From Social Reasoning to Embodied Interaction: An Agentic Framework for Social Robots
ShanghaiTech University(上海科技大学);InstAdapt
提出ARISE框架,在Sophia人形机器人上统一社会推理与具身交互,通过多模态理解、记忆和流式执行实现自然协调的社交行为,显著提升交互质量并降低延迟。
2026-10-06 cs.RO
Human-Robot Interaction in GenAI Architectures via the Agent-Client Protocol
Machine Perception and Intelligent Robotics Group (MAPIR-UMA), Malaga Institute for Mechatronics Engineering and Cyber-Physical Systems (IMECH.UMA), University of Malaga(机器感知与智能机器人组(MAPIR-UMA),马拉加机电一体化工程与网络物理系统研究所(IMECH.UMA),马拉加大学)
研究针对GenAI推动下机器人架构中HRI层碎片化问题,提出采用代理-客户端协议(ACP),结合MCP构建三层解耦架构,消除架构依赖,支持异构界面,提供协作HRI能力,经实验验证了架构的互操作性和实时人在回路工作流程。
2026-07-17 cs.RO
EmoACT: a Framework to Embed Emotions into Artificial Agents Based on Affect Control Theory
Università degli studi di Genova(热那亚大学)
本研究开发了基于情感控制理论(ACT)的平台无关框架EmoACT,将其在人形机器人中实现,发现情感展示频率影响用户感知,恰当表达可增强机器人的情感与认知能动性,提升人机交互效果。
2025-04-16 cs.RO
ARIS: Agentic and Relationship Intelligence System for Social Robots
Monash University(墨尔本大学)
ARIS通过整合多模态推理、图基社会世界模型和检索增强生成技术,提升社交机器人在多轮交互和社会关系推理中的能力,实验显示其在智能感知和用户亲和力方面表现更优。
2026-05-01 cs.RO
LEO-RobotAgent: A General-purpose Robotic Agent for Language-driven Embodied Operator
Zhejiang University, Hangzhou 310000, P. R. China(浙江大学,杭州310000,中华人民共和国)
本文提出LEO-RobotAgent框架,旨在通过语言驱动实现机器人在复杂场景中完成多样化任务,具备强泛化能力、鲁棒性和高效性,降低人机交互门槛。
2026-04-15 cs.RO
Robotic Agentic Platform for Intelligent Electric Vehicle Disassembly
Department of Computer Science, University of Colorado, Boulder(科罗拉多大学博尔德分校计算机科学系)
本文提出RAPID平台,通过感知驱动操作、灵活自动化和AI辅助机器人编程,解决电动汽车电池包拆解的自动化问题,实验评估了三种快拆策略并引入代理AI规范以提升人机协作效率。
2026-10-28 cs.RO
Personalized Behaviour Models: A Survey Focusing on Autism Therapy Applications
Hochschule Bonn-Rhein-Sieg(波恩-莱茵-锡格应用技术大学)
患有自闭症谱系障碍的儿童发现机器人比人类更容易沟通。因此,机器人已被引入自闭症治疗。然而,由于环境的复杂性,使用的机器人往往必须手动控制。这是这种系统的显著缺点,并且需要使它们更加自主。特别是,机器人应该解释儿童的状态,并根据治疗中儿童的行为不断调整其行动。本调查详细阐述了不同形式的个性化机器人行为模型。从人与机器人交互领域的各种方法,以及儿童与机器人交互,进行了讨论。目的是比较它们的缺陷,在真实场景中的可行性,以及自闭症特定机器人辅助治疗的潜在可用性。机器人在治疗游戏期间学习适当的交互策略的算法的一般挑战是增加机器人的自主性,从而为机器人的决策提供基础。
2022-05-18 cs.RO
Intelligent Agent-Based Stimulation for Testing Robotic Software in Human-Robot Interactions
University of Bristol(布里斯托大学);University of the West of England(西英格兰大学)
