Automatic Behavior Tree Expansion with LLMs for Robotic Manipulation
ABB Robotics（ABB机器人公司）；ABB Corporate Research（ABB企业研究院）；Royal Institute of Technology (KTH)（皇家理工学院（KTH））
提出BETR-XP-LLM方法，利用LLM动态自动扩展和配置行为树作为机器人控制策略，解决规划与执行中的错误，并永久更新策略以处理未来类似问题。
2024-09-20 cs.RO
A Framework for Learning Behavior Trees in Collaborative Robotic Applications
ABB Corporate Research（ABB企业研究院）；KTH - Royal Institute of Technology（KTH皇家理工学院）；ABB Robotics（ABB机器人）
在现代工业协作机器人应用中，期望自动地、直观地和时间有效地创建机器人程序。此外，机器人需要通过反应性策略来控制，以应对其运行环境的不可预测性。在本文中，我们提出了一个框架，结合了一种方法，学习行为树（BTs）从演示的方法，进化它们与遗传编程（GP）的协作机器人应用。本文的主要贡献是表明，通过结合这两种学习方法，我们得到了一种方法，允许非专家用户半自动，时间效率高，交互式生成BT。我们验证了一系列的操作实验的框架。BT在模拟中完全学习，然后转移到真正的协作机器人上。
2023-03-20 cs.RO
Behaviour Trees for Evolutionary Robotics
Delft University of Technology（代尔夫特理工大学）
进化机器人允许具有有限传感器和处理能力的机器人通过感觉-运动协调来处理复杂任务。在本文中，我们展示了第一个应用程序的行为树框架，一个真正的机器人平台，使用进化机器人方法。这个框架是用来提高的新兴机器人的行为相比，传统的神经网络制定的可理解性。因此，在跨越从模拟到现实的现实差距时，行为更容易理解和手动适应。这一功能通过使用20克DelFly Explorer扑翼微型飞行器进行实际飞行测试来展示，该飞行器配备了4克机载立体视觉系统。实验表明，DelFly可以完全自主地搜索和飞行通过一个窗口，只有它的机载传感器和处理。模拟中优化行为的成功率为88%，用户适应后相应的真实世界性能为54%。虽然这还有改进的余地，但它比调优的用户定义控制器的46%成功率要高。
2015-08-07 cs.RO
Flexible Behavior Trees: In search of the mythical HFSMBTH for Collaborative Autonomy in Robotics
Christopher Newport University（克里斯托弗纽波特大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
近年来，被称为行为树（BT）的计算模型，首先在视频游戏行业中开发，在机器人社区中越来越流行，用于定义离散行为切换。BT正在威胁要取代古老的分层有限状态机（HFSM）模型。在本文中，我们对比了BT和HFSM，指出了BT形式的一些潜在问题，并主张采用BT和HFSM的混合计算模型，以利用各自的优势。这项工作为ROS 2引入了一个新的开源软件包，该软件包扩展了灵活行为引擎（FlexBE），以支持协作自治的方式在HFSM中与基于BT的行为进行交互。仿真和硬件演示说明了这些概念。
2022-03-10 cs.RO
Reconfigurable Behavior Trees: Towards an Executive Framework Meeting High-level Decision Making and Control Layer Features
University of Innsbruck（因斯布鲁克大学）
行为树构成了一种广泛的人工智能工具，已成功地在机器人技术中推广。它们的优点包括代码的简单性、模块性和可重用性。然而，行为树仍然是一个高层次的决策引擎;控制功能不能很容易地集成。本文提出了可重构行为树（RBT），传统的BT的扩展，考虑在决策过程中的机器人环境的物理约束。我们赋予RBT连续的感官信息，允许在线监测任务的执行。由此产生的刺激驱动的架构是能够动态地处理执行上下文的变化，同时保持低的执行时间。所提出的框架进行评估的一组机器人实验。结果表明，RBT是一种很有前途的机器人任务表示，监控和执行的方法。
2020-08-31 cs.RO
Semantics-guided Skeletonization of Sweet Cherry Trees for Robotic Pruning
Collaborative Robotics and Intelligent Systems (CoRIS) Institute（协作机器人与智能系统研究所）；Oregon State University（俄勒冈州立大学）；Field Robotics Center（野外机器人中心）；Carnegie Mellon University（卡内基梅隆大学）
