Central Pattern Generators for the control of robotic systems
Imperial College London(帝国理工学院)
仿生运动控制是一个活跃的研究领域,在现实世界的任务中有许多应用。在需要表现出振荡行为(即蛇形或足式机器人的运动)的机器人系统的情况下,中央模式发生器(CPG)是最通用的解决方案之一。这些控制器通常基于松耦合振荡器,类似于在许多动物物种的神经回路中发现的那些,并且可以比传统的控制方法对不确定性(即外部扰动)更鲁棒。该项目概述了CPG领域的最新技术,特别是它们在机器人系统中的应用。该项目还解决了在小型3D打印六足机器人中实现基于CPG的控制器的问题。
2015-09-08 cs.NE cs.RO
Online Feedback Control for Input-Saturated Robotic Systems on Lie Groups
Northwestern University(西北大学)
在本文中,我们提出了一种方法来设计在线反馈控制器的输入饱和的机器人系统上进化的李群通过扩展最近开发的顺序动作控制(SAC)。与现有的反馈控制器相比,我们的方法提出了非凸约束非线性最优化问题的李群的配置空间上所需的负模式插入梯度的跟踪。这导致即使在输入饱和的情况下也是闭合形式的反馈控制规律,因此非常适合于在线应用。将SAC推广到李群上,导出了相应的模式插入梯度,并研究了李群上的开关时间优化问题。我们在SE(2)上的2D运动汽车和SE(3)上的3D四旋翼中展示了我们方法的有效性和可扩展性。我们还实现了iLQG的四元模型和SAC相比,表明SAC是计算速度更快,并具有更大的吸引区域。
2017-08-31 cs.RO math.OC
Agent as Cerebrum, Controller as Cerebellum: Implementing an Embodied LMM-based Agent on Drones
Beihang University(北京航空航天大学);Zhejiang University(浙江大学);qingniaoAI(青鸟AI)
本研究提出“智能体作为大脑,控制器作为小脑”的架构,通过AeroAgent框架和ROSchain连接ROS,在无人机上实现基于LMM的具身智能体,实验证明其在搜救等复杂场景中优于DRL智能体。
2023-11-25 cs.AI cs.RO
User-Conditioned Neural Control Policies for Mobile Robotics
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
提出基于FiLM层的用户条件化神经控制框架,通过无模型强化学习训练四旋翼策略,使用户能在部署时调节飞行激进程度,在仿真和实验中实现接近时间最优的性能。
2023-04-02 cs.RO
On the Controllers Based on Time Delay Estimation for Robotic Manipulators
K. N. Toosi University of Technology(K. N. 图西理工大学)
在存在未建模动态或外部干扰的情况下,用光滑控制律保证机器人的渐近轨迹跟踪是一个具有挑战性的问题。最近,它被断言,它是通过严格的证明,通过设计一个传统的无模型控制器与时间延迟估计(TDE),这样既不需要动态参数,也不需要保守的假设,外部干扰。本注释的目的是表明该声明不正确,该方法的稳定性证明不正确。最后,给出了该控制器的一些改进形式,并进行了严格的证明。
2022-05-16 cs.RO cs.SY eess.SY
Stable, Concurrent Controller Composition for Multi-Objective Robotic Tasks
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(机器人与智能机器研究所,佐治亚理工学院)
本文提出了一种稳定且并发的控制器组合方法,用于多目标机器人任务,通过分解任务为子任务并独立设计子任务控制器,再利用RMPflow框架结合生成整体控制策略,同时通过CLF分析确保系统稳定性。
2019-08-30 cs.RO cs.SY eess.SY
A neural network based controller for underwater robotic vehicles
由于在过去几十年中取得的巨大技术进步,使用机器人潜水器进行水下探索是可能的。本文介绍了一种遥控水下机器人动力定位系统的研制。所采用的方法是利用李雅普诺夫稳定性理论和增强的神经网络为基础的算法的不确定性和干扰补偿。所提出的控制方案的性能进行评估,通过数值模拟。
2022-06-17 cs.RO cs.SY eess.SY
Embed System for Robotic Arm with 3 Degree of Freedom Controller using Computational Vision on Real-Time
Instituto de Ensinos Superiores da Amazonia(亚马逊高等教育学院);Instituto Federal do Pará(帕拉联邦学院)
