rl_reach: Reproducible Reinforcement Learning Experiments for Robotic Reaching Tasks
University College Dublin（都柏林大学学院）；Resero Ltd（雷塞罗有限公司）；Universidad de León（莱昂大学）
训练强化学习智能体解决给定任务高度依赖于识别最优超参数集和选择合适的环境输入/输出配置。这个繁琐的过程可以通过一个简单的工具箱来简化，允许用户快速比较不同的训练参数集。我们提出了rl_reach，一个独立的，开源的和易于使用的软件包，旨在运行可重复的强化学习实验，可定制的机器人达到任务。rl_reach将训练环境、代理、超参数优化工具和策略评估脚本打包在一起，允许其用户快速调查和确定最佳训练配置。rl_reach可在此URL上公开获得：https://github.com/PierreExeter/rl_reach。
2021-03-01 cs.AI cs.LG cs.RO
Raspi$^2$USBL: An open-source Raspberry Pi-Based Passive Inverted Ultra-Short Baseline Positioning System for Underwater Robotics
State Key Laboratory of Ocean Sensing, Ocean College of Zhejiang University（浙江省海洋传感重点实验室，浙江大学海洋学院）；School of Oceanography, Shanghai Jiao Tong University（上海交通大学海洋学院）
提出一种基于树莓派的低成本被动倒置超短基线定位系统，通过被动声学接收器和主动信标实现水下定位，在消声池、淡水湖和开放海域测试中达到0.1%斜距精度和0.1°方位角精度。
2026-06-16 cs.RO
REPLAB: A Reproducible Low-Cost Arm Benchmark Platform for Robotic Learning
UC Berkeley（加州大学伯克利分校）
标准化的评估措施有助于机器学习方法在计算机视觉和机器翻译等学科中的进步。在本文中，我们提出了机器人学习也将受益于基准测试的情况，并提出了“REPLAB”平台，用于基准测试基于视觉的操作任务。REPLAB是一个可复制和自包含的硬件堆栈（机器人手臂，摄像头和工作空间），成本约为2000美元，占地面积为70x40x60 cm的长方体，并允许在几个小时内完全组装。通过这种低成本、紧凑的设计，REPLAB旨在通过降低进入机器人领域的门槛来推动广泛的参与，并使许多机器人能够轻松扩展。我们设想REPLAB作为跨操作任务的可重复研究的框架，并作为在这个方向上的一步，我们定义了一个模板，包括任务定义，评估协议，性能指标，和92k抓取尝试的数据集的把握基准。我们实施，评估和分析几个以前提出的抓方法，建立基准。最后，我们还在REPLAB平台上实现并评估了一种用于3D到达任务的深度强化学习方法。包含汇编说明、代码和视频的项目页面：https://goo.gl/5F9dP4。
2019-05-17 cs.CV cs.LG cs.RO
DeepClaw: A Robotic Hardware Benchmarking Platform for Learning Object Manipulation
SUSTech Institute of Robotics（南方科技大学机器人研究院）；Southern University of Science and Technology（南方科技大学）
我们提出DeepClaw作为机器人硬件和任务层次结构的可重构基准，用于机器人学习。DeepClaw基准测试旨在从机电一体化的角度研究机器人学习问题，其特点是机器人单元的最小设计，可以很容易地重新配置以托管来自不同供应商的机器人硬件，包括操纵器，夹具，相机，桌子和物体，旨在简化物理操作数据的收集和评估硬件基准测试的学习技能。我们提供了一个详细的设计，机器人细胞与现成的零件，以建立实验环境，可以托管广泛的机器人硬件通常采用机器人学习。我们还提出了一个分层的软件集成管道，包括定位，识别，抓取规划和运动规划，以简化基于学习的机器人控制，数据汇集和实验验证的可共享性和可重复性。我们提出了基准测试结果的DeepClaw系统的一个基线井字游戏任务，一个垃圾箱清除任务，和一个拼图游戏任务使用三套标准的机器人硬件。我们的研究结果表明，在DeepClaw中定义的任务可以很容易地在三个机器人单元上复制。在相同的任务设置下，所使用的机器人硬件的差异将对机器人学习的性能指标产生不可忽视的影响。所有设计布局和代码都托管在Github上，可开放获取。
2020-05-06 cs.RO
CapriDB - Capture, Print, Innovate: A Low-Cost Pipeline and Database for Reproducible Manipulation Research
KTH Royal Institute of Technology（瑞典皇家理工学院）
我们提出了一种新的方法和数据库，它结合了通过单眼或RGB-D相机图像廉价生成3D对象模型与3D打印和最先进的对象跟踪算法。与最近为机器人创建3D对象数据库的努力不同，我们的方法不需要昂贵和受控的3D扫描设置，并且使任何拥有相机的人都可以扫描，打印和跟踪复杂的对象进行操作研究。所提出的方法导致高度详细的网格模型，其3D打印副本有时难以与原始模型区分开。利用3D打印物体的一个关键动机是能够精确控制和改变物体属性，例如3D打印过程中的质量分布和尺寸，以获得机器人操作研究的可再现条件。我们提出了CapriDB -这种方法产生的可扩展数据库，最初包含40个纹理和3D打印网格模型以及跟踪功能，以促进所提出的方法的采用。
2016-10-17 cs.RO
RB2: Robotic Manipulation Benchmarking with a Twist
