Object SLAM-Based Active Mapping and Robotic Grasping
Northeastern University(东北大学);The Chinese University of Hong Kong(香港中文大学);Ulster University(阿尔斯特大学)
本文提出了复杂的机器人操作和自主感知任务的第一个主动对象映射框架。该框架是建立在一个对象SLAM系统集成了一个同时的多目标姿态估计过程,优化机器人抓取。为了降低目标物体的观测不确定性,提高其位姿估计精度,设计了一种物体驱动的探测策略来指导物体映射过程,实现自主映射和高层次感知。结合映射模块和探索策略,可以生成与机器人抓取兼容的精确对象地图。此外,定量评估还表明,所提出的框架具有很高的映射精度。实验操作(包括对象抓取和放置)和增强现实显着证明了我们提出的框架的有效性和优势。
2021-10-16 cs.CV cs.RO
Accelerating Robotic Reinforcement Learning via Parameterized Action Primitives
Carnegie Mellon University(卡内基梅隆大学)
尽管强化学习(RL)在构建通用机器人系统方面具有潜力,但由于在纯粹连续的动作空间中探索的困难,训练RL代理来解决机器人任务仍然具有挑战性。解决这个问题是一个活跃的研究领域,主要集中在通过更好的优化或更有效的探索来改进RL方法。另一个需要考虑改进的重要组件是RL算法与机器人的接口。在这项工作中,我们手动指定一个库的机器人动作原语(RAPS),参数化的参数,学习的RL策略。这些参数化原语具有表达性,易于实现,能够进行有效的探索,并且可以在机器人,任务和环境之间传输。我们进行了彻底的实证研究,在三个不同的领域与图像输入和稀疏的终端奖励具有挑战性的任务。我们发现,我们对动作界面的简单改变大大提高了学习效率和任务性能,无论底层RL算法如何,都显著优于从离线专家数据中学习技能的先前方法。https://mihdalal.github.io/raps/上的代码和视频
2021-10-28 cs.AI cs.CV cs.LG
Online Localisation and Colored Mesh Reconstruction Architecture for 3D Visual Feedback in Robotic Exploration Missions
ONERA(法国航空航天实验室);Université Paris-Saclay(巴黎萨克雷大学);University of Toulouse(图卢兹大学)
本文介绍了一种用于地面探测机器人的在线定位和彩色网格重建(OLCMR)ROS感知体系结构,旨在在具有挑战性的未知环境中执行鲁棒的同时定位和映射(SLAM),并提供实时的相关彩色3D网格表示。它旨在由远程操作员使用,以便在任务期间或之后轻松可视化地图环境,或作为探索机器人领域进一步研究的开发基础。该架构主要由精心选择的基于LiDAR的SLAM算法的开源ROS实现以及使用点云和投影到3D空间的RGB相机图像的彩色表面重建过程组成。的整体性能进行评估,在较新的学院手持激光雷达视觉参考数据集和两个实验轨迹上收集的代表性轮式机器人在城市和农村的户外环境。索引词:现场机器人,地图,SLAM,彩色表面重建
2022-07-21 cs.CV cs.RO
An Extended Treatment of Uncertainty Constrained robotic Exploration: An Integrated Exploration Planner
Cornell University(康奈尔大学)
高效的机器人探索未知的,传感器有限的,全球信息不足的环境提出了独特的挑战,路径规划算法。在这些困难的环境中,一般来说,无法确定路径完成和任务成功的保证。集成探索(IE),努力结合定位和探索,必须解决,以创建一个自主机器人系统能够在新的和具有挑战性的环境中长期运行。本文制定了一个概率框架,允许创建的探索算法提供概率保证成功。一个新的连接之间的哈密顿路径问题和探索。保证概率信息资源管理器(G-PIE)开发的IE问题,提供了一个概率保证路径完成,渐近最优的探索。提出了一种称为RH-PIE的滚动时域公式,它解决了G-PIE中存在的指数复杂性。最后,RH-PIE规划器通过自主,硬件在环实验进行了验证。
2017-04-28 cs.RO
Robotic Exploration for Mapping
University of California, San Diego(加州大学圣地亚哥分校);Contextual Robotics Institute(情境机器人研究所)
本文综述机器人探索、自主导航与传感器技术的最新研究进展,重点讨论面向无人载具、用于未知区域建图的机器人探索算法及其典型应用。
2023-07-17 cs.RO
Recent Developments in the Optimization of Space Robotics for Perception in Planetary Exploration
Institute of Space Technology(空间技术研究所)
下面的论文回顾了空间机器人优化领域的最新发展。本文的重点是在空间机器人的感知(机器人分析环境的感觉)在探索外星行星。机器人在探索地外和行星体方面发挥着至关重要的作用。他们的优势远非指尖所能数得清。随着机器人领域自主机器人的出现,太空探索的作用进一步提升。这种自主机器人的优化已经成为一个小时的必要性。优化的机器人往往在太空探索中发挥更大的作用。有这么多的考虑因素要监控,一个优化的解决方案将有助于行星漫游者在紧张的环境下表现得更好。针对上述问题,本文介绍了自主式地外漫游车优化设计的最新进展。
2015-05-03 cs.RO
Learning-Guided Sparsification of Dynamic Graphs in Robotic Exploration
