A receding-horizon multi-contact motion planner for legged robots in challenging environments
Manchester Centre for Robotics and AI(机器人与人工智能中心);University of Manchester(曼彻斯特大学)
本文提出了一种新型回溯地平线多接触运动规划器,用于在挑战性环境中为腿足机器人规划运动,提升了规划效率和质量。
2026-02-11 cs.RO
Pose-aware Legged Robot Semantic Exploration with Omnidirectional Perception in Confined Unknown Environments
Carnegie Mellon University(卡内基梅隆大学)
针对受限环境中腿式机器人语义探索的覆盖-效率权衡问题,提出姿态感知探索系统POSE,利用身体俯仰翻滚和全方位感知优化视点选择,显著提升覆盖率并减少探索时间。
2026-09-18 cs.RO
External Camera-based Mobile Robot Pose Estimation for Collaborative Perception with Smart Edge Sensors
University of Bonn(波恩大学)
我们提出了一种方法来估计移动机器人的姿态w.r.t.使用多视图RGB图像的静态相机网络的非同心坐标。通过深度神经网络在智能边缘传感器上本地在线处理图像,以检测机器人并估计在3D机器人模型的独特位置处定义的2D关键点。机器人关键点检测在中央后端同步和融合,其中机器人的姿态通过多视图最小化重投影误差来估计。通过从外部摄像机的姿态估计,机器人的定位可以初始化在一个allocentric地图从一个完全未知的状态(被绑架的机器人问题),并随着时间的推移鲁棒跟踪。我们进行了一系列实验,评估基于摄像头的姿态估计的准确性和鲁棒性相比,机器人的内部导航堆栈,显示我们的基于摄像头的方法实现了低于3厘米和1°的姿态误差,并不会随着时间的推移漂移,因为机器人是本地化allocentrically。随着机器人的姿态精确估计,它的意见可以融合到allocentric场景模型。我们展示了一个真实世界的应用程序,其中从移动机器人和静态智能边缘传感器的观察融合协作建立一个3D语义地图的$\sim$ 240米$^2$室内环境。
2023-03-07 cs.CV cs.RO
Balancing Control and Pose Optimization for Wheel-legged Robots Navigating High Obstacles
University of Southern California(南加州大学)
提出了一种基于二次规划的轮腿四足机器人位姿优化和力控制的控制方法。我们的方法允许机器人利用全身运动和车轮驱动来翻滚高障碍物,同时保持车轮扭矩来导航地形,同时保持车轮牵引力和平衡机器人身体。详细地说,我们首先提出了一个线性刚体动力学与车轮,可用于实时平衡控制轮足式机器人。然后,我们介绍了一种有效的位姿优化方法的轮腿机器人的运动在陡坡和楼梯地形。姿态优化解决了最佳姿态,以增强稳定性并对楼梯地形上的滚动运动实施碰撞费用约束。在真实机器人上的实验验证表明,该机器人具有在0.36 m障碍物上滚动的能力。该机器人还可以成功地上下多个楼梯,而不会抬起腿或与地形发生碰撞。
2022-03-10 cs.RO cs.SY eess.SY
AHEAD: Anticipatory Hand-Driven Teleoperation via Human Intent Prediction
Georgia Institute of Technology(佐治亚理工学院);Neuromeka Ltd.(Neuromeka有限公司);INRIA(法国国家信息与自动化研究所);University of Oxford(牛津大学)
研究旨在减少机器人反应时间并降低操作员工作量,提出AHEAD实时VR遥操作系统,通过处理手和头部信号及场景上下文预测意图,转换为稳定目标,该系统意图预测准确率高,能有效减少延迟并降低操作员负荷。
2026-07-17 cs.RO
A Novel Camera-to-Robot Calibration Method for Vision-Based Floor Measurements
Machine Vision Metrology Lab, \ of Photogrammetry
本文提出了一种新型手眼校准方法,用于地面观测移动机器人。通过设计参考板结合激光跟踪器的3D测量和摄像头的2D成像,实现高精度定位。实验显示重复精度达到亚毫米级。
2026-03-31 cs.CV cs.RO
MR6D: Benchmarking 6D Pose Estimation for Mobile Robots
TU Dortmund(图鲁特大学);Fraunhofer IML(弗劳恩霍夫智能系统研究所);LAMARR Institute for Machine Learning(机器学习研究所)
本文提出MR6D数据集,针对移动机器人在工业环境中的6D位姿估计,涵盖92个真实场景和16个物体,揭示现有方法在远距离、大物体和复杂遮挡下的不足,为移动机器人位姿估计研究奠定基础。
2025-08-19 cs.CV cs.RO
Relative Localization of Mobile Robots with Multiple Ultra-WideBand Ranging Measurements
