Behavior-Tree-Based Person Search for Symbiotic Autonomous Mobile Robot Tasks
Leibniz University Hannover（汉诺威莱布尼茨大学）
我们考虑的问题的人搜索的移动社交机器人的情况下，不能单独解决的机器人。例如，物理打开关闭的门或操作电梯。基于行为树框架，我们创建了一个模块化的，易于扩展的动作序列，目标是找到一个人来帮助机器人。通过将行为树分解为离散时间马尔可夫链，我们获得了行动选项的成功概率和成功率的估计，特别是在机器人应该等待或搜索people.In现实世界的实验中，所提出的方法与其他常见的方法进行了比较，在一个星期的过程中，在两个不同的位置在大学建筑物的588个测试运行。我们表明，我们的方法优于其他方法的成功率和持续时间，直到找到一个人，并返回到起始位置。
2021-03-16 cs.RO
Semantic navigation with domain knowledge
École de Technologie Supérieure（高等技术学院）；École Polytechnique de Montréal（蒙特利尔工程学院）
移动机器人系统的几个部署位置是人为的（即城市消防员、建筑物检查、财产安全），并且管理者可以访问关于该位置的特定于领域的知识，这可以提供语义上下文信息，从而允许更好的推理和决策。在本文中，我们提出了一个系统，允许移动机器人操作的位置感知和操作员友好的方式，利用语义信息的部署位置和集成到机器人的定位和导航系统。我们将建筑信息模型（BIM）集成到机器人操作系统（ROS）中，以生成拓扑和度量地图，并将其馈送到分层路径规划器（全局和局部）。地图合并算法将新发现的障碍物整合到度量地图中，而基于UWB的定位系统检测要注册回语义数据库的设备。这些结果在建筑物和建筑工地的模拟和现实部署中得到了验证。
2021-06-18 cs.RO
Hands-on experiments on intelligent behavior for mobile robots
Universidad de Guadalajara, CUCEI（瓜达拉哈拉大学）；Freie Universität Berlin（柏林自由大学）
近年来，人工智能技术已经成为解决各种工程问题的有用工具，这些问题是不可能或不方便用传统方法处理的。人工智能直接影响了计算机科学的许多领域，并成为工程课程的重要组成部分。然而，由于缺乏通用方法，确定一个学期人工智能课程的重要主题是一项不平凡的任务。人工智能概念通常与许多其他学科重叠，涉及广泛的学科，包括更正式的数学问题的应用方法。本文介绍了使用一个简单的机器人平台来帮助学习基本的AI概念。这项研究是通过一些简单的实验，使用自主移动机器人。核心算法是学习自动机。使用LA，每个机器人动作被应用到一个环境中，通过一个健身值进行评估。环境的响应被自动机用来选择它的下一个动作。此过程将一直保持，直到达到目标任务。该提案通过在洛杉矶提供一个统一的背景来解决人工智能研究问题，以汇集人工智能的几个主题，并激励学生通过在实验室练习中动手来学习。所介绍的材料已成功地在瓜达拉哈拉大学机器人组作为人工智能教学助手进行了测试，因为它激励了学生，提高了入学率和保留率，同时培养了更好的计算机工程师。
2014-06-30 cs.RO
Temporal Logic Task Planning and Intermittent Connectivity Control of Mobile Robot Networks
Duke University（杜克大学）
在本文中，我们开发了一个分布式间歇通信和任务规划框架的移动机器人团队。机器人的目标是完成复杂的任务，由本地线性时序逻辑公式捕获，并与所有其他机器人以及可能的用户共享收集的信息。具体来说，我们考虑的情况下，机器人的通信能力是不足以形成可靠的和连接的网络，而机器人移动来完成他们的任务。在这种情况下，间歇性通信协议是必要的，允许机器人暂时从网络断开，以完成他们的任务，没有通信约束。我们假设机器人只有在空间中的共同位置相遇时才能相互通信。我们的分布式控制框架共同确定本地计划，使所有机器人完成其分配的时间任务，通信事件的序列，保证信息交换无限频繁，最佳的通信位置，最大限度地减少所需的距离度量。仿真结果验证了所提出的控制器的有效性。
2018-06-24 cs.MA cs.RO
Markov Localization for Mobile Robots in Dynamic Environments
Carnegie Mellon University（卡内基梅隆大学）；University of Freiburg（弗莱堡大学）
定位，即从传感器数据中估计机器人的位置，是移动机器人中的一个基本问题。本文提出了一个版本的马尔可夫定位，提供准确的位置估计，这是针对动态环境。马尔可夫定位的关键思想是保持机器人在其环境中的所有位置的空间上的概率密度。我们的方法表示这个空间度量，使用细粒度的网格近似密度。它能够从头开始全局定位机器人，并从定位失败中恢复。它对环境（例如占用网格地图）和噪声传感器（例如超声波传感器）的近似模型是鲁棒的。我们的方法还包括一个过滤技术，它允许移动机器人可靠地估计其位置，即使在人口稠密的环境中，人群阻挡机器人的传感器的时间延长。这里所描述的方法已经在移动机器人的几个实际应用中实现和测试，包括部署两个移动机器人作为交互式博物馆导游。
2011-06-01 cs.AI cs.RO
Fault and Byzantine Tolerant Self-stabilizing Mobile Robots Gathering - Feasibility Study -
JAIST（日本北陆先端科学技术大学院大学）
