Design and Control of Modular Soft-Rigid Hybrid Manipulators with Self-Contact
Computer Science and Artificial Intelligence Laboratory, MIT(麻省理工学院计算机科学与人工智能实验室);Delft University of Technology(代尔夫特理工大学);German Aerospace Center (DLR)(德国航空航天中心)
针对软机器人负载有限、抗重力作业能耗高的问题,提出串联式刚柔混合机械臂SRH,通过自接触实现刚柔状态切换,设计两种经稳定性证明的控制器并在硬件上验证了多任务执行能力。
2024-08-17 cs.RO
A Continual Learning Framework for Adaptive Control of Modular Soft Robots
The BioRobotics Institute, Scuola Superiore Sant’Anna(生物机器人研究所,圣安娜高等学校);Department of Excellence in Robotics and AI, Scuola Superiore Sant’Anna(机器人与人工智能卓越系,圣安娜高等学校);Department of Mechanical Engineering, National University of Singapore(新加坡国立大学机械工程系);ETIS Lab UMR8051 CY Cergy Paris University - ENSEA - CNRS(ETIS实验室UMR8051,CY赛尔吉 - 巴黎大学 - ENSEA - 法国国家科学研究中心)
针对模块化软机器人设计控制器的挑战,提出持续学习启发的控制框架,能顺序学习新配置不忘旧知识,可分布式学习特定模块动力学,经实验验证其能适应形态变化并减少计算开销。
2026-07-09 cs.AI cs.RO
Control and Morphology Optimization of Passive Asymmetric Structures for Robotic Swimming
EPFL(洛桑联邦理工学院);Scuola Superiore Sant’Anna(圣安娜高等研究院);Wrocław University of Science and Technology(弗罗茨瓦夫理工大学)
水生生物表现出显着的适应性,他们的身体有效地与周围的液体相互作用。它们的形态,运动和环境之间的紧密耦合是非常复杂的,但在软机器人游泳者中创建仿生结构时,可以作为一个有价值的例子。我们专注于使用结构的不对称性,以帮助推力产生和机动性。探索了具有非对称轮廓的结构的设计,以便我们可以使用形态学来“塑造”推力的产生。我们建议将简单的模拟与自动数据驱动的方法相结合,以探索它们与流体的相互作用。与基线对称结构相比,具有共同优化的形态和控制器的非对称结构能够产生2.5倍的有用推力。此外,这些不对称的羽毛状手臂上的机器人系统能够向前游泳运动,而同一机器人配备了一个普通的羽毛是不能向前移动的验证。
2022-11-24 cs.RO
Module Number Adaptive Visual Shape Control for Serial Modular Soft Robots
Graduate School of Engineering Science, The University of Osaka(大阪大学工程科学研究生院);Faculty of Science and Technology, Sophia University(上智大学理工学部)
本文针对串行模块化软体机器人,提出仅用单模块数据训练的控制器,通过分解图像为模块块、结合几何数据增强与轻量掩码网络,实现了跨1-5模块及环境变化下的形状控制,无需特定构型数据。
2026-09-01 cs.RO
Adaptive Variable Impedance Control for a Modular Soft Robot Manipulator in Configuration Space
Shahid Beheshti University(沙希德·贝赫什提大学);Technical University of Denmark(丹麦技术大学)
合规性是人机交互的强烈要求。软机器人提供了一个机会,以弥补传统的致动机构缺乏遵守,然而,他们的控制是非常具有挑战性的,因为他们的内在复杂的运动。因此,软机器人需要新的方法,例如,建模、控制、动力学和规划。确保顺应性的控制策略之一是阻抗控制。在存在耦合力和位置约束的任务执行期间,动态行为增加了阻抗控制的灵活性。这对控制系统的稳定性施加了一些额外的约束。为了解决这些问题,我们提出了一个可变的阻抗控制在配置空间中的模块化软体机器人操作器(MSRM)的模型不确定性和外力的存在。为了降低计算复杂度,采用基于动量的方法在位形空间估计外载荷,并设计自适应反推滑模控制器以防止不确定性。利用李雅普诺夫理论进行稳定性分析,不仅保证了所设计控制律下各状态的指数稳定性,而且保证了闭环系统的全局稳定性。系统性能的基准对其他传统的控制方法,如滑模(SM)和逆动态PD控制器。仿真结果表明,与SM和PD控制器相比,所提出的变阻抗控制在稳定位置误差和减小外部负载的影响方面是有效的。
2021-10-09 cs.RO cs.SY eess.SY
Accomplishing High-Level Tasks with Modular Robots
Cornell University(康奈尔大学);University of Pennsylvania(宾夕法尼亚大学)