Singapore University of Technology and Design(新加坡科技设计大学);University of Jaffna(贾夫纳大学);Southwest University of Science and Technology(西南科技大学)
在没有基础设施的情况下,自主机器人之间的相对定位对于在许多应用中实现其导航、路径规划和编队是至关重要的,例如紧急响应,在这些应用中获取环境的先验知识是不可能的。传统的超宽带(UWB)的方法提供了一个很好的估计机器人之间的距离,但获得相对位姿(包括位移和方向)仍然是具有挑战性的。我们提出了一种方法来估计一组机器人之间的相对姿态,每个机器人配备多个UWB测距节点。我们确定两个机器人之间的姿态最小化的残余误差的测距测量从所有UWB节点。为了提高定位精度,我们建议通过基于滑动窗口的优化利用里程限制。最后将优化后的位姿与测距融合在粒子滤波算法中,实现移动机器人群的位姿跟踪。我们已经进行了大量的实验,以验证所提出的方法的有效性。
2021-07-30 cs.AI cs.RO
Underwater Robot Pose Estimation Using Acoustic Methods and Intermittent Position Measurements at the Surface
Technical University of Cluj-Napoca(克卢日-纳波卡技术大学)
针对水下环境无法直接使用GPS、机器人位姿估计易漂移的问题,本文评估了IMU、DVL、USBL等传感器的位姿估计性能,并验证了借助水面高精度传感器间歇校正位置的效果。
2023-12-18 cs.RO cs.SY eess.SY
Real-Time Model Checking for Closed-Loop Robot Reactive Planning
School of Computing Science University of Glasgow Glasgow Scotland UK(计算科学学院格拉斯哥大学格拉斯哥苏格兰英国);School of Biomedical Engineering University of Glasgow Glasgow Scotland UK(生物医学工程学院格拉斯哥大学格拉斯哥苏格兰英国);University of Glasgow(格拉斯哥大学)
研究利用模型检查让自主机器人实现反应式多步规划与避障,特制算法基于生物知识实时原位生成规划,通过链式系统和临时快照减轻状态空间爆炸,实验证明方法有效且性能提升,为自动驾驶导航发展提供案例,适用于关键任务移动机器人。
2026-07-15 cs.AI cs.FL cs.RO
PoseINN: Realtime Visual-based Pose Regression and Localization with Invertible Neural Networks
University of Pennsylvania(宾夕法尼亚大学)
针对视觉自体位姿估计中SOTA模型计算成本高的问题,提出基于可逆神经网络和normalizing flows的PoseINN,利用低分辨率合成数据学习图像隐空间与位姿映射,在保持精度的同时提升训练速度并提供不确定性估计,且已在移动机器人上完成实时部署验证。
2024-05-07 cs.CV cs.RO
Whole-body End-Effector Pose Tracking
Robotic Systems Lab, ETH Zurich(苏黎世联邦理工学院机器人系统实验室);ETH AI center(苏黎世联邦理工学院人工智能中心);NVIDIA(英伟达)
提出一种全身强化学习框架,结合地形感知采样与游戏课程,在非结构化地形的大工作空间内实现四足机器人末端执行器姿态的精确跟踪,误差仅2.64厘米和3.64度。
2025-04-25 cs.AI cs.LG cs.RO
Robots: the Century Past and the Century Ahead
让我们回顾一下机器人的现状。今年是R.U.R.成立$101$周年,作家卡雷尔·恰佩克的一部戏剧,通常被认为是引入了“机器人”一词。这个词在斯拉夫语中用来指封建强迫劳动者。事实上,它指出了机器人系统的一个关键特征:它们只是奴隶,没有权利,执行我们的意志指令,不要求任何回报。与我们人类的关系是共生关系;在生物学中,共生关系存在于两个共生物种之间,当一个物种从中受益时(机器人提高了人类的生产力),而另一个物种既没有受益也没有受到伤害(你真的能认为机器人从简单的功能中受益吗?)。然后,我们将机器人与“有生命的机器”区分开来,即注入生命的机器。如果有生命的机器真的成为现实,我们就需要将我们与它们的关系从共生关系转变为互利关系。这种区别并不微妙:我们每天都在驯养动物身上体验到这种区别,它们用农奴制换取食物和保护。这是因为生命已经进化到抵制任何奴役它的企图;它是顽固的。在通往生命机器的道路上,让我们问:在过去的$100$年里,机器人技术取得了什么成就?在接下来的$100$几年里,还有什么需要完成的?对我们来说,答案可以归结为三个词:果汁,需要(或死亡)和体现,我们将在下面看到。
2022-04-28 cs.AI cs.RO
STPOTR: Simultaneous Human Trajectory and Pose Prediction Using a Non-Autoregressive Transformer for Robot Following Ahead
School of Computing Science, Simon Fraser University (SFU)(西蒙菲莎大学计算科学学院)
