Design And Control of A Robotic Arm For Industrial Applications
CMR Technical Campus（CMR技术学院）；JNTUH University College of Engineering, Science & Technology Hyderabad（贾瓦哈拉尔·尼赫鲁科技大学海得拉巴工程科学与技术学院）；Holy Mary Institute of Technology（圣玛丽技术学院）
本文提出了一种六自由度工业机器人臂，通过伺服电机和微控制器接口设计，并结合逆运动学算法和PID控制器，实现高精度和高重复性的自动化任务。
2025-11-10 cs.RO
Embodied intelligent industrial robotics: Framework and techniques
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Guangzhou Fuwei Intelligent Technology Co., Ltd（广州富唯智能科技有限公司）；Tsinghua University（清华大学）
本文提出了一种新的基于知识的具身智能工业机器人框架，旨在提升工业机器人在复杂环境中的智能水平和应用潜力。
2026-08-12 cs.RO
Backdoors in Learning-Based Industrial Robotic Arm Manipulation: An Empirical Security Study
University of Wisconsin Milwaukee（威斯康星大学密尔沃基分校）；IBM Research（IBM研究院）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
本研究在真实工业机械臂上实证评估后门攻击的隐蔽性与危害，提出在线防御流程以实时检测并中和触发器，兼顾防御效果与运行开销。
2026-10-06 cs.RO
Agentic Neuro-Symbolic Planning and Commissioning for Human-in-the-Loop Industrial Robotics with Digital Twins
Royal Institute of Technology (KTH)（皇家理工学院（KTH））
提出一种结合LLM语言理解与确定性验证执行的神经符号框架，采用SDI架构和两级恢复机制，在数字孪生中验证后执行，显著提升任务成功率。
2026-06-06 cs.RO
Workspace Registration and Collision Detection for Industrial Robotics Applications
Institute of Robotics（机器人研究所）；Johannes Kepler University（约翰·凯撒大学）
本文针对工业机器人运动规划中的环境感知问题，提出利用多种传感器获取点云，通过区域生长分割和VCCS算法识别碰撞物体并近似处理，旨在比较传感器性能并实现机器人与环境间的碰撞检测。
2025-10-27 cs.RO
Accelerometer-based control of an industrial robotic arm
University of Coimbra（科英布拉大学）
大多数工业机器人仍然使用典型的示教过程编程，通过使用机器人示教器。本文提出了一种基于加速度计的系统，使用两个低成本和小型的三轴无线加速度计来控制工业机器人。这些加速度计连接到人的手臂，捕捉其行为（手势和姿势）。一个人工神经网络（ANN）训练与反向传播算法被用来识别手臂的手势和姿势，然后将被用作输入的机器人的控制。目的是机器人几乎在用户开始执行手势或姿势的同时开始移动（低响应时间）。结果表明，该系统允许以直观的方式控制工业机器人。然而，手势和姿势的识别率（92%）应在未来提高，保持与系统响应时间（160毫秒）的妥协。最后，与工业机器人进行了一些测试的结果，并进行了讨论。
2013-09-09 cs.RO
Evolution of Safety Requirements in Industrial Robotics: Comparative Analysis of ISO 10218-1/2 (2011 vs. 2025) and Integration of ISO/TS 15066
Faculty of Mechanical Engineering, VSB—Technical University of Ostrava（机械工程学院，奥斯特拉瓦技术大学）；Faculty of Safety Engineering, VSB—Technical University of Ostrava（安全工程学院，奥斯特拉瓦技术大学）
本文通过比较 ISO 10218:2011 与 ISO 10218:2025 标准，分析工业机器人安全要求在功能安全、网络安全、机器人分类及协作应用等方面的演进，并整合 ISO/TS 15066，建立现代机器人系统设计与运行的全面框架。
2026-02-19 cs.RO
Robotic Skill Diversification via Active Mutation of Reward Functions in Reinforcement Learning During a Liquid Pouring Task
Cognitive Robotics, Delft University of Technology（德鲁特理工大学认知机器人学）；Department of Mechanical Engineering, Politecnico di Milano（米兰理工学院机械工程系）；Istituto Dalle Molle di studi sull’intelligenza artificiale (IDSIA USI-SUPSI), Scuola universitaria professionale della Svizzera italiana, DTI（智能人工智能研究所（IDSIA USI-SUPSI），瑞士意大利大学专业学院，DTI）
