Grounding Implicit Goal Description for Robot Indoor Navigation Via Recursive Belief Update
Baidu Research Institute(百度研究院)
基于自然语言的机器人导航仍然是一个具有挑战性的问题,由于人类知识的导航约束,目的地是不直接兼容的机器人知识库。在本文中,我们的目标是翻译成高层次的机器人导航计划的自然目的地命令给感兴趣的地图。我们识别语法相关的目的地描述的片段,并递归地应用它们中的每一个来更新给定map.We训练一个目的地接地模型使用一个数据集的单步信念更新精确,接近,和方向修饰符类型的信念分布。我们展示了我们的方法在现实世界中的导航任务在一个办公室,由80个领域。离线实验结果表明,我们的方法可以直接提取目标的目的地从听不到的,长的,和复合文本命令要求人类。这使得用户能够以一般和自然的形式为机器人指定他们的目的地目标。硬件实验结果也表明,所设计的模型为服务机器人导航目标的指定带来了很大的方便。
2020-11-10 cs.RO
I Can Tell What I am Doing: Toward Real-World Natural Language Grounding of Robot Experiences
Paul G. Allen School of Computer Science & Engineering(保罗·G·艾伦计算机科学与工程学院);University of Washington(华盛顿大学)
本文提出基于大语言模型的RONAR系统,将多模态机器人经验转化为自然语言叙述,用于行为公告、故障分析与恢复,并在真实机器人数据集上验证其优于现有方法。
2024-11-20 cs.RO
Multimodal Grounding for Embodied AI via Augmented Reality Headsets for Natural Language Driven Task Planning
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Tartu(塔尔图大学)
本文提出利用AR头显在EAI智能体与人类操作员之间建立多模态接地,验证其支持自然语言驱动工业巡检与人机协作的可行性,并分析提示词鲁棒性问题。
2023-04-26 cs.RO
SayComply: Grounding Field Robotic Tasks in Operational Compliance through Retrieval-Based Language Models
Stanford University(斯坦福大学);Field AI(菲尔德人工智能公司)
提出SayComply框架,利用分层数据库和基于树的检索增强生成技术,将机器人任务规划与操作合规性相落地,在现实场景中有效生成遵循指令且合规的任务,优于标准RAG方法。
2024-11-18 cs.RO
Trust in Language Grounding: a new AI challenge for human-robot teams
University of Southampton(南安普顿大学)
语言基础的挑战是通过将语言在现实世界的指称中基础化来充分理解自然语言。虽然人工智能技术是可用的,但这些技术在人机团队中的广泛采用和有效性关键取决于用户的信任。本调查提供了与语言基础信任这一新兴领域相关的三个贡献,包括a)从人工智能技术、数据集和用户界面方面概述了语言基础研究; b)与语言基础相关的六个假设信任因素,并在人类-机器人清洁团队中进行了实证测试; c)语言基础信任的未来研究方向。
2022-09-05 cs.AI cs.LG cs.RO
Risk-Aware Semantic Grounding for Trustworthy LLM-Based Robot Planning
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences(波兰科学院理论与应用信息学研究所)
本文提出风险感知语义锚定框架,通过多维风险估计建模不确定性,使LLM机器人规划器能决定执行、澄清或拒绝指令,并在TRUST-NAV基准上显著提升模糊检测与冲突拒绝能力。
2026-09-30 cs.AI cs.RO
Attribute-based Object Grounding and Robot Grasp Detection with Spatial Reasoning
Department of Electrical and Computer Engineering, Univ. of Minnesota(电气与计算机工程系);Amazon Lab126(亚马逊实验室126);National Tsing Hua University(国立清华大学)
提出OGRG框架,通过双向视觉-语言融合和深度信息实现基于属性的对象定位与抓取检测,在重复对象和开放语言下优于基线,支持弱监督学习。
2025-09-09 cs.RO
From Text to Motion: Grounding GPT-4 in a Humanoid Robot "Alter3"
The University of Tokyo(东京大学);Alternative Machine Inc.(另类机器公司)
本文提出将 GPT-4 集成到人形机器人 Alter3,通过语言动作到身体控制代码的映射,使其零样本生成多样姿势与动作序列,并支持口头反馈调整。
2023-12-11 cs.RO
EMPOWER: Embodied Multi-role Open-vocabulary Planning with Online Grounding and Execution
University of Basilicata(巴西利卡塔大学);International University of Rome UNINT(罗马UNINT国际大学)