针对人体运动预测问题,提出名为STPOTR的非自回归Transformer架构,通过双编码器解码器结构同步预测人体轨迹与姿态,在精度和速度上优于现有方法,可应用于机器人前置跟随场景。
2025-01-17 cs.LG cs.RO
Foresee and Act Ahead: Task Prediction and Pre-Scheduling Enabled Efficient Robotic Warehousing
Shanghai Jiao Tong University(上海交通大学);Huawei Cloud Computing Technologies Co., Ltd.(华为云计算技术有限公司)
针对机器人仓储中劳动力浪费问题,提出含周期解耦时空任务预测与考虑不确定性的混合动态分配的预调度框架,在真实场景实现空驶率降超50%的性能提升。
2024-12-09 cs.MA cs.RO
Robot Structure Prior Guided Temporal Attention for Camera-to-Robot Pose Estimation from Image Sequence
Peking University(北京大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
本研究聚焦单视角图像序列的在线相机到机器人位姿估计问题,提出结合机器人结构先验引导的时序注意力方法,服务于机器人与环境交互的核心需求。
2023-07-22 cs.RO
Decentralized Distributed Expert Assisted Learning (D2EAL) approach for cooperative target-tracking
Indian Institute of Science(印度科学学院)
针对异构多机器人系统的目标跟踪问题,其中机器人之间通过动态通信网络进行通信,异构性体现在机器人中安装的传感器类型和预测算法不同。这个问题被投射到一个分布式学习框架中,机器人被认为是通过动态通信网络连接的“代理”。他们的预测算法被认为是“专家”,给出了他们对目标轨迹的前瞻性预测。在本文中,提出了一种新的分散式分布式专家辅助学习(D2 EAL)算法,它提高了整体跟踪性能,使每个机器人,以提高其前瞻性预测的目标的轨迹通过其信息共享,并运行加权信息融合过程结合在线学习的基础上的预测损失度量的权重。对D2 EAL算法进行了理论分析,包括累积预测损失的最坏界分析和权值收敛分析。仿真研究表明,在不利的情况下,涉及大的动态偏差或漂移的专家预测,D2 EAL优于众所周知的基于协方差的估计/预测融合方法,无论是在预测性能和可扩展性。
2022-09-22 cs.RO
Robot-to-Robot Relative Pose Estimation using Humans as Markers
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
在本文中,我们提出了一种方法来确定3D相对姿态的通信机器人对使用人类姿势为基础的关键点作为对应关系。我们采用了一个“领导者-追随者”的框架,首先,领导者机器人视觉检测和三角测量的关键点,使用国家的最先进的姿态检测器命名为OpenPose。之后,跟随机器人匹配相应的2D投影在各自的校准相机,并找到他们的相对姿态,通过解决透视n点(PPERT)的问题。在所提出的方法中,我们设计了一个有效的人重新识别技术相关联的相互可见的人在场景中。此外,我们提出了一个迭代优化算法来细化相关的关键点的基础上,在图像空间中的局部结构特性。我们证明,这些细化过程是必不可少的,以建立准确的关键点对应的观点。此外,我们评估所提出的相对姿态估计系统的性能,通过在陆地和水下环境中进行的几个实验。最后,我们讨论了这种方法的相关操作挑战,并分析了其在人类主导的社会环境和功能剥夺的环境,如水下多机器人协作系统的可行性。
2020-09-06 cs.RO
BDPGO: Balanced Distributed Pose Graph Optimization Framework for Swarm Robotics
Hong Kong University of Science and Technology(香港科技大学)
分布式位姿图优化是群机器人的基本技术之一。目前,DPGO的子问题都是建立在本机姿势上的。我们的验证证明,这种方法可能会引入一个不平衡的大小的子问题在现实世界的场景中,这会影响DPGO优化的速度,并可能增加通信的要求。此外,当群中的机器人发生故障或部分机器人断开连接时,不能保证估计的位姿的一致性。在本文中,我们提出了BDPGO,一个平衡的分布式位姿图优化框架,采用解耦的机器人位姿和DPGO的思想。BDPGO通过引入两阶段图划分方法来构建平衡子问题,以平衡的方式将位姿图中的位姿重新分配到机器人群中。我们的验证表明,BDPGO显着提高了优化速度,而不改变具体的算法DPGO在现实的数据集。更重要的是,我们还验证了BDPGO是鲁棒的机器人故障,在无线网络的变化。BDPGO能够在这些情况下保持估计姿态的一致性。该框架也有可能被应用到其他的协同同时定位与地图构建(CSLAM)的问题,涉及分布式解决的因素图。
2022-09-13 cs.RO
LBGP: Learning Based Goal Planning for Autonomous Following in Front
Simon Fraser University(西蒙弗雷泽大学)
