osmAG: Hierarchical Semantic Topometric Area Graph Maps in the OSM Format for Mobile Robotics
ShanghaiTech University(上海科技大学)
提出基于OSM格式的osmAG分层语义拓扑度量区域图,结合语义标注与紧凑障碍物表示,支持基于机器人能力的规划,并集成ROS,在大规模真实地图上验证了其有效性与便利性。
2023-09-09 cs.RO
Dynamic Movement Primitives in Robotics: A Tutorial Survey
University of Innsbruck(因斯布鲁克大学);Aalto University(阿尔托大学);University of Southern Denmark(南丹麦大学);Delft University of Technology(代尔夫特理工大学)
本文以教程式综述梳理动态运动基元(DMPs)的数学表述、实现细节、方法优劣与文献分类,并讨论其局限和未来方向。
2021-02-07 cs.RO
A Survey of Legged Robotics in Non-Inertial Environments: Past, Present, and Future
School of Mechanical Engineering, Purdue University(帕克大学机械工程学院);Department of Mechanical and Aerospace Engineering, Rutgers University(新泽西罗格斯大学机械与航空航天工程系);Department of Robotics, University of Michigan(密歇根大学机器人系)
综述非惯性环境中腿式机器人的建模、状态估计与控制现状,分析运动性能退化原因,探讨现有方法的局限性及未来发展方向。
2026-04-22 cs.RO cs.SY eess.SY
NeRFs in Robotics: A Survey
University of Cambridge, UK(剑桥大学);China University of Mining and Technology(中国矿业大学);ETH Zurich(苏黎世联邦理工学院);University of California, Berkeley, USA(加州大学伯克利分校);Shanghai Jiao Tong University(上海交通大学)
本文综述了NeRF在机器人学中的应用与改进进展,分析其在感知和交互任务中的潜力,并总结挑战与未来方向。
2025-07-02 cs.CV 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
A Survey of Deep Learning Techniques for Mobile Robot Applications
多年来,深度学习的进步吸引了对人工神经网络在机器人系统中的深度的研究。本研究综述将对当前的研究进行总结,特别关注深度学习应用于移动机器人的收益和障碍。
2018-03-20 cs.CV cs.RO
Results of the Survey: Failures in Robotics and Intelligent Systems
Research Institute for Cognition and Robotics (CoR-Lab)(认知与机器人研究所);Center of Excellence Cognitive Interaction Technology (CITEC)(认知交互技术卓越中心);Bielefeld University(比勒费尔德大学)
2015年1月,我们在机器人研究人员中分发了一份关于机器人和智能系统故障的在线调查。这项调查的目的是找出目前存在哪些类型的故障,它们的起源是什么,以及如何监控和调试系统-特别关注性能错误。本报告概述了调查结果。
2017-08-24 cs.RO cs.SE
Towards Real-Time Monocular Depth Estimation for Robotics: A Survey
University of New South Wales(新南威尔士大学)
单目深度估计(MDE)作为自主驾驶和机器人运动估计、避障和场景理解等活动的重要组成部分,引起了计算机视觉和机器人领域的极大关注。在过去的几十年里,已经开发了大量的方法。然而,据我们所知,没有一个全面的调查MDE。本文旨在通过回顾1970年至2021年间发表的197篇相关文章来弥合这一差距。特别是,我们提供了一个全面的调查MDE涵盖各种方法,介绍了流行的性能评估指标和总结可利用的数据集。我们还总结了一些代表性方法的可用开源实现并比较了它们的性能。此外,我们还回顾了MDE在一些重要机器人任务中的应用。最后,我们总结了本文提出了一些有前途的未来研究方向。本调查有望帮助读者浏览这一研究领域。
2021-11-16 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
The Developments and Challenges towards Dexterous and Embodied Robotic Manipulation: A Survey
College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院)
该综述总结机器人操作从机械编程到具身智能、从简单夹具到多指灵巧手的演变及挑战,重点介绍当前具身灵巧操作在数据采集与技能学习框架的进展,并讨论三大限制其发展的关键挑战。
2025-11-18 cs.RO
A Step Toward World Models: A Survey on Robotic Manipulation