模块化自重构机器人系统的优点是其灵活性,但这一优点只能实现,如果适当的配置(形状)和行为(控制程序)可以选择一个给定的任务。在本文中,我们提出了一个集成系统,解决高层次的任务与模块化机器人,并证明它是能够完成具有挑战性的,多部分的任务,在硬件实验。该系统由四个紧密集成的组件组成:(1)高级任务规划器,(2)涵盖广泛功能的大型设计库,(3)用于使用新配置和行为填充库的设计和仿真工具,以及(4)模块化机器人硬件。本文建立在作者早期的工作,扩展了原系统,包括环境适应性参数行为,集成运动规划器和反馈控制器的系统。
2018-05-01 cs.RO
Towards Multi-Morphology Controllers with Diversity and Knowledge Distillation
University of Vermont(佛蒙特大学)
提出一种利用质量多样性算法生成多形态教师控制器数据集,并通过监督学习蒸馏为单一多形态控制器的流水线,实现零样本泛化、损伤恢复和良好可扩展性。
2024-04-22 cs.LG cs.NE cs.RO
Lamarckian Inheritance in Dynamic Environments: How Key Variables Affect Evolutionary Dynamics
Department of Informatics, University of Oslo, Norway(奥斯陆大学信息学院);RITMO, University of Oslo, Norway(奥斯陆大学RITMO)
本文研究动态环境中关键变量对进化动态的影响,通过虚拟软机器人和两种学习方法,发现拉马克继承在环境变化冲突且不可预测时表现欠佳,但添加环境感知传感器可恢复其优势。
2026-05-15 cs.AI cs.RO
Control of Biohybrid Actuators using NeuroEvolution
University of the West of England(西英格兰大学);University of Novi Sad(诺威萨德大学)
针对软体机器人材料非线性导致控制器设计困难的问题,提出基于NEAT和HyperNEAT的神经进化算法自动生成生物混合执行器控制器,其性能优于标准遗传算法,为医疗设备提供有效控制方案。
2024-11-13 cs.ET cs.RO
A Robust Controller for Stable 3D Pinching using Tactile Sensing
University of Bristol(布里斯托大学);Shadow Robotics Company(影子机器人公司);Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
本文提出了一种控制器的稳定把握未知形状的物体由两个机器人手指与触觉指尖。通过在接触表面上滚动指尖并施加期望的抓握力以达到平衡状态来稳定抓握。验证是在模拟和全驱动机器人手(阴影模块化抓钳)配备定制的光学触觉传感器(基于BRL TacTip)。控制器需要接触表面的方向,这是通过在触觉图像上回归深卷积神经网络来估计的。总体而言,掌握系统被证明实现稳定的平衡构成各种物体的形状和柔软度,与系统的扰动和测量误差是鲁棒的。这种方法也有希望扩展到抓取之外,用多个手指稳定地操纵手中的物体。
2021-07-01 cs.RO cs.SY eess.SY
Seeking Quality Diversity in Evolutionary Co-design of Morphology and Control of Soft Tensegrity Modular Robots
University of Trento(特伦托大学)
由于形态学和控制器之间的非平凡相互作用,设计最佳的软模块化机器人是困难的。进化算法(EA),结合物理模拟器,代表了一个有效的工具来克服这个问题。在这项工作中,我们研究的算法解决方案,以提高质量多样性的协同进化设计的张拉整体软模块化机器人(TSMRs)的两个机器人任务,即达到目标和挤压通过一个狭窄的通道。为此,我们使用三种不同的EA,即,MAP-Elites和两种自定义算法:一种基于生存力进化(ViE)和NEAT(ViE-NEAT),另一种称为双映射MAP-Elites(DM-ME),旨在寻求多样性,同时共同进化机器人形态和基于神经网络(NN)的控制器。详细地说,DM-ME扩展了MAP-Elites,因为它使用两个不同的特征图,分别指形态和控制器,并集成了一种机制来自动定义NN相关的特征描述符。考虑到适应度,在目标达成任务中,ViE-NEAT优于MAP-Elites,结果相当于DM-ME。相反,当考虑特征空间的“照明”方面的多样性时,DM-ME在两个任务上都优于其他两种算法,提供了更丰富的可能的机器人设计池,而ViE-NEAT在目标达成上显示出与MAP-Elites相当的性能,尽管它不利用任何地图。
2021-04-25 cs.NE cs.RO
Communication in modular robotic motor control: Bilateral controllers under realistic constraints
Monash University(莫纳什大学);Tel Aviv University(特拉维夫大学);Cerenaut(瑟雷诺特公司)
该研究提出受大脑双侧结构启发的模块化GRU双边控制器,在双臂肌肉骨骼仿真任务中,其性能优于整体架构及无通信的模块化控制器,证明模块间通信可优化机器人运动的精度、成本与稳定性。
2026-11-17 cs.RO