本文研究了一种结合深度强化学习(RL)和经典轨迹规划的混合解决方案,用于后续前端应用。在这里,自主机器人的目标是在人自由走动时保持领先。跟随在前面是一个具有挑战性的问题,因为用户的预期轨迹是未知的,需要由机器人显式或隐式地估计。此外,机器人还需要找到一种可行的方法,以安全地在人类轨迹之前导航。我们的深度RL模块隐式地估计人类轨迹并生成短期导航目标来引导机器人。轨迹规划器使用这些目标来平滑地将机器人导航到短期目标,并最终在用户面前。我们在深度RL模块中采用课程学习,以有效地实现高回报。我们的系统在跟踪方面优于最先进的技术,并且在模拟和现实世界的实验中与端到端的替代方案相比更可靠。与纯深度RL方法相比,我们展示了训练策略从模拟到现实世界的zero-shot转移。
2020-11-05 cs.AI cs.LG cs.RO
Visually Guided Model Predictive Robot Control via 6D Object Pose Localization and Tracking
CIIRC, Czech Technical University in Prague(捷克理工大学CIIRC);LAAS-CNRS, Universite de Toulouse, CNRS, Toulouse(图卢兹大学LAAS-CNRS)
本研究针对动态物体6D位姿引导的机器人操作需求,提出融合学习式定位器与模型式跟踪器的高速高精度视觉感知模块,结合力矩型模型预测控制实现稳定鲁棒的机械臂控制,并通过基准测试与真实7自由度机器人实验验证了方法有效性。
2023-11-09 cs.RO
Digital-Twin Evaluation for Proactive Human-Robot Collision Avoidance via Prediction-Guided A-RRT*
Department of Mechanical and Aerospace Engineering, Tandon School of Engineering, New York University(1 机械与航空航天工程系,工程学院,纽约大学)
针对人机协作主动避碰需求,提出融合细粒度人体运动预测、A-RRT*规划与数字孪生验证的安全框架,在试验中实现100%避碰、高安全间距与快速重规划,性能优于传统运动学规划器。
2025-10-03 cs.RO
Self-supervised 6D Object Pose Estimation for Robot Manipulation
NVIDIA(英伟达);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Washington(华盛顿大学)
为了教授机器人技能,在监督下获取数据至关重要。由于注释真实世界的数据既耗时又昂贵,因此使机器人能够以自我监督的方式学习非常重要。在这项工作中,我们介绍了一个机器人系统的自我监督的6D物体姿态估计。从经过模拟训练的模块开始,我们的系统能够用准确的6D对象姿势标记真实世界图像,以进行自监督学习。此外,机器人与环境中的物体进行交互,通过抓取或推动物体来改变物体的配置。通过这种方式,我们的系统能够持续收集数据并改进其姿态估计模块。我们表明,自监督学习提高了对象分割和6D姿态估计性能,从而使系统能够更可靠地把握对象。展示实验的视频可以在https://youtu.be/W1Y0Mmh1Gd8上找到。
2020-03-07 cs.RO
Indirect Object-to-Robot Pose Estimation from an External Monocular RGB Camera
NVIDIA(英伟达)
我们提出了一个机器人抓取系统,使用一个单一的外部单目RGB相机作为输入。通过组合两个神经网络的输出来间接计算物体到机器人的姿态:一个估计物体到相机的姿态,另一个估计机器人到相机的姿态。这两个网络都完全基于合成数据进行训练,依靠域随机化来弥合模拟与真实之间的差距。由于后者网络执行在线摄像机校准,因此摄像机可以在执行过程中自由移动,而不会影响抓取质量。实验结果分析了摄像机的位置,图像分辨率和姿势细化的情况下,抓住几个家庭对象的效果。我们还提出了一套新的28纹理的家用玩具杂货店的对象,已被选定为其他研究人员访问的结果。为了帮助研究的可重复性,我们提供了3D扫描纹理模型,以及用于姿态估计的预训练权重。
2020-08-26 cs.RO
LanPose: Language-Instructed 6D Object Pose Estimation for Robotic Assembly
Tsinghua University(清华大学);Technical University of Munich(慕尼黑工业大学)
本文提出LanPose框架,通过融合几何与语言特征并利用交叉注意力机制,实现基于自然语言指令的的6D物体位姿估计,在真实机器人装配场景中验证了其有效性。
2023-10-20 cs.RO
Active Rendezvous for Multi-Robot Pose Graph Optimization using Sensing over Wi-Fi
Princeton University(普林斯顿大学);Arizona State University(亚利桑那州立大学);MIT Lincoln Laboratory(麻省理工学院林肯实验室)
我们提出了一个新的框架之间的机器人团队进行姿态图优化(PGO),解决了两个重要的挑战,多机器人SLAM:i),使信息交换“按需”通过主动Renminbi不使用地图或机器人的位置,和ii)拒绝边远测量。我们的关键见解是利用机器人之间的通信信道中存在的相对位置数据来提高PGO的地面实况精度。我们开发了一种算法和实验框架,用于将信道状态信息(CSI)与多机器人PGO集成;它是分布式的,适用于传统传感器经常失败的低光照或无特征环境。我们提出了广泛的实验结果,实际的机器人和观察,使用主动修复的结果在地面实况姿态误差减少了64%,使用CSI的意见,以帮助离群拒绝地面实况姿态误差减少了32%。这些结果显示了集成通信作为SLAM的新型传感器的潜力。
