Hierarchical Reinforcement Learning Method for Autonomous Vehicle Behavior Planning
Carnegie Mellon University(卡内基梅隆大学);General Motors(通用汽车)
在这项工作中,我们提出了一个分层的强化学习(HRL)结构,它能够在模拟环境中执行自主车辆规划任务,多个子目标。在这种层次结构中,网络能够1)同时学习具有多个子目标的任务; 2)在学习过程中根据子目标的变化提取状态的注意力; 3)将训练好的子目标网络重用于具有相同子目标的其他类似任务。这些状态被定义为从自主车辆的感知系统传输的经处理的观测。在HRL结构中,针对不同层次设计了一种混合奖励机制。与传统的强化学习方法相比,我们的算法是更有效的样本,因为它的模块化设计允许重用子目标的策略在类似的任务。结果表明,该方法比传统RL方法更快地收敛到最优策略。
2019-11-09 cs.LG cs.RO
Planning-oriented Autonomous Driving
SenseTime Research(商汤科技研究院);Wuhan University(武汉大学);Shanghai AI Laboratory(上海人工智能实验室)
现代自动驾驶系统的特征在于按顺序排列的模块化任务,即,感知、预测和规划。为了执行各种各样的任务并实现高级智能,当代方法要么为单个任务部署独立模型,要么设计具有单独头部的多任务范式。然而,他们可能会遭受累积错误或缺乏任务协调。相反,我们认为,应该设计和优化一个有利的框架,以追求最终目标,即,规划自动驾驶汽车。以此为导向,我们重新审视感知和预测中的关键组件,并对任务进行优先级排序,以便所有这些任务都有助于规划。我们推出了统一自动驾驶(UniAD),这是一个最新的综合框架,将全栈驾驶任务整合在一个网络中。它被精心设计,以利用每个模块的优势,并提供互补的功能抽象的代理交互从全局的角度来看。任务之间通过统一的查询接口进行通信,以方便彼此进行规划。我们在具有挑战性的nuScenes基准上实例化UniAD。在广泛消融的情况下,使用这种理念的有效性在所有方面都大大优于先前的最新技术水平。代码和模型是公开的。
2023-03-23 cs.CV cs.RO
Automatic Robot Task Planning by Integrating Large Language Model with Genetic Programming
James Watt School of Engineering, University of Glasgow(格拉斯哥大学詹姆斯·瓦特工程学院)
针对机器人任务规划中基于行为树(BTs)的控制策略生成需领域知识且具挑战性的问题,提出LLM-GP-BT技术,集成大语言模型(LLM)与遗传编程(GP)自动生成配置BTs,经仿真验证可简化自主系统任务规划。
2025-02-11 cs.RO cs.SY eess.SY
FaSTrack: a Modular Framework for Fast and Guaranteed Safe Motion Planning
University of California, Berkeley(加州大学伯克利分校)
动力系统快速安全地穿越先验未知的复杂环境对于自治系统的许多应用都是至关重要的。然而,自主系统的轨迹规划是计算密集型的,通常需要简化的动力学,牺牲安全性和动态可行性,以有效地规划。相反,可以使用更复杂的动态模型来计算安全轨迹,但这通常太慢而不能用于实时规划。我们提出了一个新的算法FaSTrack:快速和安全跟踪高维系统。使用简化动力学快速规划的路径或轨迹规划器可以并入FaSTrack框架,该框架为车辆提供安全控制器以及保证的跟踪误差范围。这个界限捕获了由于高维动力学和外部干扰而导致的所有可能的偏差。请注意,FaSTrack是模块化的,可用于大多数当前的路径或轨迹规划器。我们证明了这个框架使用10维非线性四旋翼模型跟踪从RRT规划器获得的3D路径。
2021-02-14 cs.RO
Self-Reconfiguration Planning for Deformable Quadrilateral Modular Robots
Institute of AI and Robotics, Academy for Engineering & Technology, Fudan University(人工智能与机器人研究所,工程与技术学院,复旦大学);Department of Mechanical Engineering, The Hong Kong Polytechnic University(机械工程系,香港理工大学)
本文提出了一种针对可变形四边形模块化机器人的自重构规划算法,通过虚拟图和依赖性反树实现稳定连接,验证了其在效率和稳定性上的优势。
2026-01-27 cs.RO
A Quadratic Programming Approach to Manipulation in Real-Time Using Modular Robots
University of Pennsylvania(宾夕法尼亚大学)
高维空间中的运动规划是一个具有挑战性的课题。为了在非结构化环境中进行灵巧操作,通常需要具有多个自由度的机器人,这也使其运动规划问题复杂化。实时的【形】控制给机器人在朝向目标运动时保持稳定性带来了更多的困难。冗余系统在由多个模块组成的模块化机器人中很常见,并且能够根据不同的需求转换为不同的配置。与具有固定几何形状或配置的机器人不同,模块化机器人系统的运动学模型可以随着机器人自身的重新配置而改变,并且为这样的系统开发通用控制和运动规划方法是困难的,特别是当多个运动目标耦合时。本文提出了一种新的操作规划框架。该问题被制定为一个序列的线性约束二次规划(QP),可以有效地解决。可以将一些约束并入到该QP中,包括近似环境障碍物的新颖方式。该解决方案可直接用于实时的【形】应用或作为离线规划工具,并在CKBot和SMORES-EP模块化机器人平台上进行了验证和演示。