School of Computer Science and Technology, Tongji University(计算机科学与技术学院,同济大学)
本文综述了机器人操作中具备世界模型核心能力的方法,分析其在感知、预测和控制中的作用,提炼世界模型的核心组件与功能,以推动可泛化实用世界模型的发展。
2025-11-10 cs.CV cs.RO
A Survey of research in Deep Learning for Robotics for Undergraduate research interns
Maulana Azad National Institute of Technology(莫拉纳·阿扎德国家技术研究院);JNResearch Labs LLP(JN研究实验室有限责任公司)
在过去的几年里,基于机器人的解决方案的用例已经从工厂车间到家庭应用多样化。与此同时,深度学习方法正在取代计算机视觉、自然语言处理、语音处理等领域的传统技术,并提供稳健的结果。我们的目标是调查“应用于机器人的深度学习”这一广泛领域的一些研究实习项目,并为有抱负的学生实习生提供一个简明的观点。本文介绍了CMU机器人研究所暑期学者(RISS)的研究工作。我们特别关注使用深度学习来解决核心机器人问题以及机器人解决方案的论文。我们相信这将是有用的,特别是对实习的机器人研究所,CMU的抱负
2023-01-23 cs.AI cs.RO
Large VLM-based Vision-Language-Action Models for Robotic Manipulation: A Survey
School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)(计算机科学与技术学院,哈尔滨工业大学(深圳))
本综述首次系统分类梳理用于机器人操作的基于大型VLM的VLA模型,明确其定义与两类架构,考察其与先进领域的集成等内容,整合进展并提供更新项目页面
2026-09-01 cs.CV cs.RO
Internet of Things Meets Robotics: A Survey of Cloud-based Robots
Oklahoma State University(俄克拉荷马州立大学)
本文综述了物联网与机器人融合形成的机器人物联网(IoRT),重点分析其在医疗和农业中的应用,并通过企业调查揭示了物联网在提升客户体验、降本和加速开发方面的价值及安全隐私挑战。
2024-02-21 cs.NI cs.RO
Affordances in Robotic Tasks -- A Survey
Edinburgh Centre for Robotics(爱丁堡机器人中心);University of Edinburgh(爱丁堡大学);Heriot-Watt University(赫瑞-瓦特大学)
示能是自主机器人代理必须感知的关键属性,以便有效地与新对象进行交互。从历史上看,这一概念来源于心理学和认知科学的文献,其中对启示的讨论使得定义很难直接转移到对机器人有用的计算规范。这篇综述文章特别关注机器人技术,因此我们从这个角度讨论相关文献。在这次调查中,我们对文献进行分类,并试图找到不同方法之间的共同点,以期在机器人技术中的应用。我们提出了一个分类的基础上的先验知识的水平,假设建立一个特定的机器人任务的重要的不同的启示组件之间的关系。我们还确定了未来改进的领域,并讨论了可能对机器人实践产生影响的可能方向。
2020-04-15 cs.RO
Accessible Survey of Evolutionary Robotics and Potential Future Research Directions
Bournemouth University(伯恩茅斯大学)
本文综述了应用于进化机器人领域的各种进化方法,旨在解决机器人设计和控制领域的难题。进化机器人是一个快速发展的领域,近年来吸引了大量的研究关注。因此,本文整理了最近的研究结果以及一些预期的应用。所审查的文献有系统地组织起来,对最近的事态发展作了分类概述,并以表格形式提出,以供快速参考。我们从ER的角度讨论了机器人技术中存在的突出潜力和挑战,相信这些将在不久的将来通过应用进化方法得到解决。本研究的主要目的是探讨进化方法在机器人应用程序开发中的适用性。我们相信,这项研究将使研究人员能够利用进化方法来解决机器人技术中复杂的突出问题。
2022-10-21 cs.RO
Comprehensive Survey of Evolutionary Morphological Soft Robotic Systems
University of Bridgeport(布里奇波特大学);King Saud University(沙特国王大学)
进化机器人旨在自动设计自主自适应形态机器人,这些机器人可以进化以完成特定任务,同时适应环境变化。软机器人技术已经证明了进化机器人技术用于机器人控制和形态综合的可行性。发展进化软计算技术,可以产生面向任务的结构形态机器人的动机,使软机器人领域值得认真调查和研究,因此,本文总结了一个重要的研究量的计算和软件体系结构的角度。本文回顾了文献,并讨论了进化机器人学的各个方面,包括形态软体机器人的应用,使自我组装,自我重构,自我修复,自我繁殖。然后,主要的里程碑概述了重要的形态软机器人原型,由于其在该领域的重要性。最后,评估了该领域的当前最新技术水平。
2017-05-30 cs.RO
A New Wave in Robotics: Survey on Recent mmWave Radar Applications in Robotics
University of Colorado Boulder(科罗拉多大学博尔德分校);Seoul National University(首尔大学);University of Toronto(多伦多大学)
