无限自由度的特点,这对它们的控制和应用提出了挑战。连续体机器人的形状感知是实现精确控制的关键。提出了一种基于分段多项式曲率(PPC)运动学模型的连续体机器人实时形状感知通用框架。我们说明了连续体机器人在任何给定位置的方向和位置之间的耦合。此外,耦合关系可以通过PPC运动学桥接。因此,我们建议通过方向估计来估计连续体机器人的形状,使用现成的方向传感器,例如,安装在特定位置的惯性测量装置。该方法为连续体机器人的形状感知提供了一个有价值的框架,具有通用性、准确性和方便性。在多类型物理样机的实验中验证了通用方法的准确性。
2021-03-09 cs.RO
Kinodynamics-based Pose Optimization for Humanoid Loco-manipulation
University of Southern California(南加州大学)
本文提出一种结合运动动力学位姿优化与MPC的仿人机器人推物控制方法,能快速规划最优位姿并协调受力,实现重载推动与强抗扰恢复。
2023-07-25 cs.RO
Efficiency Improvement of Measurement Pose Selection Techniques in Robot Calibration
Ecole des Mines de Nantes(南特矿业学校);Institut de Recherche en Communications et Cybernétique de Nantes (IRCCyN)(南特通信与控制论研究所);Université de Nantes(南特大学)
本文论述了基于测试位姿法的机械手几何和弹性静力学标定实验设计。主要的注意力是在选择最佳的测量姿态的校准实验中采用的数值技术的效率提高。所开发的技术的优点是说明了模拟的例子,处理与串行架构的工业机器人的几何标定。
2013-11-26 cs.RO
BRAVE-6D: Benchmark for Robotic Active Vision in 6DOF Pose Estimation
TU Wien(维也纳工业大学)
针对机器人抓取小物体中主动视觉方法难以公平比较的问题,提出基于3DGS视图合成的BRAVE-6D基准,用于评估6自由度姿态估计的主动视觉系统,并验证了基线方案的有效性。
2026-09-16 cs.RO
Generative Visual Foresight Meets Task-Agnostic Pose Estimation in Robotic Table-Top Manipulation
Southern University of Science and Technology(南方科技大学);LimX Dynamics(LimX动力学);The University of Hong Kong(香港大学)
该研究提出结合生成式视觉预见与任务无关姿态估计的闭环框架GVF-TAPE,通过生成视频预测与姿态解耦提取实现机器人桌面操作的实时自适应与跨任务泛化,降低对任务特定数据的依赖。
2025-08-30 cs.RO
PFM-HR: Pose Flow Matching for Humanoid Robots
本文提出PFM-HR,一种在大规模无序姿态数据上训练的可复用流匹配先验,通过引入PGS调节跟踪奖励提升人形机器人运动跟踪性能,尤其适用于高动态运动。
2026-11-06 cs.RO
Robotic Task Success Evaluation Under Multi-modal Non-Parametric Object Pose Uncertainty
University of Southern Denmark(南丹麦大学);SDU Robotics(SDU机器人学(注:SDU为南丹麦大学缩写));Mærsk Mc-Kinney Møller Institute (MMMI)(马士基麦金姆穆勒研究所);Faculty of Engineering(工程学院);Danish Institute for Advanced Studies (DIAS)(丹麦高级研究院)
本文提出一种在物体位姿不确定性下评估机器人任务成功的框架,利用多模态非参数概率分布表示位姿估计误差与任务可接受误差空间,通过动态仿真预计算并积分预测成功率,提升了任务表现。
2024-03-16 cs.RO
6D Assembly Pose Estimation by Point Cloud Registration for Robot Manipulation
Tampere University(坦佩雷大学)
本文提出一种基于RGB-D与CAD模型的6D装配位姿估计方法,通过语义分割和点云配准实现精确装配,并通过实验验证其有效性。
2023-12-05 cs.RO
Human-Robot Co-Transportation using Disturbance-Aware MPC with Pose Optimization