机器人软件测试的挑战超出了传统的软件测试。需要为并发运行的多个程序和硬件生成有效、真实和有趣的测试,并将其部署到有人员的动态环境中。我们调查使用的信念-欲望-意图(BDI)代理作为测试生成模型,在域中的人-机器人交互(HRI)的模拟。这些模型提供了合理的代理,因果关系和推理机制,用于规划,模拟智能和自适应机器人,以及由人类指导的智能测试环境。我们引入了强化学习(RL),使用基于覆盖反馈的奖励函数来自动探索BDI模型。我们的方法进行评估,使用协同制造的例子,在测试中的机器人软件是间接刺激通过一个模拟的人类同事。我们得出结论,BDI代理提供了直观的模型,在HRI域的测试生成。我们的研究结果表明,RL可以完全自动化BDI模型探索,导致非常有效的覆盖导向测试生成。
2016-07-13 cs.RO cs.SE
Comparing Self-Disclosure Themes and Semantics to a Human, a Robot, and a Disembodied Agent
University of Cambridge(剑桥大学);ETH Zürich(苏黎世联邦理工学院)
本研究通过分析参与者向人类、人形机器人和无实体智能体自我表露的对话数据,发现不同具身形式下主题分布和语义结构高度一致,表明人们在自我表露中保持稳定的主题焦点和语义表达。
2025-04-08 cs.HC cs.RO
Your Robot Will Feel You Now: Empathy in Robots and Embodied Agents
School of Computing Science, Simon Fraser University(计算科学学院,西蒙弗雷泽大学);School of Interactive Arts and Technology, Simon Fraser University(交互艺术与技术学院,西蒙弗雷泽大学)
本文综述了人类机器人交互和具身对话代理领域中共情行为和模型的研究,探讨如何将这些经验应用于当今基于语言的代理系统。
2026-02-12 cs.AI cs.CV cs.RO
Human-Robot Interaction in a Shared Augmented Reality Workspace
UCLA Center for Vision, Cognition, Learning, and Autonomy (VCLA)(加州大学洛杉矶分校视觉、认知、学习与自主中心(VCLA))
我们设计和开发了一个新的共享增强现实(AR)工作空间的人机交互(HRI),它建立了一个双向的人类代理和机器人之间的通信。在原型系统中,共享的AR工作空间实现了共享感知,因此物理机器人不仅可以在自己的视图中感知虚拟元素,还可以通过感知人类代理的凝视和姿势来推断人类代理的效用-在AR中感知和交互所需的成本。这种新的HRI设计还提供了共享操作,其中物理机器人可以作为主动代理控制和更改AR中的虚拟对象;至关重要的是,机器人可以主动与人类代理交互,而不是纯粹被动地执行接收到的命令。在实验中,我们设计了一个资源收集游戏,定性地演示了机器人如何感知,处理和操纵AR和定量评估HRI的功效使用共享的AR工作空间。我们进一步讨论了该系统如何可能有利于未来的HRI研究,否则具有挑战性。
2020-12-09 cs.HC cs.RO
MistyPilot: Enabling Social-Robot Control through Multi-Agent LLM Skill Orchestration
State University of New York at Buffalo(纽约州立大学布法罗分校)
该研究提出多智能体大语言模型框架MistyPilot,可解释自然语言指令并编排Misty社交机器人技能,经评估其在多项任务上准确率高、方差低,用户反馈积极,代码将公开。
2026-08-18 cs.AI cs.RO
Augmented Reality and Robotics: A Survey and Taxonomy for AR-enhanced Human-Robot Interaction and Robotic Interfaces
University of Calgary(卡尔加里大学);University College London(伦敦大学学院)
本文基于对460篇研究论文的调查,对增强现实和机器人技术进行了分类。增强和混合现实(AR/MR)已经成为增强人机交互(HRI)和机器人接口(例如,致动的和形状改变的界面)。最近,越来越多的HCI、HRI和机器人研究已经证明了AR如何实现人与机器人之间更好的交互。然而,研究往往仍然集中在个人的探索和关键的设计策略,研究问题很少进行系统的分析。在本文中,我们综合和分类这一研究领域在以下方面:1)增强现实的方法; 2)机器人的特点; 3)目的和好处; 4)分类的信息; 5)设计组件和策略的视觉增强; 6)交互技术和方式; 7)应用领域;和8)评估策略。我们制定了关键的挑战和机遇,以指导和通知未来的研究在AR和机器人。
2022-03-07 cs.CV cs.HC cs.RO
Likable or Intelligent? Comparing Social Robots and Virtual Agents for Long-term Health Monitoring
TH Köln - University of Applied Sciences(科隆应用技术大学);Cologne Cobots Lab(科隆协作机器人实验室)