新鲜市场果树的休眠修剪是农业机器人的一个相对未开发的应用，几乎没有端到端系统存在。创建自主修剪系统的最大挑战之一是需要重建树的模型，该模型足够准确和信息丰富，以便用于决定在哪里修剪。对树建模的一个有用的结构是骨架：树的几何和拓扑的1D轻量级表示。这种树的建模问题是计算机图形学领域中的一个重要问题，并且已经为树的建模任务专门开发了许多算法。这些卷积算法在很大程度上解决了几何问题。然而，在农业环境中，树的部分有不同的标签，如树干，支撑树枝等，这种标记的结构对于理解在哪里修剪是很重要的。我们介绍了一种算法，产生这样一个标记的骨架，使用与这些标签相关联的拓扑和几何先验，以改善我们的骨架。我们测试了我们的点云上的29个直立的结果分支（UFO）的树木，并证明了70%的中位数准确度相对于人类评估的黄金标准。我们还将82棵UFO树的点云扫描开源给其他研究人员。我们的工作是一个强大的树建模框架，可用于自主修剪系统的重要的第一步。
2021-03-04 cs.RO
Task Tree Retrieval Algorithms for Robotic Cooking Using The Functional Object-Oriented Network
University of South Florida（南佛罗里达大学）
使用功能面向对象的网络，我们已经实现了三个搜索算法，为给定的目标节点生成任务树。方法，过程和结果写在本文中。
2022-11-12 cs.AI cs.RO
Correct-by-Construction Behavior Tree Synthesis from Signal Temporal Logic Specifications with Application to Robotic Missions
研究从信号时序逻辑规范合成构建正确的行为树，通过将工作空间建模为定时转换系统并抽象为区域图，引入增强状态空间，利用分层定点算法计算获胜集，证明正确性并推导复杂度界限，经仿真和实验验证了方法的有效性和可部署性。
2026-07-22 cs.RO
Design and Evaluation of an Assisted Programming Interface for Behavior Trees in Robotics
本文提出BETR-GUI，结合AI助手与拖放编辑器，通过整合多种技术提升机器人行为树编程效率，实验证明人类用户优于纯AI助手。
2026-02-10 cs.RO
Multimodal Behaviour Trees for Robotic Laboratory Task Automation
University of Liverpool（利兹大学）
针对实验室机器人任务执行可靠性问题，提出基于多模态感知的行为树方法，在封盖和插入任务中实现高成功率与强错误检测能力，验证了该方法在安全关键环境中的鲁棒性。
2025-06-25 cs.RO
Monte Carlo Tree Search with Tensor Factorization for Optimization Problems in Robotics
Idiap Research Institute（Idiap研究机构）；École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校）
提出TTTS算法，利用张量分解压缩决策树分支间的隐式相关性，以线性复杂度降低MCTS的计算和存储开销，在逆运动学、运动规划、多阶段操作等任务中实现高效全局优化。
2026-10-15 cs.RO
LLM-BT: Performing Robotic Adaptive Tasks based on Large Language Models and Behavior Trees
Institute of Robotics and Intelligent Systems, Wuhan University of Science and Technology（武汉科技大学机器人与智能系统研究院）；School of Physics, Engineering and Technology, University of York（约克大学物理、工程与技术学院）
针对机器人任务中应对外部干扰的难题，提出结合LLMs与行为树的LLM-BT方法，通过语义地图、BERT解析器及动态BT更新实现自适应任务，经仿真验证对干扰具鲁棒性。
2024-04-08 cs.RO
A formal implementation of Behavior Trees to act in robotics
LAAS-CNRS；Université de Toulouse（图卢兹大学）
提出将行为树转换为形式化语言以实现程序与运行时验证，在不损害其模块化等特性的前提下确保正确性，并通过Fiacre等框架在机器人应用中验证了该方法。
2025-04-01 cs.RO
Approximate Task Tree Retrieval in a Knowledge Network for Robotic Cooking
University of South Florida（南佛罗里达大学）；Brown University（布朗大学）