集合是协作移动机器人中的一个基本协调问题。简而言之，给定一组具有任意初始位置并且在全局坐标系上没有初始协议的机器人，收集要求所有机器人按照其算法到达完全相同但不是预定的位置。在机器人不经意的网络中，收集尤其具有挑战性（即，无国籍）和直接通信被对各自位置的观察所取代。有趣的是，如果没有对机器人的初始分布做出特定的假设，那么任何解决不经意机器人聚集问题的算法都具有内在的自稳定性。在本文中，我们显著扩展了在不同假设下的确定性收集可行性的研究。这篇手稿大大扩展了在DISC 2006会议上作为扩展摘要提出的初步结果[7]。当前版本自2012年2月（以前的形式）和2014年以来以当前形式在分布式计算杂志上进行评审。最重要的结果也已在MAC 2010年8月15日至17日在渥太华举办的同步和故障（崩溃和拜占庭）有关。与以前的工作不同，我们考虑了一个更大的调度策略，如有界调度器。此外，我们将我们的研究扩展到无故障和易故障环境中概率自稳定采集的可行性。
2016-02-17 cs.DC cs.RO
Optimal byzantine resilient convergence in oblivious robot networks
Université Pierre et Marie Curie - Paris 6（巴黎第六大学（皮埃尔和玛丽·居里大学））；CNRS（法国国家科学研究中心）
给定一组具有任意初始位置且在全局坐标系上没有一致性的机器人，收敛要求所有机器人渐近地接近完全相同但事先未知的位置。机器人是健忘的--它们不记得过去的计算--并且被允许在一维空间中移动。此外，机器人不能直接通信，而是只能通过视觉传感器获取系统相关信息。我们绘制了机器人网络中的收敛问题和分布式\emph{approximate agreement}问题（需要正确的过程来决定，对于一些常数$ε$，值距离$ε$和初始建议值的范围内）之间的连接。令人惊讶的是，即使规范相似，机器人网络中的收敛实现也需要对同步和拜占庭弹性进行特定的假设。更详细地说，我们证明了移动机器人收敛的充分必要条件，尽管它们的子集是拜占庭式的（即它们可以表现出任意行为）。此外，我们提出了一个确定性的机器人网络的收敛算法，并分析其正确性和复杂性，在各种同步设置。所提出的算法容忍f拜占庭机器人（2f+1）大小的机器人网络在完全同步网络，（3f+1）大小的半同步网络。这些界限是最佳的一类谨慎的算法，保证正确的机器人总是正确的机器人的位置范围内移动。
2009-05-25 cs.DC cs.RO
An opportunistic linear-convex algorithm for localization in mobile robot networks
Tufts University（塔夫茨大学）
本文提出一种分布式算法用于定位在有界区域内任意移动的机器人网络，通过机会主义策略在附近机器人存在时更新位置，基于重心坐标设计线性-凸更新方法，并证明其在噪声下的渐近收敛性。
2017-03-19 cs.RO cs.SY eess.SY
A Taylor Series Approach to Correct Localization Errors in Robotic Field Mapping using Gaussian Processes
Torch Technologies（Torch Technologies（火炬技术公司））
本文提出利用泰勒级数方法纠正机器人场映射中的定位误差，通过高斯过程的可微性实现实时修正，提升预测精度和效率。
2026-01-28 cs.RO cs.SY eess.SY
Planning Robot Placement for Object Grasping
Hochschule Bonn-Rhein-Sieg（波恩-莱茵-锡格应用科学大学）；University of Bremen（不来梅大学）
本文提出先筛选无碰撞且可抓取的机器人放置位置再评估最优候选的方法，利用可达性、RGB-D图像和占用栅格地图，在服务机器人流程中通过实验验证优于固定导航基线。
2024-05-26 cs.CV cs.RO
Robots and Children that Learn Together : Improving Knowledge Retention by Teaching Peer-Like Interactive Robots
Department of Computing, Sheffield Hallam University（谢菲尔德哈姆大学计算机系）；LOHA Health Ltd（LOHA健康有限公司）
本研究引入交互式强化学习作为认知模型，使类同伴机器人可被儿童教授。实验表明，相比独立练习，教机器人能显著提高知识保持，尤其对低先验知识儿童，并首次证明多机器人课堂部署的可行性。
2025-06-23 cs.AI cs.HC cs.RO
Resilient Coverage: Exploring the Local-to-Global Trade-off
University of Southern California（南加州大学）；Virginia Tech（弗吉尼亚理工学院暨州立大学）
我们提出了一个集中式控制框架，从异构池中选择合适的机器人，并将它们放置在适当的位置，以监视感兴趣的事件的区域。在机器人故障的情况下，框架重新定位机器人在用户定义的本地附近的故障机器人，以补偿覆盖损失。当简单地重新定位机器人无法达到用户指定的期望覆盖水平时，中央控制器从机器人池中增加额外的机器人来增强团队。失败机器人周围的局部邻域的大小和区域上的期望覆盖率是可以被操纵以实现用户指定的平衡的两个目标。我们调查的覆盖范围之间的权衡补偿实现通过本地重新定位和规划新的机器人位置所需的计算。我们还研究了本地邻域的大小和添加到团队中的额外机器人的数量之间的关系，对于给定的用户指定的所需覆盖范围。我们使用广泛的模拟和实验与七个四旋翼团队来验证我们的框架的有效性。此外，我们表明，要在具有大量机器人的邻域中达到高水平的覆盖率，扩大邻域大小比添加额外的机器人并重新定位它们更有效。
2020-04-15 cs.AI cs.MA cs.RO
Fuzzy Logic Controller Design for Mobile Robot Outdoor Navigation
Addis Ababa Institute of Technology（亚的斯亚贝巴理工学院）
本文提出一种基于模糊逻辑算法的差速驱动轮式移动机器人控制系统，通过接近和GPS传感器实现自主导航、路径规划与避障，仿真证明其能无碰撞到达目的地。
