ikd-Tree: An Incremental K-D Tree for Robotic Applications
Hong Kong University(香港大学)
本文提出了一种用于动态空间划分的高效数据结构-ikd树。ikd树增量更新k-d树与新的未来点,导致更低的计算时间比现有的静态k-d树。除了逐点操作之外,ikd树还支持多个功能,例如在机器人应用中实际有用的框式操作和下采样。与增量操作并行(即,插入、重新插入和删除),ikd-Tree主动监视树结构并部分重新平衡树,这使得在后续阶段中能够进行高效的最近点搜索。ikd树经过精心设计,支持多线程并行计算,以最大限度地提高整体效率。我们验证了ikd树在理论和实际实验。在理论上,给出了完整的时间复杂度分析,证明了算法的高效性。在实验层面上,ikd树在随机数据集和真实世界的LiDAR点数据上进行了测试,在LiDAR惯性测距和测绘应用中。在所有测试中,ikd-Tree只消耗静态k-d树运行时间的4%。
2021-02-22 cs.RO
A Hazard-Informed Data Pipeline for Robotics Physical Safety
本文提出一种基于危险信息的数据管道,整合传统安全工程与机器学习,实现机器人物理安全的系统性保障。
2026-03-06 cs.AI cs.RO
Sampling-based Incremental Information Gathering with Applications to Robotic Exploration and Environmental Monitoring
College of Engineering, University of Michigan(密歇根大学工程学院);Centre for Autonomous Systems (CAS), University of Technology Sydney(悉尼科技大学自主系统中心)
在这篇文章中,我们提出了一个基于采样的运动规划算法配备了一个信息理论的收敛标准,增量信息运动规划。所提出的方法允许密集的地图表示,并将完整的状态不确定性纳入规划过程。该问题被公式化为一个约束最大化问题。我们的方法是建立在快速探索的信息收集算法,并受益于基于采样的最佳运动规划算法的优势。我们提出了两个信息函数及其变种的快速和在线计算。我们证明了一个信息理论的收敛,整个勘探和信息收集任务的平均地图熵的最小上界的基础上。收敛性分析的结果,信息驱动的运动控制的自然自动停止的标准。我们使用三种方案来演示所提出的算法的性能:建议的信息函数和传感器配置选择的比较,未知环境中的机器人探索,以及使用自主水面车辆收集的公开数据集在湖泊中的无线信号强度监测任务。
2017-09-23 cs.RO
GRIP: A General Robotic Incremental Potential Contact Simulation Dataset for Unified Deformable-Rigid Coupled Grasping
AIVC Laboratory, UCLA, USA(UCLA美国大学先进视觉计算实验室);Toyota Research Institute, USA(美国丰田研究院);University of Utah, USA(美国犹他大学)
本文提出GRIP数据集,利用优化的IPC仿真器实现最高48倍加速,在1200个物体和10万个抓取姿态上自动生成柔顺夹爪与可变形物体的抓取交互数据,支持神经抓取生成与应力场预测。
2025-07-03 cs.GR cs.RO
On CAD Informed Adaptive Robotic Assembly
Autodesk Research(欧特克研究院);Autodesk Fusion 360(欧特克Fusion 360部门)
我们介绍了一个机器人装配系统,它简化了从设计到制造的工作流程,从产品装配的CAD模型到完全编程和自适应的装配过程。我们的系统捕获(在CAD工具中)特定机器人工作单元的装配过程的意图,并生成任务级指令的配方。通过将视觉传感与深度学习的感知模型相结合,机器人可以从生成的食谱中推断出组装设计所需的必要操作。感知模型直接从模拟中训练,允许系统根据CAD信息识别各种零件。我们展示了系统的工作单元的两个机器人组装联锁3D零件设计。我们首先在模拟中构建和调整装配过程,验证生成的配方。最后,真正的机器人工作单元使用相同的行为组装设计。
2022-08-02 cs.RO
Learning Transferable Friction Models and LuGre Identification Via Physics-Informed Neural Networks
本文提出一种结合经典摩擦模型与可学习组件的物理信息摩擦估计框架,利用少量通用数据准确复现动态摩擦特性,并展示其在非完整系统中实现跨系统泛化的能力。
2026-03-18 cs.LG cs.RO cs.SY
CBCL-PR: A Cognitively Inspired Model for Class-Incremental Learning in Robotics
University of Waterloo(滑铁卢大学);Concordia University(康考迪亚大学);The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出受海马体和新皮层概念学习理论启发的CBCL-PR框架,通过聚类集合表示和重放旧类数据解决少样本类别增量学习问题,在分类数据集和机器人实验中均取得SOTA性能。
2023-07-31 cs.CV cs.LG cs.RO