灵活的任务规划仍然是机器人面临的一个困难的挑战，机器人无法创造性地调整他们的任务计划，以适应新的或看不见的问题，这主要是由于它对自己的行动和世界的知识有限。出于人类的适应能力，我们探讨如何从一个知识图谱，被称为功能面向对象的网络（FOON）的任务计划，可以产生新的问题，需要的概念是不容易获得的机器人在其知识库。来自140个烹饪食谱的知识被构造在FOON知识图谱中，该知识图谱用于获取被称为任务树的任务计划序列。任务树可以被修改以复制FOON知识图谱格式的配方，这可以通过依赖于语义相似性而用于用包含未知对象和状态组合的新配方来丰富FOON。我们展示了任务树生成的强大功能，可以创建具有前所未有的成分和状态组合的任务树，如Recipe1M+数据集的食谱中所示，我们根据它们对新添加成分的准确描述来评估树的质量。我们的实验结果表明，我们的系统是能够提供任务序列与76%的正确性。
2022-07-08 cs.RO
Task Tree Retrieval for Robotic Cooking
机器人被用来培养创造力。人类可以根据情况以其独特的方式完成工作。这种情况适用于烹饪食物。厨房中的机器人技术可以加快这一过程并减少其工作量。然而，机器人在厨房中的潜力仍未实现。在这篇文章中，FOON的想法，一个结构化的知识表示建立在人类操作的见解，介绍。为了降低失败率，并确保任务有效地完成，已经实现了三种不同的算法，其中根据运动的成功率将加权值分配给操作。这个知识表示是使用开源食谱的视频创建的
2022-11-03 cs.AI cs.RO
BTGenBot: Behavior Tree Generation for Robotic Tasks with Lightweight LLMs
Politecnico di Milano（米兰理工大学）
本文提出 BTGenBot，利用最高 70 亿参数的轻量级 LLM 和基于 GPT-3.5 构建的行为树微调数据集生成机器人行为树，并通过多模型、多任务及真机评估验证其有效性与部署潜力。
2025-01-07 cs.RO
Extending Behavior Trees for Robotic Missions with Quality Requirements
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；Carnegie Mellon University（卡内基梅隆大学）
针对现有行为树模型无法体现机器人任务质量需求的问题，本文提出行为树扩展方案，构建元模型并开发DSL集成至BehaviorTree.CPP，初步验证了可行性，为质量属性融入机器人任务行为模型提供了途径。
2025-03-21 cs.RO cs.SE
On the programming effort required to generate Behavior Trees and Finite State Machines for robotic applications
ABB Corporate Research（ABB企业研究院）；KTH - Royal Institute of Technology（KTH皇家理工学院）；ETH Zürich（苏黎世联邦理工学院）；The University of Queensland（昆士兰大学）
在本文中，我们提供了一个实际的演示如何在行为树（BT）的模块化减少编程的机器人任务时，相比有限状态机（FSM）的努力。近年来，控制自主智能体的任务计划的表示方法已经从标准FSM转向BT。文献中的许多作品都强调并证明了这种设计与标准方法相比的好处，特别是在模块化，反应性和人类可读性方面。然而，这些工作往往未能对这些政策的执行情况和修改这些政策所需的方案拟订工作进行切实的比较。这是一个相关的方面，在许多机器人应用程序中，设计的选择是由政策的鲁棒性和所需的时间来编程it.In这项工作中，我们比较后向链接BT与容错设计的FSM通过评估成本来修改它们。我们验证了一组实验中的模拟环境中，移动机械手解决了项目提取任务的分析。
2022-09-15 cs.RO
Video-to-BT: Generating Reactive Behavior Trees from Human Demonstration Videos for Robotic Assembly
Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Technical University of Munich（慕尼黑技术大学）；Aalto University（艾尔沃斯大学）；Shanghai University（上海大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出 Video-to-BT 分层框架，利用视觉语言模型从人类演示视频生成行为树，结合实时场景解释与失败重规划，实现机器人装配在动态环境中的反应式执行和强泛化能力。
2025-09-20 cs.RO
Combining Planning and Learning of Behavior Trees for Robotic Assembly
ABB Robotics（ABB机器人）；ABB Corporate Research（ABB企业研究院）；Royal Institute of Technology (KTH)（皇家理工学院（KTH））
工业机器人可以在受控环境中解决非常复杂的任务，但现代应用要求机器人也能够在不可预测的环境中运行。机器人技术中越来越流行的反应式策略架构是行为树，但与其他架构一样，编程时间仍然会增加成本并限制灵活性。自动生成策略的算法有两个主要分支，自动规划和机器学习，两者都有自己的缺点。我们提出了一种使用遗传编程算法生成行为树的方法，并通过自动规划器的结果将其插入到人口中来结合这两个分支。实验结果证实，所提出的方法相结合的规划和学习表现良好的各种机器人装配问题，并优于单独使用的基础方法。我们还表明，这种类型的行为树的高级学习可以转移到一个真正的系统，而无需进一步的培训。