本文提出在强化学习奖励函数权重上施加高斯噪声的主动变异框架，以液体倾倒任务为例，使机器人不仅能产生多样化的倾倒行为，还能衍生出容器清洁、液体混合等新技能。
2025-09-22 cs.LG cs.RO
Can ROS be used securely in industry? Red teaming ROS-Industrial
Universität Klagenfurt（克拉根福大学）；Alias Robotics；Joanneum Research（约阿内研究所）
随着其在工业中的应用越来越广泛，ROS正迅速成为机器人领域的标准。虽然ROS 2的发展前景看好，但行业中缓慢的采用周期将推动ROS 2在未来几年内的广泛采用。与此同时，ROS将占上风，这就提出了一个问题：ROS是否可以安全地用于工业用例，即使它的起源没有考虑它？本研究通过在涉及ROS工业和ROS包的合成工业用例中进行有针对性的攻击性安全练习来实验性地分析这个问题。我们的练习导致了四组攻击，这些攻击设法破坏ROS计算图，并且除了一个之外，所有攻击都控制了大多数机器人端点。据我们所知，考虑到我们的设置，结果不利于ROS在当今工业中的安全使用，然而，我们设法确认某些机器人端点的安全性，并对确保ROS工业部署保持乐观。
2020-09-17 cs.RO
Evaluation of a Smart Mobile Robotic System for Industrial Plant Inspection and Supervision
Fraunhofer Institute for Highspeed Dynamics, Ernst-Mach-Institute (EMI)（弗劳恩霍夫高速动力学研究所恩斯特·马赫研究所）；Endress+Hauser Digital Solutions GmbH（恩德斯豪斯数字解决方案有限公司）；University of Freiburg（弗赖堡大学）；dotscene GmbH（dotscene有限公司）；Evonik Operations GmbH（赢创运营有限公司）；Telocate GmbH（Telocate有限公司）；University of Technology Nuremberg（纽伦堡工业大学）
本文提出了一种配备多模态传感器的自主导航机器人系统用于工业工厂巡检，并在化工厂废水处理场对其物体检测、3D定位、路径规划及甲烷泄漏和声学定位等能力进行了评估。
2024-02-12 cs.RO
Scalable and low-cost remote lab platforms: Teaching industrial robotics using open-source tools and understanding its social implications
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出两个基于ROS和ROS 2开源工具的低成本远程实验室平台，通过部署UR5机械臂和移动漫游车构建AAHS与AWMS系统，在7个月内经1400余名学生测试验证了其教学有效性。
2024-12-19 cs.RO
Edge-assisted Collaborative Digital Twin for Safety-Critical Robotics in Industrial IoT
University of Louisville（路易斯维尔大学）
数字孪生技术在现代工业发展中起着举足轻重的作用。特别是，随着物联网（IoT）的技术进步和自主化趋势的不断增强，配备多传感器的机器人可以创建实用的数字孪生，这在操作，维护和安全的工业应用中特别有用。在这里，我们展示了一个真实世界的数字孪生的安全关键的机器人应用与弗兰卡-帕卡-熊猫机器人手臂。我们开发和展示了一个边缘辅助协作数字孪生的动态避障，可以在实时适应的机器人，而在工业物联网的不确定性和动态环境中运行。
2022-09-26 cs.RO cs.SY eess.SY
Biology and Technology Interaction: Study identifying the impact of robotic systems on fish behaviour change in industrial scale fish farms
SINTEF Ocean AS（辛特夫海洋公司）；Norwegian University of Science and Technology（挪威科技大学）
本研究探讨了挪威养鱼场水下机器人作业对大西洋鲑鱼行为的影响，填补了现有水下机器人系统忽视其对鱼类影响的空白，并提供了案例研究、分析方法及初步结果。
2024-09-23 cs.RO
Lessons from the Field: A Case Study of Robotic Intervention in an Industrial Emergency
SIM Group, Technical University of Darmstadt（达姆施塔特工业大学SIM组）；German Rescue Robotics Center (DRZ)（德国救援机器人中心）
本文通过化学工厂火灾后机器人成功打开危险阀门的案例，展示了救援机器人的重要性，并分析了研究平台在实际部署中的局限。
2026-06-23 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
Opportunities and Limitations of Mixed Reality Holograms in Industrial Robotics