Robotic Interestingness via Human-Informed Few-Shot Object Detection
Carnegie Mellon University(卡内基梅隆大学)
在移动机器人的自主探索中,感知识别是决策的关键。以往的方法提出了一种无监督的在线学习方法,可以适应环境和快速检测有趣的场景,但缺乏适应人类已知的有趣对象的能力。为了解决这个问题,我们引入了一个人机交互框架,AirInteraction,它可以通过Few-Shot在线学习检测人类已知的对象。为了减少通信带宽,我们首先应用在线无监督学习算法的无人驾驶汽车的兴趣识别,然后只发送潜在的有趣的场景到一个基站的人检查。人类操作员能够绘制并提供特定感兴趣对象的限界框注释,这些注释被发送回机器人以通过少样本学习检测类似对象。仅使用少量人类标记的示例,机器人可以在任务期间学习新的有趣对象类别并检测包含对象的有趣场景。我们评估我们的方法在各种有趣的场景识别数据集。据我们所知,这是第一个人类知情的Few-Shot目标检测框架的自主探索。
2022-08-01 cs.RO
Physics-informed Split Koopman Operators for Data-efficient Soft Robotic Simulation
Arizona State University(亚利桑那州立大学)
提出一种物理信息分裂Koopman算子识别方法,结合连续与离散近似利用轨迹和相空间数据,在小数据集下显著提升软体机器人仿真精度并降低数据需求。
2025-09-15 cs.RO
Guided Incremental Local Densification for Accelerated Sampling-based Motion Planning
Aurora Innovation Inc.(奥罗拉创新公司);Paul G. Allen School of Computer Science and Engineering, University of Washington(华盛顿大学保罗·G·艾伦计算机科学与工程学院)
基于采样的运动规划器依赖于增量致密化来发现逐渐更短的路径。在计算开始$x_s$和目标$x_t$之间的可行路径$ξ$之后,通知集(IS)通过保守地消除不能产生较短路径的点来修剪配置空间$\mathcal{C}$。通过从该知情集采样的致密化保持从整个配置空间采样的渐近最优性。对于路径长度$c(ξ)$和欧几里德启发式$h$,$IS = \{ x | x \in \mathcal{C}, h(x_s, x) + h(x, x_t) \leq c(ξ) \}$。依赖于启发式可以使IS在高维或复杂环境中特别保守。此外,IS仅在发现较短路径时缩小。因此,如果加密和规划的每次迭代不能产生更短的路径,则浪费了来自加密和规划的每次迭代的计算工作,尽管改进了搜索树中的顶点的成本。我们的关键见解是,即使在这样的失败,更短的路径到顶点的搜索树(而不仅仅是目标)可以立即改善规划的采样策略。GuILD(Guided Incremental Local Densification)利用这些信息从IS的局部子集中进行采样。我们表明,GuILD显着优于均匀采样的知情集在模拟$\mathbb{R}^2$,$SE(2)$环境和操作任务中的$\mathbb{R}^7$。
2021-04-11 cs.RO
PINN-Ray: A Physics-Informed Neural Network to Model Soft Robotic Fin Ray Fingers
CSIRO Robotics, Data61, CSIRO(澳大利亚联邦科学与工业研究组织机器人研究所,Data61,CSIRO);Statistical Machine Learning Group, Data61, CSIRO(统计机器学习小组,Data61,CSIRO);Computational Modelling Group, Data61, CSIRO(计算建模小组,Data61,CSIRO)
针对软体机器人替代模型精度与推理速度难兼顾、存在现实差距的问题,提出嵌入最小势能原理与高保真数据的PINN-Ray模型,经评估精度优于FEM,还配套了自动化原型制作框架。
2024-07-11 cs.RO
Deep Policy Gradient Methods Without Batch Updates, Target Networks, or Replay Buffers
University of Alberta(阿尔伯塔大学);Amii(艾伯塔机器智能研究所);National Research Council of Canada(加拿大国家研究委员会);CIFAR Canada AI Chair(CIFAR加拿大人工智能首席科学家)
针对现有深度策略梯度方法依赖大型回放缓冲区或批量更新、难以适配资源受限真实系统的问题,提出增量方法AVG及配套归一化缩放技术,在仿真基准上性能媲美批量方法,首次实现真实机器人的增量式深度强化学习。
2025-05-21 cs.AI cs.LG cs.RO
V2F: Vision-Informed Grasp Force Prediction for Damage-Aware Robotic Handling of Date Fruits
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
研究针对枣果处理难题,开发V2F框架,结合计算机视觉与物理信息残差神经网络,将视觉描述符和品种元数据映射来预测抓握力,平均验证性能\(R^2 \approx 0.7\),实验表明可稳定操作枣果,实现更安全的机器人处理。
2026-07-23 cs.RO
