RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control
The Hong Kong University of Science and Technology(香港科技大学);The Chinese University of Hong Kong(香港中文大学);SmartMore(思谋科技);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Shenzhen Loop Area Institute(深圳河套学院)
RESETTLE是一种模型无关的机器人恢复框架,通过分歧触发检索与高效校正控制,在仿真和真实任务中提升机器人操作成功率,且计算延迟显著低于对比方法,兼容高层智能体规划。
2026-10-09 cs.RO
Socially-aware Object Transportation by a Mobile Manipulator in Static Planar Environments with Obstacles
Computer Vision and Robotics Laboratory (VeRLab), Department of Computer Science, Universidade Federal de Minas Gerais(计算机视觉与机器人实验室(VeRLab)、计算机科学系、巴西矿务大学)
针对现有社会感知导航多针对移动机器人、缺乏移动操作臂专用方案的问题,提出基于Risk-RRT*框架的协同驱动方法,可在静态有人环境中实现带载移动操作臂的社会感知无碰撞物体运输,性能优于仅移动类方法。
2025-06-16 cs.RO
Self-Corrective Sensor Fusion for Drone Positioning in Indoor Facilities
University of Vigo(维戈大学)
针对室内工业设施中无人机需达到5厘米定位精度的需求,本文提出一种自校正传感器融合方法,利用滤波和聚类后的UWB数据校正视觉里程计读数,以替代直接卡尔曼融合,从而在视距阻断、噪声和视觉参考丢失等情况下保持无人机沿预定路径精确定位。
2024-03-30 cs.RO eess.SP
RoboRun: A Robot Runtime to Exploit Spatial Heterogeneity
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Harvard University(哈佛大学)
自主移动机器人有限的车载能量对实际部署提出了巨大的挑战。因此,高效的计算解决方案势在必行。最先进的计算解决方案的一个关键缺点是,它们忽略了机器人的操作环境异质性,并做出静态的最坏情况假设。由于这种异构性影响系统的计算有效负载,因此最佳系统必须动态地捕获环境中的这些变化并相应地调整其计算资源。本文介绍了RoboRun,移动机器人运行时,动态地利用计算环境的协同作用,以提高性能和能源。我们在机器人操作系统(ROS)中实现RoboRun,并在自主无人机上对其进行评估。我们将RoboRun与最先进的静态设计进行了比较,结果显示任务时间和能量分别提高了4.5倍和4倍,CPU利用率降低了36%。
2021-08-30 cs.RO
Socially reactive navigation models for mobile robots in dynamic environments
Instituto Superior Técnico(高等技术学院)
本研究提出自适应空间模型与改进的姿态估计算法,使移动机器人在动态环境中能社会可接受地近距离接近个人或群体,并通过仿真和实验验证其有效性。
2023-10-15 cs.RO
Improved hopping control on slopes for small robots using spring mass modeling
Georgia Southern University(佐治亚南方大学)
本文提出了一种基于弹簧质量建模的改进方法,通过调整着陆角度和施加校正力矩,提升小型机器人在斜坡上的跳跃稳定性与平衡性。
2026-03-06 cs.RO cs.SY eess.SY
CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies
Dalian University of Technology(大连理工大学)
针对VLA策略执行偏差问题,提出CARE框架,通过收集失败轨迹并建模偏差分布来生成纠正示范,结合3D监控触发原子调整,在模拟和真实任务中分别提升14.5和15.9个百分点成功率。
2026-09-22 cs.RO
Collision-Free MPC for Legged Robots in Static and Dynamic Scenes