University of Augsburg（奥格斯堡大学）；XITASO GmbH（XITASO有限公司）
本文介绍了两个案例研究结合工业机器人领域与混合现实（MR）。这些案例研究的目的是更好地了解MR如何有用以及局限性是什么。第一个案例研究描述了一种可视化机器人手臂的数字孪生的方法。第二个案例研究旨在促进工业机器人的调试。此外，本文报告了通过实施这两个方案所获得的经验，并讨论了局限性。
2020-01-22 cs.HC cs.RO
Systematic Evaluation of Trade-Offs in Motion Planning Algorithms for Optimal Industrial Robotic Work Cell Design
Automation \& Control Institute, TU Wien, Vienna, Austria；AIT Austrian Institute of Technology GmbH, Vienna, Austria
针对工业机器人工作单元双层优化中运动规划权衡影响未明的问题，提出评估指标并通过仿真研究运动层简化对上层优化的影响，将算法应用于模块化机器人码垛场景的时间最优运动学设计。
2025-09-02 cs.RO
RoboBPP: Benchmarking Robotic Online Bin Packing with Physics-based Simulation
National University of Defense Technology（国防科技大学）；Institute of AI for Industries, Chinese Academy of Sciences（中国科学院人工智能产业研究院）；Wuhan University（武汉大学）；Shenzhen University（深圳大学）；JD Explore Academy（京东探索研究院）；China Post Technology Company（中国邮政技术公司）
本文提出RoboBPP基准系统，通过物理模拟和真实工业数据集，解决在线装箱中评估标准不统一的问题，提供结构稳定性与操作安全性等新指标。
2026-04-07 cs.RO
Desenvolvimento de ferramenta de simulação para auxílio no ensino da disciplina de robótica industrial
Universidade de Fortaleza (UNIFOR)（福塔莱萨大学）
目前，机器人技术不仅在工业领域，而且在消费和服务领域都是增长最快的领域之一。几个领域受益于机器人技术的进步，特别是工业领域受益于生产力和质量的提高。然而，为了满足这一不断增长的需求，新毕业的专业人员有必要对如何设计和控制机器人机械手有更深入的了解。这是合乎逻辑的，为了获得这种更深入的机器人知识，有必要有一个真正的机器人操作器的经验，因为实践是一个更有效的学习方式比理论。然而，众所周知，机器人手臂不是一个便宜的投资，它的维护也不便宜。因此，许多教育机构无法为学生提供这种类型的体验。考虑到这一点，并通过使用Unity 3D，这是一个游戏开发软件，一个机器人手臂模拟器已经开发出来，以关联课堂理论与实际发生的事情。在该模拟器上实现的机器人操纵器可以由逆运动学（这是工业标准）和正运动学控制。
2022-03-31 cs.GT cs.RO
Synthetic Dataset Generation and Learning From Demonstration Applied to Industrial Manipulation
University of Luxembourg（卢森堡大学）
本文研究面向工业装配的自动化操作流水线，提出合成数据集生成方法并结合示教学习替代人工编程，使非机器人专家也能通过示教引入新操作任务。
2024-03-30 cs.RO
LABIT: Long-Horizon Robotic Assembly Benchmark for Industrial Tasks
University of Applied Sciences Karlsruhe (HKA)（卡尔斯鲁厄应用科学大学（HKA））
针对传统机器人组装基准仅聚焦单一任务的不足，提出面向工业长 horizon 组装任务的 LABIT 基准，含多类 DIN 标准组装任务，用传统力-位置控制评估得到基线指标，可用于智能机器人系统鲁棒性评估。
2026-10-14 cs.RO
On Model Predictive Path Following and Trajectory Tracking for Industrial Robots
Norwegian University of Science and Technology（挪威科技大学）；SINTEF DIGITAL（SINTEF数字研究所）
在这篇文章中，我们将展示如何模型预测路径跟踪控制器允许机器人机械手停止在障碍物的方式，模型预测轨迹跟踪控制器不能。我们提出了这两个控制器应用于机器人机械手，模拟两连杆机械手使用内点求解器，考虑离散化的最优控制问题，使用配置或龙格库塔，并讨论我们的实施模型预测路径跟踪控制器的实时可行性。
2017-03-07 cs.RO
End-to-End O-RAN Testbed for Edge-AI-Enabled 5G/6G Connected Industrial Robotics
本文提出一个基于5G/6G O-RAN的端到端测试平台，用于支持边缘AI即服务的工业机器人应用，通过自主焊接场景验证数据采集、边缘处理和实时流处理的权衡。
2026-03-13 cs.NI cs.RO
On Fulfilling the Exigent Need for Automating and Modernizing Logistics Infrastructure in India: Enabling AI-based Integration, Digitalization, and Smart Automation of Industrial Parks and Robotic Warehouses
