Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects
Deemos Corporation（德莫斯公司）；ShanghaiTech University（上海科技大学）；Contextual Robotics Institute（情境机器人研究所）；UC San Diego（加州大学圣地亚哥分校）
Kinematify通过自动化框架从RGB图像或文本描述合成高自由度可动物体，解决运动学拓扑推断和关节参数估计问题。
2026-03-03 cs.CV cs.RO
GAMORA: A Gesture Articulated Meta Operative Robotic Arm for Hazardous Material Handling in Containment-Level Environments
Department of Computer Science \& AI Muffakham Jah College of Engineering
针对高风险实验室人员暴露风险与操作精度需求，研究团队提出VR引导的GAMORA机器人系统，整合多硬件与逆运动学等技术，实现危险任务远程精准操作，兼具低功耗与可扩展性。
2025-06-17 cs.AI cs.CV cs.RO
Sensor Observability Analysis for Maximizing Task-Space Observability of Articulated Robots
Université de Sherbooke（谢布鲁克大学）
提出一种名为传感器可观测性分析（SOA）的新性能指标，通过将关节空间传感器轴变换至任务空间评估累积感知质量，可用于优化和零空间控制以避免奇异构型，并在3-DOF和Baxter机器人上验证了其有效性。
2024-05-29 cs.RO
Learning Sequential Kinematic Models from Demonstrations for Multi-Jointed Articulated Objects
School of Computation and AI, ASU, Tempe（计算与人工智能学院，亚利桑那州立大学）；AI Institute, Seoul National University, Seoul, South Korea（首尔国立大学人工智能研究所）
提出 OKSM 表示与 Pokenet 网络，从人类演示和点云中学习多自由度铰接物体的运动学约束及操作顺序，并在仿真、真实数据和 Sawyer 机器人上验证。
2025-05-09 cs.AI cs.RO
Mechanic Modeling and Nonlinear Optimal Control of Actively Articulated Suspension of Mobile Heavy-Duty Manipulators
Tampere University（坦佩雷大学）
针对移动式重型机械臂的静动态稳定性问题，本文基于旋量理论和铰接体惯性法建立主动铰接悬架的力学模型，通过非线性规划优化稳定性指标并结合状态反馈控制，经7自由度机械臂仿真验证了方法的计算速度、精度及性能提升。
2025-02-09 cs.RO
Language-Guided Terrain-Adaptive Neural MPC for Autonomous Traversal of Articulated Tracked Robots
针对铰接履带机器人在复杂环境中的自主穿越难题，提出结合学习运动学模型、NMPC和LLM调参的ASTRIL-MPC框架，显著提升穿越质量并消除碰撞。
2026-09-17 cs.AI cs.RO
Learning High-Fidelity Robot Self-Model with Articulated 3D Gaussian Splatting
School of Computer Science and Engineering（计算机科学与工程学院）；Sun Yat-sen University（中山大学）
针对现有机器人自建模方法质量低、数据成本高且缺失纹理建模的问题，提出基于铰接3D高斯溅射的连杆级纹理感知自建模方法，可实现高保真建模并支撑运动规划等下游任务。
2025-10-03 cs.CV cs.RO
Riemannian Optimization for Distance-Geometric Inverse Kinematics
University of Toronto, Institute for Aerospace Studies（多伦多大学航空航天研究所）；University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
该研究将基于距离的逆运动学等价为距离几何问题，提出在固定秩 Gram 矩阵黎曼流形上补全部分欧氏距离矩阵，并用边界平滑初始化，以提升多约束问题的求解成功率。
2023-12-10 cs.RO
Embodied Self-Supervised Learning (EMSSL) with Sampling and Training Coordination for Robot Arm Inverse Kinematics Model Learning
Peking University（北京大学）
针对机器人手臂逆运动学模型学习中的非凸难题，提出基于具身自监督学习（EMSSL）的采样与训练协调框架，通过批量推理和并行计算加速学习，并实现模型快速适应，实验验证了其有效性。
2025-04-23 cs.RO
Steering Through Contact: A Finite-Support Motion Model for Single-Track Center-Articulated Robots
Norlab, Université Laval（拉瓦尔大学Norlab）；TSCF, INRAE（法国国家农业、食品与环境研究院TSCF）
本研究提出有限支撑二次模型（FSQ），通过准静态平衡纳入旋转阻力，推广点接触模型，在7公里实测中使五秒预测误差降低53.5%和68.9%。
2026-09-22 cs.RO
Forward and Inverse Kinematics of a Single Section Inextensible Continuum Arm
DePaul University（德保罗大学）
连续体手臂，如躯干和肌腱机器人，位于刚性和软体机器人的两个末端之间，并承诺在可操作性，灵活性和顺应性方面获得两个世界的最佳状态。本文提出了一种新的运动学模型的一种新的恒定长度的连续体机器人，包括软，刚性元件。与传统的双驱动可变长度连续臂相比，所提出的设计利用超冗余刚性链来提供额外的结构强度。该模型引入了降阶映射，以考虑刚性连接链产生的机械约束，从而推导出封闭形式的曲线参数模型。对该模型进行了数值计算，结果表明该模型是可靠的.