2021-03-16 cs.LG cs.RO
Good Things Come in Trees: Emotion and Context Aware Behaviour Trees for Ethical Robotic Decision-Making
Simon Fraser University（西蒙弗雷泽大学）
本文提出情绪与情境感知的行为树方案，通过躯体标记和情绪推断处理家庭机器人的伦理取物决策，并结合情境、隐私覆盖策略与实时透明推理。
2024-05-10 cs.RO
Execution Semantics of Behavior Trees in Robotic Applications
UNIGE（日内瓦大学）；IIT（意大利技术研究院）；BOSCH（博世集团）；UNITN（特伦托大学）
本文针对机器人应用中行为树缺乏形式化执行语义且实现间存在差异的问题，提出一种抽象数据类型来形式化其结构与执行，从而为多数特征提供无歧义的处理。
2025-04-10 cs.AI cs.RO
Behavior Trees and State Machines in Robotics Applications
本研究对比了机器人应用中行为树与状态机的语言概念，分析了五种DSL及开源项目使用，发现行为树使用增长迅速，并贡献了提取的数据集以促进发展。
2025-10-14 cs.RO cs.SE
A Survey of Behavior Trees in Robotics and AI
Royal Institute of Technology (KTH)（皇家理工学院）；ABB Future Labs（ABB未来实验室）；ABB Corporate Research（ABB企业研究院）；SAAB Aeronautics（萨博航空）；ABB Robotics（ABB机器人）
行为树（BT）是作为一种在计算机游戏中实现模块化AI的工具而发明的，但在过去十年中，它在机器人社区中受到了越来越多的关注。随着对智能体AI复杂性的要求不断提高，游戏程序员发现他们使用的有限状态机（FSM）扩展性差，难以扩展，适应和重用。在BT中，状态转换逻辑不是分散在各个状态中，而是以分层树结构组织，状态作为叶子。这对模块化有很大的影响，这反过来又简化了人类和算法的合成和分析。这些优势不仅在游戏AI设计中需要，而且在机器人技术中也需要，这一点从正在进行的研究中可以看出。在本文中，我们提出了一个全面的调查的主题的BT在人工智能和机器人应用。现有的文献进行了描述和分类的基础上的方法，应用领域和贡献，并得出结论的文件与开放的研究挑战的列表。
2020-05-13 cs.AI cs.RO
Multi-Risk-RRT: An Efficient Motion Planning Algorithm for Robotic Autonomous Luggage Trolley Collection at Airports
Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）；University of Pennsylvania（宾夕法尼亚大学）；Shanghai Jiao Tong University（上海交通大学）；Yanshan University（燕山大学）
本文提出Multi-Risk-RRT算法，通过多子树并行探索与主树启发式信息融合，提升机场行李推车收集机器人在动态环境中的运动规划效率与稳健性。
2023-09-20 cs.RO
Behavior Trees in Action: A Study of Robotics Applications
Chalmers | University of Gothenburg（查尔姆斯理工大学 | 哥德堡大学）；University of Oslo（奥斯陆大学）；IT University of Copenhagen（哥本哈根信息技术大学）
自主机器人结合了各种技能，形成了越来越复杂的行为，称为任务。虽然这些技能通常在相对较低的抽象级别上编程，但它们的协调在架构上是分离的，并且通常用更高级别的语言或框架表示。最近，行为树语言由于这个原因引起了机器人专家的关注。行为树最初是为计算机游戏设计的，用于对自主行为者进行建模，它提供了一种可扩展的基于树的任务表示。然而，尽管该语言的几个实现正在使用中，但人们对其在现实世界中的用法和范围知之甚少。行为树与描述行为的传统语言有什么关系？行为树的概念如何在应用程序中使用？使用它们的好处是什么？我们提出了一个研究的关键语言概念的行为树和它们在现实世界中的机器人应用。我们识别行为树语言，并将其语义与最知名的行为建模语言：状态图和活动图进行比较。我们挖掘使用该语言的机器人应用程序的开源存储库，并分析其使用情况。我们发现行为树是一种实用的语言，没有完全指定，允许项目扩展它，即使只是一个模型。行为树显然类似于运行时模型范例。我们贡献了一个真实世界行为模型的数据集，希望能激励社区使用和进一步开发这种语言、相关工具和分析技术。
2020-11-11 cs.PL cs.RO cs.SE
Adaptable Recovery Behaviors in Robotics: A Behavior Trees and Motion Generators(BTMG) Approach for Failure Management