Robotic Systems Lab, ETH Zürich(苏黎世联邦理工学院机器人系统实验室)
我们提出了一个模型预测控制器(MPC),自动发现无碰撞运动,同时考虑到系统动力学,摩擦约束和运动学限制。一个放松的障碍函数被添加到优化的成本函数,导致避免碰撞的行为,而不增加问题的计算复杂性。我们的整体方法不需要任何运动学,并使足式机器人找到全身运动中存在的静态和动态障碍。我们使用一个动态生成的欧几里德有符号距离场进行静态碰撞检测。动态障碍物的碰撞检查是用移动圆柱体建模的,增加了对快速移动代理的响应能力。此外,我们包括一个卡尔曼滤波器运动预测移动障碍到我们的后退地平线规划,使机器人能够预测未来可能发生的碰撞。我们的实验表明,无碰撞运动的四足机器人在具有挑战性的室内环境。机器人处理复杂的场景,如悬垂的障碍物和动态代理人探索运动在机器人的动态和运动学的限制。
2021-03-25 cs.RO cs.SY eess.SY
CoPAL: Corrective Planning of Robot Actions with Large Language Models
Honda Research Institute Europe(本田欧洲研究院)
本文提出CoPAL架构,利用大型语言模型协调推理、规划与运动生成,通过新颖的重新规划策略处理物理、逻辑和语义错误,并在模拟及积木世界、调酒师和披萨准备场景中验证了其提升可执行性、正确性和时间效率的效果。
2025-04-24 cs.AI cs.RO
Beyond Monotonic Progress: Retry-Supervised Value Learning for Robot Imitation
Tsinghua University(清华大学);University of Technology Sydney(技术科技大学);Microsoft Research Asia(微软亚洲研究院);KAIST(韩国科学技术院)
针对机器人模仿学习中演示数据包含错误与修正行为的问题,提出ReTVL框架,利用重试事件作为稀疏监督学习对错误敏感的值函数,通过全局进度校准与局部偏好学习捕捉错误-恢复结构,优化下游行为克隆。
2026-07-07 cs.RO
Concept-based Anomaly Detection in Retail Stores for Automatic Correction using Mobile Robots
TCS Research, Tata Consultancy Services Ltd.(塔塔咨询服务有限公司TCS研究院)
提出Co-AD方法,利用ViT自编码器在潜在空间进行异常值检测,无需陈列图即可标记零售店中放错位置的物品,并结合机器人移动操作管道实现自主纠正,减少人工干预。
2023-10-21 cs.CV cs.RO
External Camera-based Mobile Robot Pose Estimation for Collaborative Perception with Smart Edge Sensors
University of Bonn(波恩大学)
我们提出了一种方法来估计移动机器人的姿态w.r.t.使用多视图RGB图像的静态相机网络的非同心坐标。通过深度神经网络在智能边缘传感器上本地在线处理图像,以检测机器人并估计在3D机器人模型的独特位置处定义的2D关键点。机器人关键点检测在中央后端同步和融合,其中机器人的姿态通过多视图最小化重投影误差来估计。通过从外部摄像机的姿态估计,机器人的定位可以初始化在一个allocentric地图从一个完全未知的状态(被绑架的机器人问题),并随着时间的推移鲁棒跟踪。我们进行了一系列实验,评估基于摄像头的姿态估计的准确性和鲁棒性相比,机器人的内部导航堆栈,显示我们的基于摄像头的方法实现了低于3厘米和1°的姿态误差,并不会随着时间的推移漂移,因为机器人是本地化allocentrically。随着机器人的姿态精确估计,它的意见可以融合到allocentric场景模型。我们展示了一个真实世界的应用程序,其中从移动机器人和静态智能边缘传感器的观察融合协作建立一个3D语义地图的$\sim$ 240米$^2$室内环境。
2023-03-07 cs.CV cs.RO
Replanning Human-Robot Collaborative Tasks with Vision-Language Models via Semantic and Physical Dual-Correction
本文提出一种通过语义和物理双校正机制提升人机协作任务中机器人重新规划能力的框架,结合视觉语言模型与物理反馈纠正,提高任务执行的成功率和可行性。
2026-07-14 cs.RO
When Should a Failing Robot Ask? Initiating Corrective Human-Robot Dialogue from Audited Sensor Evidence