2021-07-31 cs.RO
Reconfiguration-Complete Motion Primitives with Constructive Planning for Deformable Planar Modular Robots
Institute of AI and Robotics, Academy for Engineering & Technology, Fudan University(复旦大学工程与技术学院人工智能与机器人研究所)
针对可变形平面模块化机器人重构规划的固定表示难题,提出带构造性规划的运动原语及前瞻选择器,证明N≥7的边连接非直线构型可相互重构,实验显示规划时间短于现有框架。
2026-08-19 cs.RO
A Versatile Neural Network Configuration Space Planning and Control Strategy for Modular Soft Robot Arms
Biorobotics Institute and the Department of Excellence in Robotics and AI(生物机器人研究所和机器人与人工智能卓越部门);Scuola Superiore Sant’Anna(圣安娜高等学院);CREATE Lab(CREATE实验室);EPFL(瑞士联邦理工学院)
本文提出S2C2A策略,通过biLSTM前向模型进行状态到构型规划,并用基于biLSTM的构型控制器实现绳索驱动模块化软体机器人臂的精确控制,支持离线位姿控制、避障及在线交互任务。
2025-06-08 cs.RO
The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review
University of Lübeck(吕贝克大学);University of Tübingen(蒂宾根大学);Robert Bosch GmbH(罗伯特·博世有限公司)
该综述系统梳理了基于深度学习的自动驾驶规划系统中预测与规划的整合方式,分析不同整合原理的优劣,指出研究空白与未来方向,填补了该领域全面梳理的缺失。
2024-09-11 cs.AI cs.CV cs.LG
A Modular Framework to Generate Robust Biped Locomotion: From Planning to Control
IEETA / DETI University of Aveiro(阿威罗大学 IEETA / DETI)
由于其复杂的运动学和动力学特性,机器人具有固有的不稳定性。尽管人们在发展双足运动方面做了许多研究工作,但双足运动的性能仍然与预期相差甚远。本文提出了一种基于模型的框架,以产生稳定的运动。该框架的核心是一个抽象的动力学模型,该模型由三个质量组成,以考虑站立腿,躯干和摆动腿的动力学,以最大限度地减少跟踪问题。根据这个动力学模型,我们提出了一个模块化的步行参考轨迹规划器,考虑到障碍物规划的所有参考。此外,该动态模型被用来制定控制器作为一个模型预测控制(MPC)计划,它可以考虑一些限制的状态,系统,输入,输出和混合输入输出。使用MATLAB进行了几个数值模拟,所提出的框架的性能和鲁棒性进行了验证。此外,该框架被部署在一个模拟的扭矩控制的人形机器人,以验证其性能和鲁棒性。仿真结果表明,该框架能够鲁棒地产生机器人运动。
2021-04-21 cs.RO
FRENETIX: A High-Performance and Modular Motion Planning Framework for Autonomous Driving
Institute of Automotive Technology, Technical University of Munich(慕尼黑工业大学汽车技术研究所);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所);TUM School of Engineering and Design, Technical University of Munich(慕尼黑工业大学工程与设计学院);Professorship of Cyber-physical Systems, Technical University of Munich(慕尼黑工业大学信息物理系统教授席位)
本文提出FRENETIX模块化运动规划框架,采用基于采样的多目标优化方法,在1750个复杂场景中实现8毫秒规划800条轨迹、88%成功率,并已在真实车辆上验证。
2024-06-14 cs.RO
Planning a Shared Modular Fixture Layout Across Robotic Disassembly Stages
The University of Osaka(大阪大学);The National Institute of Advanced Industrial Science and Technology (AIST)(日本国立先进工业科学技术研究所(AIST))
该研究针对机器人拆卸中支撑布局需适配阶段变化的问题,提出基于去噪扩散概率模型与贝叶斯优化的模块化真空夹具系统,实现螺丝刀、剃须刀拆卸的共享布局,稳定裕度达66.9%和81.6%,验证了方案的可行性与稳定性。
