System Identification for Virtual Sensor-Based Model Predictive Control: Application to a 2-DoF Direct-Drive Robotic Arm
Department of Aeronautics and Astronautics, Graduate School of Engineering, Kyoto University（航空学系，工学研究科，京都大学）；Kobe Steel, Ltd.（神户钢铁株式会社）
本文提出PVSID框架，利用高成本传感器在建模阶段创建虚拟传感器，实现二自由度直接驱动机械臂的非线性模型预测控制，无需运动捕捉系统即可实现精确末端轨迹跟踪。
2026-02-02 cs.RO cs.SY eess.SY
Robotic Autonomous Trolley Collection with Progressive Perception and Nonlinear Model Predictive Control
Southern University of Science and Technology（南方科技大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
可以收集手推车的自主移动操纵机器人被广泛用于解放人力资源和抗击疫情。大多数现有的机器人手推车收集解决方案仅检测具有2D姿态的手推车，或者仅基于特定标记，并且缺乏规划算法的正式设计。在本文中，我们提出了一种新的移动操作系统与行李手推车收集的应用。所提出的系统集成了紧凑的硬件设计和渐进的感知和规划框架，使系统能够在动态和复杂的环境中有效和鲁棒地收集手推车。对于感知，我们首先开发了一种结合目标检测和关键点估计的3D小车检测方法。采用精确的点云平面检测方法和新颖的机械手设计，实现了近距离对接过程。在规划方面，我们制定了机器人的运动规划下的非线性模型预测控制框架与控制障碍功能，以提高避障能力，同时保持在传感器的视野中的目标在近距离。我们展示了我们的设计和框架部署在实际的手推车收集任务的系统，其有效性和鲁棒性的实验验证。
2022-03-01 cs.RO cs.SY eess.SY
Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics
TU Darmstadt（达姆施塔特工业大学）；Otto-von-Guericke-Universität Magdeburg（奥托·冯·格里克马格德堡大学）
许多机器人任务，如人机交互或易碎物体的处理，需要严格控制和限制出现的力和力矩以及合理的运动控制，以实现安全而高性能的操作。我们提出了一个学习支持的模型预测力和运动控制方案，提供随机安全保证，同时适应不断变化的情况。高斯过程用于学习将机器人的状态映射到力和力矩的不确定关系。模型预测控制器使用这些高斯过程模型，以实现精确的运动和力控制下的随机约束满足。由于不确定性只发生在静态模型部分-输出方程-一个计算效率高的随机MPC制定。分析了静态不确定情况下最优控制问题的递归可行性和闭环系统的收敛性。基于高斯过程的方差，构造了机会约束公式和退避，以保证安全运行。在一个轻量级的机器人在模拟和实验中说明了这种方法。
2023-03-08 cs.LG cs.RO cs.SY
Model Predictive Manipulation of Compliant Objects with Multi-Objective Optimizer and Adversarial Network for Occlusion Compensation
Harbin Institute of Technology（哈尔滨工业大学）；Beihang University（北京航空航天大学）；The Hong Kong Polytechnic University（香港理工大学）
柔性物体的机器人操作是目前机器人技术中最活跃的问题之一，因为它具有自动化许多重要应用的潜力。尽管近年来机器人领域取得了进展，但这些类型材料的3D成形仍然是一个开放的研究问题。在本文中，我们提出了一种新的基于视觉的控制器，自动调节形状的顺应性的物体与机器人手臂。我们的方法使用一个有效的在线曲面/曲线拟合算法，量化对象的几何形状与一个紧凑的矢量的功能，这种反馈样的矢量，使建立一个明确的形状伺服回路。为了协调机器人的运动与计算的形状特征，我们提出了一个后退时间估计，近似系统的感觉运动模型，同时满足各种性能标准。开发了一个深度对抗网络来鲁棒地补偿相机视野中的视觉遮挡，即使对对象进行部分观察，也可以指导成形任务。模型预测控制用于计算机器人的成形运动受工作空间和饱和度的限制。详细的实验研究，以验证所提出的控制框架的有效性。
2022-05-20 cs.RO cs.SY eess.SY
Model Hierarchy Predictive Control of Robotic Systems
University of Notre Dame（圣母大学）
这封信提出了一种新的预测控制结构的高维机器人系统。相对于传统的模型预测控制（MPC）的方法来制定一个层次序列的优化问题的运动，所提出的工作制定了一个单一的优化问题提出了一个层次的模型，因此被命名为模型层次预测控制（MHPC）。MHPC被公式化为多阶段滚动时域轨迹优化（TO）问题，并且可以使用任何通用的多阶段TO求解器来实现。MHPC在四足动物、双足动物和四旋翼动物的模拟中进行了基准测试，证明了与全身MPC相当或超过全身MPC的控制性能，同时在每种情况下保持较低的计算成本。在MIT Mini Cheetah上进行了初步的间隙跳跃实验，离线生成的控制策略，证明了生成的轨迹的物理有效性，并激励在线MHPC在未来的工作中。
2021-05-11 cs.RO
A Step-by-step Guide on Nonlinear Model Predictive Control for Safe Mobile Robot Navigation
