Butter-Bench: Evaluating LLM Controlled Robots for Practical Intelligence
Andon Labs(安登实验室)
本文提出Butter-Bench基准,评估LLM控制机器人的实践智能,发现最佳LLM得分40%远低于人类95%,且具身推理微调未提升性能。
2025-10-23 cs.AI cs.RO
Interpretable Responsibility Sharing as a Heuristic for Task and Motion Planning
本文提出了一种名为可解释责任共享(IRS)的新型启发式方法,用于提升家用机器人任务与运动规划的效率,通过利用人类构建的环境和固有偏见,结合辅助物体简化任务执行。
2026-03-15 cs.AI cs.RO
Towards Hexapod Gait Adaptation using Enumerative Encoding of Gaits: Gradient-Free Heuristics
Waseda University(早稻田大学)
对多足机器人系统有效适应不断变化的条件的探索,有望为机器人控制和运动提供新的见解。在本文中,我们研究的枚举(阶乘)编码的六足步态快速恢复腿故障的条件下的性能前沿。我们使用五种自然启发的无梯度优化算法的计算研究表明,有可能通过一些评估(试验)来呈现可行的恢复步态策略,从而实现与所需运动指令的最小偏差。例如,有可能产生可行的恢复步态策略,达到2.5 cm。(10 cm.)相对于命令方向的平均偏差,40 - 60(20)次评估/试验。我们的研究结果是潜在的,使有效的适应新的条件下,并进一步探索在机器人运动问题的适应规范表示。
2022-09-01 cs.AI cs.NE cs.RO
On the role of Artificial Intelligence methods in modern force-controlled manufacturing robotic tasks
Department of Information Engineering, Electrical Engineering and Applied Mathematics (DIEM), University of Salerno(信息工程、电气工程与应用数学系(DIEM),萨勒诺大学)
本文综述AI在去毛刺、抛光和PiH装配等力控制造机器人任务中的应用,比较近期方法并指出挑战,提出统一指标、性能优化整合和场景验证等方向。
2025-01-09 cs.AI cs.RO
On the Synthesis of Guaranteed-Quality Plans for Robot Fleets in Logistics Scenarios via Optimization Modulo Theories
RWTH Aachen University(亚琛工业大学);University of Genoa(热那亚大学)
在制造业中,自主机器人越来越多地参与生产过程,对生产管理提出了新的挑战。在本文中,我们报告使用优化模理论(OMT)来解决某些多机器人调度问题在这方面。而目前现有的方法是启发式的,我们的方法保证计算的解决方案的最优性。我们不仅提出了我们的最终方法,但它的时间发展,并得出一些一般性的意见OMT为基础的方法的发展。
2017-11-12 cs.AI cs.RO
Balancing Safety and Optimality in Robot Path Planning: Algorithm and Metric
本文提出统一路径规划算法UPP,通过自适应启发式加权动态平衡安全与最优性,引入OptiSafe指标评估,实验证明在复杂环境中性能优于现有方法。
2026-08-26 cs.AI cs.RO
When Robots Mishear Us: Mapping the Safety Risks of Voice-Controlled Embodied AI
该研究探讨ASR错误对语音控制具身AI安全性的影响,发现其会导致有害指令被执行,部分错误会削弱模型弃权行为,自动修正并非总能降低风险,揭示了ASR错误带来的显著安全风险。
2026-08-31 cs.AI cs.CL cs.RO
This&That: Language-Gesture Controlled Video Generation for Robot Planning
University of Michigan(密歇根大学);University of Washington(华盛顿大学)
本研究提出机器人学习框架This&That,通过语言-手势条件生成可控视频规划,结合DiVA行为克隆架构将视觉规划转为机器人动作,性能显著优于现有方法。
2025-05-18 cs.AI cs.CV cs.RO
Multi-Robot Path Planning Combining Heuristics and Multi-Agent Reinforcement Learning
School of Artificial Intelligence University of Chinese Academy of Sciences(人工智能学院 中国科学院大学)
本文提出MAPPOHR方法,结合启发式搜索与多智能体强化学习,提升多机器人路径规划效率与性能。
2025-12-11 cs.AI cs.LG cs.RO