Evolutionary Co-Design of Morphology and Control of Soft Tensegrity Modular Robots with Programmable Stiffness
Ecole polytechnique fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
张拉整体结构重量轻,可以承受大变形,并具有出色的鲁棒性。这些独特的属性激发了机器人专家研究它们的用途。然而,张拉整体机器人的形态设计、控制、装配和驱动仍然是困难的任务。此外,张拉整体机器人的刚度仍然是一个被低估的设计参数。在这篇文章中,我们建议使用易于组装,驱动张拉整体模块和身体-大脑协同进化设计软张拉整体模块化机器人。此外,我们证明了张拉整体机器人刚度的重要性,展示了如何根据模块刚度的演变表明不同的形态,控制和运动策略。
2021-01-28 cs.RO
Data-efficient Learning of Morphology and Controller for a Microrobot
University of California, Berkeley(加州大学伯克利分校);Facebook AI Research(Facebook人工智能研究院)
机器人设计通常是一个缓慢而困难的过程,需要迭代构建和测试原型,以顺序优化设计。对于大多数机器人来说,当验证硬件解决所需任务的能力时,需要已经有适当的控制器,而控制器又针对特定硬件进行设计和调整,这使得该过程进一步复杂化。在本文中,我们提出了一种新的方法,HPC-BBO,有效地和自动地设计硬件配置,并评估它们也自动调整相应的控制器。HPC-BBO基于分层贝叶斯优化过程,该过程迭代优化形态配置(基于控制器学习过程中先前设计的性能),随后学习相应的控制器(利用从先前形态优化中收集的知识)。此外,HPC-BBO可以一次选择多个形态设计的“批次”,从而并行硬件验证并减少耗时的生产周期。我们验证HPC-BBO的形态和控制器的设计模拟6腿微型机器人。实验结果表明,HPC-BBO优于多个竞争对手的基线,并产生一个$360\%$减少生产周期超过标准贝叶斯优化,从而减少了我们的微型机器人的假设制造时间从21个月到4个月。
2019-05-03 cs.AI cs.LG cs.RO
Collective control of modular soft robots via embodied Spiking Neural Cellular Automata
University of Trieste(的里雅斯特大学);Oslo Metropolitan University(奥斯陆城市大学)
基于体素的软机器人(VSR)是一种模块化软体机器人,由几个可变形立方体组成,即,体素因此,每个VSR都是简单代理(即体素)的集合,这些体素必须合作以产生整体VSR行为。在这种范式中,集体智慧在实现协调的出现方面发挥了关键作用,因为每个体素都是独立控制的,只利用局部感官信息以及从其直接邻居传递的一些知识(分布式或集体控制)。在这项工作中,我们提出了一种新形式的集体控制,神经元自动机(NCA)的影响和生物启发的脉冲神经网络的基础上:体现尖峰NCA(SNCA)。我们的实验与不同的变体SNCA,并发现他们是竞争力与国家的最先进的分布式控制器的任务的运动。此外,我们的研究结果表明,在不可预见的环境变化,这可能是一个决定因素的物理实用性的VSR的适应性方面的基线有显着改善。
2022-04-05 cs.AI cs.RO
GLAMDRING: Gait Learning And Morphology co-Design via Reinforcement LearnING of CPGs
Purdue University(普渡大学)
GLAMDRING通过强化学习协同设计四足机器人形态与CPG步态,满足运动约束并优化速度或能效,实验表明协同设计必要且动物步态自然涌现。
2026-09-18 cs.LG cs.RO
Holistic Construction Automation with Modular Robots: From High-Level Task Specification to Execution
Technical University of Munich, Department of Computer Engineering(慕尼黑技术大学计算机工程系);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);Fraunhofer Italia Research, Robotics and Intelligent Systems Engineering(弗劳恩霍夫意大利研究所机器人与智能系统工程)
针对建筑现场自动化挑战,提出基于移动模块化可重构机器人的整体框架,集成BIM自动优化机器人形态并执行任务,仿真与实验验证钻孔等自主执行。
2025-07-08 cs.AI cs.HC cs.RO
MeMo: Meaningful, Modular Controllers via Noise Injection
MIT(麻省理工学院);NVIDIA(英伟达公司)
针对机器人需从头训练控制标准化组件的问题,提出MeMo框架,通过噪声注入优化模块化目标与行为克隆损失,在形态和任务迁移中训练效率优于图神经网络与Transformer基线。
2025-02-11 cs.LG cs.RO
Can Modular Finger Control for In-Hand Object Stabilization be accomplished by Independent Tactile Feedback Control Laws?