Independent Researcher(独立研究者);University of Tennessee, Knoxville(田纳西大学,基洛尼尔);University of California, Riverside(加州大学河滨分校)
本文提出基于Transformer的框架,利用PPO算法在机器人探索中稀疏化动态图,减少冗余信息,提升性能,实验表明该方法能有效降低图规模并提高探索一致性。
2026-08-17 cs.LG cs.RO
Where-to-Learn: Analytical Policy Gradient Directed Exploration for On-Policy Robotic Reinforcement Learning
本文提出利用可微动力学模型的分析性策略梯度,引导机器人强化学习探索更优轨迹,提升策略学习效率和质量。
2026-04-01 cs.RO
Quad2Plane: An Intermediate Training Procedure for Online Exploration in Aerial Robotics via Receding Horizon Control
University of Bristol(布里斯托大学)
数据驱动的机器人依赖于准确的现实世界表示来学习有用的策略。尽管我们尽了最大的努力,zero-shot仿真到现实迁移仍然是一个未解决的问题,我们经常需要允许我们的代理在线探索,以学习对给定任务有用的策略。对于许多应用领域的机器人在线探索是昂贵和危险的,这是特别真实的固定翼空中机器人。为了应对这些挑战,我们提供了一个用于现场机器人学习的中间解决方案。我们研究了使用不同的平台车辆学习,并提供了一个程序来模仿一个车辆与另一个的行为。我们特别考虑的问题,训练固定翼飞机,昂贵和危险的车辆类型,使用多旋翼主机平台。使用模型预测控制方法,我们设计了一个控制器,能够模仿另一个车辆的行为,在模拟和现实世界。
2022-03-21 cs.RO
Exploration of Finite 2D Square Grid by a Metamorphic Robotic System
Kyushu University(九州大学)
我们考虑探索有限的二维正方形网格的变形机器人系统组成的匿名遗忘模块。变形机器人系统的可能形状的数量随着模块数量的增加而增加。系统的形状作为其记忆并显示其功能。我们认为全球指南针上的最小数量的模块,探索一个有限的二维正方形网格的效果。我们表明,如果模块同意的方向(北,南,东,西),三个模块是必要的和充分的探索从一个任意的初始配置,否则五个模块是必要的和充分的限制初始配置。
2019-06-04 cs.DC cs.RO
Active Exploration for Robotic Manipulation
Technical University of Darmstadt(达姆施塔特工业大学);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
尽管近年来机器人技术和机器学习取得了重大进展,但机器人操作仍然是一个很大程度上未解决的问题。操纵中的关键挑战之一是当被操纵的对象之间存在连续接触时对环境的动态的探索。本文提出了一种基于模型的主动探索方法,使有效的学习稀疏奖励机器人操作任务。所提出的方法估计的信息增益目标使用的概率模型的合奏和部署模型预测控制(MPC)计划的行动,最大限度地提高预期的回报,同时也执行定向探索。我们评估我们提出的算法在模拟和一个真正的机器人,从头开始训练我们的方法,在一个具有挑战性的球推任务倾斜的桌子上,目标球的位置是不知道代理先验。我们的真实世界的机器人实验作为一个基本的应用程序的积极探索基于模型的强化学习的复杂的机器人操作任务。
2022-10-23 cs.LG cs.RO
Graph Gain: A Concave-Hull Based Volumetric Gain for Robotic Exploration
Nanjing University of Science and Technology(南京理工大学);University of Macau(澳门大学)
机器人探索的现有体积增益在3D占用图中计算,而基于采样的探索方法在可达(自由)空间中扩展。它们之间的不一致性使得体积增益的现有计算不适合于环境的完整勘探。为了解决这个问题,我们提出了一个基于凹壳的体积增益采样为基础的勘探框架。基于快速探索随机树(RRT)生成的视点和扩展失败的节点构造凹壳。这个凹壳之外的所有空间都被认为是未知的。基于视点配置而不是使用占用图来计算体积增益。通过新的体积增益,机器人可以避免由于现有体积增益计算方法的不适当而导致的低效甚至错误的探索行为。我们的探索方法进行评估,对现有的国家的最先进的RRT为基础的方法在基准环境。在评估的环境中,我们的方法的平均运行时间约为现有的最先进的方法的38.4%,我们的方法是更强大的。
2022-04-22 cs.RO
Robotic Navigation using Entropy-Based Exploration
KAIST(韩国科学技术院)
机器人导航是指机器人在复杂的环境中能够找到一条安全可行的路径并在两点之间穿行的任务。我们使用强化学习来解决机器人导航问题,并使用深度$Q$网络来训练代理来解决机器人导航任务。我们比较了基于熵的探索(EBE)和广泛使用的$ε$ -贪婪的探索策略,通过训练智能体使用它们在模拟。然后,在不同版本的环境中测试经过训练的代理,以测试学习策略的泛化能力。我们还实现了一个真正的机器人在复杂的现实环境中学习的政策,没有任何微调,并比较上述探索策略在现实世界中的设置的有效性。在\url{https://youtu.be/NHT-EiN_4n8}上可以观看TurtleBot 3平台上的实验视频。
2019-06-17 cs.RO cs.SY eess.SY
PUL-SLAM: Path-Uncertainty Co-Optimization with Lightweight Stagnation Detection for Efficient Robotic Exploration