CMU（卡内基梅隆大学）；FAIR（基础人工智能研究院）；NYU（纽约大学）；WPI（伍斯特理工学院）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
基准测试提供了一种使用客观性能指标来比较算法的科学方法。好的基准有两个特点：（a）它们应该对许多研究小组广泛有用;（b）它们应该产生可重复的结果。在机器人操作研究中，在可重复性和广泛的可访问性之间存在权衡。如果基准测试保持限制性（固定硬件，对象），则数字是可重复的，但设置变得不那么通用。另一方面，基准可以是一组松散的协议（例如对象集），但设置中的潜在变化使结果不可重现。在本文中，我们重新想象机器人操作的基准测试作为最先进的算法实现，以及通常的任务和实验协议。增加的基线实现将提供一种在新的本地机器人设置中轻松重新创建SOTA数字的方法，从而在现有方法和新工作之间提供可靠的相对排名。然而，这些本地排名在不同的设置之间可能会有所不同。为了解决这个问题，我们建立了一个机制，实验室之间的实验数据池，因此，我们建立了一个单一的全球排名现有的（和拟议的）SOTA算法。我们的基准，所谓的排名为基础的机器人基准（RB 2），是从临床验证南安普敦手评估程序的启发任务进行评估。我们的基准测试在两个不同的实验室运行，并揭示了几个令人惊讶的发现。例如，像开环行为克隆这样非常简单的基线，优于更复杂的模型（例如闭环，RNN，离线RL等）。这是该领域的首选。我们希望我们的研究人员能够使用RB 2来提高他们的研究质量和严谨性。
2022-10-31 cs.RO
Towards hardware Implementation of WTA for CPG-based control of a Spiking Robotic Arm
University of Seville（塞维利亚大学）；Institute of Neuroinformatics University of Zurich and ETH Zurich（苏黎世大学与苏黎世联邦理工学院神经信息学研究所）
生物神经系统通常执行例如动物肢体中的多个自由度的控制。神经形态工程师通过在硬件中模拟这些系统来研究它们，以更深入地了解其可能的应用，以解决工程和机器人技术中的复杂问题。中央模式发生器（CPG）是神经控制器的一部分，通常在最后一步用于产生肢体运动的节奏模式。不同的模式和步态通常通过赢家通吃（WTA）电路竞争，以产生正确的动作。在这项工作中，我们提出了一个WTA电路中实现的尖峰神经网络（SNN）处理器，以产生这样的模式，用于控制机器人手臂的实时。该机器人使用基于尖峰的比例积分微分（SPID）控制器，以保持从WTA电路的神经元的赢家人口命令的关节位置。实验证明了机器人控制的可行性与尖峰电路后，大脑的灵感。
2022-02-14 cs.RO
Gym-Ignition: Reproducible Robotic Simulations for Reinforcement Learning
Istituto Italiano di Tecnologia（意大利理工学院）；University of Manchester（曼彻斯特大学）
本文介绍了体操点火，一个新的框架，创造可再生的机器人环境的强化学习研究。它与新一代的Gazebo接口，这是Ignition Robotics套件的一部分，与替代品相比，它为强化学习应用提供了三个主要改进：1）模块化架构使模拟器能够作为C++库使用，简化了与外部软件的互连; 2）多个物理和渲染引擎作为插件支持，简化了执行过程中的选择; 3）新的分布式仿真能力允许在多个工人和机器上分担负载的同时仿真复杂的场景。Gym-Ignition的核心是一个包含Ignition Gazebo模拟器的组件，并为其配置和执行提供了一个简单的接口。我们提供了一个Python包，允许开发人员在Ignition Gazebo中创建模拟的机器人环境。环境公开了通用的OpenAI Gym接口，使其与包含强化学习算法的第三方框架开箱即用。模拟可以在无头和GUI模式下执行，物理引擎可以在加速模式下运行，实例可以并行化。此外，Gym-Ignition软件架构提供了Robot和Task的抽象，使环境与特定的运行时无关。这种抽象允许它们在实际的机器人平台上实时执行，即使是由不同的中间件驱动。
2019-12-02 cs.DC cs.LG cs.RO
SuctionPrompt: Visual-assisted Robotic Picking with a Suction Cup Using Vision-Language Models and Facile Hardware Design
National Institute of Advanced Industrial Science and Technology (AIST)（日本国立先进工业科学技术研究院（AIST））
针对视觉-语言模型与现实机器人任务有效整合的难题，研究提出SuctionPrompt系统，结合VLM提示技术与3D检测实现动态环境抓取，验证了简单3D处理下VLM的操作有效性。
2024-10-31 cs.RO
The ACRV Picking Benchmark (APB): A Robotic Shelf Picking Benchmark to Foster Reproducible Research
Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）；Queensland University of Technology（昆士兰科技大学）；Amazon Robotics LLC（亚马逊机器人有限责任公司）；University of Adelaide（阿德莱德大学）
本文提出ACRV摘取基准(APB)，通过42个常见物品、广泛可用的货架和精确的物品排列指南，提供可重复的机器人摘取基准，支持完整机器人系统的比较。
2016-12-14 cs.AI cs.CV cs.RO
A3P5 NEMESIS Integrated Rover Design for Environmental Reconnaissance and Robotic Sampling with Reproducible Mobility Analysis and an External Data Machine Learning Calibration Benchmark