本文针对印度物流成本高的问题，提出建设智能工业园区并分阶段部署机器人自动化技术，结合云信息物理系统与数字孪生实现高效运营，同时指出数字孪生落地的多项挑战。
2023-10-02 cs.RO
High-level programming and control for industrial robotics: using a hand-held accelerometer-based input device for gesture and posture recognition
University of Coimbra（科英布拉大学）；University of Porto（波尔图大学）
目的-大多数工业机器人仍然使用典型的示教过程进行编程，通过使用机器人示教器。这是一项繁琐且耗时的任务，需要一些技术专长，因此需要新的机器人编程方法。本文的目的是提出一个机器人系统，允许用户指示和编程的机器人与高层次的抽象从机器人语言。设计/方法/方法-该论文详细介绍了一种机器人系统，该系统允许用户，特别是非专家程序员，以直观的方式指导和编程机器人，只是向它展示它应该做什么。这是使用两个最自然的人机界面（手势和语音），力控制系统和几个代码生成技术。将特别注意手势的识别，其中从Wii遥控器中嵌入的运动传感器（三轴加速度计）提取的数据用于捕获人手的行为。使用统计方法和人工神经网络识别手势（动态手位置）以及手动姿势（静态手位置）。实用意义-本文的主要贡献是，它提供了一个实用的方法来编程机器人通过手势和语音，提高工作效率，节省时间。独创性/价值-本文提出了一种替代典型的机器人教学过程中，扩展的概念，人机交互和同事的情况。由于大多数公司没有工程资源对其机器人制造系统进行更改或添加新功能，因此该系统对中小型企业来说是一个主要优势。
2013-09-09 cs.RO
A Cross-Embodiment Gripper Benchmark for Rigid-Object Manipulation in Aerial and Industrial Robotics
Faculty of Mechanical Engineering, Technical University of Kosice（机械工程学院，科西策技术大学）；GRVC Robotics Lab of Seville（塞维利亚GRVC机器人实验室）；Brubotics, Vrije Universiteit Brussel and IMEC（Brubotics、布鲁塞尔自由大学和IMEC）
本文提出跨体态夹具基准测试，用于评估夹具在不同机器人平台上的抓取性能和节能能力。
2025-12-01 cs.RO
A Modular Dual-Arm Robotic Cell for Disassembly and Repair of Industrial Control Electronics
Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用技术大学）
本文提出一种模块化双臂机器人单元，用于工业控制电子设备的维修导向拆解，通过ROS 2架构整合序列规划、感知与力控技能，覆盖多种拆解任务。
2026-09-24 cs.RO
Fully Convolutional One-Shot Object Segmentation for Industrial Robotics
University of Liverpool（利物浦大学）
稳健有效地识别和定位新对象的能力对于仓库或智能工厂中的机器人抓取和操作至关重要。深度卷积神经网络（DCNN）在用于目标检测和分割的已建立图像数据集上实现了最先进的性能。然而，在动态工业场景中应用DCNN，例如，仓库和自主生产仍然是一个具有挑战性的问题。DCNN在检测未经过训练的对象时会很快变得无效。由于使用最新数据进行重新训练非常耗时，DCNN无法满足未来工厂（FoF）关于快速开发和生产周期的要求。为了解决这个问题，我们提出了一种新的一次性对象分割框架，使用完全卷积的Siamese网络架构，基于单个原型图像检测先前未知的对象。我们转向多任务学习，以减少训练时间并提高分类精度。此外，我们引入了一种新的方法，以弱监督的方式自动聚类学习的特征空间表示。我们在RoboCup@Work数据集上测试了所提出的框架，模拟了FoF的要求。结果表明，经过训练的网络平均可以从单个示例图像中正确识别73%以前未见过的对象。正确识别的物体估计有87.53%的成功拾取率。最后，多任务学习将收敛时间降低了33%，准确率提高了2.99%。
2019-03-02 cs.RO
A Methodology for Approaching the Integration of Complex Robotics Systems Illustrated through a Bi-manual Manipulation Case-Study
Ocado Technology（奥卡多科技公司）
机器人的多学科性需要强大的集成方法，可以促进在工业应用中采用最先进的研究组件。不幸的是，没有明确的、社区接受的指导方针或标准来定义这些组件在单个机器人系统中的集成。在本文中，我们提出了一种方法，评估候选系统的软件组件的基础上所需的努力，以整合它们和它们的整合将对目标系统的影响。我们演示了如何使用工业工具包装系统作为一个例子，这种方法可以应用。该系统集成了广泛的内部和第三方研究成果和软件组件。我们证明了我们的方法的有效性，通过评估系统性能的实验基准，评估系统的鲁棒性，可靠性和运行速度给定的包装任务。我们还演示了如何使用我们的方法来预测组件所需的集成时间。所提出的集成方法可以应用于任何机器人系统，以促进其从研究过渡到工业环境。
2021-03-18 cs.RO