本文提出一种基于协议通信的分布式嵌入式控制系统,利用手套手势进行三维识别,通过模糊实现设置x、y、z坐标,实现机器人臂的实时控制。
2014-04-12 cs.RO cs.SY eess.SY
Nonlinear Model Predictive Control of Robotic Systems with Control Lyapunov Functions
ETH Zürich(苏黎世联邦理工学院);California Institute of Technology(加州理工学院)
非线性模型预测控制(NMPC)与控制李雅普诺夫函数(CLF)的理论统一为在保证稳定性的同时实现最优控制性能提供了框架。在本文中,我们提出了第一个实时实现的统一NMPC和CLF控制器的机器人系统有限的计算资源。这些限制激发了一组有效地将CLF稳定性约束纳入一般NMPC制定的方法。我们评估所提出的方法相比,基线CLF和NMPC控制器与机器人赛格威平台在模拟和硬件上的性能。预测时域的添加提供了优于基于CLF的控制器的性能优势,基于CLF的控制器在时间上逐点最优地操作。此外,显式施加的稳定性约束消除了对NMPC所需的困难的代价函数和参数整定的需要。因此,统一控制器提高了每个隔离控制器的性能,并简化了整体设计过程。
2020-06-01 cs.RO cs.SY eess.SY
Adaptive Force Controller for Contact-Rich Robotic Systems using an Unscented Kalman Filter
University of California, Los Angeles(加州大学洛杉矶分校)
针对多点接触机器人的力控需求,提出一种基于自动整定的自适应导纳控制器,可兼顾旋转摩擦、力旋量跟踪、防滑与避奇异,并在攀爬机器人硬件上验证了操作与移动任务中的鲁棒性。
2023-10-01 cs.RO cs.SY eess.SY
Guarantees for Real Robotic Systems: Unifying Formal Controller Synthesis and Reachset-Conformant Identification
Technical University of Munich(慕尼黑工业大学)
针对安全关键场景中形式化属性难以转移到真实机器人的问题,提出将可达集一致性模型辨识与控制器综合相结合的方法,确保模型安全属性可转移到真实机器人,并通过真实机器人跟踪控制实验验证了其可转移性。
2023-09-12 cs.RO cs.SY eess.SY
Influence of Radial Basis Activation Functions on Intelligent Controller for Robotic Manipulators
Smart Systems Lab, Department of Mechanical Engineering, University of Turku(智能系统实验室,机械工程系,图尔库大学)
本文提出一种基于径向基函数神经网络的智能控制框架,用于机器人机械臂轨迹跟踪,重点研究激活函数选择对瞬态行为、稳态精度和控制平滑度的影响。
2026-07-03 cs.RO cs.SY eess.SY
Designing adaptive robust extended Kalman filter based on Lyapunov-based controller for robotics manipulators
本文研究了受常值有界扰动影响的机器人位置和速度估计方法。将跟踪控制问题转化为一个扰动抑制问题,将所有的未知参数和动态不确定性归结为扰动。采用自适应鲁棒扩展卡尔曼滤波器(AREKF)预测各关节的运动和速度,用于不连续李雅普诺夫控制器结构。误差动力学参数已离线验证的实际数据。通过对一个二自由度机械臂的仿真,比较了EKF和改进AREKF的性能,验证了改进卡尔曼滤波器的有效性。虽然它表明,精确的轨迹跟踪可以实现通过使用所提出的控制器。
2020-08-15 cs.SY eess.SY
Adaptive Task Space Non-Singular Terminal Super-Twisting Sliding Mode Control of a 7-DOF Robotic Manipulator
Department of Mechanical Engineering, Dalhousie University(达勒豪西大学机械工程系);GIPSA-lab, CNRS, University of Grenoble Alpes(格勒诺布尔阿尔卑斯大学GIPSA-lab)
本文提出一种带自适应增益的任务空间非奇异终端超螺旋滑模控制器,用于7自由度操作臂轨迹跟踪,通过仿真与硬件实验验证其在未知扰动下能抑制抖振、提高跟踪精度并减少控制量。
2025-08-22 cs.RO cs.SY eess.SY
Optimize the parameters of the PID Controller using Genetic Algorithm for Robot Manipulators
Hanoi university of Industry(河内工业大学)
针对两自由度机械臂的非线性 PID 参数整定难题,提出用遗传算法优化 PID 参数,仿真表明其提升了精度、稳定性并缩短轨迹跟踪响应时间。
2025-01-08 cs.RO cs.SY eess.SY