St. Joseph Higher Secondary School（圣约瑟夫高等中学）；BAF Shaheen College Kurmitola（孟加拉国空军沙欣学院库尔米托拉分校）；Greenland Residential School（格陵兰寄宿学校）
本研究提出A3P5 NEMESIS四轮漫游车的集成设计，结合几何重建与移动性分析，并利用外部数据校准基准评估其环境侦察与采样性能。
2026-09-17 cs.RO
fpgaDDS: An Intra-FPGA Data Distribution Service for ROS 2 Robotics Applications
Paderborn University（帕德博恩大学）
用于机器人应用的现代计算平台包括一组异构元件，例如，多核CPU、嵌入式GPU和FPGA。FPGA是可重新编程的硬件设备，可以快速和节能地计算机器人中的许多相关任务。ROS是机器人的事实上的编程标准，它将应用程序分解为一组通信节点。ReconROS是以前的一种方法，可以将完整的ROS节点映射到硬件中进行加速。由于ReconROS依赖于标准的ROS通信层，因此在硬件映射节点之间交换数据可能会导致性能瓶颈。本文介绍了fpgaDDS，一个精益的数据分布服务的硬件映射的ROS 2节点。fpgaDDS依赖于定制的和静态生成的基于流的通信架构。我们详细介绍了这种通信架构及其组件，并概述了它的好处。我们评估fpgaDDS的测试示例和一个更大的自动驾驶汽车的案例研究。与软件中的ROS 2应用程序相比，我们实现了高达13.34的加速比，并将抖动降低了两个数量级。
2023-03-01 cs.RO
ReconROS Executor: Event-Driven Programming of FPGA-accelerated ROS 2 Applications
Paderborn University（帕德博恩大学）
机器人领域的许多应用都可以从FPGA加速中受益。相应的关键问题是如何将硬件加速器集成到以软件为中心的机器人编程环境中。最近，有几种方法已经证明了机器人操作系统（ROS），在机器人技术中占主导地位的编程环境的硬件加速。ROS是一个中间件层，其特点是将复杂的机器人应用程序组成为一组节点，这些节点通过发布/订阅等机制进行通信，并将它们分布在多个计算平台上。在本文中，我们提出了一种新的方法，基于事件的编程的机器人应用程序，利用ReconROS，灵活映射ROS 2节点的框架，无论是软件或可重构硬件。ReconROS执行器调度ROS 2节点的回调，并利用可重新配置的插槽模型和部分运行时重新配置来按需加载基于硬件的回调。我们描述了ReconROS执行器的方法，给出设计实例，并通过实验评估其功能的例子。
2022-01-19 cs.RO
Adaptive Computing in Robotics, Leveraging ROS 2 to Enable Software-Defined Hardware for FPGAs
Xilinx, Inc.（赛灵思公司）
传统的机器人软件开发是关于在给定机器人的CPU中使用预定义的架构和约束进行编程功能。相反，使用自适应计算，构建机器人行为就是对架构进行编程。通过利用自适应计算，机器人专家可以在运行时间调整其计算系统的一个或多个属性（例如，其确定性、功耗、安全态势或吞吐量）。然而，机器人专家并不是硬件工程师，而且他们中缺乏嵌入式专业知识。本白皮书采用了以ROS 2机器人专家为中心的自适应计算观点，并提出了一种架构，将FPGA作为ROS 2生态系统的一级参与者。所提出的架构是平台和技术无关的，并且易于移植。该架构的核心组件在Apache 2.0许可证下公开，为机器人专家利用自适应计算和创建软件定义硬件铺平了道路。
2021-08-30 cs.AR cs.RO
OpenRC: An Open-Source Robotic Colonoscopy Framework for Multimodal Data Acquisition and Autonomy Research
Walker Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校沃克机械工程系）；Department of Surgical Oncology, Division of Surgery, The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心外科肿瘤学系）；School of Medicine and Health, Technical University of Munich（慕尼黑工业大学医学与健康学院）
OpenRC框架通过整合开源硬件和多模态数据集，为机器人结肠镜和手术自主性研究提供了可重复的基础，支持同时记录视频、操作指令、执行状态和末端位置，并验证了运动一致性和跨模态延迟。
2026-08-14 cs.RO
RadaRays: Real-time Simulation of Rotating FMCW Radar for Mobile Robotics via Hardware-accelerated Ray Tracing
Osnabrück University（奥斯纳布吕克大学）；DFKI Niedersachsen（下萨克森州人工智能研究中心）；Örebro University（厄勒布鲁大学）
RadaRays利用硬件加速光线追踪实时仿真旋转FMCW雷达，精确模拟反射、折射和散射，优于激光雷达类仿真，并提供Gazebo插件以降低开发成本。
2025-01-21 cs.RO
GzDRL: Reproducible and Scalable Deep Reinforcement Learning with Gazebo
GzDRL提出无中间件的单进程RL框架，实现Gazebo中确定性、高吞吐、可复现的训练，并验证了四旋翼的仿真到现实迁移。
2026-09-15 cs.LG cs.RO
An information model for modular robots: the Hardware Robot Information Model (HRIM)