2019-07-15 cs.RO
Modeling and Simulation of a Point to Point Spherical Articulated Manipulator using Optimal Control
Birla Institute of Technology and Science – Pilani（贝拉理工学院皮尔尼分校）
针对点到点轨迹跟踪的三自由度关节机械手，设计了最优稳定控制器。DH公约是用来获得前和逆运动学的机械手。采用拉格朗日-欧拉法建立了机械手动力学方程，得到了一个非线性系统.然后将得到的复杂的非线性方程线性化，以实现最优的LQR。在MATLAB和Simulink中进行了仿真，并在各种条件下测试了最优控制器的性能，并给出了结果。实验结果证明了LQR控制相对于常规PID控制的优越性。
2020-10-26 cs.RO math.OC
CEMSSL: Conditional Embodied Self-Supervised Learning is All You Need for High-precision Multi-solution Inverse Kinematics of Robot Arms
针对机器人手臂逆运动学多解且精度不足的问题，提出条件具身自监督学习（CEMSSL）统一框架，将现有条件深度生成模型的精度提升2-3个数量级，并保持其特性，可扩展至其他多解逆问题。
2025-04-23 cs.RO
Analytical Inverse Kinematics for a 5-DoF Robotic Arm with a Prismatic Joint
Cornell University（康奈尔大学）
提出了一种具有一个移动关节和四个转动关节的机器人手臂的逆运动学的解析解。这种5自由度设计是在可穿戴使用环境中最小化重量同时保留设备功能的结果。通常，由于系统受到过度约束，5自由度机器人的IK问题不能保证解决方案。我们通过应用几何投影和限制每个自由度的运动范围来获得解析解。我们通过重建随机采样的末端执行器姿势来验证这种解决方案，并发现位置误差低于2厘米，方向误差低于4度。
2020-11-14 cs.RO
Automating the Learning of Inverse Kinematics for Robotic Arms with Redundant DoFs
National Tsing Hua University（国立清华大学）
逆运动学解决了从笛卡尔空间到机器人手臂关节位形空间的映射问题，在计算机图形学、蛋白质结构预测、机器人学等领域有着广泛的应用。随着人工神经网络（NN）的巨大进步，许多研究人员最近转向数据驱动的方法来解决IK问题。不幸的是，NN对于具有冗余自由度（DoF）的机器人手臂变得不足够。这是因为这样的手臂可能有多个角度的解决方案，以达到相同的期望姿态，而典型的神经网络只实现一对一的映射函数，它只关联一个一致的输出为一个给定的输入。为了训练可用的神经网络来解决IK问题，大多数现有的工作采用定制的训练数据集，其中每个期望的姿势只有一个角度的解决方案。这不可避免地限制了所提出的方法的推广和自动化。本文在两个方面有所突破：（1）采用系统化、机械化的方法进行训练数据采集，覆盖整个机械臂的工作空间，在机械臂研制完成后，可以实现全自动化、一次性完成;（2）一种新的NN-的框架，可以利用冗余自由度，以产生多个角度的解决方案，任何给定的期望姿态的机器人手臂。可用于机器人应用，例如避障和姿势模仿。
2022-08-29 cs.RO
ETA-IK: Execution-Time-Aware Inverse Kinematics for Dual-Arm Systems
Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用科学大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Proximity Robotics & Automation GmbH（近程机器人与自动化公司）
针对仅约束相对位姿的双臂任务，提出ETA-IK，将执行时间与隐式碰撞纳入逆运动学优化，并用神经网络预测高效关节构型，在UR5与KUKA iiwa系统上显著缩短执行时间且保持精度。
2025-10-19 cs.RO
Inverse Kinematics with Dual-Quaternions, Exponential-Maps, and Joint Limits
Newcastle University（纽卡斯尔大学）
我们提出了一种新的方法来解决关节逆运动学问题（例如，字符结构）的迭代双四元数和指数映射的方法。由于双四元数是对规范的突破，并且提供了一种用于表示运动学变换的简单且计算高效的技术（即，位置和翻译）。对偶四元数能够在一个统一的状态空间变量中表示平移和旋转，并具有自己的一组代数方程用于连接和操作。因此，铰接结构可以由一组双四元数变换来表示，我们可以使用逆运动学（IK）来操纵该双四元数变换以实现特定目标（例如，将末端执行器移向目标）。我们使用投影Gauss-Seidel迭代法来解决有关节限制的IK问题。我们的方法是灵活和强大的，足以用于交互式应用程序，如游戏。我们使用数值例子来证明我们的方法，成功地在我们所有的测试用例，并产生令人愉快的视觉效果。