Technische Universität Darmstadt(达姆施塔特工业大学);Max-Planck-Institut für Intelligente Systeme(马克斯·普朗克智能系统研究所)
目前,在手操纵过程中的抓握控制通常被建模为单片任务的一部分,产生基于专门针对其情况的力控制的复杂控制器。这种非模块化的和专门的控制方法使得这些控制器难以推广到新的手持操纵任务。显然,一个抓握控制的方法,概括以及之间的几个任务将是可取的。我们提出了一个模块化的方法,每个手指由一个独立的触觉控制器控制。使用来自人类启发的biotac传感器的信号,我们可以预测未来的滑倒-并通过适当的运动动作防止它。这种防滑控制器是在单指稳定任务期间首次开发和训练的。随后,我们表明,几个独立的防滑抓地力控制器可以一起使用,没有任何形式的中央通信。所得到的方法适用于两个、三个、四个和五个手指抓握稳定控制。这种模块化的抓握控制方法具有推广到各种各样的手内操纵任务的潜力,包括抓握变化、手指步态、双手之间的对象转移以及多个对象。
2016-12-24 cs.RO
Simplifying ROS2 controllers with a modular architecture for robot-agnostic reference generation
Department of Information Engineering, Electrical Engineering and Applied Mathematics (DIEM), University of Salerno(信息工程、电气工程与应用数学系(DIEM),萨勒诺大学)
提出一种模块化ROS2架构,通过专用参考生成器解耦参考处理与控制逻辑,减少重复代码并提升跨平台复用性,在UR和Franka机器人上验证了可靠跟踪与流水线构建效率。
2026-09-14 cs.RO
Shared Modular Recurrence in Contextual MDPs for Universal Morphology Control
Delft University of Technology(代尔夫特理工大学)
研究旨在解决多机器人形态差异大时的控制难题,提出利用模块化交互恢复上下文特征,实现更好的多机器人控制及泛化。通过基于变压器且具共享模块化递归的架构在MuJoCo机器人上评估,显著提升了零样本泛化性能。
2026-11-02 cs.AI cs.RO
An Agnostic End-Effector Alignment Controller for Robust Assembly of Modular Space Robots
Space Robotics Lab (SRL), Dept. of Aerospace Engineering, Tohoku University(空间机器人实验室(SRL)、航空航天工程系、东洋大学)
本研究提出一种不可知末端执行器对齐控制器,通过动态超球面钳位实现自适应速度边界,在JAXA模拟器中验证了两种变体,实现毫米级精度与鲁棒性。
2025-10-24 cs.RO
Morphology and Behavior Co-Optimization of Modular Satellites for Attitude Control
Shenzhen International Graduate School (SIGS), Tsinghua University(清华大学深圳国际研究生院)
本文提出一种基于梯度的协同优化方法,同时优化模块化卫星的形态与控制,解决传统进化方法计算昂贵且样本效率低的问题,在姿态控制任务中取得更优性能。
2024-09-20 cs.AI cs.RO
Learning Perceptive Platform Adaptive Locomotion Controllers for Quadrupedal Robots
Dynamic Robot Systems, Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所动态机器人系统)
研究如何将感知融入形态感知强化学习架构,通过自适应地形课程训练跨形态通用控制器,发现仅评论家感知在鲁棒性和稳定性上优于完全感知策略。
2026-06-25 cs.RO
A Compositional Neuro-Controller for Advanced Motor Control Tasks
University of Queensland(昆士兰大学)
人类和动物发展了一种复杂的运动控制装置,有很多证据表明它具有模块化结构。模块化提供了一系列的好处,例如,能够学习可分离的运动风格而不干扰和遗忘,快速适应和去适应变化的条件。然而,在机器人技术中,构建一个可以有效地增量学习新运动风格并提供它们之间切换的控制器是一个艰巨的挑战。在本文中,我们提出了一种新的生物启发组成的神经控制器来解决这个问题。我们已经表明,组合控制器能够更有效地再现一组轨迹相比,一个简单的控制器,利用增量学习的好处。其次,我们已经证明,所提出的控制器是能够学习不同的运动风格,并在它们之间切换,在一个模拟的机器蛇。
2016-05-19 cs.RO
Fast and Modular Whole-Body Lagrangian Dynamics of Legged Robots with Changing Morphology
Autonomous Space Robotics and Mechatronics Laboratory, Carleton University(自主空间机器人与机电实验室,卡尔顿大学);Mechanical, Industrial, and Mechatronics Engineering Department, Toronto Metropolitan University(机械、工业与机电工程系,多伦多 Metropolitan 大学)
