Runtime Learning of Quadruped Robots in Wild Environments
Engineering Technology Division, Wayne State University（韦恩州立大学工程技术系）；Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系）；School of Engineering and Design, Technical University of Munich（慕尼黑技术大学工程与设计学院）；School of Electrical Engineering and Computer Science, Washington State University（华盛顿州立大学电气与计算机科学学院）
本文提出四足机器人运行时学习框架，通过高性能DRL学生与高保证物理模型教师交互学习，在野外环境中实现安全自适应运动。
2025-09-19 cs.RO
Vector Detection Network: An Application Study on Robots Reading Analog Meters in the Wild
Northeastern University（东北大学）；The Chinese University of Hong Kong（香港中文大学）；T-Stone Robotics Institute（T-Stone机器人研究所）
配备有一个或多个指针的模拟仪表被广泛用于监控工业现场中的重要设备的状态以用于安全考虑。自主地读取这些传统仪表{ \bi}仍然是一个开放的问题，因为在野外施加的成像阻尼因子下估计指针原点和方向可能是具有挑战性的。然而，高精度，灵活性和实时性能的要求。在这项工作中，我们提出了矢量检测网络（VDN），以检测模拟仪表的指针给出他们的图像，消除障碍，自主读取这些仪表使用智能代理，如机器人。我们将指针处理为二维向量，其初始点与尖端重合，方向是沿着尾到尖端。该网络估计置信度图，其中峰值像素被视为向量的初始点，以及两层标量图，其在每个峰值处的像素值形成坐标轴方向上的标量分量。由于目前没有类似的数据集，我们建立了由真实世界模拟仪表图像组成的Pointer-10 K数据集来评估我们的方法。在数据集上的实验表明，我们的方法可以很好地推广到各种仪表，对苛刻的成像因素具有鲁棒性，并且可以实时运行。
2021-05-30 cs.RO
A Service Robot in the Wild: Analysis of Users Intentions, Robot Behaviors, and Their Impact on the Interaction
Dalle Molle Institute for Artificial Intelligence (IDSIA)（戴尔·莫勒人工智能研究所）
本文研究服务机器人通过预测用户意图并主动执行递送手势对交互的影响，基于1777名用户的真实世界数据发现主动发起交互能提高用户参与度，并公开数据集以促进复现。
2024-10-04 cs.RO
Masquerade: Learning from In-the-wild Human Videos using Data-Editing
Stanford University（斯坦福大学）
提出Masquerade方法，通过编辑真实世界第一人称人类视频（估计3D手部姿态、修复手臂、叠加渲染双臂机器人）弥合视觉具身差距，并利用编辑后的视频预训练视觉编码器、微调扩散策略头，在三个长时程双臂厨房任务中实现比基线高5-6倍的泛化性能。
2025-08-13 cs.RO
CLAMP: Crowdsourcing a LArge-scale in-the-wild haptic dataset with an open-source device for Multimodal robot Perception
Cornell University（康奈尔大学）；Horace Mann School（霍拉曼学校）
CLAMP通过开源设备收集大规模真实场景触觉数据集，训练多模态触觉编码器，实现材料识别和机器人操作任务的泛化能力。
2026-01-12 cs.RO
FeasibleCap: Real-Time Embodiment Constraint Guidance for In-the-Wild Robot Demonstration Collection
Tsinghua University（清华大学）
FeasibleCap通过实时执行性指导提升机器人自由捕捉的效率和成功率。
2026-03-08 cs.RO
Socially Assistive Robots as Decision Makers in the Wild: Insights from a Participatory Design Workshop
Tampere University（坦佩雷大学）
本文通过5场工作坊、30名参与者的参与式设计研究，探讨社交辅助机器人在野外环境中的决策场景，并提出5个有助于设计其决策系统的方向。
2023-04-18 cs.HC cs.RO
Perception-Aware Communication-Free Multi-UAV Coordination in the Wild
Department of Cybernetics, Czech Technical University in Prague（控制系，捷克技术大学）
本研究提出了一种无需通信的多无人机协同方法，利用3D激光雷达进行SLAM和障碍物检测，实现复杂环境中的安全导航。
2026-03-09 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
What Drives You to Interact?: The Role of User Motivation for a Robot in the Wild
CyberAgent；Osaka University（大阪大学）
通过在商场部署自主对话机器人并分析视频，研究识别了用户互动动机、站位与交互流畅度模式，表明动机感知设计可改善真实场景HRI体验。
