Planning coordinated motions for tethered planar mobile robots
Singapore Centre for 3D Printing（新加坡3D打印中心）；Nanyang Technological University（南洋理工大学）
研究多绳系平面移动机器人的运动规划问题。每个机器人都通过柔性电缆连接到固定基座上。由于机器人共享一个共同的工作空间，机器人，电缆和障碍物之间的相互作用给规划带来了很大的困难。以前的工作已经研究了检测目标电缆配置是否相交（或纠缠）的问题。在这里，我们感兴趣的运动规划问题：如何规划和协调机器人运动，以实现一个给定的不相交的目标电缆配置。我们确定了四种可能的运动模式，这取决于（i）机器人是否沿直线移动或沿电缆移动;（ii）机器人顺序移动或同时移动。我们深入分析了直线和并行，这是最实用的运动模式。特别是，我们提出的算法，（a）检测是否一个给定的目标电缆配置是可实现的直线和并发运动，以及（b）返回一个有效的协调运动计划。对算法进行了详细的分析，并在仿真和硬件实验中进行了验证。
2019-05-20 cs.RO
Nonlinear MPC for Full-Pose Manipulation of a Cable-Suspended Load using Multiple UAVs
Sapienza University of Rome（罗马大学）；LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）；Université de Toulouse（图卢兹大学）；University of Twente（特文特大学）
本文提出基于非线性模型预测控制的集中式方法，使多无人机通过缆绳操控负载全位姿，首次考虑完整非线性模型及推力、碰撞、缆绳张力等约束，仿真验证其快速安全且计算时间小于100 ms，适用于建筑施工和重载运输。
2023-04-12 cs.RO
Nonlinear Model Predictive Control for Cooperative Transportation and Manipulation of Cable Suspended Payloads with Multiple Quadrotors
New York University（纽约大学）
提出一种非线性模型预测控制方法，使多四旋翼无人机群能在6个自由度上协同操纵缆线悬挂的刚体负载，利用系统冗余实现避障等附加任务，并通过轻量级状态参数化满足实时计算需求。
2024-01-09 cs.RO
Antagonistic Bowden-Cable Actuation of a Lightweight Robotic Hand: Toward Dexterous Manipulation for Payload Constrained Humanoids
School of Electrical Engineering, Korea Advanced Institute of Science and Technology（电气工程学院，韩国科学技术院）
本文提出了一种轻量级人形手，通过对抗性Bowden电缆驱动和滚动接触关节优化，实现单电机控制，提高了负载能力和灵巧性。
2025-12-31 cs.RO
HANDLOOM: Learned Tracing of One-Dimensional Objects for Inspection and Manipulation
University of California, Berkeley（加利福尼亚大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）；Toyota Research Institute（丰田研究所）
HANDLOOM提出一种基于学习的算法，利用神经网络自回归追踪灰度图像中具有大量交叉点的可变形线性物体，在单/多电缆追踪、绳结识别、双臂机器人系结与解缠任务中均取得较高准确率，并展现出对未知绳结类型和材料的泛化能力。
2023-10-29 cs.RO
Non-Prehensile Manipulation of Cuboid Objects Using a Catenary Robot
Lehigh University（利哈伊大学）
在文献中已经广泛地研究了使用具有线缆的四旋翼来运输物体。然而，这些方法中的大多数假设线缆先前通过人为干预附接到负载。在需要移动多个物体的任务中，机器人系统的效率受到人工劳动需求的限制。我们的方法使用了一个不可拉伸的电缆连接到两个四旋翼，我们称之为悬链线机器人，完全自动化的运输任务。使用电缆，我们可以滚动和拖动长方体物体（盒子）在平面上。根据表面类型，我们选择适当的动作，拖动用于低摩擦，滚动用于高摩擦。因此，运输过程不需要任何人为干预，因为我们使用电缆与箱子相互作用，而不需要紧固。我们验证我们的控制设计在模拟和实际的机器人，我们向他们展示滚动和拖动框跟踪所需的轨迹。
2021-08-03 cs.RO
The Grasp Loop Signature: A Topological Representation for Manipulation Planning with Ropes and Cables
University of Michigan（密歇根大学）
针对绳索、线缆等可变形一维物体操作中的机器人—物体闭合环拓扑约束，论文提出抓取环签名以分类并引导规划，在仿真和真实双臂机器人实验中提升了速度与成功率。
2024-03-03 cs.RO
MuxHand: A Cable-driven Dexterous Robotic Hand Using Time-division Multiplexing Motors
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；School of Advanced Manufacturing, Sun Yat-sen University（中山大学先进制造学院）
