Implicit Kinematic Policies: Unifying Joint and Cartesian Action Spaces in End-to-End Robot Learning
Google(谷歌);UC Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
动作表示是深度网络端到端机器人学习中一个重要但经常被忽视的方面。选择一个动作空间而不是另一个动作空间(例如,目标关节位置或笛卡尔末端执行器姿势)可能会导致各种下游任务之间惊人的明显性能差异-因此,大量研究一直致力于为给定应用找到正确的动作空间。然而,在这项工作中,我们反而研究了我们的模型如何发现和学习使用哪个动作空间。利用最近关于隐式行为克隆的工作,将观察和动作作为输入,我们证明了可以在多个不同的空间中向同一策略呈现相同的动作-允许它从每个空间学习归纳模式。具体来说,我们研究的好处相结合的笛卡尔和联合行动空间的背景下,学习操作技能。为此,我们提出了隐式运动策略(IKP),它将运动链作为深度网络中的可微模块。几个模拟连续控制任务的定量实验-从铲起成堆的小物体,到用肘部举箱子,再到用校准错误的机器人精确插入块-表明IKP不仅比基线替代品更好地从像素中学习复杂的可伸缩和非可伸缩操作,而且还可以学习补偿小的关节编码器偏移误差。最后,我们还运行一个真正的UR 5e定性实验,以证明我们的算法的可行性,在物理机器人系统与真实数据。有关代码和补充材料,请参见https://tinyurl.com/4wz3nf86。
2022-03-03 cs.RO
DeepMNavigate: Deep Reinforced Multi-Robot Navigation Unifying Local & Global Collision Avoidance
University of Maryland at College Park(马里兰大学帕克分校);University of Hong Kong(香港大学)
我们提出了一种新的算法(DeepMVavide)的全球多智能体导航在密集的场景中使用深度强化学习(DRL)。我们的方法使用本地和全球信息,每个机器人从运动信息地图。我们使用一个三层的CNN,它将这些地图作为输入,以生成一个合适的动作来驱动每个机器人到达其目标位置。我们的方法是通用的,使用多场景,多状态训练算法学习最优策略,并且可以直接处理本地观测的原始传感器测量。我们展示了密集的,复杂的基准与狭窄的通道和环境与数十名代理的性能。我们强调了该算法在复杂场景中优于先前学习方法和几何分散算法的优势。
2020-07-28 cs.AI cs.MA cs.RO
GeomVLA: Unifying Scene, Motion, and Action in 3D
Carnegie Mellon University(卡内基梅隆大学);NVIDIA(英伟达)
GeomVLA通过共享3D坐标系统一感知、运动预测和动作生成,利用轨迹去噪器提取运动标记并条件化动作去噪器,在CALVIN上取得最优性能,强调几何一致性的关键作用。
2026-09-17 cs.RO
Guarantees for Real Robotic Systems: Unifying Formal Controller Synthesis and Reachset-Conformant Identification
Technical University of Munich(慕尼黑工业大学)
针对安全关键场景中形式化属性难以转移到真实机器人的问题,提出将可达集一致性模型辨识与控制器综合相结合的方法,确保模型安全属性可转移到真实机器人,并通过真实机器人跟踪控制实验验证了其可转移性。
2023-09-12 cs.RO cs.SY eess.SY
Unifying Sidewinding and Rolling: A Wave-Based Framework for Self-Righting in Elongated Limbless and Multi-Legged Robots
本研究提出了一种基于波的框架,用于长形无肢和多足机器人自我恢复,通过比较生物例子和实验验证,揭示了形态参数对自我恢复策略的影响及关键阈值。
2026-03-08 cs.RO
Bipedal Safe Navigation over Uncertain Rough Terrain: Unifying Terrain Mapping and Locomotion Stability
Georgia Institute of Technology(佐治亚理工学院);Kuwait University(科威特大学)
针对不确定崎岖地形下双足机器人导航中地形建图与运动稳定性耦合的问题,提出分层感知运动动力学的采样导航规划器,结合GP地形学习与新轨迹评估指标,在Digit仿真中验证了有效性。
2024-04-15 cs.RO
Unifying Object-Centric World Models and Diffusion Policy: A Hierarchical Framework for Multi-Stage Robotic Tasks
Tandon School of Engineering, New York University(纽约大学坦登工程学院);Courant Institute of Mathematical Sciences, New York University(纽约大学库朗数学科学研究所);AMI Labs(AMI实验室)