本研究通过八周家庭实验比较社交机器人与虚拟代理在老年人长期健康监测中的表现,发现机器人更可爱而虚拟代理更智能,为相关研究奠定基础。
2025-02-21 cs.HC cs.RO
Analyzing Reluctance to Ask for Help When Cooperating With Robots: Insights to Integrate Artificial Agents in HRC
Interactive Robotics Group, Massachusetts Institute of Technology(麻省理工学院交互机器人组);Department of Aeronautics and Astronautics(航空与航天系);Department of Autonomous and Intelligent Systems(自主与智能系统系);Faculty of Informatics, UPV/EHU(信息学院)
本研究通过人机协作装配任务的用户研究,分析人类求助行为及对不同类型辅助智能体与援助方式的看法,为未来用户辅助智能体设计提供关键参考。
2025-09-01 cs.HC cs.RO
Designing a minimalist socially aware robotic agent for the home
Indiana University(印第安纳大学);Instituto Gulbenkian de Ciencia(古尔本基安科学研究所)
我们提出了一个极简的社会机器人,依赖于长时间序列的低分辨率数据,如机械振动,温度,照明,声音和碰撞。我们的目标是开发一个实验系统,用于培养社会定位的机器人代理人,其行为库被空间的社会秩序所包含。为了实现这一目标,我们正在设计机器人,这些机器人使用简单的传感器和运动反馈程序来识别不同类别的人类活动,然后将每个类别与一系列适当的行为相关联。我们使用Katie系列机器人,构建在iRobot Create平台上,Arduino Uno和Raspberry Pi。我们描述了它的传感器的能力和探索性的测试,使我们能够开发什么样的对象(传感器数据)对应于已知的和可观察的人类受试者的假设。我们使用机器学习方法对来自100多个实验的三种社交场景进行分类,证明使用我们的极简机器人的低分辨率传感器可以高精度地检测社交场景。
2014-06-26 cs.HC cs.RO
Why robots? A survey on the roles and benefits of social robots in the therapy of children with autism
National University of Singapore(新加坡国立大学);Ministry of Education, Singapore(新加坡教育部)
本文综述了社会互动机器人的使用,以协助自闭症儿童的治疗。研究人员调查了机器人在帮助儿童解决社交、情感和沟通缺陷方面的成功程度。儿童与机器人的互动进行了仔细审查,就不同的目标行为,是从一个孩子在治疗过程中引起的。这些行为是根据孩子的发展需要进行彻底检查的。最重要的是,从调查作品中提取实验数据,并根据目标行为以及每个机器人在治疗过程中如何使用以实现这些行为进行分析。研究最后对这些机器人所扮演的不同治疗角色进行了分类,并强调了使它们能够在自闭症治疗中实现高水平有效性的重要设计特征。
2013-11-02 cs.CY cs.HC cs.RO
Building Second-Order Mental Models for Human-Robot Interaction
University of Colorado Boulder(科罗拉多大学博尔德分校)
人类形成的其他代理人的心理模型-封装了人类对代理人目标,意图,能力等的信念-为交互创造了一个潜在的基础。这些心理模型有可能影响人类在交互过程中的决策以及人类对交互的主观评估。在本文中,我们调查了现有的方法来建模人类如何看待机器人,然后确定了一个潜在的方法,通过直接从他们的行动推断一个人的机器人代理模型,以改善这些估计。然后,我们进行了一项在线研究,在网格世界环境中收集数据,涉及人类移动化身通过虚拟代理。通过我们的分析,我们证明了参与者的行动选择泄露了他们对虚拟代理的心理模型的信息。最后,我们讨论了这些发现的影响,以及这种方法改善人机交互的潜力。
2019-09-14 cs.HC cs.MA cs.RO
A behavioural transformer for effective collaboration between a robot and a non-stationary human
University of Edinburgh(爱丁堡大学);Honda Research Institute Europe(欧洲本田研究院);The Alan Turing Institute(艾伦·图灵研究所)
本文提出基于元学习框架的行为变换器BeTrans,利用条件变换器处理人机协作中人类行为非平稳性问题,在模拟环境中实现比SOTA更快的适应与有效协作。
2023-07-25 cs.AI cs.LG cs.RO
