Automated pick-up of suturing needles for robotic surgical assistance
Politecnico di Milano(米兰理工大学);University College London(伦敦大学学院)
机器人辅助腹腔镜前列腺切除术(RALP)是一种治疗前列腺癌的方法,涉及完全或保留神经切除含有癌症的前列腺组织。切除后,将膀胱颈直接与尿道连续缝合。该手术被称为尿道膀胱吻合术,是RALP过程中要求最灵活的任务之一。在尿道膀胱吻合术中,使用两个缝合器和一对缝合针进行连续缝合。虽然机器人器械提供了增强的灵活性来执行吻合术,但它仍然具有高度挑战性并且难以学习。在本文中,我们提出了一种视觉引导的针头抓取方法,用于自动抓取吻合前已插入患者体内的针头。我们的目标是在避免交接的位置自动抓住活检针,并立即启动活检。完整的抓取过程可以分为:针检测算法;手术工具基于视觉反馈移动更靠近针的接近阶段;以及通过基于观察到的手术实践的路径规划的抓取阶段。我们的实验结果表明,成功的自主掌握,有可能简化和减少RALP的操作时间,协助尿道膀胱吻合术的一个小组成部分的例子。
2018-04-09 cs.RO
Simulation of Surgical Suturing Using Position-Based Dynamics and the Material Point Method for Robot Reinforcement Learning
University of Alberta(阿尔伯塔大学)
该研究提出基于PBD与MPM的缝合模拟环境,优化GPU执行并构建RL缝合子任务环境,训练的RL智能体在进针、拔针任务中分别达到80%、68%的成功率。
2026-07-31 cs.RO
Markerless Suture Needle 6D Pose Tracking with Robust Uncertainty Estimation for Autonomous Minimally Invasive Robotic Surgery
University of California San Diego(加州大学圣地亚哥分校)
缝合针定位是自主缝合的必要条件。由于无标记检测的不一致性,自主缝合中的先前方法通常依赖于基准标记而不是无标记检测方案来定位缝合针。然而,基准标记对于现实世界的应用是不实用的,并且在外科手术中经常会被环境因素遮挡(例如,血液)。因此,在这项工作中,我们提出了一个强大的跟踪方法,估计6D姿态的缝合针时,使用不一致的检测。我们根据缝合针的几何形状定义观察模型,该几何形状捕获检测的不确定性,并以概率的方式暂时融合它们。在我们的实验中,我们比较了不同排列的观察模型在缝合针定位任务,以显示其有效性。我们提出的方法优于以前的方法定位缝合针。我们还证明了所提出的跟踪方法在一个自主缝合针重握任务和体外环境。
2022-04-04 cs.CV cs.RO
PinPoint: Monocular Needle Pose Estimation for Robotic Suturing via Stein Variational Newton and Geometric Residuals
Department of Mechanical Engineering, Vanderbilt University(范德比尔特大学机械工程系);Department of Electrical and Computer Engineering and Department of Computer Science, Vanderbilt University(范德比尔特大学电气与计算机工程系和计算机科学系);The Robotics Center and the Kahlert School of Computing, University of Utah(犹他大学机器人中心和Kahlert计算学院)
PinPoint通过Stein变分牛顿和几何残差方法,解决单目内窥镜下针姿态估计的深度模糊和旋转对称性问题,显著降低位姿估计误差。
2026-03-24 cs.RO
Self-Supervised Learning for Interactive Perception of Surgical Thread for Autonomous Suture Tail-Shortening
University of California, Berkeley(加州大学伯克利分校);ETH Zurich(苏黎世联邦理工学院);University of California San Francisco East Bay(加州大学旧金山分校东湾校区)
本文提出结合自监督二维缝线检测、双目标定三角化与NURBS三维重建跟踪的方法,实现机器人自主缝合线尾缩短,20次试验成功率达90%。
2023-07-13 cs.AI cs.RO
Confidence-based Intent Prediction for Teleoperation in Bimanual Robotic Suturing
Department of Mechanical Engineering, Imperial College London(机械工程系,帝国理工学院伦敦分校);Department of Surgery & Cancer, Imperial College London(外科与癌症系,帝国理工学院伦敦分校);Department of Engineering and Design, University of Sussex(工程与设计系,Sussex大学);Department of Bioengineering, Imperial College London(生物工程系,帝国理工学院伦敦分校)
针对机器人手术遥操作面临的挑战,提出一种在高低层预测操作员意图的交互式控制策略,结合Transformer手势分类与基于置信度的意图同化控制器,显著提升了任务完成时间和用户满意度。
