Safe Learning Predictive Control for Ego-World Robotic Systems
University of Bologna(博洛尼亚大学)
针对自我世界机器人框架,提出SOWL-MPC策略,结合基于稀疏变分高斯过程的在线学习机制与滚动时域控制方案,依靠噪声测量推断潜在世界策略后验分布,经实验验证该策略可实现自我机器人安全机动。
2026-07-27 cs.RO
Differentiable Predictive Control for Robotics: A Data-Driven Predictive Safety Filter Approach
University of California Berkeley(加州大学伯克利分校);Pacific Northwest National Laboratory(太平洋西北国家实验室);University of Bristol(布里斯托尔大学)
本文提出基于相对阶的系统分解技术、基于DPC训练数据集的安全集生成技术和事件触发预测安全滤波器,解决可微预测控制(DPC)在条件数差时表现不佳及缺乏安全性保证的问题,在四旋翼实验中实现与MPC相当的性能,计算时间最多减少三个数量级且满足未训练场景的安全要求。
2024-09-20 cs.RO
VLMPC: Vision-Language Model Predictive Control for Robotic Manipulation
School of Control Science and Engineering, Shandong University(山东大学控制科学与工程学院)
针对传统MPC缺乏环境感知能力在复杂机器人操作场景中失效的问题,提出融合VLM与MPC的VLMPC框架,通过条件动作采样、动作条件视频预测和分层代价函数生成最优动作,在公开基准和真实任务中表现更优。
2024-07-13 cs.RO
Decision making in dynamic and interactive environments based on cognitive hierarchy theory, Bayesian inference, and predictive control
University of Michigan(密歇根大学)
在本文中,我们描述了一个集成的框架,自主决策的动态和交互式的环境。我们的自我代理和它的操作环境之间的相互作用建模为两个球员的动态博弈,并集成认知行为模型,贝叶斯推理,滚动时域最优控制定义一个动态演变的决策策略的自我代理。代表自主车辆控制在三个交通场景中的自主自我车辆与人类驾驶的车辆相互作用的仿真例子报告。
2019-09-18 cs.AI cs.RO
Towards Local Minima-free Robotic Navigation: Model Predictive Path Integral Control via Repulsive Potential Augmentation
Keio University(庆应义塾大学);Nagoya University(名古屋大学)
提出一种基于排斥势增强的模型预测路径积分控制运动规划方法,无需全局路径引导即可主动避免局部最小值,在不降低计算效率的同时提升了全局最优性。
2024-11-09 cs.RO
On Model Predictive Path Following and Trajectory Tracking for Industrial Robots
Norwegian University of Science and Technology(挪威科技大学);SINTEF DIGITAL(SINTEF数字研究所)
在这篇文章中,我们将展示如何模型预测路径跟踪控制器允许机器人机械手停止在障碍物的方式,模型预测轨迹跟踪控制器不能。我们提出了这两个控制器应用于机器人机械手,模拟两连杆机械手使用内点求解器,考虑离散化的最优控制问题,使用配置或龙格库塔,并讨论我们的实施模型预测路径跟踪控制器的实时可行性。
2017-03-07 cs.RO
Model Predictive Control for a Soft Robotic Finger with Stochastic Behavior based on Fokker-Planck Equation
Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology(信息科学系,科学技术研究生院,奈良科学技术研究所)
针对软体机器人因固有灵活性导致的运动不确定性与非线性问题,提出基于福克-普朗克方程的随机模型预测控制策略FPE-MPC,通过控制概率分布应对不确定性,数值模拟验证了其有效性。
2025-09-01 cs.RO
Robopheus: A Virtual-Physical Interactive Mobile Robotic Testbed
Shanghai Jiao Tong University(上海交通大学);University of Oxford(牛津大学);Singapore University of Technology and Design(新加坡科技设计大学)
移动机器人实验平台是验证移动机器人研究有效性的重要支撑。本文介绍了一种新型的多机器人实验平台,命名为Robopheus,它利用数字孪生的虚拟物理建模的思想。与大多数现有的测试平台不同,开发的Robopheus构建了一座连接传统物理硬件和虚拟仿真测试平台的桥梁,在双方提供可扩展的,交互式的和高保真的仿真测试。Robopheus的另一个突出特点是,它使一种新的形式,从物理环境中动态学习实际模型,并与异构机器人底盘和控制器兼容。反过来,虚拟世界的学习模型被进一步利用来近似物理方面的机器人动态在线。大量的实验证明了Robopheus的非凡性能。值得注意的是,与不使用交互的情况相比,物理-虚拟交互设计将真实机器人的轨迹精度提高了300%。
2021-03-07 cs.RO cs.SY eess.SY
