Open, Reproducible and Trustworthy Robot-Based Experiments with Virtual Labs and Digital-Twin-Based Execution Tracing
AICOR Institute for Artificial Intelligence, University of Bremen（人工智能研究所，不莱梅大学）
本文提出语义执行追踪框架和AICOR虚拟研究大楼（VRB）云平台，通过记录语义标注的机器人信念状态并支持大规模任务共享与验证，实现开放、可复现且可信的机器人自主科学实验。
2025-08-15 cs.AI cs.RO
Model-Based AI planning and Execution Systems for Robotics
Ben Gurion University of the Negev（内盖夫本-古里安大学）
本文综述了面向机器人任务级控制的基于模型的AI规划与执行系统，梳理现有系统的设计选择、解决方案及未来发展方向。
2025-05-07 cs.AI cs.RO
RoboBRIDGE: A Modular Framework for Bridging Policies to Robust Real-World Robotic Agents
Sungkyunkwan University（成均馆大学）
该研究针对视觉-语言-动作模型部署为机器人智能体的缺陷，提出 RoboBRIDGE 模块化框架，通过五大协同模块结合预训练 VLAs 构建鲁棒智能体，在多基准和现实场景中性能优于现有方案。
2026-07-31 cs.AI cs.RO
SEAL: Semantic Frame Execution And Localization for Perceiving Afforded Robot Actions
University of Michigan（密歇根大学）
机器人移动操作的最新进展已经刺激了机器人的操作环境从受限的机器人环境扩展到大规模的人类环境。为了有效地完成这些空间中的任务，机器人必须能够感知、推理和执行各种启示，远远超出简单的拾取和放置。我们认为语义框架的概念为机器人动作提供了一种令人信服的表示，这种表示适合于以动作为中心的感知、任务级推理、动作级执行以及与语言的集成。语义框架是语言学界的产物，它定义了成功执行由动词短语引起的动作所必需的必要元素、前置条件和后置条件以及一组顺序机器人动作。在这项工作中，我们扩展了机器人操作动作的语义框架表示，并引入了感知负担的机器人动作（SEAL）作为一个图形模型的语义框架执行和本地化的问题。对于SEAL问题，我们描述了我们的非参数语义框架映射（SeFM）算法，用于保持信念在一个有限的语义框架的位置提供给机器人的行动。我们发现，语言模型，如GPT-3是不够的，以解决广义的任务执行所涵盖的SEAL制定和SeFM提供机器人高效的搜索策略和长期记忆时，需要在建筑规模的环境中操作。
2023-03-24 cs.AI cs.RO
Sparse 3D Perception for Rose Harvesting Robots: A Two-Stage Approach Bridging Simulation and Real-World Applications
School of Computer Engineering, Iran University of Science and Technology（伊朗科学技术大学计算机工程学院）；George Mason University Department of Computer Science（乔治·梅奥大学计算机科学系）
针对玫瑰采摘机器人，提出两阶段稀疏3D感知流程，结合2D检测与轻量级深度估计，利用Blender合成数据弥合领域差距，实现高精度且高效的定位。
2025-07-28 cs.AI cs.CV 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
From Seeing to Doing: Bridging Reasoning and Decision for Robotic Manipulation
Tianjin University（天津大学）
本文提出FSD模型，通过空间关系推理生成中间表示，提升机器人操作的泛化能力，在8个基准测试中表现优异，且在零样本任务中实现显著性能提升。
2026-04-05 cs.AI cs.LG cs.RO
Moto: Latent Motion Token as the Bridging Language for Learning Robot Manipulation from Videos
The University of Hong Kong（香港大学）；ARC Lab, Tencent PCG（腾讯PCG实验室）；The Chinese University of Hong Kong（香港中文大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出Moto，利用潜在运动标记作为桥接语言，通过自回归预训练从视频中学习运动知识，并协同微调迁移至机器人操作，显著提升基准性能。
2025-10-16 cs.AI cs.CL cs.CV
A Comparison of Prompt Engineering Techniques for Task Planning and Execution in Service Robotics