2025-04-29 cs.HC cs.RO
Autonomous Robotic System with Optical Coherence Tomography Guidance for Vascular Anastomosis
Johns Hopkins University(约翰斯·霍普金斯大学)
提出micro-STAR自主机器人系统,集成OCT光纤传感器与微型摄像机实现实时组织检测,在离体实验中自主完成血管吻合且90%无需人工干预,效果媲美资深医生。
2024-10-10 cs.RO cs.SY eess.SY
Learning needle insertion from sample task executions
University of Lincoln(林肯大学)
自动化机器人任务,例如,机器人的机器人识别可能非常复杂和耗时。学习一个任务模型来自主执行任务是非常宝贵的,这使得机器人手术技术能够为更广泛的社区所用。机器人手术的数据可以很容易地记录,其中收集的数据可以用于学习任务模型。这将减少机器人手术的时间和成本,其中外科医生可以监督机器人操作或给出高级命令,而不是对工具的低级控制。我们提供了一个在软组织中使用两个臂进行针插入的数据集,其中第1臂将针插入组织中,第2臂主动操纵软组织,以确保期望的和实际的退出点相同。这在实际手术中很重要,因为没有主动操纵组织的缝合可能会导致缝合失败,因为缝合可能无法抓住足够的组织来抵抗施加在缝合上的力。我们提出了一个针插入数据集,包括60个成功的试验记录的3对立体相机。此外,我们从演示中提出了深度机器人学习,它通过查看过去时间步的视频来预测机器人在t之后的时间步的期望状态(在t处采取的最佳动作产生),即任务执行的n步时间历史,其中N是内存时间窗口。实验结果表明,我们提出的深度模型架构优于现有的方法。虽然该解决方案还没有准备好部署在一个真正的机器人,结果表明,未来的发展,真正的机器人部署的可能性。
2021-03-14 cs.AI cs.RO
Guidance of an Autonomous Underwater Vehicle in Special Situations
本文介绍了自主水下航行器“DeepC”[1]在特殊情况下的制导系统。当一个或多个物体干扰飞行任务的计划路线时,就会出现特殊情况。可能的反应是逃避或识别对象。本文概述了这两项任务。在选择和开发所需策略时,考虑了水下环境、计算机参数、传感器和车辆机动性的特殊需求挑战。这些挑战包括海流、三维空间中的机动以及声纳有限的感知能力。
2017-02-26 cs.RO
Control System Design and Experiments for Autonomous Underwater Helicopter Docking Procedure Based on Acoustic-inertial-optical Guidance
Ocean college,Zhejiang University(浙江大学海洋学院);Hainan Institute,Zhejiang University(浙江大学海南研究院)
针对自主水下直升机对接的高机动性要求,提出分归航、着陆两阶段的声-惯-光引导控制系统,采用分段对准等策略及对接判定准则,经水池和海试验证了有效性与鲁棒性。
2024-10-09 cs.RO
Expert Knowledge-driven Reinforcement Learning for Autonomous Racing via Trajectory Guidance and Dynamics Constraints
College of Automotive and Energy Engineering, Tongji University(同济大学汽车与能源工程学院);School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航空航天工程学院)
本文提出TraD-RL方法,通过轨迹引导和动力学约束强化学习,提升自动驾驶赛车的性能与安全性。
2026-08-04 cs.RO
Image Processing in Optical Guidance for Autonomous Landing of Lunar Probe
由于地月通信存在时延,月球探测器的GNC技术显得尤为重要。现有的导航技术无法为探测器着陆控制系统提供精确的运动估计,计算机视觉为解决这一问题提供了一条新的途径。介绍了一种用于月球探测器自主着陆的计算机视觉导航图像处理算法。该算法的目的是检测和跟踪作为导航因素的特征点。首先,固定区域被检测为子图像和匹配。其次,从子图像中提取特征点并跟踪。计算机模拟表明,该算法计算量小,满足导航算法的要求。
2008-04-24 cs.RO
Fading Expert Guidance: Bridging Model-Based and Learning-Based Control for Abortable Autonomous Overtaking
Aalto University(阿尔托大学)
提出消退专家引导框架,用基于模型的控制器引导DRL训练,提升可中止超车任务的样本效率和安全性,且不限制最终策略为模仿。
2026-09-29 cs.RO
An Autonomous Path Planning Method for Unmanned Aerial Vehicle based on A Tangent Intersection and Target Guidance Strategy