2026-08-28 cs.RO
Combining Movement Primitives with Contraction Theory
Massachusetts Institute of Technology(麻省理工学院)
本研究提出结合运动基元与收缩理论的模块化机器人运动规划框架,支持多类运动的组合与独立调制,可简化复杂规划编程,经仿真验证具备良好灵活性与应用潜力。
2025-01-15 cs.RO
A Modular Framework for Flexible Planning in Human-Robot Collaboration
Italian Institute of Technology(意大利技术研究院)
本文提出一个模块化人机协作框架,利用层次任务网络规划和多感官感知流水线,通过原语建模双智能体协作任务,并在Baxter机器人组装家具实验中验证其可扩展性。
2024-06-07 cs.HC cs.RO
An Integrated System for Perception-Driven Autonomy with Modular Robots
Cornell University(康奈尔大学);University of Pennsylvania(宾夕法尼亚大学)
模块化机器人在先验未知环境中响应复杂任务而重新配置的理论能力经常被认为是一个优势,并且仍然是该领域工作的主要动力。我们提出了一个模块化的机器人系统能够自主完成高层次的任务,通过反应性地重新配置,以满足感知的,先验的未知环境的需求。该系统集成了感知、高级规划和模块化硬件,并在三个硬件演示中进行了验证。给定一个高层次的任务规范,模块化机器人自主地探索未知的环境,决定何时以及如何重新配置,并操纵对象完成其任务。该系统架构平衡了分布式机械元件与集中式感知、规划和控制。通过提供一个模块化的机器人系统如何可以被设计为在未知环境中利用反应可重构性的例子,我们已经开始为模块化自重构机器人在现实世界中解决任务奠定基础。
2018-12-13 cs.RO
A Goal-Oriented Reinforcement Learning-Based Path Planning Algorithm for Modular Self-Reconfigurable Satellites
State Key Laboratory of Micro-Spacecraft Rapid Design(微航天快速设计国家重点实验室);Intelligent Cluster, Harbin Institute of Technology, Harbin(哈尔滨工业大学)
本文提出一种面向目标的强化学习路径规划算法,首次解决模块化自重构卫星的多目标构型问题,并结合后见经验回放与无效动作掩码,在四单元和六单元集群中分别实现95%和73%的成功率。
2025-07-22 cs.AI cs.LG cs.RO
FaSTrack: a Modular Framework for Real-Time Motion Planning and Guaranteed Safe Tracking
Simon Fraser University(西蒙菲莎大学);Princeton University(普林斯顿大学);University of Melbourne(墨尔本大学);California Institute of Technology(加州理工学院)
实时的【形】有保证的安全轨迹规划对于未知环境中的导航至关重要。然而,实时的【形】导航算法通常为了计算速度而牺牲鲁棒性。可替代地,可证明安全的轨迹规划对于实时的【形】重新规划而言往往是计算密集型的。我们提出了快速和安全的跟踪,一个框架,实现了实时的【形】重新规划和保证安全。在这个框架中,通过允许任何轨迹规划器使用系统的简化\textit{planning model}来实现实时的【形】计算。该计划由系统跟踪,由更真实、更高维的\textit{tracking model}表示。我们预先计算的跟踪误差界(TEB)由于两个模型之间的不匹配,由于外部干扰。我们还得到了相应的跟踪控制器用于停留在TEB。预先计算不需要环境的先验知识。我们使用Hamilton-Jacobi可达性进行预计算,并使用三种不同的跟踪规划模型对进行三种不同的实时的【形】轨迹规划。
2021-03-13 cs.RO math.OC
SGL: Symbolic Goal Learning in a Hybrid, Modular Framework for Human Instruction Following
Institute for Robotics and Intelligent Machines(机器人与智能机器研究所);Georgia Institute of Technology(佐治亚理工学院)
本文研究了基于人类指令的机器人操作和模糊请求。其目的是通过视觉观察来补偿不完美的自然语言。早期的符号化方法基于人工定义的符号,构建了模块化框架,包括语义解析和任务规划,用于从自然语言请求产生动作序列。现代连接主义方法采用深度神经网络来自动学习视觉和语言特征,并以端到端的方式映射到一系列低级别的动作。这两种方法被混合以创建混合的模块化框架:它将指令遵循制定为通过深度神经网络的符号目标学习,然后通过符号规划器进行任务规划。连接主义和符号模块与规划领域定义语言连接在一起。视觉和语言学习网络预测其目标表示,并将其发送到规划器以产生完成任务的动作序列。为了提高自然语言的灵活性,我们进一步将隐含的人类意图与显式的人类指令相结合。为了学习视觉和语言的通用特征,我们建议在场景图解析和语义文本相似性任务上分别预训练视觉和语言编码器。基准评估的影响,不同的组件,或选项,视觉和语言学习模式,并显示预培训策略的有效性。在模拟器AI2THOR中进行的操作实验表明,该框架对新的场景具有鲁棒性。