Joint-Space Multi-Robot Motion Planning with Learned Decentralized Heuristics
California Institute of Technology(加州理工学院)
提出一种利用去中心化数据驱动启发式偏置集中式采样树搜索的多机器人运动规划方法,有效解决了高维关节空间规划难题,支持多达16个机器人的规划。
2023-11-21 cs.RO
Multi-Objective Graph Heuristic Search for Terrestrial Robot Design
Massachusetts Institute of Technology(麻省理工学院)
我们提出的方法,共同设计刚性机器人的控制和形态(包括离散拓扑结构)在多个目标。以前的工作已经解决了单目标机器人协同设计或多目标控制的问题。然而,联合多目标协同设计问题是非常重要的生成能力,多功能,算法设计的机器人。在这项工作中,我们提出了多目标图启发式搜索,它扩展了单目标图启发式搜索从以前的工作,使一个高效的多目标搜索在组合设计拓扑空间。这种方法的核心,我们引入了一个新的通用的,多目标的启发式功能的基础上图神经网络,能够有效地利用不同的任务之间的权衡学习信息。我们展示了我们的方法,七个地面运动和设计任务的六个组合,包括一个三目标的例子。我们比较了不同方法捕获的Pareto前沿,并证明了我们的多目标图启发式搜索在定量和定性上优于其他技术。
2021-07-13 cs.RO
Integer-Programming-Based Narrow-Passage Multi-Robot Path Planning with Effective Heuristics
Zhejiang University(浙江大学)
为了提高仓库类环境下多机器人系统的效率,研究了基于图的多机器人最优路径规划问题。提出了一种基于可编程方法的多机器人路径规划算法OMRPP。我们专注于减少成本所造成的一组机器人从他们的初始配置移动到目标配置在仓库般的环境。该方法的创新点包括:(1)提出了一种基于仓库类环境的拓扑地图提取方法,减小了构建IP模型的规模;(2)提出了单向通行约束,防止机器人在通行过程中发生不可解的碰撞。(3)提出了一种启发式结构,使IP模型总是具有可行的初始解,以保证模型的可解性。大量的仿真实验证明了该算法的有效性和性能。
2021-07-26 cs.RO
Heuristic Predictive Control for Multi-Robot Flocking in Congested Environments
School of Aeronautics and Astronautics, Shenzhen Campus of Sun Yat-sen University(中山大学深圳校区航空航天学院);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);Center for Advanced Control and Smart Operations (CACSO), Nanjing University(南京大学先进控制与智能操作中心)
针对拥挤环境下多机器人群集的安全最优控制难题,提出基于Gibbs随机场与梯度启发式求解的预测控制方法,通过仿真与真机实验验证其优于现有主流方法。
2024-07-09 cs.RO
DDM: Fast Near-Optimal Multi-Robot Path Planning using Diversified-Path and Optimal Sub-Problem Solution Database Heuristics
Rutgers, the State University of New Jersey(罗格斯大学新泽西州立大学)
我们提出了一种新的集中和解耦算法,DDM,解决多机器人路径规划问题的网格图,针对按需和自动化仓库一样的设置。研究了两种设置:一种是传统的,其目标是尽可能快地将一组机器人从它们各自的初始顶点移动到目标顶点,另一种是动态的,其需要频繁地重新规划以适应目标配置调整。在其他技术中,DDM主要通过利用两个创新的算法来实现:路径多样化和最优子问题解决方案数据库。这两种算法攻击基于并行的规划器的两个不同阶段:路径多样化允许更有效地利用整个工作空间进行机器人旅行,最佳子问题解决方案数据库有助于快速解决局部路径冲突。广泛的评估表明,DDM实现了高水平的可扩展性和高水平的解决方案的最优性。
2019-12-15 cs.RO
Spatial and Temporal Splitting Heuristics for Multi-Robot Motion Planning
Rutgers, the State University of New Jersey(罗格斯大学(新泽西州立大学))
在这项工作中,我们系统地研究应用时空分裂算法的多机器人运动规划(MRMP)问题的图论设置:一个问题是NP-难的最佳解决方案。遵循分治原则,我们设计了多个空间和时间分裂方案,可以应用于任何现有的MRMP算法,包括整数规划求解器和增强的基于冲突的搜索,在正交的方式。一个良好的基线MRMP算法与适当的分裂启发式的组合证明是非常有效的,允许解决问题的10+倍,比以前可能的,广泛的数值评估证实。值得注意的是,空间分区的问题融合的时间分裂启发式和增强的基于冲突的搜索(ECBS)算法增加了5- 15倍,解决方案的最优性的影响可以忽略不计的大型和具有挑战性的DAO地图上的ECBS的可扩展性。
2021-03-25 cs.RO