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Centific
针对失败机器人是否应询问人类的决策,构建模拟基准并测试视觉语言模型,发现模型行为受提示影响而非证据,提出应依据实测准确率与成本而非置信度来决定询问。
2026-09-21 cs.AI cs.HC cs.RO
Precision-Focused Reinforcement Learning Model for Robotic Object Pushing
Bielefeld University(比勒费尔德大学);Fraunhofer IOSB-INA(弗劳恩霍夫IOSB-INA研究所)
针对机器人非抓持操作中因物体物理属性差异导致推动精度不足的问题,提出一种基于记忆的视觉-本体感觉强化学习模型,能以更少的纠正动作将物体更精确地推至目标位置。
2024-11-13 cs.AI cs.RO
CAPE: Corrective Actions from Precondition Errors using Large Language Models
The University of Texas at Austin(得克萨斯大学奥斯汀分校);Brown University(布朗大学)
针对现有大语言模型规划方法无法解决动作失败根本原因的问题,提出CAPE方法,通过动作前提少样本推理生成纠正动作,在仿真和真实机器人上显著提升规划正确性与故障恢复能力。
2024-03-09 cs.AI cs.CL cs.LG
EgoRecovery: Acquiring Failure Recovery Ability Through Human Recovery Demonstration
Institute of Trustworthy Embodied AI (TEAI), Fudan University(复旦大学可信具身人工智能研究所);Shanghai Key Laboratory of Multimodal Embodied AI(上海多模态具身人工智能重点实验室)
研究如何让具身机器人从故障中恢复,提出EgoRecovery协同训练框架,利用以自我为中心的人类数据捕捉故障恢复过程,将人类恢复演示与机器人数据共享空间对齐,实验证明该方法在现实世界恢复任务中比多种基线方法成功率更高。
2026-07-24 cs.CV cs.RO
Dynamic Evaluation of Classical and Control-Aware Optimal Trajectory Planning in Robot Manipulators
研究机器人操作器轨迹规划,提出控制感知最优轨迹规划框架,纳入动力学和执行器努力,用中点线性化策略,通过统一评估框架对比经典方法,能降低跟踪误差等,证明仅运动学平滑不能确保高效执行。
2026-07-10 cs.RO
Autonomous Interpretation of Demonstrations for Modification of Dynamical Movement Primitives
LCCC Linnaeus Center(LCCC林纳尤斯中心);ELLIIT Excellence Center(ELLIIT卓越中心)
本文提出了一种框架,使机器人操作员能够直观地调整动力学运动原语(DMPs)。通过使用引导通过编程,操作员可以演示纠正轨迹,从而生成一个结合故障轨迹前部分和纠正轨迹后部分的修改DMP。
2019-05-27 cs.RO cs.SY eess.SY
Is Online Interaction Necessary for Recovery? A Minimalist Approach to Robust Planning via Perturbation
针对行为克隆在闭环执行中易受协变量偏移影响的问题,提出扰动增强恢复监督(PARS),仅用现有演示通过扰动状态并锚定轨迹后半段来提供恢复监督,无需额外交互或专家,在51个RLBench任务上验证了鲁棒性提升。
2026-09-29 cs.RO
IntervenGen: Interventional Data Generation for Robust and Data-Efficient Robot Imitation Learning
UC Berkeley(加州大学伯克利分校);NVIDIA(英伟达公司)
IntervenGen 系统从少量人类干预中自主生成大量覆盖丰富状态空间的纠正性干预数据,以提升机器人模仿学习策略在分布偏移下的鲁棒性,实验表明仅用 10 次人类干预即可将策略鲁棒性提高多达 39 倍。
2024-05-02 cs.AI cs.RO
ParkingWorld: End-to-End Autonomous Parking Reinforcement Learning from Corrective Experience in 3DGS Simulation