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；Center for Robotics（机器人中心）；Computer Science Institute VI（计算机科学第六研究所）；Autonomous Intelligent Systems group（自主智能系统组）
本研究在服务机器人任务规划与执行中，系统比较了多种提示工程技术及其组合，通过仿真任务评估最先进模型的完成准确率与执行时间。
2024-11-06 cs.AI cs.RO
ROS-X-Habitat: Bridging the ROS Ecosystem with Embodied AI
The University of British Columbia（不列颠哥伦比亚大学）
我们介绍了ROS-X-Habitat，这是一个软件接口，通过ROS将基于学习的代理的AI Habitat平台与其他机器人资源连接起来。这个接口不仅提供了标准化的通信协议之间的体现代理和模拟器，但也使物理和逼真的模拟，有利于培训和/或测试的视觉为基础的体现代理。有了这个界面，机器人专家可以在另一个基于ROS的模拟器中评估他们自己的Habitat RL代理，或者使用Habitat Sim v2作为他们自己的机器人算法的测试平台。通过计算机模拟实验，我们证明了ROS-X-Habitat对Habitat RGBD代理的导航性能和模拟速度的影响最小;一套标准的ROS映射，规划和导航工具可以在Habitat Sim v2中运行; Habitat代理可以在标准的ROS模拟器Gazebo中运行。
2022-04-29 cs.AI cs.CV cs.LG
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
Overview: A Hierarchical Framework for Plan Generation and Execution in Multi-Robot Systems
University of Southern California（南加州大学）
作者提出了一个概述的分层框架，协调任务和运动级操作的多机器人系统。他们的框架是基于使用简单的时间网络的想法，同时原因的优先/因果约束所需的任务级的协调和简单的时间约束，需要考虑到一些运动学约束的机器人。在计划生成阶段，该框架提供了一个计算可扩展的方法来生成计划，实现高层次的任务组的机器人，并考虑到他们的一些运动约束。在计划执行阶段，该框架提供了一种方法，用于吸收不完美的计划执行，以避免在许多情况下耗时的重新规划。作者使用多机器人路径规划问题作为案例研究，提出了他们的框架背后的多机器人系统的长期自主性的关键思想。
2018-03-30 cs.AI cs.MA cs.RO
Synthesis and Execution of Communicative Robotic Movements with Generative Adversarial Networks
University of Genoa（热那亚大学）；Italian Institute of Technology（意大利技术研究院）
对象操作是我们每天都在进行的自然活动。人类如何处理物体不仅可以传达行为的故意性，或者我们操作的环境的关键方面，而且还可以传达所涉及的物体的属性，而不需要任何明确的语言描述。由于人类智能包括阅读上下文的能力，因此允许机器人执行直观地传达此类信息的操作将大大促进协作。在这项工作中，我们专注于如何在两个不同的机器人平台上传输相同的运动学调制，人类在操纵精致的物体时采用，旨在赋予机器人在运动中表现出谨慎的能力。我们选择调节机器人末端执行器所采用的速度分布，这是受到人类在运输具有不同特征的物体时所做的事情的启发。我们利用一种新的生成对抗网络架构，用人类运动学的例子进行训练，来概括它们，并生成新的和有意义的速度曲线，无论是与小心或不小心的态度。这种方法将允许下一代机器人根据感知的上下文选择最合适的运动风格，并自主生成它们的运动动作执行。
2022-03-31 cs.AI cs.RO
Bridging the Gap: Enabling Soft Actor Critic for High Performance Legged Locomotion
ETH Zurich（苏黎世联邦理工学院）
本文通过识别软演员-评论家（SAC）在并行训练中性能不足的根本原因，并提出策略初始化、超时感知评论家目标和多步回报估计等改进，使其在腿部运动任务中达到与近端策略优化（PPO）相当的性能。
2026-05-24 cs.AI cs.LG cs.RO
EnvBridge: Bridging Diverse Environments with Cross-Environment Knowledge Transfer for Embodied AI
Panasonic Connect Co., Ltd.（松下连接有限公司）；National University of Singapore（新加坡国立大学）；Panasonic R&D Center Singapore（松下新加坡研发中心）；Panasonic R&D Center Germany（松下德国研发中心）
本文提出EnvBridge方法，通过将成功的机器人控制代码从源环境迁移到目标环境，并利用多环境知识，提升LLM智能体在机器人操作中的跨环境适应性与泛化能力，在RLBench、MetaWorld和CALVIN基准上验证了有效性。
2024-10-22 cs.AI cs.CL cs.LG
Bridging the Evidence-to-Execution Gap:A Reflective Agent for Multi-Objective Peptide Design