提出WorldDP分层框架,结合高层世界模型进行运行时子目标优化和低层扩散策略执行,利用对象中心表示解耦环境实体,实现多阶段机器人操作任务的有效规划与执行。
2026-10-08 cs.AI cs.RO
Learning-Based Robust Control: Unifying Exploration and Distributional Robustness for Reliable Robotics via Free Energy
Mechanical Engineering Program, New York University Abu Dhabi(纽约大学阿布扎赫尔分校机械工程项目);Department of Information and Electrical Engineering & Applied Mathematics, University of Salerno(萨勒诺大学信息与电气工程及应用数学系);Mohammed bin Zayed University for Artificial Intelligence, Abu Dhabi, UAE(穆罕默德·本·扎耶德人工智能大学)
本文提出了一种基于自由能原理的鲁棒控制方法,通过联合学习环境动态和奖励,提升机器人在真实环境中的鲁棒性和可重复操作性能。
2026-03-06 cs.RO math.OC
LLM as A Robotic Brain: Unifying Egocentric Memory and Control
该研究提出LLM-Brain框架,以大语言模型作为机器人大脑,通过自然语言闭环多轮对话统一实现自我中心记忆与控制,在主动探索和具身问答两项下游任务中验证了有效性。
2023-06-12 cs.AI cs.CL cs.RO
InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation
InternVLA-A1 Team(InternVLA-A1团队)
InternVLA-A1通过统一的Transformer架构,结合语义理解和动态预测能力,提升了机器人操作任务的性能。
2026-02-13 cs.RO
Unifying Deep Predicate Invention with Pre-trained Foundation Models
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Computer Science and Engineering Division, University of Michigan(密歇根大学计算机科学与工程系);Department of Computer Science, University of Pittsburgh(匹兹堡大学计算机科学系);Centaur AI Institute(Centaur人工智能研究所);Department of Electrical and Computer Engineering, Princeton University(普林斯顿大学电气与计算机工程系)
UniPred通过双层学习框架统一深度谓词发明与预训练基础模型,提升机器人任务的可扩展性和灵活性。
2026-09-29 cs.RO
Unifying Complementarity Constraints and Control Barrier Functions for Safe Whole-Body Robot Control
Division of Robotics, Perception and Learning, KTH Royal Institute of Technology(机器人、感知与学习系,皇家理工学院);Munich Institute of Robotics and Machine Intelligence, TUM(慕尼黑机器人与智能机械研究所,技术大学);School of Computer Science, University of Nottingham(nottingham大学计算机科学学院);Department of Mechanical Engineering, Stony Brook University(石溪大学机械工程系)
研究安全关键的全身机器人控制问题,通过证明互补约束和控制障碍函数在采样数据、一阶系统中的等价性,为相关技术提供统一视角,有理论和实践意义。
2026-07-28 cs.RO cs.SY eess.SY
An Introduction to Zero-Order Optimization Techniques for Robotics
Machines in Motion Laboratory, New York University, USA(运动机器实验室,纽约大学)
本文提出随机搜索的数学教程,统一理解机器人零阶优化算法,并据此分类轨迹优化方法,推导出新的强化学习算法。
2026-10-16 cs.RO
Trinity: Unifying Class-Agnostic Terrain and Semantic Segmentation for Unstructured Outdoor Environments by Leveraging Synthetic Data