Sampling-Based Model Predictive Control for Volumetric Ablation in Robotic Laser Surgery
Duke University(杜克大学)
本文提出基于采样的模型预测控制方法,用于机器人激光手术中的体积消融规划,在考虑参数不确定性并避开敏感组织的前提下自主生成消融序列。
2024-10-04 cs.RO
Safety-Aware Robust Model Predictive Control for Robotic Arms in Dynamic Environments
Korea Institute of Industrial Technology(韩国工业技术研究院);Daegu Mechatronics & Materials Institute(大邱机电材料研究所);University of Tsukuba(茨木大学)
针对动态环境中机械臂轨迹规划的不确定性挑战,提出结合基于相位名义控制与鲁棒安全模式的新颖RMPC框架,通过实时预测移动障碍物动态调整约束,实现平滑过渡并确保无碰撞运行,仿真表明其提升了运动自然性与安全性且任务完成更快。
2025-05-30 cs.RO
MR-MPCC: Model Predictive Contouring Control for Robotic Manipulator Tracking under Moving Reference Frames
University of Technology Sydney(悉尼科技大学);Robotics Institute, University of Technology Sydney(悉尼科技大学机器人研究所);University of Edinburgh(爱丁堡大学);School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
本文提出MR-MPCC框架,采用分层控制架构,在UR5e平台验证其在移动参考干扰下的路径跟踪性能,相比PI控制和传统MPC,可降低几何路径跟踪误差与移动路径框架偏差。
2026-10-16 cs.RO
ReAct! An Interactive Tool for Hybrid Planning in Robotics
Sabancı University(Sabanci大学)
ReAct! 提供了一种交互式工具,使机器人研究人员能够在无需了解底层形式化细节的情况下,通过高级推理解决复杂规划问题,适用于服务机器人和认知工厂等动态领域。
2013-07-29 cs.AI cs.LO cs.RO
A Predictive Application Offloading Algorithm Using Small Datasets for Cloud Robotics
Purdue University(普渡大学)
许多对机器人性能至关重要的机器人应用需要即时反馈,因此执行时间是一个关键问题。此外,机器人通常具有固定数量的硬件资源;如果应用程序需要的计算资源超过机器人可以容纳的范围,则其板载执行可能会扩展到降低机器人性能的程度。另一方面,云计算以按需计算资源为特征;通过使机器人能够利用这些资源,可以减少应用程序执行时间。使机器人能够使用云计算的关键是设计一种高效的卸载算法,该算法可以最佳地利用机器人的机载能力,并且还可以在没有任何关于应用的先验知识或信息的情况下就何时卸载形成快速共识。在本文中,我们提出了一个预测算法,以预期执行应用程序所需的时间为一个给定的应用程序数据输入大小的帮助下,少量的以前的观察。为了验证该算法,我们对之前的N个观测值进行训练,其中包括独立(输入数据大小)和相关(执行时间)变量。为了了解算法性能在预测精度和误差方面的变化,我们使用线性回归和移动机器人路径规划应用程序测试了各种N值。从我们的实验和分析,我们确定该算法具有可接受的误差和预测精度时,N>40。
2021-08-28 cs.RO
SICNav: Safe and Interactive Crowd Navigation using Model Predictive Control and Bilevel Optimization
University of Toronto Robotics Institute(多伦多大学机器人研究所);Vector Institute for Artificial Intelligence(向量人工智能研究所);Technical University of Munich(慕尼黑工业大学)
SICNav提出一种基于MPC与双层优化的方法,将ORCA行人模型作为约束嵌入规划器,实现机器人在人群中安全导航并主动影响行人运动。
2025-03-11 cs.RO
Nullspace Structure in Model Predictive Control
Idiap Research Institute(伊迪亚普研究院)
机器人任务可以通过利用不同形式的冗余来完成。本文主要研究模型预测控制(MPC)中的冗余规划问题,在MPC时间范围内可以考虑多条路径。我们提出了零空间结构的MPC与二次近似的成本和线性化的动态。我们利用MPC(封装时空信息)中使用的精度矩阵的低秩结构来执行分层任务规划,并展示了零空间计算如何被视为融合问题(用高斯专家的产品计算)。我们使用点质量物体和模拟机器人应用程序的概念验证示例来说明该方法。
2019-05-23 cs.RO
Offset-free Model Predictive Control: A Ball Catching Application with a Spherical Soft Robotic Arm
Institute for Dynamic Systems and Control, ETH Zürich(苏黎世联邦理工学院动态系统与控制研究所)
提出了一种用于球形柔性机械臂快速精确控制的无偏置模型预测控制器,该控制器将线性模型与在线扰动估计技术相结合,系统地补偿模型偏差。动态效应,如软材料的使用导致的材料松弛,可以解决实现无偏移跟踪。与没有干扰补偿方案的标准模型预测控制器相比,跟踪误差可以减少35%。改进的跟踪性能使得能够实现接球应用,其中球形软机器人臂可以接住由人投掷的球。