Reinforcement Learning for Robotic Insertion of Flexible Cables in Industrial Settings
Dept. of Electronic Engineering, Sogang University（电子工程系，成均馆大学）；Dept. of Artificial Intelligence, Sogang University（人工智能系，成均馆大学）
本文提出一种基于基础模型的real-to-sim强化学习算法，用于工业环境中柔性扁平线缆的插接任务，通过SAM2和VLM实现自动化语义分割以完成sim-to-real迁移，具备零样本直接部署能力。
2025-09-17 cs.RO
Towards Building AI-CPS with NVIDIA Isaac Sim: An Industrial Benchmark and Case Study for Robotics Manipulation
University of Alberta（阿尔伯塔大学）；The University of Tokyo（东京大学）；NVIDIA AI Tech Centre（英伟达人工智能技术中心）
本文提出基于NVIDIA Isaac Sim的机器人操作工业基准，涵盖八个任务和多个AI控制器，并开发兼容物理仿真器与OpenAI Gym的证伪框架，为AI赋能机器人系统的可靠设计与评估提供基础。
2023-07-31 cs.RO cs.SE
Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks
Siemens（西门子）；UC Berkeley（加州大学伯克利分校）
机器人插入任务的特点是接触和摩擦力学，使他们具有挑战性的传统反馈控制方法，由于未建模的物理效应。强化学习（RL）是一种很有前途的学习控制策略，在这样的设置。然而，强化学习在探索过程中可能是不安全的，并且可能需要大量的真实世界的训练数据，这是昂贵的collect. In本文中，我们研究如何使用Meta强化学习来解决大部分的问题，通过解决一个家庭的模拟工业插入任务，然后在现实世界中快速适应政策的仿真。我们通过训练代理成功地执行具有挑战性的现实世界的插入任务，使用不到20个试验的现实世界的经验来展示我们的方法。视频和其他材料可在https://pearl-insertion.github.io/上获取
2020-05-23 cs.LG cs.RO
Applications of UWB Networks and Positioning to Autonomous Robots and Industrial Systems
University of Turku（图尔库大学）
超宽带（UWB）技术是一种成熟的技术，在物联网出现时与其他无线技术竞争，但没有达到同样的广泛采用水平。然而，近年来，凭借其作为无线测距和定位解决方案的潜力，它重新获得了动力。在机器人领域内，UWB定位系统正越来越多地被用于定位自主地面或空中机器人。在工业物联网（IIoT）领域，其ad-hoc网络和同步定位的潜力也在探索中。这项调查概述了国家的最先进的超宽带网络和机器人和自主系统的定位。我们还涵盖了新的技术，重点是更具可扩展性的系统，协作的本地化方法，特设网络和解决方案，涉及机器学习，以提高准确性。据我们所知，这是第一次将机器人技术和IIoT观点结合在一起，并强调新颖的测距和定位模式。我们完成了对当前趋势和开放的研究问题的讨论调查。
2021-03-28 cs.RO
Autonomous Industrial Assembly using Force, Torque, and RGB-D sensing
University of Colorado, Boulder（科罗拉多大学博尔德分校）；Robotic Materials Inc.（机器人材料公司）
我们为机器人操作系统提供了算法和结果，该系统旨在易于编程并适应工业环境中常见的各种任务，其灵感来自2018年东京世界机器人峰会上的工业装配挑战赛。这项挑战包括将标准的商用工业零件组装成2D和3D组件。我们展示了三个任务，可以分为“钉在孔”和“孔上钉”的任务，并确定两个典型的算法：螺旋搜索和倾斜插入。这两种算法都在力和扭矩域中使用手动编码的阈值来检测组件中的关键点。在简要总结了最先进的研究后，我们描述了测试系统所采用的策略和方法，它的设计如何影响其性能，每个任务的20个实验试验的统计数据，在系统开发过程中吸取的经验教训，以及仍然存在的开放研究挑战。
2020-02-07 cs.RO
MultiPhysio-HRC: Multimodal Physiological Signals Dataset for industrial Human-Robot Collaboration
ARM-Lab, SUPSI（ARM实验室，SUPSI）；Faculty of Informatics, USI（信息学院，USI）；Bitbrain；Universidad de Zaragoza（萨拉戈萨大学）
本文提出面向工业人机协作的多模态生理信号数据集MultiPhysio-HRC，涵盖多类生理、音频及面部数据，结合多场景采集与心理问卷标注，经基线模型验证可支撑情感计算与人类感知机器人相关研究，目前已公开。
2025-10-01 cs.RO
A Composable Framework for Policy Design, Learning, and Transfer Toward Safe and Efficient Industrial Insertion
Carnegie Mellon University（卡内基梅隆大学）