2022-11-02 cs.GR cs.RO
NODE IK: Solving Inverse Kinematics with Neural Ordinary Differential Equations for Path Planning
Seoul National University（首尔国立大学）；NJIT（新泽西理工学院）
提出了一种用于关节型机器人路径规划的逆运动学求解器。IK是机器人操作中一个传统而又重要的问题。最近，数据驱动的方法已被提出来快速解决路径规划的IK。这些方法可以利用GPU的优势一次处理大量的IK请求。然而，准确性仍然很低，并且模型需要相当长的时间进行训练。因此，我们提出了一个IK求解器，通过利用神经ODE的连续隐藏动力学来提高精度和内存效率。使用多个机器人的性能进行比较。
2022-09-01 cs.RO
Inverse Kinematics as Low-Rank Euclidean Distance Matrix Completion
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；University of Zagreb（萨格勒布大学）
大多数逆运动学（IK）算法在由关节角度定义的配置空间中搜索解。然而，许多机器人的运动学也可以用刚性连接点之间的距离来描述，这些距离共同形成了欧几里得距离矩阵。这种替代的几何描述的运动学揭示了一个优雅的等效IK和低秩矩阵完成的问题。我们使用这种连接来实现一种新的黎曼优化为基础的解决方案，以IK为各种关节式机器人与对称关节角度的约束。
2022-07-05 cs.RO
Dual-Arm Whole-Body Motion Planning: Leveraging Overlapping Kinematic Chains
Toyota Research Institute（丰田研究院）
针对高自由度双臂机器人在未知动态环境中实时运动规划的维度灾难问题，提出利用共享关节结构构建双动态路线图并高效搜索其组合的方法，在19自由度机器人上实验实现0.4秒平均规划时间与99.9%成功率。
2025-11-11 cs.RO
Gray-Box Model Predictive Control for Articulated Dump Trucks via Gaussian Process Learning of Sideslip
RWTH Aachen University（亚琛工业大学）
针对铰接式自卸卡车，提出用高斯过程回归学习侧偏角并融入运动学模型形成灰箱模型，用于模型预测控制，将最大横向跟踪误差从超2米降至0.56米。
2026-09-24 cs.RO cs.SY eess.SY
Analytical Inverse Kinematic Solution for "Moz1" NonSRS 7-DOF Robot arm with novel arm angle
Ke CHEN
本文提出了一种针对Moz1七自由度机器人臂的解析逆运动学解法，通过引入新型臂角解决奇异性问题并提供完整的解空间。
2026-02-04 cs.RO math.OC
A Classification of Configuration Spaces of Planar Robot Arms with Application to a Continuous Inverse Kinematics Problem
University of Pennsylvania（宾夕法尼亚大学）
利用多边形的模空间拓扑的结果[Jaggi，92; Kapovich和Millson，94]，可以表明，对于具有$n$段的平面机器人臂，存在一些基本长度值$z$，在这些值处，约束臂的配置空间在其他值处，受约束的配置空间（其末端执行器固定的臂）具有两个断开的分量，而在其他值处，受约束的配置空间具有一个连接分量。我们首先回顾这些已知的结果。然后，本文解决的主要设计问题是对任意机器人手臂的连续逆运动学的建设，与属性，这两个逆运动学同意时，约束配置空间有一个单一的连接组件，但他们给不同的配置（一个在每个连接组件）时，约束臂的配置空间有两个组件。这种设计是可能的基本理论贡献在本文中-机器人手臂的配置空间的分类，这样的路径的类型，系统（机器人手臂）通过某些临界值的正向运动学函数是完全确定的类的配置空间的手臂所属。该分类结果使得上述设计问题易于处理，使得足以为每类位形空间（总共三个）设计一对逆运动学。我们讨论了这项工作的动机，这来自一个更广泛的问题，运动规划的机器人手臂的末端执行器，需要我们不断采样的配置从每个连接组件的约束配置空间。我们通过一个基于JavaScript + HTML5的实现证明了所提出的算法的低复杂性，该实现可在http://hans.math.upenn.edu/~subhrabh/nowiki/robot_arm_JS-HTML5/arm.html上获得
2014-08-29 cs.RO math.DG
Fast Robot Arm Inverse Kinematics and Path Planning Under Complex Static and Dynamic Obstacle Constraints