department of Cognitive Robotics, Delft University of Technology（认知机器人系，代尔夫特理工大学）；Institute for Dynamic Systems and Control, ETH Zürich（动态系统与控制研究所，苏黎世联邦理工学院）
本报告提供了一种分步方法来实现非线性模型预测控制（NMPC）方案，以解决移动机器人在充满障碍物的环境中安全导航的问题，强调安全性和性能保证，旨在弥合理论NMPC公式与实际机器人应用之间的差距。
2025-08-09 cs.RO cs.SY eess.SY
Robust Predictive Motion Planning by Learning Obstacle Uncertainty
Linköping University（林雪平大学）；Imperial College London（帝国理工学院）；Lund University（隆德大学）
针对动态环境中不确定障碍物导致规划保守的问题，提出在线学习障碍物控制集以计算非保守可达集，并设计鲁棒模型预测控制器生成安全轨迹，经仿真与硬件实验验证。
2025-01-20 cs.RO cs.SY eess.SY
Koopman NMPC: Koopman-based Learning and Nonlinear Model Predictive Control of Control-affine Systems
California Institute of Technology（加州理工学院）
基于Koopman的学习方法可能是动态机器人系统的实用和强大的工具。然而，构建Koopman表示的常用方法寻求学习提升的线性模型，这些模型无法捕获许多机器人系统中固有的非线性致动效应。本文提出了一种学习和控制方法，是克服这一限制的第一步。利用Koopman正则变换，控制仿射动力学可以表示为提升双线性模型。学习的模型用于非线性模型预测控制（NMPC）的设计，其中的双线性结构可以被利用，以提高计算效率。控制仿射动力学相比，现有的Koopman为基础的方法的好处突出通过一个例子的模拟平面四旋翼。预测误差大大减少，闭环性能类似于NMPC与全模型知识。
2021-05-17 cs.RO cs.SY eess.SY
End-Effector Stabilization of a 10-DOF Mobile Manipulator using Nonlinear Model Predictive Control
University of Waterloo（滑铁卢大学）
移动机械手（安装在移动基座上的机械臂）的运动控制对于复杂的任务（如材料和包装处理）可能具有挑战性。针对由7自由度机械臂和3自由度移动基座组成的10自由度移动机械臂，设计了一种基于非线性模型预测控制（NMPC）的任务空间镇定控制器。该系统模型是基于运动学模型的末端执行器的方向直接由旋转矩阵参数化。状态和控制约束以及奇异性约束显式地包括在NMPC制定。该控制器进行了测试，使用实时仿真，表现出高的定位精度与易处理的计算成本。
2021-03-24 cs.RO cs.SY eess.SY
Predictive and Semantic Layout Estimation for Robotic Applications in Manhattan Worlds
University of Pennsylvania（宾夕法尼亚大学）
本文介绍了一种方法，自动提取平面图从各种不完整的测量，可以获得一个自主移动机器人。该方法通过推理自动从现有数据中提取的扩展结构布局表面来进行。该方案可以以在线方式运行，以构建环境的水密表示。该系统有效地推测房间边界和自由空间区域，这为后续的运动规划系统提供了有用的指导。多个数据集上的实验结果。
2018-11-19 cs.CV cs.RO
ToMPC: Task-oriented Model Predictive Control via ADMM for Safe Robotic Manipulation
本文提出一种基于ADMM的任务导向模型预测控制框架，用于安全高效的机器人操作。该框架结合碰撞自由运动和机器人环境交互，利用运动学冗余提高障碍环境下的操作效率。
2026-03-14 cs.RO
Path planning for unmanned surface vehicle based on predictive artificial potential field. International Journal of Advanced Robotic Systems
Beihang University（北京航空航天大学）
本文提出一种结合时间信息和预测势场的改进方法，用于提升无人水面车辆路径规划的效率和避障能力。
2026-02-22 cs.RO
Safe Learning Predictive Control for Ego-World Robotic Systems
University of Bologna（博洛尼亚大学）
针对自我世界机器人框架，提出SOWL-MPC策略，结合基于稀疏变分高斯过程的在线学习机制与滚动时域控制方案，依靠噪声测量推断潜在世界策略后验分布，经实验验证该策略可实现自我机器人安全机动。
2026-07-27 cs.RO
Adaptive Model Predictive Control by Learning Classifiers
NVIDIA（英伟达）；the University of Sydney（悉尼大学）
随机模型预测控制已经成为许多机器人任务的成功和鲁棒的控制框架，其中系统动力学模型稍微不准确或存在环境干扰。尽管取得了成功，但仍然不清楚如何在存在模型参数不确定性和异方差噪声的情况下最好地调整控制参数以适应当前任务。在本文中，我们提出了一个自适应MPC的变种，自动估计控制和模型参数，利用贝叶斯优化（BO）和经典的预期改善采集功能的想法。我们利用最近的结果表明，BO可以通过密度比估计，这可以通过简单地学习分类器有效地近似重新制定。然后，这是集成到一个模型预测路径积分控制框架产生鲁棒控制器的各种具有挑战性的机器人任务。我们展示了模型不确定性和机器人操作任务下经典控制问题的方法。