Examining the Use of Temporal-Difference Incremental Delta-Bar-Delta for Real-World Predictive Knowledge Architectures
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所)
预测和预测知识最近不仅在改善机器人控制方面取得了成功,而且在从工业过程控制到康复的其他应用方面也取得了成功。使这些预测方法非常适合机器人技术的一个特性是,它们可以通过与环境的交互在线学习和增量学习。然而,许多预测学习方法的剩余挑战是预测学习参数的适当选择,特别是控制学习机对其预测的更新幅度(学习率或步长)的参数。为了应对这一挑战,我们研究了使用传感器丰富的机器人arm. Our方法的选择,时间差增量(TIDBD),学习和适应步长的特征级别;重要的是,TIDBD允许步长调整和表示学习同时发生。我们表明,TIDBD是一个实用的替代经典的时间差(TD)学习通过广泛的参数搜索。这两种方法都在预测机器人数据流的未来方面进行了改进。此外,使用像TIDBD这样的步长自适应方法似乎允许系统自动检测和表征机器人应用中的常见传感器故障。总之,这些结果有望提高机器人设备以稳健的方式从与环境的交互中学习的能力,为自主智能体和机器人提供关键能力。
2020-03-04 cs.AI cs.LG cs.RO
Improving Incremental Nonlinear Dynamic Inversion Robustness Using Robust Control in Aerial Robotics
Ecole Nationale de l’Aviation Civile(法国国立民用航空学院);ONERA(法国航空航天研究院)
针对航空机器人的不确定性鲁棒性与干扰抑制难题,提出结合INDI与线性结构化低阶$\u210b_\u221e$控制器的级联架构,经仿真与实物实验验证,阵风等干扰抑制能力提升超50%。
2025-01-13 cs.RO
DGCM-Net: Dense Geometrical Correspondence Matching Network for Incremental Experience-based Robotic Grasping
TU Wien(维也纳工业大学)
本文提出了一种从经验中学习来把握新奇事物的方法。成功的尝试被记住,然后用于指导未来的抓握,使得随着时间的推移实现更可靠的抓握。为了将学习到的经验推广到看不见的对象,我们引入了密集几何对应匹配网络(DGCM-Net)。这应用度量学习来编码特征空间中附近具有相似几何形状的对象。因此,检索未见过对象的相关经验是利用编码特征图的最近邻搜索。DGCM-Net还使用视图相关的归一化对象坐标空间重建3D-3D对应关系,以将抓取配置从检索到的样本转换为未见过的对象。与基线方法相比,我们的方法实现了等同的抓取成功率。然而,当将来自经验的知识与他们的把握建议策略相融合时,基线得到了显着改善。使用抓取数据集的离线实验突出了在对象类内和对象类之间进行概括的能力,以及随着时间的推移从不断增加的经验中提高成功率的能力。最后,通过学习任务相关的把握,我们的方法可以优先把握,使功能使用的对象。
2020-09-17 cs.RO
nvblox: GPU-Accelerated Incremental Signed Distance Field Mapping
NVIDIA(英伟达);ETH Zürich(苏黎世联邦理工学院)
针对机器人稠密建图在CPU与GPU系统间的性能差距,提出GPU加速库nvblox,实现表面重建177倍、距离场计算31倍的加速,并开源。
2024-03-15 cs.RO
Predicting Grasping Compliance in Robotic Hands through Analytical-Model-Informed Neural Networks
Stevens Institute of Technology(史蒂文斯理工学院)
研究旨在开发强力交互时抓握工具行为的预测模型,引入分析模型驱动神经网络(AMINN),结合分析力学层与数据驱动学习,在三指欠驱动机器人手上评估,有强预测能力且实现更好物理一致性,推动了物理可解释学习。
2026-07-21 cs.RO
RoboScape: Physics-informed Embodied World Model
Tsinghua University(清华大学);Manifold AI
本文提出RoboScape,一个统一的物理信息驱动的具身世界模型,通过联合训练时间深度预测和关键点动力学学习,增强视频生成的3D几何一致性与运动物理合理性,有效提升了富接触机器人场景的视觉保真度,并验证了其在策略训练等下游应用中的实用价值。
2025-06-29 cs.CV cs.RO
Learning physics-informed simulation models for soft robotic manipulation: A case study with dielectric elastomer actuators
University of Edinburgh(爱丁堡大学);Ghent University(根特大学);imec(微电子研究中心)