Montana State University（蒙大拿州立大学）
本文介绍了一种简单、可靠、通用的方法，用于在复杂障碍物存在的情况下快速计算机器人手臂的逆运动学解和运动路径规划。该方法源于MSC（地图搜索电路）算法，优化利用实际臂配置的特点。该表示自然地结合了臂和障碍物几何形状。在现代硬件上的后续性能适用于需要实时响应的应用，包括平滑连续避免在手臂遍历期间撞击规划路径的动态障碍物。在高端GPGPU硬件上，计算8 DOF手臂的最终姿态和到达该姿态的平滑避障运动路径需要大约200- 300 msec，具体取决于所实现的路点数量。该方法的数学对高中生来说是容易理解的，因此适合广泛的教学。[Note：此修订版包括从任意姿态到任意姿态的路径的通用计算策略和动态障碍物的连续运动中途回避的计算策略。
2020-04-14 cs.CV cs.RO
Iterative Learning Control for Fast and Accurate Position Tracking with an Articulated Soft Robotic Arm
针对铰接式柔性机械臂大幅机动下的位置跟踪问题，提出与反馈控制器并行的范数最优迭代学习控制方案，实验证明不到30次迭代即可将60度快速偏移轨迹的均方根跟踪误差从13度降至2度以下。
2019-10-01 cs.RO
A Probabilistic Framework for Learning Kinematic Models of Articulated Objects
University of Freiburg（弗莱堡大学）
在家庭环境中操作的机器人通常需要与铰接物体（例如门、橱柜、洗碗机或冰箱）交互。在这项工作中，我们提出了一种新的，概率框架建模关节的对象作为运动图。该图中的顶点对应于对象部分，而它们之间的边建模它们的运动学关系。特别是，我们提出了一组参数和非参数的边缘模型，以及它们如何可以鲁棒地估计从嘈杂的姿势观察。此外，我们描述了如何估计的运动学结构，以及如何使用学习的运动学模型的姿态预测和机器人操作任务。最后，我们介绍了如何学习模型可以推广到新的和以前看不见的对象。在各种实验中，使用真正的机器人与不同的相机系统，以及在模拟中，我们表明，我们的方法是有效的，准确的和高效的。此外，我们证明，我们的方法有一个广泛的应用，特别是移动操作和服务机器人的新兴领域。
2014-01-16 cs.RO
KAI: A Kinematic-Aware Interface for Data-Efficient Articulated Object Manipulation
The Chinese University of Hong Kong（香港中文大学）；Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）
研究关节物体操纵中运动结构难学问题，提出运动感知关节接口KAI，通过嵌入先验提高样本效率，在多模拟任务中表现良好，能推广到复杂场景，视频共训练增强真实世界鲁棒性。
2026-07-28 cs.RO
V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects
Carnegie Mellon University（卡内基梅隆大学）
操纵关节式物体通常需要多个机器人手臂。使多个机器人手臂能够协作地完成对铰接对象的操作任务是具有挑战性的。在本文中，我们提出了$\textbf{V-MAO}$，一个框架，用于学习多臂操作的铰接对象。我们的框架包括一个变分生成模型，学习接触点分布的对象刚性部件为每个机器人arm.The训练信号是从与仿真环境，这是通过规划和一个新的制定对象为中心的控制铰接对象的互动。我们部署我们的框架在一个定制的MuJoCo仿真环境中，并证明我们的框架实现了六个不同的对象和两个不同的机器人的高成功率。我们还表明，生成式建模可以有效地学习关节对象上的接触点分布。
2021-11-07 cs.AI cs.CV cs.LG
Kinematics of continuum planar grasping
Department of Mechanical and Aerospace Engineering, University of South Florida（南佛罗里达大学机械与航空航天工程系）
本文提出分析框架研究软连续体臂抓取平面物体时的几何特性，通过优化控制理论确定最优抓取配置，并提出连续体抓取质量度量标准。
2026-04-10 cs.RO cs.SY eess.SY
DawnIK: Decentralized Collision-Aware Inverse Kinematics Solver for Heterogeneous Multi-Arm Systems
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习和人工智能研究所）
DawnIK提出一种基于加权代价函数与非线性优化的去中心化逆运动学方法，无需逆雅可比计算或冗余自由度，即可实现异构多臂系统在相交工作空间中的无碰撞轨迹跟踪，性能优于CollisionIK。