本文综述76–81 GHz FMCW毫米波雷达在机器人学中的最新应用,梳理雷达原理、定位建图、检测分类及数据集与校准技术,并展望其抗恶劣视觉条件的独特优势。
2024-10-28 cs.RO
Formal Specification and Verification of Autonomous Robotic Systems: A Survey
University of Liverpool(利物浦大学)
本文针对自主机器人系统形式化规约与验证缺乏最新综述的问题,系统梳理了该领域的挑战、形式化体系及验证方法,填补了相关研究概述的空白。
2019-05-01 cs.FL cs.RO
Compare Contact Model-based Control and Contact Model-free Learning: A Survey of Robotic Peg-in-hole Assembly Strategies
Tsinghua University(清华大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
在本文中,我们提出了一个概述的机器人销孔装配和分析两个主要的战略:接触模型为基础的和接触模型的战略。更具体地说,我们首先介绍了接触模型的控制方法,包括接触状态识别和顺应控制两个步骤。此外,我们专注于整个机器人装配系统的全面分析。其次,在没有接触状态识别过程的情况下,我们将接触无模型学习算法分解为两个主要的子领域:从演示中学习示教学习和从环境中学习(主要基于强化学习)。对于每个子领域,我们调查了标志性研究和正在进行的研究,以比较不同的类别。我们希望通过揭示潜在的联系来加强这两个研究群体之间的关系。最后,剩余的挑战和开放的问题,在该领域的机器人钉孔装配社区进行了讨论。展望了未来的研究方向和可能的工作。
2019-04-10 cs.RO
Survey on Datasets for Perception in Unstructured Outdoor Environments
Institute for Autonomous Systems Technology(自主系统技术研究所);University of the Bundeswehr Munich(慕尼黑联邦国防军大学)
本综述定量比较了非结构化室外环境的公开数据集,聚焦野外机器人常见感知任务,对其进行分类与特征分析,以帮助从业者选择最合适的数据集,并强调需谨慎选择兼容的标注策略。
2024-04-29 cs.CV cs.RO
Simulation for Planetary Robotic Perception and Autonomy: A Concise Survey of Recent Capabilities and Gaps
DGIST(大邱庆北科学技术院)
本文综述行星机器人感知与自主性仿真,从开放性、场景覆盖、传感器支持和环境真实性四维度评估,指出公共可用性不均、漫游车中心覆盖及操作约束报告不足等差距。
2026-09-29 cs.RO
A Survey of Decision-Theoretic Approaches for Robotic Environmental Monitoring
该综述首次全面梳理了机器人环境监测领域的决策论方法,明确了环境表示方式与任务求解思路,归纳了决策优化的六大维度,指出了领域现存挑战与发展机遇。
2023-11-06 cs.RO
OpenHelix: A Short Survey, Empirical Analysis, and Open-Source Dual-System VLA Model for Robotic Manipulation
Westlake University(西湖大学);Zhejiang University(浙江大学);Xi’an Jiaotong University(西安交通大学);HKUST(GZ) Project Lead(香港科技大学(广州)项目负责人)
本文围绕机器人操作中的双系统 VLA 架构,综述现有结构设计并开展核心要素实证分析,最终发布低成本开源模型 OpenHelix,以推动后续性能优化与研究。
2025-05-06 cs.CV cs.RO
Semantics for Robotic Mapping, Perception and Interaction: A Survey
Queensland University of Technology(昆士兰科技大学);Monash University(莫纳什大学);University of Adelaide(阿德莱德大学);Australian National University(澳大利亚国立大学)
为了让机器人能够更丰富地与周围的世界进行导航和互动,它们可能需要对它们所处的世界有更深入的了解。在机器人和相关研究领域,理解的研究通常被称为语义学,它规定了世界对机器人的“意义”,并且与如何表示该意义的问题密切相关。随着人类和机器人越来越多地在同一个世界中操作,人机交互的前景也带来了自然语言的语义和本体。在需求的驱动下,以及通过增加训练数据和计算资源的可用性等推动因素,语义是机器人技术中一个快速发展的研究领域。迄今为止,该领域在研究文献中受到了极大的关注,但大多数评论和调查都集中在该主题的特定方面:关于其在特定机器人主题(如映射或分割)中使用的技术研究问题,或其与自动驾驶等特定应用领域的相关性。因此,需要一种新的治疗方法,这也是及时的,因为自从许多关键调查发表以来,已经进行了如此多的相关研究。因此,这项调查提供了一个全面的快照,语义在机器人技术的立场今天。我们建立了一个分类的语义研究或相关的机器人技术,分为四大类的活动,其中语义提取,使用,或两者兼而有之。在这些广泛的类别中,我们调查了数十个主要主题,包括计算机视觉领域的基础知识和利用语义的关键机器人研究领域,包括地图绘制,导航和与世界的交互。该调查还涵盖了关键的实际考虑因素,包括提高数据可用性和改进计算硬件等推动因素,以及...