Adaptive Robust Controller for handling Unknown Uncertainty of Robotic Manipulators
Università di Padova(帕多瓦大学)
针对机械臂轨迹跟踪需精确动力学模型及不确定性先验边界的问题,提出无先验知识的自适应鲁棒反馈线性化方案,经仿真验证性能与现有方法相当且所需先验知识更少。
2024-06-20 cs.RO cs.SY eess.SY
Bayesian Multi-Task Learning MPC for Robotic Mobile Manipulation
ETH Zurich(苏黎世联邦理工学院)
由于需要解决许多不同的任务,例如开门或拾取和放置物体,机器人中的移动操作具有挑战性。通常,机器人的基本第一原理系统描述是可用的,从而激励基于模型的控制器的使用。然而,机器人动力学及其与物体的相互作用受到不确定性的影响,限制了控制器的性能。为了解决这个问题,我们提出了一个贝叶斯多任务学习模型,使用三角基函数来识别动态中的错误。通过这种方式,可以利用来自不同但相关的任务的数据来提供描述性错误模型,该模型可以针对新的、看不见的任务进行有效的在线更新。我们将这种学习方案与模型预测控制器相结合,并广泛测试所提出的方法的有效性,包括与现有的基线控制器的比较。我们目前的模拟测试与球平衡机器人,和开门硬件实验与四足机械手。
2023-03-21 cs.RO cs.SY eess.SY
A Robust Controller based on Gaussian Processes for Robotic Manipulators with Unknown Uncertainty
Department of Information Engineering, Università di Padova(信息工程系,帕多瓦大学)
提出基于高斯过程回归的鲁棒反馈线性化策略,通过估计模型失配并补偿残余不确定性,实现拉格朗日系统的精确轨迹跟踪。
2025-07-15 cs.RO cs.SY eess.SY
Lyapunov Design for Robust and Efficient Robotic Reinforcement Learning
UC Berkeley(加州大学伯克利分校)
强化学习(RL)文献的最新进展使机器人专家能够在模拟环境中自动训练复杂的策略。然而,由于这些方法的样本复杂性较差,使用真实世界数据解决RL问题仍然是一个具有挑战性的问题。本文介绍了一种新的成本成形方法,其目的是减少所需的学习稳定控制器的样本数。该方法增加了一个术语,涉及控制李雅普诺夫函数(CLF)-一个“能量样”的功能,从基于模型的控制文献-典型的成本配方。理论结果表明,新的成本导致稳定的控制器时,使用较小的折扣因子,这是众所周知的,以减少样本的复杂性。此外,CLF术语的添加“robustifies”的搜索,以确保即使是高度次优的政策将稳定系统的稳定控制器。我们展示了我们的方法与两个硬件的例子,我们学习稳定控制器的cartpole和A1四足动物只有几秒钟和几分钟的微调数据,分别。此外,模拟基准研究表明,通过优化我们提出的成本获得稳定的政策需要的数量级更少的数据相比,标准的成本设计。
2022-11-18 cs.RO cs.SY eess.SY
Sample-efficient Model Predictive Control Design of Soft Robotics by Bayesian Optimization
Michigan State University(密歇根州立大学);Utah State University(犹他州立大学)
提出了一种基于贝叶斯优化的数据驱动模型预测控制(MPC)设计方法。该方法不需要对软体机器人的复杂动力学模型进行建模,而是利用贝叶斯优化方法搜索最佳预测的低维预测模型及其控制器,以最小化闭环响应的目标函数。在每次迭代中,通过贝叶斯优化从闭环输入-输出数据更新预测模型。然后基于更新的预测模型设计线性MPC,并基于闭环响应进行评估。与直接搜索控制器参数不同,闭环系统的稳定性和输入/输出约束可以很容易地在MPC设计中处理。经过几次迭代,可以得到一个收敛的(次)最优控制器的解决方案,它最小化用户定义的闭环性能指标。通过一个柔索驱动的软体机器人的高保真仿真,对所提出的方法进行了仿真和验证。仿真结果表明,所提出的方法可以实现理想的跟踪控制器的软体机器人没有事先已知的模型。
2022-10-17 cs.RO cs.SY eess.SY
Distributed controller-estimator for target tracking of networked robotic systems under sampled interaction
College of Automation, Huazhong University of Science and Technology(华中科技大学自动化学院);Petroleum Engineering College, Yangtze University(江汉石油学院石油工程学院)
本文提出两种新型分布式控制器-估计器算法,用于网络化机器人系统在采样交互下的目标跟踪问题,通过小值范数和李雅普诺夫稳定性理论分析,确定交互拓扑、采样周期等参数以实现跟踪误差的实际稳定性。