无人机路径规划是无人机避开障碍物、高效到达目标的关键。为生成高质量的无障碍路径,提出了一种基于切线交会和目标引导策略的无人机自主路径规划算法。在目标引导下,利用椭圆切线图方法生成两条子路径,当遇到障碍物时,根据启发式规则选择其中一条子路径。无人机沿着选定的子路径飞行,并通过这种方式反复调整其飞行路径以避开障碍物,直到无碰撞路径延伸到目标。实验结果表明,APPATT算法与A*、PRM、RRT和VFH算法相比,在静态环境下,每个实例在0.05 s内生成最短无碰撞路径。此外,与VFH和RRTRW相比,APPATT可以在不确定环境下以近乎实时的方式生成令人满意的无碰撞路径。值得注意的是,APPATT具有在合理时间内逃离简单陷阱的能力。
2020-06-07 cs.RO
Demonstrating CavePI: Autonomous Exploration of Underwater Caves by Semantic Guidance
RoboPI laboratory, Department of ECE, University of Florida(RoboPI实验室,电子与计算机工程系,佛罗里达大学);Department of ME, University of Delaware(机械工程系,德雷塞尔大学)
本文提出并演示了CavePI系统,通过语义引导的视觉伺服框架,实现自主水下航行器在复杂洞穴中的安全导航与探索,并在现场实验和仿真中验证了其可靠性。
2025-04-24 cs.RO
Real-time Deformation-aware Control for Autonomous Robotic Subretinal Injection under iOCT Guidance
Technische Universität München(慕尼黑工业大学);Johns Hopkins University(约翰斯·霍普金斯大学);Johns Hopkins Hospital(约翰斯·霍普金斯医院);Klinikum rechts der Isar der Technische Universität München(慕尼黑工业大学右岸医院)
本文提出一种基于 iOCT 与 B${^5}$ 扫描实时三维重建的变形感知控制方法,用于自主机器人视网膜下注射,在离体猪眼实验中显著提升了针头定位精度和视网膜下泡生成成功率。
2025-03-11 cs.RO
FALCON: Fast Autonomous Aerial Exploration using Coverage Path Guidance
Southern University of Science and Technology(南方科技大学);Sun Yat-Sen University(中山大学)
针对现有自主空中探索规划器频繁重访已探索区域、效率低下的问题,本文提出FALCON框架,通过分层覆盖路径引导优化探索流程,经多场景实验验证性能优于现有最优方案,且已开源代码与评估环境。
2025-05-16 cs.RO
Towards Human-Centric Autonomous Driving: A Fast-Slow Architecture Integrating Large Language Model Guidance with Reinforcement Learning
College of Transportation, Tongji University(同济大学交通学院)
针对自动驾驶难以适配用户偏好的问题,提出LLM解析高层指令、RL负责实时控制的快-慢决策框架,降低碰撞率并提升行为与用户偏好的一致性。
2025-05-11 cs.RO
Reflect-VLA: Internalizing Reflective Guidance via Dual-Path On-Policy Self-Distillation for Autonomous Driving
Tsinghua University(清华大学);University of Macau(澳门大学);University of Science and Technology of China(中国科学技术大学);Beijing Jiaotong University(北京交通大学);Nanyang Technological University(南洋理工大学)
Reflect-VLA将反射式引导作为训练特权信息,通过双路径在线策略自蒸馏内化其规划优势,在NAVSIM等数据集上实现具竞争力的自动驾驶规划性能,训练时间较RL减少90%以上。
2026-10-12 cs.RO
Large Language Model guided Deep Reinforcement Learning for Decision Making in Autonomous Driving
School of Mechanical Engineering, Beijing Institute of Technology(北京理工大学机械工程学院)
针对自动驾驶中DRL学习效率低且依赖人类专家成本高的问题,提出大语言模型引导的深度强化学习框架(LGDRL),通过专家策略约束算法和LLM干预交互机制提升性能,实现90%任务成功率并在无LLM指导时保持可靠表现。
2024-12-24 cs.RO
A Hybrid Sampling-Based Trajectory Planner with Game-Theoretic Guidance for Autonomous Racing
Professorship of Autonomous Vehicle Systems, TUM School of Engineering and Design, Technical University of Munich(慕尼黑工业大学工程与设计学院自动驾驶车辆系统教授组);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所)
针对自主赛车在多智能体场景下的规划问题,提出将博弈论推理集成到基于采样的运动规划器的混合架构,利用离线学习势函数和在线梯度优化生成交互参考路径,在模拟环境中验证该方法能诱导防御行为且无计算负担。