School of Systems Science and Engineering(系统科学与工程学院)
PUL-SLAM通过路径不确定性联合优化和轻量停滞检测提升机器人探索效率,缩短探索时间并减少路径距离。
2025-12-10 cs.RO
Robotic Exploration through Semantic Topometric Mapping
Luleå University of Technology(吕勒奥理工大学)
提出一种基于语义拓扑度量地图的机器人探索策略,通过利用结构语义信息(如交叉口属性)结合边界度量,实现更快、计算更高效的探索,并在室内环境中验证其有效性。
2024-06-26 cs.RO
RF-Modulated Adaptive Communication Improves Multi-Agent Robotic Exploration
University of Colorado Boulder(科罗拉多大学波尔德分校)
本文提出了一种自适应射频传输算法,通过动态调节传输位置提升多智能体机器人在通信受限环境中的探索效率,实验显示其在距离和时间上均优于现有方法。
2026-02-12 cs.RO
Marsupial Walking-and-Flying Robotic Deployment for Collaborative Exploration of Unknown Environments
NTNU(挪威科技大学);ETH Zurich(苏黎世联邦理工学院)
这项工作有助于有袋类机器人系统的系统,涉及腿和空中机器人能够协作映射和探索路径规划,利用两个系统的异构特性和选择性地部署从地面机器人的空中系统的能力。利用四足机器人灵巧的运动能力和长时间的耐力,有袋动物组合可以在大规模和封闭的环境中探索,包括崎岖的地形。然而,由于某些类型的地形或垂直几何形状可以使任何地面系统无法继续其探索,有袋动物系统可以-在需要时-部署飞行机器人,通过利用其3D导航能力,可以在其耐力限制内进行集中的探索任务。专注于自主性,这两个系统可以通过共享基于LiDAR的地图和单独规划探索路径来共同定位和映射,而足式机器人上的定制图形搜索使其能够识别何时何地应该部署摆渡的空中平台。该系统在多个实验研究中得到验证,证明了有袋动物系统的扩展探索能力,并促进了对其他无法到达的区域的探索。
2022-05-11 cs.RO
Confidence-rich Localization and Mapping based on Particle Filter for Robotic Exploration
Zhejiang University(浙江大学);Xi’an Jiaotong University(西安交通大学)
本文主要研究了距离感知机器人在置信度丰富地图(CRM)中的定位和映射问题,并对其进行了扩展,为信息论探索提供了完整的状态估计。以往的主动式同时定位与地图构建和探测的研究大多假设机器人的位姿是已知的,或者利用不准确的信息度量来近似位姿的不确定性,从而导致在未知环境中探测性能和效率的不平衡。这启发了我们扩展具有可测量姿态不确定性的富置信互信息(CRMI)。具体来说,我们提出了一种基于Rao-Blackwellized粒子滤波器的CRM定位和映射方案(RBPF-CLAM),然后我们开发了一种新的封闭形式的加权方法,以提高定位精度没有扫描匹配。我们进一步推导出不确定CRMI(UCRMI)与加权粒子通过更精确的近似。仿真和实验结果表明,所提出的方法的定位精度和勘探性能。
2022-07-26 cs.RO
Emerging trends in Cislunar Space for Lunar Science Exploration and Space Robotics aiding Human Spaceflight Safety
Beihang University(北京航空航天大学);Regional Centre for Space Science and Technology Education in Asia & the Pacific (Affiliated to the United Nations)(联合国附属亚洲及太平洋空间科学与技术教育区域中心);Hangzhou International Innovation Institute of Beihang University(北京航空航天大学杭州国际创新研究院)
本文探讨了人工智能与空间机器人在月球科学探索及载人航天安全中的应用,旨在推动可持续月球探索和未来火星任务的发展。
2026-03-03 astro-ph.EP cs.RO
Frontier-based Automatic-differentiable Information Gain Measure for Robotic Exploration of Unknown 3D Environments
Carnegie Mellon University(卡内基梅隆大学)
由机器人代理自主探索未知区域的路径规划问题通常采用基于前沿或信息理论的算法。基于边界的体素分析通常通过可见边界体素的数量来评估视点的信息增益,可见边界体素是只能通过采样来优化的离散度量。另一方面,信息论算法将信息增益计算为地图和传感器测量之间的互信息。虽然可以计算这些措施的梯度,计算涉及昂贵的数值微分。在这项工作中,我们添加了一个新的模糊逻辑过滤器在周围的视点,它允许相对于视点的信息增益的梯度的计数使用自动微分有效地计算。这使我们能够同时优化信息增益与其他可微的质量措施,如路径长度。使用多个仿真环境,我们证明了所提出的基于梯度的优化方法不断提高信息增益和其他质量措施的探索路径。
2020-11-10 cs.RO
Robotic Exploration of Unknown 2D Environment Using a Frontier-based Automatic-Differentiable Information Gain Measure
Carnegie Mellon University(卡内基梅隆大学)