EMPOWER框架利用预训练基础模型和多角色机制,解决机器人在现实环境中开放词汇在线接地与规划问题,在TIAGo机器人上六种场景中平均成功率达0.73。
2024-10-22 cs.AI cs.RO
Limits of specifiability for sensor-based robotic planning tasks
University of Oulu(奥卢大学);Texas A&M University(德克萨斯农工大学)
本文研究机器人任务规范中信息基础(状态、动作、观测、知识等)对任务可指定性的影响,提出统一符号框架并给出不同基础组合下任务可指定性的分类结果。
2025-03-07 cs.RO
Grounding Robot Navigation in Self-Defense Law
Carnegie Mellon University(卡内基梅隆大学)
本文综合法律、工程与社会科学研究,基于美国自卫法分析地面机器人对人类安全的威胁,提出四项可操作建议以降低自卫情况发生,并指出当前导航方法的不足。
2023-06-26 cs.RO
A Parameter-Efficient Tuning Framework for Language-guided Object Grounding and Robot Grasping
Univ. of Minnesota(明尼苏达大学)
本文提出一种基于CLIP的参数高效微调框架,通过双向视觉-语言适配器和深度融合分支,在语言引导的目标定位与机器人抓取三项任务上取得优于现有方法的性能,并具备复杂空间推理能力。
2025-02-07 cs.RO
From Grounding to Manipulation: Case Studies of Foundation Model Integration in Embodied Robotic Systems
IHPC, Agency for Science, Technology and Research, Singapore(科技研究局智能技术中心,新加坡);Nanyang Technological University, Singapore(南洋理工大学,新加坡)
本文研究三种基础模型集成范式在机器人系统中的应用,通过复杂指令基础和物体操作任务的案例研究,揭示了零样本和少样本设置下泛化与数据效率的权衡,为语言驱动物理智能体的设计提供启示。
2025-11-03 cs.RO
Towards Unified Interactive Visual Grounding in The Wild
ByteDance Research(字节跳动研究院)
本文提出端到端交互式视觉定位系统TiO,通过统一视觉对话与定位的公式化方法,在公开数据联合训练下实现卓越泛化能力,并在GuessWhat?!和InViG基准及真实机器人平台上取得新高成功率。
2024-02-18 cs.RO
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology(宁波工程学院)
随着机器人技术和人工智能领域的发展不断深入,路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状,重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究,并给出了一些求解方法。
2014-01-07 cs.RO
Grounding Language Models with Semantic Digital Twins for Robotic Planning
Institute for Artificial Intelligence, University of Bremen(人工智能研究所,不莱梅大学)
该研究提出一种将语义数字孪生与大型语言模型结合的框架,通过动作三元组和环境数据实现机器人自适应规划,在ALFRED基准上验证了其鲁棒性。
2025-06-19 cs.AI cs.RO
SGGNet$^2$: Speech-Scene Graph Grounding Network for Speech-guided Navigation
Korea Advanced Institute of Science and Technology(韩国科学技术院);KAIST Convergence Research Institute(KAIST融合研究院)
针对语音导航中语言接地受声学差异和噪声干扰的问题,提出融合ASR声学相似性的SGGNet$^2$网络,通过定性定量实验及真实四足机器人导航任务验证了其有效性。
2024-04-15 cs.RO
Waiting Tables as a Robot Planning Problem
Carnegie Mellon University(卡内基梅隆大学)
我们提出了我们如何正式的等待表在餐厅的任务作为一个机器人规划问题。这种形式化被用来测试我们最近开发的算法,这些算法允许实现多个独立任务的最佳规划,这些任务是部分可观察的,并随着时间的推移而演变[1],[2]。
2021-05-21 cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology(波兹南理工大学)
在本文中,我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外,规划者应该检查多个约束,如静态稳定性,自碰撞,与地形的碰撞,以及腿的工作空间。结果,检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中,我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后,我们提出了一种新的规划方法,提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Integration of 4D BIM and Robot Task Planning: Creation and Flow of Construction-Related Information for Action-Level Simulation of Indoor Wall Frame Installation