2021-03-12 cs.RO cs.SY eess.SY
Predictive and Semantic Layout Estimation for Robotic Applications in Manhattan Worlds
University of Pennsylvania(宾夕法尼亚大学)
本文介绍了一种方法,自动提取平面图从各种不完整的测量,可以获得一个自主移动机器人。该方法通过推理自动从现有数据中提取的扩展结构布局表面来进行。该方案可以以在线方式运行,以构建环境的水密表示。该系统有效地推测房间边界和自由空间区域,这为后续的运动规划系统提供了有用的指导。多个数据集上的实验结果。
2018-11-19 cs.CV cs.RO
Empart: Interactive Convex Decomposition for Converting Meshes to Parts
Intrinsic Innovation LLC
本文提出交互式凸分解工具Empart,支持为网格不同区域设置简化容限,并通过并行框架在固定误差下减少凸部件数量,显著加速机器人仿真。
2025-09-26 cs.RO
Expressive Inverse Kinematics Solving in Real-time for Virtual and Robotic Interactive Characters
INESC-ID(INESC-ID(系统与计算机工程研究所));Instituto Superior Técnico(高等技术学院);University of Lisbon(里斯本大学)
随着交互技术的新进步,角色动画也需要新的方法来支持机器人和VR/AR等领域。这些领域中的互动角色正受到人工智能的驱动,这为非线性和开放式叙事开辟了可能性,甚至可能包括与真实物理世界的互动。本文介绍和描述ERIK,一个有表现力的逆运动学技术,针对这些应用。我们的技术允许一个任意的运动链,如手臂,蛇,或机器人操纵器,表现出一个富有表现力的姿态,同时瞄准其终点朝向一个给定的目标方向。该技术在交互时间中运行,并且不需要任何预处理步骤,例如机器学习技术中的训练,以便支持新的实施例或新的姿势。这使得它可以集成到一个艺术家友好的工作流程中,让艺术家更接近这种AI驱动的表达性角色的开发,允许他们使用他们选择的典型动画工具,并在设计时正确地预可视化动画,即使是在真正的机器人上。完整的算法规范被提出和描述,以便它可以在我们所涉及的各个领域的社区中实现和使用。我们在不同的虚拟运动学结构上演示了ERIK,还在一个使用木材和业余爱好级伺服系统制作的低保真度机器人上演示了ERIK,以展示该技术在低级机器人上的表现。我们的评估显示了该技术的性能,即,角色能够指向目标方向的程度,同时最小程度地破坏其目标表达姿势,并遵守其机械旋转限制。
2019-11-18 cs.GR cs.HC cs.RO
Learning-Guided Force-Feedback Model Predictive Control with Obstacle Avoidance for Robotic Deburring
LAAS-CNRS, Universite de Toulouse, CNRS, Toulouse, France(法国国家科学研究中心LAAS实验室,图卢兹大学,法国图卢兹);Inria, AUCTUS team, Talence, France(法国国家信息与自动化研究所AUCTUS团队,法国塔朗斯);Image and Pervasive Access Laboratory (IPAL), CNRS-UMI, 2955, Singapore(图像与普适接入实验室(IPAL),法国国家科学研究中心-国际联合实验室2955,新加坡);Artificial and Natural Intelligence Toulouse Institute, France(图卢兹人工智能与自然智能研究所,法国)
本文提出结合力反馈MPC与扩散运动先验的框架,解决机器人去毛刺任务中力控制、碰撞避免和复杂运动的问题,通过实验验证其在工业场景下的可靠性与有效性。
2026-04-07 cs.RO
Autonomous Tissue Manipulation via Surgical Robot Using Learning Based Model Predictive Control
组织操作是任何外科手术中经常使用的基本子任务,并且在某些情况下,它可能需要外科医生助理的参与。作为非结构化环境的软组织的复杂动力学是通过手术机器人系统对其进行自动化操纵的任何尝试的主要挑战之一。提出并研究了两种基于人工智能学习的采用视觉策略的模型预测控制算法:(1)强化学习和(2)从演示中进行示教学习。这些AI算法在仿真环境中的性能比较表明,从演示示教学习算法可以通过初始化给定演示的预测动态来提高学习策略。此外,示教学习算法在Raven IV手术机器人系统上实现,并使用实验方法成功地证明了所提出的算法的可行性。这项研究是一个深刻的愿景的一部分,其中外科医生的角色将被重新定义为一个纯粹的决策者,而绝大多数的操作将由手术机器人系统自主进行。补充视频可以在以下网站找到:http://bionics.seas.ucla.edu/research/surgeryproject17.html
2019-03-03 cs.RO
Nonlinear Model Predictive Control of Robotic Systems with Control Lyapunov Functions
ETH Zürich(苏黎世联邦理工学院);California Institute of Technology(加州理工学院)