2022-02-25 cs.RO
OpenSCvx: An Open-Source Modular and Extensible Nonlinear Trajectory Planning Package
University of Washington(华盛顿大学);General Robotics(通用机器人公司);University of California, Berkeley(加州大学伯克利分校);Zoox(Zoox公司)
该研究介绍开源Python框架OpenSCvx,它通过符号建模接口简化轨迹优化问题的构建与求解,支持连续时间约束等功能,助力快速开发与扩展轨迹优化方法。
2026-08-25 cs.RO math.OC
A Modular Framework for Motion Planning using Safe-by-Design Motion Primitives
University of Toronto(多伦多大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所)
该文提出一种模块化运动规划框架,利用安全设计运动原语和机动自动机约束,结合高低层反馈策略,实现多机器人鲁棒运动规划,并在四旋翼上验证。
2019-05-01 cs.RO cs.SY eess.SY
Motion Planning for Variable Topology Trusses: Reconfiguration and Locomotion
University of Pennsylvania(宾夕法尼亚大学);Texas A&M University(得克萨斯农工大学)
本文针对可变拓扑桁架机器人提出一种新的运动规划框架,通过重构拓扑结构显著改变机器人形态,并高效解决移动任务,实验验证了其有效性。
2023-09-25 cs.RO
Enhancing Robustness in Language-Driven Robotics: A Modular Approach to Failure Reduction
ISIR, Sorbonne Université, Paris(ISIR,索邦大学,巴黎)
本文提出一种模块化架构,通过引入预期结果模块和反馈机制解决LLM驱动机器人的落地对齐问题,在POMDP框架内提升小型本地LLM的任务规划鲁棒性和成功率。
2025-04-28 cs.RO
PlaCo: a QP-based robot planning and control framework
Univ. Bordeaux, CNRS, LaBRI, UMR 5800(波尔多大学);Inria, Auctus(法国国家科学研究中心)
本文提出PlaCo框架,通过高层接口简化机器人QP规划与控制问题的建模与求解,并同时提供Python绑定和C++实现以兼顾快速原型与实时性能。
2025-11-08 cs.RO
Leveraging Swarm Intelligence to Drive Autonomously: A Particle Swarm Optimization based Approach to Motion Planning
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院(KIT))
本文提出一种以 PSO 为核心、车型无关且易适配新场景的模块化运动规划流水线,并通过自动接驳车超过 3.500 公里的安全自主行驶验证其有效性。
2024-04-03 cs.RO
MARS-FTCP: Robust Fault-Tolerant Control and Agile Trajectory Planning for Modular Aerial Robot Systems
Department of Electrical and Computer Engineering, National University of Singapore(电子与计算机工程系,国立新加坡大学);Engineering Design and Innovation Centre, National University of Singapore(工程设计与创新中心,国立新加坡大学)
本文针对模块化空中机器人系统在对接分离时的振荡问题,提出一种适用于任意构型的容错控制重分配方法和敏捷避碰轨迹规划方法,首次实现MARS的容错避碰飞行,并通过仿真验证了其有效性。
2025-08-15 cs.RO cs.SY eess.SY
Development of a Modular Real-time Shared-control System for a Smart Wheelchair
在本文中,我们提出了一个模块化的导航系统,可以安装在一个定期电动轮椅,以协助残疾儿童和老年人的自主移动和共享控制功能。缺乏独立的行动能力会严重影响个人的心理和身体健康,使他们感到不太自立,特别是患有脑瘫和认知能力有限的儿童。为了解决这个问题,我们提出了一个相对便宜的和模块化的系统,使用立体摄像机来执行任务,如路径规划,避障和碰撞检测在狭窄的走廊环境中。我们避免对轮椅的硬件进行任何重大更改,通过将车轮编码器替换为用于视觉里程计的立体摄像头来轻松安装。一个开源软件包,实时的【形】基于外观的映射包,运行在机器人操作系统(ROS)的顶部,使我们能够执行视觉SLAM,允许映射和定位自己的环境。路径规划由ROS提供的move base软件包执行,该软件包快速有效地计算轮椅的路径轨迹。在这项工作中,我们提出了系统的设计和开发,以及其重要的功能。此外,我们报告的实验结果,从一个凉亭模拟和现实世界的情况下,证明我们提出的系统具有紧凑的形状因子和一个单一的立体摄像头的有效性。