自主机器人探索路径规划方法的核心是一种启发式方法,它鼓励探索环境中的未知区域。这种统计学通常使用基于前沿或信息理论的方法来计算。基于边界的方法将探索路径的信息增益定义为从路径可见的边界单元或边界的数量。然而,这种信息增益度量的离散和不可微性质使得难以使用基于梯度的方法进行优化。相比之下,信息论方法将信息增益定义为传感器的测量值与所探索的地图之间的互信息。然而,互信息的梯度的计算涉及有限差分,因此计算昂贵。本文提出了一种结合基于采样的路径规划和基于梯度的路径优化的探索规划框架。这个框架的主要贡献是一个新的重新制定的信息增益作为一个可微的功能。这使我们能够同时优化信息增益和其他可区分的质量指标,如平滑度。所提出的规划框架的有效性进行了验证,在仿真和硬件实验中使用的Turtlebot3汉堡机器人。
2020-11-10 cs.RO
SRM: An Efficient Framework for Autonomous Robotic Exploration in Indoor Environments
The Chinese University of Hong Kong(香港中文大学);The University of British Columbia(英属哥伦比亚大学)
在本文中,我们提出了一个集成的框架,自主机器人探索在室内环境中。特别是,我们提出了一种混合地图,命名为语义道路图(SRM),表示的拓扑结构的探索环境,并促进决策的探索。SRM是随着探索过程逐步构建的。它是一种图形结构,具有在传感器覆盖范围内生成的无冲突节点和边缘。此外,每个节点都有一个语义标签和该位置的预期信息增益。基于简洁的SRM,我们提出了一种新的和有效的决策模型,以确定下一个最佳目标(NBT)在勘探。该模型考虑了语义信息、信息增益和到达目标位置的路径代价。我们使用SRM的节点来表示候选目标,这使得目标评估可以直接在SRM上执行。利用SRM,可以有效地获得节点的信息增益和到达节点的路径代价。此外,我们采用交叉熵方法来优化路径,使其更具有信息量。我们在模拟和真实世界的环境中进行实验研究,证明了所提出的方法的有效性。
2018-12-24 cs.RO
Learning Soft Robotic Dynamics with Active Exploration
Soft Robotics Lab, D-MAVT, ETH Zurich(软机器人实验室,ETH Zurich);Learning & Adaptive Systems Group, D-INFK, ETH Zurich(学习与自适应系统组,ETH Zurich);ETH AI Center, ETH Zurich(ETH人工智能中心,ETH Zurich)
提出不确定性感知的主动探索框架SoftAE,通过概率集成模型估计认知不确定性并引导探索,在多种软体机器人形态上实现了更准确、可泛化的动力学建模与零样本控制。
2026-11-05 cs.AI cs.RO
A Collaborative Aerial-Ground Robotic System for Fast Exploration
The Hong Kong University of Science and Technology(香港科技大学);Beihang University(北京航空航天大学)
未知环境的自主探索已广泛应用于检查、监视、搜救等领域。在探测任务中,对机器人的基本要求是尽可能快地探测未知空间。在本文中,我们提出了一个自主的协作系统由一个空中机器人和地面车辆探索在未知的环境。将基于前沿面的方法与谐波场相结合生成路径,并针对地面机器人在障碍物中的安全性和动力学可行性,生成一条最小加加速度的分段Bezier曲线。对于空中机器人,采用运动基元法进行局部路径规划。我们实现了一个自主的协同空-地系统的建议框架。大量的现场实验以及模拟验证的方法,并证明其对每一个单一的车辆更高的效率。
2019-10-20 cs.RO
Sampling-based Incremental Information Gathering with Applications to Robotic Exploration and Environmental Monitoring
College of Engineering, University of Michigan(密歇根大学工程学院);Centre for Autonomous Systems (CAS), University of Technology Sydney(悉尼科技大学自主系统中心)
在这篇文章中,我们提出了一个基于采样的运动规划算法配备了一个信息理论的收敛标准,增量信息运动规划。所提出的方法允许密集的地图表示,并将完整的状态不确定性纳入规划过程。该问题被公式化为一个约束最大化问题。我们的方法是建立在快速探索的信息收集算法,并受益于基于采样的最佳运动规划算法的优势。我们提出了两个信息函数及其变种的快速和在线计算。我们证明了一个信息理论的收敛,整个勘探和信息收集任务的平均地图熵的最小上界的基础上。收敛性分析的结果,信息驱动的运动控制的自然自动停止的标准。我们使用三种方案来演示所提出的算法的性能:建议的信息函数和传感器配置选择的比较,未知环境中的机器人探索,以及使用自主水面车辆收集的公开数据集在湖泊中的无线信号强度监测任务。
2017-09-23 cs.RO
Planning for robotic exploration based on forward simulation
Tampere University of Technology(坦佩雷理工大学)
本文提出基于POMDP的探索规划方法,结合信息论目标函数和正向模拟算法,通过改进的互信息近似方法提升机器人在部分已知环境中的探索效率。
2016-06-29 cs.RO cs.SY eess.SY
Connectivity-Aware Exploration of Robotic Grasp Spaces
本文研究机器人抓取空间中成功动作的连通性结构,提出连通性感知采样策略,通过优先探索结构桥梁与边界,显著提升抓取空间重建效率,并验证结构经验可迁移至新物体。
2026-09-22 cs.LG cs.RO