精细的工业插入任务（例如，印制电路板组装）对于工业机器人来说仍然具有挑战性。这些挑战包括低误差容限、组件的精细度以及相对于要插入的组件的大的任务变化。为了为这些插入任务提供可行的机器人解决方案，我们还需要考虑现有机器人系统的硬件限制，并最大限度地减少集成工作。本文提出了一种组合框架，有效地整合现有的机器人平台上的安全插入策略，以完成这些插入任务。该策略具有可解释的模块化设计，可以在硬件上有效地学习，并容易地转移到新的任务。特别地，该策略包括作为用于插入的基线策略的安全插入代理、作为到机器人硬件的接口的最优可配置笛卡尔跟踪器、用于处理组件种类和插入错误的概率推理模块、以及用于优化上述模块中的参数以在指定硬件上实现最佳性能的安全学习模块。UR10机器人上的实验结果表明，该框架实现了安全性（对于组件的精细度），准确性（对于低公差），鲁棒性（对感知错误和组件缺陷），适应性和可移植性（对于任务变化），以及执行期间的任务效率加上学习期间的数据和时间效率。
2022-03-06 cs.RO
ScanBot: A Benchmark for Precision Robotic Surface Scanning with Industrial Laser Profilers
University of Connecticut（康涅狄格大学）
提出ScanBot基准，用于机器人工业激光轮廓仪的高精度表面扫描，包含二十个物体、六类任务，评估方法分为传感器参数推荐和轨迹生成两阶段。
2026-06-23 cs.RO
PanelShield: Verifiable Closed-Loop Safe Planning for Robotic Industrial Panel Operation
针对工业面板操作的安全约束规划问题，提出PanelShield框架，结合LTL与安全FSM实现可验证闭环规划，实验表明其可降低违规率至2.7%并提升任务性能。
2026-08-31 cs.AI cs.RO
Neural radiance fields in the industrial and robotics domain: applications, research opportunities and use cases
Technical University of Kosice, Slovakia（科希策技术大学）
本文综述了NeRF在工业与机器人领域的应用，并通过视频压缩和3D运动估计实验展示了其潜力，分别节省高达74%的压缩率及实现23 dB的PSNR。
2023-08-16 cs.LG cs.RO
Optimizing Grasping Precision for Industrial Pick-and-Place Tasks Through a Novel Visual Servoing Approach
针对工业拾取-放置任务中振动、路径偏差等导致物体位姿估计不准的问题，提出一种整合物体定位与视觉反馈精确控制的新型视觉伺服方法，提升抓取精度与环境适应性。
2025-01-24 cs.RO
Robotic Foundation Models for Industrial Control: A Comprehensive Survey and Readiness Assessment Framework
Siemens AG（西门子股份公司）
本文调研了工业控制中机器人基础模型的应用现状，通过系统评估框架分析了其工业适用性，指出工业成熟度有限，需加强安全、实时性、感知与集成等关键因素的系统性考虑。
2026-03-06 cs.AI cs.RO
Multi-Camera Hand-Eye Calibration for Human-Robot Collaboration in Industrial Robotic Workcells
University of Padova（帕多瓦大学）
本文针对工业机器人工作单元中人机协作的多相机手眼标定问题，提出一种融合标定板到末端执行器变换和相机间相对变换约束的鲁棒标定方法，在 METRIC 数据集和真实工业数据上以少于 10 张图像即可超越现有最先进技术，并开源了算法实现。
2024-06-17 cs.CV cs.RO
On reverse-engineering the KUKA Robot Language
Institute for Software and Systems Engineering, University of Augsburg（奥格斯堡大学软件与系统工程研究所）；KUKA Roboter GmbH（库卡机器人有限公司）；MRK-Systeme GmbH（MRK系统有限公司）
大多数工业机器人的商业制造商都要求他们的机器人使用专门针对该领域的专有语言进行编程-典型的领域特定语言（DSL）。然而，这些语言经常遭受诸如特定于制造商的设计、有限的表达能力和缺乏可扩展性的缺点。出于这个原因，我们开发了可扩展的Robotics API，用于在通用语言之上对工业机器人进行编程。虽然这是一种非常灵活的工业机器人编程方法，但对于简单的任务来说，一种完全成熟的语言可能过于复杂。此外，必须维护对用原始DSL编写的代码的遗留支持。出于这些原因，我们在我们的Robotics API之上提出了一个典型机器人DSL的轻量级实现，KUKA机器人语言（KRL）。这项工作涉及逆向工程语言和映射到机器人API的细节的挑战。我们介绍了两种不同的方法来解释和执行KRL程序：基于树和基于字节码的解释。
2010-09-25 cs.RO
Real-time QoS Routing Scheme in SDN-based Robotic Cyber-Physical Systems
Delta-NTU Corporate Lab for CPS（Delta-NTU企业合作CPS实验室）