Tsinghua University(清华大学);Shanghai Jiaotong University(上海交通大学)
提出一种基于纠正性经验的样本高效强化学习框架(CIL-SERL),在逼真的3D高斯溅射(3DGS)仿真器中训练端到端自主泊车策略,通过多级回放缓冲区机制提高成功率、效率和安全性。
2026-05-26 cs.RO
Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization
运动规划是机器人技术中的一个关键环节,它使机器人能够自主导航。粒子群优化算法是一种简单但功能强大的优化技术,已被有效地应用于许多复杂的多维优化问题。提出了一种基于粒子群优化的路径规划算法,用于计算移动机器人在静态凸障碍物环境中的最短无碰撞路径。该算法通过对机器人起始位置和目标位置之间生成的网格线进行随机采样来找到最优路径。所提出的算法的功能说明通过不同的情况下的仿真结果。
2020-08-23 cs.RO
Sthymuli: a Static Educational Robot. Leveraging the Thymio II Platform
EPFL(洛桑联邦理工学院);ECAL(洛桑艺术设计大学)
针对教育机器人应用挑战及公众认知固化问题,研究团队基于Thymio II平台开发静态教育机器人Sthymuli,用于探索课堂新型人机互动,为相关对比研究提供基准,同时明确了开发约束、进展与未来方向。
2025-01-13 cs.RO
Feasible Static Workspace Optimization of Tendon Driven Continuum Robot based on Euclidean norm
Politecnico di Torino(都灵理工大学);Pprime Institute(Pprime研究所);University of Poitiers(普瓦捷大学);CNRS(法国国家科学研究中心);ISEA-ENSMA(国立高等机械与航空技术学院ISEA)
本文提出基于欧几里得范数的腱驱动连续机器人可行静态工作空间优化方法,通过遗传算法优化腱力以最大化工作空间。
2026-02-06 cs.RO
Piezoelectric Soft Robot Inchworm Motion by Tuning Ground Friction through Robot Shape: Quasi-Static Modeling and Experimental Validation
Princeton University(普林斯顿大学)
本研究针对压电软体机器人单自由度控制局限,通过协调五个附着于金属箔的压电致动器调控形状与地面摩擦,建立含重力的解析模型,在厚度不足0.5mm的机器人上实现了尺蠖式前后爬行运动。
2023-12-14 cs.RO
Design of Adaptive Compliance Controllers for Safe Robotic Assembly
Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
插入操作是大多数机器人装配操作的关键要素,并且钉孔(PiH)插入是工业和学术操纵社区中最广泛研究的任务之一。PiH插入实际上是一整类问题,其中问题的复杂性可以取决于插入尝试期间的未对准和接触形成的类型。在本文中,我们提出了自适应顺应性控制器的设计和分析,可用于插入型装配任务,包括基于学习的顺应性控制器,可用于插入问题中存在的不确定性,在机器人装配过程中的目标位置。我们首先提出了顺应性控制器的设计,它可以确保安全操作的机器人,通过限制经验丰富的接触力在接触形成。因此,我们提出了接触形成过程中获得的力签名的分析,以了解执行插入所需的纠正措施。最后,我们使用建议的合规性控制器和学习模型来设计一个政策,可以成功地执行插入在新的测试条件下,几乎完美的成功率。我们验证所提出的方法在物理机器人试验台上使用6自由度机械臂。
2022-04-22 cs.RO
Robot Perception of Static and Dynamic Objects with an Autonomous Floor Scrubber
University of Technology of Belfort-Montbéliard (UTBM)(贝尔福-蒙贝利亚尔技术大学);Technical University Wien (TU Wien)(维也纳技术大学);University of Lincoln(林肯大学)