Robust Robotic Exploration and Mapping Using Generative Occupancy Map Synthesis
本文提出了一种基于生成占用地图合成的鲁棒机器人探索方法,通过实时融合预测提升地图质量和可通行性,实验表明其在不同环境中提升了探索一致性。
2025-12-29 cs.AI cs.RO
Learning Robotic Ultrasound Scanning Skills via Human Demonstrations and Guided Explorations
Wuhan University(武汉大学);The Chinese University of Hong Kong(香港中文大学)
本文提出一种基于人类示范和引导探索的学习方法,将超声扫描技能建模为多模态模型,利用模仿学习训练并后优化,以实现机器人自主超声扫描。
2021-11-02 cs.AI cs.RO
Exploration of Surgeons' Natural Skills for Robotic Catheterization
Research Center for Medical Robotics and MIS Devices, Shenzhen Institutes of Advanced Technology, CAS(中国科学院深圳先进技术研究院医学机器人与微创医疗器械研究中心)
尽管机器人导管系统最近已成为进行心血管介入的安全方式,但仍有许多重要挑战有待研究。其中之一是探索外科医生在使用机器人系统进行血管导管插入术期间的自然技能。在这项研究中,外科医生的自然手部动作进行了调查,以确定四个基本的运动用于血管内导管插入术。对照实验设置为获取表面肌电图(sEMG)信号从六个肌肉受神经支配时,与导管技术的主题,使开放设置的四个动作。k-means和k-NN模型在平均EMG和均方根特征上实现,以唯一地识别运动。结果表明,sEMG分析对设计安全有效的机器人导管插入的智能机器人控制的巨大潜力。
2020-03-06 cs.RO eess.IV eess.SP
Fast Autonomous Robotic Exploration Using the Underlying Graph Structure
Departamento de Informática e Ingeniería de Sistemas(信息与系统工程系);Instituto de Investigación en Ingeniería de Aragón(阿拉贡工程研究所);Universidad de Zaragoza(萨拉戈萨大学)
在这项工作中,我们充分定义了传统的最优性标准和主动SLAM中底层姿态图的连通性之间的现有关系,因此,表征了图论和理论最优实验设计之间的连接。我们在2D和3D图形SLAM数据集中验证了所提出的关系,当使用图形结构时,显示出显着的计算负载放松。此外,我们提出了一种新的主动SLAM框架,它优于传统的方法,成功地利用图形方面的问题,以便自主探索未知的环境。
2022-04-22 cs.RO
A Multi-Arm Robotic Platform for Scientific Exploration
University of Tokyo(东京大学)
本文提出首个面向科学探索的多臂AI-机器人平台及其数字孪生,通过遥操作验证了销钉转移、纱布切割、鸡蛋模拟实验和世界首次四手颅窗钻孔等任务,展示了平台的高灵巧性。
2023-11-07 cs.RO
Enabling Commercial Autonomous Space Robotic Explorers
与载人任务相比,自主机器人在空间探测任务中的应用减少了探测任务的安全问题,同时延长了探测距离,因为机器人任务不需要返回运输。此外,在这些任务中使用机器人也降低了任务的复杂性和成本,因为不需要机载生命支持系统:机器人可以承受并在人类无法生存的恶劣条件下工作,例如极端温度,压力和辐射。在这篇文章中,我们将介绍火星上的环境,回顾现有的自动驾驶技术部署在地球上,以及探索所需的技术,使未来的商业自主太空机器人探险家。最后但并非最不重要的是,我们还提出了自主空间探索者面临的紧迫技术挑战之一,即机载计算能力。
2019-08-12 cs.RO
Visuo-Tactile based Predictive Cross Modal Perception for Object Exploration in Robotics
BMW Group(宝马集团);Imperial College of Science, Technology and Medicine(帝国理工学院);Eindhoven University of Technology(埃因霍温理工大学)
提出视觉-触觉预测性跨模态感知框架,利用视觉先验和双滤波推动估计物体属性,并通过惊奇公式增强预测,在真实机器人实验中表现优越。
2024-05-23 cs.RO
R900: Understanding the Cost-Effectiveness of Random Exploration from 900 Hours of Robotic Data Collection
School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology(电气工程与计算机科学学院,皇家理工学院)
本文通过807小时随机动作、71小时随机探索视频及1260次策略评估的大规模实验,系统研究了随机探索数据在机器人操作模仿学习中的成本效益,并开发了全自动化数据采集流水线。
2025-09-17 cs.RO
Task-Directed Exploration in Continuous POMDPs for Robotic Manipulation of Articulated Objects
Massachusetts Institute of Technology(麻省理工学院);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