提出MuxHand，利用时分复用电机机制以4电机控制9绳，降低成本并保持灵巧性，磁性关节增强稳定性，实验验证抓取与操作性能，指尖负载达1.0千克。
2024-09-19 cs.RO
Trajectory Optimization for Self-Wrap-Aware Cable-Towed Planar Object Manipulation under Implicit Tension Constraints
Munich Institute of Robotics and Machine Intelligence, Technical University of Munich, Germany（慕尼黑机器人与机器智能研究所，慕尼黑技术大学，德国）；Department of Mechanical Engineering, Stony Brook University（石溪大学机械工程系）
本文提出了一种考虑隐式张力约束的自缠绕缆绳拖拽平面物体操控轨迹优化方法，通过构建放松层次解决路由与张力耦合问题，实现更高效的力矩传输。
2026-03-10 cs.RO
Offline-Online Learning of Deformation Model for Cable Manipulation with Graph Neural Networks
University of California, Berkeley（加州大学伯克利分校）；Shanghai Jiao Tong University（上海交通大学）；FANUC Advance Research Laboratory（发那科高级研究实验室）
通过机器人操纵可变形线性物体具有广泛的应用，例如，制造和医疗手术。为了完成这样的任务，一个准确的动力学模型预测的变形是鲁棒控制的关键。在这项工作中，我们通过提出一种混合的离线-在线方法来应对这一挑战，以稳健且数据高效的方式学习电缆的动态特性。在离线阶段，我们采用图神经网络（GNN）学习变形动力学纯粹从模拟数据。然后实时学习线性残差模型，以弥合模拟与真实之间的差距。然后利用学习的模型作为基于信赖域的模型预测控制器（MPC）的动力学约束来计算最优机器人运动。在线学习和MPC以闭环方式运行以稳健地完成任务。最后，与现有的方法的比较结果定量地显示了有效性和鲁棒性。
2022-03-28 cs.RO
Manipulation of Elasto-Flexible Cables with Single or Multiple UAVs
Robotics and Mechatronics Department, Electrical Engineering, Mathematics, and Computer Science (EEMCS) Faculty, University of Twente（代尔夫特理工大学机器人与机电学系）；Department of Computer, Control and Management Engineering, Sapienza University of Rome（罗马萨皮恩扎大学计算机、控制与管理工程系）
本研究针对多架四旋翼无人机操控弹性柔性线缆的系统，提出离散化线缆建模方法，找到系统平坦输出，通过仿真与双机器人实验验证了模型及基于该模型的闭环控制器的有效性。
2025-10-13 cs.RO cs.SY eess.SY
CaRoBio: 3D Cable Routing with a Bio-inspired Gripper Fingernail
Department of Electronic and Computer Engineering（电子与计算机工程系）；Hong Kong University of Science and Technology（香港科技大学）
本文提出一种受老鹰启发的夹持器指甲及单次抓取端到端3D线缆布线框架，通过视觉状态估计与离线轨迹规划实现连续控制，在多种线缆与通道槽实验中显著优于传统抓放策略。
2025-08-13 cs.AI cs.RO
Industrial Dexterity Benchmark: A Hardware-Software Benchmarking Platform for Industrial Dexterous Manipulation
Analog Devices, Inc.（亚德诺半导体技术有限公司）
针对工业灵巧操作瓶颈，提出从经典流程到端到端多模态模仿学习框架的转变，介绍了IDB板、DAG-ROS框架和AG-iDP3策略框架，通过数据中心电缆操作实验表明新策略在多方面优于传统方法，推动向可扩展机器人自动化发展。
2026-09-22 cs.RO
Modeling, Vibration Control, and Trajectory Tracking of a Kinematically Constrained Planar Hybrid Cable-Driven Parallel Robot
University of Waterloo（滑铁卢大学）
本文提出了一种运动学约束平面混合缆驱动并联机器人（HCDPR）的仓储应用以及其他潜在的应用，如康复。建议HCDPR可以利用串行和电缆驱动的并联机器人的优势和好处。基于此机器人平台，在本文中的目标是开发一个集成的控制系统，以减少振动，提高轨迹精度和性能的HCDPR，包括推导运动学和动力学方程，提出解决方案的冗余分辨率和刚度优化，并开发两个运动和振动控制策略（控制器I和II）。最后，通过不同的案例研究来评估控制器的性能，结果表明，控制器II可以更好地实现目标。
2020-12-27 cs.RO cs.SY eess.SY
Model-Based Manipulation of Linear Flexible Objects with Visual Curvature Feedback
Northeastern University（东北大学）