Shanghai Jiao Tong University（上海交通大学）
提出反思型智能体EASER，通过低秩矩阵属性接口连接文献证据与扩散生成，以显式假设制定实现多目标抗菌肽设计，取得最优多目标性能。
2026-11-11 cs.AI
Bridging the Sim-to-Real Gap in Reinforcement Learning-Based Industrial Dispatching through Execution Semantics
Department of Industrial Engineering（工业工程系）；Rosenheim Technical University of Applied Sciences（罗森海姆应用技术大学）
提出一个策略无关的执行与测量层，通过构建决策有效快照、定义标准化执行合约并记录结果分歧，将执行不确定性转化为可观测的结构化数据，从而弥合仿真与现实的差距。
2026-05-27 cs.AI cs.LG
QwenPaw-Data: Bridging Facts, Methodology, and Execution for Autonomous Enterprise Data Analytics
Alibaba Group（阿里巴巴集团）
研究针对企业数据分析在开放环境的特性，提出QwenPaw-Data系统，通过整合异构资产、转化自然语言请求为工作流，架构含三个协作子系统，实验证明该系统提升了数据访问和分析质量，为企业数据智能体提供基础。
2026-07-15 cs.AI
SolidCoder: Bridging the Mental-Reality Gap in LLM Code Generation through Concrete Execution
Electronics and Telecommunications Research Institute, Republic of Korea（韩国电信研究所）
SolidCoder通过强制边缘情况意识和沙盒执行解决心理现实差距，提升代码生成性能，实现HumanEval、CodeContests和APPS的高准确率。
2026-04-20 cs.AI cs.SE
Bridging Scene Understanding and Task Execution with Flexible Simulation Environments
MIT Lincoln Laboratory（麻省理工学院林肯实验室）；Systems and Technology Research（系统与技术研究公司）
在场景理解方面已经取得了重大进展，它寻求建立世界的3D、度量和面向对象的表示。与此同时，强化学习在很大程度上得益于模拟技术的进步，取得了令人印象深刻的进步。相对而言，感知算法的仿真研究较少。模拟变得越来越重要，因为复杂的感知方法，如度量语义映射或3D动态场景图生成，需要在交互式环境中精确的3D，2D和惯性信息。为此，我们提出TESSE（任务执行与语义分割环境），一个开源的模拟器开发场景理解和任务执行算法。TESSE已被用于开发最先进的解决方案，用于度量语义映射和3D动态场景图生成。此外，TESSE还在2020年国际机器人与自动化会议（ICRA）上担任GOSEEK挑战赛的平台，这是一项强调强化学习的对象搜索竞赛。TESSE的代码可在https://github.com/MIT-TESSE上获得。
2020-11-20 cs.AI cs.CV cs.RO
PAGER: Bridging the Semantic-Execution Gap in Point-Precise Geometric GUI Control
University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；China University of Petroleum-Beijing（中国石油大学（北京））
本文提出PAGER，通过依赖结构规划与像素级执行，解决对点精确几何GUI任务的需求，提升任务成功率至62%以上，填补语义-执行鸿沟。
2026-05-15 cs.AI
Bridging Speech, Emotion, and Motion: a VLM-based Multimodal Edge-deployable Framework for Humanoid Robots
School of Computer Science, Wuhan University（武汉大学计算机学院）
本文提出SeM$^2$框架，通过多模态感知、思维链推理和语义序列对齐机制，实现情感一致的多模态交互，提升人形机器人在现实环境中的社交表达能力。
2026-02-07 cs.AI cs.RO
BANSAI: Towards Bridging the AI Adoption Gap in Industrial Robotics with Neurosymbolic Programming
ArtiMinds Robotics（阿蒂敏兹机器人公司）；Institute for Artificial Intelligence, University of Bremen（不来梅大学人工智能研究所）；wbk Institute of Production Science, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院生产科学wbk研究所）
本文从工业从业者视角分析了机器人领域的AI采用鸿沟，提出BANSAI方法，系统利用神经符号AI原则在现代工业机器人编程工作流中实现数据驱动的亚符号程序合成与优化，并规划了现实验证路径。