2025-01-09 cs.HC cs.RO
Tracking Snake-like Robots in the Wild Using Only a Single Camera
University of California San Diego（加州大学圣地亚哥分校）
本文提出结合可微渲染与 Kalman filter 的单相机无标记跟踪方法，可在静止或移动相机下同时估计蛇形机器人位姿、关节角及不确定性。
2023-09-27 cs.RO
EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration
University of California, Berkeley（加州大学伯克利分校）；Tsinghua University（清华大学）
本文提出EgoHumanoid框架，通过结合大量眼示范数据和少量机器人数据共同训练视觉-语言-动作策略，使机器人能够执行多样化的现实环境中的移动- manipulation任务，实验表明无机器人数据显著提升了性能，尤其在未见过的环境中表现更优。
2026-06-04 cs.RO
Signal or 'Noise': Human Reactions to Robot Errors in the Wild
研究探讨了真实世界中人类对机器人错误的社会反应，发现社会信号在现实环境中丰富但嘈杂，为真实场景下的人机交互提供了新的见解。
2026-02-04 cs.HC cs.RO
EgoWalk: A Multimodal Dataset for Robot Navigation in the Wild
Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所）；Sber Robotics Center（Sber机器人中心）
本文提出EgoWalk数据集，包含50小时人类在多样化环境中的导航数据，提供多模态数据及自动化子集生成流程，展示其在机器人导航中的应用价值。
2026-04-19 cs.RO
Demonstrating Mobile Manipulation in the Wild: A Metrics-Driven Approach
Toyota Research Institute (TRI)（丰田研究所）
提出通用移动操作系统，在实际杂货店购物场景中进行为期18个月的六周现场测试，通过日志提取客观指标驱动系统改进，证明端到端系统级测试对机器人研究的现实检验价值。
2024-01-03 cs.RO
Learning robust perceptive locomotion for quadrupedal robots in the wild
Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）；Robotics and Artificial Intelligence Lab, KAIST（韩国科学技术院机器人与人工智能实验室）；Intelligent Systems Lab, Intel（英特尔智能系统实验室）
足式机器人能够在偏远和危险的环境中自主操作，这将大大增加对未开发地区进行勘探的机会。外感受性感知对于快速和节能的运动至关重要：在接触地形之前感知地形，可以提前规划和适应步态，以保持速度和稳定性。然而，利用外感受性感知的运动鲁棒性仍然是一个巨大的挑战，在机器人。雪、植被和水在视觉上看起来像是机器人无法踩到的障碍物，或者由于高反射率而完全消失。此外，深度感知可能会由于照明困难、灰尘、雾、反射或透明表面、传感器遮挡等而降低。出于这个原因，迄今为止，腿部运动的最稳健和最通用的解决方案仅依赖于本体感受。这严重限制了移动速度，因为机器人在相应地调整步态之前必须对地形进行物理感知。在这里，我们提出了一个强大的和一般的解决方案，整合外感受和本体感受的腿部运动的看法。我们利用一个基于注意力的递归编码器，它集成了本体感受和外感受输入。编码器经过端到端的训练，并学会无缝地结合不同的感知模式，而无需求助于机器学习。其结果是一个腿运动控制器具有高鲁棒性和速度。该控制器在多个季节的各种具有挑战性的自然和城市环境中进行了测试，并在推荐给人类徒步旅行者的时间内完成了阿尔卑斯山长达一小时的徒步旅行。
2022-01-20 cs.RO
DoorBot: Closed-Loop Task Planning and Manipulation for Door Opening in the Wild with Haptic Feedback
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对机器人在非结构化环境中开门泛化性差的问题，提出触觉感知的闭环分层控制框架，通过实时力反馈动态调整策略，在20扇未知门上实现90%成功率，为开放世界铰接物体操作提供支持。
2025-04-12 cs.RO
LeLaN: Learning A Language-Conditioned Navigation Policy from In-the-Wild Videos
University of California Berkeley（加州大学伯克利分校）；Toyota Motor North America（丰田汽车北美公司）
针对机器人需找到人类描述的任意物体的需求，提出LeLaN框架，利用大模型语义知识标注无标注无动作的真实场景视频数据训练导航策略，性能超现有最优方法且边缘推理速度达其4倍，并开源相关资源。
2024-10-04 cs.RO
Faulty Coffees: Barriers to Adoption of an In-the-wild Robo-Barista
Heriot-Watt University（赫瑞斯学院大学）；University of Edinburgh（爱丁堡大学）；CereProc Ltd.（CereProc有限公司）
研究通过在养老社区部署机器人咖啡师，探讨任务叙事对长期机器人交互影响，发现低重复互动、技术故障和社会动态等障碍影响实际应用。
2026-03-17 cs.RO
Recognizing Objects In-the-wild: Where Do We Stand?