2023-10-31 cs.RO cs.SY eess.SY
Improving path-tracking performance of an articulated tractor-trailer system using a non-linear kinematic model
Research Institute for Signals, Systems and Computational Intelligence, sinc(i), FICH-UNL/CONICET（信号、系统与计算智能研究所，sinc(i)，FICH-UNL/CONICET）
提出一种铰接式拖拉机-拖车系统的非线性运动学模型，结合模型预测控制，显著降低了拖车在直线和地头转弯时的路径偏差，实现了对拖车位置的直接控制。
2026-07-01 cs.RO
Machine Learning and Optimization Techniques for Solving Inverse Kinematics in a 7-DOF Robotic Arm
University of Salford（索尔福德大学）
针对7自由度冗余机械臂的逆运动学求解问题，研究13种优化技术并提出一种融合机器学习探索能力与数值方法开发能力的新方法，速度比传统粒子群优化快200倍以上。
2024-06-18 cs.AI cs.LG cs.RO
Learning Kinematic Descriptions using SPARE: Simulated and Physical ARticulated Extendable dataset
University of Michigan（密歇根大学）；Robotics Institute, University of Michigan（密歇根大学机器人研究所）
下一代机器人在人类环境中合作时，需要理解复杂和铰接的物体。要做到这一点，这些机器人将需要超越他们目前的能力--以任务无关的方式处理相对简单的物体--走向更复杂的能力，动态估计复杂的，有关节的物体的属性。为此，我们在本文中对一般的铰接（物理）对象理解做出了两个引人注目的贡献。首先，我们介绍了一个新的数据集，SPARE：模拟和物理ARticulated可扩展数据集。SPARE是一个可扩展的开源数据集，提供了铰接对象（运动链）的等效模拟和物理实例，为更大的研究社区提供了用于生成铰接对象运动学描述的方法的培训和评估工具。据我们所知，这是Vision社区的第一个联合视觉和物理（3D打印）数据集。其次，我们提出了一个深度神经网络，可以预测的链接的数量和链接的连接对象的长度。这些新的想法优于经典的方法来理解运动链，如基于跟踪的方法，在遮挡的情况下失败，并且在可用时不利用多个视图。
2018-03-29 cs.CV cs.RO
A Unified Calibration Framework for High-Accuracy Articulated Robot Kinematics
ETH Zurich（苏黎世联邦理工学院）
本文提出了一种统一的机械臂校准框架，通过单一实验识别几何和非几何效应，显著提升校准精度。
2026-01-23 cs.RO
Learning to Explore Hidden Kinematics for Articulated Object Manipulation
University of Pennsylvania（宾夕法尼亚大学）
针对铰接物体操作中运动学模糊问题，提出将动作选择摊销到训练中，用贝叶斯滤波维护信念并渲染为逐点铰接流场，通过强化学习奖励熵减少，在PartManip和ArticuRiddle上超越先前方法。
2026-09-30 cs.RO
Kinematic Kitbashing for Modeling Functional Articulated Objects
MIT, CSAIL（麻省理工学院、计算机科学与人工智能实验室）；Roblox, Clemson University（Roblox、克莱姆森大学）；Stanford University（斯坦福大学）
提出运动学套件拼装框架，通过重用部件并联合优化空间放置，在满足几何与功能目标下自动合成铰接物体，显著优于现有基线。
2025-10-14 cs.GR cs.RO
Experimental Characterization of Robot Arm Rigidity in Order to Be Used in Machining Operation
University of Bordeaux（波尔多大学）；University Politehnica of Bucharest（布加勒斯特理工大学）
在多关节机器人手臂末端安装旋转工具的尝试可以追溯到20年前，但这些机器人并不是为此而设计的。实际上，加工需要两个基本特征：给定工作空间内的高刚性和高精度。实验结果是一个多关节机器人配备了集成主轴的动态识别。本研究的目的是突出的机器人手臂的几何配置对系统的整体刚度的影响。主轴被视为机器人KUKA KR_240_2的附加重量和动力激励。通过对机器人加工振动的研究，确定了铣削加工中机器人的运动方向
2012-01-21 cs.RO