George Mason University(乔治·玛森大学);University of Tennessee, Knoxville(田纳西大学,诺克斯维尔)
本文提出一种融合扰动感知DARE与位姿优化的MPC算法,用于人机协同搬运,通过两步迭代选择最优机械臂位姿并计算全身控制输入,在仿真和Fetch机器人实验中优于基线方法。
2025-06-18 cs.RO
SLAM-Supported Self-Training for 6D Object Pose Estimation
Massachusetts Institute of Technology(麻省理工学院)
物体姿态预测的最新进展为机器人在导航过程中构建物体级场景表示提供了一条有前途的道路。然而,当我们在新的环境中部署机器人时,分布外的数据会降低预测性能。为了减轻域差距,我们可以在目标域中进行自我训练,使用机器人捕获图像的预测作为伪标签来微调对象姿态估计器。不幸的是,姿势预测通常是异常损坏的,并且很难量化它们的不确定性,这可能导致低质量的伪标记数据。为了解决这个问题,我们提出了一个SLAM支持的自我训练方法,利用机器人的三维场景几何形状的理解,以提高对象的姿态推理性能。将姿态预测与机器人里程计相结合,我们制定并解决姿态图优化,以细化对象姿态估计,并使伪标签在帧间更加一致。我们将姿态预测协方差作为变量纳入优化,以自动建模其不确定性。该自动协方差调整(ACT)过程可以在组件级拟合6D姿态预测噪声,从而产生更高质量的伪训练数据。我们在YCB视频数据集和真实机器人实验中使用深度对象姿态估计器(DOPE)测试我们的方法。在两次测试中,该算法的位姿预测精度分别提高了34.3%和17.8%。我们的代码可在https://github.com/520xyxyzq/slam-super-6d上获得。
2022-08-16 cs.RO
Occupancy-SLAM: An Efficient and Robust Algorithm for Simultaneously Optimizing Robot Poses and Occupancy Map
Robotics Institute, University of Technology Sydney(技术大学悉尼机器人研究所);School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
提出Occupancy-SLAM方法,通过参数化地图表示同时优化机器人位姿与占用值,在2D和3D数据集上实现了比现有方法更准确鲁棒的轨迹与地图构建。
2025-05-21 cs.RO
Camera-to-Robot Pose Estimation from a Single Image
NVIDIA(英伟达);Carnegie Mellon University(卡内基梅隆大学)
我们提出了一种方法,用于估计相对于机器人使用单个RGB图像的机器人的外部相机的姿态。图像由深度神经网络处理,以检测与机器人相关联的关键点(如关节)的2D投影。该网络完全基于模拟数据进行训练,使用域随机化来弥合现实差距。视角n-点(PPENS),然后用于恢复相机extrinsics,假设相机的内在和关节配置的机器人操作器是已知的。与经典的手眼校准系统不同,我们的方法不需要离线校准步骤。相反,它是能够计算的相机extrinsics从一个单一的帧,从而打开在线校准的可能性。我们展示了三种不同的机器人和相机传感器的实验结果,证明我们的方法能够用单个帧实现精度,这与使用多个帧的经典离线手眼校准相当。使用来自静态姿势的附加帧,精度进一步提高。代码,数据集和预训练模型的三个广泛使用的机器人操纵器。
2020-04-23 cs.RO
Markerless Robot Detection and 6D Pose Estimation for Multi-Agent SLAM
German Aerospace Center (DLR)(德国航空航天中心)
本文提出基于深度学习的无标记机器人6D位姿估计方法,用于提升多智能体SLAM系统的相对定位精度。
2026-02-18 cs.RO
Ablation Study on Features in Learning-based Joints Calibration of Cable-driven Surgical Robots
University of Washington(华盛顿大学)
随着全球范围内的实施,数百万例手术由手术机器人辅助。许多手术机器人上的线缆驱动机构允许灵活、轻便和紧凑的手臂和工具。然而,线缆的松弛和拉伸以及齿轮的齿隙将不可避免的误差从马达姿态引入到关节姿态,并且因此被转发到末端执行器的姿态和取向。提出了一种基于学习的深度神经网络标定方法,将关节1、2、3的无载位姿RMSE分别降低到0.3003度、0.2888度、0.1565 mm,将关节1、2、3的有载位姿RMSE分别降低到0.4456度、0.3052度、0.1900 mm。然后,去除消融和不准确消融进行研究的DNN模型的功能有助于校准精度。结果表明,原始关节姿势和电机扭矩是最重要的功能。对于关节位姿,去除消融表明DNN模型可以从末端执行器位姿和方向导出此信息。对于电机转矩,方向比幅度重要得多。