Lund University（隆德大学）
本文提出基于 BTMG 框架将恢复行为建模为可适应机器人技能，结合强化学习动态调整参数，以最少人工干预应对协作机器人各类故障，并在 peg-in-a-hole 任务和双臂 KUKA 机器人上验证了其能有效提升操作效率与任务成功率。
2024-04-23 cs.LG cs.RO
Online Tree Reconstruction and Forest Inventory on a Mobile Robotic System
University of Oxford（牛津大学）；Technical University of Munich（慕尼黑工业大学）
提出一种基于移动激光扫描仪和位姿图LiDAR SLAM的实时测绘分析系统，利用定制聚类和改进Hough算法在线提取并重建树木，在多种森林中实现了与TLS媲美的精度且无需后处理。
2025-03-03 cs.RO
CommandSwarm: Safety-Aware Natural Language-to-Behavior-Tree Generation for Robotic Swarms
本文提出CommandSwarm系统，通过多语言翻译、安全过滤和约束提示生成XML行为树，验证了紧凑量化领域适应的LLM在机器人群体控制中的有效性，强调了解析器接受和安全过滤的重要性。
2026-05-08 cs.RO
PREVENT: Proactive Risk Evaluation and Vigilant Execution of Tasks for Mobile Robotic Chemists using Multi-Modal Behavior Trees
Department of Chemistry and Material Innovation Factory, University of Liverpool（化学系和材料创新工厂，利物浦大学）；Center for Life Science Automation, University of Rostock（生命科学自动化中心，罗斯托克大学）
针对移动机器人化学家缺乏工作流感知导致异常中断的问题，提出基于多模态行为树的PREVENT系统，通过分层感知机制实现高效决策，在模拟风险场景中完全避免误报漏报，并提升部署准确率。
2025-10-24 cs.RO
Supervised learning and tree search for real-time storage allocation in Robotic Mobile Fulfillment Systems
Polytechnique Montreal（蒙特利尔理工学院）；CIRRELT, Research Centre on Enterprise Networks, Logistics and Transportation（企业网络、物流与运输研究中心）；IVADO Labs（IVADO实验室）；GERAD, Group for Research in Decision Analysis（决策分析研究组）
机器人移动物流系统是一种自动化的零件到拣选系统，特别适合电子商务仓储。这种类型的仓库的一个显著特点是其高度的存储模块化。多个机器人同时移动货架，在拣选作业完成后，货架可以返回到任何开放位置。这项工作的重点是实时的【形】存储分配问题，以尽量减少机器人的旅行时间。一种高效但计算成本高的蒙特卡罗树搜索方法被离线使用，以生成高质量的体验。这种经验可以通过具有适当的基于坐标的特征表示的神经网络来学习。所获得的神经网络被用作几个新的存储策略中的动作预测器，无论是按原样还是在推出和监督树搜索策略中。所得到的性能水平取决于在决策步骤中可用的计算时间，并且与文献中的实时的【形】决策规则相比始终更好。
2021-05-31 cs.RO math.OC
Constructing Behavior Trees from Temporal Plans for Robotic Applications
NIWC Pacific（美国海军水面作战中心太平洋分部）；University of Trento（特伦托大学）；Rey Juan Carlos University（胡安·卡洛斯国王大学）
本文提出将时序计划转换为简单时序网络（STN）再转换为行为树（BT）的算法，实现真实世界中机器人全序计划的系统化执行，确保包含并发需求的计划正确执行。
2024-06-25 cs.RO
Coordinating Task Switching in a Robotics Multi-Agent System Using Behavior Trees
LTI - Laboratório de Técnicas Inteligentes, Universidade de S a ~ \tilde{a} o Paulo, SP（智能技术实验室，圣保罗大学）
本文提出一种基于行为树的方法，用于在IEEE VSSS机器人足球多智能体系统中协调机器人行为，并通过与有限状态机的对比实验及竞赛验证其有效性。
2026-05-31 cs.MA cs.RO
Task Tree Retrieval For Robotic Cooking
University Of South Florida（南佛罗里达大学）