提出基于玻尔兹曼-哈梅尔方程和螺旋理论的模块化全身动力学框架,独立建模每条腿并按形态组装,实现多腿机器人损伤后的快速自适应控制,验证显示模型比实时快约三倍。
2025-04-23 cs.RO nlin.AO
Artificial Hormone Reaction Networks: Towards Higher Evolvability in Evolutionary Multi-Modular Robotics
Karl-Franzens University Graz(格拉茨卡尔·弗朗岑斯大学)
机器人控制器软件的半自动或自动合成既令人满意又具有挑战性。通过应用人工进化来合成相当简单的行为,例如避免碰撞,已经多次展示。然而,这种合成的难度随着机器人应该执行的任务的复杂性的增加而大大增加。我们试图解决这个问题的复杂性与人工稳态激素系统(AHHS),它提供了内在的,稳态的过程和(瞬态)内在的,变异的行为。通过使用AHHS,对预定义的控制器拓扑或关于应用领域的信息的需要被最小化。我们研究了控制器的原理设计和激素网络大小如何影响人工进化的整体性能(即,进化性)。这是通过比较AHHS的两种变体来完成的,这两种变体在突变时显示出不同的效果。我们进化了一个机器人的控制器,该机器人由五个自主合作的模块组成。期望的行为是通过使用模块的主铰链导致快速运动的步态形式。
2010-11-17 cs.AI cs.NE cs.RO
Recompositional Robotics: Cross-Domain, Open-set, and Lifelong Modularity Beyond Morphology
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出重组机器人学,旨在通过跨硬件、软件、计算与行为的异构模块重组,最大化集成跨度并最小化集成惯性,以提升机器人基本能力的适应性,并定义问题、结合实例提出开放问题。
2026-09-30 cs.RO
Cooperative Distributed Robust Control of Modular Mobile Robots with Bounded Curvature and Velocity
University of Utah(犹他大学)
本文研究了一种新型的运动控制系统,用于具有柔性框架轮式模块化移动机器人(CFMMR)。该系统结合了基于有限曲率的运动控制器和非线性阻尼动态控制器,通过多种控制器交互形式评估不同控制结构,实验结果验证了姿态调节的有效性。
2019-05-03 cs.RO cs.SY eess.SY
UniLegs: Universal Multi-Legged Robot Control through Morphology-Agnostic Policy Distillation
Wuxi Research Institute of Applied Technologies, Tsinghua University(清华大学应用技术研究院(无锡));School of Internet of Things Engineering, Department of Automation, Jiangnan University(江南大学物联网工程学院);Shanghai Jiao Tong University(上海交通大学);School of Automation Science and Electrical Engineering, Beihang University(北航自动化科学与电气工程学院)
针对足式机器人控制器跨形态泛化难题,提出两阶段师生策略蒸馏框架,将各形态专用教师策略蒸馏为Transformer学生策略,在多种形态上表现优异并经真实机器人验证,提供了可扩展的通用控制方案。
2025-07-31 cs.RO
MorphoGuard: A Morphology-Based Whole-Body Interactive Motion Controller
Shanghai Research Institute for Intelligent Autonomous Systems(上海智能自主系统研究院)
本文提出MorphoGuard,一种基于形态的全身交互运动控制器,通过形态约束网络解决多接触组合的复杂性问题,实验表明其在多物体交互任务中具有高精度的接触点管理能力。
2026-04-02 cs.RO cs.SY eess.SY
Modular Multi-Copter Structure Control for Cooperative Aerial Cargo Transportation
New York University(纽约大学);New York University Abu Dhabi(纽约大学阿布扎比分校)
本文研究了多直升机机群的控制问题,该机群通过一个模块化的连杆格型结构进行机械耦合。系统的结构弹性被认为是在推导系统的动力学。所设计的控制器是强大的对诱导的灵活性,而一个固有的适应计划允许控制的不对称配置和运输未知的有效载荷。某些优化指标,同时实现最大的系统飞行时间,在一个平台无关的控制实现解决个人代理推力分配问题。通过实验研究来说明所建议的控制器在典型飞行条件、增加的杆弹性和有效载荷运输下的效率。
2022-10-10 cs.RO
Task-Driven Computational Framework for Simultaneously Optimizing Design and Mounted Pose of Modular Reconfigurable Manipulators
Istituto Italiano Di Tecnologia (IIT)(意大利技术研究院);University of Genova(热那亚大学)
提出一种计算框架,通过隐式映射函数将模块化可重构机械臂的形态与安装姿态统一在连续空间内协同优化,并整合多种性能指标,在钻孔任务中验证了其优于组合优化方法。
2024-12-15 cs.RO
MetaMorph: Learning Universal Controllers with Transformers