2022-04-05 cs.AI cs.LG cs.RO
Differentiable Predictive Control for Robotics: A Data-Driven Predictive Safety Filter Approach
University of California Berkeley（加州大学伯克利分校）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of Bristol（布里斯托尔大学）
本文提出基于相对阶的系统分解技术、基于DPC训练数据集的安全集生成技术和事件触发预测安全滤波器，解决可微预测控制（DPC）在条件数差时表现不佳及缺乏安全性保证的问题，在四旋翼实验中实现与MPC相当的性能，计算时间最多减少三个数量级且满足未训练场景的安全要求。
2024-09-20 cs.RO
VLMPC: Vision-Language Model Predictive Control for Robotic Manipulation
School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）
针对传统MPC缺乏环境感知能力在复杂机器人操作场景中失效的问题，提出融合VLM与MPC的VLMPC框架，通过条件动作采样、动作条件视频预测和分层代价函数生成最优动作，在公开基准和真实任务中表现更优。
2024-07-13 cs.RO
Iterative Tuning of Nonlinear Model Predictive Control for Robotic Manufacturing Tasks
ZHAW Institute of Materials and Process Engineering（ZHAW材料与加工工程学院）；Zürich University of Applied Sciences（苏黎世应用科学大学）
本文提出一种基于任务级反馈的迭代学习框架，用于在机器人重复制造任务中自适应调优非线性模型预测控制的权重矩阵，实现高效且精确的控制性能。
2026-01-02 cs.LG cs.RO cs.SY
Real-Time Learning of Predictive Dynamic Obstacle Models for Robotic Motion Planning
Division of Engineering and Applied Science, California Institute of Technology（工程与应用科学分校，加州理工学院）；Applied Intuition（应用直觉）
本文提出一种实时学习动态障碍物预测模型的方法，通过改进的Hankel-DMD实现去噪和多步预测，适用于机器人运动规划。
2026-03-06 cs.LG cs.RO cs.SY
Towards Local Minima-free Robotic Navigation: Model Predictive Path Integral Control via Repulsive Potential Augmentation
Keio University（庆应义塾大学）；Nagoya University（名古屋大学）
提出一种基于排斥势增强的模型预测路径积分控制运动规划方法，无需全局路径引导即可主动避免局部最小值，在不降低计算效率的同时提升了全局最优性。
2024-11-09 cs.RO
On Model Predictive Path Following and Trajectory Tracking for Industrial Robots
Norwegian University of Science and Technology（挪威科技大学）；SINTEF DIGITAL（SINTEF数字研究所）
在这篇文章中，我们将展示如何模型预测路径跟踪控制器允许机器人机械手停止在障碍物的方式，模型预测轨迹跟踪控制器不能。我们提出了这两个控制器应用于机器人机械手，模拟两连杆机械手使用内点求解器，考虑离散化的最优控制问题，使用配置或龙格库塔，并讨论我们的实施模型预测路径跟踪控制器的实时可行性。
2017-03-07 cs.RO
Model Predictive Control for a Soft Robotic Finger with Stochastic Behavior based on Fokker-Planck Equation
Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology（信息科学系，科学技术研究生院，奈良科学技术研究所）
针对软体机器人因固有灵活性导致的运动不确定性与非线性问题，提出基于福克-普朗克方程的随机模型预测控制策略FPE-MPC，通过控制概率分布应对不确定性，数值模拟验证了其有效性。
2025-09-01 cs.RO
Sampling-Based Model Predictive Control for Volumetric Ablation in Robotic Laser Surgery
Duke University（杜克大学）
本文提出基于采样的模型预测控制方法，用于机器人激光手术中的体积消融规划，在考虑参数不确定性并避开敏感组织的前提下自主生成消融序列。
2024-10-04 cs.RO
IMPACT: Learning Internal-Model Predictive Control for Forceful Robotic Manipulation
Harvard University（哈佛大学）；Stanford University（斯坦福大学）
提出IMPACT框架，将强力操控任务解耦为任务规划和基于内部模型的预测控制，通过仿真和实验证明其在成功率、泛化性、安全性和能效上的优势。
2026-06-09 cs.CV cs.RO
Safety-Aware Robust Model Predictive Control for Robotic Arms in Dynamic Environments