本研究围绕机器人烹饪的任务规划问题，基于FOON知识表示框架，通过知识检索调取功能单元信息生成任务子图，实现给定食谱的任务树规划，支持机器人按指令完成烹饪。
2023-11-27 cs.AI cs.RO
Design, Integration, and Field Evaluation of a Robotic Blossom Thinning System for Tree Fruit Crops
Washington State University（华盛顿州立大学）；Center for Precision and Automated Agricultural System（精准与自动化农业系统中心）
针对苹果园人工花朵疏除费时费力且现有化学与机械方法易损伤果树的问题，提出一种结合AI视觉、六自由度机械臂和微型末端执行器的机器人花朵疏除系统，田间评估表明边界与中心疏除法均具高效性。
2024-09-25 cs.RO
A Biologically Inspired Design Principle for Building Robust Robotic Systems
Technische Universität Berlin（柏林工业大学）；Science of Intelligence, Research Cluster of Excellence, Berlin（柏林卓越研究集群“智能科学”）
该研究受生物系统启发，提出通过系统组件间主动互连提升机器人鲁棒性的设计原则，经破解密码锁箱任务的仿真与实物实验验证有效，为研发智能自适应机器人系统提供新思路。
2024-08-19 cs.RO
Autonomous Navigation in Rows of Trees and High Crops with Deep Semantic Segmentation
Politecnico di Torino（都灵理工大学）
本文提出一种基于深度语义分割的自主导航方法，解决高树行和果园中GPS信号遮挡及天空不可见时的机器人引导问题，并在模拟树田和葡萄园实验中验证了其鲁棒性与竞争优势。
2023-04-18 cs.RO
Active Inference and Behavior Trees for Reactive Action Planning and Execution in Robotics
TU Delft（代尔夫特理工大学）
我们提出了一个混合的主动推理和行为树（BTs）的反应行动规划和执行在动态环境中，显示如何机器人任务可以制定为一个自由能最小化问题。所提出的方法允许处理部分可观察的初始状态，并提高了经典BT对意外事故的鲁棒性，同时减少了树中的节点数。在这项工作中，我们指定的名义行为离线，通过BT。然而，与以前的方法相比，我们引入了一种新类型的叶节点来指定要实现的期望状态，而不是要执行的操作。执行哪个动作以达到期望状态的决策通过主动推理在线执行。这导致持续的在线规划和分层审议。通过这样做，代理可以遵循预定义的离线计划，同时仍然保持在运行时本地适应和自主决策的能力，尊重安全约束。我们提供了收敛性和鲁棒性分析的证明，我们验证了我们的方法在两个不同的移动机械手执行类似的任务，无论是在模拟和真实的零售环境。结果表明，改进的运行时适应性与一小部分的手工编码的节点相比，经典的BT。
2022-11-25 cs.AI cs.RO
Active Robotic Perception for Disease Detection and Mapping in Apple Trees
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Department of Plant Pathology, Virginia Polytechnic Institute and State University（弗吉尼亚理工大学植物病理学系）
本文提出一种自主移动主动感知系统，用于在苹果树休眠期精准检测和制图疾病，通过融合多种传感技术实现疾病症状的精确定位，并评估了三种视角规划策略以提升观测精度。
2026-03-24 cs.RO
Adaptation Needs in Robotic Systems: Assessing Behavior Trees and Their Enhancement
Gran Sasso Science Institute (GSSI)（大萨索科学研究所）
本文通过文献研究结合实证验证，将机器人适应需求分为六类，分析经典及增强型行为树的能力局限，为机器人系统选择行为树方案提供指导。
2026-09-07 cs.RO cs.SE
ManipDreamer: Boosting Robotic Manipulation World Model with Action Tree and Visual Guidance
State Key Laboratory of Multimedia Information Processing（多媒体信息处理国家重点实验室）；School of Computer Science, Peking University（北京大学计算机学院）；Hong Kong University of Science and Technology（香港科技大学）；Autonomous Driving Development, NIO（蔚来自动驾驶研发）
ManipDreamer通过动作树建模指令关系并融合深度与语义视觉引导，显著提升机器人操作世界模型的指令跟随能力和视频质量。