Institute of Robotics and Mechatronics, German Aerospace Center (DLR)(机器人与机电系统研究所,德国航空航天中心(DLR));Federal Institute of Technology Zurich (ETH Zurich)(苏黎世联邦理工学院(ETH Zurich));Robotics and AI Institute (RAI)(机器人与人工智能研究所(RAI))
提出基于Transformer的统一网络Trinity,联合执行类特定语义分割和类无关地形分割,利用合成数据集RUGDSynth和真实数据集EXTerra实现机器人无关的地形先验学习。
2026-05-26 cs.AI cs.LG cs.RO
Unifying Local and Global Multimodal Features for Place Recognition in Aliased and Low-Texture Environments
Institute of Robotics and Mechatronics, German Aerospace Center (DLR)(德国航空航天中心机器人与机电一体化研究所);I3A, Universidad de Zaragoza(萨拉戈萨大学I3A研究所)
针对感知混叠、弱纹理环境下地点识别精度低的问题,提出融合局部与全局多模态特征的UMF模型,通过跨模态注意力和重排序提升性能,在类行星环境和RobotCar数据集上均优于基线方法。
2024-03-20 cs.CV cs.RO
Modeling and Control of Humanoid Robots in Dynamic Environments: iCub Balancing on a Seesaw
Istituto Italiano di Tecnologia(意大利理工学院)
关于人形机器人的未来应用可能涉及机器人与动态环境之间的物理交互。在这种情况下,经典的平衡和步行控制器,忽略了环境动态可能不足以实现稳定的机器人行为。本文提出了一种平衡人形机器人与动态环境接触的建模和控制框架。我们首先对机器人和环境动力学以及接触约束进行建模。然后,提出了一种稳定整个系统的控制策略。理论结果与机器人iCub平衡在跷跷板上的仿真验证。
2018-03-09 cs.RO
Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments
Qwen Team(通义实验室)
提出Qwen-VLA,一种基于DiT动作解码器的统一具身基础模型,通过大规模联合预训练和具身感知提示,将操作、导航和轨迹预测统一为动作-轨迹预测框架,实现跨任务、环境和机器人形态的泛化。
2026-06-01 cs.AI cs.CL cs.RO
A Unifying Variational Framework for Gaussian Process Motion Planning
University College London(伦敦大学学院);ETH Zürich(苏黎世联邦理工学院);Imperial College London(帝国理工学院);University of Cambridge(剑桥大学);Cornell University(康奈尔大学);TU Delft(代尔夫特理工大学);Chalmers University of Technology(查尔姆斯理工大学)
针对机器人运动规划需平衡多约束、纳入不确定性的需求,提出基于变分高斯过程的统一框架,统一多类规划算法,支持多类约束与不确定性估计,实验验证其在成功率和路径质量间平衡良好。
2024-03-08 cs.LG cs.RO
A Platform-independent Programming Environment for Robot Control
Bonn-Rhine-Sieg University of Applied Sciences(波恩-莱茵-锡格应用技术大学)
机器人控制程序的开发是一项复杂的任务。许多机器人在电气和机械结构上有所不同,这也反映在软件上。特定的机器人软件环境支持程序开发,但主要是基于文本的,通常由具有目标机器人深刻知识的领域专家应用。本文介绍了一个图形化的编程环境,旨在减轻机器人控制程序的开发。与现有的图形化机器人编程环境相比,我们的方法侧重于并行动作序列的组成。所开发的环境允许在并行执行线上调度独立的机器人动作,并提供了避免并行动作副作用的机制。开发的环境是平台无关的,基于模型驱动的范式。通过将测序器应用于模拟服务机器人和教育机器人,证明了我们方法的可行性。
2010-10-05 cs.RO
Modeling of a Quadruped Robot with Spine Joints and Full-Dynamics Simulation Environment Construction
Sabanci University(萨班哲大学)