2016-05-27 cs.MA cs.RO cs.SY
Distributed Impedance Control of Latency-Prone Robotic Systems with Series Elastic Actuation
Georgia Tech(佐治亚理工学院);UT Austin(德克萨斯大学奥斯汀分校)
本文研究了具有串联弹性执行器的延迟敏感机器人系统的分布式阻抗控制问题,提出了一种关键阻尼增益设计方法,用于优化SEA级联控制架构的阻抗控制器设计,并通过频率域方法分析了时间延迟、滤波和负载惯量对SEA阻抗性能的影响。
2018-11-27 cs.RO cs.SY eess.SY
Collaborative Drill Alignment in Surgical Robotics
University of Cambridge(剑桥大学);Control Lab, Department of Engineering(工程系控制实验室);Department of Engineering, University of Cambridge(剑桥大学工程系);Department of Veterinary Medicine, University of Cambridge(剑桥大学兽医学系)
本文提出了一种手术机器人系统,通过虚拟钻具引导和非线性弹簧控制,提升手术精度与角定位准确性。
2025-12-06 cs.RO cs.SY eess.SY
Robotic Assembly Control Reconfiguration Based on Transfer Reinforcement Learning for Objects with Different Geometric Features
Tsinghua University(清华大学)
基于力的机器人柔性控制是实现高精度装配任务的首选方法。当装配对象的几何特征不对称或不规则时,强化学习(RL)智能体逐渐融入柔顺控制器,以适应难以解析建模的复杂力-位姿映射。由于力-姿态映射强烈依赖于几何特征,因此顺应性控制器仅对于当前几何特征是最佳的。为了降低具有不同几何特征的装配对象的学习成本,本文致力于回答如何为具有不同几何特征的新装配对象重新配置现有控制器。在本文中,基于模型的参数重新配置的基础上提出的等效理论的顺应性(ETCL)。然后,RL代理转移的基础上提出的加权维度策略蒸馏(WDPD)方法。实验结果表明,该控制重构方法所需时间少,控制性能好,验证了所提方法的有效性。
2022-11-04 cs.RO cs.SY eess.SY
Episodic Learning with Control Lyapunov Functions for Uncertain Robotic Systems
California Institute of Technology(加州理工学院)
本文提出了一种基于控制李雅普诺夫函数的机器学习框架,用于适应机器人系统中的参数不确定性和未建模动态,通过迭代更新李雅普诺夫函数导数的估计和改进控制器,最终获得一个稳定性的二次规划基于控制器,并在平面Segway模拟中验证了方法的有效性。
2019-03-04 cs.LG cs.RO cs.SY
Offset-free Model Predictive Control: A Ball Catching Application with a Spherical Soft Robotic Arm
Institute for Dynamic Systems and Control, ETH Zürich(苏黎世联邦理工学院动态系统与控制研究所)
提出了一种用于球形柔性机械臂快速精确控制的无偏置模型预测控制器,该控制器将线性模型与在线扰动估计技术相结合,系统地补偿模型偏差。动态效应,如软材料的使用导致的材料松弛,可以解决实现无偏移跟踪。与没有干扰补偿方案的标准模型预测控制器相比,跟踪误差可以减少35%。改进的跟踪性能使得能够实现接球应用,其中球形软机器人臂可以接住由人投掷的球。
2021-03-12 cs.RO cs.SY eess.SY
Evaluation of Three Nonlinear Control Methods to Reject the Constant Bounded Disturbance for Robotic Manipulators
本文研究了受常值有界扰动影响的机器人的跟踪控制问题。针对这一问题,采用了三种控制方案,分别是积分控制器和跟踪控制器.目标是提高机器人操作器跟踪过程的精度,以跟踪一个指定的参考信号存在恒定的有界干扰。本文对逆动态控制器、带积分作用的改进型Lyapunov控制器和不连续Lyapunov控制器三种方案进行了评价。第三个是一种新的控制器,实现轨迹跟踪,而不需要精确的非线性动力学知识。基于扰动抑制方案,构造了在李雅普诺夫意义下渐近稳定的跟踪控制器。闭环系统具有较强的扰动抑制性能。结果表明,在适当的假设下,所提出的方案成功地实现非线性系统的输入端的扰动抑制。对一个大载荷、快速机动的二自由度机械臂的计算机仿真结果表明,所设计的控制器可以实现精确的轨迹跟踪。
2020-08-15 cs.SY eess.SY
Folding Assembly by Means of Dual-Arm Robotic Manipulation
Royal Institute of Technology KTH(瑞典皇家理工学院)