2024-01-10 cs.RO cs.SY eess.SY
Residual Denoising Enables Sample-Efficient Multi-Agent Coordination on Demand
本文提出ALTER方法，通过残差去噪器将预训练单智能体扩散策略适配为多智能体协调，实现按需协调，同时保持单智能体技能，实验证明其协调成功率和技能保持均优于基线。
2026-09-30 cs.RO
Multi-Agent Deferred-Decision Trajectory Optimization with Anytime-Valid Target Retention for Moving Candidates
Purdue University（普渡大学）；University of Notre Dame（圣母大学）
针对未知身份与终端位置的移动候选目标，提出结合保形预测等技术的DDTO控制器，在100组场景中严格控制预算下捕获79%目标，放宽预算时捕获85%，实现固定时间覆盖与任意时刻目标保留。
2026-10-14 cs.LG cs.RO cs.SY
VRChain: A Blockchain-Enabled Framework for Visual Homing and Navigation Robots
Fordham Univ.（福特汉姆大学）
视觉寻的是一种轻量级的机器人视觉导航方法。基于所存储的家庭位置的视觉信息，可以通过将家庭与当前图像进行比较来从该位置可见的任何其他位置完成回到该位置的导航。然而，视觉寻的的一个关键挑战是，目标起始位置必须在机器人的视场（FOV）内才能开始寻的。因此，这项工作通过将区块链技术集成到视觉导航系统中来解决这一挑战。基于区块链的去中心化特性，该解决方案使视觉寻的机器人能够共享其视觉寻的信息，并同步访问分散式账本中存储的数据（视觉寻的信息）以建立导航路径。导航路径表示存储在账本中的每个机器人的视图序列。如果归属位置不在FOV中，则所提出的解决方案允许机器人找到可以看到归属位置的另一个机器人并朝向该期望位置行进。评估结果表明，所提出的框架在端到端的延迟，吞吐量和可扩展性方面的效率。
2022-06-08 cs.RO
Sensing and Navigation of Aerial Robot for Measuring Tree Location and Size in Forest Environment
The University of Tokyo（东京大学）
本文介绍了一种在森林环境中自主测量树木位置和大小的空中机器人传感和导航系统的实现。虽然林业是日本的重要产业，但林业工作人口正在减少。然后，作为林业机械化的一个应用，提出了利用空中机器人在三维空间中的高度机动性进行树木数据汇集的系统。首先，我们发展了树木的识别和测量方法，以及生成树木数据库的算法。其次，介绍了基于树识别的空中机器人导航系统。最后，我们提出了一个实验结果，其中一个空中机器人在森林中飞行，并收集树木数据。
2023-02-12 cs.RO
A Get-Together for Deaf and Dumb Robots in Three dimensional Space
Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达普大学）
本文提出了一种策略，使一组聋哑机器人，携带来自不同国家的时钟，满足在一个不固定的地理位置，在事先。机器人独立行动。他们可以观察其他人，计算一些位置并向这些位置走去。它们只能获得其他机器人位置的快照，但无法检测它们是静止的还是运动的。机器人是健忘的;一旦他们完成了他们的运动，他们忘记了他们以前的位置和观察。他们又决定了新的目的地。最终，所有的机器人计算出同一个目的地，并在那里会合。没有全球定位系统。当他们站立时，他们同意上下方向。然而，由于他们没有指南针，其他方向没有达成一致。他们也不同意顺时针方向。为了确定策略，我们将机器人想象为三维平面上的点，其中所有机器人始终相互可见。我们提出的策略必须由所有的机器人独立地遵守自己的时钟和指南针。最初，机器人从不同的位置开始。一些死亡的机器人可能会出现在系统中，或者一些可能会在聚会之前或之后的任何时间死亡。然而，活着的机器人并不知道这些死去的机器人的存在。
2016-04-02 cs.RO
Optimizing Start Locations in Ergodic Search for Disaster Response
Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学）；United States Air Force Academy Electrical and Computer Engineering Dept.（美国空军学院电气与计算机工程系）
针对灾害响应中机器人搜救起始位置选择未被研究的问题，提出在遍历优化框架加约束的联合优化方法，适配异构机器人，实验显示覆盖性能较固定起始位置基线有显著提升。
2025-07-30 cs.RO
Clarke Transform and Encoder-Decoder Architecture for Arbitrary Joints Locations in Displacement-Actuated Continuum Robots
University of Toronto（多伦多大学）
本文针对位移驱动连续机器人中心线上任意关节位置问题，重新推导了改进的Clarke变换，并提出编码器-解码器架构实现不同设计间的关节值转换与知识迁移，仿真验证了其在控制与轨迹生成中的通用性。
2025-01-30 cs.RO
Characterizing Replay Retention Under Dynamics Shift in Model-Based Reinforcement Learning
Brown University（布朗大学）
本研究刻画了基于模型的强化学习中动力学变化下回放保留的权衡，提出变化幅度和年龄-陈旧度AUC两个量，并验证了回放策略选择依赖于变化幅度与动力学演化方式。