2022-11-27 cs.RO
Yummy Operations Robot Initiative: Autonomous Cooking System Utilizing a Modular Robotic Kitchen and a Dual-Arm Proprioceptive Manipulator
Yummy Operations Robot Initiative
YORI是一种利用模块化厨房和双臂本体感知机械臂的自主烹饪系统,通过模块化设计和优化调度实现多道菜的高效烹饪。
2025-11-24 cs.RO
Modularis: Modular Underwater Robot for Rapid Development and Validation of Autonomous Systems
University of Florida(佛罗里达大学)
针对现成水下机器人难以兼顾成本、定制性与环境适应性,且定制建造昂贵耗时的问题,本文提出开源模块化水下机器人 Modularis,以加速感知、规划与控制算法的测试与验证。
2024-01-11 cs.RO
Pick and Place Planning is Better than Pick Planning then Place Planning
Kahlert School of Computing(卡勒特计算学院);Robotics Center(机器人中心);University of Utah(犹他大学);NVIDIA(英伟达公司)
提出一种联合抓取与放置规划的模块化算法,利用基于学习的抓取分类器从部分点云规划多指抓取,实验证明其优于传统顺序规划方法并实现更优放置配置。
2024-01-29 cs.RO
Integrated Modular Solution for Task Oriented Manipulator Configuration Design
Indian Institute of Technology Ropar(印度理工学院鲁尔基分校(罗帕尔分校))
模块化和可重构的机器人系统已经被设计为在受限环境中执行非重复性任务提供定制的解决方案。定制的解决方案通常是从可能的机械手配置的基于任务的优化中提取的,但是该解决方案不被集成,用于直接提供模块化组合物。在这项工作中,在第一阶段,找到非常规的最佳配置与最少的自由度的数量的策略进行了讨论,根据规定的工作地点和杂乱的环境。然后,在第二阶段,设计的模块化和可重构的架构,可以适应这些非常规的机器人参数。而不是产生和发展的模块化组合,提出了一种策略,通过它的非常规的最佳配置可以直接映射到模块化组合。使用机器人操作系统在给定的杂乱环境中进行规定工作位置之间的运动规划,对生成的模块组合进行验证。
2021-10-31 cs.RO
Motion Planning via Manifold Samples
Tel-Aviv University(特拉维夫大学);Hebrew University(希伯来大学)
我们提出了一个通用的和模块化的机器人路径规划的算法框架。我们的框架结合了几何方法的准确和完整的低维配置空间的分析,以及实用的,相当简单的采样为基础的方法,适用于更高的维度。为了促进先进的几何算法转化为实际应用,我们建议采取的样本是整个低维流形的配置空间,捕捉配置空间的连通性比孤立的点样本好得多。低维流形分析的几何算法提供了强大的原始操作。框架的模块化设计使得能够独立地优化每个模块化组件。事实上,我们已经开发,实施和优化了一个原始的操作完整和精确的组合分析的一组流形,使用安排曲线的合理功能和概念的通用编程。这反过来又使我们能够实现我们的框架的多边形机器人的具体情况下,多边形障碍物之间的平移和旋转。我们证明了几个精心设计的组件的集成导致显着的加速比流行的PRM基于采样的算法,这代表了更简单的方法,在实践中是普遍的。我们预见我们的框架可能的扩展,以解决高维问题超出运动规划。
2011-07-05 cs.CG cs.RO
Structured Task Solving via Modular Embodied Intelligence: A Case Study on Rubik's Cube
提出Auto-RubikAI模块化框架,结合知识库、视觉语言模型和大语言模型,以魔方复原为例实现无需演示的可解释结构化任务求解,在仿真和真实环境中达到79%成功率。
2025-07-08 cs.RO
Active Modular Environment for Robot Navigation
Tokyo Institute of Technology(东京工业大学)
本文提出了一种新的机器人与环境的交互导航任务,机器人既没有表示他们的工作空间,也没有规划功能,而是一个积极的环境负责这些方面。这是通过在空间上部署计算单元(称为单元)并使单元管理其各自物理区域中的流量来实现的。与污名化方法不同,细胞相互作用以管理环境信息并构建机器人如何移动的指令。作为一个概念验证,我们提出了一个架构称为AFADA和它的原型,由模块化的细胞和机器人移动的细胞。来自信元的指令基于分布式路由算法和预留协议。我们表明,AFADA实现了有效的机器人移动单机器人导航在动态环境中改变其拓扑结构的随机模型,相比自我导航的机器人本身。接下来是几个演示,包括多机器人导航,突出了从机器人到环境的表示和规划的能力。我们希望AFADA的概念有助于开发多机器人的基础设施,因为它可以参与在线和终身规划和执行。
2021-02-25 cs.MA cs.RO