2021-01-02 cs.CV cs.HC cs.LG
3D Gaussian Splatting in Robotics: A Survey
Shanghai Jiao Tong University(上海交通大学);University of Cambridge(剑桥大学);Imperial College London(伦敦帝国学院)
本综述全面回顾了3D Gaussian Splatting (3DGS) 在机器人学中的应用与技术进展,涵盖场景理解、交互任务、数据集评估及未来挑战。
2024-12-19 cs.RO
OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer Learning for Telepresence Robotics
Universidad Pablo de Olavide(巴勃罗·德·奥拉维德大学);Universidad de Sevilla(塞维利亚大学);Andalusian Research Institute in Data Science and Computational Intelligence (DaSCI)(安达卢西亚数据科学与计算智能研究所(DaSCI));University of Granada(格拉纳达大学)
从图像生成场景图是机器人等应用非常感兴趣的任务,因为图是表示关于世界的知识和调节视觉问答(VQA)等任务中的人机交互的主要方式。不幸的是,其相应的机器学习领域仍处于起步阶段,目前提供的解决方案并不适合具体的使用场景。具体地说,它们没有考虑到关于领域世界的现有“专家”知识;而这可能确实是必要的,以便提供用例场景所要求的可靠性级别。在本文中,我们提出了一个初始近似的框架称为本体指导的场景图生成(OG-SGG),可以提高现有的机器学习的场景图生成器使用先验知识提供的形式的本体(特别是,使用内定义的公理)的性能;我们提出了一个特定的情况下,在临场感机器人评估的结果。这些结果表明,在生成的场景图的定量和定性的改进。
2022-12-20 cs.CV cs.RO
Deep Reinforcement Learning for Robotics: A Survey of Real-World Successes
The University of Texas at Austin(德克萨斯大学奥斯汀分校);The University of Virginia(弗吉尼亚大学);Sony AI(索尼人工智能)
该综述梳理了深度强化学习在机器人领域的真实应用成果,分析了成功关键因素与研究空白,提出未来研究方向,为打造通用真实世界机器人系统提供参考。
2024-09-16 cs.LG cs.RO
A Survey of Embodied Learning for Object-Centric Robotic Manipulation
The Hong Kong Polytechnic University(香港理工大学);Tsinghua University(清华大学);The Chinese University of Hong Kong(香港中文大学)
该综述系统梳理了面向以物体为中心的机器人操作的具身学习领域最新进展,将现有工作分为具身感知、策略、任务导向学习三大分支,同时讨论了数据集、挑战与未来方向,并上线了相关项目。
2024-08-21 cs.AI cs.CV cs.LG
A Survey on Integration of Large Language Models with Intelligent Robots
Korea Advanced Institute of Science and Technology(韩国科学技术院)
该综述梳理GPT-3.5后大语言模型在机器人通信、感知、规划、控制领域的应用,提供提示工程指南与实践示例,为LLM与智能机器人的融合研究提供路线图与实操参考。
2024-08-15 cs.RO
A Survey on Imitation Learning for Contact-Rich Tasks in Robotics
该综述全面梳理了机器人接触丰富型任务的模仿学习研究,涵盖示教收集方法、学习算法及多模态/基础模型带来的性能提升,明确了现有挑战,为该领域后续发展提供基础。
2025-06-16 cs.HC cs.LG cs.RO
A Survey of Robotic Harvesting Systems and Enabling Technologies
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Centre for Research and Technology Hellas(希腊研究与技术中心)