软致动器提供了一种安全,适应性强的方法,如温柔的抓取和灵巧的操纵任务。然而,由于可变形材料的复杂物理特性,创建精确的模型来控制这样的系统是具有挑战性的。精确的有限元法(FEM)模型导致闭环使用的过高的计算复杂性。使用微分模拟器是一个有吸引力的替代方案,但其适用性的软致动器和可变形材料仍然未充分探索。本文提出了一个框架,结合两者的优点。我们学习一个可微的模型组成的材料属性神经网络和分析动力学模型的其余部分的操作任务。该物理模型使用FEM生成的数据进行训练,可用于闭环控制和推理。我们评估我们的框架上的介电弹性体致动器(DEA)硬币拉任务。我们模拟了使用DEA沿着摩擦接触的表面拉硬币的任务,使用FEM,并评估了模拟,控制和推理的物理模型。与FEM相比,我们的模型达到了< 5%的仿真误差,并且我们将其用作MPC控制器的基础,该控制器需要比无模型的演员-评论家,PD和启发式策略更少的迭代来收敛。
2022-07-16 cs.AI cs.RO
Learning a Shape-adaptive Assist-as-needed Rehabilitation Policy from Therapist-informed Input
Division of Industrial Data Science (DIDS), School of Data Science, Lingnan University(工业数据科学系(DIDS),数据科学学院,岭南大学);School of Mechanical Engineering, Tongji University(机械工程学院,同济大学);Chair of Robotics and Systems Intelligence, MIRMI-Munich Institute of Robotics and Machine Intelligence, Technical University of Munich(机器人与系统智能 chair,慕尼黑工业大学机器人与机器智能研究所);Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE(马尔代夫 bin Zayed 大学人工智能,阿布扎赫德,阿联酋)
本文提出了一种基于治疗师指导的输入,通过形状自适应的ANN策略实现按需康复的远程机器人框架,有效减少纠正力并提升运动平滑度。
2026-02-22 cs.RO cs.SY eess.SY
The Beatbots: A Musician-Informed Multi-Robot Percussion Quartet
MIT Media Lab(麻省理工学院媒体实验室);Princeton University(普林斯顿大学)
本文提出了一种名为Beatbots的多机器人打击乐四重奏系统,通过结合音乐家反馈的知情原型制作过程设计,强调机器人在音乐制作中的独特优势,并通过现场表演评估验证了其趣味性与美学价值,提出了未来机器人音乐系统的设计原则。
2025-02-03 cs.HC cs.RO
Robust Incremental State Estimation through Covariance Adaptation
West Virginia University(西弗吉尼亚大学);Air Force Institute of Technology(空军理工学院)
机器人和自动化领域的最新进展激发了人们对鲁棒状态估计的极大兴趣。为了实现鲁棒的状态估计,已经提出了几种方法。一种这样的技术,其已经显示出有前途的性能,是基于状态估计残差迭代地估计高斯混合模型(GMM)以表征测量不确定性模型的概念。通过该迭代过程,测量不确定性模型被更准确地表征,这使得能够通过错误观测的适当去加权来进行鲁棒的状态估计。然而,这种方法传统上需要批量估计框架来实现测量不确定性模型的估计,这对机器人应用不利。在本文中,我们提出了一个有效的,增量扩展的测量不确定性模型估计范式。增量协方差估计(ICE)的方法,本文中详细介绍,几个收集的数据集,它被证明提供了显着增加定位精度相比,其他国家的最先进的强大的,增量估计算法。
2019-10-11 cs.RO eess.SP
Haptic-Informed ACT with a Soft Gripper and Recovery-Informed Training for Pseudo Oocyte Manipulation
Kyoto University(京都大学);Ritsumeikan University(立命馆大学)
本文提出Haptic-Informed ACT机器人系统,通过融合触觉反馈与ACT算法实现抓取失败检测与自适应校正,结合3D打印TPU软夹爪,显著提升了伪卵母细胞操作的成功率与鲁棒性。
2025-07-16 cs.RO
Task-Informed Fidelity Management for Speeding Up Robotics Simulation
National Robotics Engineering Center(国家机器人工程中心);Carnegie Mellon University(卡内基梅隆大学);Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院);Robotics Institute(机器人研究所);Technion-Israel Institute of Technology(以色列理工学院)
仿真器是机器人技术中的重要工具,用于开发机器人软件并为机器学习算法生成合成数据。更快的仿真可以带来更好的软件验证和更大的数据量。以前加速模拟器的努力已经在模拟器构建块和机器人系统的级别上进行。我们的关键洞察力,激励这项工作,是可以在机器人任务的水平上获得进一步的加速。建立在观察到,并不是所有的场景部分都需要在高保真度在任何时候模拟,我们的方法是切换之间的高保真度和低保真状态的场景对象在任务通知的方式。我们的贡献是一个框架,利用任务知识,加快机器人仿真。该框架是不可知的底层模拟器,并保持模拟保真度。作为一个案例研究,我们考虑一个复杂的材料处理任务。对于相关的模拟,其中包含许多使机器人模拟缓慢的特征,我们实现了比高保真度快三倍的加速,而不会影响结果的质量。我们还证明,更快的模拟,使我们能够训练更好的政策,在短时间内执行手头的任务。可以在https://youtu.be/PEzypDyqc3o上找到总结我们贡献的视频。