University of Nebraska-Lincoln(内布拉斯加大学林肯分校)
本研究提出集成4D BIM与机器人任务规划的框架,通过施工机器人知识库增强模型并转换为模拟世界,实现上下文感知的室内墙体框架安装任务规划与模拟。
2024-02-06 cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));The Chinese University of Hong Kong(香港中文大学);The University of British Columbia(不列颠哥伦比亚大学)
在人口密集的动态环境中,机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地,移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑,分为全局路径规划和局部路径规划。在此框架内,路径规划方法的最新进展,在文件中,同时检查他们的优点和缺点。值得注意的是,最近开发的速度障碍法及其变种,作为当地的规划者进行了全面的分析。此外,作为当前机器人应用中广泛使用的无模型方法,本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Grounded Action Model: 3D Grounding as a Foundation for Robotics
Northwestern University(西北大学);University of Washington(华盛顿大学);National University of Singapore(新加坡国立大学);Microsoft(微软)
提出接地动作模型(GAMs),通过3D接地将语言、点或框提示转换为对象中心表示,预测动作块,在多个基准和真实机器人上显著提升成功率,可作低级控制器支持长时域操作。
2026-09-28 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley(加州大学伯克利分校)
多关节机器人的运动规划具有挑战性。由于问题的复杂性,大多数现有的工作分解运动规划作为更容易的子问题。然而,由于不一致的性能指标,只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题,提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Robot Planning with Mathematical Models of Human State and Action
University of California, Berkeley(加州大学伯克利分校)
机器人与物理世界的互动计划与物理模型。我们主张机器人与人的互动需要用认知模型来规划。这篇文章总结了我们在将人的计算认知模型集成到机器人规划和控制中所获得的见解。它从一般的博弈论制定的互动,并分析了不同的近似结果在不同的有用的协调行为的机器人在与人的互动。
2017-07-04 cs.RO
Learning and Using Abstractions for Robot Planning
Arizona State University(亚利桑那州立大学)
机器人运动规划涉及计算一系列有效的机器人配置,使机器人从其初始状态到目标状态。解决运动规划问题最佳使用分析方法被证明是PSPACE困难。基于采样的方法试图有效地近似最优解。通常,基于采样的规划器使用统一的采样器来覆盖整个状态空间。在本文中,我们提出了一个基于深度学习的框架,该框架可以识别环境中对解决给定运动规划问题至关重要的机器人配置。这些状态用于偏置采样分布,以减少规划时间。我们的方法适用于一个统一的网络,并根据环境和机器人生成域相关的网络参数。我们评估我们的方法与学习和链接规划器在三个不同的设置。结果表明,显着改善运动规划时间相比,目前的采样为基础的运动规划。
2021-07-22 cs.RO
OVAL-Prompt: Open-Vocabulary Affordance Localization for Robot Manipulation through LLM Affordance-Grounding
University of Michigan(密歇根大学);J.P. Morgan AI Research(摩根大通AI研究院)
OVAL-Prompt利用VLM和LLM实现RGB-D图像中的开词汇可供性定位,无需微调即可达到监督基线精度,支持机器人操作。项目页面:https://ekjt.github.io/OVAL-Prompt/
2024-05-25 cs.RO
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México(墨西哥自治理工学院)
本文提出了一种多机器人运动规划方法,通过工作空间分解的离散搜索提高规划效率,核心方法是分层子问题扩展和工作空间分解细化,主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
Experience-based Subproblem Planning for Multi-Robot Motion Planning
Texas A&M University(德克萨斯农工大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治技术学院)
提出基于经验的子问题规划方法,通过构建低维子问题解的数据库并应用于大规模场景,解决了多机器人运动规划在复杂任务中的可扩展性与效率问题。
2024-11-13 cs.RO
To Lead or to Follow? Adaptive Robot Task Planning in Human-Robot Collaboration