不确定性的表示和推理是自主智能体在部分可观测环境中与噪声传感器的关键。部分可观测马尔可夫决策过程(POMDPs)作为一个通用的框架,代表问题中的不确定性是一个重要因素。基于在线样本的POMDP方法已经成为解决大型POMDP的有效方法,并已被证明可以扩展到连续域。然而,这些解决方案很难在具有显著不确定性的问题中找到长期计划。探索地理学可以帮助指导规划,但许多现实世界的设置包含重大的任务无关的不确定性,可能会分散任务目标。在本文中,我们提出了一种在线POMDP求解器,能够处理需要长期规划的领域,具有显着的任务相关和任务无关的不确定性。我们展示了我们的解决方案在几个时间上的扩展版本的玩具POMDP问题,以及机器人操作的铰接对象使用神经感知前端构建一个可能的模型分布。我们的研究结果表明,BLOG优于目前基于样本的在线POMDP求解器在几个任务。
2022-12-08 cs.RO
Optimizing TD3 for 7-DOF Robotic Arm Grasping: Overcoming Suboptimality with Exploration-Enhanced Contrastive Learning
National Tsing Hua University(国立清华大学)
针对TD3算法控制7-DOF机械臂时因探索不足导致的次优策略问题,提出EECL模块,通过KDTree对比历史状态并提供探索奖励以优化Q-learning,在robosuite任务中显著提升了效率与收敛速度。
2024-08-26 cs.AI cs.RO
Autonomous Robotic Tissue Palpation and Abnormalities Characterisation via Ergodic Exploration
Department of Information Engineering and Computer Science, University of Trento(信息工程与计算机科学系,特伦托大学);Department of Industrial Engineering, University of Trento(工业工程系,特伦托大学)
本文提出了一种基于耐久性探索的自主机器人触诊框架,通过结合力反馈与高斯过程回归,实现对组织弹性特性的高精度实时映射,提升异常特征的检测能力。
2026-02-15 cs.RO
Learning Robotic Manipulation Tasks via Task Progress based Gaussian Reward and Loss Adjusted Exploration
OSARO Inc(OSARO公司);Rochester Institute of Technology(罗切斯特理工学院);Siemens Corporation(西门子公司)
非结构化环境中的多步操作任务对于机器人学习来说是极具挑战性的。这些任务交织在一起,高级推理包括可以达到的预期状态,以实现整体任务和低级推理,决定什么行动将产生这些状态。我们提出了一种无模型的深度强化学习方法来学习多步操作任务。我们引入了一个机器人操作网络(RoManNet),这是一个基于视觉的模型架构,学习的动作价值函数和预测操作的候选人。我们定义了一个基于任务进度的高斯(TPG)奖励函数,该函数基于导致成功的运动基元和朝向整体任务目标的进度的动作来计算奖励。为了平衡勘探/开采的比例,我们引入了一个损失调整勘探(LAE)的政策,根据玻尔兹曼分布的损失估计,从行动候选人确定行动。我们通过训练RoManNet来学习模拟和现实世界中的几个具有挑战性的多步机器人操作任务来证明我们方法的有效性。实验结果表明,我们的方法优于现有的方法,并达到了最先进的性能,在成功率和行动效率。消融研究表明,TPG和LAE对于多块堆叠等任务特别有益。代码可在:www.example.com
2021-11-19 cs.RO
CLOVER Robot: A Minimally Actuated Jumping Robotic Platform for Space Exploration
The University of Manchester(曼彻斯特大学);Chulalongkorn University(朱拉隆功大学)
机器人已经成为空间探索的关键工具,因为它提供了超越人类限制的环境。跳跃机器人概念是解决复杂地形的有吸引力的解决方案。然而,在工程上的挑战,以克服使跳跃机器人概念的持续运作,减少机械故障模式是最根本的。本研究旨在开发一种跳跃机器人,其重点是减少机构维护的最小驱动。我们提出了一个Sarrus风格的联动约束系统的一个单一的平移自由度,而不使用典型的同步齿轮的合成。我们界定本研究的垂直固体跳跃,以评估基本的主驱动联动的性能。一个实验室演示者协助理论概念和方法的转移。实验室演示器以63%的势能-动能转换效率进行跳跃,理论最大值为73%。令人满意的操作开辟了设计优化和定向跳跃能力,以开发用于太空探索的跳跃机器人平台。
2022-01-11 cs.RO physics.app-ph
Multi-agent robotic systems and exploration algorithms: Applications for data collection in construction sites
New York University Abu Dhabi(纽约大学阿布扎比分校);University of the Aegean(爱琴大学)
针对建筑行业自动化水平低的问题,本研究提出多机器人与人类智能体协同作业的方法,并通过双机器人加一人的三维数字化案例验证其能高效完成遮挡空间数据采集任务。
2023-11-02 cs.MA cs.RO
Service-Oriented Architecture for Space Exploration Robotic Rover Systems
LACSC – Lebanese Association for Computational Sciences(黎巴嫩计算科学协会(LACSC))