本文提出一种适用于双臂机械手的折叠组装基本操作,用于更高层次的组装策略。通过实验验证了该方法在两个部件接触时的可行性。
2016-04-22 cs.RO cs.SY eess.SY
Robust Artificial Delay based Impedance Control of Robotic Manipulators with Uncertain Dynamics
Indian Institute of Technology Delhi(印度理工学院德里分校)
针对动力学不确定性机器人,提出了一种基于人工延迟的阻抗控制器。该控制律通过一种新的广义滤波跟踪误差(GFTE)将时延估计(TDE)框架与超扭曲算法(STA)类型的二阶切换控制器相结合。虽然时间延迟估计框架消除了机器人动力学的准确建模的需要,通过估计不确定的机器人动力学和相互作用的力量,从最近的过去数据的状态和控制努力,在外环中的二阶开关控制律提供了鲁棒性对时间延迟估计(TDE)的错误,由于近似的机械手动态。因此,所提出的控制律试图建立一个理想的阻抗模型之间的机器人末端执行器变量,即力和运动存在的不确定性,无论是当它遇到平滑的接触力和自由运动。两连杆机械手使用所提出的控制器的仿真结果与收敛性分析,以验证命题。
2022-08-20 cs.RO cs.SY eess.SY
Design and Implementation of a DTMF Based Pick and Place Robotic Arm
IQRA University(伊克拉大学)
近年来,通信和机器人领域的发展取得了长足的进步。此外,这两个学科的融合在使人类生活更容易和更好方面做出了巨大贡献。因此,在这项工作中,在利用上述两种技术的同时,提出了一种用于设计和实现移动操作机械臂的过程,也就是说,所提出的臂将经由与安装在机器人臂上的接收器连接的蜂窝设备来操作。此外,在呼叫的持续时间内,如果从蜂窝设备按下任何键,则在接收机侧注意到与所按下的键不明显的指示符。该音调表示两个不同频率的叠加,并被称为双音多频(Dual tone multi-frequency)。此外,机械臂通过Doppler音进行操控。此外,在接收机处获得的音调被输入到使用DQPSK译码模块即MT 8870的微控制器(ATMEGA 16)中。此外,解密模块将DSTK信号解绕成其相应的两位表示,然后将匹配的数字发送到微控制器。微控制器被编程为基于解码值采取动作。此外,微控制器将控制信号转发到电机驱动单元,以使臂在向前/向后或多方向的过程中移动。最后,机械臂能够拾取和放置物体,同时通过GSM(全球移动通信系统)进行无线控制。
2020-04-10 cs.RO cs.SY eess.SY
OneVision: Centralized to Distributed Controller Synthesis with Delay Compensation
University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们提出了一种新的算法,以简化分布式机器人系统的控制器开发受到外部观测,干扰和通信延迟。与以前的方法,提出专门的解决方案来处理特定的机器人应用程序的通信延迟,我们的算法使用任意的集中式控制器作为规范,并自动生成分布式控制器与通信管理和延迟补偿。我们将我们的目标表述为非线性最优控制--使用后悔最小化目标来衡量分布式代理的行为与无延迟集中式响应的不同程度--并求解最优行动w.r.t.使用基于梯度的优化对该目标进行局部估计。我们分析了我们提出的算法的线性时不变的特殊情况下的行为,并证明了闭环动态满足一种形式的输入到状态稳定w.r.t.意想不到的干扰和观察。我们在模拟和现实世界的机器人任务的实验结果表明,我们的方法的实际用途,并显示出显着的改善,几个基线方法。
2021-04-14 cs.MA cs.RO cs.SY
Bayesian Controller Fusion: Leveraging Control Priors in Deep Reinforcement Learning for Robotics
Queensland University of Technology(昆士兰科技大学)
本文提出 Bayesian Controller Fusion (BCF) 混合控制策略,通过融合传统手工控制器和无模型深度强化学习的不确定性感知分布式输出进行控制仲裁,实现了安全、高效的探索,并在真实机器人导航和到达任务中显著超越单一方法性能。
2023-04-03 cs.AI cs.RO cs.SY
Desired Model Compensation based Position Constrained Control of Robotic Manipulators
本文提出了基于期望模型的关节位置约束机器人控制器的设计和相应的稳定性分析。具体地说,提供的初始关节位置跟踪误差信号开始低于一些预定义的值,所提出的控制器确保联合跟踪误差信号保持在该区域内(由预定义的上限定义),并渐近地接近零。
2020-04-24 cs.SY eess.SY
Test-Driven Agentic Framework for Reliable Robot Controller