TU Wien（维也纳技术大学）；Italian Institute of Technology（意大利理工学院）
识别物体的能力是机器人系统在人类居住环境中工作的基本技能。尽管机器人和视觉研究界几十年来一直在努力，但机器人仍然缺乏良好的视觉感知系统，这阻碍了自主智能体在现实世界中的应用。由于缺乏能够准确代表机器人在野外感知的世界的测试平台，进展缓慢。为了填补这一空白，我们引入了一个大规模的，多视图对象数据集收集与安装在移动机器人上的RGB-D相机。该数据集嵌入了机器人在现实应用中面临的挑战，并为验证对象识别算法提供了有用的工具。除了描述数据集的特征外，本文还评估了一系列成熟的深度卷积网络在新数据集上的性能，并分析了深度表示从Web图像到机器人数据的可移植性。尽管使用这种表示方法获得了有希望的结果，但实验表明，使用现实生活中的机器人数据进行对象分类远未解决。最后，我们提供了一个比较研究，分析和突出机器人视觉的开放性挑战，解释性能的差异。
2018-05-22 cs.CV cs.RO
Text Detection & Recognition in the Wild for Robot Localization
University of Waterloo（滑铁卢大学）
标识无处不在，机器人应该能够利用标识来帮助它定位（包括视觉位置识别（VPR））和地图。由于姿态、不规则文本、光照和遮挡等因素，在野外进行鲁棒的文本检测和识别具有挑战性。我们提出了一个端到端的场景文本定位模型，同时输出的文本字符串和边界框。该模型更适合于VPR。我们的主要贡献是引入了一个端到端的场景文本定位框架，以充分捕捉不规则和遮挡的文本区域在不同的挑战性的地方。为了评估我们提出的架构的VPR的性能，我们进行了几个具有挑战性的自我收集的文本位置（SCTP）基准数据集的实验。初步的实验结果表明，该方法优于SOTA方法的精度和召回方面测试时，在这个基准。
2022-05-19 cs.CV cs.RO
GrandTour: A Legged Robotics Dataset in the Wild for Multi-Modal Perception and State Estimation
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）；UC Berkeley（伯克利大学）；Oxford University（牛津大学）
GrandTour数据集为多模态感知与状态估计提供了大规模野外腿式机器人数据，支持SLAM和高精度状态估计的研究与开发。
2026-07-09 cs.RO
Robot Operating System Compatible Mobile Robots for Education and Research
Inovasyon Muhendislik Ltd. Sti.（创新工程有限公司）；Research and Development Department（研发部门）
近年来，移动机器人的使用不可避免地增加了。生产该领域产品的公司的增加，机器人领域研究的普及以及服务于许多不同领域的技术能力都表明了这种使用的增加。移动机器人在医疗、教育、生产、物流、国防工业和航天装备等方面的重要性越来越突出。事实上，机器人教育可以减少到一个非常年轻的年龄，生产和编码简单的机器人，易于访问的部分也是这个领域的一个重要因素。在这一点上，教育机器人对机器人技术传播的影响是不可否认的。
2020-12-23 cs.RO
ROS-Mobile: An Android application for the Robot Operating System
University of Luebeck（吕贝克大学）
控制和监控复杂的自主和半自主机器人系统是一项具有挑战性的任务。Robot操作系统（ROS）是作为一个运行在Ubuntu Linux上的机器人中间件系统而开发的，它允许硬件抽象、各个进程之间的消息传递和包管理。然而，缺少对移动设备（如智能手机或平板电脑）的ROS应用程序的主动支持。我们为Android开发了一个ROS应用程序，它带有一个直观的用户界面，用于控制和监控机器人系统。我们的开源贡献可以用于各种各样的任务和许多不同类型的机器人。此外，它可以很容易地定制和添加新功能。在本文中，我们给出了一个大纲的软件架构，主要功能，并显示了一些可能的用例在不同的移动机器人系统。
2020-11-05 cs.RO
Parkour in the Wild: Learning a General and Extensible Agile Locomotion Policy Using Multi-expert Distillation and RL Fine-tuning
Robotic Systems Lab, ETH Zurich（机器人系统实验室，苏黎世联邦理工学院）；NVIDIA Switzerland（英伟达瑞士）