Erle Robotics（埃尔勒机器人公司）
今天的机器人领域主要是垂直整合，单一供应商开发最终产品，导致进展缓慢，产品昂贵和客户锁定。与此相反，横向整合将导致快速开发具有成本效益的大众市场产品，并赋予消费者额外的权力。一个行业从垂直整合到水平整合的转变通常是由事实上的行业标准催化的，这些标准能够实现产品的简化和无缝集成。然而，在机器人技术领域，目前还没有一个全球即插即用标准的领先候选者。本文解决了机器人组件之间的不兼容性问题，阻碍了机器人工业所要求的可重构性和灵活性。特别是，它提出了一个模型来创建即插即用的机器人硬件组件。而不是迭代地发展以前的本体，我们提出的模型回答了行业确定的需求，同时促进机器人技术的互操作性，可测量性和可比性。我们的方法与之前提出的方法有很大不同，因为它是面向硬件的，并建立了一套明确的行动，以将该模型集成到真实环境中并与真实制造商进行集成。
2018-02-16 cs.RO
CoLI: A Reproducible Platform for Continuum Robot Learning via Monolithic 3D Printing and Isomorphic Teleoperation
School of Information Science and Technology at ShanghaiTech University（上海科技大学信息科学与技术学院）
提出一种基于多材料3D打印和同构遥操作的连续体机器人平台，简化制造流程并实现无奇异映射控制，支持模仿学习自主控制，通过硬件表征和操作任务验证其可复现性和学习就绪性。
2026-08-04 cs.RO
Supporting Robotic Software Migration Using Static Analysis and Model-Driven Engineering
University of York（约克大学）；McMaster University（麦克马斯特大学）
机器人系统的广泛使用有助于开发与运行机器人系统的硬件平台高度耦合的机器人软件。由于维护成本增加或业务优先级变化，机器人硬件很少升级，从而增加了技术停滞的风险。要降低这一风险，就需要将系统及其软件迁移到新的硬件平台。传统的软件工程实践，如完全重新开发和基于代码的迁移，虽然有助于减轻这些过时的问题，他们是耗时和过于昂贵。我们的RoboSMi模型驱动方法支持控制机器人系统的软件在硬件平台之间的迁移。首先，RoboSMi对源硬件平台的机器人软件执行静态分析，以识别平台相关和平台无关的软件结构。通过分析表示目标平台上机器人组件架构的模型，RoboSMi建立这些组件的硬件配置，并为每个组件建议软件库，其执行将使机器人软件能够控制组件。最后，RoboSMi通过代码生成为目标平台生成软件，并指出需要机器人工程师手动干预才能完成迁移的区域。我们评估RoboSMi的适用性，并分析其使用所提供的自动化水平和性能，通过将部署用于环境监测的两个机器人系统和从螺旋桨活动板到Arduino Uno的线路跟踪任务。
2020-08-05 cs.RO cs.SE
An Open-Source, Reproducible Tensegrity Robot that can Navigate Among Obstacles
Y Mech. Eng., Yale Univ.（耶鲁大学机械工程系）；R Comp. Sc., Rutgers Univ.（罗格斯大学计算机科学系）
本文提出一个开源可复现的三杆张力整体机器人导航系统，集成硬件设计与建模、辨识、状态估计、规划和控制软件栈，并通过多种环境实验验证其鲁棒性与可复现性。
2025-11-08 cs.RO
The More the Merrier: Running Multiple Neuromorphic Components On-Chip for Robotic Control
fortiss – Research Institute of the Free State of Bavaria（巴伐利亚州自由州fortiss研究所）；Ludwig Maximillian University of Munich（慕尼黑大学）；Intel Neuromorphic Computing Lab（英特尔神经形态计算实验室）；Technical University of Munich（慕尼黑工业大学）
本文提出了一种在芯片上运行多个神经形态组件的流水线，用于实现视觉机器人控制，展示了其在低功耗和低延迟方面的性能。
2026-02-14 cs.RO
RB5 Low-Cost Explorer: Implementing Autonomous Long-Term Exploration on Low-Cost Robotic Hardware
Yale University（耶鲁大学）；Boston Dynamics AI Institute（波士顿动力人工智能研究所）；Harvard University（哈佛大学）
本文介绍了低成本轮式机器人RB5，通过结合前沿采样探索、向量场路径跟随与SLAM算法，在低更新频率硬件上实现室内外未知环境的自主长期探索，并利用LoRa技术实现远程人机交互。
2024-02-14 cs.RO
Quantifying the Reality Gap in Robotic Manipulation Tasks
Queensland University of Technology (QUT)（昆士兰科技大学）；Data61/CSIRO（Data61/联邦科学与工业研究组织）；Australian Centre for Robotic Vision (ACRV)（澳大利亚机器人视觉中心）
我们量化了各种模拟器的准确性相比，现实世界的机器人达到和互动任务。模拟器在机器人技术中用于为现实世界的硬件设计解决方案，而无需物理访问。“现实差距”妨碍了在模拟中开发或学习的解决方案在转移到现实世界的硬件时表现良好，或根本无法表现。利用Kinova机器人机械手和运动捕捉系统，我们记录了地面实况，使各种模拟器的比较，并提出了各种面向操作的机器人任务的定量数据。我们展示了许多当代模拟器的相对优势和弱点，突出了显著差异的领域，并帮助该领域的研究人员为他们的用例选择合适的模拟器。所有代码和参数列表都可以从https://bitbucket.csiro.au/scm/~col549/quantifying-the-reality-gap-in-robotic-manipulation-tasks.git公开获得。