可变形物体的操纵是使机器人在制造、服务、医疗保健和安全中无处不在的所需技能。可变形物体在我们的日常生活中很常见，例如，电线、衣服、床单等，并且比刚性物体更难建模。在这项研究中，我们调查基于视觉的操纵线性柔性对象，如电缆。我们提出了一种几何建模方法，这是基于视觉反馈开发的线性柔性物体，是受重力的一般表示。该模型通过组合两个投影平面上的曲率来表征物体的形状。在这种方法中，我们实现了跟踪的位置和方向（姿态）的电缆状的对象，其尖端的姿态，并在对象上，这使得闭环操作的对象上的选定的把握点的姿态。我们通过完成2015年DARPA机器人挑战赛决赛中使用的插头任务来证明我们方法的可行性，该任务涉及从一个插座拔下电源线并将其插入另一个插座。实验表明，我们可以在30秒内成功自主完成任务。
2020-07-16 cs.RO
RotorTM: A Flexible Simulator for Aerial Transportation and Manipulation
New York University（纽约大学）
本文提出首个整合不同负载与被动连接机制及完整动力学的空中运输与操作仿真器RotorTM，包含缆索悬挂负载混合动力学新模型，实验验证了其高保真度与实用价值。
2024-01-09 cs.RO
Cooperative Modular Manipulation with Numerous Cable-Driven Robots for Assistive Construction and Gap Crossing
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；US Army Corps of Engineers Construction Engineering Research Laboratory（美国陆军工兵团建筑工程研究实验室）；Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）；Department of Mechanical Science and Engineering at the University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程学院）
针对军事跨越间隙中临时桥梁搭建危险且低效的问题，提出基于绳索驱动并联机器人的分布式协同模块化机器人系统Co3MaNDR，通过控制多模块绳索张力实现负载精确轨迹跟踪与力放大，实验验证其可高效操控重载并具备良好扩展性。
2024-03-19 cs.RO
Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable Tracing
Analog Devices, Inc.（亚德诺半导体公司）
Touch2Trace提出触觉驱动的模仿学习系统，用于灵巧线缆追踪，通过自监督预训练编码器和Transformer策略，显著提升追踪性能，实现零样本迁移。
2026-09-15 cs.RO
Cable Manipulation with a Tactile-Reactive Gripper
Massachusetts Institute of Technology（麻省理工学院）
电缆是复杂的、高维的、动态的对象。操纵它们的标准方法通常依赖于保守的策略，这些策略涉及一长串非常缓慢和增量的变形，或各种机械固定装置，如夹具，销或环。我们感兴趣的是操纵自由移动的电缆，在实时的，与一对机器人夹具，没有额外的机械约束。本文的主要贡献是一个感知和控制框架，在这个方向上移动，并使用实时触觉反馈来完成下面的悬垂电缆的任务。该方法依赖于基于视觉的触觉传感器GelSight，该传感器估计抓地力中电缆的姿势以及电缆滑动期间的摩擦力。我们通过结合两种基于触觉的控制器来实现该行为：1）电缆抓握控制器，其中PD控制器结合泄漏积分器来调节抓握力，以保持摩擦滑动力接近合适的值; 2）电缆位姿控制器，其中，基于线缆滑动动力学的学习线性模型的LQR控制器保持线缆在指尖上居中和对齐，以防止线缆从握把上掉下来这种行为是可能的反应夹具配备了基于GelSight的高分辨率触觉传感器。该机器人可以在2-3只手的重新抓握内以随机配置跟随一米的电缆，以适应不同材料和厚度的电缆。我们演示了一个机器人抓住耳机线，滑动手指到插孔连接器，并插入它。据我们所知，这是第一次实现实时电缆跟踪，而无需机械夹具的帮助。
2020-06-23 cs.RO cs.SY eess.IV
Collaborative Navigation and Manipulation of a Cable-towed Load by Multiple Quadrupedal Robots
University of California, Berkeley（加州大学伯克利分校）；Meta AI Research（Meta人工智能研究院）
本文研究了机器人协同牵引负载与电缆到一个指定的目标位置，同时避免碰撞，在实时的的问题。电缆的引入（与刚性链接相反）使机器人团队能够通过电缆的松弛/拉紧开关改变其固有尺寸来穿过狭窄的空间。然而，这是一个具有挑战性的问题，因为混合模式切换和多个机器人和负载之间的动态耦合。以前解决此类问题的尝试是离线执行的，并且不考虑在线避免障碍。在本文中，我们介绍了一个级联的规划方案与并行集中式轨迹优化，处理混合模式开关。我们还开发了一套分散的规划器每个机器人，这使得我们的方法来解决问题的协同负载操纵在线。我们开发并展示了第一个协作自治框架，能够移动电缆牵引负载，这是太重了，不能由单个机器人移动，通过狭窄的空间与实时反馈和反应性规划的实验。
2022-06-29 cs.AI cs.RO cs.SY
Decentralized Aerial Transportation and Manipulation of a Cable-Slung Payload With Swarm of Agents