针对足式机器人现有控制方法在非结构化环境泛化性差的问题，提出多专家蒸馏结合RL微调的敏捷运动框架，经多阶段训练与真实机器人部署验证，显著提升多地形技能整合性能，设定足式机器人运动新基准。
2025-05-16 cs.RO
iTeach: In the Wild Interactive Teaching for Failure-Driven Adaptation of Robot Perception
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
iTeach通过故障驱动的交互教学框架，实现机器人感知在真实环境中的自适应。该方法通过人类与物体的短时交互暴露信息配置，结合少量样本进行迭代微调，提升分割性能和抓取成功率。
2026-09-30 cs.RO
ManiWAV: Learning Robot Manipulation from In-the-Wild Audio-Visual Data
Stanford University（斯坦福大学）；Columbia University（哥伦比亚大学）；Toyota Research Institute（丰田研究所）
针对机器人操作中音频数据来源受限的问题，提出ManiWAV音视频采集设备与对应策略接口，从真实场景人类演示学习操作策略，可完成多类接触任务并泛化到新环境。
2024-11-04 cs.AI cs.CV cs.RO
AirExo: Low-Cost Exoskeletons for Learning Whole-Arm Manipulation in the Wild
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）；School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械与动力工程学院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出低成本便携双臂外骨骼 AirExo，用于遥操作与大规模野外示范采集，并证明少量遥操作数据结合丰富野外数据可学习更鲁棒的整臂操作策略。
2024-05-09 cs.RO
VidBot: Learning Generalizable 3D Actions from In-the-Wild 2D Human Videos for Zero-Shot Robotic Manipulation
Technical University of Munich（慕尼黑工业大学）；ETH Zürich（苏黎世联邦理工学院）；Microsoft（微软公司）
VidBot利用野外人类视频学习3D可供性，通过从粗到细的模型生成交互轨迹，实现零样本机器人操作，在13个任务中显著优于现有方法。
2025-03-27 cs.CV cs.RO
Into the Wild: When Robots Are Not Welcome
School of Computing Science, University of Glasgow（格拉斯哥大学计算科学学院）；Division of Speech, Music and Hearing, KTH Royal Institute of Technology（皇家理工学院语音、音乐与听觉系）；School of Critical Studies, University of Glasgow（格拉斯哥大学批判研究学院）
针对社交机器人在公共场所部署面临利益相关者反对等问题，本文报告其在学生服务中心、难民临时服务点的部署困难及最终通过赢得工作人员信任完成部署的过程，为相关场景提供实践参考。
2025-08-20 cs.HC cs.RO
SemRob: Towards Semantic Stream Reasoning for Robotic Operating Systems
Technical University of Berlin（柏林工业大学）；Dell Technologies（戴尔科技）；Fraunhofer Institute for Open Communication Systems（弗劳恩霍夫开放通信系统研究所）
流处理和推理在物联网、工业物联网和智慧城市等各种应用领域中得到了相当大的关注。与此同时，推理和基于知识的功能吸引了机器人许多领域的研究，如机器人映射，感知和交互。为此，语义流推理（SSR）框架可以将符号/语义流的表示与深度神经网络统一起来，以将高维数据流（如视频流和LiDAR点云）与传统的图形或关系流数据集成在一起。因此，这个定位和系统的文件将概述我们的方法来建立一个平台，以促进语义流推理功能的机器人操作系统称为SemRob。
2022-01-27 cs.RO
Human-to-Robot Imitation in the Wild