2026-09-17 cs.LG cs.RO
RoHIL: Robust Human-in-the-Loop Robotic Reinforcement Learning Against Illumination Variations
Chongqing University（重庆大学）；Chengdu Anu Intelligence（成都安努智能）
本文提出RoHIL框架，通过离线微调方法解决机器人在不同工作间因光照变化导致的性能下降问题，保留原始工作间性能并避免重新收集数据和训练。
2026-05-19 cs.RO
Walking Stabilization Using Step Timing and Location Adjustment on the Humanoid Robot, Atlas
Florida Institute for Human and Machine Cognition（佛罗里达人类与机器认知研究所）；Virginia Tech（弗吉尼亚理工大学）
虽然人类能够从导致大的跟踪误差的外部干扰和不确定性中恢复过来，但人形机器人还没有可靠地模仿这种水平的鲁棒性。关键是要有能力结合传统的“脚踝战略”平衡与步骤的时间和位置调整技术。这样，机器人就能够快速地走到必要的位置继续行走。在这项工作中，我们提出了一个新的摆动加速算法来调整步骤的时间，允许机器人设置脚更快地从当前捕获点动态方向的错误中恢复，和一个新的算法来调整所需的脚步，扩大基地的支持，利用中心的压力（CoP）基于脚踝的平衡策略。然后，我们利用所需的质心力矩枢轴（CMP）来计算我们的逆动力学为基础的全身控制器的动量变化率。我们目前的模拟和实验结果使用这项工作，并讨论性能限制和潜在的改进。
2017-12-27 cs.RO
Integrated Task and Motion Planning for Multiple Robots under Path and Communication Uncertainties
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
我们考虑一个问题，称为任务排序与路径不确定性（TOP-U），其中多个机器人提供了一组任务位置访问在一个有界的环境中，但一对任务位置之间的路径的长度最初只知道粗略的机器人。机器人的目标是找到任务的顺序，减少路径长度（或能量消耗），以访问任务位置在这种情况下。为了解决这个问题，我们提出了一个抽象的任务可达性图（TRG），集成了任务排序与机器人的路径规划。TRG是动态更新的基础上使用基于采样的运动规划器计算的任务间路径成本，和，一个隐马尔可夫模型（HMM）为基础的技术，计算在当前路径成本的基础上感知的机器人的传感器和任务完成信息从其他机器人的环境的信念。然后，我们描述了一个马尔可夫决策过程（MDP）为基础的算法，可以选择的路径，减少整体路径长度访问的任务位置和协调算法，解决机器人之间的路径冲突。我们已经分析表明，我们的任务选择算法发现的运动规划返回的最低成本路径，并且，我们提出的协调算法是无死锁的。我们还评估了我们的算法在不同环境中的模拟Corobot机器人，同时改变任务位置，障碍物的几何形状和机器人的数量，以及物理Corobot机器人。我们的研究结果表明，基于TRG的方法可以在规划和运动时间，以及重新计划的数量上表现得更好，而与最近的第一，没有不确定性（CFNU）任务选择算法相比，旅行的距离几乎相似。
2016-07-02 cs.RO
Task-centric Optimization of Configurations for Assistive Robots
Georgia Institute of Technology（佐治亚理工学院）
机器人可以通过将物体移动到人身体周围的位置来向人提供帮助。通过精心选择的初始配置，机器人可以更好地到达对辅助任务重要的位置，尽管存在模型误差、姿势不确定性和其他变化来源。然而，由于复杂的几何形状、大量的自由度、任务复杂性和其他因素，找到有效的配置可能是具有挑战性的。我们提出了以任务为中心的优化机器人配置（TOC），这是一种算法，发现配置，机器人可以更好地达到任务相关的位置和处理任务的变化。值得注意的是，TOC可以返回一个以上的配置，当顺序使用时，使模拟的辅助机器人能够到达更多的任务相关的位置。TOC执行大量的离线计算，以生成一个函数，该函数可以快速在线应用，以根据当前的观察结果选择机器人配置。TOC明确地建模的任务，环境和用户，并隐式地处理错误使用机器人灵巧的表示。我们评估TOC在模拟与PR2协助用户在轮椅和机器人床9辅助任务。TOC的总体平均成功率为90. 6%，而文献中三种基线方法的成功率分别为50. 4%、43. 5%和58. 9%。我们还演示了TOC如何为多个机器人找到配置，并可用于帮助设计或优化环境。
2018-04-19 cs.RO
Task-Aware Positioning for Improvisational Tasks in Mobile Construction Robots via an AI Agent with Multi-LMM Modules
University of Michigan（密歇根大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出一种AI代理，通过多LMM模块实现对自然语言描述的即兴任务的理解与定位，使移动建筑机器人能自主完成非预定义任务。
2026-03-24 cs.RO
Multi-Robot Patrolling with Sensing Idleness and Data Delay Objectives
University of Klagenfurt（克拉根福大学）