2021-11-02 cs.RO
Human-robot collaborative object transfer using human motion prediction based on Cartesian pose Dynamic Movement Primitives
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Chalmers University of Technology(查尔姆斯理工大学)
在这项工作中,问题的人-机器人协作对象转移到未知的目标位姿。使用DMP(动态运动基元)对末端执行器姿态轨迹到已知目标姿态的期望模式进行编码。在物体向新的未知目标的转移过程中,提出了一种基于DMP的参考模型和EKF(Extended卡尔曼滤波器)方法,用于估计目标的位姿和人的预期运动持续时间。提供了整体方案的稳定性分析。实验使用Kuka LWR 4+机器人配备ATI传感器在其末端执行器验证其功效方面所需的人力,并比较它与导纳控制方案。
2021-10-27 cs.RO
Self-supervised Learning Of Visual Pose Estimation Without Pose Labels By Classifying LED States
Dalle Molle Institute for Artificial Intelligence (IDSIA)(达摩研究院(IDSIA))
提出一种无需位姿标签的单目RGB位姿估计自监督模型,通过预测LED状态学习机器人位姿,性能与有监督方法相当且支持多机器人场景。
2025-09-12 cs.RO
Smart placement, faster robots-a comparison of algorithms for robot base-pose optimization
Technical University of Munich(慕尼黑工业大学)
本文比较了四种算法在机器人基座姿态优化中的性能,发现随机梯度下降在成功率上表现最佳,而遗传算法在成本上表现最优。
2026-03-08 cs.RO
Differentiable Rendering-based Pose Estimation for Surgical Robotic Instruments
University of California San Diego(加利福尼亚大学圣迭戈分校)
针对dVRK等外科机器人因关节角误差和部分可见运动学链导致传统标定失效的问题,本文提出基于可微渲染与圆柱体的无标记单次位姿估计方法,在新型位姿假设空间中构建通用匹配流程,实现稳健且可泛化的手术工具跟踪初始化。
2025-03-07 cs.RO
Tracking Human Pose During Robot-Assisted Dressing using Single-Axis Capacitive Proximity Sensing
Georgia Institute of Technology(佐治亚理工学院)
穿衣是日常生活的一项基本任务,机器人提供了帮助运动障碍者的机会。虽然一些机器人系统已经探索了机器人辅助穿衣,但很少有人考虑机器人如何管理人类姿势估计中的错误,或在穿衣辅助期间实时的适应人类运动。此外,估计由于人体运动引起的姿势变化对于基于视觉的技术可能是具有挑战性的,因为穿衣通常旨在用衣服在视觉上遮挡身体。我们提出了一种方法来跟踪一个人的姿态在实时的使用电容接近感测。这种感测方法以低延迟给出了对距离的直接估计,具有高信噪比,并且具有低计算要求。使用我们的方法,机器人可以调整人的估计姿势中的错误,并在提供穿衣帮助的同时物理地跟随人的轮廓和运动。作为我们的方法的评估的一部分,机器人成功地拉到10个人类参与者的右臂上的医院长袍和羊毛衫的袖子,尽管手臂运动和大的错误,在最初估计的姿势的人的arm.We还表明,电容传感器是不受视觉遮挡的身体,可以通过棉衣服感测一个人的身体。
2019-05-24 cs.RO
Relative Pose Estimation for Nonholonomic Robot Formation with UWB-IO Measurements (Extended version)
School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院);Cavendish Laboratory, University of Cambridge(剑桥大学卡文迪许实验室);Zhongguancun Laboratory(中关村实验室)
本文研究利用机载超宽带距离和惯性里程计测量实现多机器人分布式编队控制问题,提出局部帧下的并发学习估计器和协作定位算法,设计分布式编队跟踪控制器,通过实验证明方法有效性。
2026-04-14 cs.RO
Orientation to Pose: Continuum Robots Shape Sensing Based on Piecewise Polynomial Curvature Model
Department of Automation, Tsinghua University(清华大学自动化系)
连续体机器人具有细长、柔性和无限自由度的特点,这对它们的控制和应用提出了挑战。连续体机器人的形状感知是实现精确控制的关键。提出了一种基于分段多项式曲率(PPC)运动学模型的连续体机器人实时形状感知通用框架。我们说明了连续体机器人在任何给定位置的方向和位置之间的耦合。此外,耦合关系可以通过PPC运动学桥接。因此,我们建议通过方向估计来估计连续体机器人的形状,使用现成的方向传感器,例如,安装在特定位置的惯性测量装置。该方法为连续体机器人的形状感知提供了一个有价值的框架,具有通用性、准确性和方便性。在多类型物理样机的实验中验证了通用方法的准确性。