本文介绍了一种脊椎四足机器人的建模与仿真。通过广泛的文献调研,对四足机器人脊柱关节的研究进行了分类。大多数研究人员在他们的模拟中执行简化的四足机器人模型。这项调查揭示了全身脊椎四足动物仿真环境的需要。首先建立了主动脊椎四足机器人的运动学和动力学模型。由于四足机器人是浮基机器人,所有的推导都是相对于惯性系进行的。采用拉格朗日法建立了运动方程。仿真环境在MATLAB/Simulink平台上构建,充分利用了MATLAB/Simulink丰富的库、强大的求解器以及适用于控制器集成的灵活环境。通过使用优化的MATLAB函数,提高了仿真环境的计算速度。在仿真环境中使用了精确的接触模型。我们可以预见,所提供的全动力学仿真环境将有助于进一步的脊柱关节的研究在四足机器人领域。
2022-03-17 cs.RO
ProbRobScene: A Probabilistic Specification Language for 3D Robotic Manipulation Environments
The Alan Turing Institute(阿兰·图灵研究所)
机器人控制任务通常首先在仿真中运行,用于验证、调试和数据增强。存在许多方法来指定机器人必须完成什么任务,但很少有方法来指定用户期望在什么范围的环境中完成这些任务。ProbRobScene是一种描述机器人操作环境的概率规约语言。使用该语言,用户只需要指定场景中对象之间必须保持的关系约束。ProbRobScene将自动生成符合此规范的场景。通过结合概率程序设计语言和凸几何的方面,我们提供了一种有效地对可能环境的空间进行采样的方法。我们证明了我们的语言的有用性,用它来调试机器人控制器在桌面机器人操作环境。
2021-03-19 cs.RO
A Multi-Robotic System for Environmental Cleaning
University of Oklahoma(俄克拉荷马大学);University of Nevada, Reno(内华达大学雷诺分校)
在工业环境中有大量的废物,可能会对产品和工人造成有害影响,导致产品缺陷,眼睛发痒或慢性阻塞性肺病等。虽然可以使用自动清洁机器人,但环境通常太大,一个机器人无法单独清洁,此外,它没有足够的存储污垢容量。我们提出了一种多机器人污垢清洁系统算法,用于多个自动iRobot Creates团队有效地清洁环境。此外,由于环境中的一些空间是干净的,而另一些是肮脏的,我们的多机器人系统拥有一个路径规划算法,让机器人团队花更多的时间在更高的污垢水平的区域有效地清洁。总体而言,我们的多机器人系统在时间效率方面优于单机器人系统,同时具有几乎相同的总电池使用量和清洁效率结果。
2018-11-02 cs.RO
Rapid Development of a Mobile Robot Simulation Environment
Lawrence Technological University(劳伦斯理工大学)
机器人仿真在智能地面车辆(IGV)的开发过程中提供了许多优势,例如在不同的场景中测试软件组件,而不需要完整的物理机器人。本文讨论了使用快速应用程序开发和Unity游戏引擎创建的3D仿真环境,以便在移动机器人比赛中进行测试。我们的经验表明,模拟环境极大地促进了比赛软件的开发。该模拟器还有助于机器人的硬件开发。
2022-08-09 cs.RO
Fast Adaptable Mobile Robot Navigation in Dynamic Environment
University of Detroit Mercy(底特律大学)
动态环境下的自主导航严重依赖于环境及其拓扑结构。环境的先验知识通常是不准确的,因为环境不断演变。由于机器人在前进过程中不断评估环境,决定穿越环境到达目标的最佳方式,因此需要计算效率高且数学自适应的导航算法。本文提出了一种能够适应时变环境的移动机器人导航方案。该方法由全局规划器(A*)和局部规划器(VFH)组成,以确保机器人的最佳和无碰撞运动。该算法进行了测试,在不同的环境中,是已知的VFH和ROS导航栈中的失败,进行比较的目的,在模拟和实验。总的来说,该算法使机器人能够更快地到达目标,并在这样做的同时产生更平滑的路径。
2020-07-19 cs.RO
Automatically designing robot swarms in environments populated by other robots: an experiment in robot shepherding
IRIDIA, Université libre de Bruxelles(布鲁塞尔自由大学IRIDIA研究所)
本文研究在存在其他机器人的环境中自动设计机器人集群,以机器人牧羊为框架,使用自动模块化设计和神经进化生成牧羊犬集群的控制软件,实现与羊群的有效协调。
2024-04-28 cs.RO
Perception-Informed Autonomous Environment Augmentation With Modular Robots
Cornell University(康奈尔大学);University of Pennsylvania(宾夕法尼亚大学)
我们提出了一个系统,使模块化机器人自主构建结构,以完成高层次的任务。建筑结构允许机器人克服大型障碍,扩大它可以执行的任务。这解决了模块化机器人系统的一个共同弱点,即通常难以穿越大型障碍物。本文介绍了硬件,感知和规划工具,包括我们的系统。环境表征算法识别环境中的特征,所述特征可以被增强以在环境的两个断开区域之间创建路径。特别设计的积木使机器人能够创建可以增强环境的结构,使障碍物可以穿越。一个高层次的规划者对任务、机器人运动能力和环境进行推理,以决定是否以及在哪里增强环境,以执行所需的任务。最后通过硬件实验对系统进行了验证