非线性模型预测控制(NMPC)与控制李雅普诺夫函数(CLF)的理论统一为在保证稳定性的同时实现最优控制性能提供了框架。在本文中,我们提出了第一个实时实现的统一NMPC和CLF控制器的机器人系统有限的计算资源。这些限制激发了一组有效地将CLF稳定性约束纳入一般NMPC制定的方法。我们评估所提出的方法相比,基线CLF和NMPC控制器与机器人赛格威平台在模拟和硬件上的性能。预测时域的添加提供了优于基于CLF的控制器的性能优势,基于CLF的控制器在时间上逐点最优地操作。此外,显式施加的稳定性约束消除了对NMPC所需的困难的代价函数和参数整定的需要。因此,统一控制器提高了每个隔离控制器的性能,并简化了整体设计过程。
2020-06-01 cs.RO cs.SY eess.SY
IMPACT: Learning Internal-Model Predictive Control for Forceful Robotic Manipulation
Harvard University(哈佛大学);Stanford University(斯坦福大学)
提出IMPACT框架,将强力操控任务解耦为任务规划和基于内部模型的预测控制,通过仿真和实验证明其在成功率、泛化性、安全性和能效上的优势。
2026-06-09 cs.CV cs.RO
Randomized-to-Canonical Model Predictive Control for Real-world Visual Robotic Manipulation
Nara Institute of Science and Technology (NAIST)(奈良先端科学技术大学院大学);Advanced Telecommunications Research Institute International (ATR)(国际高级电信研究所);Kyoto University(京都大学)
近年来,许多研究工作都在探索虚拟可传递视觉模型预测控制(MPC)。然而,这样的工作仅限于一次性传输,其中必须一次性收集真实世界的数据以执行仿真到现实迁移,这仍然是将在仿真中学习的模型迁移到真实世界中的新领域的重要人工努力。为了缓解这个问题,我们首先提出了一个新的模型学习框架,称为卡尔曼随机化到规范模型(KRC模型)。该框架能够从随机图像中提取与任务相关的内在特征及其动态。然后,我们提出了卡尔曼随机到典型模型预测控制(KRC-MPC)作为一个zero-shot sim-to-real可转移的视觉MPC使用KRC模型。我们的方法的有效性进行评估,通过阀门旋转任务的机器人手在模拟和现实世界中,和块交配任务的模拟。实验结果表明,KRC-MPC可以以zero-shot方式应用于各种实际领域和任务。
2022-07-05 cs.LG cs.RO
Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics
TU Darmstadt(达姆施塔特工业大学);Otto-von-Guericke-Universität Magdeburg(奥托·冯·格里克马格德堡大学)
许多机器人任务,如人机交互或易碎物体的处理,需要严格控制和限制出现的力和力矩以及合理的运动控制,以实现安全而高性能的操作。我们提出了一个学习支持的模型预测力和运动控制方案,提供随机安全保证,同时适应不断变化的情况。高斯过程用于学习将机器人的状态映射到力和力矩的不确定关系。模型预测控制器使用这些高斯过程模型,以实现精确的运动和力控制下的随机约束满足。由于不确定性只发生在静态模型部分-输出方程-一个计算效率高的随机MPC制定。分析了静态不确定情况下最优控制问题的递归可行性和闭环系统的收敛性。基于高斯过程的方差,构造了机会约束公式和退避,以保证安全运行。在一个轻量级的机器人在模拟和实验中说明了这种方法。
2023-03-08 cs.LG cs.RO cs.SY
Model Predictive Control for Human-Centred Lower Limb Robotic Assistance
Imperial College London(帝国理工学院);University of Paris-Est Créteil(巴黎东克雷泰伊大学);McLaren Applied(迈凯伦应用公司)
神经创伤导致的移动性或平衡丧失是公共卫生中的一个关键考虑因素。机器人外骨骼在康复和辅助运动方面具有巨大的潜力,但鉴于患者之间的病理差异,最佳的按需辅助(AAN)控制仍然没有得到解决。我们介绍了一个模型预测控制(MPC)架构的下肢外骨骼为中心的模糊逻辑算法(FLA)识别模式的援助的基础上,人类的参与。援助模式有:1)被动的人放松和机器人占主导地位,2)主动协助人类合作的任务,和3)安全的情况下,人类的阻力机器人。在关节运动之前,根据肌电图(EMG)信号估计人体扭矩,从而实现MPC对扭矩的高级预测和FLA对辅助模式的选择。该控制器在硬件中演示,三个受试者在1-DOF膝关节外骨骼上跟踪正弦轨迹,人类放松辅助和电阻。实验结果表明,辅助模式之间的快速和适当的转移和满意的辅助性能在每个模式。结果说明了一个客观的方法,下肢机器人援助,通过对飞行的运动模式之间的过渡,提供了一个新的水平的人-机器人协同的移动辅助和康复。
2020-11-10 cs.RO cs.SY eess.SY
Interactive multi-modal motion planning with Branch Model Predictive Control
California Institute of Technology(加州理工学院)
自主机器人和车辆的运动规划存在的不受控制的代理仍然是一个具有挑战性的问题,因为反应行为的不受控制的代理必须考虑。由于不受控制的智能体通常表现出多模态反应行为,运动规划器需要解决这些行为下的连续运动规划问题,其中包含离散元素。我们提出了一个分支模型预测控制(MPC)框架,计划反馈策略,利用不受控制的代理的反应行为。特别是,一个场景树是从一个有限的一组不受控制的代理的政策,和分支MPC解决了反馈策略的轨迹树的形式,共享相同的拓扑结构的场景树。此外,一致的风险度量,如条件风险价值(CVaR)被用作调整旋钮,以调整性能和鲁棒性之间的权衡。建议的分支MPC框架进行测试的超车和变道任务和合并任务的自动驾驶车辆的模拟,并在实验中的一个自主四足机器人旁边的不受控制的四足动物的运动规划。结果展示了有趣的人类行为,实现了安全和性能之间的平衡。