Retrieval-Augmented Hierarchical in-Context Reinforcement Learning and Hindsight Modular Reflections for Task Planning with LLMs
Rutgers University–New Brunswick(罗格斯大学新不伦瑞克分校)
本文提出RAHL框架,用LLM高层策略将复杂任务分解为子任务,并结合事后模块化反思提升多轮执行效率,在三个基准环境和SPOT机器人上验证了决策能力的显著提升。
2024-10-04 cs.CL cs.RO
Industrial Robot Motion Planning with GPUs: Integration of cuRobo for Extended DOF Systems
University of California, Berkeley(加州大学伯克利分校)
本文将NVIDIA的cuRobo库集成至Vention平台,利用GPU加速、CAD数字孪生与实时并行优化,为扩展自由度工业机器人实现快速轨迹生成与动态避障,显著提升了规划速度与鲁棒性。
2025-08-11 cs.RO
Modelling, Simulation, and Planning for the MoleMOD System
Czech Technical University in Prague(布拉格捷克理工大学)
MoleMOD是一种异构的自重构模块化机器人系统,可用于建筑和土木工程。在本文中,我们提出了两个组成部分的MoleMOD基础设施-测试环境和规划算法。MoleMOD的有源部件和无源模块的仿真和可视化测试环境基于Gazebo -一款功能强大的通用机器人仿真器。关键的努力已经投入到准备的现实模型的被动和主动组件考虑到他们的物理特性。此外,给定的MoleMOD系统的初始配置和最终配置的方法来规划无碰撞的轨迹为一个舰队的活动部件介绍。
2020-07-20 cs.RO
MRTA-Sim: A Modular Simulator for Multi-Robot Allocation, Planning, and Control in Open-World Environments
Department of Electrical Engineering and Computer Sciences, University of California at Berkeley(加州大学伯克利分校电子工程与计算机科学系);Toyota Motor North America(丰田北美公司)
本文提出MRTA-Sim,一个基于Python/ROS2/Gazebo的模块化仿真器,用于在复杂室内环境中测试多机器人任务分配方法,结合NAV2规划与CBF-QP冲突消解,并通过SMT方法验证其有效性。
2025-04-21 cs.RO cs.SY eess.SY
APTree: Extended Behavior Trees for Adaptive and Scalable Automated Robotic Task Planning in Construction
University of Stuttgart(斯图加特大学);Institute for Computational Design and Construction(计算设计与建造研究所);Institute for Control Engineering of Machine Tools and Manufacturing Units(机床与制造单元控制工程研究所)
本文提出APTree框架,以行为树为执行模型,集成自动化任务规划与模块化执行,通过协调异构符号规划器生成大规模任务规划,可检测规划错误并保障执行安全,助力建筑从业者便捷使用自动化任务规划。
2026-10-14 cs.AI cs.RO cs.SE
A Novel and Accurate BiLSTM Configuration Controller for Modular Soft Robots with Module Number Adaptability
Scuola Superiore Sant’Anna(圣安娜高等科学院);The Chinese University of Hong Kong(香港中文大学)
本文针对模块化软体机器人精确控制难题,提出一种基于双向LSTM的构型控制器,通过仿真与真实机器人实验验证其在不同模块数量下的自适应控制能力。
2024-01-19 cs.RO
Perception-Informed Autonomous Environment Augmentation With Modular Robots
Cornell University(康奈尔大学);University of Pennsylvania(宾夕法尼亚大学)
我们提出了一个系统,使模块化机器人自主构建结构,以完成高层次的任务。建筑结构允许机器人克服大型障碍,扩大它可以执行的任务。这解决了模块化机器人系统的一个共同弱点,即通常难以穿越大型障碍物。本文介绍了硬件,感知和规划工具,包括我们的系统。环境表征算法识别环境中的特征,所述特征可以被增强以在环境的两个断开区域之间创建路径。特别设计的积木使机器人能够创建可以增强环境的结构,使障碍物可以穿越。一个高层次的规划者对任务、机器人运动能力和环境进行推理,以决定是否以及在哪里增强环境,以执行所需的任务。最后通过硬件实验对系统进行了验证
2018-03-01 cs.RO
Simultaneous Configuration Formation and Information Collection by Modular Robotic Systems