2023-02-14 cs.RO
GODSAC*: Graph Optimized DSAC* for Robot Relocalization
Robotics Institute(机器人研究所);University of Michigan(密歇根大学)
基于深度学习的单目相机图像的相机姿态估计最近在Visual SLAM研究中得到了广泛应用。尽管这种姿态估计方法在办公室和公寓楼等小的封闭区域中具有良好的效果,但当应用于户外环境等较大区域时,它们往往表现不佳,这主要是因为缺乏独特的特征。我们提出GODSAC* 作为一种相机姿态估计方法,通过优化姿态图来增强来自具有噪声里程计数据的训练神经网络的姿态预测。GODSAC* 在姿态估计精度方面优于最先进的方法,正如我们在实验中所证明的那样。
2021-05-14 cs.RO
Map-Aware Human Pose Prediction for Robot Follow-Ahead
University of Minnesota(明尼苏达大学);Shepherd Laboratories(谢泼德实验室)
本研究针对复杂环境中机器人前方跟随任务,提出先预测2D轨迹再条件化估计完整3D轨迹的地图感知方法,速度快三倍且性能更优,并构建了新数据集和完整机器人系统验证了其实时性。
2024-03-20 cs.RO
Odometry Calibration and Pose Estimation of a 4WIS4WID Mobile Wall Climbing Robot
Croatian Academy of Sciences and Arts(克罗地亚科学与艺术学院)
本文基于多模态测量融合设计了四轮独立转向四轮独立驱动壁爬机器人姿态估计器,采用扩展卡尔曼滤波和无迹卡尔曼滤波方法,解决传统定位传感器在复杂建筑立面环境中的不可行性问题。
2025-09-04 cs.RO
RGBManip: Monocular Image-based Robotic Manipulation through Active Object Pose Estimation
Hyperplane Lab, School of CS, Peking University(北京大学计算机学院超平面实验室);National Key Laboratory for Multimedia Information Processing(多媒体信息处理国家重点实验室);Beijing Academy of Artificial Intelligence (BAAI)(北京人工智能研究院);Department of Computer Science and Engineering, The Chinese University of Hong Kong(香港中文大学计算机科学与工程学系)
本文提出RGBManip框架,利用夹爪上的单目相机进行主动多视角6D物体位姿估计,并通过强化学习平衡位姿精度与操作效率,在仿真和真实环境中取得先进性能。
2024-09-09 cs.RO
In-Hand Object Pose Tracking via Contact Feedback and GPU-Accelerated Robotic Simulation
Carnegie Mellon University(卡内基梅隆大学);NVIDIA Research(英伟达研究院)
由于显著的遮挡,跟踪被机器人手握持和操纵的对象的姿态对于基于视觉的方法是困难的。先前的工作已经探索了使用接触反馈和粒子滤波器来定位手中的对象。然而,他们主要集中在静态抓取设置上,而不是在物体运动时,因为这样做需要对复杂的接触动力学进行建模。在这项工作中,我们建议使用GPU加速的并联机器人模拟和导数免费的,基于样本的优化跟踪在手对象的姿态与接触反馈在操作过程中。我们使用物理仿真作为机器人与物体交互的前向模型,该算法对仿真的状态和参数进行联合优化,使它们更好地与现实世界的状态和参数相匹配。该方法在单GPU上实时运行(30Hz),模拟实验中点云距离平均误差为6mm,真实环境中点云距离平均误差为13mm。在https://sites.google.com/view/in-hand-object-pose-tracking/上观看实验视频
2020-11-05 cs.RO
Visual-based Kinematics and Pose Estimation for Skid-Steering Robots