介绍了一种新型的大型公共场所专用清扫机器人的感知系统。该系统基于多个传感器,包括3D和2D激光雷达,两个RGB-D相机和一个立体相机。两个激光雷达与一个RGB-D相机一起用于动态物体(人)检测和跟踪,而第二个RGB-D和立体相机用于检测静态物体(污垢和地面物体)。还介绍了基于感知管道的环境时空表示的学习和推理模块。此外,还发布了机器人在几个公共场所收集的新数据集,包括超市,仓库和机场。提供了该数据集的基线结果,以供进一步研究和比较。建议的系统已完全实现到机器人操作系统(ROS)具有高度的模块化,也公开提供给社会。
2020-02-24 cs.RO
Design Considerations for 3RRR Parallel Robots with Lightweight, Approximate Static-Balancing
Vanderbilt University(范德堡大学)
本文研究3RRR并联机器人在无平衡质量约束下仅用弹簧实现基于任务工作空间的近似静平衡,提出基座布置与扭转弹簧布置的设计考量,并验证绕线凸轮机构可显著提升平衡性能。
2023-06-22 cs.RO
HandelBot: Real-World Piano Playing via Fast Adaptation of Dexterous Robot Policies
Stanford University(斯坦福大学);Amazon FAR (Frontier AI & Robotics)(亚马逊前沿人工智能与机器人实验室)
本文提出HandelBot框架,结合仿真策略和快速适应,通过两阶段流程实现高精度双手钢琴演奏,实验表明其在真实环境中的表现优于直接仿真部署。
2026-05-15 cs.RO
Adaptive vs. Static Robot-to-Human Handover: A Study on Orientation and Approach Direction
Department of Engineering "Enzo Ferrari", University of Modena and Reggio Emilia(工程学院"Enzo Ferrari",摩德纳和雷吉奥艾米利亚大学);Department of Surgery, Medicine, Dentistry and Morphological Sciences, University of Modena and Reggio Emilia(外科、医学、牙科和形态学科学学院,摩德纳和雷吉奥艾米利亚大学)
本文提出了一种自适应框架,通过实时调整物体的交付姿态,提升人类抓取的效率和安全性,实验表明动态对齐能降低用户认知负荷和生理压力,增强对机器人可靠性的信任。
2026-06-23 cs.RO
Lightweight Kinematic and Static Modeling of Cable-Driven Continuum Robots via Actuation-Space Energy Formulation
针对连续体机器人连续变形形态带来的建模难题,提出LASEM轻量化框架,直接在驱动空间构建势能,统一运动学与静力学,适配多种工况且计算高效,经仿真验证准确,还可通过数值优化处理实际离散化问题。
2025-09-04 cs.RO
Bayesian Continuum Robot Dynamics and State Estimation
Vanderbilt University(范德堡大学);University of Utah(犹他大学)
针对连续体机器人在动态运动下现有状态估计方法忽略惯性效应的问题,提出基于Cosserat杆动力学的贝叶斯框架,将惯性和阻尼等效为载荷,实现随机前向仿真与联合状态估计,并经仿真和实验验证。
2026-09-18 cs.RO
STDArm: Transferring Visuomotor Policies From Static Data Training to Dynamic Robot Manipulation
University of Science and Technology of China(中国科学技术大学)
提出STDArm系统,通过包含动作管理器、轻量级预测网络稳定器和在线延迟估计模块的实时动作校正框架,将静态训练的视觉运动策略直接迁移至动态机器人平台,实现厘米级移动操作精度。
2025-04-26 cs.RO
Learning-Based Pressure Predictive Control of a Vertebraic Soft Robotic Tail
本文提出基于LSTM的压力预测控制(PPC)方法,用于椎骨软体机器人尾巴的运动控制及与四足机器人协调,通过IK、FK和压力补偿模型实现非静态与准静态控制,显著降低轨迹误差并提升实时性。
2026-09-28 cs.RO
Stability analysis of tensegrity mechanism coupled with a bio-inspired piping inspection robot
Léonard de Vinci Pôle Universitaire(莱昂纳多·达·芬奇大学中心)