2018-11-08 cs.RO
FurnitureBench: Reproducible Real-World Benchmark for Long-Horizon Complex Manipulation
KAIST（韩国科学技术院）；UC Berkeley（加州大学伯克利分校）
针对现有机器人操作基准仅能学习简单行为的局限，提出可复现的真实世界家具组装基准FurnitureBench，提供海量演示数据、3D打印模型和快速模拟器，并通过对离线强化学习与模仿学习算法的基准测试揭示了现有方法的不足与未来研究机会。
2023-05-22 cs.AI cs.LG cs.RO
Epically Powerful: An open-source software and mechatronics infrastructure for wearable robotic systems
Georgia Institute of Technology（佐治亚理工学院）；Harvard University（哈佛大学）；Rice University（莱斯大学）
Epically Powerful是一款开源机器人基础设施，可简化可穿戴机器人系统的底层框架，支持QDD执行器等硬件对接，降低定制化可穿戴机器人开发门槛，还适用于其他相关机器人领域。
2026-08-11 cs.RO
Towards Automatic Migration of ROS Components from Software to Hardware
Maersk McKinney Moeller Institute, University of Southern Denmark（南丹麦大学马士基·麦克金尼·穆勒研究所）
ROS中间件的使用是机器人技术的一个增长趋势，然而，ROS和硬实时嵌入式系统在保持所有级别的相同整体通信和处理方法的同时，并不容易统一。在本文中，我们提出了一种方法，旨在解决高层次，灵活的软件和低层次，实时软件之间的分裂。我们的方法的关键思想是使软件组件编写的高层次的自定义订阅软件架构自动迁移到一个专用的硬件架构，使用可编程逻辑实现。我们的方法基于Unity框架，这是一个基于FPGA的统一软件/硬件框架，用于将高级软件快速连接到低级机器人硬件。
2014-07-28 cs.RO
Design of Distributed Reconfigurable Robotics Systems with ReconROS
Paderborn University（帕德博恩大学）
机器人应用程序实时处理大量数据，需要提供高性能和高能效的计算平台。FPGA非常适合这些应用中的许多应用，但由于设计复杂性增加以及缺乏跨软件/硬件边界的一致编程模型，机器人社区不愿意使用硬件加速。在本文中，我们提出了ReconROS，一个框架，集成了广泛使用的机器人操作系统（ROS）与ReconOS，其特点是多线程编程的硬件和软件线程的可重构计算机。这种独特的组合使ROS 2开发人员能够灵活地在硬件中透明地加速其机器人应用程序的部分。我们详细阐述了ReconROS的架构和设计流程，并报告了一组实验，强调了我们的方法的可行性和灵活性。
2021-10-28 cs.DC cs.RO
OpenEAI-Platform: An Open-source Embodied Artificial Intelligence Hardware-Software Unified Platform
Shanghai Innovation Institute（上海创新研究院）；Huazhong University of Science and Technology（华中科技大学）；Shanghai Jiao Tong University（上海交通大学）
提出OpenEAI-Platform，集成低成本6+1自由度机械臂和可复现VLA模型，通过开源设计和两阶段训练在真实操作任务中超越商业臂，性能媲美大规模预训练基线。
2026-06-02 cs.RO
Accessible Interfaces for the Development and Deployment of Robotic Platforms
TTI-Chicago（芝加哥丰田技术研究所）；TOYOTA TECHNOLOGICAL INSTITUTE AT CHICAGO（芝加哥丰田技术研究所）
本论文针对消费者、研究人员和学习者三类受众，提出了改善机器人无障碍性的方法，包括自然语言导航与操作、可复现研究平台、水下干预框架SHARC以及首个基于硬件的机器人MOOC课程。
2023-05-16 cs.RO
Reproducible Vision-Guided 6-DoF Robotic Manipulator with a Mixed Stepper-Driver Architecture and Browser-Native Control
University of Moratuwa（莫拉图瓦大学）
该研究推出开源低成本6自由度机械臂NeuralNexus Arm，采用混合步进驱动器架构与浏览器原生控制，具备视觉引导自主抓取能力，所有设计开源且可复现。
2026-08-25 cs.CV cs.RO cs.SY
Hardware and Software manual for Evolution of Oil Droplets in a Chemo-Robotic Platform
University of Glasgow（格拉斯哥大学）；Future Bits OpenTech UG
本手册概述了一个全自动的液体处理机器人，使物理体现在化学油滴系统的演变。该机器人基于REPRAP 3D打印机系统，通过混合化学品制造液滴，然后将其放置在培养皿中，然后使用相机记录液滴，并使用图像识别软件分析液滴的行为。本手册随附于Nature Communications DOI：10.1038/ncomms 6571上发表的开放获取出版物。