2021-03-09 cs.RO
Kinodynamics-based Pose Optimization for Humanoid Loco-manipulation
University of Southern California(南加州大学)
本文提出一种结合运动动力学位姿优化与MPC的仿人机器人推物控制方法,能快速规划最优位姿并协调受力,实现重载推动与强抗扰恢复。
2023-07-25 cs.RO
Efficiency Improvement of Measurement Pose Selection Techniques in Robot Calibration
Ecole des Mines de Nantes(南特矿业学校);Institut de Recherche en Communications et Cybernétique de Nantes (IRCCyN)(南特通信与控制论研究所);Université de Nantes(南特大学)
本文论述了基于测试位姿法的机械手几何和弹性静力学标定实验设计。主要的注意力是在选择最佳的测量姿态的校准实验中采用的数值技术的效率提高。所开发的技术的优点是说明了模拟的例子,处理与串行架构的工业机器人的几何标定。
2013-11-26 cs.RO
Optimal Multi-robot Formations for Relative Pose Estimation Using Range Measurements
McGill University(麦吉尔大学);Polytechnique Montréal(蒙特利尔理工学院)
在多机器人任务中,智能体之间的相对位置和姿态信息对于诸如地图绘制、规划和编队控制等各种任务都是有价值的。在本文中,估计相对姿态从一组智能体间的距离测量的问题进行了研究。具体而言,它示出的估计精度是高度依赖于真实的相对姿态本身,这促使希望找到多代理形成,提供最佳的估计性能。通过直接最大化Fischer信息,仿真和实验表明,通过优化一组机器人的编队几何形状,可以大大提高估计精度。
2022-05-27 cs.RO
PFM-HR: Pose Flow Matching for Humanoid Robots
本文提出PFM-HR,一种在大规模无序姿态数据上训练的可复用流匹配先验,通过引入PGS调节跟踪奖励提升人形机器人运动跟踪性能,尤其适用于高动态运动。
2026-11-06 cs.RO
6D Assembly Pose Estimation by Point Cloud Registration for Robot Manipulation
Tampere University(坦佩雷大学)
本文提出一种基于RGB-D与CAD模型的6D装配位姿估计方法,通过语义分割和点云配准实现精确装配,并通过实验验证其有效性。
2023-12-05 cs.RO
Human-Robot Co-Transportation using Disturbance-Aware MPC with Pose Optimization
George Mason University(乔治·玛森大学);University of Tennessee, Knoxville(田纳西大学,诺克斯维尔)
本文提出一种融合扰动感知DARE与位姿优化的MPC算法,用于人机协同搬运,通过两步迭代选择最优机械臂位姿并计算全身控制输入,在仿真和Fetch机器人实验中优于基线方法。
2025-06-18 cs.RO
SLAM-Supported Self-Training for 6D Object Pose Estimation
Massachusetts Institute of Technology(麻省理工学院)
物体姿态预测的最新进展为机器人在导航过程中构建物体级场景表示提供了一条有前途的道路。然而,当我们在新的环境中部署机器人时,分布外的数据会降低预测性能。为了减轻域差距,我们可以在目标域中进行自我训练,使用机器人捕获图像的预测作为伪标签来微调对象姿态估计器。不幸的是,姿势预测通常是异常损坏的,并且很难量化它们的不确定性,这可能导致低质量的伪标记数据。为了解决这个问题,我们提出了一个SLAM支持的自我训练方法,利用机器人的三维场景几何形状的理解,以提高对象的姿态推理性能。将姿态预测与机器人里程计相结合,我们制定并解决姿态图优化,以细化对象姿态估计,并使伪标签在帧间更加一致。我们将姿态预测协方差作为变量纳入优化,以自动建模其不确定性。该自动协方差调整(ACT)过程可以在组件级拟合6D姿态预测噪声,从而产生更高质量的伪训练数据。我们在YCB视频数据集和真实机器人实验中使用深度对象姿态估计器(DOPE)测试我们的方法。在两次测试中,该算法的位姿预测精度分别提高了34.3%和17.8%。我们的代码可在https://github.com/520xyxyzq/slam-super-6d上获得。
2022-08-16 cs.RO
Occupancy-SLAM: An Efficient and Robust Algorithm for Simultaneously Optimizing Robot Poses and Occupancy Map
Robotics Institute, University of Technology Sydney(技术大学悉尼机器人研究所);School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