Indian Institute of Technology, Madras（印度理工学院马德拉斯分校）
本文针对无人机集群通过柔性缆绳运输载荷的问题，提出了基于人工势场的分布式控制方法，实现避障运输与姿态操控，并通过数值模拟验证了其在扰动和故障下的有效性。
2023-06-21 cs.MA cs.RO
Passive Stiffness Shaping in Cable-Suspended Aerial Manipulation via Movable Compliant Anchors
University of Twente（特文特大学）；Sapienza University of Rome（罗马第一大学）；Utrecht University（乌得勒支大学）
本文提出一种重力感知准静态理论，将空中飞行器视为可移动柔性锚点，通过锚点重新定位塑造缆索悬挂负载的被动笛卡尔刚度，并建立动态验证框架评估其预测性。
2026-10-01 cs.MA cs.RO cs.SY
Long-Reach Robotic Manipulation for Assembly and Outfitting of Lunar Structures
Stanford University（斯坦福大学）
本文提出一种紧凑且长距离的机器人操作装置，用于月球结构的装配与布线任务，通过减少结构变形和振动提高操作精度。
2026-03-31 cs.RO
Untangling Dense Non-Planar Knots by Learning Manipulation Features and Recovery Policies
University of California, Berkeley（加州大学伯克利分校）；Toyota Research Institute, Inc.（丰田研究院）
解缠结的1D可变形结构，如绳索，电缆和电线的机器人操作是具有挑战性的，由于其无限维的配置空间，复杂的动力学，和自我封闭的趋势。分析控制器经常失败，在密集的配置，由于相邻的电缆段之间的抓持的困难。我们提出了两种算法，增强了强大的电缆解开，LOKI和SPiDERMan，它与HULK一起工作，HULK是一个高层次的规划者。LOKI使用学习的操作特征模型来将粗略的抓取关键点预测细化为精确的优化位置和方向，而SPiDERMan使用学习的模型来感知任务进度并应用恢复操作。我们评估这些算法在物理电缆解开实验与336节和超过1500的行动，真正的电缆使用达芬奇手术机器人。我们发现HULK、LOKI和SPiDERMAN的组合能够解开密集的上手结、8字形结、双上手结、方形结、单结、奶奶结、steveveeling结和三上手结。这些方法的组合在60个物理实验中的68.3%成功地将电缆从密集的初始配置中解开，并且比先前工作的基线成功率高出50%。补充材料、代码和视频可以在https://tinyurl.com/rssuntangling上找到。
2021-06-29 cs.AI cs.LG cs.RO
Feel the Tension: Manipulation of Deformable Linear Objects in Environments with Fixtures using Force Information
Deggendorf Institute of Technology（代根多夫应用技术大学）；Chalmers University of Technology（查尔姆斯理工大学）；Lund University（隆德大学）
本文提出一种基于力感知的简化DLO模型及在线估计方法，通过保持张力实现盲操纵，并定义滑动与夹持原语，在双臂YuMi线束生产中验证了其有效性。
2023-10-10 cs.RO
3D printed cable-driven continuum robots with generally routed cables: modeling and experiments
Indian Institute of Science（印度科学研究所）；FeatherDyn Pvt. Ltd.（FeatherDyn私人有限公司）
连续体机器人在需要机器人变形和改变形状的应用中变得越来越受欢迎，同时也是顺应性的。索驱动连续体机器人是最常用的类型之一。典型的线缆驱动连续体机器人由柔性骨架和线缆组成，柔性骨架具有附接到骨架的间隔盘，线缆从固定基部穿过间隔盘中的孔到达自由端。在大多数此类机器人中，电缆的布线是直线或平滑的螺旋曲线。在本文中，我们分析了3D打印连续体机器人的实验和理论变形，用于6种不同的电缆布线。结果进行了比较离散优化为基础的运动学建模以及静态建模使用Cosserat杆理论。结果表明，实验结果与理论结果相吻合，误差为2%。它也表明，基于优化的方法是快于Cosserat杆理论的基础上。我们还提出了一个三指夹持器原型，其中每个手指都是具有一般电缆布线的3D打印连续体机器人。它表明，原型可用于抓取物体和其操纵。
2020-03-10 cs.RO
Decentralized Aerial Manipulation of a Cable-Suspended Load using Multi-Agent Reinforcement Learning
Delft University of Technology（代尔夫特理工大学）；NYU Tandon School of Engineering（纽约大学坦顿工程学院）
本文提出首个基于多智能体强化学习的分散式方法，使微型飞行器团队无需全局状态和通信即可实现缆索悬挂负载的6自由度操作，新动作空间设计保障了从仿真到现实的可靠迁移，实验证明其跟踪性能与集中式方法相当且具备高鲁棒性。
2025-11-05 cs.AI cs.MA cs.RO
Intermittent Visual Servoing: Efficiently Learning Policies Robust to Instrument Changes for High-precision Surgical Manipulation