目前,工业部门正在将其业务流程转变为电子服务和基于组件的体系结构,以构建灵活、健壮和可扩展的系统,并降低与集成相关的维护和开发成本。机器人技术是另一个有前途和快速增长的行业,涉及创造以自主方式运行的机器,并为各种应用服务,包括太空探索,武器,实验室研究和制造。在太空探索中,最常见的机器人类型是行星漫游者,它在行星表面移动,并对天体表面进行彻底的地质研究。这种类型的漫游车系统仍然是ad-hoc的,因为它将其软件结合到其核心硬件中,使得整个系统内聚,紧密耦合,更容易出现缺点,灵活性较差,难以扩展和维护,并且不可能适应其他目的。本文提出了一种面向服务的体系结构的空间探测机器人漫游系统松耦合和分布式Web服务。所提出的架构由三个基本层:客户端层,对应于实际的流动站;服务器层,对应于Web服务;和中间件层,对应于企业服务总线,促进互联实体之间的互操作性。这种架构的利基是漫游者的软件组件与漫游者的身体分离和隔离,并可能部署在一个遥远的位置。面向服务的体系结构促进了客户机到服务器通信的可集成性、可伸缩性、可重用性、可维护性和互操作性。
2012-04-01 cs.RO
Solving Robotics Tasks with Prior Demonstration via Exploration-Efficient Deep Reinforcement Learning
Unicontrol;Maersk McKinney Møller Institute, University of Southern Denmark(马士基麦金尼·莫勒研究所,南丹麦大学)
本文提出DRLR框架,通过改进动作选择模块和使用SAC策略,有效缓解引导误差和防止过拟合,成功应用于真实机器人任务。
2026-01-08 cs.LG cs.RO
Boundary Exploration of Next Best View Policy in 3D Robotic Scanning
Department of Mechanical and Production Engineering, Aarhus University(机械与生产工程系,阿arhus大学)
本文针对三维机器人扫描中的下一最佳视角问题,提出基于点云边界探索的NBV策略,并设计模型驱动方法和BENBV-Net学习网络,在保持性能的同时显著提升视角生成速度,实验证明其在扫描效率、覆盖率和重叠稳定性上优于现有方法。
2025-07-04 cs.CV cs.RO
System for multi-robotic exploration of underground environments CTU-CRAS-NORLAB in the DARPA Subterranean Challenge
Faculty of Electrical Engineering, Czech Technical University(捷克技术大学电气工程学院)
我们提出了一个实地报告的CTU-CRAS-NORLAB团队从地下挑战(SubT)组织的国防高级研究计划局(DARPA)。该竞赛旨在推进技术,以提高在GPS拒绝环境中搜索和救援行动的安全性和效率。在比赛中,移动机器人团队必须在无线电通信有限的环境中找到特定的物体,例如采矿隧道,地下车站或天然洞穴。我们介绍了CTU-CRAS-NORLAB团队的异构探索机器人系统,该系统在SubT隧道和城市赛道回合中获得了第三名,并超过了所有其他非DARPA资助的团队。现场报告描述了该团队的硬件、传感器、算法和策略,并讨论了参加DARPA SubT竞赛的经验教训。
2021-10-12 cs.RO
Contact SLAM: An Active Tactile Exploration Policy Based on Physical Reasoning Utilized in Robotic Fine Blind Manipulation Tasks
Research Center for Intelligent Robotics(智能机器人研究中心);National Key Laboratory of Aerospace Flight Dynamics(航空飞行动力学国家重点实验室);Shaanxi Province Innovation Team of Intelligent Robotic Technology(陕西省智能机器人技术创新团队);School of Astronautics, Northwestern Polytechnical University(航空学院,西北工业大学)
本文提出接触SLAM方法,通过触觉传感和先验知识实现接触密集任务中的盲操控,提升探索效率与准确性。
2026-01-26 cs.RO
Intrinsic Language-Guided Exploration for Complex Long-Horizon Robotic Manipulation Tasks
School of Informatics, The University of Edinburgh(爱丁堡大学信息学院);University College London(伦敦大学学院)
针对稀疏奖励下复杂长周期机器人操作任务的强化学习探索难题,提出IGE-LLMs框架,用大语言模型作内在奖励引导探索,实验证明其性能更优、模块化强、参数鲁棒性好。
2024-03-07 cs.CL cs.LG cs.RO
TEAM: Trilateration for Exploration and Mapping with Robotic Networks
University of Southern California(南加州大学);NASA Goddard Space Flight Center(美国国家航空航天局戈达德太空飞行中心)