2019-10-27 cs.RO
Physics-informed Machine Learning for Static Friction Modeling in Robotic Manipulators Based on Kolmogorov-Arnold Networks
Department of Engineering Mechanics, Tsinghua University, Beijing 100084, China(清华大学工程力学系)
针对传统机器人静摩擦模型需预设函数假设的局限,提出基于KAN的物理启发机器学习方法,兼顾精度与可解释性,实验验证其性能优异,可提取有物理意义的摩擦表达式。
2025-11-13 cs.LG cs.RO
Incremental Robot Learning of New Objects with Fixed Update Time
Istituto Italiano di Tecnologia(意大利技术研究院);MIT(麻省理工学院);Università degli Studi di Genova(热那亚大学)
我们认为对象识别的背景下,终身学习,其中机器人代理学会区分越来越多的对象类,因为它积累了经验的环境。我们提出了正则化最小二乘分类(RLSC)算法的增量变体,并利用其结构将新类无缝添加到学习模型中。所提出的算法解决了每个类的训练样本的比例不平衡的问题,这发生在新对象首次提交给系统时。我们评估我们的算法上的机器学习基准数据集和两个具有挑战性的对象识别任务,在机器人设置。经验证据表明,当类不平衡时,我们的方法实现了与批处理方法相当或更高的分类性能,同时速度明显更快。
2017-02-28 cs.CV cs.LG cs.RO
Decoding RobKiNet: Insights into Efficient Training of Robotic Kinematics Informed Neural Network
School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械工程学院);Intel Labs China(英特尔中国实验室);Henan Academy of Sciences(河南省科学院);Intel CCG FIS(英特尔中国区研究院)
本文提出RobKiNet,一种运动学信息神经网络,用于配置空间多重约束下的端到端采样,通过运动学知识注入提升训练效率,在9自由度机器人上实现99.25%采样精度和97.33%任务完成率。
2025-09-09 cs.RO
FLIP: Flowability-Informed Powder Weighing
University of Liverpool(利物浦大学)
本文提出FLIP框架,利用休止角量化粉末流动性,通过贝叶斯推断优化仿真并结合课程学习训练机器人称重策略,在真实实验中实现2.12±1.53 mg的低误差,优于域随机化方法。
2025-06-05 cs.RO
One-Shot Informed Robotic Visual Search in the Wild
University of Toronto(多伦多大学);Vector Institute(向量研究所);McGill University(麦吉尔大学)
我们认为水下机器人导航的任务,收集科学相关的视频数据的环境监测的目的。目前在非结构化自然环境中执行监测任务的大多数现场机器人通过路径跟踪预先指定的路径点序列进行导航。虽然这种导航方法通常是必要的,但它是有限的,因为机器人没有科学家认为相关的视觉观察的模型。因此,机器人既不能在视觉上搜索特定类型的对象,也不能将其注意力集中在场景中可能比预先指定的路点和视点更相关的部分上。在本文中,我们提出了一种方法,使知情的视觉导航通过学习视觉相似性算子,引导机器人的视觉搜索对部分场景,看起来像一个范例图像,这是由用户作为一个高层次的规格数据汇集。我们提出并评估了一种弱监督视频表示学习方法,该方法在水下领域的相似性任务中优于ImageNet嵌入。我们还展示了部署在知情的视觉导航协作环境监测方案中,在大规模的现场试验,机器人和人类科学家合作搜索相关的视觉内容,这种相似性操作。
2020-09-03 cs.CV cs.LG cs.RO
RobKiNet: Robotic Kinematics Informed Neural Network for Optimal Robot Configuration Prediction
School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械与动力工程学院);Intel Labs China(英特尔中国实验室);Faculty of Mechanical and Electrical Engineering, Kunming University of Science and Technology(昆明理工大学机电工程学院)
提出RobKiNet框架将运动学知识融入神经网络以高效预测机器人配置,其CMP和FMP模型在实现高预测准确率的同时大幅提升了运动规划速度并显著降低了数据需求。
2025-03-04 cs.AI cs.RO
Efficient Incremental Penetration Depth Estimation between Convex Geometries
Mech-Mind Robotics(梅卡曼德机器人)