Department of Electrical and Computer Engineering(电气与计算机工程系);University of California, Riverside(加州大学河滨分校);Department of Mathematics(数学系);Department of Computer Science(计算机科学系);University of Colorado, Boulder(科罗拉多大学波德分校)
本文提出一种基于测试驱动的代理框架,用于生成可靠的机器人导航控制器,通过迭代优化提升控制器的可靠性和鲁棒性。
2026-02-28 cs.RO cs.SY eess.SY
Reduced-order observer design for a robotic manipulator
本文研究了机器人降维观测器的设计问题。观测器的稳定性条件的基础上得到的李雅普诺夫分析和建议的观测器增强与混合计划,可以调整增益,以应付可能的无界速度的机器人关节。由于这种混合策略,观测器的工作准确的开环控制器和输出反馈控制器驱动的机器人。数值模拟说明了降维观测器在几种情况下的功效,包括与经典的全阶观测器的性能比较。
2021-11-23 cs.SY eess.SY
Boundary stabilization of systems of high order PDEs arising from flexible robotics
研究了四阶耦合偏微分方程系统的边界控制镇定问题。所考虑的设置来自经典的欧拉-伯努利梁模型,并构成了一个概括的灵活的机械系统。提出了一种线性反馈控制器,并利用算子半群理论的抽象公式,证明了闭环系统的适定性和稳定性。所提出的控制器的性能示出通过数值仿真。
2020-01-16 cs.SY eess.SY
Robotic Control Optimization Through Kernel Selection in Safe Bayesian Optimization
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);Singapore Institute of Manufacturing Technology, A*STAR(新加坡制造技术研究院(新加坡科研局));Department of Electrical and Computer Engineering, National University of Singapore(新加坡国立大学电气与计算机工程系);Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)机器人与自主系统学部)
本文提出一种基于学习的控制优化方法,通过核选择增强加性高斯过程的安全贝叶斯优化算法,高效解决高维复杂系统的多控制器优化问题,并在Safe Control Gym基准的无人机PID控制中验证了其优于现有技术的显著改进。
2024-11-12 cs.RO cs.SY eess.SY
Torque Saturation in Bipedal Robotic Walking through Control Lyapunov Function Based Quadratic Programs
University of Michigan(密歇根大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出一种通过凸优化将用户定义的控制输入饱和直接纳入控制李雅普诺夫函数(CLF)行走控制器计算的新方法,并在双足机器人MABEL上实验验证。
2013-02-28 cs.RO cs.SY eess.SY
Set based velocity shaping for robotic manipulators
Queen’s University Belfast(贝尔法斯特女王大学)
我们开发了一个新的框架,轨迹规划的预定义路径,一般N连杆机械手。不同于以往的方法生成开环最小时间控制器或预先调整的运动轮廓的时间缩放,我们建立的分析算法,恢复所有的初始条件,可以驱动到理想的目标集,同时坚持环境约束。更多的技术相关的,我们将相应的安全的状态反馈控制器与几个理想的属性。在我们的框架中的一个关键使能因素是引入了状态反馈模板,该模板诱导了所得到的闭环系统的轨迹之间的排序特性。所提出的结构允许工作的非线性系统直接在分析和综合问题。离线计算和在线实现都是可扩展的,相对于机械手的链接的数量。结果可以潜在地用于一系列具有挑战性的问题:商业机器人机械手的数值实验表明,有效的在线实施是可能的。
2022-11-10 cs.RO cs.SY eess.SY
Dynamic Modularity Approach to Adaptive Inner/Outer Loop Control of Robotic Systems
Beijing Institute of Control Engineering(北京控制工程研究所);University of California, Riverside(加州大学河滨分校);Nanyang Technological University(南洋理工大学)
本文提出了一种动态模ularity方法,用于解决机器人系统内/外环结构的自适应控制问题,考虑了动态效应和系统不确定性,并提出了多种自适应外环控制方案,通过动态生成关节速度(或位置)命令来确保闭环系统的稳定性和收敛性。
2017-01-07 cs.SY eess.SY