2018-03-01 cs.RO
SLAM Backends with Objects in Motion: A Unifying Framework and Tutorial
University of California, Berkeley(加州大学伯克利分校)
同时定位与地图构建(SLAM)算法经常被部署以支持广泛的机器人应用,诸如未知环境中的自主导航和虚拟现实中的场景映射。这些应用中的许多需要自主智能体在高度动态的场景中执行SLAM。为此,本教程将最近推出的基于优化的统一SLAM后端框架扩展到具有移动对象和功能的环境。使用这个框架,我们认为在动态SLAM的最新进展的和解。此外,我们提出了动态EKF SLAM:一种新的,基于过滤的动态SLAM算法从我们的框架中产生,并证明了它在数学上相当于一个直接扩展的经典EKF SLAM算法的动态环境设置。仿真实验结果表明,动态EKF SLAM算法具有较高的定位精度和运动目标姿态估计精度,以及较高的地图精度,且效率较高。
2023-02-28 cs.RO cs.SY eess.SY
Towards developing a realistic robotics simulation environment of an indoor vegetable greenhouse
University of Guelph(圭尔夫大学)
本文提出了一种开发一个逼真的机器人仿真环境,应用于蔬菜大棚。该方法流程从构建温室行的3D云图像开始。然后,这些数据被用来开发一个机器人仿真环境,使用CoppeliaSim仿真软件。该方法已经过测试,使用商业温室的图像。
2021-07-29 cs.RO
Exploring environment exploitation for self-reconfiguration in modular robotics
Department of Applied Mathematics University of Washington(应用数学系 华盛顿大学);Department of Mechanical Engineering and Applied Mechanics University of Pennsylvania(机械工程与应用力学系 费城大学);Department of Mechanical Engineering University of Nevada, Las Vegas(机械工程系 内华达大学拉斯维加斯分校)
本研究提出模块化桁架机器人应利用环境特征(如壁架、间隙、斜坡)而非仅优化自身,以实现更快运动、自适应自重构和复杂三维组装,从而超越自身局限。
2025-08-03 cs.RO
Unifying Large Language Model and Deep Reinforcement Learning for Human-in-Loop Interactive Socially-aware Navigation
Purdue University(普渡大学)
本文提出SALM框架,通过大语言模型解析用户指令并融合深度强化学习导航模型,实现人在环路的交互式社会感知导航,提升拥挤动态环境中的导航精度与个性化适应能力。
2025-03-07 cs.AI cs.RO
HAVEN: A Unity-based Virtual Robot Environment to Showcase HRI-based Augmented Reality
由于COVID-19大流行,出于限制病毒传播的社交距离措施,不允许亲自进行人机交互(HRI)研究。因此,虚拟现实(VR)模拟与虚拟机器人可以提供一种替代现实生活中的HRI研究。像一个真正的智能机器人一样,虚拟机器人可以利用相同的先进算法来自主行动。本文介绍了HAVEN(基于HRI的增强在虚拟机器人环境中使用uNity),一个VR模拟,使用户能够与虚拟机器人进行交互。该系统设计的目标是使研究人员能够进行HRI增强现实研究,使用虚拟机器人,而不是在真实的环境中。该框架还介绍了两种常见的HRI实验设计:走廊通过场景和人-机器人团队对象检索场景。两者都反映了HAVEN作为未来基于AR的HRI研究工具的潜力。
2020-11-06 cs.RO
Power in Numbers: Primitive Algorithm for Swarm Robot Navigation in Unknown Environments
本文提出一种简单的群体机器人导航算法,利用机器人数量进行未知环境导航,无需环境感知或复杂通信。
2024-10-17 cs.RO
Robot localization in a mapped environment using Adaptive Monte Carlo algorithm
本文研究在已知地图环境中利用自适应蒙特卡洛定位(AMCL)或粒子滤波方法实现机器人位姿估计与目标导航,并基于 ROS、Gazebo 和 RViz 对两个机器人进行仿真验证。
2025-01-02 cs.RO
Achieving the Desired Dynamic Behavior in Multi-Robot Systems Interacting with the Environment