Planning to Score a Goal in Robotic Football with Heuristic Search
Moscow Institute of Physics and Technology(莫斯科物理技术学院);Federal Research Center for Computer Science and Control of Russian Academy of Sciences(俄罗斯科学院计算机科学与控制联邦研究中心)
研究了机器人足球比赛中的进攻规划问题。问题被简化为找到球从其当前位置到对手球门的轨迹。使用启发式搜索算法,即A*,来找到这样的轨迹。为了使该算法适用,我们引入了环境的离散化模型,即图,以及核心搜索组件:成本函数和启发式函数。两者都被设计为考虑游戏状态的所有可用信息。我们广泛地评估了建议的方法在模拟比较它的基线范围。进行评估的结果清楚地表明,利用启发式搜索的RoboCup上下文内的好处。
2020-08-04 cs.RO
HIRO: Heuristics Informed Robot Online Path Planning Using Pre-computed Deterministic Roadmaps
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院人类工程与机器人研究所);Robotics and Autonomous Systems, Institute of Applied Research, Karlsruhe University of Applied Sciences(卡尔斯鲁厄应用技术大学应用研究所机器人与自主系统部)
提出HIRO在线路径规划方法,利用静态环境预计算确定性路线图形成启发式下界,并结合模糊碰撞检查、闭环更新与回溯,在动态环境中显著加快无碰撞路径规划。
2024-10-26 cs.RO
Mixed Integer Programming for Time-Optimal Multi-Robot Coverage Path Planning with Efficient Heuristics
Simon Fraser University(西蒙弗雷泽大学)
本文首次提出混合整数规划模型最优求解MMRTC,并设计两种缩减变量的高效启发式,使多机器人覆盖时间可证明不超过最优解四倍,实验显示较两个最先进规划器平均减少27.65%和23.24%的覆盖时间。
2023-08-11 cs.AI cs.RO
Optimal Multi-Robot Path Planning on Graphs: Complete Algorithms and Effective Heuristics
Massachusetts Institute of Technology(麻省理工学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
我们研究了最优多机器人路径规划问题的图MPP在四个不同的最小化目标:最大完工时间(最后到达时间),最大(单机器人行驶)的距离,总到达时间,总距离。在一篇相关的论文中,我们证明了这些目标是不同的,NP-难以优化。在这项工作中,我们专注于有效的算法解决方案,解决这些最佳MPP问题。为了实现这个目标,我们首先在MPP和网络流之间建立一个一对一的解决方案映射。基于这种等价性和整数线性规划(ILP),我们设计了新的和完整的算法优化的四个目标。特别是,我们的精确算法计算最佳的最大完工时间的解决方案是第一个这样的,是能够解决极具挑战性的问题,机器人顶点比率高达100%。然后,我们进一步提高这些精确算法的计算性能,通过引入原则性算法,在一些最优性损失的代价。基于ILP模型的算法和算法的组合被证明是非常有效的,允许计算包含数百个机器人的问题的1. x最优解,密集地分布在环境中,通常只需几秒钟。
2015-07-12 cs.RO
Collaborating Robotics Using Nature-Inspired Meta-Heuristics
Mansoura University(曼苏拉大学)
本文介绍了协作机器人,它提供了增强的任务性能,高可靠性和减少的可能性。协作机器人是能够自组装和自组织的移动机器人的集合,以解决单个机器人无法解决的问题。这些机器人结合了群体智能的力量和自我重构的灵活性,因为聚合协作机器人可以动态地改变它们的结构以匹配环境变化。协作机器人不仅仅是独立代理的网络,它们是能够协调感知和与环境交互的通信代理的潜在可重构网络。机器人将成为未来的重要组成部分。协作机器人的个体能力有限,但大量部署的机器人可以代表一股强大的力量,类似于一群蚂蚁或蜜蜂。本文提出了一种基于群体智能的机器人协作机制,即蚁群算法和粒子群算法
2012-12-23 cs.NE cs.RO
Ergodic Control and Controlled Diffusion for Robot Learning: Review and Tutorial
Northwestern University(西北大学);Idiap Research Institute(Idiap研究所);Carnegie Mellon University(卡内基梅隆大学);University of Rijeka(里耶卡大学);National University of Singapore(新加坡国立大学);Pennsylvania State University(宾夕法尼亚州立大学);University of Sydney(悉尼大学);Yale University(耶鲁大学)