2024-04-21 cs.AI cs.CE cs.LG
Bridging Thought and Action: Taming Long-Horizon Instability in Open-Source LLM Agents with a MetaTool-Enhanced ROS Framework
Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出MetaTool增强的ROS-Agent架构，通过强制预规划分离规划与执行，提升开源LLM智能体在长时程任务中的稳定性与效率，实验显示复杂任务完成率提升约24%。
2026-09-15 cs.AI cs.RO
PIVOT: Bridging Planning and Execution in LLM Agents via Trajectory Refinement
PIVOT通过自监督框架迭代优化轨迹，解决LLM代理规划与执行不一致问题，实验证明其在约束满足和计算效率上的优越性。
2026-10-28 cs.AI cs.LG cs.MA
Automating Android Build Repair: Bridging the Reasoning-Execution Gap in LLM Agents with Domain-Specific Tools
University of California, Davis（加州大学戴维斯分校）；CodeDroid LLC（CodeDroid有限责任公司）
本文提出AndroidBuildBench基准和GradleFixer工具，通过领域特定抽象提升LLM修复Android构建错误的效率，解决LLM在低层执行中的不足。
2026-04-01 cs.AI cs.SE
PhysDrift: Bridging the Embodiment Gap in Humanoid Co-Speech Motion Generation
South China University of Technology（华南理工大学）；DexForce Technology（DexForce科技公司）；Foshan University（佛山大学）
针对人形机器人共语动作生成中人体运动流形与机器人具身约束不匹配的问题，提出IK-EER框架和PhysDrift模型，直接预测可执行关节轨迹，提升运动对齐、物理合理性和实时交互能力。
2026-06-19 cs.AI
SPINE: Bridging the Cyber-Physical Gap with Agentic AI
Northwestern University（西北大学）
研究针对机器人智能部署到物理平台存在的校准瓶颈，提出SPINE框架。该框架含两个多智能体工作流程，经实验验证，能跨双臂平台转移，减少对专家校准的依赖，提高操作成功率，缩短遥操作时间，推动具身人工智能向实际部署发展。
2026-09-23 cs.AI cs.RO
Metis: Bridging Text and Code Memory for Self-Evolving Agents
The Chinese University of Hong Kong（香港中文大学）；Huawei（华为）；Wuhan University（武汉大学）
提出Metis系统，通过分层双表示记忆（文本与代码）平衡构建成本、执行效率和可迁移性，在AppWorld上任务准确率提升20.6%，执行成本降低22.8%。
2026-06-24 cs.AI cs.CL
Visual search and recognition for robot task execution and monitoring
Sapienza University of Rome（罗马第一大学）
在环境中进行相关目标的视觉搜索是机器人的一项重要技能。我们提出了一个初步的框架，机器人任务的执行监视器，照顾机器人的态度，以视觉搜索环境中涉及的任务的目标。视觉搜索也与从故障中恢复有关。该框架利用深度强化学习来获取"常识"场景结构，并利用深度卷积网络来检测对象及其之间的相关关系。该框架建立在这些方法的基础上，引入了基于视觉的执行监控，它使用经典的规划作为任务执行的骨干。实验结果表明，提出的基于视觉的执行监视器的机器人可以完成简单的任务，并可以从故障中恢复自主。
2019-02-07 cs.AI cs.CV cs.RO
Affordance-Conditioned Decision Making: Bridging the Semantic-Spatial Gap in Zero-Shot Cross-Floor Vision-and-Language Navigation
针对零样本跨楼层视觉语言导航中语义规划与物理执行脱节的问题，提出PACE模块，通过可供性姿态条件化动作生成并引入失败感知偏好精炼，在R2R-CE和RxR-CE跨楼层子集上显著提升成功率，并验证了真实环境适用性。
2026-09-30 cs.AI cs.RO
Bridging Active Exploration and Uncertainty-Aware Deployment Using Probabilistic Ensemble Neural Network Dynamics
Agency for Defense Development（国防发展局）
本文提出统一基于模型的强化学习框架，用概率集成神经网络动力学和Jensen-Renyi散度量化认知不确定性，通过采样MPC同时优化主动探索与不确定性感知部署，在自动驾驶车辆和轮式机器人上验证了高效数据收集与安全规避不确定状态-动作空间的效果。