Assistax: A Multi-Agent Hardware-Accelerated Reinforcement Learning Benchmark for Assistive Robotics
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
提出Assistax基准,利用JAX硬件加速和基于多智能体强化学习的辅助机器人任务,实现高达370倍加速,并测试机器人的零样本协调能力。
2026-07-22 cs.AI cs.LG cs.MA
Two Heads Are Better Than One: Collaborative LLM Embodied Agents for Human-Robot Interaction
Faculty of Engineering and IT(工程与信息技术学院);University of Technology Sydney(悉尼科技大学);UTS Robotics Institute(UTS机器人研究所)
针对LLM在人机交互中存在幻觉的问题,本研究测试协作式LLM具身智能体与单智能体的性能,发现部分协作架构可显著提升无错误代码生成和抽象问题解决能力。
2024-11-23 cs.AI cs.MA cs.RO
Emotion in Reinforcement Learning Agents and Robots: A Survey
Delft University of Technology(代尔夫特理工大学)
本文首次对强化学习(RL)代理中的情感计算模型进行了调查。该调查侧重于智能体/机器人的情感,而大多忽略了人类用户的情感。情绪被认为是通过影响动机和行动选择来进行决策的功能。因此,计算情感模型通常基于Agent的决策结构,其中RL是一个重要的子类。在基于RL的代理中研究情感对于三个研究领域是有用的。对于机器学习(ML)研究人员来说,情感模型可以提高学习效率。对于交互式ML和人机交互(HRI)社区,情感可以传达状态并增强用户投资。最后,它允许情感建模(AM)研究人员在一个成功的人工智能智能体类中研究他们的情感理论。本调查提供了情绪理论和RL的背景。它系统地解决了1)从什么基本维度(例如,稳态、评价)可以推导出情绪以及如何在RL代理中对这些情绪进行建模,2)从这些维度推导出哪些类型的情绪,以及3)这些情绪如何影响代理的学习效率或作为有用的社交信号。我们还系统地比较了评估标准,并将其与重要的RL子域(如(内在)动机和基于模型的RL)联系起来。简而言之,这项调查为希望在RL代理中实现情感的工程师提供了一个实用的概述,并确定了未来情感RL研究的挑战和方向。
2017-05-15 cs.AI cs.HC cs.LG
Utility Theory based Cognitive Modeling in the Application of Robotics: A Survey
College of Engineering and Computer Science, The University of Tulsa(工程与计算机科学学院,塔尔萨大学)
本文综述了基于效用理论的认知建模在机器人应用中的发展与现状,探讨了其在多代理系统中的作用及未来研究方向。
2026-03-09 cs.AI cs.MA cs.NE
AgentRob: From Virtual Forum Agents to Hijacked Physical Robots
Peking University(北京大学)
AgentRob通过模型上下文协议连接虚拟论坛与物理机器人,实现多代理协作控制,展示了论坛驱动的多机器人协调可行性。
2026-02-14 cs.RO
MASQ: Multi-Agent Reinforcement Learning for Single Quadruped Robot Locomotion
Harbin Institute of Technology Shenzhen(哈尔滨工业大学(深圳));School of Mechanical Engineering and Automation(机械工程与自动化学院);Guangdong Key Laboratory of Intelligent Morphing Mechanisms and Adaptive Robotics(广东省智能变胞机构与自适应机器人重点实验室)
本文提出MASQ方法,将单体四足机器人的每条腿视为智能体,通过共享全局评论家的多智能体强化学习进行协作探索,显著提升了运动学习的收敛速度与真实环境中的鲁棒性。
2024-10-17 cs.RO
RLE-Bench: A Qualifying Exam for Coding Agents as Robot Learning Engineers
Harvard University(哈佛大学);Georgia Institute of Technology(佐治亚理工学院)
RLE-Bench提出一个覆盖四种机器人开发工作流的基准,通过多指标评估编码智能体的工程能力,并引入RLE指数以系统比较其多维性能。
2026-09-30 cs.RO
When Multi-Robot Systems Meet Agentic AI:Towards Embodied Collective Intelligence