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学)
本文研究了多机器人系统与环境交互时的动态行为控制问题。特别是,我们提出了一种通用的方法,通过局部缩放机器人间的耦合关系,导致实现所需的交互行为。所提出的方法,以保证被动保存,从而确保安全的相互作用。所提出的方法的性能进行评估,在模拟,在大规模的多机器人系统。
2017-02-19 cs.RO
A Multi-modal Deformable Land-air Robot for Complex Environments
Tsinghua University(清华大学);Inner Mongolia University of Technology(内蒙古工业大学)
单运动机器人通常难以适应高度可变或不确定的环境,特别是在紧急情况下。介绍了一种既能飞行又能驱动的多模态变形机器人。提出的设计概念,包括电源设置,能量选择,和可变形结构的设计,解决了兼容性问题与多模态机车融合的混合陆空机器人。机器人还可以在3D规划和跟踪过程中自动在陆地和空中模式之间转换。同时,提出了一种评估陆空机器人性能的算法。一系列的比较和实验进行了证明的鲁棒性和可靠性的建议结构在复杂的现场环境。
2023-02-11 cs.RO
Learning Partially Structured Environmental Dynamics for Marine Robotic Navigation
University of Southern California(南加利福尼亚大学);HomeAway, Inc.(HomeAway公司);Indiana University - Bloomington(印第安纳大学伯明顿分校)
我们调查的情况下,一个机器人需要达到指定的目标后,采取一系列适当的行动,在一个非静态的环境,部分结构化。一个应用示例是控制海洋车辆在海洋中移动。海洋环境是动态的,并且海浪经常导致能够干扰运载工具的运动的强烈扰动。对这种动态环境进行建模是不平凡的,并且将这种模型集成到机器人运动控制中是特别困难的。幸运的是,洋流通常会形成一些局部模式(例如漩涡),因此环境是部分结构化的。历史上观察到的数据可以用于训练机器人以学习与海洋潮汐扰动交互。在本文中,我们提出了一种应用深度强化学习框架来学习这种部分结构化的复杂扰动的方法。我们的研究结果表明,通过人工和真实的海洋干扰下训练机器人,机器人能够成功地在复杂的时空环境中采取行动。
2018-03-11 cs.RO
Multi-Robot Distributed Optimization for Exploration and Mapping of Unknown Environments using Bioinspired Tactile-Sensor
Department of Mechanical Engineering University of California at Berkeley Berkeley, CA, US(机械工程系 加州大学伯克利分校 伯克利加州)
提出一种基于分布式优化和仿生触觉传感器的多机器人系统,通过记录碰撞点实现未知环境的高效探索与二维地图构建,实验验证了高覆盖率和低碰撞。
2025-10-07 cs.RO
Optimal Structure Synthesis for Environment Augmenting Robots
University of Pennsylvania(宾夕法尼亚大学);Yale University(耶鲁大学)
建筑结构可以让机器人克服大型障碍,扩大它可以到达的区域。本文提出了一种规划算法,可以自动确定具有施工能力的机器人必须建造哪些结构才能穿越整个环境。给定一个环境,一组积木,和一个机器人能够构建结构,我们寻求一组最佳的结构(使用最少数量的积木),可以建立,使整个环境遍历相对于机器人的运动能力。我们表明,这个问题是NP难的,并提出了一个完整的,最佳的算法,解决它使用的分支定界策略。该算法在最坏情况下以指数时间运行,但以实际速度解决典型问题。在硬件实验中,我们证明了该算法在大约一分钟内解决了真实室内环境的3D地图,并且该算法选择的结构允许机器人遍历整个环境。一个附带的视频可在网上https://youtu.be/B9WM557NP44。
2018-12-11 cs.RO
CoBL-Diffusion: Diffusion-Based Conditional Robot Planning in Dynamic Environments Using Control Barrier and Lyapunov Functions
University of Washington(华盛顿大学);NVIDIA(英伟达)
本文提出 CoBL-Diffusion,一种基于扩散模型的动态环境安全机器人规划器,利用 Control Barrier 和 Lyapunov 函数引导去噪过程以迭代细化控制序列,满足安全与稳定性约束,实验证明其能生成平滑轨迹并保持低碰撞率。
2024-11-12 cs.RO
A Dataset of Anatomical Environments for Medical Robots: Modeling Respiratory Deformation