多机器人巡逻是许多监控和监视应用的一个基本问题，近年来已经获得了显着的兴趣。在巡逻过程中，移动机器人反复穿越环境，在某些传感位置捕获传感器数据，并以最大化检测变化的方式将这些数据传递到基站。机器人在旅行中移动，当它们与邻近旅行中的机器人相遇时交换数据，最终将数据传输到基站。在本文中，我们共同考虑两个重要的多机器人巡逻的优化标准：（i）空闲，即连续访问的传感位置之间的时间，和（ii）延迟，即捕获数据之间的时间在传感位置和其到达基站。我们系统地研究了机器人的移动方向沿着他们的行程和选择的会议点进行数据交换的效果。我们证明了确定移动方向和交汇点，使数据延迟最小化的问题是NP难的。我们提出了一种方法，并提供了一个仿真研究表明，合作的方法可以优于不合作的方法，每个机器人单独提供捕获的数据到基站。
2019-06-27 cs.RO
Dynamic Path Planning and Replanning for Mobile Robots using RRT*
University of Nevada, Reno（内华达大学里诺分校）
移动机器人必须能够有效地规划从其起始位置或当前位置到期望目标位置的路径。当环境是静态的时，这是一个微不足道的任务。然而，机器人的操作环境很少是静态的，并且它经常具有许多移动障碍物。机器人可能会遇到这些未知和不可预测的移动障碍物中的一个或多个。机器人在遇到障碍物时需要决定如何前进，提出了一种基于RRT* 的动态重规划方法。当未知的随机运动障碍物阻挡路径时，机器人将修改其当前的规划，各种实验结果表明了该方法的有效性。
2017-04-15 cs.RO
Learning a Spatial Field in Minimum Time with a Team of Robots
University of Maryland（马里兰大学）；Virginia Tech（弗吉尼亚理工学院暨州立大学）
我们研究了一个信息路径规划问题，其目标是尽量减少学习空间变化实体所需的时间。我们使用高斯过程（GP）回归来学习基础领域。我们的目标是确保GP后验方差（也是学习字段和实际字段之间的均方误差）低于预定义值。我们研究了这个问题的三个版本。在放置版本中，目标是最小化测量位置的数量，同时确保后验方差低于预定义的阈值。在移动机器人版本中，我们试图最大限度地减少使用单个机器人访问和收集测量位置的测量所需的总时间。我们还研究了一个多机器人版本，其目标是最大限度地减少最后一个机器人返回到一个共同的起始位置称为仓库所需的时间。利用GP回归的性质，我们提出了常因子近似算法。除了理论结果外，我们还使用真实世界数据集将经验性能与其他基线策略进行了比较。
2020-03-07 cs.RO
Path and Motion Optimization for Efficient Multi-Location Inspection with Humanoid Robots
State Key Laboratory of General Artificial Intelligence, Beijing Institute for General Artificial Intelligence (BIGAI), Beijing（国家通用人工智能重点实验室，北京通用人工智能研究院（BIGAI））；Department of Automation, Tsinghua University（自动化系，清华大学）；Department of Automation, University of Science and Technology of China（自动化系，中国科学技术大学）；Department of Computer Science, Harbin Institute of Technology（计算机科学系，哈尔滨工业大学）；Institute for Artificial Intelligence and School of Artificial Intelligence, Peking University（人工智能研究院和人工智能学院，北京大学）
本文提出一种结合分层规划、时间最优站立位置生成和MPC的人形机器人巡检框架，通过解耦高维规划降低计算复杂度并确保毫米级精度，在Kuavo 4Pro平台上验证了多位置任务的高效性与高成功率。
2025-10-13 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
Robot in a China Shop: Using Reinforcement Learning for Location-Specific Navigation Behaviour
机器人需要能够在多种不同的环境中工作。即使在执行类似的任务时，也应该部署不同的行为以最好地适应当前环境。在本文中，我们提出了一种新的方法来导航，它被视为一个多任务学习问题。这使机器人能够学习在不同环境下的视觉导航任务中表现不同，同时还可以学习跨环境的共享专业知识。我们在模拟环境和真实数据中评估了我们的方法。我们的方法使我们的系统收敛，训练时间减少了26%，同时也提高了准确性。
2021-06-02 cs.LG cs.RO
Autonomous Robot Navigation with Rich Information Mapping in Nuclear Storage Environments
Northeastern University（东北大学）
本文介绍了我们的方法来开发一种方法，无人驾驶地面车辆（UGV）执行检查任务，在核环境中使用丰富的信息地图。为了减少视察员受到高辐射水平的影响，为无人运载工具开发了一个自主导航框架，以进行例行视察，如清点集装箱、记录其ID标签和对其中一些集装箱进行伽马测量。为了实现自主性，生成丰富的信息地图，其不仅包括由用于路径规划的障碍物位置组成的2D全局成本地图，而且还包括从检查员的角度来看的感兴趣的对象的位置和方向信息。UGV的自主框架利用这些信息来优先考虑要导航的位置以执行检查。在本文中，我们提出了我们的方法来生成这个丰富的信息地图，最初开发，以满足国际原子能机构（IAEA）机器人挑战赛的要求。我们证明了我们的方法在一个模拟的试验台环境中含有六氟化铀（UF6）存储容器模型的性能。
2019-04-11 cs.RO
Industry-oriented Performance Measures for Design of Robot Calibration Experiment