本文提出一种基于优化的增量穿透深度估计算法,利用时空相干性进行热启动,在凸几何体场景下比EPA快5到30倍,并兼容现有隐式几何表示。
2024-09-05 cs.CG cs.RO
Midas: A Multi-Joint Robotics Simulator with Intersection-Free Frictional Contact
Everyday Robots, X The Moonshot Factory(日常机器人,X登月工厂);University of California, Los Angeles(加州大学洛杉矶分校)
我们介绍Midas,一个机器人仿真框架的基础上的增量潜在接触(IPC)模型。我们的模拟器保证摩擦接触的无交叉、稳定和精确的分辨率。我们通过对高精度任务的实验验证以及与Bullet物理的比较来证明我们的框架的有效性。还开发并测试了使用Midas的强化学习管道,以执行无交叉的钉孔任务。
2022-09-30 cs.RO
Towards Robotic Companions: Understanding Handler-Guide Dog Interactions for Informed Guide Dog Robot Design
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校);University of Maine(缅因大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究通过访谈23名训犬员和5名训练师,揭示了导盲犬交互中的局限与个性化需求,为导盲犬机器人的设计提供了关键见解。
2024-02-09 cs.HC cs.RO
Real-Time Performance Analysis of Multi-Fidelity Residual Physics-Informed Neural Process-Based State Estimation for Robotic Systems
Electrical & Computer Engineering Department at the University of Central Florida(中央佛罗里达大学电气与计算机工程系)
针对机器人系统实时非线性状态估计的模型失配与不确定性问题,提出基于多保真度残差物理信息神经过程(MFR-PINP)的方法,结合拆分保形框架保证不确定性,实验表明其性能优于传统卡尔曼滤波变体,为实时估计提供可行方案。
2025-11-11 cs.AI cs.LG cs.RO
A Comparative Study of INDI and NDI with Nonlinear Disturbance Observer for Aerial Robotics
Robotics and Mechatronics group, Faculty of Electrical Engineering, Mathematics, and Computer Science (EEMCS), University of Twente(代尔夫特理工大学电气工程、数学与计算机科学学院机器人与机电组);School of Aerospace, Mechanical, and Mechatronic Engineering (AMME), Faculty of Engineering, University of Sydney(悉尼大学航空航天、机械与机电工程学院);Department of Computer, Control and Management Engineering, Sapienza University of Rome(罗马大学计算机、控制与管理工程系)
本文通过仿真比较INDI和NDI+非线性扰动观测器在空中机器人中的鲁棒性,分析参数变化、外部扰动和测量噪声下的跟踪性能和控制效果。
2026-05-07 cs.RO
Modeling Robotics Dataset Construction as an Artifact-Based Build Process
Institute for Autonomous Driving, University of the Bundeswehr Munich(自主驾驶研究所,联邦国防军 Munich 大学)
本文提出将机器人数据集构建建模为基于工件的构建过程,并实现开源工具Bagzel,通过依赖图管理和增量构建显著降低数据集更新延迟,实验表明在迭代工作流中速度提升高达386倍。
2026-10-08 cs.CV cs.LG cs.RO
Few-Shot Vision-Language Action-Incremental Policy Learning
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));Department of Computer Science and Technology, Ocean University of China(计算机科学与技术系,中国海洋大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
本文提出任务提示图演化策略(TOPIC),通过任务特定提示和连续演化策略,实现机器人操控中的少样本动作增量学习,成功率比现有方法高26%以上。
2025-04-22 cs.LG cs.RO
PhyGrasp: Generalizing Robotic Grasping with Physics-informed Large Multimodal Models
University of California, Berkeley(加州大学伯克利分校)