Korea Institute of Industrial Technology（韩国工业技术研究院）；Daegu Mechatronics & Materials Institute（大邱机电材料研究所）；University of Tsukuba（茨木大学）
针对动态环境中机械臂轨迹规划的不确定性挑战，提出结合基于相位名义控制与鲁棒安全模式的新颖RMPC框架，通过实时预测移动障碍物动态调整约束，实现平滑过渡并确保无碰撞运行，仿真表明其提升了运动自然性与安全性且任务完成更快。
2025-05-30 cs.RO
MR-MPCC: Model Predictive Contouring Control for Robotic Manipulator Tracking under Moving Reference Frames
University of Technology Sydney（悉尼科技大学）；Robotics Institute, University of Technology Sydney（悉尼科技大学机器人研究所）；University of Edinburgh（爱丁堡大学）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
本文提出MR-MPCC框架，采用分层控制架构，在UR5e平台验证其在移动参考干扰下的路径跟踪性能，相比PI控制和传统MPC，可降低几何路径跟踪误差与移动路径框架偏差。
2026-10-16 cs.RO
Online Multi-Contact Feedback Model Predictive Control for Interactive Robotic Tasks
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；German Aerospace Center (DLR)（德国航空航天中心（DLR））
针对交互式机器人任务中未知位置多接触的问题，提出带显式接触反馈回路的MPC方法，结合MCP-EP算法与弹簧接触模型，用微分动态规划实现7自由度机器人实时控制，多场景下验证有效。
2024-03-13 cs.RO
Randomized-to-Canonical Model Predictive Control for Real-world Visual Robotic Manipulation
Nara Institute of Science and Technology (NAIST)（奈良先端科学技术大学院大学）；Advanced Telecommunications Research Institute International (ATR)（国际高级电信研究所）；Kyoto University（京都大学）
近年来，许多研究工作都在探索虚拟可传递视觉模型预测控制（MPC）。然而，这样的工作仅限于一次性传输，其中必须一次性收集真实世界的数据以执行仿真到现实迁移，这仍然是将在仿真中学习的模型迁移到真实世界中的新领域的重要人工努力。为了缓解这个问题，我们首先提出了一个新的模型学习框架，称为卡尔曼随机化到规范模型（KRC模型）。该框架能够从随机图像中提取与任务相关的内在特征及其动态。然后，我们提出了卡尔曼随机到典型模型预测控制（KRC-MPC）作为一个zero-shot sim-to-real可转移的视觉MPC使用KRC模型。我们的方法的有效性进行评估，通过阀门旋转任务的机器人手在模拟和现实世界中，和块交配任务的模拟。实验结果表明，KRC-MPC可以以zero-shot方式应用于各种实际领域和任务。
2022-07-05 cs.LG cs.RO
A Predictive Application Offloading Algorithm Using Small Datasets for Cloud Robotics
Purdue University（普渡大学）
许多对机器人性能至关重要的机器人应用需要即时反馈，因此执行时间是一个关键问题。此外，机器人通常具有固定数量的硬件资源;如果应用程序需要的计算资源超过机器人可以容纳的范围，则其板载执行可能会扩展到降低机器人性能的程度。另一方面，云计算以按需计算资源为特征;通过使机器人能够利用这些资源，可以减少应用程序执行时间。使机器人能够使用云计算的关键是设计一种高效的卸载算法，该算法可以最佳地利用机器人的机载能力，并且还可以在没有任何关于应用的先验知识或信息的情况下就何时卸载形成快速共识。在本文中，我们提出了一个预测算法，以预期执行应用程序所需的时间为一个给定的应用程序数据输入大小的帮助下，少量的以前的观察。为了验证该算法，我们对之前的N个观测值进行训练，其中包括独立（输入数据大小）和相关（执行时间）变量。为了了解算法性能在预测精度和误差方面的变化，我们使用线性回归和移动机器人路径规划应用程序测试了各种N值。从我们的实验和分析，我们确定该算法具有可接受的误差和预测精度时，N>40。
2021-08-28 cs.RO
Nullspace Structure in Model Predictive Control
Idiap Research Institute（伊迪亚普研究院）
机器人任务可以通过利用不同形式的冗余来完成。本文主要研究模型预测控制（MPC）中的冗余规划问题，在MPC时间范围内可以考虑多条路径。我们提出了零空间结构的MPC与二次近似的成本和线性化的动态。我们利用MPC（封装时空信息）中使用的精度矩阵的低秩结构来执行分层任务规划，并展示了零空间计算如何被视为融合问题（用高斯专家的产品计算）。我们使用点质量物体和模拟机器人应用程序的概念验证示例来说明该方法。
2019-05-23 cs.RO
Reducing the Barrier to Entry of Complex Robotic Software: a MoveIt! Case Study
University of Colorado at Boulder（科罗拉多大学博尔德分校）；Google Inc.（谷歌公司）；SRI International（SRI国际）；Willow Garage, Inc.（Willow Garage公司）