Ecole des Mines de Nantes（南特矿业学院）；Institut de Recherche en Communications et Cybernétique de Nantes（南特通信与控制论研究所）
本文主要研究提高工业机器人几何标定和弹性标定精度的问题。它提出了面向行业的性能指标的校准实验设计。它们基于机械手测试位姿的概念，并参考应用误差补偿算法后的末端执行器定位精度，该算法实现了所识别的参数。这种方法允许用户针对给定的工件位置和加工力/扭矩定义机器人校准的最佳测量配置。这些性能指标适用于比较要执行的简单和复杂轨迹的校准计划。所开发的技术的优点说明了一个例子，处理与加工使用机器人机械手。
2012-11-25 cs.RO
A Study of Reinforcement Learning Algorithms for Aggregates of Minimalistic Robots
Worcester Polytechnic Institute（伍斯特理工学院）
本文的目的是研究如何将深度强化学习应用于极简机器人的控制。我们将聚合体定义为具有物理连接的机器人组，这些连接迫使它们形成特定的形状。在我们的例子中，机器人被预先附着在一个物体上，这个物体必须被集体运输到一个已知的位置。在我们的环境中，极简主义源于我们假设的基本能力：机器人可以感知目标位置和直接障碍物，但缺乏明确沟通的手段，例如，信息传递在我们的环境中，沟通是隐含的，即，通过每个机器人施加在物体上的聚合推拉来调节。我们分析了四种著名的深度强化学习算法（DQN，DDQN，DDPG和TD3）达到协调行为的能力。我们的实验包括机器人故障和不同类型的环境障碍。我们比较了发现的最佳控制策略的性能，突出了每个所考虑的训练算法的优点和缺点。
2022-03-28 cs.RO
Modal-based Kinematics and Contact Detection of Soft Robots
University of Arkansas（阿肯色大学）；Columbia University（哥伦比亚大学）；Vanderbilt University（范德堡大学）
软体机器人提供了一种在受限空间内进行操作的替代方法，同时保持与外部环境的安全交互。由于其适应性的顺应特性，外部接触力可以很容易地变形的机器人形状，并导致不希望的机器人运动学和动力学特性。准确的接触检测和接触位置估计对于软体机器人的建模、控制、轨迹规划等至关重要，并最终影响任务的成功完成。本文重点研究了单自由度柔性气动波纹管弯曲驱动器，它是构建复杂、多自由度软体机器人的基础部件之一。该单自由度软体机器人通过空间曲线的积分表示来建模。直接和瞬时运动学计算明确通过模态方法。采用固定质心偏差（FCD）法检测外部接触，估计接触位置。仿真结果表明，通过求解非线性最小二乘优化问题，可以准确地估计出接触位置。
2019-06-27 cs.RO
Automatic Sign Reading and Localization for Semantic Mapping with an Office Robot
University of Texas at Austin（德克萨斯大学奥斯汀分校）
语义映射是通过将语义附加到位置来为机器人提供其环境的地图的任务，该地图超出了传统同时定位与地图构建（SLAM）算法的开放的、可导航的空间。在这项工作中提出的系统读取门标牌注释办公室的位置。虽然该系统的先前工作开发了手工制作的检测器，但该系统利用YOLOv 5进行标志检测，并利用EAST进行文本识别。通过从由修改的ORB-SLAM定位的RGB-D相机帧中的点云计算标牌的姿态来定位标牌。语义映射是在机器人从视频记录探索后的后处理步骤中完成的。系统性能的报告中确定的标语牌的数量，他们的位置到SLAM地图的准确性，建立的地图的准确性，和正确性转录标语牌文本。
2022-09-23 cs.RO
Sliding Sensors: Configurable Confidence in State Estimation for Continuum Robots
University of Toronto Robotics Institute（多伦多大学机器人研究所）
本研究提出可机械重构的滑动传感器设计，通过调整其在连续体机器人内的位置优化状态估计置信度，可降低全身形状估计误差，为连续体机器人的安全交互提供支撑。
2026-08-07 cs.RO
Distributed Multi-robot Online Sampling with Budget Constraints
University of California, Merced（加州大学默塞德分校）；Plaksha University（普拉卡莎大学）
本文提出一种基于MCTS的在线分布式多机器人采样算法，在预算约束下通过机器人间通信迭代选择采样位置，实验证明在预算紧张时能实现更小的重建误差。
2024-07-26 cs.RO
Computational Complexity of Motion Planning of a Robot through Simple Gadgets
Carnegie Mellon University（卡内基梅隆大学）；Google Inc.（谷歌公司）
我们发起了一个一般的理论分析的复杂性运动规划的一个机器人通过一个图形的“小工具”，每个有自己的状态，一组位置，并允许遍历的位置之间，可以依赖于和改变的状态。这种类型的设置是常见的许多机器人运动规划硬度证明。我们描述了一个自然简单的情况下的复杂性：每个小工具连接到四个位置在一个完美的匹配（但每个方向可以遍历或不在当前状态），有一个或两个状态，每个小工具遍历是立即撤消，小工具的位置连接的总是遍历的森林，可能限制，以避免在平面上的交叉。具体来说，我们表明，任何一个非平凡的四个位置的两个状态的小工具类型是足够的运动规划成为PSPACE完整的，而任何一组简单的小工具（有效地两个位置或一个状态）有一个多项式时间的运动规划算法。作为一个示例应用程序，我们的结果表明，运动规划游戏与“纺纱”是PSPACE完整的，建立一个新的硬方面塞尔达：甲骨文的季节。
2018-06-09 cs.CC cs.RO