Carnegie Mellon University（卡内基梅隆大学）
我们通过观察野外的人类来探讨学习的问题。虽然模仿和强化学习中的传统方法在现实世界中的学习中很有前途，但它们要么是样本效率低下，要么局限于实验室环境。与此同时，在处理被动的、非结构化的人类数据方面取得了很多成功。我们建议通过一个有效的一次性机器人学习算法来解决这个问题，该算法以第三人称视角为中心。我们称这种方法为WHIRL：在野外模仿人类的机器人学习。WHIRL提取了一个优先于人类演示者的意图，使用它来初始化我们的代理的策略。我们介绍了一个有效的现实世界的策略学习计划，提高使用的互动。我们的主要贡献是一个简单的基于采样的策略优化方法，一个新的目标函数对齐人类和机器人的视频，以及探索方法，以提高样本效率。我们展示了在现实世界中的一次性泛化和成功，包括野外20种不同的操作任务。视频和谈话https://human2robot.github.io
2022-07-19 cs.AI cs.CV cs.LG
Towards Unified Interactive Visual Grounding in The Wild
ByteDance Research（字节跳动研究院）
本文提出端到端交互式视觉定位系统TiO，通过统一视觉对话与定位的公式化方法，在公开数据联合训练下实现卓越泛化能力，并在GuessWhat?!和InViG基准及真实机器人平台上取得新高成功率。
2024-02-18 cs.RO
AuthROS: Secure Data Sharing Among Robot Operating Systems Based on Ethereum
Hainan University（海南大学）；The Hong Kong University of Science and Technology（香港科技大学）
机器人操作系统（ROS）简化了人工流程，提高了各种生产任务的效率。然而，ROS中数据传输操作的安全性还不成熟。多个机器人之间的安全数据交换是一个重要的问题。本文提出了\textit{AuthROS}，一种基于以太坊区块链的安全数据共享方法，用于机器人通信。它是一个ROS节点授权系统，能够确保任何规模的ROS节点之间私有数据流的不变性和安全性。为了确保数据安全，AuthROS采用智能合约进行权限授予和识别，基于SM2的密钥交换和基于SM4的明文加密技术。此外，我们部署了一个数据摘要上传技术，以优化数据查询和上传性能。最后，实验结果表明，AuthROS具有很强的安全性，时间性能和节点伪造的情况下，数据应该被记录和机器人需要保持不动。
2022-11-17 cs.RO
Real-World Modeling of a Pathfinding Robot Using Robot Operating System (ROS)
University of Central Florida（中佛罗里达大学）
本文提出了一种实用的方法实现路径查找算法在现实世界和低成本的非商业硬件平台。当使用机器人仿真平台作为我们算法的测试平台时，我们很容易忽略由外部因素发展的现实世界的外生问题。这些问题涉及机器人轮打滑、异步电机、异常传感数据或不稳定的电源。现实世界的动态往往是非常痛苦的，即使是执行简单的算法，如波阵面规划器或A星搜索。本文讨论的设计技术，往往是强大的，以及可重用的任何硬件平台，涵盖的问题，如控制异步驱动器，里程计偏移问题和处理异常的感觉反馈。算法实现介质和硬件设计工具一直保持一般，以目前我们的工作作为一个服务平台，为未来的研究人员和机器人爱好者在路径规划机器人领域的工作。
2018-02-27 cs.RO
Robots in the Wild: Contextually-Adaptive Human-Robot Interactions in Urban Public Environments
Design Lab, The University of Sydney（悉尼大学设计实验室）；The Australian Centre for Robotics, The University of Sydney（悉尼大学澳大利亚机器人中心）；Faculty of Arts and Social Sciences, The University of Sydney（悉尼大学文学与社会科学学院）
本文提出一个为期半天的 OzCHI 研讨会，探讨城市公共环境中情境自适应 HRI 的设计挑战与协作网络。
2024-12-10 cs.HC cs.RO
WildFusion: Multimodal Implicit 3D Reconstructions in the Wild
Duke University（杜克大学）
本文提出WildFusion，融合LiDAR、RGB、接触声学、触觉与IMU信号构建连续隐式3D场景表征，并在森林腿足机器人导航实验中提升可通行性预测与路线选择。