本综述介绍受控扩散与遍历控制的理论基础、数值教程及其在机器人学习中的应用,强调其通过强制统计最优性、非短视搜索和空间行为规范,区别于传统扩散学习,并展望未来挑战。
2026-09-15 cs.LG cs.RO
QuASH: Using Natural-Language Heuristics to Query Visual-Language Robotic Maps
Aalto University(阿尔托大学)
本文提出QuASH方法,利用自然语言启发式处理查询相关的语言空间,训练分类器划分环境,提升地图和图像的可查询性,该方法与表示及编码器无关且训练量有限。
2026-08-04 cs.RO
Design of a Jumping Control Framework with Heuristic Landing for Bipedal Robots
University of California, Los Angeles(加州大学洛杉矶分校)
本文提出一种带启发式着陆的双足机器人跳跃控制框架,利用腾空阶段动量反馈更新着陆位置以减少冲击,结合改进运动学-动力学规划器与全身动力学低级控制器,实现高效鲁棒的多类跳跃任务。
2023-04-02 cs.RO
Reactive Navigation Framework for Mobile Robots by Heuristically Evaluated Pre-sampled Trajectories
Northeastern University(东北大学);Institute for Semantic Computing Foundation(语义计算基金会研究所)
本文描述并分析了一种用于未知环境中移动机器人的反应式导航框架。该方法不依赖于全局地图,仅考虑其以机器人为中心的3D网格结构中的局部占用。所提出的算法,使快速导航的启发式评估预采样轨迹上的飞行。在每个循环中,这些路径由加权成本函数评估,基于启发式特征,例如与目标的接近度,先前选择的轨迹和附近的障碍物。本文介绍了一种系统的方法来计算一个可行的姿态在选定的轨迹,然后将其发送到控制器的运动执行。定义了该框架的结构,给出了实现细节,并说明了如何调整其离线和在线参数。为了证明该算法在未知环境中的通用性和适应性,在各种地图上进行了基于物理的仿真。基准测试表明,该算法优于其以前的迭代和另一个国家的最先进的方法的性能。该算法的开源实现和基准测试数据可以在\url{https://github.com/RIVeR-Lab/tentabot}上找到。
2021-08-23 cs.RO
Learning Visual-Audio Representations for Voice-Controlled Robots
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
基于表示学习的最新进展,我们提出了一种新的面向任务的语音控制机器人与原始传感器输入的管道。以前的方法依赖于大量的标签和特定于任务的奖励函数。这种方法不仅在部署后很难改进,而且在机器人平台和任务之间的推广也有限。为了解决这些问题,我们的管道首先学习了一种将图像和声音命令相关联的视觉-音频表示(VAR)。然后,机器人通过使用VAR生成的奖励的强化学习来学习完成声音命令。我们用各种声音类型、机器人和任务来展示我们的方法。我们表明,我们的方法优于以前的工作少得多的标签。我们在模拟和真实世界的实验中表明,系统可以在以前看不见的情况下自我改进,给出合理数量的新标记数据。
2023-03-05 cs.AI cs.RO
Neural-Network-Driven Reward Prediction as a Heuristic: Advancing Q-Learning for Mobile Robot Path Planning
State Key Laboratory of Robotics and Systems, Harbin Institute of Technology(哈尔滨工业大学机器人技术与系统国家重点实验室)
针对Q-learning收敛慢的问题,提出NDR-QL方法,利用神经网络输出作为启发式信息,通过改进双输出模型和偏置初始化,将收敛速度提升90%,预测精度提升5%。
2024-12-17 cs.AI cs.LG cs.RO
Push Recovery of a Position-Controlled Humanoid Robot Based on Capture Point Feedback Control
University of Tehran(德黑兰大学)
本文采用踝关节和髋关节相结合的策略对一个位置控制的人形机器人进行了推力恢复。踝关节策略和髋关节策略分别相当于压力中心(CoP)和质心力矩枢轴(CMP)调节。为了控制CMP和CoP,我们需要扭矩控制机器人,然而大多数传统的人形机器人是位置控制的。在这方面,我们提出了一个有效的方式来实现的髋关节和踝关节的位置控制的人形机器人的战略。我们采用反馈控制器来补偿捕获点误差。使用我们的计划,一个简单而实用的推动恢复控制器的设计,可以实现在大多数传统的人形机器人,而不需要扭矩传感器。通过SURENA-Mini人形机器人在剧烈推力下的推力恢复实验,验证了该方法的有效性。
2017-10-29 cs.RO