提出Occupancy-SLAM方法,通过参数化地图表示同时优化机器人位姿与占用值,在2D和3D数据集上实现了比现有方法更准确鲁棒的轨迹与地图构建。
2025-05-21 cs.RO
Camera-to-Robot Pose Estimation from a Single Image
NVIDIA(英伟达);Carnegie Mellon University(卡内基梅隆大学)
我们提出了一种方法,用于估计相对于机器人使用单个RGB图像的机器人的外部相机的姿态。图像由深度神经网络处理,以检测与机器人相关联的关键点(如关节)的2D投影。该网络完全基于模拟数据进行训练,使用域随机化来弥合现实差距。视角n-点(PPENS),然后用于恢复相机extrinsics,假设相机的内在和关节配置的机器人操作器是已知的。与经典的手眼校准系统不同,我们的方法不需要离线校准步骤。相反,它是能够计算的相机extrinsics从一个单一的帧,从而打开在线校准的可能性。我们展示了三种不同的机器人和相机传感器的实验结果,证明我们的方法能够用单个帧实现精度,这与使用多个帧的经典离线手眼校准相当。使用来自静态姿势的附加帧,精度进一步提高。代码,数据集和预训练模型的三个广泛使用的机器人操纵器。
2020-04-23 cs.RO
Distributed Invariant Kalman Filter for Object-level Multi-robot Pose SLAM
School of Data Science, The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳)数据科学学院);System Hub, Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)系统枢纽)
针对多机器人协作定位与跟踪需求,提出基于协方差交集的分布式不变卡尔曼滤波器,结合目标级测量降通信、李群建模保一致性,经实验验证兼具实用性与优越性。
2024-09-14 cs.RO
Markerless Robot Detection and 6D Pose Estimation for Multi-Agent SLAM
German Aerospace Center (DLR)(德国航空航天中心)
本文提出基于深度学习的无标记机器人6D位姿估计方法,用于提升多智能体SLAM系统的相对定位精度。
2026-02-18 cs.RO
Ablation Study on Features in Learning-based Joints Calibration of Cable-driven Surgical Robots
University of Washington(华盛顿大学)
随着全球范围内的实施,数百万例手术由手术机器人辅助。许多手术机器人上的线缆驱动机构允许灵活、轻便和紧凑的手臂和工具。然而,线缆的松弛和拉伸以及齿轮的齿隙将不可避免的误差从马达姿态引入到关节姿态,并且因此被转发到末端执行器的姿态和取向。提出了一种基于学习的深度神经网络标定方法,将关节1、2、3的无载位姿RMSE分别降低到0.3003度、0.2888度、0.1565 mm,将关节1、2、3的有载位姿RMSE分别降低到0.4456度、0.3052度、0.1900 mm。然后,去除消融和不准确消融进行研究的DNN模型的功能有助于校准精度。结果表明,原始关节姿势和电机扭矩是最重要的功能。对于关节位姿,去除消融表明DNN模型可以从末端执行器位姿和方向导出此信息。对于电机转矩,方向比幅度重要得多。
2023-02-14 cs.RO
GODSAC*: Graph Optimized DSAC* for Robot Relocalization
Robotics Institute(机器人研究所);University of Michigan(密歇根大学)
基于深度学习的单目相机图像的相机姿态估计最近在Visual SLAM研究中得到了广泛应用。尽管这种姿态估计方法在办公室和公寓楼等小的封闭区域中具有良好的效果,但当应用于户外环境等较大区域时,它们往往表现不佳,这主要是因为缺乏独特的特征。我们提出GODSAC* 作为一种相机姿态估计方法,通过优化姿态图来增强来自具有噪声里程计数据的训练神经网络的姿态预测。GODSAC* 在姿态估计精度方面优于最先进的方法,正如我们在实验中所证明的那样。
2021-05-14 cs.RO
SaWa-ML: Structure-Aware Pose Correction and Weight Adaptation-Based Robust Multi-Robot Localization
School of Electrical Engineering, KAIST(韩国科学技术院电子工程学院);Laboratory for Information & Decision Systems (LIDS)(信息与决策系统实验室);Massachusetts Institute of Technology(麻省理工学院)
SaWa-ML提出一种视觉-惯性-UWB融合的多机器人定位方法,利用UWB测距不累积误差的特性进行结构感知位姿校正,并设计自适应权重,显著降低长期漂移并提升定位鲁棒性。
2025-07-18 cs.RO
Odometry Calibration and Pose Estimation of a 4WIS4WID Mobile Wall Climbing Robot
Croatian Academy of Sciences and Arts(克罗地亚科学与艺术学院)