University of Waterloo(滑铁卢大学)
本文提出一种兼顾人类引领/跟随偏好与表现的自适应机器人任务规划框架,通过用户研究验证其能提升团队表现并改善人类对协作的感知。
2025-07-20 cs.RO
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University(克莱姆森大学);Air Force Research Laboratory(美国空军研究实验室)
机器人符号运动规划是在离散空间中指定和规划机器人任务,然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展,但仍存在许多挑战,包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中,分布式符号运动规划的多机器人系统的发展,以解决可扩展性。更具体地说,组合推理方法的发展,以分解的全局规划问题,原子命题的观察,通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性,一个动态的,定量的,和概率的人对机器人的信任模型的开发,以帮助这种分解。此外,提出了一种基于信任的实时切换框架,用于在自主和手动运动规划之间切换,以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估,证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 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
MERGE: Guided Vision-Language Models for Multi-Actor Event Reasoning and Grounding in Human-Robot Interaction
Honda Research Institute Europe(本田欧洲研究院);Honda Research Institute USA(本田美国研究院)
MERGE 通过引导视觉语言模型实现动态人类机器人交互中多主体事件的推理与 grounding,提升 situational awareness 与效率,基于 GROUND 数据集验证其性能提升。
2026-03-19 cs.RO
Interactive Visual Grounding of Referring Expressions for Human-Robot Interaction
National University of Singapore(新加坡国立大学)
本文介绍了INGRESS,一个机器人系统,遵循人类自然语言的指令,以挑选和放置日常物品。这里的核心问题是指称表达的基础:从输入图像和语言表达中推断对象及其关系。INGRESS允许不受约束的对象类别和不受约束的语言表达式。此外,它提出问题,以消除歧义的指涉表达式交互式。为了实现这些,我们采取接地的方法,通过代,并提出了一个两阶段的神经网络模型接地。第一阶段使用神经网络来生成对象的视觉描述,将它们与输入语言表达进行比较,并识别一组候选对象。第二阶段使用另一个神经网络来检查候选对象之间的所有成对关系,并推断出最可能引用的对象。相同的神经网络用于消除歧义的基础和问题生成。实验表明,INGRESS在RefCOCO数据集和人类机器人实验中的表现优于最先进的方法。
2018-06-11 cs.CL cs.CV cs.RO
Energy Optimized Robot Arm Path Planning using Differential Evolution in Dynamic Environment
Jadavpur University(贾达沃普尔大学)
机器人由于其高效率和高精度的性能而广泛应用于工业中。在生产线的制造阶段,最有趣的问题之一是最大限度地减少这些机器人操作器消耗的能量的显着高的百分比。机器人的能量最优控制是一个复杂的问题,因为它需要深入了解机器人的运动学和动力学行为。提出了一种基于差分进化算法的工业机器人手臂在多障碍物工作空间中能量有效路径规划的新方法。路径规划问题被制定为一个优化问题,其目的是确定最短的和能量最优路径的机器人手臂从其给定的初始位置到预定义的目标位置,而不会碰到障碍物。这种进化算法在轨迹规划中的应用是有利的,因为路径规划问题的精确解并不总是预先可用的,并且必须动态地确定。实验表明,基于DE的路径规划算法优于其竞争者在一个显着的方式。
2018-06-23 cs.RO
Spa-Bench: A Real-Robot Benchmark for Spatial Grounding in Vision-Language-Action Models
Imperial College London(帝国理工学院)
本研究提出真实机器人基准Spa-Bench,评估视觉-语言-动作模型(VLAs)的空间 grounding 能力,发现其分布外空间配置下成功率显著下降,直接指令可大幅提升性能,VLAs缺乏稳健空间 grounding。
2026-10-12 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
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架,融合视觉基础模型提升机器人操作与运动规划,实现实时调整和持续学习,并通过实验验证其在动态环境中的部署潜力。
2023-09-20 cs.RO
Relational Scene Graphs for Object Grounding of Natural Language Commands
School of Electrical Engineering, Aalto University(艾尔沃大学电气工程学院);School of Science, Aalto University(艾尔沃大学科学学院)