University of California, Berkeley（加州大学伯克利分校）；UC San Francisco East Bay（加州大学旧金山分校东湾）；SRI International（斯坦福国际研究院）
由于反冲、滞后和线缆张力，使用线缆驱动机器人的手术任务的自动化具有挑战性，并且这些问题由于手术器械在手术期间必须经常更换而加剧。在这项工作中，我们提出了一个高精度手术任务自动化的框架，通过学习样本高效，准确，闭环的政策，直接操作的视觉反馈，而不是机器人编码器的估计。这个框架，我们称之为间歇性视觉伺服（IVS），间歇性地切换到一个学习的视觉伺服策略的重复性手术任务的高精度段，而依赖于一个粗略的开环策略的部分，精度是不必要的。为了补偿电缆相关的影响，我们应用模仿学习来快速训练一种策略，该策略将工作空间和仪器的图像从自上而下的RGB相机映射到小的校正运动。我们仅使用180个人工演示来训练策略，每个演示大约2秒。达芬奇研究套件的结果表明，在每个高精度段期间，将粗略策略与学习策略的半秒校正相结合，对于具有不同电缆相关影响的3种器械，将腹腔镜手术钉转移任务的成功率从72.9%提高到99.2%，从31.3%提高到99.2%，从47.2%提高到100.0%。在我们研究的背景下，IVS达到了自动手术钉转移的最高成功率，并且在更换器械时比以前的技术更可靠。补充材料可在https://tinyurl.com/ivs-icra上查阅。
2020-11-12 cs.RO
From Ellipsoids to Midair Control of Dynamic Hitches
Autonomous and Intelligent Robotics Laboratory (AIRLab)（自主与智能机器人实验室）
本文提出基于椭球的运动学模型，用于连接由两根绳索形成的绳结几何特性与四架空中机器人驱动的绳结动力学，揭示系统控制仿射形式，并设计QP控制器实现精确跟踪和安全约束。
2026-03-13 cs.RO
Learning to Rearrange Deformable Cables, Fabrics, and Bags with Goal-Conditioned Transporter Networks
University of California, Berkeley（加州大学伯克利分校）；Google Research（谷歌研究院）
本研究提出将目标条件嵌入Transporter网络，用于可变形物体（电缆、织物、袋子）的重新排列操作，通过模拟和物理实验验证了其有效性，无需测试时视觉锚点。
2023-06-18 cs.LG cs.RO
Non-prehensile Planar Manipulation via Trajectory Optimization with Complementarity Constraints
The University of Edinburgh（爱丁堡大学）；The Alan Turing Institute（艾伦·图灵研究所）
接触自适应是操纵对象时的基本能力。非接触性手法的两种主要接触方式是粘着和滑动。本文提出了一种轨迹优化（TO）方法，该方法可以在这两种模式之间进行切换。我们表明，该配方可以适用于规划和模型预测控制（MPC）的平面操作任务。我们在数字上比较：（i）我们的规划器对混合整数替代方案，表明MPCC规划器收敛速度更快，时间范围更好，可以处理有障碍物的环境;（ii）我们的控制器对最先进的混合整数方法，表明MPCC控制器实现了更好的跟踪和更一致的计算时间。此外，我们实验验证我们的规划器和控制器与库卡LWR机器人在一系列平面操作任务。
2022-03-18 cs.RO
Agile and Cooperative Aerial Manipulation of a Cable-Suspended Load
Delft University of Technology（代尔夫特理工大学）；Sorbonne Université（索邦大学）；University of Twente（埃因霍温理工大学）；Sapienza University of Rome（罗马萨皮恩扎大学）；Univ Rennes, CNRS, Inria, IRISA, France（里昂大学，CNRS，Inria，IRISA，法国）
针对多四旋翼缆索吊运系统因动态耦合导致作业加速度低、难以用于时间关键任务的问题，提出基于轨迹的在线全身运动动力学规划框架，结合滚动时域与机载张力补偿控制，实现至少8倍于现有方法的加速度，鲁棒性与实用性强。
2025-10-30 cs.RO cs.SY eess.SY
Reactive Planar Manipulation with Convex Hybrid MPC
Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种反应控制器的平面操作任务，利用机器学习，以实现实时性能。该方法是基于模型预测控制（MPC）制定，其中的目标是找到一个最佳的机器人运动序列，以实现所需的对象运动。由于与摩擦相互作用相关的多种接触模式，因此在确定模式的最佳序列时，所产生的优化程序会遇到组合复杂性的问题。为了克服这一困难，我们制定了搜索的最佳模式序列离线，单独的搜索最优控制输入在线。使用来自机器学习的工具，这导致可以实时求解的凸混合MPC程序。我们验证了我们的算法在平面操作实验装置，结果表明，凸混合MPC制定与学习模式实现良好的闭环性能的轨迹跟踪问题。
2018-09-04 cs.RO
PLanAR: Planning-Language-Grounded Agentic Reasoning for Robot Manipulation
Purdue University（普渡大学）；Istituto Italiano di Tecnologia（意大利理工研究院）
提出PLanAR框架，通过规划语言接口定义VLM推理空间，实现开放词汇的长时域机器人操作，并支持逐步验证与重规划。