2021-09-18 cs.RO cs.SY eess.SY
Sample-efficient Model Predictive Control Design of Soft Robotics by Bayesian Optimization
Michigan State University(密歇根州立大学);Utah State University(犹他州立大学)
提出了一种基于贝叶斯优化的数据驱动模型预测控制(MPC)设计方法。该方法不需要对软体机器人的复杂动力学模型进行建模,而是利用贝叶斯优化方法搜索最佳预测的低维预测模型及其控制器,以最小化闭环响应的目标函数。在每次迭代中,通过贝叶斯优化从闭环输入-输出数据更新预测模型。然后基于更新的预测模型设计线性MPC,并基于闭环响应进行评估。与直接搜索控制器参数不同,闭环系统的稳定性和输入/输出约束可以很容易地在MPC设计中处理。经过几次迭代,可以得到一个收敛的(次)最优控制器的解决方案,它最小化用户定义的闭环性能指标。通过一个柔索驱动的软体机器人的高保真仿真,对所提出的方法进行了仿真和验证。仿真结果表明,所提出的方法可以实现理想的跟踪控制器的软体机器人没有事先已知的模型。
2022-10-17 cs.RO cs.SY eess.SY
The Control Toolbox - An Open-Source C++ Library for Robotics, Optimal and Model Predictive Control
Agile & Dexterous Robotics Lab, ETH Zürich(苏黎世联邦理工学院敏捷与灵巧机器人实验室)
我们介绍了控制器(CT),一个开源的C++库,用于有效的建模,控制,估计,轨迹优化和模型预测控制。CT适用于广泛的一类动态系统,但功能接口,专门为机器人应用设计的建模工具。本文概述了工具箱的一般概念,其主要组成部分,并突出了选定的应用程序的例子。该库包含几个工具来设计和评估控制器,建模动态系统和解决最优控制问题。CT的目的是直观的建模系统由常微分或差分方程。它支持成本函数和约束的快速原型设计,并为不同的最优控制求解器提供标准接口。到目前为止,我们支持单次射击,迭代线性二次调节器,高斯-牛顿多重射击和经典的直接多重射击。我们提供接口的通用NLP求解器和基于Riccati的线性二次最优控制求解器。CT被设计为有效地解决大规模最优控制和估计问题,并允许动态系统的在线控制。实现快速运行时性能的一些关键特性是与自动微分、派生代码生成和多线程的完全兼容。尽管如此,CT被设计为模块化框架,其构建块也可以用于其他控制和估计应用,例如逆动态控制、扩展卡尔曼滤波器或运动规划。
2018-03-26 cs.RO math.OC
High Speed Robotic Table Tennis Swinging Using Lightweight Hardware with Model Predictive Control
Biomimetic Robotics Laboratory at Massachusetts Institute of Technology (MIT)(麻省理工学院仿生机器人实验室)
本文提出一种基于轻量化五自由度机械臂与模型预测控制的机器人乒乓球平台,通过最优控制生成多种挥拍轨迹,实现88%成功率、平均出球速度11 m/s的高速击球。
2025-05-02 cs.RO cs.SY eess.SY
Robust-Sub-Gaussian Model Predictive Control for Safe Ultrasound-Image-Guided Robotic Spinal Surgery
Balgrist University Hospital(巴尔格里斯特大学医院);University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);OR-X Translational Center for Surgery(OR-X转化外科中心)
针对高维数据状态估计误差分布未知导致的安全保证难题,提出基于有界均值次高斯噪声的鲁棒MPC框架,结合基于集合的鲁棒方法与方差代理传播,在超声引导机器人脊柱手术流程中实现了闭环安全保证。
2025-08-08 cs.RO cs.SY eess.SY
Predictive Sampling: Real-time Behaviour Synthesis with MuJoCo
Stanford University(斯坦福大学);DeepMind(深度思维);University of California Berkeley(加州大学伯克利分校)
我们介绍了MuJoCo MPC(MJPC),一个开源的,交互式的应用程序和软件框架的实时的【形】预测控制,基于MuJoCo物理。MJPC允许用户轻松编写和解决复杂的机器人任务,目前支持三种基于射击的规划器:基于导数的iLQG和梯度下降,以及一种简单的无导数方法,我们称之为预测采样。预测抽样被设计为基本的基线,主要是为了它的教学价值,但结果却令人惊讶地与更成熟的算法竞争。这项工作并没有提出算法的进步,而是优先考虑高性能的算法,简单的代码,以及通过直观和交互式软件的基于模型的方法的可访问性。MJPC可以在github.com/deepmind/mujoco_mpc上找到,视频摘要可以在dpmd.ai/mjpc上查看。
2022-12-24 cs.RO cs.SY eess.SY
Domain-specific Hardware Acceleration for Model Predictive Path Integral Control
Univ Rennes(里昂大学);Inria(法国国家信息与自动化技术研究院);CNRS(法国国家科学研究中心);IRISA(国际信息与自动化研究所);UMR6074(法国国家科研机构联合研究单位6074)
本文提出了一种针对MPPI控制的定制硬件加速器,通过实验验证其在轨迹精度上优于基于GPU的实现。
2026-01-17 cs.AR cs.RO