Stanford University(斯坦福大学);NVIDIA Corporation(英伟达公司);Stanford Institute for Human-Centered Artificial Intelligence(斯坦福以人为本人工智能研究院)
通过利用Transformers进行大规模预训练,然后进行特定任务的微调,视觉、自然语言和音频等多个领域正在取得巨大进展。相比之下,在机器人技术中,我们主要是为单一任务训练单个机器人。然而,模块化机器人系统现在允许通用构建块到任务优化形态的灵活组合。然而,考虑到可能的机器人形态的数量呈指数级增长,为每个新设计训练控制器是不切实际的。在这项工作中,我们提出了MetaMorph,一个基于Transformer的方法来学习一个通用的控制器在一个模块化的机器人设计空间。MetaMorph基于这样一种见解,即机器人形态只是我们可以调节Transformer输出的另一种形态。通过大量的实验,我们证明了各种机器人形态的大规模预训练的结果与组合泛化能力的政策,包括zero shot泛化到看不见的机器人形态。我们进一步证明,我们的预训练策略可以用于样本高效转移到全新的机器人形态和任务。
2022-03-22 cs.LG cs.NE cs.RO
Data-efficient Co-Adaptation of Morphology and Behaviour with Deep Reinforcement Learning
Arizona State University(亚利桑那州立大学);Facebook AI Research(脸书人工智能研究院)
人类和动物能够快速学习新的行为来解决新的任务。然而,我们经常忘记,它们也依赖于一种高度专业化的形态,这种形态与数千年来的运动控制相适应。虽然引人注目,但由于制造时间长,并且需要为每个形态重新设计适当的控制器,因此机器人中共同适应形态和行为的想法通常是不可行的。在本文中,我们提出了一种新的方法来自动和有效地适应机器人形态及其控制器。我们的方法基于深度强化学习的最新进展,特别是软演员评论算法。我们的方法的关键是利用以前测试的形态和行为来估计新的候选形态的性能的可能性。因此,我们可以充分利用可用的信息来做出更明智的决策,最终目标是实现更有效的数据协同适应(即,减少测试的形态和行为的数量)。模拟实验表明,我们的方法需要少得多的设计原型,找到良好的形态-行为组合,使这种方法特别适合未来的共同适应机器人设计在现实世界中。
2019-11-15 cs.AI cs.LG cs.NE
Reinforcement-Learning-Based Assistance Reduces Squat Effort with a Modular Hip--Knee Exoskeleton
Department of Biomedical Engineering, New Jersey Institute of Technology(生物医学工程系,新泽西理工学院)
本研究提出基于强化学习的模块化髋膝外骨骼控制器,通过主动辅助减少深蹲的生理努力,降低代谢率约10%。
2026-02-19 cs.RO
A Modular Robotic Arm Control Stack for Research: Franka-Interface and FrankaPy
Carnegie Mellon University(卡内基梅隆大学)
我们设计了一个模块化的机器人控制堆栈,为Franka Panda Research机器人提供可定制和可访问的界面。该框架将高级机器人控制命令抽象为技能,并将其分解为轨迹生成器、反馈控制器和终止处理程序的组合。低级控制在C++中实现,并以$1$ kHz运行,高级命令在Python中公开。此外,外部传感器反馈,如估计的物体姿态,可以实时的流到低级控制器。这种模块化方法使我们能够快速原型化新的控制方法,这对于研究应用至关重要。我们已经在超过$5$发表的研究论文中将此框架应用于各种真实世界的机器人任务。该框架目前在卡内基梅隆大学的其他机器人实验室内部共享,我们计划在不久的将来公开发布。
2020-11-04 cs.RO
Integrating Sample Inheritance into Bayesian Optimization for Evolutionary Robotics
Department of Informatics, University of Oslo(信息学院,奥斯陆大学)
本文提出利用样本继承提升贝叶斯优化在进化机器人中的性能,通过两种继承方式验证了其有效性,展示了低预算下的高效优化策略。
2026-01-07 cs.RO
A comparison of controller architectures and learning mechanisms for arbitrary robot morphologies
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Eindhoven University of Technology(埃因霍温理工大学)
针对形态未知的模块化机器人,论文实验比较CPG加进化算法、RL加神经网络、神经网络加进化算法三种控制器与学习机制,发现中间组合在有效性、效率和鲁棒性上表现最佳。
2023-09-25 cs.AI cs.LG cs.NE
Behaviour diversity in a walking and climbing centipede-like virtual creature
University of Oslo(奥斯陆大学);Tohoku University(东北大学);Future University Hakodate(函馆未来大学);RITMO, University of Oslo(奥斯陆大学RITMO)
本文提出一种融合波动、蠕动和腿部运动的去中心化控制器,在多种模拟蜈蚣机器人上验证,发现其能根据环境和形态变化涌现出六种运动模式,且不同身体部位可同时采用不同模式,为机器人形态设计与运动原理研究提供工具。