开发与机器人无关的软件框架涉及到综合机器人理论和软件工程的不同领域，同时考虑到硬件设计和控制范例的巨大变化。随着机器人软件框架功能的增加，新用户的设置难度和学习曲线也会增加。如果在机器人上配置和使用软件的门槛太高，那么即使是最强大的框架也是无用的。在机器人软件工程中存在一种日益增长的需求，以帮助用户开始使用和定制特定机器人应用所需的软件框架。在本文中，一个案例研究，提出了最佳做法，发现降低准入门槛的MoveIt！框架，一个开源的工具，用于移动操作的ROS，使用户能够1）快速获得基本的运动规划功能与最小的初始设置，2）自动化其配置和优化，3）轻松定制其组件。一个图形界面，帮助用户配置MoveIt！是我们方法的基石，再加上使用现有的标准化机器人模型进行输入，自动生成机器人特定的配置文件，以及基于插件的架构进行扩展。这些最佳实践被总结为一组适用于其他机器人软件的进入壁垒设计原则。使用统计数据，用户调查，并与我们的设计目标，其有效性的用户进行比较，以降低进入壁垒的方法进行评估。
2014-04-15 cs.RO
Dynamic robotic cloth folding with efficient Koopman operator-based model predictive control
Istituto Italiano di Tecnologia（意大利技术研究院）；Institut de Robòtica i Informàtica Industrial（机器人与信息技术研究所）；MaLGa Center, DIBRIS, Università degli Studi di Genova（MaLGa中心，DIBRIS，热那亚大学）
本文提出了一种基于Koopman算子的模型预测控制方法，用于快速生成布料折叠轨迹，结合物理仿真和高效的核基Koopman算子回归，以提高折叠任务的效率和精度。
2026-05-18 cs.LG cs.RO math.DS
The Control Toolbox - An Open-Source C++ Library for Robotics, Optimal and Model Predictive Control
Agile & Dexterous Robotics Lab, ETH Zürich（苏黎世联邦理工学院敏捷与灵巧机器人实验室）
我们介绍了控制器（CT），一个开源的C++库，用于有效的建模，控制，估计，轨迹优化和模型预测控制。CT适用于广泛的一类动态系统，但功能接口，专门为机器人应用设计的建模工具。本文概述了工具箱的一般概念，其主要组成部分，并突出了选定的应用程序的例子。该库包含几个工具来设计和评估控制器，建模动态系统和解决最优控制问题。CT的目的是直观的建模系统由常微分或差分方程。它支持成本函数和约束的快速原型设计，并为不同的最优控制求解器提供标准接口。到目前为止，我们支持单次射击，迭代线性二次调节器，高斯-牛顿多重射击和经典的直接多重射击。我们提供接口的通用NLP求解器和基于Riccati的线性二次最优控制求解器。CT被设计为有效地解决大规模最优控制和估计问题，并允许动态系统的在线控制。实现快速运行时性能的一些关键特性是与自动微分、派生代码生成和多线程的完全兼容。尽管如此，CT被设计为模块化框架，其构建块也可以用于其他控制和估计应用，例如逆动态控制、扩展卡尔曼滤波器或运动规划。
2018-03-26 cs.RO math.OC
Learning-Guided Force-Feedback Model Predictive Control with Obstacle Avoidance for Robotic Deburring
LAAS-CNRS, Universite de Toulouse, CNRS, Toulouse, France（法国国家科学研究中心LAAS实验室，图卢兹大学，法国图卢兹）；Inria, AUCTUS team, Talence, France（法国国家信息与自动化研究所AUCTUS团队，法国塔朗斯）；Image and Pervasive Access Laboratory (IPAL), CNRS-UMI, 2955, Singapore（图像与普适接入实验室（IPAL），法国国家科学研究中心-国际联合实验室2955，新加坡）；Artificial and Natural Intelligence Toulouse Institute, France（图卢兹人工智能与自然智能研究所，法国）
本文提出结合力反馈MPC与扩散运动先验的框架，解决机器人去毛刺任务中力控制、碰撞避免和复杂运动的问题，通过实验验证其在工业场景下的可靠性与有效性。
2026-04-07 cs.RO
Domain-specific Hardware Acceleration for Model Predictive Path Integral Control
Univ Rennes（里昂大学）；Inria（法国国家信息与自动化技术研究院）；CNRS（法国国家科学研究中心）；IRISA（国际信息与自动化研究所）；UMR6074（法国国家科研机构联合研究单位6074）
本文提出了一种针对MPPI控制的定制硬件加速器，通过实验验证其在轨迹精度上优于基于GPU的实现。
2026-01-17 cs.AR cs.RO
Autonomous Tissue Manipulation via Surgical Robot Using Learning Based Model Predictive Control
组织操作是任何外科手术中经常使用的基本子任务，并且在某些情况下，它可能需要外科医生助理的参与。作为非结构化环境的软组织的复杂动力学是通过手术机器人系统对其进行自动化操纵的任何尝试的主要挑战之一。提出并研究了两种基于人工智能学习的采用视觉策略的模型预测控制算法：（1）强化学习和（2）从演示中进行示教学习。这些AI算法在仿真环境中的性能比较表明，从演示示教学习算法可以通过初始化给定演示的预测动态来提高学习策略。此外，示教学习算法在Raven IV手术机器人系统上实现，并使用实验方法成功地证明了所提出的算法的可行性。这项研究是一个深刻的愿景的一部分，其中外科医生的角色将被重新定义为一个纯粹的决策者，而绝大多数的操作将由手术机器人系统自主进行。补充视频可以在以下网站找到：http://bionics.seas.ucla.edu/research/surgeryproject17.html