2024-09-30 cs.MM cs.RO eess.SP
Experience Recommendation for Long Term Safe Learning-based Model Predictive Control in Changing Operating Conditions
Dynamic Systems Lab（动态系统实验室）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
学习将机器人控制性能的前沿推向了新的高度，使机器人能够在以前无法想象的条件下以高性能运行。然而，大多数工作都假设未知部分是静态的或缓慢变化的。这就限制了他们在静态或缓慢变化的环境中工作。然而，在现实世界中，机器人可能会经历各种未知的条件。本文提出了一种方法来扩展现有的单模式GP为基础的安全学习控制器学习越来越多的非线性模型的机器人动力学。我们表明，这种方法使机器人能够重新使用过去的经验，从大量以前访问的操作条件，并安全地适应时，遇到一个新的和不同的操作条件。这使得机器人能够在无需提前指定的大量操作条件下实现安全性和高性能。我们的方法独立于控制器运行，不施加额外的计算时间的控制回路上，无论以前的操作条件考虑的数量。我们证明了我们的方法的有效性，在实验上的900\，kg的地面机器人与物理和人为的变化，其动力学。我们所有的实验都是使用视觉定位进行的。
2018-03-11 cs.RO
Reinforcement Learning from Wild Animal Videos
LAAS-CNRS；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）；Artificial and Natural Intelligence Toulouse Institute（图卢兹人工与自然智能研究所）
本文提出RLWAV方法，通过训练视频分类器识别野生动物视频中的动作，并以分类分数为奖励训练多技能策略，实现四足机器人在无参考轨迹下学习行走、跳跃等技能。
2024-12-05 cs.CV cs.LG cs.RO
AirExo-2: Scaling up Generalizable Robotic Imitation Learning with Low-Cost Exoskeletons
Shanghai Jiao Tong University（上海交通大学）；Noematrix；Shanghai Innovation Institute（上海创新研究院）
针对现实机器人模仿学习中演示数据收集的效率与成本问题，提出低成本外骨骼系统AirExo-2用于大规模野外数据收集，并设计适配器转换数据，结合RISE-2策略提升域内及泛化性能，性能可媲美遥操作数据训练结果。
2025-08-25 cs.RO
Autonomous Navigation with Mobile Robots using Deep Learning and the Robot Operating System
Imperial College London（帝国理工学院）；AIOZ Ltd.（AIOZ有限公司）
自主导航是机器人研究的一个长期领域，它为移动机器人提供了一种基本的能力，使其能够在人类日常执行的相同环境中执行一系列任务。在本章中，我们提出了一套算法，训练和部署深度网络的自主导航的移动机器人使用机器人操作系统（ROS）。我们描述了解决这个问题的三个主要步骤：i）使用ROS和Gazebo在模拟环境中收集数据; ii）设计用于自主导航的深度网络; iii）在模拟和现实世界中的移动机器人上部署学习策略。从理论上讲，我们提出了深度学习架构，用于在正常环境中进行鲁棒导航（例如，人造房屋、道路）和复杂环境（例如，倒塌的城市或天然洞穴）。我们进一步表明，使用视觉模态，如RGB，激光雷达和点云是必不可少的，以提高移动机器人的自主性。我们的项目网站和演示视频可以在https://sites.google.com/site/autonomousnavigationros上找到。
2020-12-07 cs.RO
Robot-Powered Data Flywheels: Deploying Robots in the Wild for Continual Data Collection and Foundation Model Adaptation
Stanford University（斯坦福大学）；Toyota Research Institute（丰田研究机构）
机器人驱动的数据飞轮通过部署机器人收集真实世界数据，提升基础模型在复杂环境中的适应能力，减少人工干预并提高多语言OCR性能。
2025-11-24 cs.AI cs.RO
Estimating Achievable Range of Ground Robots Operating on Single Battery Discharge for Operational Efficacy Amelioration