Dynamic Risk Assessment for Human-Robot Collaboration Using a Heuristics-based Approach
University of Stuttgart(斯图加特大学);Proximity Robotics & Automation GmbH(普罗克西姆机器人与自动化有限公司);Federal Institute for Occupational Safety and Health (Bundesanstalt für Arbeitsschutz und Arbeitsmedizin, BAuA)(联邦职业安全与健康研究所)
本文提出一种基于启发式函数的动态风险评估方法,通过监测人机距离、机器人速度及人类头部朝向等参数并聚合为危险指标,以客观评估人机协作场景中的总危险水平。
2025-03-11 cs.RO
Rearrangement Planning via Heuristic Search
Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种应用启发式搜索算法求解推式重排规划问题的方法。在这些问题中,机器人必须推动一个物体通过杂乱来实现目标。要做到这一点,我们利用的事实是,与环境中的物体接触是实现目标的关键。我们动态生成目标导向的原语,在搜索过程中的每个状态扩展创建和维护机器人和对象之间的接触。这些原语集中探索状态空间的关键领域,提供了易处理的高维规划问题。我们证明,使用这些原语,结合一个信息丰富但简单的计算启发式,提高成功率相比,只使用原语形成的离散化机器人的动作空间的规划。此外,我们还展示了我们的规划器通过更快地产生更短的路径来优于基于RRT的方法。我们证明了我们的算法在模拟和一个7自由度的手臂推物体在桌子上。
2016-03-29 cs.RO
Exploiting Friction in Torque Controlled Humanoid Robots
Italian Institute of Technology(意大利理工学院)
扭矩控制的人形机器人的一种常见架构包括两个嵌套的回路。外环产生所需的关节/电机扭矩,内环稳定这些所需的值。在这样做时,内环通常补偿关节摩擦现象,从而消除其固有的稳定特性,这也可能有利于高水平的控制目标。本文介绍了如何利用摩擦力的关节和任务空间控制的人形机器人。使用人形机器人iCub进行实验。
2018-08-03 cs.RO
Jailbreaking LLM-Controlled Robots
本文提出RoboPAIR算法,首次成功越狱LLM控制的机器人,在多种场景下引发有害物理动作,揭示安全风险远超文本生成。
2024-11-09 cs.AI cs.RO
Mathematical model of a remotely controlled skid-slip tracked mobile robot
Universitá degli studi "Mediterranea" di Reggio Calabria(雷焦卡拉布里亚“地中海”大学)
建立了遥控滑移履带式移动机器人的不确定范数有界数学模型。线性状态空间描述的目的是描述的非线性误差动力学的机器人在轨迹跟踪机动的控制通道中的延迟的存在下,考虑到未知的,但有界的滑移系数。
2023-03-06 cs.RO math.DS
Heuristic Satisficing Inferential Decision Making in Human and Robot Active Perception
Cornell University(康奈尔大学);Marshall University(马歇尔大学);Duke University(杜克大学)
本文针对机器人在压力下的推断决策问题,提出一种基于“寻宝”基准的主动感知方法,通过学习人类在近最优与启发式解间调节的策略,使配备摄像头的机器人在多种不可预见约束下优于现有算法。
2023-09-14 cs.RO
RHH-LGP: Receding Horizon And Heuristics-Based Logic-Geometric Programming For Task And Motion Planning
TU Berlin(柏林工业大学);International Max Planck Research School for Intelligent Systems(马克斯·普朗克智能系统国际研究学院);Bilkent University(比尔肯特大学)
机器人操作的顺序决策和运动规划会导致组合复杂性。对于长期任务,特别是当环境包括许多可以交互的对象时,规划效率变得更加重要。为了规划这种长时间任务,我们提出了RHH-LGP算法的组合任务和运动规划(TAMP)。首先,我们提出了一个TAMP方法(基于逻辑几何规划),有效地使用基于几何的算法来解决长期操作任务。该规划器的效率,然后进一步提高了滚动时域制定,从而在RHH-LGP。我们证明了我们的方法的鲁棒性和有效性,在各种各样的长期任务,需要推理与大量的对象的相互作用。使用我们的框架,我们可以解决的任务,需要多个机器人,包括移动机器人和蛇形步行机器人,形成新的异构运动学结构自主。通过结合基于几何的规划与迭代规划,我们的方法带来了一个数量级的减少规划时间在所有调查的问题。
2022-03-06 cs.RO
Real-World Deployment of a 5G-Connected Edge-Controlled Aerial Robot in Industrial Subterranean Mines