Dynamic robotic cloth folding with efficient Koopman operator-based model predictive control
Istituto Italiano di Tecnologia(意大利技术研究院);Institut de Robòtica i Informàtica Industrial(机器人与信息技术研究所);MaLGa Center, DIBRIS, Università degli Studi di Genova(MaLGa中心,DIBRIS,热那亚大学)
本文提出了一种基于Koopman算子的模型预测控制方法,用于快速生成布料折叠轨迹,结合物理仿真和高效的核基Koopman算子回归,以提高折叠任务的效率和精度。
2026-05-18 cs.LG cs.RO math.DS
Model Predictive Control Design of a 3-DOF Robot Arm Based on Recognition of Spatial Coordinates
University of Liverpool(利物浦大学)
采用模型预测控制(MPC)对三自由度机械臂的输入力矩进行优化,使其能够运行到目标位置并准确抓取物体。首先使用单目相机来识别物体的颜色和深度。然后,将逆运动学计算与通过坐标变换得到的物体空间坐标相结合,得到各伺服机构所需的转角。最后,建立了机器人手臂结构的动力学模型,并应用模型预测控制仿真伺服系统的最优输入转矩,以最小化代价函数。
2022-09-04 cs.RO cs.SY eess.SY
System Identification for Virtual Sensor-Based Model Predictive Control: Application to a 2-DoF Direct-Drive Robotic Arm
Department of Aeronautics and Astronautics, Graduate School of Engineering, Kyoto University(航空学系,工学研究科,京都大学);Kobe Steel, Ltd.(神户钢铁株式会社)
本文提出PVSID框架,利用高成本传感器在建模阶段创建虚拟传感器,实现二自由度直接驱动机械臂的非线性模型预测控制,无需运动捕捉系统即可实现精确末端轨迹跟踪。
2026-02-02 cs.RO cs.SY eess.SY
Robotic Autonomous Trolley Collection with Progressive Perception and Nonlinear Model Predictive Control
Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong(香港中文大学);Shenzhen Research Institute of the Chinese University of Hong Kong(香港中文大学深圳研究院)
可以收集手推车的自主移动操纵机器人被广泛用于解放人力资源和抗击疫情。大多数现有的机器人手推车收集解决方案仅检测具有2D姿态的手推车,或者仅基于特定标记,并且缺乏规划算法的正式设计。在本文中,我们提出了一种新的移动操作系统与行李手推车收集的应用。所提出的系统集成了紧凑的硬件设计和渐进的感知和规划框架,使系统能够在动态和复杂的环境中有效和鲁棒地收集手推车。对于感知,我们首先开发了一种结合目标检测和关键点估计的3D小车检测方法。采用精确的点云平面检测方法和新颖的机械手设计,实现了近距离对接过程。在规划方面,我们制定了机器人的运动规划下的非线性模型预测控制框架与控制障碍功能,以提高避障能力,同时保持在传感器的视野中的目标在近距离。我们展示了我们的设计和框架部署在实际的手推车收集任务的系统,其有效性和鲁棒性的实验验证。
2022-03-01 cs.RO cs.SY eess.SY
Adaptive Model Predictive Control by Learning Classifiers
NVIDIA(英伟达);the University of Sydney(悉尼大学)
随机模型预测控制已经成为许多机器人任务的成功和鲁棒的控制框架,其中系统动力学模型稍微不准确或存在环境干扰。尽管取得了成功,但仍然不清楚如何在存在模型参数不确定性和异方差噪声的情况下最好地调整控制参数以适应当前任务。在本文中,我们提出了一个自适应MPC的变种,自动估计控制和模型参数,利用贝叶斯优化(BO)和经典的预期改善采集功能的想法。我们利用最近的结果表明,BO可以通过密度比估计,这可以通过简单地学习分类器有效地近似重新制定。然后,这是集成到一个模型预测路径积分控制框架产生鲁棒控制器的各种具有挑战性的机器人任务。我们展示了模型不确定性和机器人操作任务下经典控制问题的方法。
2022-04-05 cs.AI cs.LG cs.RO
Model Predictive Manipulation of Compliant Objects with Multi-Objective Optimizer and Adversarial Network for Occlusion Compensation
Harbin Institute of Technology(哈尔滨工业大学);Beihang University(北京航空航天大学);The Hong Kong Polytechnic University(香港理工大学)
柔性物体的机器人操作是目前机器人技术中最活跃的问题之一,因为它具有自动化许多重要应用的潜力。尽管近年来机器人领域取得了进展,但这些类型材料的3D成形仍然是一个开放的研究问题。在本文中,我们提出了一种新的基于视觉的控制器,自动调节形状的顺应性的物体与机器人手臂。我们的方法使用一个有效的在线曲面/曲线拟合算法,量化对象的几何形状与一个紧凑的矢量的功能,这种反馈样的矢量,使建立一个明确的形状伺服回路。为了协调机器人的运动与计算的形状特征,我们提出了一个后退时间估计,近似系统的感觉运动模型,同时满足各种性能标准。开发了一个深度对抗网络来鲁棒地补偿相机视野中的视觉遮挡,即使对对象进行部分观察,也可以指导成形任务。模型预测控制用于计算机器人的成形运动受工作空间和饱和度的限制。详细的实验研究,以验证所提出的控制框架的有效性。