2019-03-03 cs.RO
Simulation-Driven Evolutionary Motion Parameterization for Contact-Rich Granular Scooping with a Soft Conical Robotic Hand
OMRON SINIC X Corporation（欧姆龙SINIC X公司）；University of Groningen（格罗宁根大学）
本文提出一种基于仿真的进化运动参数化方法，用于通过柔性圆锥形机械手进行复杂颗粒抓取任务，通过仿真和真实机器人实验验证，实现了高效且通用的抓取性能。
2026-04-07 cs.RO
Neuromorphic quadratic programming for efficient and scalable model predictive control
School of Computation, Information, and Technology, Technische Universität München（慕尼黑工业大学计算、信息与技术学院）；Intel Labs（英特尔实验室）
针对边缘自主系统大型优化的实时低能耗需求，提出在Loihi 2芯片上求解凸二次规划的神经形态方法，用于ANYmal的MPC，能效延迟积较OSQP降两个数量级以上，验证了非冯架构的机器人控制优势。
2024-06-19 cs.ET cs.NE cs.RO
Deep Reinforcement Learning-Enhanced Event-Triggered Data-Driven Predictive Control for a 3D Cable-Driven Soft Robotic Arm
Mississippi State University（密西西比州立大学）；Michigan State University（密歇根州立大学）
提出一种强化学习自适应事件触发DeePC框架，通过训练RL策略决定何时调用优化器，在保持跟踪精度的同时减少计算开销，实验显示优化频率降低66%。
2026-06-29 cs.RO cs.SY eess.SY
Direct Data-Driven Predictive Control for a Three-dimensional Cable-Driven Soft Robotic Arm
Department of Agricultural & Biological Engineering, Mississippi State University（农业与生物工程系，密苏里州立大学）；Department of Mechanical Engineering, Michigan State University（机械工程系，密苏里州立大学）；Department of Electrical and Computer Engineering, Michigan State University（电气与计算机工程系，密苏里州立大学）
本文提出一种有效的数据驱动预测控制框架，用于三维缆驱动软机器人臂，通过奇异值分解实现降维，提升控制精度和鲁棒性。
2026-03-19 cs.RO cs.SY eess.SY
Model Predictive Control with Reference Learning for Soft Robotic Intracranial Pressure Waveform Modulation
Institute for Dynamic Systems and Control（动态系统与控制研究所）
本文提出基于参考学习的软机器人控制框架，通过MPC和BO算法实现颅内压波形的精确调节，实验表明其在跟踪误差和调节效率方面优于传统PID控制器。
2026-02-27 cs.RO cs.SY eess.SY
Predictive Processing in Cognitive Robotics: a Review
Universidad Nacional Autónoma de México（墨西哥国立自治大学）；Scuola Superiore Sant’Anna（圣安娜高等研究院）；National Research Council（国家研究委员会）；Humboldt-Universität zu Berlin（柏林洪堡大学）；Universidad Autónoma del Estado de Morelos（莫雷洛斯州自治大学）
预测加工已经成为认知科学中一个有影响力的框架。该框架颠覆了传统的感知观，认为信息处理的主要流程是以自上而下的分层方式实现的。此外，它旨在统一感知，认知和行动作为一个单一的推理过程。然而，在相关文献中，预测处理框架及其相关方案，如预测编码，主动推理，感知推理，自由能量原理，往往是互换使用。在认知机器人领域，没有明确区分哪些方案已经实施，以及在哪些假设下实施。在本文中，工作定义的主要目的是分析在预测处理框架下工作的认知机器人研究的最新发展，以及一些相关的非机器人模型。分析表明，首先，认知机器人实现和非机器人模型的研究需要扩展到研究如何将多个外感受模态集成到预测误差最小化方案中。其次，这里发现的一个相关区别是，认知机器人实现往往强调生成模型的学习，而在非机器人模型中几乎不存在。第三，尽管与主动推理相关，但很少有认知机器人实现研究控制周围的问题，以及它是否应该由本体感受预测的逆模型替代而产生。最后，有限的注意力已经放在精确加权和跟踪预测误差动态。这些机制有助于在预测处理框架下探索认知机器人研究中更复杂的行为和任务。
2021-01-22 cs.RO