2026-07-16 cs.RO
Human-in-the-Loop Deep Reinforcement Learning with Application to Autonomous Driving
Nanyang Technological University(南洋理工大学)
由于机器智能的智能和能力有限,目前自动驾驶汽车仍然无法处理各种情况并完全取代驾驶员。由于人类在复杂的驾驶场景中表现出很强的鲁棒性和适应性,因此将人类引入人工智能的训练循环中,利用人类智能进一步推进机器学习算法具有重要意义。在这项研究中,一个实时的人类指导为基础的深度强化学习(Hug-DRL)方法开发的自动驾驶的政策培训。利用新设计的人与自动化之间的控制转移机制,在模型训练过程中,人能够在必要时实时的干预并纠正智能体的不合理行为。基于这种人在回路的指导机制,一个改进的行动者-评论家架构与修改的政策和价值网络的发展。Hug-DRL的快速收敛允许将实时人类指导动作融合到智能体的训练循环中,进一步提高深度强化学习的效率和性能。该方法通过40名受试者的人在回路实验进行了验证,并与其他最先进的学习方法进行了比较。结果表明,该方法可以有效地提高人工指导下深度强化学习算法的训练效率和性能,而不需要对参与者的专业知识和经验提出具体要求。
2021-04-15 cs.RO
Autonomous Intelligent Navigation for Flexible Endoscopy Using Monocular Depth Guidance and 3-D Shape Planning
City University of Hong Kong(香港城市大学);Hong Kong Center for Logistics Robotics(香港物流机器人中心);The Chinese University of Hong Kong(香港中文大学)
柔性内窥镜的感知和决策的最新进展在计算机辅助手术干预中显示出巨大的潜力。然而,由于柔性内窥镜中的建模不确定性和患者间解剖变化,在患者特定场景中有效和安全导航的挑战仍然存在。本文提出了一种新的数据驱动的框架,自包含的视觉形状融合的自主智能导航的柔性内窥镜,不需要系统模型和全局环境的先验知识。提出了一种基于学习的自适应视觉伺服控制器,通过视觉Transformer(ViT)的单目深度估计,在线更新手眼视觉电机的配置并控制内窥镜的方向.为了防止与周围解剖结构的不必要的和过度的相互作用,能量激励的形状规划算法通过嵌入式光纤布拉格光栅(FBG)传感器的整个内窥镜3-D本体感受引入。此外,模型预测控制(MPC)策略的发展,以最小化的弹性势能流,同时优化转向策略。在几个幻影环境中的机器人辅助柔性内窥镜与光纤光栅光纤专用导航实验证明了所提出的框架的有效性和适应性。
2023-02-26 cs.RO
Safe and Personalizable Logical Guidance for Trajectory Planning of Autonomous Driving
University of Science and Technology of China(中国科学技术大学)
本文提出逻辑引导层(LGL),通过场景推理与RSS模型,在高速公路自动驾驶中平衡安全、效率与用户偏好,实现形式化安全保证。
2024-05-22 cs.LO cs.RO
Occupancy Prediction-Guided Neural Planner for Autonomous Driving
Nanyang Technological University(南洋理工大学)
针对自动驾驶中环境联合预测与预测引导整合难题,提出融合占用预测的两阶段OPGP神经规划框架,经真实数据集训练验证,性能优于现有强基线学习方法。
2023-05-05 cs.RO
Trajectory Guidance: Enhanced Remote Driving of highly-automated Vehicles
Institute of Automotive Technology at the Technical University of Munich (TUM)(慕尼黑工业大学汽车工程研究所)
本文针对自动驾驶车辆在复杂场景需人类干预的问题,提出一种轨迹引导远程驾驶的新型技术实现,经高保真仿真实验验证,表明其能有效提升远程操作安全性与可行性。
2024-02-15 cs.RO
See, Plan, Cut: MPC-Based Autonomous Volumetric Robotic Laser Surgery with OCT Guidance
Duke University(杜克大学);Duke University School of Medicine(杜克大学医学院)
本文提出RATS平台,结合RGB-D成像、OCT和激光,实现自主体积分软组织切除。通过MPC框架生成约束-aware切除轨迹,提升手术精度和临床可行性。
2026-03-18 cs.RO
Prioritized Experience-based Reinforcement Learning with Human Guidance for Autonomous Driving
Nanyang Technological University(南洋理工大学)
强化学习(Reinforcement learning,RL)需要巧妙的定义和大量的计算工作来解决优化和控制问题,这可能会影响其应用前景。将人类指导引入强化学习是提高学习性能的一种有前途的方法。本文建立了一个综合的基于人的指导的强化学习框架。为了提高强化学习算法的效率和性能,提出了一种适应强化学习过程中人工指导的经验优先回放机制.为了减轻人类参与者的繁重工作量,基于增量式在线学习方法建立行为模型来模仿人类行为。我们设计了两个具有挑战性的自动驾驶任务来评估所提出的算法。通过实验研究了该算法的训练和测试性能以及学习机制。对国家的最先进的方法的比较结果表明,我们的算法在学习效率,性能和鲁棒性方面的优势。