Robotics and AI Group, Department of Computer, Electrical and Space Engineering, Luleå University of Technology(机器人与人工智能小组,计算机、电气与空间工程系,吕勒奥技术大学)
本文首次在实际工业地下矿井中部署了由边缘卸载控制器控制的5G连接自主飞行空中机器人,采用模型预测控制器(MPC)生成平滑无碰撞路径,展示了边缘控制机器人系统在时间关键、安全高效未来部署中的潜力。
2026-06-03 cs.RO
Balancing Efficiency and Comfort in Robot-Assisted Bite Transfer
Stanford University(斯坦福大学);University of Washington(华盛顿大学);Cornell University(康奈尔大学)
在家庭环境中进行机器人辅助喂食具有挑战性,因为它需要机器人生成轨迹,有效地将不同形状和大小的食物放入口中,同时确保用户感到舒适。我们的关键见解是,为了解决这一挑战,机器人必须在喂食食物的效率与每次咬食的舒适度之间取得平衡。我们将舒适性和效率正式定义为纳入运动规划的技巧。我们提出了一种方法的基础上,选择咬转移轨迹的任意食品的几何形状和形状,使用我们开发的咬效率和舒适的烹饪学和学习的约束模型的烹饪指导双向快速探索随机树(h-BiRRT)。真实的机器人评估表明,优化舒适度和效率显着优于基于固定姿势的方法,用户更喜欢我们的方法显着超过一个方法,最大限度地提高用户的舒适度。视频和附录可在我们的网站上找到:https://sites.google.com/view/comfortbitetransfer-icra22/home。
2022-06-24 cs.HC cs.RO
Reinforcement Learning With Temporal Logic Rewards
Boston University(波士顿大学);Massachusetts Institute of Technology(麻省理工学院)
强化学习(RL)关键取决于用于捕获机器人的期望行为和约束的奖励函数的选择。通常,这些是由专业设计师手工制作的,代表了相对简单的任务。现实世界的应用程序通常涉及具有丰富的时间和逻辑结构的更复杂的任务。在本文中,我们利用时序逻辑(TL)的表达能力,指定复杂的规则,机器人应该遵循,并将领域知识的学习。我们提出截断线性时序逻辑(TLTL)作为规范语言,可以说非常适合机器人应用,以及定量语义,即,鲁棒度我们提出了一种RL方法来学习任务表示为TLTL公式,使用其相关的鲁棒性程度作为奖励函数,而不是手工制作的算法试图捕捉相同的规格。我们在模拟试验中表明,学习速度更快,使用该方法获得的策略在鲁棒性程度方面优于使用启发式奖励学习的策略,即,任务完成得如何。此外,我们证明了建议的RL方法在巴克斯特机器人学习的烤面包放置任务。
2017-03-02 cs.AI cs.RO
Beyond Heuristics: A Standardized Real2Sim Pipeline for Physical Human Robot Interaction in Human-in-the-Loop Simulation
School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航天工程学院);Guangdong Zhongxin Intelligent Rehabilitation Research Institute(广东众鑫智能康复研究院)
研究针对人在回路仿真中交互模型阻抗参数靠启发式调整的问题,提出Real2Sim管道,用协方差矩阵自适应进化策略识别动力学参数,提高仿真保真度,支持人体数字双胞胎用于个性化控制器临床前验证。
2026-07-07 cs.RO
Evaluation of Position and Velocity Based Forward Dynamics Compliance Control (FDCC) for Robotic Interactions in Position Controlled Robots
University of Luxembourg(卢森堡大学);PPRIME Institute(PPRIME研究所);CNRS(法国国家科学研究中心);ENSMA(国立高等机械与航空技术学院);University of Poitiers(普瓦捷大学)
在机器人操作中,末端执行器的顺应性是执行接触丰富的任务,如加工,装配和人机交互的必要前提。大多数机器人手臂是硬件级别的位置控制刚性系统。因此,增加合规性变得至关重要。在这些系统中的合规性最近已经实现了使用前向动力学合规性控制(FDCC),这是由于其虚拟的前向动力学模型,可以实现的位置和速度控制的机器人。本文评估了控制接口(因此控制域)的选择,这虽然被认为是微不足道的,是必不可少的,由于其特性的差异。在某些情况下,选择仅限于可用的硬件接口。然而,考虑到可选择的选项,基于速度的控制接口使顺应性控制成为更好的候选者,因为更平滑的顺应性行为、减少的交互力和所做的功。为了证明这些点,本文FDCC上UR10e六自由度机械手速度和位置控制模式进行评估。该评估基于使用3D打印工件的力控制基准测试指标。真实的实验倾向于选择速度控制而不是位置控制。
2022-10-24 cs.RO
Optimizing Space Utilization for More Effective Multi-Robot Path Planning