2022-05-20 cs.RO cs.SY eess.SY
Iterative Tuning of Nonlinear Model Predictive Control for Robotic Manufacturing Tasks
ZHAW Institute of Materials and Process Engineering(ZHAW材料与加工工程学院);Zürich University of Applied Sciences(苏黎世应用科学大学)
本文提出一种基于任务级反馈的迭代学习框架,用于在机器人重复制造任务中自适应调优非线性模型预测控制的权重矩阵,实现高效且精确的控制性能。
2026-01-02 cs.LG cs.RO cs.SY
A Step-by-step Guide on Nonlinear Model Predictive Control for Safe Mobile Robot Navigation
department of Cognitive Robotics, Delft University of Technology(认知机器人系,代尔夫特理工大学);Institute for Dynamic Systems and Control, ETH Zürich(动态系统与控制研究所,苏黎世联邦理工学院)
本报告提供了一种分步方法来实现非线性模型预测控制(NMPC)方案,以解决移动机器人在充满障碍物的环境中安全导航的问题,强调安全性和性能保证,旨在弥合理论NMPC公式与实际机器人应用之间的差距。
2025-08-09 cs.RO cs.SY eess.SY
Real-Time Learning of Predictive Dynamic Obstacle Models for Robotic Motion Planning
Division of Engineering and Applied Science, California Institute of Technology(工程与应用科学分校,加州理工学院);Applied Intuition(应用直觉)
本文提出一种实时学习动态障碍物预测模型的方法,通过改进的Hankel-DMD实现去噪和多步预测,适用于机器人运动规划。
2026-03-06 cs.LG cs.RO cs.SY
Robust Predictive Motion Planning by Learning Obstacle Uncertainty
Linköping University(林雪平大学);Imperial College London(帝国理工学院);Lund University(隆德大学)
针对动态环境中不确定障碍物导致规划保守的问题,提出在线学习障碍物控制集以计算非保守可达集,并设计鲁棒模型预测控制器生成安全轨迹,经仿真与硬件实验验证。
2025-01-20 cs.RO cs.SY eess.SY
Neuromorphic quadratic programming for efficient and scalable model predictive control
School of Computation, Information, and Technology, Technische Universität München(慕尼黑工业大学计算、信息与技术学院);Intel Labs(英特尔实验室)
针对边缘自主系统大型优化的实时低能耗需求,提出在Loihi 2芯片上求解凸二次规划的神经形态方法,用于ANYmal的MPC,能效延迟积较OSQP降两个数量级以上,验证了非冯架构的机器人控制优势。
2024-06-19 cs.ET cs.NE cs.RO
Koopman NMPC: Koopman-based Learning and Nonlinear Model Predictive Control of Control-affine Systems
California Institute of Technology(加州理工学院)
基于Koopman的学习方法可能是动态机器人系统的实用和强大的工具。然而,构建Koopman表示的常用方法寻求学习提升的线性模型,这些模型无法捕获许多机器人系统中固有的非线性致动效应。本文提出了一种学习和控制方法,是克服这一限制的第一步。利用Koopman正则变换,控制仿射动力学可以表示为提升双线性模型。学习的模型用于非线性模型预测控制(NMPC)的设计,其中的双线性结构可以被利用,以提高计算效率。控制仿射动力学相比,现有的Koopman为基础的方法的好处突出通过一个例子的模拟平面四旋翼。预测误差大大减少,闭环性能类似于NMPC与全模型知识。
2021-05-17 cs.RO cs.SY eess.SY
End-Effector Stabilization of a 10-DOF Mobile Manipulator using Nonlinear Model Predictive Control
University of Waterloo(滑铁卢大学)
移动机械手(安装在移动基座上的机械臂)的运动控制对于复杂的任务(如材料和包装处理)可能具有挑战性。针对由7自由度机械臂和3自由度移动基座组成的10自由度移动机械臂,设计了一种基于非线性模型预测控制(NMPC)的任务空间镇定控制器。该系统模型是基于运动学模型的末端执行器的方向直接由旋转矩阵参数化。状态和控制约束以及奇异性约束显式地包括在NMPC制定。该控制器进行了测试,使用实时仿真,表现出高的定位精度与易处理的计算成本。
2021-03-24 cs.RO cs.SY eess.SY
UAIbot: Beginner-friendly web-based simulator for interactive robotics learning and research