本文对地面农业机器人系统和应用进行了全面的回顾,特别关注跨越研究和商业产品和成果的收获,以及它们的使能技术。大多数文献关注作物检测的发展,通过视觉的田间导航及其相关的挑战。健康监测、产量估计、水状况检查、播种和除草是经常遇到的任务。关于机器人收割,苹果、草莓、西红柿和甜椒主要是出版物、研究项目和商业产品中考虑的作物。所报道的收割农业机器人解决方案通常由移动平台、单个机械臂/机械手和各种导航/视觉系统组成。本文回顾了特定功能和硬件的发展,通常需要由一个操作的农业机器人收割机,它们包括(a)视觉系统,(b)运动规划/导航方法(机器人平台和/或手臂),(c)人机交互(HRI)战略与三维可视化,(d)系统操作规划和抓取策略和(e)机器人末端执行器/抓手设计。显然,自动化农业,特别是通过机器人系统进行自动收割是一个仍然开放的研究领域,提供了一些可以做出新贡献的挑战。
2023-02-01 cs.RO
A Review Of Robotic World Models For Dynamic Environments Based On Factor And Scene Graphs
University of Luxembourg(卢森堡大学)
本综述系统梳理基于因子图和场景图的机器人世界模型,重点分析动态环境建模方法、混合模型架构及下游任务应用,并指出不确定性传播、可观测性、终身维护和评估基准等开放挑战。
2026-10-08 cs.CV cs.RO
A Survey of Behavior Learning Applications in Robotics -- State of the Art and Perspectives
German Research Center for Artificial Intelligence (DFKI) GmbH(德国人工智能研究中心)
本综述针对机器学习成功引发的对机器人行为学习的过高预期,梳理复杂机器人已实现的学习行为并分类,总结可学习与应学习的行为方向,展望未来可解决的难题,提出融合多方法构建自主系统的思路。
2024-09-12 cs.LG cs.RO
Survey and Perspective on Social Emotions in Robotics
Osaka University(大阪大学);The University of Electro-Communications(电气通信大学)
本文综述了机器人社会情感的研究进展。在机器人技术中,对情感的研究已经进行了很长一段时间,包括对情感的识别,表达和基本机制的计算建模的研究。研究已经根据著名的心理学发现,如类别和维度理论。许多研究都是基于这些基本理论,只涉及基本的情绪。然而,社会情绪,也被称为更高层次的情绪,已经在心理学中进行了研究。我们相信,这些更高层次的情感值得在下一代具有社会意识的机器人机器人中加以追求。在这篇综述论文中,我们总结了心理学和神经科学中关于社会情绪的研究结果,以及迄今为止对机器人社会情绪研究的调查。此后,对机器人的社会情感的实现的研究方向进行了讨论。
2022-01-14 cs.AI cs.RO
3D Generation for Embodied AI and Robotic Simulation: A Survey
Hong Kong University of Science and Technology(香港科技大学);Wuhan University(武汉大学);Harbin Institute of Technology(哈尔滨工业大学);Xinjiang University(新疆大学);Tencent(腾讯)
本文综述了用于具身AI的3D生成,探讨了其在数据生成、模拟环境构建和Sim2Real桥梁中的作用,指出领域正从视觉真实转向交互准备,并识别了物理标注有限、几何质量与物理有效性差距等主要瓶颈。
2026-11-20 cs.CV cs.RO
Industry 4.0 and Prospects of Circular Economy: A Survey of Robotic Assembly and Disassembly
尽管他们的贡献,金融效率和环境的可持续性的工业流程,机器人装配和拆卸已在现有的文献研究不足。这与它们在实现第四次工业革命中的重要性相矛盾。更具体地说,尽管大多数文献广泛讨论了如何最佳地组装或拆卸给定的产品,其他因素的作用被忽视了。例如,执行顺序计划所涉及的机器人类型,理想情况下,应该在设计、装配、拆卸和重新装配的整个链条中考虑到这一点。将上述操作与相关生态系统的其他组成部分隔离开来,可能会导致对基本程序的必要性和效率的错误推断。在本文中,我们试图减轻这些缺点,全面调查的国家最先进的机器人装配和拆卸。我们考虑和审查制造和再制造框架的各个方面,同时特别关注它们对支持循环经济的可取性。
2021-06-14 cs.RO
Diffusion Models for Robotic Manipulation: A Survey
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
本综述全面回顾了Diffusion Models在机器人操作中的应用,涵盖抓取学习、轨迹规划和数据增强,并探讨了其与模仿学习和强化学习的整合及当前挑战。
2025-07-14 cs.RO stat.ML
Edge Computing and its Application in Robotics: A Survey
School of Computing, University of Georgia(乔治亚大学计算机学院)