2026-05-31 cs.RO
Hybrid Differential Dynamic Programming for Planar Manipulation Primitives
Massachusetts Institute of Technology（麻省理工学院）
提出了一种混合差分动态规划（DDP）算法，用于摩擦接触开关操作原语的闭环执行。这些原语的规划和控制是具有挑战性的，因为它们是混合的、欠驱动的和随机的。我们通过开发混合DDP来解决这个问题，既可以用几个接触开关来规划有限时域轨迹，又可以创建线性稳定控制器。我们评估的性能和计算成本，我们的框架在消融研究两个原语：平面推和平面枢。我们发现，从大多数配置生成姿态到姿态闭环轨迹只需要一对夫妇（一到两个）的混合开关，可以在合理的时间（一到五秒）。我们进一步证明，我们的控制器稳定这些混合动力轨迹上一个真正的推动系统。描述我们工作的视频可以在https://youtu.be/YGSe4cUfq6Q上找到。
2020-04-20 cs.RO
Multi-Stage Cable Routing through Hierarchical Imitation Learning
Intrinsic Innovation LLC（Intrinsic Innovation 有限责任公司）
本文提出基于分层模仿学习的多阶段线缆布线方法，通过低层运动控制与高层顺序规划相结合，使机器人能够从失败中恢复并泛化到复杂线夹布局。
2024-01-13 cs.AI cs.RO
Contact Optimization with Learning from Demonstration: Application in Long-term Non-prehensile Planar Manipulation
Idiap Research Institute（伊迪亚普研究院）；EPFL（洛桑联邦理工学院）
针对长期非抓握式平面操作中接触优化的非凸与混合难题，提出一种将人类示范纳入轨迹优化的新方法，有效缓解局部极小值问题，仅需少量示范即可实现稳健泛化，并在仿真及真实Franka Emika机器人推滑系统上验证了其有效性。
2023-05-19 cs.RO
PokeRRT: Poking as a Skill and Failure Recovery Tactic for Planar Non-Prehensile Manipulation
University of Colorado Boulder（科罗拉多大学博尔德分校）
提出 PokeRRT 运动规划算法，将戳刺作为一种非抓持操作技能及失败恢复策略，与抓取放置协同提升操作弹性，实验证明其在杂乱环境中规划轨迹高效，且在成功率和任务时间上优于推挤与抓取。
2024-06-04 cs.RO
Aero Hand Open: A Simulation-Ready Tendon-Driven Hand for Dexterous Manipulation Learning
Chestnut Robotics（栗智机器人）；California Institute of Technology（加州理工学院）
本文提出Aero Hand Open这款仿真就绪的肌腱驱动拟人化手，配套仿真模型、驱动映射与强化学习包，可实现策略在仿真中训练后直接部署到实体手，无需微调与状态估计，并发布了相关全套资源。
2026-09-25 cs.AI cs.LG cs.RO
Configuration Lattices for Planar Contact Manipulation Under Uncertainty
Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）
这项工作解决了机器人使用接触传感器的实时反馈来可靠地操纵杂乱桌面上的可移动物体的挑战。我们制定的接触操作作为一个部分可观察的马尔可夫决策过程（POMDP）在关节空间的机器人配置和对象的姿态。POMDP公式使机器人能够主动收集信息，减少对象姿态的不确定性。此外，它还结合了机器人操作的所有主要约束：运动学可达性，自碰撞和与障碍物的碰撞。为了解决POMDP，我们应用DESPOT，一个国家的最先进的在线POMDP算法。我们的方法利用了两个关键的想法，计算效率。首先，它通过交错构造网格和在线POMDP规划来执行配置空间网格的惰性构造。其次，通过离线求解松弛POMDP，并利用解指导在线搜索算法，将在线和离线POMDP规划相结合。我们评估了所提出的方法在一个七度的自由度的机器人手臂在仿真环境中。它显着优于现有的几种算法，包括一些常用的接触操作不确定性下的算法。
2016-04-30 cs.RO
Locally Optimal Estimation and Control of Cable Driven Parallel Robots using Time Varying Linear Quadratic Gaussian Control
Institute for Robotics and Intelligent Machines（机器人与智能机器研究所）；College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院）
提出了一种基于时变线性二次高斯（TV-LQG）控制器的索驱动并联机器人（CDPR）局部最优跟踪控制器。与许多使用固定反馈增益的方法相比，我们的时变控制器根据工作空间中的位置和未来轨迹计算最佳增益。同时，我们在很大程度上依赖于离线计算，以减少在线实现和可行性检查的负担。随着概率图模型在最优控制中的日益普及，我们使用因子图作为工具来制定我们的控制器，以提高其效率，直观性和模块化。因子图的拓扑结构编码方程的相关结构属性，以便于使用稀疏线性代数求解器进行洞察和有效计算。我们首先使用因子图优化来计算标称轨迹，然后将图线性化并应用变量消除来计算局部最优的时变线性反馈增益。接下来，我们利用因子图公式来计算局部最优的时变卡尔曼滤波器增益，最后将局部最优的线性控制和估计律结合起来形成TV-LQG控制器。我们比较了我们的TV-LQG控制器的跟踪精度，以一个国家的最先进的双空间前馈控制器的2.9米× 2.3米，4电缆平面机器人，并证明了改进的跟踪精度为0.8°和11.6毫米的均方根误差分别在旋转和平移。