University of Nebraska at Omaha(内布拉斯加大学奥马哈分校)
我们考虑模块化机器人系统中的配置形成问题,其中一组在空间上分布在环境中的单体模块需要承担适当的位置,以便它们可以配置成一个新的,用户指定的目标配置,同时最大限度地提高收集的信息量,同时从初始位置导航到最终位置。每个模块在从其初始位置移动到目标位置时都有有限的能量预算。为了解决这个问题,我们提出了一个有限的,基于启发式搜索的算法,找到一条路径,最大化沿着路径的期望信息的熵。我们已经分析证明,我们提出的方法收敛在有限的时间内。实验结果表明,我们的规划方法具有较低的运行时间比基于拍卖的分配算法选择模块的位置。
2016-10-18 cs.RO
Hybrid Voting-Based Task Assignment in Modular Construction Scenarios
Computer Science Department Graduate Center, City University of New York(纽约城市大学研究生中心计算机科学系);Computer Science Department Hunter College and Graduate Center, City University of New York(纽约城市大学亨特学院及研究生中心计算机科学系)
针对模块化建筑多机器人协作的任务分配与协调难题,提出融合多投票机制、大语言模型与冲突搜索的HVBTA框架,可实现高效无冲突的任务分配与时空协调,适配模块化建筑的协作需求。
2025-05-19 cs.RO
Towards Open-Source and Modular Space Systems with ATMOS
KTH(皇家理工学院)
提出基于开源和模块化软硬件的空间机器人实验室ATMOS,通过软件在环架构实现仿真到硬件的无缝转移,为航天器自主控制提供可复现的实验平台及方法验证。
2025-03-06 cs.RO
Automated sequence and motion planning for robotic spatial extrusion of 3D trusses
Massachusetts Institute of Technology(麻省理工学院)
虽然机器人空间挤压已经证明了一种新的和有效的手段来制造三维桁架结构的建筑规模,一个主要的挑战仍然是在自动规划挤出序列和机器人运动桁架与无约束的拓扑结构。本文首次尝试在该领域严格制定挤压序列和运动规划(SAMP)的问题,使用CSP编码。此外,本研究提出一个新的层次规划框架,以解决挤压SAMP问题,通常有一个长期的规划视野和三维配置的复杂性。通过解耦序列和运动规划,规划框架能够有效地解决挤压序列,末端执行器位姿,关节配置,过渡轨迹与非标准拓扑结构的空间桁架。本文还提供了第一个详细的计算数据,以揭示解决SAMP问题的运行时瓶颈,这为未来的算法开发提供了洞察力和比较基线。连同算法的结果,本文还提出了一个开源和模块化的软件实现称为Choreo,是机器不可知的。为了证明该算法框架的强大功能,本文介绍了三个案例研究,包括真实制造和模拟结果。
2019-03-11 cs.RO
An Open-Source Modular Benchmark for Diffusion-Based Motion Planning in Closed-Loop Autonomous Driving
Graduate School of Information Science and Technology, The University of Tokyo(信息科学与技术研究生学校,东京大学);TIER IV, Inc.(TIER IV公司)
本研究提出开源模块化扩散运动规划基准,通过分解单体规划器并实现原生C++去噪循环,实现实车部署中运行时可配置的求解器参数和去噪过程的可观测性。
2026-03-01 cs.AI cs.RO
LTLCodeGen: Code Generation of Syntactically Correct Temporal Logic for Robot Task Planning
Contextual Robotics Institute, University of California San Diego(情境机器人研究所,加州大学圣地亚哥分校)
本文提出LTLCodeGen,利用代码生成将自然语言指令翻译为语法正确的线性时序逻辑公式,结合语义占用地图实现机器人导航任务规划,并在模拟和真实实验中验证其有效性。
2025-08-06 cs.RO
Parallel Self-assembly for Modular USVs with Diverse Docking Mechanism Layouts
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)(深圳市人工智能与机器人研究院);The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)(香港中文大学(深圳));School of Science and Engineering (SSE), The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)(香港中文大学(深圳)理工学院)
针对异构多机器人自组装研究空白,提出可配置对接机构的CuBoat无人水面艇、LADRC控制方案及通用并行自组装规划算法,经多场景仿真与实验验证了算法性能、可行性与通用性。
2024-01-27 cs.RO
Toward Safety-Aware Informative Motion Planning for Legged Robots