College of Information Science and Electronic Engineering, Zhejiang University(浙江大学信息与电子工程学院)
本文提出具身集体智能(ECI)范式,通过共感知、共行动和共演化使机器人团队共享世界上下文、任务进度和技能经验,并以导航实验验证共享世界记忆继承的有效性。
2026-06-29 cs.RO
Incremental Temporal Logic Synthesis of Control Policies for Robots Interacting with Dynamic Agents
Singapore-MIT Alliance for Research and Technology(新加坡-麻省理工学院研究与技术联盟);Boston University(波士顿大学);Massachusetts Institute of Technology(麻省理工学院)
我们认为,从时序逻辑规范的机器人与多个动态环境代理的控制策略的合成。每个环境代理建模的马尔可夫链,而机器人建模的有限转移系统(在确定性的情况下)或马尔可夫决策过程(在随机的情况下)。现有的结果在概率验证适应解决综合问题。为了部分解决状态爆炸问题,我们提出了一个增量的方法,只有一个小的子集的环境代理最初被纳入合成过程中,更多的代理相继添加,直到我们击中的计算资源的限制。我们的算法运行在任何时候的方式,机器人满足其规格的概率随着算法的进展而增加。
2012-03-06 cs.RO
Decentralized Vision-Based Byzantine Agent Detection in Multi-Robot Systems with IOTA Smart Contracts
University of Turku(图尔库大学)
多机器人系统和分布式账本技术(DLT)的交叉点存在多种机会。在这项工作中,我们研究了新的DLT解决方案(如IOTA)的潜力,用于以分散的方式检测多机器人系统中的异常和拜占庭代理。传统的区块链方法不适用于连接条件不理想的真实世界的网络化和分散式机器人系统。为了解决这个问题,我们利用IOTA智能合约在分区容忍和拜占庭容忍协作决策过程中的最新进展。我们展示了我们在基于视觉的异常和变化检测中的工作如何应用于检测在同一环境中运行的多个机器人内的拜占庭代理。我们发现IOTA智能合约增加了低计算开销,同时允许在多机器人系统内建立信任。所提出的方法有效地使拜占庭机器人检测的基础上提交的不同的机器人和异常和它们之间的变化检测的图像的比较。
2022-10-07 cs.RO
Revisiting the "Push-T" Robot Manipulation Task with Agentic Robotics
University of California, Berkeley(加州大学伯克利分校)
该研究在智能体机器人技术背景下,借助带Fable 5的Claude Code编码智能体,无需演示数据解决Push-T等机器人操作任务,其策略成功率达100%,步骤比基准扩散策略少46%,还支持多字母操作及跨实体机械臂仿真。
2026-08-20 cs.RO
An Android Robot Head as Embodied Conversational Agent
Hochschule der Medien Stuttgart(斯图加特传媒大学)
本文介绍了一种以ChatGPT为核心的安卓机器人头部具身对话代理,结合机器学习与规则动画实现唇形同步,并通过公开展示反馈推动迭代改进。
2023-05-18 cs.RO
MARC: A multi-agent robots control framework for enhancing reinforcement learning in construction tasks
The University of British Columbia(不列颠哥伦比亚大学)
本文提出MARC多智能体机器人控制框架,基于近端策略优化实现建筑任务中的机器人协作,有效防止碰撞并提升任务执行效率。
2023-05-23 cs.RO
NeuronsMAE: A Novel Multi-Agent Reinforcement Learning Environment for Cooperative and Competitive Multi-Robot Tasks
University of Chinese Academy of Sciences(中国科学院大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
多智能体强化学习(MARL)在各种具有挑战性的问题中取得了显著的成功。与此同时,越来越多的基准测试程序也出现了,为不同领域的算法提供了评价标准。一方面,虚拟MARL环境缺乏对真实世界任务和执行器能力的了解,另一方面,当前任务指定的多机器人平台对多智能体强化学习算法的通用性支持较差,缺乏对从仿真到真实环境的转换的支持。弥补虚拟MARL环境与真实多机器人平台之间的差距,是提高MARL算法实用性的关键。本文提出了一种新的MARL环境的真实多机器人任务命名为NeuronsMAE(神经元多智能体环境)。该环境支持多机器人的合作和竞争任务,并配置了丰富的参数接口,研究多智能体的政策从模拟到现实的转移。在这个平台上,我们评估了各种流行的MARL算法,并建立了一个新的多机器人任务的MARL基准。我们希望这个平台将促进MARL算法的研究和实际机器人任务的应用。有关基准测试和开源代码的信息将被发布。