本文基于多模态测量融合设计了四轮独立转向四轮独立驱动壁爬机器人姿态估计器,采用扩展卡尔曼滤波和无迹卡尔曼滤波方法,解决传统定位传感器在复杂建筑立面环境中的不可行性问题。
2025-09-04 cs.RO
In-Hand Object Pose Tracking via Contact Feedback and GPU-Accelerated Robotic Simulation
Carnegie Mellon University(卡内基梅隆大学);NVIDIA Research(英伟达研究院)
由于显著的遮挡,跟踪被机器人手握持和操纵的对象的姿态对于基于视觉的方法是困难的。先前的工作已经探索了使用接触反馈和粒子滤波器来定位手中的对象。然而,他们主要集中在静态抓取设置上,而不是在物体运动时,因为这样做需要对复杂的接触动力学进行建模。在这项工作中,我们建议使用GPU加速的并联机器人模拟和导数免费的,基于样本的优化跟踪在手对象的姿态与接触反馈在操作过程中。我们使用物理仿真作为机器人与物体交互的前向模型,该算法对仿真的状态和参数进行联合优化,使它们更好地与现实世界的状态和参数相匹配。该方法在单GPU上实时运行(30Hz),模拟实验中点云距离平均误差为6mm,真实环境中点云距离平均误差为13mm。在https://sites.google.com/view/in-hand-object-pose-tracking/上观看实验视频
2020-11-05 cs.RO
Visual-based Kinematics and Pose Estimation for Skid-Steering Robots
Technical University of Munich(慕尼黑工业大学);Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学);University of Delaware(特拉华大学)
为了制造商业机器人,滑移转向机械设计由于其制造简单和独特的机制而越来越受欢迎。然而,这些也导致对软件和算法设计的重大挑战,特别是对于姿态估计(即,确定机器人的旋转和位置)的滑移转向机器人,因为他们改变他们的方向与不可避免的打滑。为了解决这个问题,我们提出了一个概率滑动窗口估计专用于滑移转向机器人,使用从单目摄像机,车轮编码器,并可选的惯性测量单元(IMU)的测量。具体地说,我们明确地建立了滑移转向机器人的运动学模型,通过轨迹瞬时旋转中心(ICR)和校正因子,能够补偿轨迹与地形相互作用的复杂性,机械设计的不确定性,地形条件和平滑度等,以防止机器人在长期任务中的性能下降,以紧密耦合的方式在线估计随时间和位置变化的运动学参数以及姿态估计状态。更重要的是,我们在本文中对不同的传感器和设计配置进行了深入的可观测性分析,这为我们在构建真正的商业机器人时做出正确的选择提供了理论工具。在我们的实验中,我们通过仿真测试和真实世界的实验来验证所提出的方法,这表明我们的方法优于竞争方法的大幅幅度。
2022-10-25 cs.RO
Advanced robot calibration using partial pose measurements
Ecole des Mines de Nantes(南特矿业学校);University of Nantes(南特大学)
研究了基于部分位姿测量的串联工业机器人标定问题。与其他工作相比,先进的机器人标定技术是适用于几何和弹性静力学标定。重点研究了模型参数的辨识精度。为了减少测量误差的影响,提出了直接使用几个点的位置测量,而不是计算的末端执行器的取向。所提出的方法使我们能够避免最小二乘目标的非均匀性的问题,这会出现在经典的识别技术与全姿态信息。所开发的技术不需要任何规范化,可以有效地应用于几何和弹性静力识别。一种新的方法的优点是通过比较分析,处理不同的识别策略的效率评估确认。所得到的结果已成功地应用于工业机器人的弹性静力学参数识别的加工工作单元为航天工业。
2013-11-26 cs.RO
Non-Overlap-Aware Egocentric Pose Estimation for Collaborative Perception in Connected Autonomy
NCSU(北卡罗来纳州立大学);North Carolina State University(北卡罗来纳州立大学);Department of Computer Science(计算机科学系);University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校)
本文提出NOPE方法,通过分层图匹配与位置感知交叉注意力图学习,在通信带宽约束下实现多机器人非重叠感知的自我中心位姿估计,并在仿真和真实场景中取得最先进性能。
2025-07-18 cs.RO
MULAN-WC: Multi-Robot Localization Uncertainty-aware Active NeRF with Wireless Coordination
college.harvard.edu(哈佛大学学院)
针对多机器人三维重建中的位姿估计、不确定性量化与视角选择难题,提出融合无线AoA测距定位、不确定性感知训练与主动视角选择的MULAN-WC框架,经多数据集与硬件实验验证可实现接近真实位姿的高质量重建。
2024-09-15 cs.RO
Occupancy-SLAM: Simultaneously Optimizing Robot Poses and Continuous Occupancy Map
针对传统占据建图需先获取位姿再建图的问题,提出Occupancy-SLAM方法,通过高斯-牛顿法变体联合优化机器人位姿与连续占据地图,在有较准初值时精度优于现有前沿技术。
2024-05-17 cs.RO