管道检测机器人在工业中发挥着至关重要的作用,因为它们可以减少人类的工作量,并降低对生命的风险。一般来说,这些机器人的运动技术可以分为机械和仿生。法国LS2N公司设计并研制了一种刚性履带式巡检机器人,该机器人采用了槽形从动腿机构、直流电机和控制单元。该刚性原型有助于确定与管道壁实现良好接触力所需的静态力。为了实现机器人的曲面内工作,在机器人的各个模块之间引入了由三个拉簧和一个被动万向节组成的张拉整体机构。通过考虑拉索的预紧力,确定了机器人装配的最优参数,保证了整个机器人的稳定性。然而,在静态条件下,存在一些力的机器人,特别是张力整体机构的腿机构的一端与管道壁夹紧时。当管道的方向为水平时,这些力占主导地位。本文的目的是了解在机器人装配体自重作用下,弹簧刚度对张拉整体机构静稳定性的影响。
2022-06-03 cs.RO
Accelerated Quasi-Static FEM for Real-Time Modeling of Continuum Robots with Multiple Contacts and Large Deformation
School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Centre of AI and Robotics (CAIR), Hong Kong Institute of Science Innovation, Chinese Academy of Sciences(中国科学院香港创新研究院人工智能与机器人中心)
本文提出Acc-FEM方法,通过大变形准静态有限元模型、加速求解器和GPU并行计算,在保证精度的同时显著提升多接触连续体机器人的实时建模效率。
2025-03-10 cs.RO
Real-Time Robot Execution with Masked Action Chunking
University of Illinois Chicago(伊利诺伊大学芝加哥分校);University of Central Florida(中央佛罗里达大学);Cisco Research(思科研究)
REMAC通过遮蔽动作分块学习修正调整,提升机器人在异步推理中的执行可靠性与鲁棒性。
2026-01-27 cs.RO
Constraint-Free Static Modeling of Continuum Parallel Robot
本文提出了一种无约束的连续并联机器人静态建模方法,通过运动学嵌入消除连接约束,利用四阶Magnus近似和Riemannian Newton迭代实现几何一致的非线性求解,实验验证了模型的有效性。
2026-03-05 cs.RO
Towards intrinsic force sensing and control in parallel soft robots
University College London(伦敦大学学院)
随着软机器人越来越多地用于需要高且受控的接触力的设置中,最近的研究已经证明了使用软体机器人来估计或本质上感测力而不需要外部感测机构。虽然这主要在基于腱的连续体操纵器或包括推拉杆致动的可变形机器人中示出,但由于高致动可变性和非线性机械系统响应,流体驱动仍然构成巨大挑战。在这项工作中,我们调查的能力,液压,并联软体机器人内在的感觉,并随后控制接触力。一个全面的算法推导出静态,准静态和动态力传感依赖于流体的体积和压力信息的系统。以单自由度软射流作动器为例,验证了该算法的有效性。结果表明,在准静态配置中,作用在单个致动器上的轴向力可以在0至6 N的验证范围内以0.56 +- 0.66N的精度估计。将力传感方法应用于单驱动器和并联机器人的力控制。可以看出,力对于两个系统都是精确可控的,在多自由度并联软体机器人的情况下具有控制定向接触力的能力。
2021-11-19 cs.RO
Geometric Static Modeling Framework for Piecewise-Continuous Curved-Link Multi Point-of-Contact Tensegrity Robots
University of Alabama(阿拉巴马大学)
本文针对由两根半圆形曲杆和12根缆索构成的TeXploR张拉整体机器人,提出几何静力学建模框架,首次对非球形两点接触系统进行运动学与几何建模,并通过实验验证了模型精度。
2024-11-21 cs.RO
What Is My Robot Thinking? Design Considerations for Transparent and Trustworthy Shared Autonomy
Kahlert School of Computing, University of Utah(犹他大学计算学院);Robotics Center, University of Utah(犹他大学机器人中心)