Aalto University（阿尔托大学）；Japan Adv. Institute of Sc. & Tech. (JAIST)（日本北陆先端科学技术大学院大学）；Texas A&M University（得克萨斯农工大学）
移动机器人越来越多地被用于协助积极的追求和执法。这种任务的一个主要限制是分配给机器人的资源（电池）。诸如躲避者的性质和敏捷性、正在进行追击的地形、合理的穿越速度和要收集的必要数据量等因素都会影响机器人在野外的持续时间以及它可以行驶的距离。在本文中，我们开发了一个分析模型，分析了安装在机器人上的各种组件的能量利用率，以估计机器人在单个电池放电时可实现的最大操作范围。我们将能源的主要消费者分为：1。辅助机器人功能，如计算、通信、传感等，和2中所示。）这两种消耗装置都从共同的动力源获取动力，但是可实现的范围在很大程度上受可用于操纵的动力的比例的影响。对于这种情况下的研究，我们进行了实验与真实的机器人在平面和梯度表面，并评估每种情况下的估计误差。
2018-11-07 cs.RO
Cross-Modal Benchmarking for Robotic Perception in Natural Environments
CSIRO Robotics, CSIRO, Australia（CSIRO机器人研究所，CSIRO，澳大利亚）；University of Sydney (USyd), Australia（悉尼大学（USyd），澳大利亚）；Queensland University of Technology (QUT), Australia（昆士兰理工大学（QUT），澳大利亚）
针对自然环境中机器人感知的挑战，提出WildCross跨模态基准，用于大规模自然场景下的地点识别和度量深度估计，并扩展了度量深度估计实验。
2026-06-11 cs.CV cs.RO
Trust and Acceptance of Multi-Robot Systems "in the Wild". A Roadmap exemplified within the EU-Project BugWright2
CNRS（法国国家科学研究中心）；Georgia Institute of Technology（佐治亚理工学院）；Trier University（特里尔大学）；GeorgiaTech Lorraine（佐治亚理工洛林分校）
本文基于欧盟BugWright2项目经验，提出通过构建更新共享心智模型、配套相关策略与合理UI来校准多机器人系统信任度的路线图，聚焦船舶检测维护场景。
2023-12-13 cs.HC cs.RO
Experimental Evaluation of a Hierarchical Operating Framework for Ground Robots in Agriculture
Australian Centre for Field Robotics（澳大利亚现场机器人中心）；University of Sydney（悉尼大学）
为了使移动机器人有效地应用于现实世界的非结构化环境（如大规模农业），它们需要能够生成自适应计划，这些计划既要考虑有限的机载资源，又要考虑动态变化的存在，包括附近移动的个人。这项工作提供了一个真实世界的经验评估，我们提出的分层框架，长期自主的领域机器人，进行悉尼大学的Swagbot农业机器人平台。我们展示了框架以有效的方式导航非结构化和动态环境的能力，验证了其在大规模农业中的长期部署，以及在移动个体存在的情况下自主除草等任务。
2021-05-23 cs.RO
WildOS: Open-Vocabulary Object Search in the Wild
Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；Swiss Federal Institute of Technology（瑞士联邦理工学院）；ETH Zürich（苏黎世联邦理工学院）；FieldAI Inc.（FieldAI公司）；Stanford University（斯坦福大学）；University of California Berkeley（加州大学伯克利分校）
WildOS通过结合安全几何探索与语义视觉推理，实现野外环境中的开放词汇物体搜索，显著提升导航效率和自主性。
2026-11-02 cs.CV cs.RO
OpenRoACH: A Durable Open-Source Hexapedal Platform with Onboard Robot Operating System (ROS)
University of California Berkeley（加利福尼亚大学伯克利分校）；University of California Riverside（加利福尼亚大学河滨分校）