受月球探测的启发,我们考虑部署一个移动机器人网络来探索未知的环境,同时作为一个合作定位系统。机器人测量和传送与位置相关的数据,以便在缺乏基于基础设施的解决方案(例如固定信标或GPS)的情况下执行定位。我们提出了三边测量的勘探和测绘(TEAM),低复杂度的定位和映射与机器人网络的一种新算法。TEAM旨在利用机器人上商用超宽带(UWB)无线电的能力,提供厘米精度的距离估计,并在共享的固定框架中执行无锚定位。它非常适合于缺乏功能的环境,其中基于功能的本地化方法受到影响。我们提供的实验结果在不同的露台模拟环境,以及在测试平台上的Turtlebot 3汉堡Pozyx UWB无线电。我们比较TEAM流行的Rao-Blackwellized粒子滤波器的同时定位与地图构建(SLAM)。我们证明,TEAM需要一个数量级的计算复杂性,并减少了一个数量级的激光雷达测量所需的采样率。这些优势并不需要牺牲性能,因为TEAM将最大定位误差降低了50%,并在缺乏特征的环境中实现了高达28%的地图精度提高,并在其他设置中实现了相当的地图精度。
2021-04-15 cs.RO
Practical Non-Intrusive GUI Exploration Testing with Visual-based Robotic Arms
Nanjing University(南京大学);ETH Zurich(苏黎世联邦理工学院)
针对现有侵入式GUI测试框架适配性差、操作不灵活、检测缺陷类型单一的问题,提出基于4-DOF视觉机械臂的RoboTest框架,可自适应多尺寸屏幕、灵活模拟操作、检测兼容性缺陷,在20款移动应用及嵌入式系统案例中验证了有效性与高效性。
2023-12-17 cs.RO cs.SE
Shapeshifter: A Multi-Agent, Multi-Modal Robotic Platform for Exploration of Titan
Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学);Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院)
在本文中,我们提出了一个任务架构和一个机器人平台,变形器,允许多域和冗余的流动性对土星的卫星泰坦,并可能与大气层的其他机构。Shapeshifter是一个简单而实惠的机器人单元的集合,称为Cobots,可与个人手掌大小的四轴飞行器相媲美。通过相互连接和分离,多个协作机器人可以变形为新的结构,能够(a)在表面上滚动,以增加横向范围,(b)以飞行阵列编队飞行,以及(c)在液体上或液体下游泳。一个地面站补充了机器人平台,托管科学仪器,并为Cobots的电池充电提供电力。在本文的第一部分中,我们通过实验展示了由两个Cobots组成的Shapeshifter的飞行,对接和滚动能力,提出了ad-hoc控制算法。此外,我们评估的能源效率的滚动为基础的移动性策略,通过推导出的功耗分析模型,并通过将其集成在一个高保真的仿真环境。在第二部分中,我们调整我们的任务架构,以探索泰坦。我们表明,变形器的属性允许探索可能的冰火山Sotra Patera,泰坦的海和峡谷。
2020-02-03 cs.RO cs.SY eess.SY
RB5 Low-Cost Explorer: Implementing Autonomous Long-Term Exploration on Low-Cost Robotic Hardware
Yale University(耶鲁大学);Boston Dynamics AI Institute(波士顿动力人工智能研究所);Harvard University(哈佛大学)
本文介绍了低成本轮式机器人RB5,通过结合前沿采样探索、向量场路径跟随与SLAM算法,在低更新频率硬件上实现室内外未知环境的自主长期探索,并利用LoRa技术实现远程人机交互。
2024-02-14 cs.RO
Touch attention Bayesian models for robotic active haptic exploration of heterogeneous surfaces
Robotics Institute, Khalifa University(哈利法大学机器人研究所)
这项工作有助于开发的主动触觉探索策略的表面使用机器人手在环境中具有未知的结构。所提出的方法的架构包括两个主要的贝叶斯模型,实现触摸注意力机制的系统。该模型的PI_PER感知和区分不同类别的材料(触觉刺激)集成的顺应性和纹理特征提取的触觉感官数据。模型pi_tar主动推断机器人系统应该探索的工作空间的下一个区域,整合任务信息,从感知的触觉刺激图中提取的永久更新的显著性和不确定性图,以及返回抑制机制。实验结果表明,贝叶斯模型pi_per可以对10种不同类别的材料进行区分,平均识别率高于90%.实验证明了所提出的模型的泛化能力。在模拟中,ATLAS机器人能够执行以下由不同材料制成的两个区域之间的不连续性,其发散度小于1cm(30次试验)。在具有3种不同间断配置的情况下进行测试。贝叶斯模型已经证明了管理表面结构和感官噪声的不确定性的能力,以根据触觉感知做出正确的运动决策。
2014-09-22 cs.RO
FARE: Fast-Slow Agentic Robotic Exploration
Beihang University, China(北航大学);Department of Mechanical Engineering, National University of Singapore(机械工程系,新加坡国立大学)
FARE通过结合大型语言模型和强化学习策略,实现了高效且稳健的机器人探索,显著提升了探索效率并验证了其在大规模建筑环境中的有效性。
2026-01-21 cs.RO
A Self-Tuning Impedance-based Interaction Planner for Robotic Haptic Exploration
Saitama University(埼玉大学);Istituto Italiano di Tecnologia(意大利技术研究院)
本文提出一种基于自调谐阻抗的机器人触觉交互规划方法,通过Exploration和Bouncing两种策略利用触觉信息适应环境不确定性,实现柔顺接触与自主轨迹规划,实验验证了其在迷宫探索中的有效性与可扩展性。
2022-09-02 cs.RO