Using Human Ratings for Feedback Control: A Supervised Learning Approach with Application to Rehabilitation Robotics
ETH Zurich(苏黎世联邦理工学院);Hocoma AG(霍科马股份公司)
本文提出了一种基于人的评价的参数控制器的裁剪方法。该方法利用监督学习概念以便从数据训练奖励模型。它被应用到步态康复机器人的目标是教机器人如何走病人的生理。在这种情况下,奖励模型使用由机器人提供的传感器测量来判断步态周期的生理学(而不是治疗师),并且自动反馈控制器选择机器人的输入设置以使奖励最大化。所提出的方法的主要优点是,只有几个输入适应是必要的,以实现生理步态周期。与非残疾受试者的实验表明,所提出的方法允许将人类的专业知识纳入控制法,并自动步行病人的生理。
2020-01-14 cs.RO cs.SY eess.SY
Learning-based Control for Tendon-Driven Continuum Robotic Arms
K. N. Toosi University of Technology(柯尼托西理工大学);Center of Excellence in Robotics and Control(机器人与控制卓越中心);Advanced Robotics and Automated Systems (ARAS)(高级机器人与自动化系统(ARAS))
本文针对腱驱动连续体机器人提出一种基于深度强化学习的无模型控制方法,通过DDPG最优整定修正转置雅可比控制参数,实现任务无关的高性能轨迹跟踪。
2025-03-09 cs.RO cs.SY eess.SY
RICE: Reactive Interaction Controller for Cluttered Canopy Environment
QUT Centre of Robotics, Queensland University of Technology(昆士兰理工大学机器人中心)
针对农业冠层等密集杂乱环境下机器人导航难的问题,提出基于末端位置与触觉反馈的RICE反应式控制器,通过绕障与推障权衡策略实现安全导航,试验表现优于现有无模型控制器,为冠层农业作业提供基础。
2025-06-12 cs.RO cs.SY eess.SY
Safe Physical Human-Robot Interaction through Variable Impedance Control based on ISO/TS 15066
Faculty of Mechanical Engineering(机械工程学院);K.N. Toosi University of Technology(霍加·纳赛尔·丁·图西理工大学)
本文提出一种基于ISO/TS 15066功率和力限制模式的变阻抗控制器,在保证人机协作安全的同时提升协作机器人运行速度,并在两个机器人平台上验证了其优于传统方法的效果。
2023-11-23 cs.RO cs.SY eess.SY
Explainable AI-Enhanced Supervisory Control for Robust Multi-Agent Robotic Systems
Visual Computing and Computational Media, Texas A&M University(视觉计算与计算媒体,德克萨斯A&M大学);Mechanical Engineering Department, Texas A&M University(机械工程系,德克萨斯A&M大学);Department of Marine Engineering Technology, Texas A&M University(海洋工程技术系,德克萨斯A&M大学)
本文提出可解释AI增强监督控制框架,融合时间自动机监督器、滑模控制与可解释预测器,并在航天器编队和AUV中验证其鲁棒性、可移植性与可解释性,显著降低跟踪误差和能耗。
2025-09-18 cs.AI cs.RO cs.SY
Task-Space Consensus of Networked Robotic Systems: Separation and Manipulability
Beijing Institute of Control Engineering(北京控制工程研究所);Science and Technology on Space Intelligent Control Laboratory, Beijing Institute of Control Engineering(空间智能控制重点实验室,北京控制工程研究所)
本文研究多机器人系统在不确定动力学和运动学下的任务空间一致性问题,提出基于观测器的自适应控制器,实现无任务空间速度测量的可操纵一致性,并量化系统可操纵性。
2018-01-10 cs.SY eess.SY
Periodic robust robotic rock chop via virtual model control
University of Cambridge(剑桥大学);University of Tokyo(东京大学)
提出一种物理结构化的虚拟模型控制器,通过切换虚拟机构生成鲁棒的周期性砍切运动,无需预规划轨迹,在Franka机械臂上实现多种蔬菜的亚毫米级精确切割。
2026-09-11 cs.RO cs.SY eess.SY