Multi-contact Stochastic Predictive Control for Legged Robots with Contact Locations Uncertainty
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Munich Institute of Robotics and Machine Intelligence, Technical University of Munich（慕尼黑工业大学慕尼黑机器人与机器智能研究所）；University of Trento（特伦托大学）
提出面向腿足机器人的SNMPC全身轨迹优化方法，通过动力学加性不确定性和接触位置机会约束提升安全性，四足机器人蒙特卡洛实验实现100%成功率。
2024-06-12 cs.RO cs.SY eess.SY
Object Permanence Through Audio-Visual Representations
Cornell University（康奈尔大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
当机器人执行操纵任务并与物体交互时，它们可能意外地掉落物体（例如，由于对不熟悉的物体的不充分的把握），随后弹出他们的视野。为了使机器人能够从这样的错误中恢复过来，我们借鉴了物体永久性的概念-物体即使在没有被感知的时候也仍然存在（例如，直接看）。特别是，我们开发了一个多模态神经网络模型，使用部分，观察到的反弹轨迹和音频作为其输入下降的影响，以预测完整的反弹轨迹和下降的物体的结束位置。我们的经验表明：1）我们的多模态方法预测了接近的末端位置（即，在机器人的手腕相机的视野内）到实际位置，以及2）机器人能够通过应用最小的基于视觉的拾取调整来取回掉落的物体。此外，我们表明，我们的方法优于五个比较基线检索删除的对象。我们的研究结果有助于使对象永久性的机器人和错误恢复对象下降。
2021-10-04 cs.RO
3D Robot Pose Estimation from 2D Images
Profactor GmbH（Profactor有限公司）；JKU Department of Computational Perception（约翰内斯开普勒大学计算感知系）
本文认为，定位多个机器人在图像中的关节姿势的任务。我们的方法同时推断场景中的机器人数量，识别关节位置并估计关节位置周围的稀疏深度图。该方法将分级卷积特征检测器应用于2D图像输入，并使用递归网络架构计算机器人实例掩码。此外，计算像素坐标中最可能的关节位置的回归图以及深度信息。合成3D机器人关节运动学是通过将掩模应用于关节读出图来完成的。我们的端到端的配方是在对比以前的工作，其中的组成机器人关节到运动学是在一个单独的后处理步骤。尽管我们的模型是在人工数据上训练的，但我们展示了对真实世界图像的泛化能力。
2019-02-13 cs.CV cs.RO
Research on Dead Reckoning Algorithm for Self-Propelled Pipeline Robots in Three-Dimensional Complex Pipelines
本文提出一种基于扩展卡尔曼滤波的自推进管道机器人定位方法，用于解决复杂管道环境中的定位问题。
2025-12-25 cs.AI cs.RO
Multi-robot persistent surveillance with connectivity constraints
Institute of Networked and Embedded Systems, University of Klagenfurt（克拉根福大学网络化与嵌入式系统研究所）
移动机器人，特别是无人机（UAV），在监视和灾难响应场景中越来越受到关注。我们考虑的问题，多机器人持续监视与连接的限制，机器人定期访问传感位置，并保持多跳连接到基站。我们正式定义了几个与具有连接性约束的多机器人持续监视密切相关的问题实例，即，连通性约束多机器人持续监视（CMPS）、连通性约束多机器人可达性（CMR）和连通性约束多机器人可达性（CMRD），并证明了它们在一般图上都是NP-难的.我们介绍了三个具有不同的规划视野的凸网格图，并结合这些树遍历的方法，可应用于分区的非凸网格图（CMPS与树遍历，CMPSTT）。在模拟研究中，我们表明，一个短的地平线贪婪的方法，它需要预先优化的参数，可以胜过一个完整的地平线的方法，这需要通过所有的传感位置之旅，如果机器人的数量大于所需的最小数量的机器人到达所有的传感位置。所需的最小数量是建立从基站到最远感测位置的链所需的机器人数量。此外，我们表明，分区的区域和应用树遍历的方法可以达到类似的性能，未分区的情况下，一定数量的机器人，但需要更少的优化时间。
2019-09-17 cs.DS cs.RO
Collective transport via sequential caging
Polytechnique Montreal（蒙特利尔综合理工学院）；National Institute of Technology, Tiruchirapalli（蒂鲁吉拉伯利国立理工学院）
我们提出了一个分散的算法，协作运输任意形状的物体使用一群机器人。我们的方法开始于一个任务分配阶段，该阶段顺序地分配要从第一次与对象接触的种子机器人开始运输的对象周围的位置。我们的方法不需要先前的知识，以确保锁定的对象的形状。为了将物体推到目标位置，我们根据目标和物体之间的角度差来估计对物体施加力所需的机器人。在运输过程中，机器人遵循一系列中间目标位置，指定该位置处物体的所需姿态。我们评估我们的方法在一个基于物理的模拟器多达100个机器人，使用三个通用路径。使用一组KheperaIV机器人的实验证明了我们的方法在真实环境中的有效性。关键词：协同运输，任务分配，笼，机器人群
2021-06-06 cs.MA cs.RO
Learning Stable Robot Grasping with Transformer-based Tactile Control Policies