2024-11-19 cs.RO
Environmental Adaptation of Robot Morphology and Control through Real-world Evolution
University of Oslo(奥斯陆大学);Norwegian Defence Research Establishment(挪威国防研究机构);Australian National University(澳大利亚国立大学);CSIRO(澳大利亚联邦科学与工业研究组织);RITMO(节奏研究中心)
在现实世界中运行的机器人将经历一系列不同的环境和任务。机器人必须具有适应环境的能力,才能在变化的环境中有效地工作。进化机器人旨在通过优化机器人的控制和身体(形态)来解决这个问题,允许适应内部和外部因素。这一领域的大多数工作都是在物理模拟器中完成的,这些模拟器相对简单,无法复制现实世界中的丰富交互。解决方案,依赖于控制,身体和环境之间的复杂的相互作用,因此很少found.In本文中,我们完全依赖于现实世界的评估和应用进化搜索产生的形态和控制的组合,我们的机械自我重构四足机器人。我们在两个不同的物理表面上开发解决方案,并从控制和形态方面分析结果。然后,我们过渡到两个以前看不见的表面,以证明我们的方法的一般性。我们发现,进化搜索发现高性能和多样化的形态控制器配置,通过适应控制和身体的物理环境的不同属性。我们还发现,形态和控制不同的环境之间的统计意义。此外,我们观察到,我们的方法允许形态和控制参数转移到以前看不见的地形,证明了我们的方法的一般性。
2020-10-20 cs.NE cs.RO
GCNT: Graph-Based Transformer Policies for Morphology-Agnostic Reinforcement Learning
Jilin University(吉林大学);Changchun University of Science and Technology(长春理工大学)
针对不同形态机器人难用传统策略网络训练通用控制器的问题,提出结合改进GCN与Transformer的形态无关策略GCNT,充分提取利用形态信息,实现多样形态适配与零样本泛化,在2个基准的8项任务上性能最优。
2025-05-21 cs.RO
Accelerated co-design of robots through morphological pretraining
Northwestern University(西北大学)
针对机器人形态与控制协同设计数据成本高的问题,提出形态学预训练与零样本进化,避免通用控制器联合优化导致的多样性崩溃,并通过微调获得更多高性能多样设计。
2025-02-15 cs.RO
An Experiment in Morphological Development for Learning ANN Based Controllers
IT University of Copenhagen(哥本哈根信息技术大学);Universidade da Coruña(拉科鲁尼亚大学);Integrated Group for Engineering Research(工程研究综合组);Centre for Information and Communications Technology(信息与通信技术中心)
形态发育是任何人类或动物学习方式的一部分。学习过程从出生时的形态开始,并通过改变形态进行,直到成年。从生物学上讲,这似乎有助于学习,使其更加强大。然而,当这种方法被转移到机器人系统,在文献中发现的结果是不一致的:形态发展并不提供在每一种情况下的学习优势。事实上,它可能会导致比使用固定形态学习时更差的结果。在本文中,我们通过一个简单但内容丰富的四足动物行走实验来分析所涉及的一些问题。从所获得的结果的初始一系列的见解时,在什么条件下应用形态学的发展学习。
2020-03-12 cs.AI cs.RO
TELESIM: A Modular and Plug-and-Play Framework for Robotic Arm Teleoperation using a Digital Twin
University of Glasgow(格拉斯哥大学)
本文提出模块化即插即用框架 TELESIM,以数字孪生为接口实现机械臂直接遥操作,并通过 37 名用户在两种机器人和两种控制模态下的实验验证了其易用性。
2023-09-20 cs.RO
Learning Modular Robot Locomotion from Demonstrations
Carnegie Mellon University(卡内基梅隆大学)
模块化机器人可以重新配置,从一小部分组件中创建各种设计。但是,仅仅构建机器人的硬件是不够的-每个机器人都需要一个控制器。可以单独为某些设计创建控制器,但为其他设计开发策略可能非常耗时。这项工作提出了一种方法,使用一组设计的演示,以加速其他设计的策略学习。我们利用一个学习框架,其中图神经网络由模块化组件组成,每个组件对应于一种类型的模块(例如,腿、轮或身体),并且这些组件可以重新组合以一次从多个设计中学习。在本文中,我们开发了一个组合的强化和模仿学习算法。我们的方法是新颖的,因为该政策是优化的,既最大限度地提高一个设计的奖励,同时模仿演示从不同的设计,在一个目标函数。我们表明,当模块化的政策与此组合的目标进行优化,从一组设计的演示会影响政策的行为在不同的设计,减少所需的训练迭代次数。
2022-10-31 cs.LG cs.RO
Versatile modular neural locomotion control with fast learning
The University of Southern Denmark(南丹麦大学);Vidyasirimedhi Institute of Science and Technology(维迪亚西里梅迪科技学院)