PhyGrasp通过融合自然语言与3D点云的多模态大模型,将物理常识推理引入机器人抓取,在长尾场景下显著提升了抓取成功率。
2024-02-26 cs.AI cs.CL cs.CV
Addressing Relative Degree Issues in Control Barrier Function Synthesis with Physics-Informed Neural Networks
本文提出利用物理信息神经网络求解边值问题来综合控制屏障函数,确保其在容许状态集上保持恒定相对阶,从而避免安全滤波器出现无约束控制与抖振问题,并通过仿真和四旋翼实验验证了有效性。
2025-04-08 cs.RO cs.SY eess.SY
Online Control-Informed Learning
School of Aeronautics and Astronautics(航空航天学院);Purdue University(普渡大学)
本文提出在线控制知情学习框架,将最优控制与状态估计引入在线学习,利用扩展卡尔曼滤波器增量调节机器人系统,以处理噪声数据并提升数据效率,并通过三种学习模式实验验证其收敛性与有效性。
2025-03-11 cs.LG cs.RO cs.SY
From Documented Strengths to Force Limits: Material-Informed Robotic Insertion for Construction Assembly
The University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);The University of Texas at Arlington(德克萨斯大学阿灵顿分校);The University of Arizona(亚利桑那大学)
本文提出SAGE系统,利用LLM提取文档材料强度并结合有限元插值计算轴向承载能力,指导机器人插入力限制,显著降低误差并实现可追溯决策。
2026-09-22 cs.AI cs.RO
ForceTwin: Physics-informed Digital Twins for Robotic Manipulation from Instrumented Human Interaction
ETH Zurich(苏黎世联邦理工学院);NVIDIA(英伟达);Microsoft(微软);University of Bonn(波恩大学)
ForceTwin通过手持力传感夹爪从人类交互中识别铰接物体的物理信息数字孪生,估计惯性、摩擦和状态相关机构力,在阻抗控制中达到87%目标完成率,优于现有基线。
2026-09-21 cs.AI cs.RO
GuideNav: User-Informed Development of a Vision-Only Robotic Navigation Assistant For Blind Travelers
University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校);University of Maine(缅因大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
GuideNav是一款基于视觉的导航系统,通过教然后重复的方式帮助盲人旅行者导航,无需依赖昂贵传感器,实现了千米级路径跟随。
2025-12-05 cs.CV cs.HC cs.RO
Physics-informed Neural Networks to Model and Control Robots: a Theoretical and Experimental Investigation
Delft University of Technology(代尔夫特理工大学);University of Plymouth(普利茅斯大学);German Aerospace Center (DLR)(德国航空航天中心)
本文研究如何将物理信息神经网络扩展到非保守效应,并与基于模型的控制器结合,实现对复杂机器人的精确控制,同时给出理论稳定性证明,并通过软体机器人和Franka Emika机械臂实验验证。
2023-07-06 cs.RO
Physics-Informed Policy Optimization via Analytic Dynamics Regularization
EmPACT Lab, Nanyang Technological University, Singapore(EmPACT实验室,南洋理工大学,新加坡)
本文提出PIPER框架,通过在神经策略优化中引入解析软物理约束,提升机器人控制的效率和物理一致性。
2026-03-21 cs.LG cs.RO
DepTR-MOT: Unveiling the Potential of Depth-Informed Trajectory Refinement for Multi-Object Tracking
School of Artificial Intelligence and Robotics, Hunan University(人工智能与机器人学院,湖南大学)
本文提出DepTR-MOT,通过实例级软深度标签监督和稠密深度图蒸馏为DETR检测器引入深度信息,在不增加推理计算成本的情况下提升多目标跟踪对遮挡和近距离交互的鲁棒性,并在QuadTrack和DanceTrack上取得优异HOTA成绩。
2026-10-26 cs.CV cs.RO eess.IV
OGScene3D: Incremental Open-Vocabulary 3D Gaussian Scene Graph Mapping for Scene Understanding