2022-11-29 cs.LG cs.RO
Autonomous Guidewire Navigation for Robot-assisted Endovascular Interventions: A Knowledge-Driven Visual Guidance Approach
Wandong Medical Technology Co., Ltd(万东医疗科技有限公司);Beijing Police College(北京警察学院);School of Intelligent Engineering and Automation, Beijing University of Posts and Telecommunications(北京邮电大学智能工程与自动化学院);Department of Vascular Surgery, Shanghai Changhai Hospital, Naval Medical University(海军军医大学上海长海医院血管外科);Beijing Institute of Satellite Information Engineering(北京卫星信息工程研究所)
提出知识驱动的视觉引导方法(KVG),结合分割检测、BDA-star路径规划及预训练CNN,在主动脉模拟平台上实现针对多分支血管的100%导丝导航成功率,减少移动距离并趋向血管中心。
2025-02-27 cs.RO
Beyond Safe Execution: Safe Online Reinforcement Learning for Autonomous Driving with Value Calibration and Adaptive Guidance
本研究提出SOAR-Flow框架,结合CBF-MPC过滤器、Cal-QL价值校准等技术,实现自动驾驶安全在线微调,提升驾驶性能并减少对安全修正的依赖。
2026-10-14 cs.RO
Autonomous Guidance Navigation and Control of the VISORS Formation-Flying Mission
Stanford University(斯坦福大学)
本文为VISORS双CubeSat太阳成像编队设计自主、被动安全的星载GNC系统,融合差分GPS、随机MPC与脉冲控制,并通过蒙特卡洛仿真验证其亚厘米级精度与故障安全性。
2023-08-12 cs.RO
Design, Optimal Guidance and Control of a Low-cost Re-usable Electric Model Rocket
Embotech AG(Embotech公司);ETH Zurich(苏黎世联邦理工学院)
在过去的十年中,自主垂直起降(VTOL)车辆变得越来越重要,因为它们由于可重复使用而降低了任务成本。然而,他们的发展是复杂的,渲染甚至所需的先进的制导和控制(G & C)算法的基本实验验证令人望而却步的耗时和昂贵的。在本文中,我们提出了一种廉价的小型垂直起降平台,可以从现成的组件不到1000美元的设计。飞行器的设计模仿了可重复使用的发射器的第一级,使其成为G & C算法的完美测试平台。为了控制车辆在上升和下降过程中,我们提出了一个实时优化的G & C算法。其主要特点是一个实时的最低燃料和自由的最后时间最优制导与无偏置跟踪模型预测位置控制器相结合。车辆硬件设计和G & C算法在室内和室外都经过了实验验证,显示出完全自主的可靠操作,所有计算都在车上实时完成。
2021-03-08 cs.RO
METDrive: Multi-modal End-to-end Autonomous Driving with Temporal Guidance
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology(斯克尔科沃科学与技术研究所智能空间机器人实验室,数字工程中心);Institute of Automation, Qilu University of Technology (Shandong Academy of Sciences)(齐鲁科技大学自动化研究所,山东科学院)
本文提出 METDrive 多模态端到端自动驾驶系统,利用自车状态时间序列特征和时间引导损失辅助航点预测,并在 CARLA 基准上取得优异成绩。
2025-05-14 cs.CV cs.RO
Image-based Guidance of Autonomous Aircraft for Wildfire Surveillance and Prediction
Stanford University(斯坦福大学)
小型无人驾驶飞机可以帮助消防员通过提供不断增长的火灾的实时监控来对抗野火。然而,仅在野火图像下自主引导飞机是一个具有挑战性的问题。这项工作模型噪声图像从车载摄像机,并提出了两种方法来过滤野火图像。第一种方法使用一个简单的卡尔曼滤波器,以减少噪音和更新的信念图在观察到的地区。第二种方法使用粒子滤波器来预测野火的增长,并使用观测来估计与野火扩张有关的不确定性。信度图用于训练深度强化学习控制器,该控制器学习导航飞机以调查野火的策略,同时避免直接在大火上方飞行。仿真结果表明,所提出的控制器精确地引导飞机和准确地估计野火的增长,和观察噪声的研究表明粒子滤波方法的鲁棒性。
2019-03-01 cs.AI cs.RO
UGSim: Autonomous Buoyancy-Driven Underwater Glider Simulator with LQR Control Strategy and Recursive Guidance System