2025-04-23 cs.AI cs.RO
AprilTags 3D: Dynamic Fiducial Markers for Robust Pose Estimation in Highly Reflective Environments and Indirect Communication in Swarm Robotics
MIT（麻省理工学院）
虽然基准标记在实验室条件下给出了精确的姿态估计，其中噪声因素得到控制，但在现场机器人应用中使用它们仍然是一个挑战。这受限于基准标记器系统，因为它们仅在RGB图像空间内工作。结果，图像中的噪声产生大的姿态估计误差。在机器人应用中，基准标记主要以其原始和简单的形式使用，如印刷纸张中的平面。这种设置对于基本的视觉伺服和增强现实应用是足够的，但对于复杂的群机器人应用是不够的，在这些应用中，设置由多个动态标记（显示在LCD屏幕上的标签）组成。本文介绍了一种新的方法，称为AprilTags3D，提高姿态估计精度的AprilTags在现场机器人只有RGB传感器，通过添加第三个维度的标记检测器。此外，提出了实验结果，从应用所提出的方法来集群自主机器人船之间的锁定，并创建机器人编队。
2020-01-11 cs.RO
Automated Behavior Planning for Fruit Tree Pruning via Redundant Robot Manipulators: Addressing the Behavior Planning Challenge
Brubotics；Vrije Universiteit Brussel（自由大学布鲁塞尔）；imec
针对果树修剪中机器人操作的行为规划难题，提出集成感知、建模与整体规划的综合工作流程，利用系统冗余性提升性能，并在真实机器人上验证。研究填补了操作复杂性研究的空白，推动修剪应用规划发展。
2025-10-14 cs.RO
Consolidating Trees of Robotic Plans Generated Using Large Language Models to Improve Reliability
University of South Florida（南佛罗里达大学）
本文提出利用大语言模型生成多个机器人任务计划树并合并为图，通过移除可疑路径并借助知识网络和GPT-4生成PDDL计划，从而提升任务规划的准确性与执行效率。
2024-01-15 cs.AI cs.CL cs.RO
MapForest: A Modular Field Robotics System for Forest Mapping and Invasive Species Localization
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出MapForest，一种模块化机器人系统，利用多模态传感器数据生成GIS-ready的入侵物种地图，通过LiDAR-惯性制图、图像识别和地理参考制图实现精准定位，实验显示其在GNSS间断环境下具有高精度和鲁棒性。
2026-03-23 cs.RO
Behavior Trees in Robotics and AI: An Introduction
行为树（BT）是一种在自主智能体（如机器人或计算机游戏中的虚拟实体）中构建不同任务之间切换的方法。BT是创建复杂系统的一种非常有效的方式，这些系统既具有模块化又具有反应性。这些属性在许多应用中至关重要，这导致BT从计算机游戏编程传播到人工智能和机器人技术的许多分支。在本书中，我们将首先介绍BT，然后描述BT如何与早期的交换结构相关，并在许多情况下进行推广。然后，这些想法被用作一组高效且易于使用的设计原则的基础。属性，如安全性，鲁棒性和效率是很重要的自治系统，我们描述了一套工具，正式分析这些使用状态空间描述的BT。有了新的分析工具，我们可以形式化描述BT如何推广早期的方法。我们还展示了BT在自动规划和机器学习中的使用。最后，我们描述了一套扩展的工具来捕捉随机BT的行为，其中动作的结果由概率描述。这些工具能够计算成功概率和完成时间。
2022-10-25 cs.AI cs.RO
Robust Adaptive Time-Varying Control Barrier Function with Application to Robotic Surface Treatment
Maersk Mc-Kinney Moller Institute, University of Southern Denmark（马士基麦金尼·莫勒研究所，丹麦南方大学）
针对现有时变约束控制方法忽略模型不确定性的问题，提出基于RaCBFs与ISSf、结合集员辨识的鲁棒自适应控制器，在机器人表面处理任务中验证其可在可接受范围内保证加工质量。
2025-11-18 cs.RO
Robust Point Cloud Registration in Robotic Inspection with Locally Consistent Gaussian Mixture Model
本文提出一种基于局部一致性高斯混合模型的概率配准方法，通过约束相邻点后验分布相似性增强对应鲁棒性，在噪声和异常值下将均方根误差降低20%，显著提升航空零件机器人检测中的点云配准精度。
2024-07-24 cs.RO