Creation of a Modular Soft Robotic Fish Testing Platform
Soft Robotics Lab, ETH Zürich（苏黎世联邦理工学院软体机器人实验室）
软机器人设计和控制的协同优化研究需要快速的现实验证手段。现有的创建流水线不允许软体机器人的快速原型化以快速测试各种设计配置和控制策略。这项工作提出了一个管道的快速迭代设计和制造的小型化模块化硅橡胶为基础的机器鱼。模块化设计允许具有不同配置的机器鱼的简单且快速的迭代，以协助当前在设计优化方法的开发上的研究工作。拟议中的机器鱼可以作为一个标准化的测试平台，其上的性能指标，如推力和运动范围可以进行评估。我们进一步展示了水下评估装置的设计，能够测量输入压力，尾部变形和推力。多个机器鱼原型不同的刚度和内部气动室配置的制造和实验评估。所提出的柔性机器鱼模块化设计原理及其评估平台，为柔性机器鱼的高效开发提供了可能性，为今后的优化设计和水下探测研究提供了有益的参考。
2022-02-01 cs.RO cs.SY eess.SY
Model Predictive Path Integral Methods with Reach-Avoid Tasks and Control Barrier Functions
Toyota Motor North America R & D（丰田北美研发中心）
本文扩展了CBFkit工具箱，结合基于可达-避障代价的规划器与MPPI控制器，利用控制屏障函数在不确定环境下提供正式安全保证，支持多种机器人应用。
2024-07-18 cs.RO cs.SY eess.SY
Anthropomorphic Twisted String-Actuated Soft Robotic Gripper with Tendon-Based Stiffening
University of Nevada, Reno（内华达大学雷诺分校）
实现高性能的软机器人夹具是具有挑战性的，因为驱动它们的软致动器和人工肌肉的固有限制，包括低力输出，小致动范围和差的紧凑性。尽管在这一领域取得了进展，但实现具有高灵活性和力输出的紧凑型软夹持器仍然具有挑战性。本文探讨了扭绳驱动器（TSA）驱动软机器人手爪。TSA已用于许多机器人应用中，但其在软体机器人中的应用受到限制。夹具的设计灵感来自于人手。在具有拮抗性TSA的手指中实施可调刚度。手指的弯曲角度，驱动速度，阻止力输出，和刚度调谐的实验特征。该夹具在Kapandji测试中获得了6分，并重现了Feix GRASP分类的33次抓握中的31次。它表现出72 N的最大抓握力，这几乎是它自身重量的13倍。一项比较研究表明，与其他类似的软夹持器相比，所提出的夹持器表现出等同或更好的性能。
2022-09-22 cs.RO cs.SY eess.SY
Soft robotic suits: State of the art, core technologies and open challenges
ETH Zurich（苏黎世联邦理工学院）；University Hospital Balgrist（巴尔格里斯特大学医院）；University of Zurich（苏黎世大学）；Heidelberg University（海德堡大学）
可穿戴机器人正在经历一场颠覆性的转变，从80年代早期科幻小说中的刚性机器到轻量级机器人服装，几乎与我们的日常服装没有区别。在不到十年的发展中，软机器人服在人类运动辅助和增强方面取得了重要成果。在本文中，我们首先给出了一个定义的软机器人西装，并提出了一个分类现有的系统。然后，我们批判性地回顾了驱动模式，物理人机界面和意图检测策略的最先进的软机器人套装，突出不同方法的优点和局限性。最后，我们讨论了这种新技术对人类运动的影响，既增强了人体功能，又支持了运动障碍，并确定了需要进一步发展的领域。
2021-05-30 cs.RO cs.SY eess.SY
Elastica: A compliant mechanics environment for soft robotic control
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
软体机器人是出了名的难以控制。这部分是由于缺乏能够捕捉其复杂连续介质力学的模型，导致缺乏充分利用身体顺应性的控制方法。目前可用的仿真方法要么计算量太大，要么在物理假设上过于简单，导致用于开发此类控制方案的可用仿真资源匮乏。为了解决这个问题，我们引入了Elastica，这是一个免费的开源仿真环境，适用于可以弯曲，扭曲，剪切和拉伸的柔软细长杆。我们展示了Elastica如何与五种最先进的强化学习算法相结合，成功控制柔软、顺从的机器人手臂，完成日益具有挑战性的任务。
2020-09-17 cs.RO cs.SY eess.SY
Dual-Mode Synchronization Predictive Control of Robotic Manipulator
School of Mechanical and Electrical Engineering, Guangzhou University（广州大学机械与电气工程学院）；School of Automation, Guangdong University of Technology（广东工业大学自动化学院）
为了减小机器人末端执行器轨迹跟踪过程中的轮廓误差，提出了一种双模同步预测控制方法。首先，利用泰勒展开法对n-DoF机器人动力学模型进行离散化，构建了关节空间中关节误差与任务空间中轮廓误差之间的映射关系。其次，定义了关节空间中的同步误差和跟踪误差，并通过耦合系数推导出关节间的耦合误差。第三，提出了一种双模同步预测控制方法，并利用约束集条件保证了控制系统的稳定性。最后，数值仿真和实验结果表明，所提出的控制策略的有效性。
2021-10-27 cs.RO math.DS
Bioinspired Soft Robotics: state of the art, challenges, and future directions
University of Iowa（爱荷华大学）