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of North Carolina School of Medicine(北卡罗来纳大学医学院)
针对医疗机器人解剖环境生成重复、难共享导致的对比困难问题,本研究构建了肺部临床相关解剖环境集,提出基于患者数据的呼吸形变建模方法,并将相关资源公开至Med-RAD数据集。
2023-10-06 cs.RO
Quadruped robot traversing 3D complex environments with limited perception
Tsinghua University(清华大学);University of Michigan(密歇根大学);Shanghai University(上海大学)
针对外部传感器失效场景下四足机器人穿越3D复杂环境的难题,提出仅依赖本体感受传感的端到端学习型运动控制器,通过碰撞检测增强障碍感知,经仿真与实机验证可有效提升复杂环境通行能力。
2024-07-14 cs.RO
Environmental regulation using Plasticoding for the evolution of robots
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
针对进化机器人系统仅通过选择间接受环境影响的问题,提出基于Plasticoding的编码方法,让机器人可依环境刺激在生命周期内调整形态、控制器与行为,实验验证其能提升任务性能并产生多样进化结果。
2020-05-29 cs.RO
On Locomotion of a Laminated Fish-inspired robot in a Small-to-size Environment
Arizona State University(亚利桑那州立大学)
许多不同的机器人已经被设计和制造出来在水下工作。在许多情况下,研究人员选择使用生物启发的平台。在大多数情况下,鱼启发机器人的主要目标是在与鱼的大小相比宽敞的环境中自主游泳和机动。在本文中,识别控制的低成本的鱼启发机器人的目标是建立一个机制,不仅在水中游泳,但能够与其狭窄的环境进行交互。正在研究的机器鱼使用尾巴推进作为主要运动。此外,适当的推进制度,确定和用于建模和控制推进产生的推力。
2018-08-28 cs.RO
Towards the Neuromorphic Computing for Offroad Robot Environment Perception and Navigation
Imperial College London(帝国理工学院)
该研究受生物触须和耳蜗启发,提出基于物理触须的储备池计算系统,旨在以低功耗实现越野机器人环境感知与导航,弥合计算性能与功耗差距。
2023-05-05 cs.RO
A soft robot that adapts to environments through shape change
Yale University(耶鲁大学);University of Vermont(佛蒙特大学)
许多生物,包括各种蜘蛛和毛毛虫,改变它们的形状来改变步态和适应不同的环境。最近的技术进步,从可拉伸电路到高度可变形的软体机器人,已经开始使变形机器人成为可能。然而,目前还不清楚形状变化应该如何以及何时发生,以及可以获得什么能力,导致广泛的未解决的设计和控制问题。为了开始解决这些问题,在这里,我们模拟,设计,并建立一个软体机器人,利用形状的变化,以实现运动在平坦和倾斜的表面。在模拟中对这个机器人进行建模,我们探索了它在两种环境中的能力,并证明了环境特定的形状和步态的存在,这些形状和步态成功地转移到物理硬件上。我们发现,在模拟和现实中,变形机器人穿越这些环境比同等但不变形的机器人更好。
2023-01-09 cs.RO
Learning Augmented, Multi-Robot Long-Horizon Navigation in Partially Mapped Environments
George Mason University(乔治梅森大学)
我们提出了一种新的方法,在一个结构化的,未知的环境中,通过预测未知空间的统计数据的多机器人团队的有效和可靠的目标导向的长视野导航。基于最近在不确定性下基于学习增强模型的规划工作,我们引入了一个高级别的状态和动作抽象,使我们能够将具有挑战性的Dec-POMDP近似为易于处理的随机MDP。我们的多机器人学习子目标规划器(MR-LSP)指导代理对更有可能达到看不见的目标的区域进行协调探索。我们证明了对其他多机器人策略的成本改善;在模拟的办公室环境中,我们表明,我们的方法节省了13.29%(2个机器人)和4.6%(3个机器人)的平均成本与标准的非学习乐观规划和学习知情的基线。
2023-03-29 cs.RO
An RGB-D Camera-Based Multi-Small Flying Anchors Control for Wire-Driven Robots Connecting to the Environment
Department of Mechano-Informatics, Graduate School of Information Science and Technology, The University of Tokyo(机械信息学系,信息科学和技术研究生院,东京大学)