Rutgers University(罗格斯大学)
我们进行了系统的探索的原则,空间利用优化(SUO)作为一种启发式规划更好的个人路径在一个解耦的多机器人路径规划器,与应用程序的一次性和终身多机器人路径规划问题。我们发现,分散的启发式集,SU-I,保持单一路径的最优性,并显着减少自然发生的拥塞时,许多路径规划没有协调。SU-I集成到完整的规划器带来了显着减少的计算时间,由于显着减少冲突的数量,并导致相当大的解决方案的最优收益在不同的评估方案与中型和大型地图,一次性和终身的问题设置。
2021-09-10 cs.RO
Bilateral Control-Based Imitation Learning for Velocity-Controlled Robot
University of Tsukuba(筑波大学)
机器学习在机器人对象操作中发挥着重要作用。此外,力控制是必要的操纵各种对象,以实现对配置和刚度的扰动的鲁棒性。作者的研究小组发现,通过基于双侧控制的模仿学习,可以获得快速和动态的力控制对象操作。然而,该方法仅适用于可以控制扭矩的机器人,而不适用于像许多市售机器人那样只能遵循位置或速度命令的机器人。在此基础上,提出了一种基于双边控制的速度控制机器人模仿学习方法。通过一个拖地任务的实验验证了该方法的有效性。
2021-06-01 cs.RO cs.SY eess.SY
Efficient Heuristics for Multi-Robot Path Planning in Crowded Environments
Rutgers, the State University of New Jersey(罗格斯大学,新泽西州立大学)
针对密集高度纠缠场景下的多机器人路径规划问题,提出两种混合算法DCBS和SCBS,在计算效率与求解最优性之间取得理想平衡,能快速计算高质量路由方案。
2023-06-26 cs.RO
Robot voice a voice controlled robot using arduino
NRI Institute of Technology(NRI理工学院)
本文开发了一个基于Arduino的语音控制个人助理机器人,通过内置麦克风接收命令并执行移动、物体搬运等任务,利用离线服务器实时处理,初步实验效果良好。
2024-02-06 cs.HC cs.RO
Improving Visual Perception of a Social Robot for Controlled and In-the-wild Human-robot Interaction
Monash University(莫纳什大学)
针对深度学习视觉模型高计算量对社交机器人交互表现与用户体验影响不明的问题,研究用前沿人体感知跟踪模型优化Pepper机器人视觉,通过两类实验评估其多人员场景下的用户跟随效果。
2024-03-05 cs.CV cs.RO
Navigation with Large Language Models: Semantic Guesswork as a Heuristic for Planning
University of Warsaw(华沙大学);Google DeepMind(谷歌DeepMind);UC Berkeley(加州大学伯克利分校)
针对陌生环境导航难题,本文提出语言前沿引导(LFG)方法,利用大语言模型的语义猜测作为规划启发式,偏置探索过程,在真实与模拟环境中优于基线方法。
2023-10-16 cs.AI cs.CL cs.LG
Learning Mobile Robot Based on Adaptive Controlled Markov Chains
University of Technology(技术大学);Energy IT LLP(Energy IT 有限合伙企业)
在这里,我们建议一个移动机器人训练算法,是基于谁控制的机器人,这反过来又是由马尔可夫链管理的决策者的偏好近似。模型参数的设置是根据涉及决策者的情况和决策的数据进行的。适应决策者偏好的模型可以在机器人正常操作过程中或在特别计划的测试会话期间先验地建立。基于机器人操作过程的仿真建模数据和决策者的机器人控制,我们建立了模型参数,从而说明了所有算法组件的工作能力和自适应效果。
2015-09-04 cs.RO
Heuristic Planner for Communication-Constrained Multi-Agent Multi-Goal Path Planning
Czech Technical University in Prague(布拉格捷克理工大学);Charles University(查理大学)
本文研究通信受限的多智能体多目标路径规划问题,提出基于图搜索的算法,使机器人在保持通信连通的前提下访问所有目标并最小化完成时间。
2024-12-18 cs.MA cs.RO
Hijacking Robots with a Piece of Paper: A Systematic Study of Physical Prompt Injection in VLM-Controlled Robots
该研究针对VLM控制的分拣机器人,系统分析了四类物理提示注入攻击的成功率,发现其存在显著脆弱性,且三种简单防御措施可大幅降低风险。
2026-08-07 cs.AI cs.RO
rduino Controlled Pick n Place RoboticArm