Shanghai Jiao Tong University(上海交通大学);University of Cambridge(剑桥大学);University of Technology Nuremberg(纽伦堡技术大学);Nanyang Technological University(南洋理工大学);Department of Automation, Key Laboratory of System Control and Information Processing of Ministry of Education, State Key Laboratory of Avionics Integration and Aviation System-of-Systems Synthesis, Shanghai Key Laboratory of Navigation and Location Based Services, Shanghai Jiao Tong University(自动化系,教育部系统控制与信息处理重点实验室,航空系统集成与航空系统-of-系统综合国家重点实验室,上海导航与定位基于服务重点实验室,上海交通大学)
OGScene3D通过增量式3D高斯场景图映射,实现开放词汇场景理解,结合高斯表示与层次优化策略,提升语义一致性与长期优化能力。
2026-03-18 cs.RO
Ensuring Safe Physical AI in Urban Mobility via Hazard-Informed Synthesized Envelopes
Xortech DOO
针对异构机器人城市部署的安全挑战,提出结合危险分析与运行时执行的统一框架,通过跨层安全转换保障物理AI的城市移动安全。
2026-08-17 cs.AI cs.RO
Tac-Man: Tactile-Informed Prior-Free Manipulation of Articulated Objects
Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);Beijing Institute for General Artificial Intelligence(北京人工智能研究院);Department of Automation, Tsinghua University(清华大学自动化系);College of Engineering, Peking University(北京大学工程学院);PKU-Wuhan Institute for Artificial Intelligence(北大-武汉人工智能研究院)
提出无先验触觉策略Tac-Man,通过稳定接触和触觉反馈操控铰接物体,在真实与仿真中成功率近完美,优于现有方法,证明触觉单独即可实现鲁棒泛化。
2025-09-12 cs.RO
IBPA: Real-time Free-form Manifold Mesh Reconstruction via Incremental Ball Pivoting with Integrated Hole Detection
Department of Engineering Cybernetics, NTNU(工程 cybernetics 系,NTNU)
针对水下航行器获取数据覆盖不完整及传统方法表达能力有限问题,提出IBPA方法,通过改进球旋转算法,从流点云数据增量构建可定向流形网格,引入孔检测机制,支持复杂表面拓扑且无需先验假设。
2026-10-06 cs.GR cs.RO
Language-Conditioned Reinforcement Learning to Solve Misunderstandings with Action Corrections
Institute for Data Science Foundations(数据科学基础研究所);Hamburg University of Technology(汉堡工业大学)
人与人之间的对话不仅仅是交谈和倾听。这是一个渐进的过程,参与者不断建立共识,以排除误解。目前智能机器人的语言理解方法没有考虑到这一点。有许多处理不理解的方法,但它们忽视了解决误解的渐进过程。在这篇文章中,我们提出了第一个形式化和实验验证的增量动作修复的机器人遵循强化学习的基础上。为了评估我们的方法,我们提出了一个基准环境的集合,用于在语言条件强化学习中进行动作校正,利用合成教师来生成语言目标及其相应的校正。我们表明,一个强化学习代理可以成功地学习理解误解的指令增量更正。
2022-11-18 cs.LG cs.RO
Anytime Incremental $ρ$POMDP Planning in Continuous Spaces
Technion - Israel Institute of Technology(以色列理工学院)
本文提出随时求解器ρPOMCPOW,通过动态细化信念表示和增量计算依赖信念奖励,在连续空间ρPOMDP规划中显著提升效率与求解质量。
2025-02-04 cs.AI cs.LG cs.RO
RoboCritics: Enabling Reliable End-to-End LLM Robot Programming through Expert-Informed Critics
Department of Computer Sciences University of Wisconsin--Madison(计算机科学系威斯康星大学麦迪逊分校)
RoboCritics通过专家指导的批评者提升LLM在机器人编程中的可靠性与用户参与度。
2026-03-06 cs.RO