本文提出基于关系场景图的方法,通过结合LLM和VLM增强自然语言指令中对象接地的准确性。
2026-07-31 cs.RO
Grounding Generative Policies in Physics: Optimization-Guided Diffusion for Robot Control
ETH Zurich(苏黎世联邦理工学院);EPFL(洛桑联邦理工学院)
提出推理时优化框架,通过将扩散引导建模为约束优化问题,在采样中施加物理可行性约束,无需重训练即可提升机器人任务成功率。
2026-06-24 cs.RO
Ray-based Interference Free Workspace Analysis and Path Planning for Cable-Driven Robots
The Chinese University of Hong Kong(香港中文大学)
本文采用基于光线的方法研究了任意缆索驱动机器人在缆索和障碍物作用下的无干涉工作空间。从这一点继续,点到点的路径规划和验证技术,以确保所产生的运动是在工作空间内进行了研究。
2022-09-23 cs.RO
Desiderata for Planning Systems in General-Purpose Service Robots
University of Washington(华盛顿大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
通用服务机器人预计将根据用户的要求承担广泛的任务。知识表示和规划系统是必不可少的灵活的自主机器人,但该领域缺乏一个统一的观点,功能是必不可少的通用服务机器人。对用户、环境和整个机器人系统的不同假设阻碍了通用服务机器人的规划与推理的进展。在这份立场文件中,我们提出了必要的规划与推理系统,以促进通用服务机器人。每个项目都借鉴了我们对办公室和家庭服务机器人的研究经验以及这些环境的需求。我们的需求强调支持自然的人机界面,以及当与人类和环境的交互失败时,强大的回退方法。我们强调为实现这些目标而开展的相关工作。
2019-07-04 cs.RO
SayPlan: Grounding Large Language Models using 3D Scene Graphs for Scalable Robot Task Planning
Queensland University of Technology(昆士兰科技大学);CSIRO Data61(澳大利亚联邦科学与工业研究组织Data61研究院);University of Adelaide(阿德莱德大学)
本文提出 SayPlan,利用3D场景图的层级语义搜索、经典路径规划和迭代重规划,使 LLM 能在多层多房间环境中将自然语言指令接地为可执行的长时域机器人任务计划。
2023-09-27 cs.AI cs.RO
Decentralized Lifelong Path Planning for Multiple Ackerman Car-Like Robots
Rutgers, the State University of New Jersey(罗格斯,新泽西州立大学)
针对连续域中非完整约束机器人的终身路径规划难题,将离散域SOTA多机器人规划关键思想扩展至多个Ackerman类车机器人,提出高性能集中式与去中心化规划器,实现精确SE(2)目标位姿轨迹规划并经仿真与实验验证。
2024-02-19 cs.RO
Learning to Ground Objects for Robot Task and Motion Planning
SUNY Binghamton(纽约州立大学宾汉姆顿分校)
任务和运动规划(TAMP)算法已经被开发用于帮助机器人规划离散和连续空间中的行为。机器人面临复杂的现实世界场景,其中几乎不可能对所有对象或其物理属性进行建模以用于机器人规划(例如,在厨房或购物中心)。在本文中,我们定义了一个新的以对象为中心的TAMP问题,其中TAMP机器人不知道对象属性(例如,块的大小和重量)。然后,我们介绍了任务运动对象为中心的规划({ \bf TMOC}),一个接地TAMP算法,学习地面对象和它们的物理属性与物理引擎。TMOC对于那些涉及动态复杂机器人多对象交互的任务特别有用,这些任务很难事先建模。我们已经证明和评估TMOC在模拟和使用一个真正的机器人。结果表明,TMOC在累积效用方面优于文献中的竞争基线。
2022-02-15 cs.RO
An Effective Algorithmic Framework for Near Optimal Multi-Robot Path Planning
Massachusetts Institute of Technology(麻省理工学院)
我们提出了一个集中的算法框架,解决多机器人路径规划问题,在一般的,二维的,连续的环境,同时最大限度地减少全球的任务完成时间。该框架获得高水平的有效性,通过组成的连续环境的最佳离散化和随后的快速,接近最佳的解决方案所产生的离散规划问题。这种原则性的方法在速度和支持的机器人密度方面实现了数量级的更好性能。对于各种各样的环境中,我们的方法被证明是计算全球接近最优的解决方案,为50个机器人在几秒钟内与机器人包装接近对方。在极端情况下,该方法可以始终如一地解决数百个机器人占用超过30%的自由空间的问题。
2015-07-13 cs.RO
Extensible Grounding of Speech for Robot Instruction
IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心)
口语是一个方便的界面,用于指挥移动机器人。然而,要做到这一点,一些基本术语必须以感知和运动技能为基础。我们详细介绍了我们的机器人ELI上使用的语言处理,并解释了这种接地是如何执行的,它如何与用户手势交互,以及它如何处理回指等现象。然而,更重要的是,有一些概念是机器人无法预先编程的,例如家庭中各种物体的名称或它可能被要求执行的特定任务的性质。在这些情况下,至关重要的是要有一种方法来扩大基础,基本上是“通过被告知来学习”。我们描述了这是如何成功地实现学习新的名词和动词在桌面设置。创建这种语言学习内核可能是机器人需要的最后一个明确的编程-核心机制最终可以用于传授大量的知识,就像孩子从父母和老师那里学习一样。