University of Akron(阿克伦大学)
本文介绍了多自由度机械手的设计。机器人的目标是根据物体的颜色对物体进行分类。该机器人将是几个联动装置,伺服电机,Arduino系统和末端执行器的综合体。该设计必须能够自主决定移动什么物体以及将其放置在哪里。机器人的最大水平范围为24。操作条件包括能够在距离手臂底部180°至16 °的区域内对几个不同颜色的球体进行分类。分类包括从底部附近的随机位置拾取物体并将其移动到靠近边缘的存储位置。定义的操作范围。根据以下性能标准和有限的预算,最终设计将进入竞争,以确定最强大,最有效的机器人机械手。
2021-03-18 cs.RO
A Control Architecture with Online Predictive Planning for Position and Torque Controlled Walking of Humanoid Robots
Istituto Italiano di Tecnologia(意大利理工学院);Università degli Studi di Genova(热那亚大学);Google DeepMind(谷歌DeepMind)
人形机器人的行走模式的生成的一种常见方法包括采用分层控制架构。本文提出了一种由三个嵌套的控制回路组成的体系结构。外环利用机器人运动学模型来规划脚步位置。在中间层,预测控制器根据众所周知的桌车模型生成质心轨迹。通过一个全身逆运动学算法,我们可以定义关节参考位置控制行走。这两个循环的结果,然后解释为输入的堆栈的任务QP为基础的转矩控制器,这代表了所提出的控制架构的内环。由此产生的架构允许机器人也在扭矩控制下行走,保证更高水平的顺应性。在人形机器人iCub上进行了真实世界的实验。
2018-07-14 cs.RO
GAMBIT: Learning to Plan Continuous Multi-Robot Trajectories
University of Cambridge(剑桥大学);Technical University of Berlin(柏林工业大学);National Institute of Advanced Industrial Science and Technology (AIST)(产业技术综合研究所)
GAMBIT 通过模仿学习和强化学习学习协调的运动原语选择,并引入带备份轨迹的安全机制,实现连续域中上千个机器人的无碰撞轨迹规划,显著优于现有基线。
2026-10-06 cs.AI cs.LG cs.MA
An Earthworm-Inspired Soft Crawling Robot Controlled by Friction
University of Southern California(南加州大学)
我们提出的建模,设计,制造和反馈控制的蚯蚓启发的软体机器人能够通过主动操纵其身体和表面之间的摩擦力在表面上爬行。蚯蚓是一种分节的蠕虫,由称为异节的重复单位组成。肌肉和刚毛结构嵌入在每个个体的体节,使其蠕动运动在地下和地上。在这里,我们提出了一个由类似于肌肉和刚毛结构的部件制成的机械驱动的软机器人系统,并且可以复制单个棘突的爬行运动。还介绍了一个模型来描述所提出的机器人系统的爬行动力学,并证明是可控的。鲁棒爬行运动,然后实验验证。
2017-10-18 cs.RO
Graph-Based Heuristics for Minimum Constraint Removal in Cluttered Robot Motion Planning
IIIT Hyderabad(印度信息科学与技术研究所海得拉巴分校);University of Genoa(热那亚大学)
针对杂乱环境中机器人运动规划的最小约束移除(MCR)问题,提出一种基于图的启发式流程,在保证接近最优解的同时,大幅提升计算效率,可有效减少相关任务的总耗时。
2026-10-12 cs.RO
Learning Force Control for Contact-rich Manipulation Tasks with Rigid Position-controlled Robots
Osaka University(大阪大学);National Institute of Advanced Industrial Science and Technology (AIST)(日本产业技术综合研究所);FUJIFILM Corporation(富士胶片公司);Nara Institute of Science and Technology (NAIST)(奈良先端科学技术大学院大学)
强化学习(RL)方法已被证明在自主解决操作任务方面是成功的。然而,RL仍然没有被广泛采用在真正的机器人系统,因为与真正的硬件工作带来了额外的挑战,特别是当使用刚性位置控制机械手。这些挑战包括需要一个鲁棒的控制器来避免不期望的行为,这可能会损坏机器人及其环境,以及来自人类操作员的持续监督。本论文的主要贡献在于,首先,我们提出了一个结合强化学习技术与传统力控制的基于学习的力控制框架。在所述控制方案中,我们实现了两种不同的常规方法来实现位置控制机器人的力控制;一种是修改的并行位置/力控制,另一种是导纳控制。其次,我们实证研究这两种控制方案时,作为RL代理的动作空间。第三,我们开发了一个故障安全机制,使用一个真正的刚性机器人操作器安全地训练RL代理的操作任务。所提出的方法进行了验证仿真和真实的机器人,UR 3 e系列机械臂。
2020-07-20 cs.LG cs.RO cs.SY