通过用户实验研究共享自主系统中界面透明度(反馈模态和信息丰富度)对协调与信任的影响,发现反馈提高意图对齐、减少纠正干预,视觉优于听觉,信息丰富度偏好依赖任务复杂度,揭示完整信念分布并不一致提升对齐或信任。
2026-06-23 cs.RO
Target Reaching Behaviour for Unfreezing the Robot in a Semi-Static and Crowded Environment
AIRC;Softbank Robotics Europe(欧洲软银机器人公司)
机器人在人类半静态和拥挤的环境中导航可能会导致冻结问题,其中机器人由于人类站在其路径上并且没有其他路径可用而无法移动。机器人导航的经典方法没有提供这个问题的解决方案。在这种情况下,机器人可以与人类互动,以清除其路径,而不是将他们视为无生命的障碍物。在这项工作中,我们提出了一个轮式人形机器人的机器人行为,抱怨与社会规范清理其路径时,机器人被冻结,由于人类的存在。该行为由两个模块组成:1)检测模块,使用Yolo v3算法训练来检测人手和手臂。2)手势模块,其利用在使用近端策略优化算法的模拟中训练的策略。使用ROS框架对这两个模型进行了演示。
2021-01-27 cs.AI cs.RO
Aerial Drop of Robots and Sensors for Optimal Area Coverage
通过分配一组机器人或静态传感器通过空投的快速最佳覆盖的问题是这项工作的主题。考虑到一个非完整的(固定翼)航空机器人,对应于一组小型完整的(旋翼机)航空机器人以及静态模块,都配备了摄像头传感器的载体,我们解决的问题,选择最佳的空投时间和配置,而小型航空机器人的运动能力也被利用,以进一步调查他们的责任区,直到他们击中地面。整个解决方案框架由轻量级路径规划算法组成,这些算法几乎可以在任何机载处理单元上运行。模拟评估研究以及一组基本的实验证明了重要假设的有效性,说明了这种方法的潜力。
2017-11-28 cs.RO
Long-Term Dynamic Window Approach for Kinodynamic Local Planning in Static and Crowd Environments
University of California, Berkeley(加州大学伯克利分校)
针对差速轮式机器人难以同时适应静态与人群环境并满足运动动力学约束的问题,提出结合长期动态窗口与图优化的实时局部规划方法,在安全性、平滑性和整体性能上优于多数 SOTA 方法。
2023-10-04 cs.RO
Dynamic, Decentralized Spatial Code Reuse for OCDMA LiDAR in Robot Swarms
German Jordanian University(德国约旦大学)
本文提出一种去中心化动态空间码复用协议,基于干扰邻域图实现码数O(log N/log log N)增长,相比静态分配Θ(N)有显著改进,并在模拟中验证了更高的码复用效率和更低的碰撞风险。
2026-09-24 cs.RO
Guaranteed Encapsulation of Targets with Unknown Motion by a Minimalist Robotic Swarm
Cornell University(康奈尔大学)
我们提出了一个分散控制算法的机器人群体给定的任务封装静态和移动目标在一个有界的未知环境。我们认为最低限度的机器人没有记忆,明确的沟通,或本地化信息。国家的最先进的方法通常假设在群中的机器人能够检测到相邻的机器人和目标的相对位置,以提供收敛保证。在这项工作中,我们提出了一种新的控制律,保证封装的静态和移动目标,同时避免所有的碰撞,当机器人不知道任何机器人或目标在环境中的确切相对位置。我们利用李雅普诺夫稳定性理论证明我们的控制算法的收敛性,并提供目标和机器人的速度之间的比率的界限。此外,我们提出的方法是能够提供随机保证的范围内,我们确定的任务参数的情况下,目标移动速度比机器人。最后,我们提出了一个分析的紧急行为的变化与不同的参数的任务和嘈杂的传感器读数。
2023-01-13 cs.RO
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA(英伟达);University of Southern California(南加州大学);Amazon(亚马逊)
针对含交互动态障碍的杂乱环境,本文提出DREAM去中心化异步概率多机器人轨迹规划器,仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
AHEAD: Anticipatory Hand-Driven Teleoperation via Human Intent Prediction