2023-05-28 cs.AI cs.RO
Bridging the Gap: Enabling Natural Language Queries for NoSQL Databases through Text-to-NoSQL Translation
University of Science and Technology of China（中国科学技术大学）；Tsinghua University（清华大学）；The University of Hong Kong（香港大学）
本文研究Text-to-NoSQL任务，提出TEND基准和SAG求解器，用于将自然语言请求翻译为MongoDB聚合管道，验证了无模式文档推理的独特挑战。
2026-06-16 cs.AI cs.DB
Consent Chain Degradation in Embodied Multi-Agent Systems: Bridging the Gap Between AI Agent Governance and Robot Ethics
Artificial Intelligence Institute, TÜBİTAK BİLGEM（人工智能研究所，TÜBİTAK BİLGEM）
本文提出同意链退化（CCD）概念，探讨多机器人委托链中人类同意的具体性、有效性及范围如何退化，并通过医疗、家庭和工业机器人场景展示其实际表现，分析现有法规对CCD核心维度的缺失。
2026-04-17 cs.AI cs.CY cs.MA
Towards Robust One-shot Task Execution using Knowledge Graph Embeddings
Georgia Institute of Technology（佐治亚理工学院）
要求对任务计划进行多次演示给机器人的最终用户带来了负担。然而，从单个最终用户演示中稳健地执行任务计划是机器人技术中的一个持续挑战。我们解决的问题，一次性任务执行，其中机器人必须概括一个单一的示范或原型的例子，一个新的执行环境的任务计划。我们的方法将任务计划与领域知识相结合，以推断新的执行环境的任务计划组成部分。我们的实验评估表明，我们的知识表示，使更相关的概括，导致显着更高的成功率超过测试基线。我们在一个物理平台上验证了该方法，这导致初始任务计划成功推广到50个执行环境中的38个，其中包括自主机器人操作造成的错误。
2021-05-10 cs.AI cs.RO
A Road-map to Robot Task Execution with the Functional Object-Oriented Network
Technical University of Munich（慕尼黑工业大学）；University of South Florida（南佛罗里达大学）
在联合对象-动作表示方面的工作之后，引入了功能面向对象网络（FOON）作为机器人的知识图谱表示。FOON采用二分图的形式，包含符号或高级信息，这些信息与机器人对其环境和任务的理解有关，反映了人类对动作的理解。在这项工作中，我们概述了未来的发展路线图FOON和它的应用在机器人系统的任务规划以及知识获取从示范。我们提出了初步的想法，以展示如何在现实世界的场景中创建一个FOON与机器人和人类教师的方式，可以共同增强现有的知识在FOON和教机器人的技能，它需要复制演示的动作，并解决给定的操作问题。
2021-06-01 cs.AI cs.RO
VerifyLLM: LLM-Based Pre-Execution Task Plan Verification for Robots
MIPT（莫斯科理工学院）；Pyatigorsk State University（皮亚季戈尔斯克州立大学）；AIRI（AI研究机构）
针对机器人任务规划可靠性挑战，提出基于LLM的执行前验证架构，通过自然语言转LTL及动作序列分析评估逻辑连贯性，经多复杂度数据集测试适用于家庭任务，提升规划可靠性并开源代码。
2025-07-07 cs.AI cs.RO
Bridging the Sim-to-Real Gap with multipanda_ros2: A Real-Time ROS2 Framework for Multimanual Systems
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
multipanda_ros2通过实时ROS2框架和高保真仿真整合，实现了多机器人系统的高精度控制与sim2real差距的弥合。
2026-10-02 cs.AI cs.RO cs.SE
An LLM-Driven Closed-Loop Autonomous Learning Framework for Robots Facing Uncovered Tasks in Open Environments
School of Computer Science, Chengdu University of Information Technology（成都信息学院计算机学院）
本文提出一种基于大语言模型的闭环自主学习框架，使机器人在开放环境中自主处理未覆盖任务，通过闭环学习减少对大语言模型的依赖，提升任务执行效率和本地知识库的利用率。
2026-04-24 cs.AI cs.RO
From Discrete Plans to Real-World Execution: A World-Model-Driven Framework for Execution-Aware Multi-Agent Path Finding