足式机器人在高度非结构化的环境中具有很大的应用潜力。然而,运动控制的设计仍然具有挑战性。目前,控制器必须针对特定的机器人和任务进行手动设计,或者通过机器学习方法进行自动设计,这些方法需要很长的训练时间并产生大型不透明控制器。从动物运动中汲取灵感,我们提出了一个简单而通用的模块化神经控制结构,具有快速学习能力。我们的方法的主要优点是,行为特定的控制模块可以逐步增加,以获得越来越复杂的紧急运动行为,并与现有的模块接口的神经连接可以快速,自动学习。在一系列的实验中,我们展示了如何八个模块可以快速学习,并添加到一个基本的控制模块,以获得紧急的自适应行为,使六足机器人在复杂的环境中导航。我们还表明,模块可以在操作过程中添加和删除,而不会影响其余控制器的功能。最后,控制方法成功地证明了物理六足机器人。总之,我们的研究揭示了复杂机器人系统的多功能神经运动控制的快速自动设计的重要一步。
2021-07-16 cs.AI cs.LG cs.RO
Beyond Task Reward: A Controller-Restriction Protocol for Evaluating Embodiment-Dependent Competence
University of Michigan(密歇根大学)
本文提出一种控制器限制协议,通过限制控制器评估机器人形态的具身能力,弥补任务奖励无法区分控制器依赖度的缺陷,并在EvoGym任务上验证其可靠性与有效性。
2026-10-07 cs.RO
A Task-Driven, Planner-in-the-Loop Computational Design Framework for Modular Manipulators
Humanoids and Human Centered Mechatronics Research Line, Italian Institute of Technology (IIT) Genoa, Italy(意大利理工学院(IIT)热那亚人类与以人为中心的机电研究组);Department of Industrial Engineering, University of Trento, Trento, Italy(特伦托大学工业工程系)
本文提出了一种面向任务的模块化机械臂计算设计框架,通过整合轨迹规划与形态优化,实现高效灵活的机械臂设计。
2025-12-18 cs.RO
A Modular Aerial System Based on Homogeneous Quadrotors with Fault-Tolerant Control
Department of Electrical Engineering and Information Technology, Technische Universität Darmstadt(电气工程与信息科技系,德累斯顿技术大学)
本文提出了一种基于同构四旋翼的模块化空中系统IdentiQuad,通过任务特定组装提升可控自由度,并设计了容错控制器以提高系统鲁棒性。
2024-03-21 cs.RO
Co-design is powerful and not free
Key Laboratory of Mechanism Theory and Equipment Design of Ministry of Education(教育部机制理论与装备设计重点实验室);Tianjin University(天津大学);Department of Computer Science(计算机科学系);Loughborough University(洛厄尔大学);University of Cambridge(剑桥大学)
本研究提出统一神经网络框架,实现形态与控制参数的端到端联合优化,通过静态障碍物到达任务案例,揭示协同设计在形态不匹配时优势明显,而控制优化在基线形态足够时更优,为具身机器人设计提供指导。
2025-10-09 cs.NE cs.RO
Plant-inspired behavior-based controller to enable reaching in redundant continuum robot arms
The BioRobotics Institute, Sant’Anna School of Advanced Studies(圣安娜高等研究院生物机器人研究所);Department of Mechanical Engineering, National University of Singapore(新加坡国立大学机械工程系)
针对冗余连续体机械臂任务空间控制器难以脱离实验室环境的问题,提出利用末端接近传感信息的植物启发式行为控制器,并在9自由度绳驱机械臂上验证了空间多点到达能力。
2023-04-14 cs.RO
Morphology-Specific Closed-Loop Control of Logarithmic-Spiral Continuum Arms via Online Jacobian Error Compensation
提出首个针对对数螺旋连续体臂的形态特异性闭环任务空间控制框架,通过分段腱驱动模型和在线雅可比误差补偿实现精确鲁棒控制,在轨迹跟踪、姿态调节等任务中优于分段常曲率基线方法。
2026-06-26 cs.RO physics.app-ph
C^2:Co-design of Robots via Concurrent Networks Coupling Online and Offline Reinforcement Learning
State Key Laboratory of Industrial Control and Technology, Zhejiang University(浙江大学工业控制技术国家重点实验室)
针对机器人形态与控制器协同设计中双网络框架在线训练性能受限的问题,提出结合在线与离线强化学习的并发网络框架,经仿真与真机验证有效提升了算法性能。
2023-11-07 cs.RO