2018-07-31 cs.AI cs.CL cs.RO
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架,用于UR5e机械臂的主动碰撞避免,以提升人机协作安全性。
2026-09-29 cs.RO
Multi-Robot Motions in Milliseconds: Vector-Accelerated Primitives for Sampling-Based Planning
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign(帕索尔实验室,计算与数据科学学院,伊利诺伊大学厄巴纳-香槟分校);Department of Computer Science at Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治理工学院(ITAM)计算机科学系)
本文扩展了Vector-Accelerated Motion Planning框架,开发了多机器人MotionValidation和FindFirstConflict原语,利用SIMD并行性实现多机器人运动规划的高效验证与冲突检测,显著提升规划效率。
2026-08-07 cs.RO
Chance Constrained Motion Planning for High-Dimensional Robots
Massachusetts Institute of Technology(麻省理工学院)
本文介绍了概率Chekov(p-Chekov),一个机会约束运动规划系统,可应用于高自由度(DOF)机器人运动不确定性和不完善的状态信息。给定过程和观测噪声模型,它可以找到可行的轨迹,满足用户指定的边界上的碰撞概率。利用我们以前在确定性运动规划中的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在高维任务的规划速度方面表现出优越性。P-Chekov将线性二次高斯运动规划方法应用到机器人状态概率分布的估计中,将积分理论应用到航路点碰撞风险估计中,并采用风险分配方法来分配航路点之间的允许故障概率。与其他现有的风险感知规划器不同,p-Chekov可以应用于高自由度的机器人规划任务,而无需对环境进行凸化。本文的实验结果表明,该p-Chekov系统可以有效地降低碰撞风险,并满足用户指定的机会约束,在典型的现实世界规划场景的高自由度机器人。
2018-11-07 cs.RO
Robot Path Planning Algorithms: A Review of Theory and Experiment
这本书的目的是介绍不同的机器人路径规划算法,并建议一些最合适的,能够运行在各种机器人和抗干扰。实时性、自主性以及识别高风险区域和风险管理的能力是这些方法中提到的其他功能。
2018-11-13 cs.RO
D3D-VLP: Dynamic 3D Vision-Language-Planning Model for Embodied Grounding and Navigation
School of Computing, National University of Singapore(新加坡国立大学计算机学院);Nanjing University of Science and Technology(南京理工大学)
D3D-VLP通过动态3D链式思维和协同学习策略,实现具身接地与导航的高效统一,提升多任务导航性能。
2025-12-14 cs.CV cs.RO
k-Color Multi-Robot Motion Planning
Tel-Aviv University(特拉维夫大学)
我们提出了一个简单而自然的扩展的多机器人运动规划问题,其中的机器人被划分成组(颜色),这样,在每个组的机器人是可互换的。每个机器人不再需要移动到特定的目标,而是移动到分配给其组的某个目标位置。我们称这个问题为k-颜色多机器人运动规划,并提供了一个专门设计的基于采样的算法来解决它。在该算法的核心是一个新的技术,其中k-颜色问题减少到几个离散的多机器人运动规划问题。这些减少将基本样本放大为机器人的大量自由放置和路径集合。我们证明了该算法的性能的情况下,圆盘机器人和多边形机器人在平面上平移的实现。我们表明,该算法成功地和有效地应对了各种具有挑战性的情况下,涉及许多机器人,而该算法的简化版本,可以被视为一个普遍的基于采样的算法的K-颜色的情况下,即使在简单的情况下失败。有趣的是,我们的算法优于PRM的标准多机器人问题,其中每个机器人都有一个独特的颜色建立的实现。
2013-05-13 cs.RO
Unsupervised, Bottom-up Category Discovery for Symbol Grounding with a Curious Robot
Boise State University(博伊西州立大学)
本文提出让具备好奇心模型的机器人通过视觉观察与动作自主进行自底向上的无监督类别发现,从而支持后续专家赋予符号并实现符号接地。
2024-04-03 cs.CL cs.RO
Natural Language for Human-Robot Collaboration: Problems Beyond Language Grounding
Khoury College of Computer Sciences, Northeastern University(东北大学库里计算机科学学院)
为了使机器人能够指导人类进行协作,我们确定了语言处理的几个方面,这些方面在这种情况下并不常见。这些包括位置,规划和生成。我们建议对每项任务进行评估,为简单的方法提供基线,并通过讨论学习语言合作的挑战和机遇来结束。
2021-10-09 cs.AI cs.CL cs.RO