University of Michigan(密歇根大学)
本文报道了一个集成的框架,安全意识的信息运动规划适合足式机器人。信息收集计划者考虑到环境的密集随机地图,而安全约束通过控制障碍函数(CBF)来执行。该规划器是基于增量探索信息收集(IIG)算法,并允许使用模型预测控制(MPC)的形式主义闭环kinodynamic节点扩展。机器人探索和信息收集问题本质上是路径依赖问题。也就是说,沿着路径收集的信息取决于状态和观察历史。因此,仅基于模块化成本的运动规划不会导致用于探索的合适规划。我们提出了SAFE-IIG,这是一种综合信息运动规划算法,它考虑到:1)经由在环境的随机地图上计算的子模块信息函数的机器人的感知视场,2)经由用于闭环多水平节点扩展的离散时间CBF和MPC的机器人的动力学和安全约束,以及3)通过设置信息论规划视野的自动停止准则。仿真结果表明,SAFE-IIG算法能够在稠密地图上规划出安全的、动态可行的路径。
2021-03-26 cs.RO
Multi-Modal Multi-Agent Optimization for LIMMS, A Modular Robotics Approach to Delivery Automation
University of California, Los Angeles(加州大学洛杉矶分校)
在本文中,我们提出了一个运动规划LIMMS,一个模块化的多智能体,多模式的包交付平台。单个LIMMS单元是一种机器人,其可以根据其附接方式和附接对象而作为手臂或腿操作,例如,一个机械手,当它被锚定到运输车辆内的墙壁上时,或者一个四足机器人,当4个机器人被连接到一个盒子上时。在多个LIMMS之间进行协调,当每个LIMMS都可以承担非常不同的角色时,很快就会变得复杂。对于这样一个规划问题,我们首先组成必要的逻辑和约束。然后求解公式以进行技能探索,并在细化后在硬件上实现。为了解决这个优化问题,我们使用交替方向的乘法器(ADMM)。拟议的计划进行了实验,在各种情况下,显示能力的LIMMS进入不同的模式或它们的组合,以实现他们的目标,移动运输箱。
2022-07-31 cs.RO
Morphogenetic Assembly and Adaptive Control for Heterogeneous Modular Robots
Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University, Shanghai, China(上海智能自主系统研究院,同济大学,上海,中国);Department of Mechanical and Automation Engineering and T Stone Robotics Institute, The Chinese University of Hong Kong, Hong Kong(机械与自动化工程系和T Stone机器人研究院,香港中文大学,香港)
本文提出了一种闭环自动化框架,用于异构模块化机器人,通过分层规划和退火-方差MPPI控制器实现高效动态组装与实时运动控制。
2026-02-11 cs.RO
FlowPlan: Zero-Shot Task Planning with LLM Flow Engineering for Robotic Instruction Following
Southern University of Science and Technology(南方科技大学);National University of Singapore(新加坡国立大学)
提出FlowPlan,一种结构化多阶段LLM工作流,通过模块化分解规划过程,在零样本场景下生成逻辑连贯的动作序列并提取上下文指导,实现与数据驱动方法相媲美的机器人指令跟随性能。
2025-03-04 cs.RO
Underwater Multi-Robot Simulation and Motion Planning in Angler
Collaborative Robotics and Intelligent Systems (CoRIS) Institute, Oregon State University(协作机器人与智能系统研究所,俄勒冈州立大学);Department of Computer Science, Purdue University(计算机科学系,普渡大学)
针对水下多机器人系统部署成本高、现有Angler仿真框架不支持多机器人的问题,研究提出其模块化扩展,实现多机器人通信、运动规划、避障等功能,支撑相关开发与基准测试。
2025-06-07 cs.RO
Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing
Technical University of Munich(慕尼黑工业大学);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所)
针对自主赛车轨迹规划保守导致性能损失的问题,提出控制感知在线轨迹规划框架,通过动态调整约束补偿执行误差,在不增加计算负担的前提下缩短单圈时间1.8秒。
2026-08-17 cs.RO
PyRoki: A Modular Toolkit for Robot Kinematic Optimization
UC Berkeley(加州大学伯克利分校)
本文提出模块化跨平台工具包 PyRoki,用于求解机器人运动学优化问题,支持 CPU、GPU 和 TPU,在运动重定向与规划中表现优异,且比 cuRobo 快 1.4-1.7 倍并收敛到更低误差。
2025-05-06 cs.RO