2014-11-07 cs.AI cs.RO
CLASH WRIST -- A hardware to increase the capability of CLASH fruit gripper to use environment constraints exploration
人类在操作中使用环境约束（EC）来补偿其世界模型中的不确定性。同样的原理最近被应用于机器人技术，因此软欠驱动手通过使用环境约束利用（ECE）来提高其抓取能力[1]。由于机器人手的方向，例如在EC墙抓取中，如果从盒子中抓取物体，则机器人手腕的长度加上手的长度变得非常重要[2]。大多数现代协作机器人都有相当长的手腕，所以我们为CLASH [3]构建了一个两自由度手腕，以解决这个问题（图1）。
2020-04-02 cs.RO
UMIRobot: An Open-{Software, Hardware} Low-Cost Robotic Manipulator for Education
the University of Tokyo（东京大学）
针对遥操作机器人教育套件不足的问题，提出低成本开源UMIRobot套件，用于在线/混合课程，支持团队设计主设备和夹持器并参与遥操作挑战，已在多国应用。
2024-11-06 cs.RO
Engineering the Hardware/Software Interface for Robotic Platforms - A Comparison of Applied Model Checking with Prolog and Alloy
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）
机器人平台服务于不同的用例，从原型辅助应用的实验到在各个领域实现网络物理系统的嵌入式系统。我们正在使用1：10比例的微型车辆作为机器人平台，在自动驾驶汽车和协作车队领域进行研究。因此，使用不同传感器的实验，例如~超声波、红外线和旋转编码器需要使用我们的车辆平台来准备和实现。对于每个设置，我们需要配置硬件/软件接口板来处理所有传感器和执行器。因此，我们需要为接口板的每个引脚找到一个特定的配置设置，既可以处理我们当前的硬件设置，又足够灵活，可以为未来的用例支持更多的传感器或执行器。在本文中，我们展示了如何建模的硬件/软件接口板的配置空间域，使模型检验解决任务，找到任何，所有，最好的可能的引脚配置。我们提出了一个正式的实验结果，应用声明性语言合金和Prolog来指导工程的硬件/软件接口的机器人平台上的配置复杂性高达10引脚的配置空间大于1450万的可能性的例子的过程。我们的研究结果表明，我们的领域模型在合金相比，Prolog更好地找到可行的解决方案，为更大的配置，平均时间为0.58秒。为了找到最佳解决方案，我们的Prolog模型在最大所需配置下的性能更好，仅需1.38秒;然而，本文中作为示例使用的现有硬件工具目前没有涵盖这个重要的用例。
2014-01-16 cs.RO cs.SE
An Open-Source Reproducible Chess Robot for Human-Robot Interaction Research
Faculty of Mechanical Engineering, Delft University of Technology（代尔夫特理工大学机械工程学院）
本文提出开源国际象棋机器人OpenChessRobot，通过计算机视觉与语音手势实现人机交互，详细评估其效能并经597人调查显示其在教育和教练场景更受欢迎。
2025-04-04 cs.HC cs.RO
Wheeled Lab: Modern Sim2Real for Low-cost, Open-source Wheeled Robotics
University of Washington（华盛顿大学）
针对强化学习机器人技术门槛高、难以普及的问题，研究提出开源低成本的Wheeled Lab生态系统，集成Isaac Lab仿真框架，实现小型遥控车的三种前沿零样本策略，助力机器人研究与教育普及。
2025-08-30 cs.RO
RoMoCo: Robotic Motion Control Toolbox for Reduced-Order Model-Based Locomotion on Bipedal and Humanoid Robots
Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
RoMoCo是一个开源C++工具箱，通过统一的API集成降阶模型规划器与全身控制器，支持双足和仿人机器人快速原型与可复现基准测试，并在多种机器人上经仿真和硬件验证。
2025-09-23 cs.RO
Hardware-Free Robotics Laboratories in Mixed Reality
Technical University of Munich（慕尼黑工业大学）
提出MR-Robotics LAB混合现实平台，以真实尺度重放MATLAB机器人轨迹，评估显示低设置工作量和高接受度，为无硬件机器人教学提供可复用路径。
2026-09-17 cs.HC cs.RO
Open TeleDex: A Hardware-Agnostic Teleoperation System for Imitation Learning based Dexterous Manipulation
Tianjin University（天津大学）；LinkerBot Inc.（LinkerBot公司）；Tsinghua University（清华大学）
Open TeleDex提出统一遥操作框架，解决异构设备下演示数据采集难题，支持任意机械臂、灵巧手和输入设备，并引入手部姿态重定向算法提升互操作性，为模仿学习提供高质量数据平台。
2025-10-16 cs.RO
MBot: A Modular Ecosystem for Scalable Robotics Education
University of Michigan（密歇根大学）