Kinematic-aware Prompting for Generalizable Articulated Object Manipulation with LLMs
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Northwestern Polytechnical University（西北工业大学）；Institute of Artificial Intelligence, China Telecom Corp Ltd（中国电信股份有限公司人工智能研究院）
本文提出运动学感知提示框架，将关节物体结构解析为统一文本描述，通过思维链提示大语言模型生成低层3D操作路径点，在16类48个实例上验证了优于传统方法的表现及对未见类别的零样本泛化能力。
2024-02-21 cs.AI cs.RO
Manipulation of Articulated Objects using Dual-arm Robots via Answer Set Programming
University of Calabria（卡拉布里亚大学）；Teseo srl（特塞奥有限公司）；University of Genoa（热那亚大学）；University of Huddersfield（哈德斯菲尔德大学）
关节式物体的操作是机器人技术中最重要的，也是最复杂的操作任务之一。传统上，这一问题是通过制定特别的方法来解决的，这种方法缺乏灵活性和可移植性。在本文中，我们提出了一个框架的基础上回答集编程（ASP）的自动操作的关节式物体的机器人控制架构。特别是，ASP用于表示的铰接对象的配置，用于检查在知识库中的这种表示的一致性，并用于生成操作动作的序列。该框架的Baxter双臂机械手在第一，简单的情况下，举例说明和验证。然后，我们扩展这样的场景，以提高整体设置精度，并引入一些限制，在机器人动作执行，以执行其可行性。扩展的场景需要大量可能的行动，这些行动可以有效地组合在一起。因此，我们利用自动规划的宏观行动，以提供更有效的计划。我们验证了扩展方案中的整体框架，从而证实了ASP在更现实的机器人设置中的适用性，并显示了基于机器人的关节式物体操作的宏动作的有用性。逻辑程序设计理论与实践（TPLP）
2020-10-02 cs.AI cs.LO cs.RO
TacMan-Turbo: Proactive Tactile Control for Robust and Efficient Articulated Object Manipulation
Peking University（北京大学）；State Key Lab of General AI at Peking University（北京大学通用人工智能国家重点实验室）；PKU-BingJi Joint Laboratory for Artificial Intelligence（北京大学-百度智云人工智能联合实验室）；Wuhan Major Scientific and Technological Special Program（武汉重大科技专项）；Hubei Embodied Intelligence Foundation Model Research and Development Program（湖北省具身智能基础模型研发计划）；National Comprehensive Experimental Base for Governance of Intelligent Society（智能社会治理国家综合实验基地）；LeapZenith AI Research（LeapZenith人工智能研究）；Tsinghua University（清华大学）；Embodied Intelligence Lab（具身智能实验室）；PKU-Wuhan Institute for Artificial Intelligence（北京大学-武汉人工智能研究院）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出TacMan-Turbo框架，通过主动触觉控制解决机械臂物体操控中有效性与效率的平衡问题，在200种模拟和真实物体上实现100%成功率，显著提升时间效率、动作效率和轨迹平滑度。
2026-04-12 cs.RO
Tolerance-Dependent Inspection Disagreement Between a Fixed CMM and a Portable Articulated-Arm CMM
该研究探讨固定CMM与便携式关节臂CMM的检验分歧，发现二者尺寸测量均值差约11.2μm，形位轮廓分处10μm上限两侧，提出的公差图可识别需开展等效研究的特征-公差组合。
2026-08-25 cs.RO eess.SP
PokeNet: Learning Kinematic Models of Articulated Objects from Human Observations
School of Computation and AI, ASU, Tempe（计算与人工智能学院，亚利桑那州立大学）；AI Institute, Seoul National University, Seoul, South Korea（首尔国立大学人工智能研究所）