近年来，工业网络物理系统（CPS）因其在第四次工业革命（工业4.0）中的自动化和成本降低能力而受到制造商的极大关注。这种连接的网络和物理组件的工业网络可能包括非常昂贵的组件，例如机器人。为了在这样的网络中提供有效的通信，必须提高服务质量（QoS）。软件定义网络（SDN）通过允许集中式控制器利用统一接口对每个流进行编程，已经成为以动态方式实现QoS概念的关键技术。然而，最先进的解决方案不能有效地使用SDN的集中可见性来满足这种工业网络的QoS要求。在本文中，我们提出了一个基于SDN的路由机制，试图提高机器人的网络物理系统，具有硬实时的【形】要求的QoS。我们利用SDN的能力，动态选择路径的基础上，当前的链路参数，以提高在这种延迟约束的网络的QoS。我们验证了一个现实的工业OpenFlow拓扑所提出的方法的效率。我们的实验表明，所提出的方法显着优于现有的基于延迟的路由机制的平均吞吐量，端到端的延迟和抖动。所提出的解决方案将被证明对机器人网络物理系统的工业应用具有重要意义。
2020-04-09 cs.NI cs.RO
Industry 4.0 and Prospects of Circular Economy: A Survey of Robotic Assembly and Disassembly
尽管他们的贡献，金融效率和环境的可持续性的工业流程，机器人装配和拆卸已在现有的文献研究不足。这与它们在实现第四次工业革命中的重要性相矛盾。更具体地说，尽管大多数文献广泛讨论了如何最佳地组装或拆卸给定的产品，其他因素的作用被忽视了。例如，执行顺序计划所涉及的机器人类型，理想情况下，应该在设计、装配、拆卸和重新装配的整个链条中考虑到这一点。将上述操作与相关生态系统的其他组成部分隔离开来，可能会导致对基本程序的必要性和效率的错误推断。在本文中，我们试图减轻这些缺点，全面调查的国家最先进的机器人装配和拆卸。我们考虑和审查制造和再制造框架的各个方面，同时特别关注它们对支持循环经济的可取性。
2021-06-14 cs.RO
Industrial Robot Grasping with Deep Learning using a Programmable Logic Controller (PLC)
Siemens（西门子）；University of California, Berkeley（加州大学伯克利分校）；Ambidextrous Laboratories, Inc（Ambidextrous Laboratories公司）
从堆中普遍抓取各种以前看不见的物体是电子商务订单履行，制造和家庭服务机器人的巨大挑战。最近，基于深度学习的抓取方法已经证明了结果，使它们对工业部署越来越感兴趣。本文从自动化系统的角度探讨了这个问题。我们使用Dex-Net开发了一个机器人抓取系统，该系统在控制器级别完全集成。两个神经网络部署在一个靠近PLC的新型工业AI硬件加速模块上，整个系统的功率占用小于10 W。软件与硬件紧密集成，可实现快速高效的数据处理和实时通信。如果物体和接收箱非常接近，则从箱中抓取物体的成功率高达95%，每小时拾取超过350次。该系统在2019年汉诺威工业博览会（世界上最大的工业贸易博览会）和其他活动上展出，每次活动的抓取次数超过5，000次。
2020-04-21 cs.RO
Robotics Software Engineering: A Perspective from the Service Robotics Domain
University of Gothenburg（哥德堡大学）；Radboud University Nijmegen（拉德堡德大学）；University of Bergamo（贝加莫大学）
通过执行有用的任务来支持人类的机器人（又称，服务机器人）在全球范围内蓬勃发展。与工业机器人相比，服务机器人的发展带来了严重的软件工程挑战，因为它们需要高水平的鲁棒性和自主性，以便在高度异构的环境中运行。作为一个具有关键安全影响的领域，服务机器人面临着对良好软件开发实践的需求。在本文中，我们提出了第一个大规模的实证研究，以评估国家的艺术和机器人软件工程的实践。我们对来自9个不同国家的15家公司的工业从业者进行了18次半结构化访谈，并对来自机器人领域的156名受访者（来自26个国家）进行了调查。我们的研究结果提供了一个全面的图片（i）机器人工业和学术从业者应用的实践，包括过程，范例，语言，工具，框架和重用的做法，（ii）机器人软件工程的显着特点，（iii）经常面临的挑战，以及采用的解决方案。本文最后讨论的意见，推导出的假设，并提出行动的研究人员和从业人员。
2020-09-08 cs.RO cs.SE
Supervised Training of Dense Object Nets using Optimal Descriptors for Industrial Robotic Applications
Bosch Center For Artificial Intelligence（博世人工智能中心）
Florence，Manuelli和Tedrake（2018）的Dense Object Nets（DONs）引入了密集对象描述符作为机器人社区的一种新的视觉对象表示。它适用于许多应用，包括对象抓取，策略学习等。DON将描绘对象的RGB图像映射到描述符空间图像中，该图像隐式地编码对象的相对相机姿态不变的关键特征。令人印象深刻的是，DON的自我监督训练可以应用于任意对象，并且可以在几个小时内进行评估和部署。然而，训练方法依赖于准确的深度图像，并且在使用消费级深度相机时面临着工业环境中典型的小反射物体的挑战。在本文中，我们表明，给定一个对象的3D模型，我们可以生成其描述符空间图像，这使得监督训练的DON。我们依靠Laplacian Eigenmaps（LE）将对象的3D模型嵌入到最佳生成的空间中。虽然我们的方法使用了更多的领域知识，但它甚至可以有效地应用于较小的反射对象，因为它不依赖于深度信息。我们比较了生成工业对象的6D抓握的训练方法，并表明我们新的监督训练方法提高了行业相关任务中的拾取和放置性能。
2021-02-16 cs.CV cs.RO
BANSAI: Towards Bridging the AI Adoption Gap in Industrial Robotics with Neurosymbolic Programming