OpenRoACH是一个15厘米200克的独立六足机器人，带有板载单板计算机。据我们所知，它是最小的足式机器人人与运行机器人操作系统（ROS）板载的能力。该机器人是完全开源的，使用可访问的材料和现成的电子元件，可以用台式快速原型机器（如激光切割机和3D打印机）制造，并且可以在两个小时内由一个人组装。它的传感能力已经过陀螺仪、加速度计、信标传感器、彩色视觉传感器、行扫描传感器和摄像机的测试。它的成本很低，包括结构材料、电机、电子设备和电池，价格在150美元以内。OpenRoACH的能力通过多表面行走和跑步、24小时连续行走老化、携带200克动态有效载荷和800克静态有效载荷以及基于摄像机反馈的ROS转向控制来展示。与机械设计、制造、装配、电子和控制算法相关的信息和文件都可以在https://wiki.eecs.berkeley.edu/biomimetics/Main/OpenRoACH上公开获得。
2019-03-01 cs.RO
From the Desks of ROS Maintainers: A Survey of Modern & Capable Mobile Robotics Algorithms in the Robot Operating System 2
Samsung Research（三星研究院）；Locus Robotics（Locus机器人公司）；Metro Robots（Metro机器人公司）；Cobalt Robotics（Cobalt机器人公司）
本文由核心 ROS Navigation 维护者撰写，全面回顾并分析了 ROS 2 中最先进的机器人导航算法与系统，涵盖新框架、方法对比及专家见解，并对该生态系统的未来发展进行了展望。
2023-07-31 cs.RO
WildLMa: Long Horizon Loco-Manipulation in the Wild
UC San Diego（加州大学圣地亚哥分校）；MIT（麻省理工学院）
WildLMa 面向四足机器人在真实环境中的长时程移动操作，结合 VR 遥操作底层控制、可泛化视觉运动技能库和 LLM 技能规划接口，以少量演示实现跨物体泛化并验证了清理、关节操作等实际任务。
2025-03-08 cs.CV cs.LG cs.RO
The Bridge between Xsens Motion-Capture and Robot Operating System (ROS): Enabling Robots with Online 3D Human Motion Tracking
Istituto Italiano di Tecnologia（意大利技术研究院）
本文提出将 Xsens 惯性动作捕捉系统的 3D 运动学数据转换为 ROS 消息并生成 URDF 模型，通过发布 xsens_mvn_ros 软件包，实现了机器人在 RViz 中对在线 3D 人体运动的追踪与可视化。
2023-06-30 cs.RO
Developing Flying Explorer for Autonomous Digital Modelling in Wild Unknowns
College of Civil Aviation, Nanjing University of Aeronautics and Astronautics（南京航空航天大学民航学院）；College of Engineering, South China Agriculture University（华南农业大学工程学院）
本文提出面向野外未知环境的自主数字建模方法，通过最小代价多路径规划与AREX系统实现高效探索和鲁棒定位建图。
2023-12-29 cs.RO
RoboSync: Efficient Real-Time Operating System for Social Robots with Customizable Behaviour
University of Waterloo（滑铁卢大学）
针对传统机器人系统实现复杂、HRI开发者使用门槛高的问题，本文提出模块化多级抽象的实时操作系统RoboSync，降低定制情感行为模型的技术要求，同时保障实时性与适应性，经CortexM4测试验证了其在轻量化社交机器人场景的应用潜力。
2023-12-13 cs.RO
Joint-Aligned Latent Action: Towards Scalable VLA Pretraining in the Wild
Peking University（北京大学）；Renmin University of China（中国人民大学）；BeingBeyond
JALA通过联合对齐的潜在动作预训练框架，提升从人类数据中大规模预训练视觉-语言-动作模型的效率与性能。
2026-02-25 cs.RO