2022-08-01 cs.RO
Event-Triggered Nonlinear Model Predictive Control for Cooperative Cable-Suspended Payload Transportation with Multi-Quadrotors
Toronto Metropolitan University（多伦多都会大学）；University of Alberta（阿尔伯塔大学）
针对多四旋翼吊挂载荷协同运输中的非线性耦合等挑战，提出一种事件触发分布式NMPC方法，通过轻量级状态参数化在SE(3)流形上规划轨迹，在保证轨迹跟踪与避障的同时显著降低计算与通信开销。
2025-03-26 cs.RO cs.SY eess.SY
Realtime State Estimation with Tactile and Visual sensing. Application to Planar Manipulation
Massachusetts Institute of Technology（麻省理工学院）
准确且鲁棒的对象状态估计使得能够成功地进行对象操纵。视觉传感被广泛用于估计物体的姿态。然而，在一个混乱的场景或在一个紧张的工作空间，机器人的末端执行器往往从视觉传感器遮挡对象。然后机器人失去视觉反馈，必须回到开环执行。在本文中，我们集成了触觉和视觉输入使用的框架，解决SLAM问题，增量平滑和映射（iSAM），提供一个快速和灵活的解决方案。视觉感测提供全局姿态信息，但通常是有噪声的，而接触感测是局部的，但其测量相对于末端执行器更准确。通过将它们结合起来，我们的目标是利用它们的优势并克服它们的局限性。我们探讨的背景下，一个推杆滑块系统的技术。我们适应iSAM的测量成本和运动成本推的情况下，并使用仪器设置来评估不同的物体形状，不同的表面材料，并在不同的接触模式下的估计质量。
2018-05-15 cs.RO
A three-dimensional force estimation method for the cable-driven soft robot based on monocular images
School of Information and Control Engineering, China University of Mining and Technology（中国矿业大学信息与控制工程学院）
针对软体机器人实时接触反馈不足的问题，提出融合单目图像与多维度驱动信息的端到端三维力估计网络，通过统一特征表示模块实现多模态信息融合，实验验证其力估计精度优于现有相关工作。
2024-09-12 cs.RO
Adaptive Preload Control of Cable-Driven Parallel Robots for Handling Task
University of Stuttgart（斯图加特大学）；ISW
本文针对绳驱并联机器人搬运任务，提出基于驱动冗余性与扩展零空间公式的自适应预紧力控制方法，并通过仿真与实验验证了其在运动与操作过程中动态调节平台刚度的有效性。
2024-03-28 cs.RO cs.SY eess.SY
Demonstration-guided Optimal Control for Long-term Non-prehensile Planar Manipulation
Idiap Research Institute（Idiap研究院）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
针对长期非抓取平面操作中接触构型推理困难的问题，提出演示引导的分层优化框架，扩展推杆-滑块动力学模型并利用人类演示热启动TAMP求解，有效克服局部极小值并在真实机器人上验证。
2023-04-11 cs.RO
A Differentiable Recipe for Learning Visual Non-Prehensile Planar Manipulation
Massachusetts Institute of Technology（麻省理工学院）；Facebook AI Research（Facebook人工智能研究院）
视频任务是获取新的和一般的机器人技能的强大技术。然而，对力学和灵巧交互的推理可能会使扩展学习接触丰富的操作变得具有挑战性。在这项工作中，我们专注于问题的视觉non-permissive平面操作：给定一个视频的对象在平面运动中，找到接触感知机器人的动作，再现相同的对象运动。我们提出了一种新的架构，微分学习操纵（\ours），结合视频解码神经模型与接触力学的先验，利用微分优化和有限差分模拟。通过大量的模拟实验，我们研究了传统的基于模型的技术和现代深度学习方法之间的相互作用。我们发现，我们的模块化和完全可微的架构在看不见的对象和运动上比只学习的方法表现得更好。\url{https://github.com/baceituno/dlm}。
2021-11-09 cs.AI cs.RO
A Novel Design and Evaluation of a Dactylus-Equipped Quadruped Robot for Mobile Manipulation
University of Edinburgh（爱丁堡大学）