Graduate Program in Electrical Engineering - Universidade Federal de Minas Gerais - Av. Antônio Carlos 6627, 31270-901, Belo Horizonte, MG, Brazil(巴西米纳斯吉拉斯联邦大学电气工程研究生项目);Comenius University, Bratislava, Slovakia(斯洛伐克布拉迪斯拉发康门纽斯大学)
本文提出免费开源的网页端机器人模拟器UAIbot,通过Python和JavaScript接口免安装提供交互式学习体验,帮助用户探索数学与物理原理,以深化教育理解并促进研究与实验。
2025-06-26 cs.RO
Interactive Robotic Grasping with Attribute-Guided Disambiguation
University of Minnesota(明尼苏达大学)
利用自然语言进行交互式机器人抓取是人机交互中最基本的任务之一。然而,语言可能是歧义的来源,特别是当有歧义的视觉或语言内容时。本文探讨了使用对象属性消歧和开发一个交互式抓取系统,能够有效地解决歧义通过对话。我们的方法首先通过视觉和语言基础预测目标分数和属性分数。为了处理模糊的对象和命令,我们提出了一个属性引导的制定部分可观察马尔可夫决策过程(Attr-POMDP)消歧。Attr-POMDP利用目标和属性得分作为观察模型来计算基于属性的(例如,“目标是什么颜色,红色还是绿色?)或基于点的(例如,“你是说这个吗?“)提问。我们的消歧模块在真实机器人上实时的运行,交互式抓取系统在真实机器人实验中达到了91.43%的选择准确率,大大优于几个基线。
2022-03-15 cs.RO
Interactive Imitation Learning in Robotics based on Simulations
Tongji University(同济大学)
各行业向智能化的转型,正在创造对智能化、柔性化产品的更多需求。在机器人领域,基于学习的方法越来越多地被应用,目的是通过数据训练机器人学会应对复杂多变的外部环境。在此背景下,强化学习和模仿学习正以各自的特点成为研究热点。但两者在某些情况下也有各自的局限性,比如强化学习的数据采集成本较高。而且,模仿学习很难提供完美的示范。作为模仿学习的一个分支,交互式模仿学习的目的是通过演示者和机器人之间的交互将人类的知识传递给智能体,从而降低了教学的难度。本文在四个仿真场景中实现了IIL算法,并进行了大量的实验,旨在提供IIL方法在动作空间和状态空间的详尽信息,以及与RL方法的比较。
2022-07-26 cs.RO
Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory
Queensland University of Australia(澳大利亚昆士兰大学)
Pepper机器人已经成为社交机器人进入我们家庭和企业的潜力的广泛认可的面孔。然而,到目前为止,Pepper的商业和研究应用主要限于机器人能够保持静止的角色。这种限制是由于一些技术限制,包括有限的传感能力,并作为一个结果,减少了使用的机器人可以探索的角色的数量。在本文中,我们提出了解决这些问题的方法,目的是为机器人开辟新的研究应用。为了证明我们的方法的适用性,我们在提供开放式机器人实验室的交互式参观的背景下框架这项工作。
2018-04-10 cs.RO
Everyday Finger: A Robotic Finger that Meets the Needs of Everyday Interactive Manipulation
Massachusetts Institute of Technology(麻省理工学院)
本文提出基于串联弹性驱动的紧凑型机器人手指Everyday Finger,并通过双指手在三十种日常任务中验证其操作能力。
2024-08-08 cs.RO
Multi-modal Interactive Control of Robotic Arm based on Offline Large Language Models
University of Tokyo(东京大学)
该研究提出“Socratic Models-ChatGLM”算法,基于离线开源大语言模型与PyBullet平台实现机械臂多模态交互控制,可降低成本并解决复杂多步骤机械操作任务。
2026-08-11 cs.RO
The 1st InterAI Workshop: Interactive AI for Human-centered Robotics
KTH Royal Institute of Technology(瑞典皇家理工学院);Lancaster University(兰卡斯特大学);University of Bergen(卑尔根大学);University of Surrey(萨里大学)
第1届InterAI研讨会聚焦面向以人为中心的机器人的交互式AI,隶属于RO-MAN 2024,通过主题演讲、论文展示和小组讨论等形式促进该领域的学术交流。
2024-10-11 cs.RO
Mani-GPT: A Generative Model for Interactive Robotic Manipulation
Southern University of Science and Technology(南方科技大学);PLA General Hospital(中国人民解放军总医院);National Clinical Research Center for Orthopedics, Sports Medicine and Rehabilitation(国家骨科、运动医学与康复医学临床研究中心)
本文提出 Mani-GPT 生成式预训练 Transformer,通过融合环境理解、对话意图识别与操作规划,实现更自然的人机交互,在意图识别与动作决策上准确率达 84.6%,真实对话测试平均回应准确率为 70%。
2023-08-08 cs.RO