Technical University of Munich(慕尼黑工业大学);Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学);University of Delaware(特拉华大学)
为了制造商业机器人,滑移转向机械设计由于其制造简单和独特的机制而越来越受欢迎。然而,这些也导致对软件和算法设计的重大挑战,特别是对于姿态估计(即,确定机器人的旋转和位置)的滑移转向机器人,因为他们改变他们的方向与不可避免的打滑。为了解决这个问题,我们提出了一个概率滑动窗口估计专用于滑移转向机器人,使用从单目摄像机,车轮编码器,并可选的惯性测量单元(IMU)的测量。具体地说,我们明确地建立了滑移转向机器人的运动学模型,通过轨迹瞬时旋转中心(ICR)和校正因子,能够补偿轨迹与地形相互作用的复杂性,机械设计的不确定性,地形条件和平滑度等,以防止机器人在长期任务中的性能下降,以紧密耦合的方式在线估计随时间和位置变化的运动学参数以及姿态估计状态。更重要的是,我们在本文中对不同的传感器和设计配置进行了深入的可观测性分析,这为我们在构建真正的商业机器人时做出正确的选择提供了理论工具。在我们的实验中,我们通过仿真测试和真实世界的实验来验证所提出的方法,这表明我们的方法优于竞争方法的大幅幅度。
2022-10-25 cs.RO
Advanced robot calibration using partial pose measurements
Ecole des Mines de Nantes(南特矿业学校);University of Nantes(南特大学)
研究了基于部分位姿测量的串联工业机器人标定问题。与其他工作相比,先进的机器人标定技术是适用于几何和弹性静力学标定。重点研究了模型参数的辨识精度。为了减少测量误差的影响,提出了直接使用几个点的位置测量,而不是计算的末端执行器的取向。所提出的方法使我们能够避免最小二乘目标的非均匀性的问题,这会出现在经典的识别技术与全姿态信息。所开发的技术不需要任何规范化,可以有效地应用于几何和弹性静力识别。一种新的方法的优点是通过比较分析,处理不同的识别策略的效率评估确认。所得到的结果已成功地应用于工业机器人的弹性静力学参数识别的加工工作单元为航天工业。
2013-11-26 cs.RO
Improving Robotic Manipulation: Techniques for Object Pose Estimation, Accommodating Positional Uncertainty, and Disassembly Tasks from Examples
本论文利用触觉传感结合时间特征估计物体姿态,并通过带触觉碰撞的强化学习减少抓取尝试,同时借鉴人类示例加速拆卸任务训练。
2025-06-18 cs.RO
Non-Overlap-Aware Egocentric Pose Estimation for Collaborative Perception in Connected Autonomy
NCSU(北卡罗来纳州立大学);North Carolina State University(北卡罗来纳州立大学);Department of Computer Science(计算机科学系);University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校)
本文提出NOPE方法,通过分层图匹配与位置感知交叉注意力图学习,在通信带宽约束下实现多机器人非重叠感知的自我中心位姿估计,并在仿真和真实场景中取得最先进性能。
2025-07-18 cs.RO
Active Visuo-Tactile Interactive Robotic Perception for Accurate Object Pose Estimation in Dense Clutter
BMW Group(宝马集团);University of Glasgow(格拉斯哥大学);The Imperial College of Science, Technology and Medicine(帝国理工学院);Donders Institute for Brain and Cognition, Radboud University(拉德堡德大学唐德斯脑认知研究所)
这项工作提出了一种新的主动视觉触觉为基础的框架,机器人系统,以准确地估计在密集的杂乱环境中的对象的姿态。场景表示是使用一种新的declutter图(DG),它描述了在场景中的对象之间的关系,通过利用语义分割和把握启示网络进行整理。图形制定允许机器人有效地整理工作空间,自主选择下一个最好的对象删除和执行的最佳行动(无菌或非无菌)。此外,我们提出了一种新型的平移不变四元数滤波器(TIQF),用于基于主动视觉和主动触觉的姿态估计。通过最大化期望信息增益来选择主动视觉和主动触觉点。我们评估我们提出的框架上的系统与两个机器人协调随机场景的密集杂乱的对象和进行消融研究与静态视觉和主动视觉为基础的估计之前和之后的整理作为基线。我们提出的主动视觉-触觉交互感知框架与主动视觉基线相比,姿态准确度提高了36%。