2023-03-22 cs.RO
Radiation Surveys in Active Nuclear Facilities with Heterogeneous Collaborative Mobile Robots
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出机器人辐射调查系统(RRSS),利用异构协作移动机器人团队在运行中核设施内执行全面的α/β/γ辐射调查,以替代人工操作,降低人员辐射暴露风险并提高调查覆盖率和效率。
2024-02-22 cs.RO
A Survey of Distributed Optimization Methods for Multi-Robot Systems
Stanford University(斯坦福大学)
分布式优化由多个计算节点共同工作,通过局部计算迭代和网络约束的通信步骤来最小化公共目标函数组成。在机器人技术的背景下,分布式优化算法可以使多个机器人系统在没有集中协调的情况下完成任务。我们提出了一个通用的框架,应用分布式优化作为一个模块,在机器人管道。我们调查了几类分布式优化算法,并评估其实际适用于多机器人应用。我们进一步比较了三种典型多机器人问题场景的模拟中不同类型算法的性能。一致性交替方向乘子法(C-ADMM)是一种多机器人系统分布式优化方法。
2021-03-23 cs.RO
EmbodiedSWE: Coding Agents for Long Horizon Dexterous Robotics
ByteDance Seed(字节跳动);Yale University(耶鲁大学);Princeton University(普林斯顿大学);Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学);University of California, Los Angeles(加州大学洛杉矶分校);University of Washington(华盛顿大学)
本研究提出EmbodiedSWE框架,利用编码智能体解决长时程灵巧机器人任务,并通过生成多样化仿真轨迹训练VLA,实现从仿真到真实机器人的策略泛化。
2026-09-28 cs.RO
Multi-Robot Cooperative Socially-Aware Navigation Using Multi-Agent Reinforcement Learning
Purdue University(普渡大学);College of Mechanical and Electrical Engineering, Beijing University of Chemical Technology(北京化工大学机电工程学院)
针对公共空间多机器人社会导航存在的仿真现实差距问题,提出结合时空Transformer与多智能体强化学习的SAMARL基准及对应Dec-POSMDP环境,实验证明其性能优于现有基线与消融模型。
2024-05-15 cs.RO
Generative Multi-Robot Motion Planning via Diffusion Modeling with Multi-Agent Reinforcement Learning Guidance
School of Manufacturing Systems and Networks, Arizona State University, Mesa, AZ(1制造系统与网络学院,亚利桑那州立大学,梅萨,AZ);Michael W. Hall School of Mechanical Engineering, Mississippi State University, Starkville, MS(2迈克尔·W·霍尔机械工程学院,密西西比州立大学,斯塔克维尔,MS)
提出一种结合扩散模型与多智能体强化学习的框架,通过值函数引导反向扩散过程实现交互感知的轨迹生成,降低多机器人冲突率。
2026-05-30 cs.RO
Designing Library of Skill-Agents for Hardware-Level Reusability
Microsoft(微软公司);Applied Robotics Research(应用机器人研究中心)
本文提出基于Learning-from-observation范式和预设计技能智能体库的硬件级可复用方法,通过独立于硬件的任务模型表示和技能智能体设计,实现同一动作表示在不同机器人上的复用。
2024-03-20 cs.RO
An Industrial Perspective on Multi-Agent Decision Making for Interoperable Robot Navigation following the VDA5050 Standard
Robert Bosch GmbH(罗伯特·博世有限公司)
本文从工业视角分析了混合环境下自主移动机器人多智能体决策栈的挑战,探讨了VDA5050标准、OpenRMF框架及ROS2对系统的影响,并提出了提升导航鲁棒性与性能的方法及研究机会。