四足机器人通常配备额外的手臂进行操作，对价格和重量产生负面影响。另一方面，腿运动的要求意味着这种机器人的腿通常具有执行操纵所需的扭矩和精度。在本文中，我们提出了一种新的设计，小型四足机器人配备了两个腿安装机械手的灵感来自甲壳类动物的螯足和关节步行者前肢。通过利用腿中已经存在的致动器，我们可以实现每个肢体仅使用3个额外电机的操纵。该设计使得能够使用相对于腿电机小且便宜的致动器，进一步降低成本和重量。由于采用了集成的电缆/滑轮系统，对腿部的惯性矩影响很小。正如我们在一套远程操作实验中所展示的那样，该机器人能够执行单肢和双肢操作，以及在操作模式之间转换。所提出的设计与额外的手臂类似，同时每个机械手的重量和成本降低5倍，并且能够完成需要2个机械手的任务。
2022-09-16 cs.RO
Constraining Gaussian Process Implicit Surfaces for Robot Manipulation via Dataset Refinement
University of Michigan（密歇根大学）
本文提出COGIS方法，通过视觉与状态跟踪推断接触数据并拟合带约束的GPIS来在线识别未观测障碍物，进而结合MPC完成销孔插入和可变形物体操作任务，在真实线缆操作中成功率显著优于基线。
2024-09-30 cs.RO
Adaptive Control for Robotic Manipulation of Deformable Linear Objects with Offline and Online Learning of Unknown Models
Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）
可变形线性物体（DLO）在工业和家庭应用中都很常见，如电线、电缆、绳索等。由于其高度可变形的性质，机器人很难再现人类的灵巧技能DLO。在本文中，未知的变形模型估计离线和在线的方式。离线学习旨在在操纵任务之前提供良好的近似，而在线学习旨在补偿由于离线阶段中的训练不足（例如，有限的数据集）而引起的误差。离线模块通过构造一系列有监督的神经网络（NN）来工作，然后在线模块直接接收学习结果，并使用自适应NN技术进一步更新它们。一个新的自适应控制器也提出了允许机器人同时执行操作任务的在线阶段。利用李雅普诺夫方法严格证明了闭环系统的稳定性和任务误差的收敛性。仿真研究来说明所提出的方法的性能。
2021-07-01 cs.RO
Steering Flexible Linear Objects in Planar Environments by Two Robot Hands Using Euler's Elastica Solutions
Dept. of ME, Technion, Israel（技术学院机械工程系，以色列）；Dept. of ME, Ben-Gurion University, Israel（本· Gurion大学机械工程系，以色列）
本文利用欧拉弹性线解，通过控制两机器人手的抓取端点位置和切线，实现平面环境中柔性线性物体的无自交、稳定和避障操控。
2026-06-18 cs.RO
Morphology-Aware Human Motion Retargeting for Wheeled-Humanoid Loco-Manipulation
Harbin Institute of Technology（哈尔滨工业大学）
提出一种形态感知的流水线，将SMPLX人体运动重定向为轮式人形机器人R1 Pro的可执行移动操作行为，结合逆运动学与强化学习策略，实现从数据到物理跟踪的完整桥梁。
2026-09-11 cs.RO
Switching Pushing Skill Combined MPC and Deep Reinforcement Learning for Planar Non-prehensile Manipulation
Shenzhen University（深圳大学）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳））
为了提高平面非弹性操作的效率，本文从人的推动动作中得到启发，提出了一种新的切换推动技巧算法，该算法包括两个子问题：推进点的离散决策和推进动作的连续反馈控制。为了解决上述子问题，采用模型预测控制（MPC）和深度强化学习（DRL）方法的组合。首先，将推点的选择建模为马尔可夫决策过程，并通过对奖励函数进行重构，采用非策略DRL方法对基于当前状态的推点选择决策模型进行训练。其次，运动约束区域（MCR）的基础上，从目标的距离为特定的推动点构造，然后利用MPC控制器，以调节MCR内的目标的运动朝向目标位姿。当物体在推动动作下到达MCR的边界时，发生用于切换推动点的触发条件。随后，迭代地更新推动点和控制器，直到达到目标姿态。我们在模拟和物理环境中对四种不同的物体形状进行了推实验，以评估我们的方法。结果表明，我们的方法实现了显着更高的训练效率，训练时间仅为基线方法的20%左右，同时保持相同的成功率。此外，我们的方法优于基线方法在推操作的训练和执行效率方面，允许快速学习机器人推技能。
2023-03-30 cs.RO
Nonlinear Predictive Control of the Continuum and Hybrid Dynamics of a Suspended Deformable Cable for Aerial Pick and Place
Department of Computer, Control and Management Engineering, Sapienza University of Rome（计算机、控制与管理工程系，罗马萨皮恩扎大学）；Robotics and Mechatronics Department, Electrical Engineering, Mathematics, and Computer Science (EEMCS) Faculty, University of Twente（机器人与机电系，电气工程、数学与计算机科学（EEMCS） faculty，特文特大学）
本文提出了一种结合高保真模型和降阶模型的非线性预测控制框架，用于实现无人机携带悬吊柔性电缆的实时动态控制。
2026-02-19 cs.RO cs.SY eess.SY