PokeNet通过单个人类示范学习机械结构模型，无需先验知识，提升关节轴和状态估计精度达27%。
2026-07-16 cs.RO
Invariant Kalman filtering for extended pose estimation in multi-IMU articulated rigid-body systems
University of Liège（列日大学）；Mines Paris – PSL（巴黎高科矿业学院 – 巴黎文理研究大学）
针对多IMU铰接刚体系统的扩展位姿估计，提出相对L-扩展位姿的李群表示，将关节约束以不变形式融入迭代不变扩展卡尔曼滤波，实现快速收敛和低误差。
2026-07-30 cs.RO
Nothing But Geometric Constraints: A Model-Free Method for Articulated Object Pose Estimation
Johns Hopkins University（约翰斯·霍普金斯大学）
我们提出了一个无监督的基于视觉的系统来估计从RGB或RGB-D图像序列的机器人手臂的关节配置，而无需事先知道模型，然后将其适应于类别独立的铰接对象姿态估计的任务。我们将经典的几何公式与深度学习相结合，并将极线约束的使用扩展到多刚体系统来解决这个任务。给定一个视频序列，通过估计光流得到像素级的稠密对应。在此之后，6D位姿是由一个修改的Pestrian算法计算。关键思想是利用几何约束和多帧之间的约束。此外，我们建立了一个综合的数据集与不同类型的机器人和多关节关节的关节对象的研究基于视觉的机器人控制和机器人视觉。我们证明了我们的方法在三个基准数据集上的有效性，并表明我们的方法在估计机器人手臂和铰接对象的关节角度方面比最先进的监督方法具有更高的准确性。
2020-11-30 cs.CV cs.RO
SPLATART: Articulated Gaussian Splatting with Estimated Object Structure
University of Michigan（密歇根大学）
针对机器人领域关节式物体表示难、深度运动学树物体学习难度大的问题，提出SPLATART流水线，解耦部件分割与关节估计任务，可从带位姿图像学习高斯溅射表示，适配更深运动学树结构，在合成与真实数据集上均验证有效。
2025-06-13 cs.CV cs.RO
Collaborative Robotic Manipulation: A Use Case of Articulated Objects in Three-dimensions with Gravity
University of Genoa（热那亚大学）；Teseo srl（Teseo公司）；University of Huddersfield（哈德斯菲尔德大学）
本文讨论了两个相互交织的需求协作机器人在车间环境中工作。第一个是执行复杂的操作操作的能力，例如在铰接或甚至柔性物体上的操作，以一种对在协作任务期间可能由人类操作员执行的动作的高度可变性鲁棒的方式。第二种是在这些操作中编码关于物理定律的基本知识（例如，重力），以及它们对机器人用于规划其动作的模型的影响，以生成更鲁棒的计划。我们采用三维空间中的铰接对象的操作作为一个有效的用例，以满足这两种需求，我们使用规划域定义语言的变体来整合规划过程与重力的概念。不同的复杂程度的建模重力进行评估，权衡模型的忠实性和性能。一个彻底的验证框架是在模拟使用双臂巴克斯特机械手。
2020-11-13 cs.RO
Surgical Kinematics from Monocular Video with Learned Articulated Motion Constraints
Columbia University（哥伦比亚大学）
本文提出一种从单目视频重建手术器械运动学的网络，结合DINOv3和SAM特征，通过可微加权最小二乘拟合轨迹，在Open-H基准上显著降低路径长度误差并提升运动分割精度。
2026-09-24 cs.CV cs.RO
ScrewSplat: An End-to-End Method for Articulated Object Recognition
Seoul National University（首尔国立大学）；Massachusetts Institute of Technology（麻省理工学院）
ScrewSplat提出一种仅用RGB输入的端到端方法，通过随机初始化并迭代优化螺旋轴，结合高斯泼溅同时重建三维几何与分割可动部件，实现关节体识别并支持零样本文本引导操作。
2025-08-22 cs.CV cs.RO
Learning Articulated Motion Models from Visual and Lingual Signals
Georgia Tech（佐治亚理工学院）；TTI-Chicago（芝加哥丰田技术学院）