2023-11-24 cs.RO
MARLIN: Multi-Agent Reinforcement Learning Guided by Language-Based Inter-Robot Negotiation
University of Southampton(南安普顿大学)
MARLIN通过语言引导的多机器人协商与强化学习结合,提升早期训练性能和最终效果,采用语言模型进行高层规划和行动协商。
2026-11-05 cs.RO
A Survey on Passing-through Control of Multi-Robot Systems in Cluttered Environments
Beihang University(北京航空航天大学)
本综述系统梳理了杂乱环境下多机器人穿越控制的四类算法,并比较其优劣,为改进现有方法指明方向。
2023-11-13 cs.RO
A Survey of Multi-Robot Motion Planning
George Mason University(乔治梅森大学)
本文综述了多机器人运动规划的分类、主流算法与应用场景,分析各方法优缺点,并指出未来开放问题。
2023-10-30 cs.RO
A Closed-Loop Multi-Agent Framework for Robust Multi-Robot Manipulation
Sun Yat-sen University(中山大学);Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education, China(教育部机器智能与先进计算重点实验室);Imperial College London(帝国理工学院);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Shenzhen Loop Area Institute(深圳河套学院)
针对多机器人操作中高级推理应用于实际执行的挑战,提出基于分层闭环智能体的LLM框架,含规划、操作、验证智能体。经实际实验验证,该框架成功率高、适应性强,为多样操作任务提供可推广方法。
2026-07-09 cs.RO
Technical Report: Asynchronous Distributed Trajectory Estimation of Multi-Robot Systems
针对多机器人系统中通信和计算异步的问题,提出异步块坐标下降算法,通过近似最大后验估计减少96.9%通信,证明指数收敛,误差比现有算法低64%。
2026-07-17 cs.RO
Hybrid Robot Learning for Automatic Robot Motion Planning in Manufacturing
University of Virginia(弗吉尼亚大学)
本文提出一种多级混合机器人运动规划方法,结合RL-LfD和DRL智能体,通过高级智能体切换实现可行平滑轨迹,并在模拟和真实环境中验证有效性。
2025-02-26 cs.RO
Agentic Robot Creation through Generation, Verification, and Revision
ShanghaiTech University(上海科技大学)
本研究提出智能体式框架Roboforge,结合生成、验证与修订,实现将用户高层意图转化为可运行机器人及对应行为,通过实验验证其有效性并完成物理机器人部署。
2026-10-14 cs.RO
Robotic Grasping from Classical to Modern: A Survey
Xi’an Jiaotong University(西安交通大学)
机器人抓取一直是机器人学中的一个活跃的话题,因为抓取是机器人最基本但最具挑战性的技能之一。它要求协调机器人的感知,规划和控制的鲁棒性和智能性。然而,目前的解决方案仍然远远落后于人类,特别是在面对非结构化场景时。在本文中,我们调查的机器人抓取的进展,从经典的配方和解决方案的现代。通过回顾机器人抓取的历史,我们希望提供一个完整的视图,这个社区,也许启发不同的想法的组合和融合,我们认为这将有助于触摸和探索机器人抓取问题的本质。详细地,我们首先给出了机器人抓取的分析方法的概述。在此之后,我们提供了一个最新的国家的最先进的数据驱动的抓取方法,近年来兴起的讨论。随着计算机视觉的发展,语义抓取得到了广泛的研究,并有望成为未来自主机器人系统智能操作和技能学习的基础。因此,在我们的调查中,我们也简要回顾了这一主题的最新进展。最后,我们讨论了开放的问题和未来的研究方向,可能是重要的人类水平的鲁棒性,自主性和智能的机器人。
2022-02-08 cs.RO
Task-Aware Positioning for Improvisational Tasks in Mobile Construction Robots via an AI Agent with Multi-LMM Modules
University of Michigan(密歇根大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出一种AI代理,通过多LMM模块实现对自然语言描述的即兴任务的理解与定位,使移动建筑机器人能自主完成非预定义任务。