本文综述边缘计算在机器人中的应用,系统梳理边缘机器人的最新进展、关键动机与挑战,并指出未来研究方向。
2025-07-01 cs.DC cs.NI cs.RO
Complete coordination of robotic fiber positioners for massive spectroscopic surveys
Swiss Federal Institute of Technology in Lausanne (EPFL)(洛桑联邦理工学院(EPFL))
机器人光纤定位器在生成大规模光谱测量中发挥着至关重要的作用。定位器组协调得越完整,其对应的摄谱仪在观测期间接收的信息就越多。研究了位置集的完全协调问题。我们首先定义了局部和全局完备性问题,并确定了它们之间的关系。然后,我们提出了一种新的人工势场,根据该人工势场,定位器及其相邻定位器的收敛性被协同考虑。我们还发现了一个完整的协调所需的条件。最后,我们解释了如何修改的定位器集的一些参数可能会解决其不完全协调的情况。我们使用模拟来验证我们的成就。
2020-05-21 astro-ph.IM cs.RO
Recent Developments in Aerial Robotics: A Survey and Prototypes Overview
Hongo Aerospace Inc.(本乡航空航天公司);University of Tokyo(东京大学)
近年来,航空机器人的研究和发展(即,无人机(Unmanned Aerial Vehicles,UAVs)正以前所未有的速度发展,有必要对无人机研究的背景、最新进展和趋势进行总结。在对无人机的定义、类型、类别和主题进行概述的同时,本文描述了一种系统的方法,从3万多篇发表在顶级期刊和会议上的高质量无人机论文中识别出1,318篇。在此基础上,通过对2001年以来无人机研究论文的年份、类型和主题分布等统计信息的归纳,对无人机研究的总体情况进行了概述。我们将我们的调查清单公之于众,并相信该清单不仅可以帮助研究人员识别,研究和比较他们的工作,而且对了解该领域的研究趋势也很有用。从我们的调查结果中,我们发现有许多类型的无人机,据我们所知,没有文献试图在一个地方总结所有类型。通过我们的调查列表,我们解释了我们调查中的类型,并概述了每个调查的最新进展。我们相信这篇综述可以加深读者对无人机的理解,并启发研究人员提出新的方法和新的应用。
2017-11-30 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
Visual Servoing for Robotic On-Orbit Servicing: A Survey
Space Robotics (SpaceR) Research Group, Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg(空间机器人(SpaceR)研究组,安全、可靠性与信任跨学科中心(SnT),卢森堡大学);Redwire Space Europe, Luxembourg(Redwire Space Europe,卢森堡)
本文综述了用于机器人在轨服务的视觉伺服方法,按识别、接近和接触三个任务阶段对现有技术进行分类,并指出了当前趋势、面临的挑战及未来研究方向。
2024-09-03 cs.CV cs.RO cs.SY
A Survey on Privacy Attacks Against Digital Twin Systems in AI-Robotics
Mississippi State University(密西西比州立大学)
本文综述了工业4.0中AI与数字孪生赋能机器人面临的隐私攻击风险,涵盖模型窃取与数据泄露,并倡导结合伦理框架与可信自主性原则以构建安全可靠的AI机器人系统。
2024-06-27 cs.AI cs.RO
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
Security Considerations in AI-Robotics: A Survey of Current Methods, Challenges, and Opportunities
Mississippi State University(密西西比州立大学)
该综述针对AI-机器人系统易受安全攻击的问题,从攻击面、伦理法律、人机交互安全三个维度梳理现有研究与防御策略,并展望未来研究方向,为相关利益方提供整体安全认知参考。
2024-01-26 cs.AI cs.RO
Trust in LLM-controlled Robotics: a Survey of Security Threats, Defenses and Challenges