为了让机器人在家庭和工作场所有效地工作，它们必须能够操纵为人类建造的环境中常见的铰接物体。以前的工作学习运动学模型，规定这种操作从视觉演示。诸如自然语言描述和指令的语言信号提供了传达这种操纵模型的知识的补充手段，并且适合于广泛的交互（例如，远程操纵）。在本文中，我们提出了一个多模态学习框架，它结合了视觉和语言信息来估计定义关节对象运动学模型的结构和参数。视觉信号采用RGB-D图像流的形式，该图像流在无准备的场景中机会性地捕获对象运动。伴随的运动的自然语言描述构成语言信号。我们提出了一个概率语言模型，使用词嵌入语言动词与其相应的运动结构相关联。通过利用视觉和语言输入的互补性，我们的方法推断出正确的运动学结构的各种多部分的对象上，以前的国家的最先进的，只视觉系统失败。我们在由各种家居物品组成的数据集上评估了我们的多模态学习框架，并证明了模型准确性比仅视觉基线提高了36%。
2016-07-01 cs.CL cs.CV cs.RO
Inferring 3D Articulated Models for Box Packaging Robot
Cornell University（康奈尔大学）
给定一个点云，我们考虑推断3D铰接对象的运动学模型，如框的目的是操纵它们。虽然以前的工作已经展示了如何提取平面运动学模型（通常表示为线性链），但这种平面模型不适用于由通常以循环配置链接到其他段的段组成的3D对象。我们提出了一种方法来建立一个模型，捕捉输入点云特征和对象段之间的关系，以及相邻对象段之间的关系。我们使用一个条件随机场，使我们能够对对象的不同部分之间的依赖关系进行建模。我们测试我们的方法推断运动学结构的部分和噪声点云数据的各种各样的盒子，包括蛋糕盒，比萨饼盒，和纸板箱的几个大小。推断出的结构使我们的机器人能够通过操纵襟翼成功关闭这些盒子。
2011-06-23 cs.AI cs.CV cs.RO
An Iterative Algorithm to Symbolically Derive Generalized n-Trailer Vehicle Kinematics
Department of Mechanical and Aerospace Engineering, The Ohio State University（机械与航空航天工程系，俄亥俄州立大学）；Department of Engineering Education, The Ohio State University（工程教育系，俄亥俄州立大学）；The Ohio State University Center for Automotive Research（俄亥俄州立大学汽车研究中心）
针对广义n-拖挂车铰接车辆，提出一种基于约束结构符号推导横摆平面运动学模型的迭代算法，证明最大运动学控制数并导出广义阿克曼转向定律，经实车数据验证。
2025-04-01 cs.RO cs.SY eess.SY
Unified Kinematic and Dynamical Modeling of a Soft Robotic Arm by a Piecewise Universal Joint Model
软机器人手臂的顺应性使得精确的运动学和动力学模型的开发特别具有挑战性。软机器人运动学中最广泛使用的模型假定分段常曲率（PCC）。然而，PCC无法有效地处理外力，甚至重力的影响，因为机器人在这些条件下不会以恒定曲率变形。在本文中，我们建立了三维（3D）建模的多段软机器人手臂的限制性较低的假设下，每段的手臂是在一个平面上变形没有扭曲。我们设计了一个运动学和动力学模型的软臂推导等价于一个串行万向关节机器人。在真实机器人平台上的大量实验以及模拟证明了我们的方法在负载的3D运动中的建模精度。所提出的模型的最大位置/旋转误差被验证为比考虑重力和外力的PCC模型低6.7倍/4.6倍。
2022-03-15 cs.RO
ArticulateArena: A Metric for Articulated Kinematics
UCLA（加州大学洛杉矶分校）；USC（南加州大学）；University of Utah（犹他大学）；Envora；UCB（加州大学伯克利分校）；Toyota Research Institute（丰田研究所）
针对关节物体运动评估缺乏统一度量的问题，提出表示不变的ArticulateArena度量，统一关节类型并提升至运动树，同时发布ArticulateArena-20K数据集并重新评估现有方法。
2026-09-29 cs.CV cs.RO
Many-Joint Robot Arm Control with Recurrent Spiking Neural Networks
University of Tübingen（蒂宾根大学）；Graz University of Technology（格拉茨技术大学）
在本文中，我们展示了如何仅使用基本的3D打印设备和简单的电子设备来构建可扩展的，低成本的树干状机器人手臂。该设计基于统一的、可堆叠的关节模块，每个关节模块具有三个自由度。此外，我们提出了一种方法来控制这些机器人与经常性的脉冲神经网络。首先，尖峰前向模型从运动观察中学习运动姿势相关性。在训练之后，意图可以通过前向模型的展开的尖峰序列投射回来，基本上将意图驱动的运动梯度路由到相应的关节，这展开了目标方向导航。我们证明，脉冲神经网络可以有效地控制树干一样的机器人手臂高达75个铰接自由度与近毫米的精度。
2021-04-08 cs.RO