2026-03-24 cs.RO
A survey of robot learning from demonstrations for Human-Robot Collaboration
Indiana University(印第安纳大学)
机器人学习的示范(LfD)是一种研究范式,可以发挥重要作用,在解决问题的规模扩大机器人学习。由于这种类型的方法使非机器人专家可以在没有任何机械工程或计算机编程技能的专业背景下教授机器人新知识,因此机器人可以出现在现实世界中,即使它没有任何关于新生婴儿的任何任务的先验知识。越来越多的文献采用LfD方法训练机器人。在本文中,我提出了一个调查,在这方面的最新研究,同时专注于研究人与机器人的协作任务。由于独立任务和协作任务之间存在不同的方面,研究人员应该考虑这些差异来设计协作机器人,以实现更有效和自然的人机协作(HRC)。在这方面,许多研究人员已经表现出越来越大的兴趣,使机器人和人类之间更好的通信框架,因为通信是一个关键问题,应用LfD范式的人机协作。因此,我首先回顾了一些最近的工作,重点是设计更好的沟通渠道/方法,然后处理另一个有趣的研究方法,互动/主动学习,之后,我最后提出了其他最近的方法来解决一个更具挑战性的问题,复杂任务的学习,在文章的最后。
2017-10-24 cs.RO
A Comparison of Various Approaches to Reinforcement Learning Algorithms for Multi-robot Box Pushing
University of Nevada, Reno(内华达大学里诺分校)
在本文中,比较强化学习算法和它们的性能在机器人推箱子的任务。机器人推箱问题被构造为单智能体问题和多智能体问题。将一种Q-学习算法应用于单智能体推箱问题,将三种不同的Q-学习算法应用于多智能体推箱问题。这两套算法都适用于一个动态的环境,是由静态对象,一个静态的目标位置,一个动态的盒子位置,和动态代理位置。开发了一个仿真环境来测试这四种算法,并通过对测试结果的图形化解释来比较它们的性能。比较表明,新应用的增强算法优于以前应用的机器人推箱问题在动态环境中的算法。
2018-09-21 cs.RO
MARLAS: Multi Agent Reinforcement Learning for cooperated Adaptive Sampling
University of Pennsylvania(宾夕法尼亚大学);Brown University(布朗大学);Plaksha University(普拉科沙大学)
多机器人自适应采样问题的目的是找到一组机器人的轨迹,以有效地采样感兴趣的现象在给定的耐力预算的机器人。在本文中,我们提出了一个强大的和可扩展的方法,使用多智能体强化学习的合作自适应采样(MARLAS)的准静态环境过程。给定被采样领域的先验知识,所提出的方法学习一组机器人在固定预算内对高效用区域进行采样的分散策略。多机器人自适应采样问题要求机器人之间相互协调以避免采样轨迹重叠。因此,我们将邻居位置的估计和机器人之间的间歇性通信编码到学习过程中。我们在多个性能指标上评估了MARLAS,发现它优于其他基线多机器人采样技术。此外,我们证明了可扩展性与机器人团队的大小和采样区域的大小。我们进一步证明了通信故障和机器人故障的鲁棒性。实验评估是在真实数据的模拟和真实机器人实验的演示环境设置。
2023-02-28 cs.RO
NeuroSwarm: Multi-Agent Neural 3D Scene Reconstruction and Segmentation with UAV for Optimal Navigation of Quadruped Robot
Skoltech(斯科尔科沃科学技术研究院)
提出多智能体系统NeuroSwarm,结合3D神经重建与自适应神经场最优运动规划器(ANFOMP),实现四足机器人环境感知与高度自适应导航,使路径长度减少33.3%,导航时间减少70%。
2023-08-03 cs.RO
A Survey of Robot Manipulation in Contact
Chalmers University of Technology(查尔姆斯理工大学);Aalto University(阿尔托大学);University of Oulu(奥卢大学)
在这项调查中,我们目前的状态,机器人执行操作任务,需要不同的接触与环境,这样的机器人必须隐式或显式地控制与环境的接触力,以完成任务。机器人可以执行越来越多仍然由人类完成的操作任务,并且有越来越多的出版物涉及以下主题:1)执行始终需要接触的任务; 2)通过利用任务中的环境来减轻不确定性,在完美信息下,可以在没有接触的情况下执行任务。最近的趋势是机器人执行早期留给人类的任务,如按摩,在经典任务中,如钉孔,有更有效的泛化到其他类似的任务,更好的容错能力,以及更快的任务规划或学习。因此,在本调查中,我们涵盖了执行此类任务的机器人的当前阶段,从调查机器人可以执行的所有不同的接触任务开始,观察这些任务是如何控制和表示的,最后介绍完成这些任务所需技能的学习和规划。
2022-07-25 cs.RO