School of Electrical and Computer Engineering, The University of Sydney(悉尼大学电气与计算机工程学院);Australian Centre for Robotics and School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney(悉尼大学机器人中心及航空航天、机械与机电工程学院);Department of Information Systems and Cybersecurity, University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校信息系统与网络安全系);School of Engineering and Natural Sciences, University of Iceland(冰岛大学工程与自然科学学院)
本文综述了LLM控制机器人面临的安全威胁和防御策略,强调了具身系统中恶意输出的物理风险,并提出了安全规范和多LLM监督等防御方法。
2025-12-17 cs.RO
SG-Bot: Object Rearrangement via Coarse-to-Fine Robotic Imagination on Scene Graphs
Technical University of Munich(慕尼黑工业大学);Google(谷歌公司)
本文提出SG-Bot框架,通过场景图表示与由粗到细的想象过程,结合常识与用户指令生成细粒度目标场景并制定动作策略,在物体重排列任务上大幅优于现有方法。
2024-03-24 cs.CV cs.RO
Neural Fields in Robotics: A Survey
Toyota Research Institute(丰田研究所);University of Bristol(布里斯托尔大学);Nvidia(英伟达公司);University of Freiburg(弗莱堡大学);Georgia Institute of Technology(佐治亚理工学院)
本文综述神经场在机器人感知、规划与控制中的应用,梳理四类框架和五大领域,基于200余篇论文评估优劣并指出未来方向。
2024-10-26 cs.AI cs.CV cs.LG
A Survey on Trust Metrics for Autonomous Robotic Systems
Worcester Polytechnic Institute (WPI)(伍斯特理工学院)
本文综述了自主机器人系统的信任度量研究,提出需将系统、硬件、软件、认知鲁棒性及供应商级指标纳入统一模型,以解决现有研究缺乏整体性和成本考量的问题,为评估复杂系统提供系统级信任度量框架。
2021-06-30 cs.CR cs.RO
Run-Time Monitoring of Machine Learning for Robotic Perception: A Survey of Emerging Trends
The ARC Centre of Excellence for Robotic Vision(澳大利亚研究理事会机器人视觉卓越中心);The Centre for Robotics, Queensland University of Technology(昆士兰科技大学机器人中心)
随着深度学习继续主导所有最先进的计算机视觉任务,它越来越成为机器人感知的重要组成部分。这就提出了关于基于学习的感知系统的安全性和可靠性的重要问题。有一个既定的领域,研究复杂软件系统在设计时的安全认证和收敛保证。然而,未知的未来部署环境的自治系统和基于学习的感知的复杂性,使设计时验证的推广到运行时间的问题。面对这一挑战,越来越多的注意力开始集中在运行时间监测的性能和可靠性的感知系统与文献中出现的几个趋势。本文试图找出这些趋势,并总结了各种方法的主题。
2021-07-12 cs.RO
A Survey of Language-Based Communication in Robotics
University of Southampton(南安普顿大学)
本文综述了语言模型在机器人控制与人机、机机通信中的应用,按语言在控制流程中的位置分类,并探讨应用、局限与未来发展方向。
2025-02-04 cs.RO
Kinematic analysis of geared robotic mechanism using matroid and T-T graph methods
Eastern Mediterranean University(东地中海大学)
本文用两种不同的基于有向图的方法对齿轮机器人机构的运动结构进行了研究,并对两种方法进行了比较。其中一种方法是Talpasanu提出的拟阵方法,另一种方法是Uyguroglu和Demirel提出的Tsai-Tokad(T-T)图方法。结果表明,齿轮传动机器人机构的运动学结构可用有向图表示,机构的角速度方程可由有向图系统地得到。这两种方法的优点和缺点相对于彼此证明。
2017-04-03 cs.RO
Robot Learning from Human Videos: A Survey
Shanghai Jiao Tong University(上海交通大学);University of Cambridge(剑桥大学)
本文综述了通过人类视频学习机器人技能的方法,探讨了政策学习基础、人类视频接口、技能转移层次分类及数据基础,分析了挑战与未来研究方向。
2026-04-30 cs.CV cs.RO