2022-02-04 cs.RO
Occupancy-SLAM: Simultaneously Optimizing Robot Poses and Continuous Occupancy Map
针对传统占据建图需先获取位姿再建图的问题,提出Occupancy-SLAM方法,通过高斯-牛顿法变体联合优化机器人位姿与连续占据地图,在有较准初值时精度优于现有前沿技术。
2024-05-17 cs.RO
AHPPEBot: Autonomous Robot for Tomato Harvesting based on Phenotyping and Pose Estimation
Faculty of Information Technology, Beijing University of Technology(北京工业大学信息学院);Beijing AIForce Technology Co., Ltd.(北京AIForce科技有限公司)
针对传统自动化采摘机器人成功率低、易损作物的问题,研发了结合表型分析与姿态估计的AHPPEBot,实验验证其在商业温室中采摘表现优异,有望填补农业劳动力缺口。
2024-05-11 cs.RO
Human Arm Pose Estimation with a Shoulder-worn Force-Myography Device for Human-Robot Interaction
School of Mechanical Engineering, Tel-Aviv University(特拉维夫大学机械工程学院)
针对视觉感知易受干扰、惯性传感器需频繁校准的问题,本文提出基于肩部佩戴式力肌图(FMG)设备与Transformer模型的手臂姿态估计方法,实现跨用户迁移且精度下降有限,无需视觉感知即可完成人机交互中的碰撞避免。
2025-02-09 cs.RO
Accurate Pose Prediction on Signed Distance Fields for Mobile Ground Robots in Rough Terrain
Technical University of Darmstadt(达姆施塔特工业大学)
本文提出一种基于有符号距离场的迭代几何方法,用于精确预测崎岖地形中带主动鳍板移动机器人的三维位姿,在仿真和真实平台上验证了其高精度与在线规划能力,并优于现有高度图方法。
2024-05-03 cs.RO
External Camera-based Mobile Robot Pose Estimation for Collaborative Perception with Smart Edge Sensors
University of Bonn(波恩大学)
我们提出了一种方法来估计移动机器人的姿态w.r.t.使用多视图RGB图像的静态相机网络的非同心坐标。通过深度神经网络在智能边缘传感器上本地在线处理图像,以检测机器人并估计在3D机器人模型的独特位置处定义的2D关键点。机器人关键点检测在中央后端同步和融合,其中机器人的姿态通过多视图最小化重投影误差来估计。通过从外部摄像机的姿态估计,机器人的定位可以初始化在一个allocentric地图从一个完全未知的状态(被绑架的机器人问题),并随着时间的推移鲁棒跟踪。我们进行了一系列实验,评估基于摄像头的姿态估计的准确性和鲁棒性相比,机器人的内部导航堆栈,显示我们的基于摄像头的方法实现了低于3厘米和1°的姿态误差,并不会随着时间的推移漂移,因为机器人是本地化allocentrically。随着机器人的姿态精确估计,它的意见可以融合到allocentric场景模型。我们展示了一个真实世界的应用程序,其中从移动机器人和静态智能边缘传感器的观察融合协作建立一个3D语义地图的$\sim$ 240米$^2$室内环境。
2023-03-07 cs.CV cs.RO
Sim2Real Grasp Pose Estimation for Adaptive Robotic Applications
Institute for Computer Science and Control, Eötvös Loránd Research Network(厄特沃什·罗兰研究网络计算机科学与控制研究所);Eötvös Loránd University(厄特沃什·罗兰大学);Budapest University of Technology and Economics(布达佩斯技术与经济大学)
针对机器人操作中抓取位姿估计的数据短缺问题,提出两种基于视觉的多目标抓取位姿估计模型(MOGPE)及基于域随机化的sim2real方法,在真实实验中取得80%和96.67%的成功率,为工业应用提供高效数据生成与训练框架。
2023-07-21 cs.RO