本文介绍了低成本移动机器人平台 MBot 的设计与演进，通过模块化生态系统和可扩展、灵活的设计原则，解决大规模机器人教育中硬件成本高和开发难度大的问题，已成功培训超过 1,400 名学生。
2023-12-01 cs.RO
Safety assurance of an industrial robotic control system using hardware/software co-verification
University of Agder (UiA)（阿格德大学）；University of York（约克大学）；Norwegian University of Life Sciences (NMBU)（挪威生命科学大学）；ABB Robotics（ABB机器人公司）
作为工业机器人的一个普遍趋势，越来越多的安全功能正在被开发或重新设计，以便在软件中处理，而不是由物理硬件（如安全继电器或联锁电路）处理。这种趋势加强了补充传统的，基于输入的测试和质量程序的重要性，这些程序在当今工业中广泛使用，形式化验证和模型检查方法。为此，本文重点介绍了ABB工业喷漆机器人中具有代表性的安全关键系统，即高压静电控制系统（HVC）。HVC产生的高压，安全运行所必需的实际收敛，正式验证使用一种新的和一般的协同验证框架，其中硬件和软件模型通过平台映射相关。这种方法可以将高度多样化和专业化的工具进行务实的组合。本文的主要贡献包括如何硬件抽象和验证结果可以在工具之间传输，以验证系统级的安全属性的细节。值得注意的是，本文中考虑的HVC应用具有相当通用的反馈控制器形式。因此，这里报告的联合验证框架和经验也与跟踪设定点参考的任何网络物理系统高度相关。
2021-12-27 cs.FL cs.RO
Real-World Modeling of a Pathfinding Robot Using Robot Operating System (ROS)
University of Central Florida（中佛罗里达大学）
本文提出了一种实用的方法实现路径查找算法在现实世界和低成本的非商业硬件平台。当使用机器人仿真平台作为我们算法的测试平台时，我们很容易忽略由外部因素发展的现实世界的外生问题。这些问题涉及机器人轮打滑、异步电机、异常传感数据或不稳定的电源。现实世界的动态往往是非常痛苦的，即使是执行简单的算法，如波阵面规划器或A星搜索。本文讨论的设计技术，往往是强大的，以及可重用的任何硬件平台，涵盖的问题，如控制异步驱动器，里程计偏移问题和处理异常的感觉反馈。算法实现介质和硬件设计工具一直保持一般，以目前我们的工作作为一个服务平台，为未来的研究人员和机器人爱好者在路径规划机器人领域的工作。
2018-02-27 cs.RO
The NAO Backpack: An Open-hardware Add-on for Fast Software Development with the NAO Robot
Universidad de Chile（智利大学）；Advanced Mining Technology Center（先进采矿技术中心）
我们为NAO机器人提供了一个开源配件，它可以在外部平台上测试计算要求很高的算法，同时保持机器人的自主性和移动性。该平台具有背包的形式，可以3D打印和复制，并拥有一个ODROID XU 4板，以在外部处理算法，并与ROS兼容。我们还提供了B-Human框架和ROS之间的软件桥梁，以便接近实时地访问机器人的传感器。我们在多个机器人应用中测试了该平台，例如数据记录、视觉SLAM和具有深度学习技术的机器人视觉。CAD模型、硬件规格和软件可在线获取，以造福社区：https://github.com/uchile-robotics/nao-backpack
2017-06-20 cs.RO
SwarmUS: An open hardware and software on-board platform for swarm robotics development
University of Sherbrooke（舍布鲁克大学）
分布式群体机器人的实际应用是罕见的。通用群体机器人平台的标准化可以极大地加速群体机器人向现实生活的实现。SwarmUS平台是一个开源的硬件和软件板载嵌入式系统，旨在添加到现有的机器人上，同时为它们提供群功能，从而提出了一个新的平台标准化问题。这些功能包括基于超宽带的分布式相对定位系统、基于Wi-Fi的本地通信系统和基于SwarmUS平台内连接的机器人之间的Buzz程序设计语言的分布式协调系统。此外，一个人与群体的互动移动应用程序和仿真的机器人操作系统（ROS）的平台。最后，该系统的实现和测试两种类型的机器人：一个TurtleBot3汉堡和两个先锋2DX。
2022-03-05 cs.MA cs.RO cs.SY
A Solution to the Generalized ROS Hardware IO Problem -- A Generic Modbus/TCP Device Driver for PLCs, Sensors and Actuators
Institute for Aircraft-Production-Technology（飞机制造技术研究所）；Hamburg University of Technology（汉堡工业大学）
针对ROS在工业环境中缺乏通用物理IO集成方案的问题，本文提出并实现了一种通用的Modbus/TCP设备驱动程序，使ROS能够统一接入PLC、传感器和执行器。
2021-12-21 cs.RO
RobotCore: An Open Architecture for Hardware Acceleration in ROS 2
Acceleration Robotics（加速机器人公司）；Universität Klagenfurt（克拉根福大学）；Alias Robotics（Alias机器人公司）；Harvard University（哈佛大学）；Barnard College, Columbia University（哥伦比亚大学巴纳德学院）
本文提出RobotCore，一种将硬件加速集成到ROS 2的开放架构，支持多种硬件平台，并通过实验验证其在FPGA上实现了24.42%的加速。