本文提出了一种基于RGB-D相机和多小型飞行锚的线驱动机器人,实现自主连接环境中的多根线,扩大操作范围和载重能力。
2025-08-04 cs.RO
Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization
运动规划是机器人技术中的一个关键环节,它使机器人能够自主导航。粒子群优化算法是一种简单但功能强大的优化技术,已被有效地应用于许多复杂的多维优化问题。提出了一种基于粒子群优化的路径规划算法,用于计算移动机器人在静态凸障碍物环境中的最短无碰撞路径。该算法通过对机器人起始位置和目标位置之间生成的网格线进行随机采样来找到最优路径。所提出的算法的功能说明通过不同的情况下的仿真结果。
2020-08-23 cs.RO
MIRRAX: A Reconfigurable Robot for Limited Access Environments
The University of Manchester(曼彻斯特大学)
近年来,随着硬件和软件的快速发展,用于检测的移动机器人平台的开发已经获得了牵引力。然而,传统的移动机器人无法解决在极端环境中操作的挑战,在极端环境中,机器人需要在高度杂乱的区域中穿过狭窄的间隙,限制进入。本文介绍了MIRRAX,一个机器人,已被设计为满足这些挑战的能力,重新配置自己既通过狭窄的端口访问受限的环境,并通过紧密间隔的障碍物导航。控制器的机器人进行了详细说明,随着机器人的可控性分析给定的使用麦克纳姆轮在一个可变的配置。对机器人性能的表征确定了在狭窄环境中操作的合适配置。稳定构型($<2^\text{o}$ ~滚转)可实现的最小横向足迹宽度为0.19 μ m。机器人的可控性的实验验证表明,与理论分析吻合良好。进一步的一系列实验显示了机器人在解决上述挑战方面的可行性:能够重新配置自己,以通过直径小至150 mm的端口进行限制进入,并在混乱的环境中导航。该论文还介绍了在英国塞拉菲尔德核电站的Magnox设施中部署的结果-这是第一个这样做的机器人,用于远程检查和绘图。
2022-10-03 cs.RO
Embodiment Meets Environment: Toward Context-Aware, Safe Physical Caregiving Robots
Cornell University(康奈尔大学)
提出E²-CARE框架,通过3D动态场景图统一建模环境、机器人和人,在线重塑交互模板实现上下文感知的护理技能安全复用,经仿真和真实环境验证。
2026-06-26 cs.RO
A Unifying Formalism for Shortest Path Problems with Expensive Edge Evaluations via Lazy Best-First Search over Paths with Edge Selectors
The Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
虽然最短路径问题有无数的应用,合适的算法的计算效率密切依赖于底层的问题域。在本文中,我们专注于域评估边缘权重函数占主导地位的算法运行时间。在机器人运动规划的方法的启发,我们定义和调查的懒惰最短路径类的算法,区分边缘选择器功能的选择。我们表明,在文献中的几个算法是等效的,这个懒惰的算法适当选择这个选择器。此外,我们提出了各种新的选择器的灵感来自采样和统计力学,并发现这些选择器优于现有的算法上的一组示例问题。
2016-06-14 cs.DS cs.RO
Frontier-Based Exploration for Multi-Robot Rendezvous in Communication-Restricted Unknown Environments
University of Milan(米兰大学)
本文提出一种基于前沿探索的多机器人会合策略,在通信受限未知环境中整合探索与会合,通过允许重访已探索区域提升会合机会,并在ROS仿真中验证了更快的会合时间。
2024-07-19 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
Robust Navigation of a Soft Growing Robot by Exploiting Contact with the Environment
Stanford University(斯坦福大学);University of North Carolina Chapel Hill(北卡罗来纳大学教堂山分校);University of California Santa Barbara(加州大学圣巴巴拉分校)
机器人到目的地的导航和运动控制是历史上在假设与环境接触是有害的情况下执行的任务。这对于刚体机器人来说是有意义的,因为障碍物碰撞从根本上来说是危险的。然而,由于许多软体机器人具有低惯性和柔性的身体,因此障碍物接触本质上是安全的。因此,将机器人的路径约束为不与环境交互是不必要的,并且可能是限制性的。在本文中,我们数学形式化的互动与平面环境中的经验运动学模型的软增长机器人。使用这个交互模型,我们开发了一种方法来规划路径的机器人到目的地。规划者不是避免与环境接触,而是利用有利于导航的障碍物接触。我们发现,一个规划者,考虑到和利用环境接触产生的路径,更强大的不确定性比规划者,避免所有障碍物接触。
2021-02-09 cs.RO