Towards Autonomous Robotic Precision Harvesting: Mapping, Localization, Planning and Control for a Legged Tree Harvester
ETH Zurich（苏黎世联邦理工学院）
本文提出了一种集成系统，用于执行精确收获任务，使用腿式收割机。我们的收割机在封闭的、GPS拒绝的森林环境中执行自主导航和树木抓取的挑战性任务。提出了映射、定位、规划和控制的策略，并将其集成到一个完全自主的系统中。任务开始时，人类使用定制的传感器模块绘制感兴趣的区域。随后，人类专家选择树木进行收获。然后将传感器模块安装在机器上并用于在给定地图内进行定位。规划算法在单个路径规划问题中搜索接近姿势和路径。我们设计了一个路径跟踪控制器，利用腿收割机的能力，谈判粗糙的地形。在到达接近姿势时，机器用通用夹具抓住一棵树。对于操作员选择的所有树重复该过程。我们的系统已经过测试，在测试领域与树干和天然森林。据我们所知，这是第一次在现实环境中运行的全尺寸液压机器上展示这种自主水平。
2021-11-05 cs.RO cs.SY eess.SY
A Unified Framework for Real-Time Failure Handling in Robotics Using Vision-Language Models, Reactive Planner and Behavior Trees
Lund University（隆德大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；ABB Robotics（ABB机器人公司）
针对机器人系统故障恢复适应性差的问题，提出结合VLM、反应式规划器与行为树的统一框架，含执行前验证与反应式处理，经真实与仿真实验验证，成功率与适应性更优。
2025-03-21 cs.AI cs.RO
LLM-as-BT-Planner: Leveraging LLMs for Behavior Tree Generation in Robot Task Planning
Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Technical University of Munich（慕尼黑技术大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对机器人装配任务中行为树手动构建费力的问题，提出LLM-as-BT-Planner框架，利用大语言模型结合上下文学习和微调自动生成行为树，提升生成成功率。
2025-06-18 cs.RO
Behavior Trees for Robotic Systems: An Empirical Study on Practices and Experiences
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；Radboud University（拉德堡德大学）；Carnegie Mellon University（卡内基梅隆大学）
本研究通过汽车公司行动研究和34名从业者调查，发现行为树能提升团队沟通和决策可理解性，但面临设计集成挑战、库文档不足及节点排序困难等问题。
2026-09-22 cs.RO cs.SE
Robust algorithm for calibration of robotic manipulator model
Ecole des Mines de Nantes（南特矿业学院）；IRCCyN（南特通信与控制研究所）；École Nationale d’Ingénieurs de Metz（梅斯国立工程师学院）；LCFC-ENSAM ParisTech Metz（ENSAM巴黎高科梅斯实验室）；University of Nantes（南特大学）
研究了机械臂几何参数和弹性静力参数的鲁棒辨识问题。重点研究了辨识算法效率的提高。为了提高辨识精度，提出了采用加权最小二乘法的方法，该方法采用了一种新的加权系数分配算法。后者允许考虑在不同方向和整个机器人工作空间中测量系统精度的变化。通过工业机器人弹性静力学标定的应用实例说明了该方法的优越性。
2013-11-26 cs.RO
Design and Evaluation of a Modular Robotic Plum Harvesting System Utilising Soft Components
The Australian Center for Field Robotics（澳大利亚现场机器人中心）；The University of Sydney（悉尼大学）
果树收获所需的人力是水果生产的主要成本，而且还在增加。为了解决这个问题，许多现有的研究工作都试图证明商业上可行的树木作物机器人收获，虽然从这些成功的商业产品已经很少。为甜椒或苹果等特定作物开发的系统已显示出前景，但绝大多数品种类型仍未得到解决，为每种作物开发特定系统的效率低下。在这项工作中，一个灵活的和模块化的开发平台，这可以用来测试特定的设计选择不同的水果和生长条件。该系统在商业李园进行评估，没有作物的修改。一些现有的技术被发现是适得其反的李子，而软机器人和持续的目标跟踪显着提高性能。观察到的收获成功率为42%，低于基于先前苹果测试的预期效果。李子型和生长风格带来了独特的挑战，在系统模块设计选择的背景下进行了研究。
2020-07-13 cs.RO