2023-06-30 cs.RO
MochiSwarm: A testbed for robotic blimps in realistic environments
Lehigh University（利哈伊大学）
本文提出了MochiSwarm，一个开源的轻量级机器人飞艇测试平台，无需外部定位即可进行多机器人操作，通过模块化设计支持快速修改和传感器集成，并在拾取与交付任务中验证了其自主性。
2025-03-05 cs.RO
The Matter of Time -- A General and Efficient System for Precise Sensor Synchronization in Robotic Computing
PerceptIn；South China University of Technology（华南理工大学）；University of Rochester（罗切斯特大学）
时间同步是自动驾驶等机器人计算中的关键任务。在过去的几年里，随着我们开发先进的机器人应用，我们的同步系统也在不断发展。在本文中，我们首先介绍了时间同步问题，并解释了时间同步的挑战，特别是在机器人工作负载中。总结这些挑战，然后，我们提出了一个通用的硬件同步系统的机器人计算，提供高同步精度，同时保持低能耗和资源消耗。所提出的硬件同步系统是我们未来机器人产品的关键组成部分。
2021-03-30 cs.AR cs.RO
Robust trajectory generation for robotic control on the neuromorphic research chip Loihi
神经形态硬件有几个有前途的优势相比，冯诺依曼架构，是非常有趣的机器人控制。然而，尽管类脑计算的高速和能量效率，在控制场景中利用这种硬件的算法仍然很少见。一个问题是从硬件上的快速尖峰活动（其作用于几毫秒的时间尺度上）到数百毫秒量级的控制相关时间尺度的转变。另一个问题是复杂轨迹的执行，这需要尖峰活动包含足够的可变性，同时，为了可靠的性能，网络动态必须对噪声具有足够的鲁棒性。在这项研究中，我们利用最近开发的生物启发的脉冲神经网络模型，所谓的各向异性网络。我们使用英特尔的神经形态研究芯片Loihi识别并将各向异性网络的核心原理转移到神经形态硬件，并在机器人手臂执行的电机控制任务的轨迹上验证了系统。我们开发了一种网络架构，包括各向异性网络和池化层，该网络架构允许从芯片快速读取尖峰信号并执行固有的正则化。通过这一点，我们证明了Loihi上的各向异性网络可靠地编码了神经活动的序列模式，每个模式代表一个机器人动作，并且这些模式允许在控制相关的时间尺度上生成多维轨迹。综上所述，我们的研究提出了一种新的算法，允许生成复杂的机器人运动，作为使用最先进的神经形态硬件进行机器人控制的构建块。
2020-11-17 cs.NE cs.RO
ART/ATK: A research platform for assessing and mitigating the sim-to-real gap in robotics and autonomous vehicle engineering
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；California State University, Los Angeles（加州州立大学洛杉矶分校）
我们讨论了一个平台，具有软件和硬件组件，其目的是支持研究表征和减轻机器人和车辆自动化工程中的模拟到真实的差距。该软件独立于操作系统，有三个主要组成部分：一个名为Chrono的仿真引擎，支持高保真车辆和传感器仿真;一个用于算法设计和测试的自治堆栈;以及一个支持可视化和硬件在环实验的开发环境。伴随的硬件平台是一个1/6比例的车辆，增加了可重新配置的安装，用于计算，传感和跟踪。由于该车辆平台在仿真环境中具有数字孪生模型，因此可以在仿真和现实中测试相同的自主感知、状态估计或控制算法以及它们运行的处理器。最后给出了利用该平台进行自主研究的实例。未来的工作将集中在增强ART/ATK，支持全尺寸的Chevy Bolt EUV，该EUV将在不久的将来提供给该小组。
2022-11-09 cs.RO
Vision-Based Tactile Intelligence for Robotics: Sensing, Learning, and Embodied Manipulation
Great Bay University（大湾区大学）；Tsinghua University（清华大学）；The University of Hong Kong（香港大学）；Nanyang Technological University（南洋理工大学）；The Hong Kong Polytechnic University（香港理工大学）；South China University of Technology（华南理工大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；King’s College London（伦敦国王学院）
本综述调研机器人领域基于视觉的触觉传感器（VBTSs）全流程，对其硬件分类、学习方法、仿真与数据集等展开分析，指出开放挑战，以推进接触密集型机器人任务的触觉智能。
2026-08-18 cs.RO
INGRID: Intelligent Generative Robotic Design Using Large Language Models
针对现有机器人智能受串联硬件架构限制的问题，提出融合互易螺旋理论的INGRID框架，可自动化生成新型并联机构，让非专业人员也能定制机器人硬件，为机构智能奠基。
2025-10-05 cs.AI cs.RO
AutonomROS: A ReconROS-based Autonomous Driving Unit
Paderborn University（帕德博恩大学）
本文提出基于ReconROS框架的自动驾驶单元AutonomROS，集成Navigation 2与硬件加速函数，新增软硬件共享内存通信中间件，可有效提升性能并降低CPU负载。
2023-11-07 cs.RO