IEEE Publication Technology Group（IEEE出版技术组）
提出ExecTimeNet世界模型预测离散MAPF方案在物理机器人上的执行状态，并基于此构建REMAP框架和ESADG优化方法，在仿真和实物实验中分别减少高达21%和15.3%的执行延迟。
2026-06-23 cs.AI cs.RO
Bridging the Sim-to-Real Gap for Athletic Loco-Manipulation
Massachusetts Institute of Technology（麻省理工学院）；Improbable AI Lab（不可战胜人工智能实验室）
针对运动型移动操作中任务奖励易被利用和探索缺乏方向的问题，提出两阶段训练 pipeline，通过无监督执行器网络（UAN）和预训练微调策略，实现机器人从仿真到现实的高保真举重、投掷等运动行为。
2025-02-15 cs.AI cs.LG cs.RO
Vision-based deep execution monitoring
Sapienza University of Rome（罗马大学）
高级机器人动作的执行监控可以有效地提高视觉监控的世界的先决条件和后置条件，之前和之后的动作执行。此外，搜索在哪里看的政策，无论是验证的关系，指定的前置和后置条件或重新聚焦在失败的情况下，可以大大提高机器人在未知的环境中执行。通过深度学习的惊人结果，现在可以强烈依赖视觉感知来假设环境是可观察的。在这项工作中，我们提出了一个机器人在未知的实验室环境中执行任务的视觉执行监控。执行监视器通过视觉流与环境交互，该视觉流使用两个DCNN来识别机器人必须处理和操纵的对象，以及非参数贝叶斯估计来发现DCNN特征之间的关系。为了从由于错过对象而导致的缺乏焦点和失败中恢复，我们通过深度强化学习诉诸视觉搜索策略。
2017-09-29 cs.AI cs.CV cs.RO
Deep Episodic Memory: Encoding, Recalling, and Predicting Episodic Experiences for Robot Action Execution
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Halmstad University（哈尔姆斯塔德大学）
我们提出了一种新的深度神经网络架构，用于表示机器人的经验，在一个类似情节的记忆，有利于编码，回忆和预测的行动经验。我们提出的无监督深度情景记忆模型1）在潜在向量空间中对观察到的动作进行编码，并且基于这种潜在编码，2）推断以前经历过的最相似的情节，3）重建原始情节，以及4）以端到端的方式预测未来的帧。结果表明，概念上相似的动作映射到同一区域的潜在向量空间。基于这些结果，我们引入了一个动作匹配和检索机制，基准测试其性能的两个大规模的行动数据集，20 BN的东西和ActivityNet和评估其泛化能力在现实世界中的场景上的人形机器人。
2018-07-14 cs.AI cs.CV cs.RO
Bridging the Model-Reality Gap with Lipschitz Network Adaptation
University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（向量人工智能研究院）
当机器人冒险进入现实世界时，它们会受到未建模的动力学和干扰。传统的基于模型的控制方法已被证明在相对静态和已知的操作环境中是成功的。然而，当机器人的精确模型不可用时，基于模型的设计可能导致次优甚至不安全的行为。在这项工作中，我们提出了一种方法，弥合模型与现实的差距，使基于模型的方法的应用程序，即使存在动态的不确定性。特别是，我们提出了一种基于学习的模型参考自适应方法，使机器人系统，可能不确定的动态，表现为一个预定义的参考模型。反过来，参考模型可以用于基于模型的控制器设计。与典型的模型参考自适应控制方法相比，我们利用神经网络的代表性力量来捕获高度非线性动态不确定性，并通过在一种特殊类型的神经网络的结构设计中编码一个验证Lipschitz条件来保证稳定性。我们的方法适用于一般类的非线性控制仿射系统，即使我们的先验知识的真实机器人系统是有限的。我们展示了我们的方法在飞行倒立摆实验，其中一个现成的四旋翼面临的挑战是平衡倒立摆，而悬停或跟踪圆形轨迹。
2021-12-07 cs.AI cs.RO cs.SY
CREST: Constraint-Release Execution for Multi-Robot Warehouse Shelf Rearrangement
Simon Fraser University（西蒙菲莎大学）；HEC Montréal（蒙特利尔高等商学院）；Purdue University（普渡大学）
CREST通过在执行过程中主动释放轨迹约束，提升了多机器人仓库货架重排的连续性与效率，实验表明其在减少机器人行驶时间、总执行时间和货架切换次数方面表现优异。
2026-03-27 cs.AI cs.MA cs.RO
A Real-Time Rescheduling Algorithm for Multi-robot Plan Execution
Carnegie Mellon University（卡内基梅隆大学）；Monash University（蒙纳士大学）
针对多智能体路径寻找中执行延迟引发的重规划问题，提出A*风格的Switchable-Edge Search (SES)算法以寻找最优通过顺序，理论证明其最优性且仿真显示在大型问题上比基线快达4倍。
2024-03-26 cs.AI cs.MA cs.RO