ArtiMinds Robotics（阿蒂敏兹机器人公司）；Institute for Artificial Intelligence, University of Bremen（不来梅大学人工智能研究所）；wbk Institute of Production Science, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院生产科学wbk研究所）
本文从工业从业者视角分析了机器人领域的AI采用鸿沟，提出BANSAI方法，系统利用神经符号AI原则在现代工业机器人编程工作流中实现数据驱动的亚符号程序合成与优化，并规划了现实验证路径。
2024-04-21 cs.AI cs.CE cs.LG
Digital Twin in Safety-Critical Robotics Applications: Opportunities and Challenges
University of Louisville（路易斯维尔大学）
数字孪生技术被认为是现代工业发展的一个组成部分。随着物联网（IoT）技术的快速发展和自动化趋势的日益增强，虚拟世界和物理世界之间的集成现在可以实现，以产生实用的数字孪生。然而，现有的数字孪生的定义是不完整的，有时含糊不清。本文通过对数字孪生概念的历史回顾和现代一般性观点的分析，提出了数字孪生的新的扩展定义。我们还回顾和讨论了现有的工作在数字孪生在安全关键的机器人应用。特别是，由于环境挑战，在工业应用中使用数字孪生需要自主和远程操作。然而，环境中的不确定性可能需要机器人的密切监测和快速适应，这需要安全性和成本效益。我们展示了一个案例研究，开发一个框架的安全关键的机器人手臂应用程序，并提出了系统的性能，以显示其优势，并讨论了未来的挑战和范围。
2022-09-26 cs.RO
Bioinspired composite learning control under discontinuous friction for industrial robots
Sun Yat-sen University（中山大学）；Shandong University（山东大学）；University of Shanghai for Science and Technology（上海理工大学）；University of Lorraine（洛林大学）
针对不连续摩擦下工业机器人参数不确定导致自适应控制性能难提升的问题，提出受人类运动学习启发、利用数据记忆的复合误差学习自适应控制方法，并在DENSO机器人实验中验证其更优跟踪性能。
2022-06-24 cs.RO
Safety assurance of an industrial robotic control system using hardware/software co-verification
University of Agder (UiA)（阿格德大学）；University of York（约克大学）；Norwegian University of Life Sciences (NMBU)（挪威生命科学大学）；ABB Robotics（ABB机器人公司）
作为工业机器人的一个普遍趋势，越来越多的安全功能正在被开发或重新设计，以便在软件中处理，而不是由物理硬件（如安全继电器或联锁电路）处理。这种趋势加强了补充传统的，基于输入的测试和质量程序的重要性，这些程序在当今工业中广泛使用，形式化验证和模型检查方法。为此，本文重点介绍了ABB工业喷漆机器人中具有代表性的安全关键系统，即高压静电控制系统（HVC）。HVC产生的高压，安全运行所必需的实际收敛，正式验证使用一种新的和一般的协同验证框架，其中硬件和软件模型通过平台映射相关。这种方法可以将高度多样化和专业化的工具进行务实的组合。本文的主要贡献包括如何硬件抽象和验证结果可以在工具之间传输，以验证系统级的安全属性的细节。值得注意的是，本文中考虑的HVC应用具有相当通用的反馈控制器形式。因此，这里报告的联合验证框架和经验也与跟踪设定点参考的任何网络物理系统高度相关。
2021-12-27 cs.FL cs.RO
Grasping in Uncertain Environments: A Case Study For Industrial Robotic Recycling
Technical University of Munich（慕尼黑工业大学）
本文针对 WEEE 设备回收中视觉数据不确定的机器人拆解问题，提出三种夹持器及基于触觉和柔顺控制的力操控策略，并在实验室和工厂实验中验证其显著提升抓取成功率。
2025-01-03 cs.RO cs.SY eess.SY
Cross-Modal Analysis of Human Detection for Robotics: An Industrial Case Study
Robert Bosch GmbH（罗伯特·博世有限公司）
传感和学习算法的进步已经为机器人的人体检测带来了越来越成熟的解决方案，特别是在特定的用例中，例如自动驾驶汽车的行人检测或消费者环境中的近距离人员检测。尽管取得了这一进展，但简单的问题“哪种传感器算法组合最适合手头的人员检测任务？“仍然很难回答在本文中，我们通过对机器人中通常使用的传感器-算法组合进行系统的跨模态分析来解决这个问题。我们比较了2D范围数据、3D激光雷达和RGB-D数据以及在具有挑战性的工业用例中选定的组合的最先进的人员检测器的性能。我们进一步解决了工业目标领域数据稀缺的相关问题，并且最近对3D点云中人体检测的研究主要集中在自动驾驶场景上。为了利用这些方法的进步，机器人应用，我们利用一个简单的，但有效的多传感器迁移学习策略，通过扩展一个强大的基于图像的RGB-D检测器，以提供弱的三维限界框标签形式的激光雷达检测器的跨模态监督。我们的研究结果表明，在检测性能，泛化，帧速率和计算要求的不同方法之间的差异很大。由于我们的用例包含代表广泛的服务机器人应用的困难，我们相信这些结果指出了进一步研究的相关开放挑战，并为从业者设计他们的机器人系统提供了宝贵的支持。
2021-08-03 cs.CV cs.RO