Italian Institute of Technology（意大利技术研究院）；University of Genoa（热那亚大学）；National University of Singapore（新加坡国立大学）；Institute for Infocomm Research (IR), A*STAR（新加坡科技研究局信息通信研究所）；King’s College London（伦敦国王学院）
本文提出改进版稳定抓取任务，针对重心未知且移动的物体，利用基于Transformer的端到端强化学习同时优化重新抓取位置和抓取力，并在仿真与真实环境中实现零样本迁移。
2024-07-30 cs.RO
AR Point&Click: An Interface for Setting Robot Navigation Goals
Monash University（莫纳什大学）；University of Victoria（维多利亚大学）；Deakin University（迪肯大学）
本文研究了交互式移动机器人导航目标位置的确定问题。我们提出了一个点和点击界面，实现了一个增强现实（AR）耳机。AR头戴设备上的摄像头用于检测用户执行的自然指向手势。选定的目标通过AR耳机可视化，允许用户根据需要调整目标位置。我们进行了一项用户研究，其中参与者使用三种不同的界面为机器人设置连续的导航目标：AR Point & Click，Person Following和Tablet（birdeye map view）。结果表明，建议的AR点和点击界面提高了感知的准确性，效率和减少心理负荷相比，基线平板电脑界面，它表现出同等的人跟随方法。这些结果表明，AR点\点击是一个可行的交互模型设置导航目标。
2022-10-22 cs.RO
A Reconfigurable Pneumatic Joint Enabling Localized Selective Stiffening and Shape Locking in Vine-Inspired Robots
Department of Electrical and Electronics Engineering, Kadir Has University（电子与电子工程系，卡迪尔·哈斯大学）；Department of Computer Engineering, Kadir Has University（计算机工程系，卡迪尔·哈斯大学）；Department of Mechatronics Engineering, Istanbul Bilgi University（机械电子工程系，伊斯坦布尔比尔吉大学）
本文提出一种可重构气动关节，通过在机器人本体引入可调刚度，实现局部刚度增强和形状锁定，提升机器人在自由空间中的性能。
2026-04-17 cs.RO
Multi-Contact Force Estimation for Continuum Robots via Gaussian-Parameterized Factor Graphs
提出一种基于高斯混合力参数化和因子图的统一形状与力估计框架，融合应变、肌腱张力和位姿测量，实现单/多触点力位置和幅值的准确估计。
2026-09-07 cs.RO
Active localization of multiple targets using noisy relative measurements
University of Minnesota（明尼苏达大学）
考虑一个移动机器人，其任务是通过获得相对测量来定位未知位置的目标。观测可以是方位或距离测量。机器人应该如何移动，以定位目标，并尽可能快地减少其位置的不确定性？大多数现有的方法要么本质上是贪婪的，要么依赖于准确的初始估计。我们制定这个路径规划问题作为一个无监督学习的问题，其中使用贝叶斯直方图过滤器的测量聚合。机器人学习使用当前测量和当前置信状态的聚合表示在最短时间内最小化每个目标的总不确定性。我们分析我们的方法在一系列的实验中，我们表明，我们的方法优于标准的贪婪的方法。此外，它的性能也可以与离线算法相媲美，离线算法可以获得目标的真实位置。
2020-02-23 cs.RO
COOL: Curiosity-Driven Object Ownership Learning for Personalized Robotic Assistance
Kiel University（基尔大学）
提出COOL框架，通过好奇心驱动的数据收集从日常观察中学习物体所有权，维护长时空间记忆，实现个性化机器人辅助的导航与任务执行。
2026-10-08 cs.RO
Leveraging Multi-modal Sensing for Robotic Insertion Tasks in R&D Laboratories
University of Liverpool（利物浦大学）；King’s College London（伦敦国王学院）
针对化学实验室中机器人开环放置玻璃小瓶的局限性，提出结合视觉、力和触觉的多模态感知方法，将插入成功率从48.78%提升至89.55%，促进人机协作闭环。
2023-07-02 cs.RO
Contact Optimization for Non-Prehensile Loco-Manipulation via Hierarchical Model Predictive Control
University of Southern California（南加州大学）
最近的研究集中在四足机器人的运动或移动操作使用的机器人手臂。足式机器人可以操纵较重和较大的物体使用非弹性操作原语，如平面推动，驱动对象到所需的位置。在本文中，我们提出了一种新的分层模型预测控制（MPC）的接触优化的操作任务。使用两个级联的MPC，我们分裂的本地操作问题分为两部分：第一，以优化机器人和物体之间的接触力和接触位置，第二，通过机器人运动调节所需的相互作用力。我们的方法是成功地验证了在仿真和硬件实验。虽然基线运动MPC未能遵循所需的轨迹的对象，我们提出的方法可以有效地控制对象的位置和方向，以最小的跟踪误差。这种能力也使我们能够执行避障的机器人和对象在本地操作任务。
2022-10-07 cs.RO