Reinforcement Learning Controllers for Soft Robots using Learned Environments
University of Oxford(牛津大学);Polytechnic University of Milan(米兰理工大学)
针对软体机械臂非线性动力学控制难题,提出在数据学习的可并行合成环境中使用策略梯度与 actor-critic 方法,并结合安全驱动空间探索协议训练循环动力学模型,实现无需先验知识的高性能闭环控制。
2024-10-25 cs.RO cs.SY eess.SY
Position Constrained, Adaptive Control of Robotic Manipulators without Velocity Measurements
本文提出了一种基于模型的、关节位置跟踪误差受限的自适应输出反馈控制器的设计和相应的稳定性分析。具体而言,假设初始关节位置跟踪误差在预定义区域内开始,所提出的控制器算法确保关节跟踪误差保持在该区域内并且渐近地接近于零,尽管缺乏与系统动态相关联的关节速度测量和不确定性。通过使用替代滤波器公式并结合使用所需的模型补偿,消除了对关节速度测量的需要。通过一个基于障碍李雅普诺夫函数的参数证明了闭环系统的稳定性和收敛性。最后以一个双连杆机器人为例进行了仿真,验证了该方法的可行性和有效性。
2021-07-07 cs.SY eess.SY
''It Is Much Safer to Be Sparse than Connected'': Safe Control of Robotic Swarm Density Dynamics with PDE-Optimization with State Constraints
University of Waterloo(滑铁卢大学)
本文提出基于优化的闭环安全控制策略,利用控制Lyapunov函数和控制屏障函数引导由福克-普朗克方程描述的机器人群体空间密度向目标分布演化,通过Voronoi变种实现分布式部署,并通过理论分析和实验验证稀疏群体更易满足安全规范。
2026-04-16 cs.SY eess.SY
An Extended Convergence Result for Behaviour Tree Controllers
Royal Institute of Technology (KTH)(瑞典皇家理工学院)
针对行为树控制器到达状态空间期望区域的收敛性问题,本文推广既有结论,并覆盖文献未涉及的循环切换新情形。
2023-08-17 cs.AI cs.RO cs.SY
Bioinspired Smooth Neuromorphic Control for Robotic Arms
Rutgers University(罗格斯大学)
除了提供精确的运动,实现平滑的运动轨迹是机器人控制理论的长期目标,旨在复制自然的人类运动。从生物制剂中汲取灵感,其到达控制网络毫不费力地产生平滑和精确的运动,可以简化机器人手臂的这些控制目标。神经形态处理器模仿大脑的计算原理,是一个理想的平台,可以近似生物控制器的准确性和平滑性,同时最大限度地提高其能源效率和鲁棒性。然而,传统的控制方法与神经形态硬件的不兼容性限制了它们现有的适应性的计算效率和可解释性。相比之下,平滑和准确的到达运动的神经元子网络是有效的,最小的,本质上与神经形态硬件兼容。在这项工作中,我们模拟这些网络与一个生物现实的脉冲神经网络的神经形态硬件上的电机控制。拟议的控制器结合了实验确定的短期突触可塑性和调节感觉反馈增益的专门神经元,以在较宽的运动范围内提供平稳而准确的关节控制。同时,它保留了其生物对应物的最小复杂性,并可直接部署在英特尔的神经形态处理器上。使用关节控制器作为构建模块,并受到人类手臂关节协调的启发,我们将这种方法扩展到控制现实世界的机器人手臂。由此产生的运动轨迹和平滑的钟形速度曲线与人类相似,验证了控制器的生物相关性。值得注意的是,该方法实现了最先进的控制性能,同时将运动加加速度降低了19%,以提高运动平滑度。
2023-03-08 cs.ET cs.RO cs.SY
Toward Model Matching for Remotely Controlled Differential Drive Robotic Vehicles
National and Kapodistrian University of Athens(雅典国立卡波迪斯特里亚斯大学)
针对远程控制差速驱动机器人的航向调节问题,提出一种延迟相关的三层非线性控制方案,实现精确模型匹配,并通过计算实验验证其跟踪精度与稳定性。
2025-10-07 cs.SY eess.SY
Single Chip Self-Tunable N-Input N-Output PID Control System with Integrated Analog Front-end for Miniature Robotics
Indian Institute of Technology, Kharagpur(印度理工学院,卡拉格普尔分校)
本文设计了低功耗单芯片多通道PID控制器,用于微型机器人,包含N输入和N输出,实现N个并行通道。系统集成模拟前端和基于PSO算法的PID控制器,用于参数调谐,具有低功耗和高效调谐能力。
2016-11-16 cs.SY eess.SY