本综述梳理了受生物启发的软机器人在驱动、功能、建模与控制领域的最新进展，指出人工肌肉等驱动技术、有限维建模的应用推动了领域发展，同时点明设计制造及控制方面仍存提升空间。
2023-12-19 cs.RO cs.SY eess.SY
Visuo-Tactile based Predictive Cross Modal Perception for Object Exploration in Robotics
BMW Group（宝马集团）；Imperial College of Science, Technology and Medicine（帝国理工学院）；Eindhoven University of Technology（埃因霍温理工大学）
提出视觉-触觉预测性跨模态感知框架，利用视觉先验和双滤波推动估计物体属性，并通过惊奇公式增强预测，在真实机器人实验中表现优越。
2024-05-23 cs.RO
Optimised Design and Performance Comparison of Soft Robotic Manipulators
Imperial College London（帝国理工学院）；Institut Teknologi Bandung（万隆理工学院）
软机器人操作器对于一系列应用是有吸引力的，例如在受限环境中的医疗干预或工业检查。在文献中已经提出了无数的软机器人操纵器，但它们的设计往往相对相似，并且通常提供相对低的力。这限制了它们可以携带的有效载荷，因此限制了它们的可用性。在通用框架下无法比较不同设计的力，并且设计具有不同的直径和特征，因此难以进行比较。在本文中，我们提出了一个软机器人机械手的设计，优化，以最大限度地提高其力量，同时尊重典型的应用限制，如尺寸，工作空间，有效载荷能力，和最大压力。这里提出的设计的优点是，它变形为最佳设计，因为它被加压以在不同的方向上移动，这导致更高的横向力。该机器人是使用一套原则设计的，因此可以适应其他应用。我们还提出了一个软机器人机械手的无量纲分析，我们应用它来比较这里提出的设计与文献中的其他设计的性能。我们表明，我们的设计有一个更高的力比其他设计在同一类别。实验结果证实了我们提出的设计更高的力。
2022-09-08 cs.RO cs.SY eess.SY
Model Predictive Wave Disturbance Rejection for Underwater Soft Robotic Manipulators
Institute for Integrated Micro and Nano Systems, University of Edinburgh（爱丁堡大学集成微纳系统研究所）；TU Delft（代尔夫特理工大学）
针对浅水波浪扰动下水下软体机械臂的精确控制问题，提出基于非线性模型预测控制并显式考虑波浪扰动的策略，在多种任务中使位置误差较基线降低达84%，为危险水域软体机械臂应用奠定基础。
2024-01-24 cs.RO cs.SY eess.SY
A Survey on Robotic Prosthetics: Neuroprosthetics, Soft Actuators, and Control Strategies
National Institute of Science Education and Research（国家科学教育与研究学院）
本文综述了机器人假肢领域，重点梳理神经假肢、软体执行器（如EAP、SMA、FFA）及控制策略的研究进展，并展望其未来发展方向。
2024-08-03 cs.RO cs.SY eess.SY
PDE-based Dynamic Control and Estimation of Soft Robotic Arms
University of Notre Dame（圣母大学）
与传统的刚体机器人相比，软体机器人不仅具有前所未有的适应性和灵活性，而且由于其具有无限的自由度，给机器人的建模和控制带来了新的挑战。大多数现有的方法主要依赖于近似模型，以便可以利用发展良好的有限维控制理论。然而，这可能会带来建模的不确定性和性能下降。因此，我们建议利用无限维分析软机器人系统。我们的控制设计是基于越来越多地采用Cosserat杆模型，它描述了软机器人手臂的运动学和动力学，使用非线性偏微分方程（PDE）。针对Cosserat偏微分方程模型，设计了无限维状态反馈控制律，实现了轨迹跟踪（包括位置、旋转、线速度和角速度），并证明了其一致跟踪收敛性.我们还设计了一个基于李群的无限维扩展卡尔曼滤波器，用于PDE系统的状态估计（包括位置、旋转、应变、曲率、线速度和角速度）。所提出的算法进行评估，使用模拟。
2022-09-20 cs.RO cs.SY eess.SY
Modeling and Control of an Omnidirectional Micro Aerial Vehicle Equipped with a Soft Robotic Arm
Swiss Federal Institute of Technology in Zürich (ETH Zürich)（苏黎世联邦理工学院）
飞行机械手是一种带有刚性机械臂的无人机，属于机器人技术中最新和最活跃的研究领域。这些臂的刚性性质通常在运动中缺乏顺应性、柔性和平滑性。这项工作提出使用一个软体机器人手臂连接到全向微型飞行器（OMAV），以利用手臂的顺应性和灵活性，同时保持可折叠和动态感谢全向无人机作为浮动基地。手臂与无人机的统一对这种组合平台的建模和控制提出了挑战;这些挑战通过这项工作得到了解决。我们提出了一个统一的模型，飞行机械手的基础上三个建模原则：分段常曲率（PCC）和增广刚体模型（ARBM）的假设建模软连续体机器人和浮动基地的方法借用传统的刚体机器人文学。为了证明这种参数化的有效性和实用性，实现了基于模型的分层反馈控制器。控制器进行了验证和评估，在模拟各种动态任务，零空间运动，干扰恢复和轨迹跟踪能力的平台进行检查和验证。柔性飞行机械手平台可以在空中施工、货物运输、人工辅助、维护和仓库自动化等方面开辟新的应用领域。
2021-11-04 cs.RO cs.SY eess.SY