School of Engineering, Newcastle University(纽卡斯尔大学工程学院);School of Naval Architecture and Maritime, Guangdong Ocean University(广东海洋大学船舶与海运学院)
本文提出UGSim水下滑翔机模拟器,结合LQR控制与递归制导,解决复杂水动力挑战,加速算法开发与评估。
2025-01-29 cs.RO cs.SE
DriveSafer: End-to-End Autonomous Driving with Safety Guidance
Carnegie Mellon University(卡内基梅隆大学)
本文提出DriveSafer框架,通过减少致命性规划失败来提高端到端自动驾驶的安全性,而非单纯提升平均规划质量。
2026-05-16 cs.CV cs.RO
Fuzzy Logic of Speed and Steering Control System for Three Dimensional Line Following of an Autonomous Vehicle
Jabalpur Engineering College(贾巴尔普尔工程学院);University of Cincinnati(辛辛那提大学)
...本文对模块化自主移动机器人控制器的设计进行了探索性研究。该控制器采用模糊逻辑[8] [9]方法进行转向和速度控制[37],采用FL方法进行超声传感,并采用整体专家系统进行指导。模块化系统的优点与便携性和可运输性有关,即任何车辆都可以通过最小的修改实现自主。辛辛那提大学利用高尔夫球车底座建造了一个移动机器人试验台。这辆车有全速控制与指导提供的视觉系统和避障使用超声波传感器。速度和转向模糊逻辑控制器通过多轴运动控制器进行监督。避障系统是基于与超声波换能器接口的微控制器。该微控制器独立处理所有定时和距离计算,并通过串行线路将距离信息发送回模糊逻辑控制器。这种设计产生了一个便携式的独立系统,其中不需要高速计算机通信。利用CCD摄像机判断机器人的当前位置,实现了视觉引导。[34][35][36]它将产生一个良好的图像,以减少来自地面坐标的不确定错误命令,以解决系统的参数不确定性,并获得良好的WMR动态响应。[1]在这里,我们应用3D线以下神话。它可以从3D转换为2D,并映射图像坐标,反之亦然,从而提高WMR位置的精度。...
2010-04-10 cs.RO
Suture Thread Spline Reconstruction from Endoscopic Images for Robotic Surgery with Reliability-driven Keypoint Detection
University of California San Diego(加州大学圣地亚哥分校);University of New Mexico(新墨西哥大学)
在机器人手术过程中自动操作和输送缝线的过程是手术机器人前沿的一个突出问题,因为自动化这项任务可以显著减少外科医生在远程操作手术期间的疲劳,并使他们能够花更多时间解决更高级别的临床决策。在现实世界中完成自主缝合和缝合操作需要精确的缝合线定位和重建,这是从2D立体相机手术图像对创建缝合线的3D形状表示的过程。这是一个非常具有挑战性的问题,因为有限的像素信息可用于线程,以及它们对照明和镜面反射的敏感性。我们提出了一个缝合线重建工作,使用可靠的关键点和最小变异样条(MVS)平滑优化,从分割的手术图像对构建一个3D中心线。这种方法与以前的缝合线重建工作相当,可能的好处是提高了抓取点估计的准确性。我们的代码和数据集将在https://github.com/ucsdarclab/thread-reconstruction上提供。
2023-02-28 cs.RO
Planar-Sector LOS Guidance for Interception of Agile Targets with Lifting-Wing Quadcopters
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);Research and Development Department, China Academy of Launch Vehicle Technology(中国运载火箭技术研究院研发部)
提出平面扇形视线(PS-LOS)制导框架,通过非对称约束释放机动性,使升力翼四旋翼在仅用单目相机的情况下实现远程自主拦截敏捷目标,实验验证了高达138米距离的成功拦截。
2026-06-11 cs.RO
Subgoal Planning Algorithm for Autonomous Vehicle Guidance
iCueMotion, LLC.(iCueMotion有限责任公司)
受过训练的人表现出高度灵活的空间技能,使他们能够在苛刻的任务和条件下操作具有复杂动力学的车辆。先前的工作表明,人类通过使用诸如满意、学习分层任务结构和使用运动基元元素库等策略来实现这种性能。高效和通用解决方案的一个关键方面是将任务分解为一系列较小的任务,由子目标表示。目前的工作使用属性的约束最优控制理论来定义条件,指定候选子目标状态,并使这种分解。所提出的子目标算法使用图搜索来确定一个子目标序列,该子目标序列将一系列不受约束的运动引导元素链接到受约束的解轨迹中。在仿真实验中,子目标制导算法生成的路径具有更高的性能和更少的计算时间比RRT* 基准。示例说明了这种方法在多种环境类型中的鲁棒性和通用性。
2020-04-27 cs.RO cs.SY eess.SY
Mimir: Hierarchical Goal-Driven Diffusion with Uncertainty Propagation for End-to-End Autonomous Driving