Georgia Institute of Technology(佐治亚理工学院);Neuromeka Ltd.(Neuromeka有限公司);INRIA(法国国家信息与自动化研究所);University of Oxford(牛津大学)
研究旨在减少机器人反应时间并降低操作员工作量,提出AHEAD实时VR遥操作系统,通过处理手和头部信号及场景上下文预测意图,转换为稳定目标,该系统意图预测准确率高,能有效减少延迟并降低操作员负荷。
2026-07-17 cs.RO
Prof. Robot: Differentiable Robot Rendering Without Static and Self-Collisions
South China University of Technology(华南理工大学);School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院)
提出一种可微机器人渲染改进方法,通过学习神经碰撞分类器并利用Eikonal正则化优化动作,避免与静态环境和机器人自身的碰撞,提升物理交互可靠性。
2025-03-17 cs.CV cs.RO
Inverse Statics Optimization for Compound Tensegrity Robots
Department of Mechanical Engineering, University of California Berkeley(加州大学伯克利分校机械工程系);Intelligent Systems Division, NASA Ames Research Center(NASA阿姆斯研究中心智能系统部)
本文提出了一种方法,用于计算复合张力结构机器人的电缆张力,以实现静态平衡。该方法基于改进的力密度法,通过二次优化问题解决电缆张力计算,并通过仿真和硬件实验验证了其在脊柱机器人和四足机器人设计与控制中的有效性。
2020-01-03 cs.RO cs.SY eess.SY
Admissible Velocity Propagation : Beyond Quasi-Static Path Planning for High-Dimensional Robots
School of Mechanical and Aerospace Engineering, NTU(南洋理工大学机械与宇航工程学院);Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier (LIRMM), CNRS / Université de Montpellier(蒙彼利埃计算机、机器人与微电子实验室(LIRMM),法国国家科学研究中心/蒙彼利埃大学);Department of Mechano-Informatics, University of Tokyo(东京大学机械信息学系)
路径速度分解是一种直观而强大的方法,以解决复杂的Kinodynamic运动规划。困难的轨迹规划问题解决在两个单独的,更简单的步骤:第一,找到一个路径的配置空间,满足几何约束(路径规划),第二,找到一个时间参数化的路径满足kinodynamic约束。一个基本的要求是,在第一步中找到的路径应该是时间参数化的。大多数现有的作品通过在路径规划步骤中强制执行准静态约束来满足这一要求,从而导致完整性的重要损失。我们提出了一种方法,使路径速度分解,发现真正的动态运动,即运动,不是准静态可执行的。在所提出的方法的核心是一个新的算法--容许速度传播--给定一条路径和该路径开始时的可达速度的区间,精确有效地计算系统在遍历路径后可以达到的所有速度的区间,同时尊重系统kinodynamic约束。将该算法与通常的基于采样的规划器相结合,然后产生一个新的轨迹规划器,可以适当地处理kinodynamic约束,同时保留与路径速度分解相关的优点。我们证明了所提出的方法的效率,一些困难的kinodynamic规划问题,特别是准静态方法保证失败。
2016-09-30 cs.RO
Distributed Control within a Trapezoid Virtual Tube Containing Obstacles for Robotic Swarms Subject to Speed Constraints
Tiangong University(天津工业大学);Beihang University(北京航空航天大学)
本文将梯形虚拟管道扩展至含静态障碍物且受严格速度约束的场景,提出分布式群体控制器与避障切换逻辑,并经形式化证明、数值仿真和真实实验验证了其有效性。
2024-09-23 cs.RO
Continual Learning of Hand Gestures for Human-Robot Interaction
本文提出一种基于单个RGB相机的静态手势增量学习方法,仅用每类5个旧样本即可学习多达38个新符号,平均准确率超90%,并将训练时间降至全量数据的10%。
2023-04-13 cs.RO