Institue of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);China University of Geosciences(中国地质大学);Fudan University(复旦大学)
Mimir通过不确定性传播和多速率指导机制,提升端到端自动驾驶中轨迹生成的鲁棒性和推理效率。
2025-12-08 cs.CV cs.RO
Constraint-Aware Diffusion Guidance for Robotics: Real-Time Obstacle Avoidance for Autonomous Racing
Department of Mechanical and Process Engineering, ETH Zürich(苏黎世联邦理工学院机械与过程工程系);Max Planck Institute for Intelligent Systems(智能系统研究所)
针对扩散模型缺乏约束感知、难以应用于安全关键机器人场景的问题,提出融合屏障函数的约束感知扩散引导框架CoDiG,经微型自主竞速真实实验验证可在动态下高效实现实时避障,具备跨任务泛化性与更广泛应用潜力。
2025-05-19 cs.RO cs.SY eess.SY
Toward Personalized Training and Skill Assessment in Robotic Minimally Invasive Surgery
Wayne State University(韦恩州立大学)
尽管外科手术技术取得了巨大的进步,但评估手术技能的标准仍然基于主观标准。随着机器人辅助手术的出现,引入了客观和自主技能评估的新机会。以往的研究主要是基于隐马尔可夫模型(HMM)等结构化方法,需要大量的预处理。在这项研究中,与他们相比,我们开发了一个新的基于形状的框架,自动技能评估和个性化的手术训练与最小的参数调整。我们的工作已经解决了技能评估的主要方面,开发手势识别模型,直接对机器人辅助手术的时间运动信号,并建立自动个性化RMIS手势训练框架,我们表明,我们的方法,平均准确度为82%的缝合,70%的穿针和85%的打结,表现优于或等于最先进的方法,同时需要最少的预处理,参数调整,并为外科医生提供在线反馈,他们在培训期间的表现。
2016-11-14 cs.RO
Object-Aware Guidance for Autonomous Scene Reconstruction
University of Science and Technology of China(中国科学技术大学);Shenzhen University(深圳大学);National University of Defense Technology(国防科技大学)
为了进行自主三维扫描和在线重建未知的室内场景,人们必须找到一个平衡之间的全局探索的整个场景和局部扫描的对象在it.In这项工作中,我们提出了一种新的方法,它提供了对象感知的指导自动扫描,探索,重建和理解一个未知的场景在一个导航通行证。我们的方法交错对象分析,以确定下一个最好的对象(NBO)的全球探索,和对象感知的信息增益分析计划下一个最好的视图(NBV)的本地扫描。首先,基于对象的分割方法被引入到通过多类图割最小化从当前场景表面提取语义对象。然后,感兴趣的对象(OOI)被识别为机器人旨在访问和扫描的NBO。然后,机器人利用NBV策略确定的视图对OOI进行精细扫描。当OOI被识别为完整对象时,它可以被形状数据库中最相似的3D模型替换。该算法迭代,直到所有的对象被识别和重建的场景。各种实验和比较表明,我们所提出的方法的可行性。
2018-05-20 cs.GR cs.RO
An Autonomous, End-to-End, Convex-Based Framework for Close-Range Rendezvous Trajectory Design and Guidance with Hardware Testbed Validation
Massachusetts Institute of Technology(麻省理工学院);University of Sydney(悉尼大学)
本文提出CORTEX框架,结合深度学习感知与凸优化,实现近距离会合轨迹设计与引导,通过软件和硬件测试验证其鲁棒性和精度。
2026-02-12 cs.RO math.OC
Enhancing End-to-End Autonomous Driving Systems Through Synchronized Human Behavior Data
HAI Centre, AAII, University of Technology Sydney(悉尼科技大学HAI中心、AAII);University of Technology Sydney(悉尼科技大学)
本文提出在相同场景下同步采集人类驾驶员眼动和脑电数据以引导端到端自动驾驶系统,实验表明人类注意力引导能显著提升驾驶性能,但意图引导仍有挑战。
2024-08-20 cs.HC cs.RO
Multi-robot autonomous 3D reconstruction using Gaussian splatting with Semantic guidance
College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院);College of Information Engineering, Zhejiang University of Technology(浙江工业大学信息工程学院)
提出首个基于 3DGS 的集中式多机器人自主三维重建框架,融合开放词汇语义与表面不确定性,并通过模式和任务分配实现高质量、高效率的大规模场景重建。
2024-12-03 cs.CV cs.RO
Diffusion Forcing Planner: History-Annealed Planning with Time-Dependent Guidance for Autonomous Driving
University of Science and Technology of China(中国科学技术大学);Yinwang Intelligent Technology Co., Ltd(银网智能科技有限公司);Hefei Institutes of Physical Science, Chinese Academy of Sciences(中国科学院合肥物质科学研究院)
提出扩散强制规划器(DFP),通过历史引导控制实现异构联合扩散过程,结合退火历史的条件引导,解决运动规划中的时间不一致问题,在nuPlan上取得竞争性能。
2026-06-09 cs.AI cs.RO
Latent-Centroid Steering: Single-Pass Classifier-Free Guidance for Command-Aligned Autonomous Driving
Rochester Institute of Technology(罗切斯特理工学院);NVIDIA(英伟达公司)
针对视觉语言自动驾驶模型的指令跟随差距,提出单次引导机制LCS,降低推理延迟约50%,在Bench2Drive和nuScenes基准上提升指令遵循与驾驶性能。
2026-09-18 cs.CV cs.RO
Terminal Adaptive Guidance for Autonomous Hypersonic Strike Weapons via Reinforcement Learning
University of Arizona(亚利桑那大学)
针对高超声速打击武器末段弹道,采用强化Meta学习方法对自适应制导系统进行优化。制导系统将观测值直接映射到指令的倾斜角、迎角和侧滑角速率。重要的是,观测值可以直接从雷达导引头输出测量,只需最少的处理。优化框架实现了一个整形奖励,最大限度地减少视线旋转率,终端奖励,如果代理满足路径约束,并满足终端精度和速度标准。我们表明,制导系统可以适应非标称飞行条件,包括气动系数参数的扰动,致动器故障的情况下,传感器比例因子误差,和致动器滞后,同时满足加热率,动压,负载路径的约束,以及最小的影响速度约束。我们展示了对机动地面目标的精确打击能力和转向新目标的能力,后者对于最大限度地提高一组高超音速打击武器的打击效率非常重要。此外,我们证明了一个威胁规避战略拦截有限的中途修正能力,高超音速打击武器实施多个改道,以替代目标,与最后一个改道的实际目标。最后,我们包括一个综合的指导和控制系统在六个自由度的环境中的初步结果。
2021-10-16 cs.RO cs.SY eess.SY
Autonomous Frontier-Based Exploration with VLM Guidance
EECS Department, University of California(加州大学EECS系)
提出利用视觉语言模型进行高层战略决策,替代几何启发式,通过多模态提示选择最优前沿,在模拟环境中将地图覆盖率提升高达24%。
2026-05-22 cs.AI cs.CL cs.RO
A Guidance and Maneuvering Control System Design with Anti-collision Using Stream Functions with Vortex Flows for Autonomous Marine Vessels
University of Michigan(密歇根大学);Norwegian University of Science and Technology(挪威科技大学);Tsinghua University(清华大学)
预计自主海洋船舶将避免船舶之间的碰撞,并遵守国际安全航行条例。提出了一种基于流函数的分步路径规划方法。采用流体的动态流动作为引导模型,通过在汇流中应用圆形定理来实现静态环境中的碰撞避免。我们将这种方法扩展到动态环境中,通过在流场中加入涡流。流函数被递归地更新,以实现飞行中的路点决策。该船避免碰撞,并遵守《国际海上避碰规则公约》的若干规则。该方法在概念上和计算上都很简单,调整方便,但通用性强,可以处理具有多个动态障碍物的复杂和密集的海上交通。考虑到船舶动力学,通过使用Bézier曲线来生成具有可行曲率的足够光滑的路径。数值模拟进行了验证所提出的方法。
2022-04-16 cs.RO cs.SY eess.SY
Integrated Guidance and Control of a Mother-Child UAV-UGV System for Cooperative Missions
Indian Institute of Technology Hyderabad(印度理工学院海得拉巴分校)
本文提出并现场验证了母子无人机-无人车系统的协同框架,集成多种控制方法实现子机对悬停母舰的自主空中回收,20次任务中成功率达85%。
2026-09-18 cs.RO
Diffusion-Based Planning for Autonomous Driving with Flexible Guidance
Tsinghua University(清华大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);The Chinese University of Hong Kong(香港中文大学);Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
针对自动驾驶中类人驾驶行为难以实现的问题,提出基于 Transformer 的 Diffusion Planner,通过统一架构联合建模预测与规划任务,支持多模态行为与车辆协作,无需规则优化即可确保轨迹质量,在 nuPlan 及配送车辆数据集上实现了先进闭环性能与稳健迁移性。
2025-02-09 cs.AI cs.LG cs.RO