System Identification For Constrained Robots
Robotics Institute, University of Michigan（密歇根大学机器人研究所）；University of Stuttgart（斯图加特大学）
针对传统系统辨识方法不适用于带约束腿式机器人的问题，提出一种基于迭代最小二乘的受约束机器人系统参数辨识方法，经仿真和Digit人形机器人实验验证可提升控制器跟踪性能，代码已开源。
2024-08-16 cs.RO
Clarke Coordinates Are Generalized Improved State Parametrization for Continuum Robots
University of Toronto（多伦多大学）
本文证明既有软体与连续体机器人改进状态参数化均为 Clarke 坐标特例，并以广义 Clarke 变换矩阵统一相关方法，支持任意关节配置与建模假设。
2025-03-15 cs.RO
Coverage Control for a Multi-robot Team with Heterogeneous Capabilities using Block Coordinate Descent (BCD) Method
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个覆盖控制系统的多机器人团队与异构能力巡逻或监测有界环境。能力可以定义为机器人的任何标准，如剩余功率或移动速度，这取决于目的。所提出的控制系统旨在根据机器人的能力将环境的不同部分分配给机器人，即，具有较高能力的机器人占据环境的较大部分，而具有较低能力的机器人占据较小部分。我们使用块坐标下降（BCD）的方法来优化部分的位置和分区方法交替。一个集中的机器被用来同步的机器人和每个机器人的梯度可以计算在一个分布式的方式。仿真结果表明，所提出的控制系统的性能。
2022-04-20 cs.RO
Identification of geometrical and elastostatic parameters of heavy industrial robots
Centre National de la Recherche Scientifique（法国国家科学研究中心）；University of Nantes（南特大学）
研究了带重力补偿器的重型工业机器人的刚度建模问题。主要的注意力是支付的几何和弹性静力参数的识别和校准精度。为了减少测量误差的影响，一组的机械手配置校准实验进行了优化，相对于所提出的性能措施有关的末端执行器的位置精度。实验结果表明，所开发的技术的优点。
2013-11-26 cs.RO
Online Friction Coefficient Identification for Legged Robots on Slippery Terrain Using Smoothed Contact Gradients
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））
本文提出一种基于平滑接触梯度的足式机器人滑溜地形在线摩擦系数辨识框架，通过优化残差并引入拒绝方法，在四足机器人KAIST HOUND上实现了快速一致的辨识。
2025-02-24 cs.RO
Physically-Consistent Parameter Identification of Robots in Contact
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；Center for Robotics（机器人中心）；Roboverse Reply（Roboverse Reply公司）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Technical University of Munich (TUM)（慕尼黑工业大学）
本文提出通过将全身动力学投影到接触约束零空间，仅利用关节电流/扭矩测量辨识机器人惯性参数，并以线性矩阵不等式保证物理一致性，在Spot上验证了更高样本效率与跨步态泛化能力。
2025-03-18 cs.RO
Robot Learning Using Multi-Coordinate Elastic Maps
Persistent Autonomy and Robot Learning (PeARL) Lab, University of Massachusetts Lowell（持续自主与机器人学习实验室，马萨诸塞大学洛厄尔分校）
本文提出一种基于多坐标弹性映射的机器人演示学习方法，将技能编码到多种微分坐标并自动确定各坐标重要性，通过仿真和UR5e书写任务验证其有效性。
2025-05-09 cs.RO
Excitation Trajectory Optimization for Dynamic Parameter Identification Using Virtual Constraints in Hands-on Robotic System
Beijing Institute of Technology（北京理工大学）
本研究提出一种考虑自碰撞规避的高效机器人动态参数辨识激励轨迹优化方法，结合URDF与符号化RNEA实现参数估计，性能达现有最优水平，且在外科手术人机交互场景中使工作负荷降低30.1%。
2024-01-29 cs.RO
CLUE-AI: A Convolutional Three-stream Anomaly Identification Framework for Robot Manipulation
Istanbul Technical University（伊斯坦布尔技术大学）
近年来，机器人安全一直是一个突出的研究课题，因为机器人更多地参与日常任务。设计所需的安全机制以使服务机器人能够意识到异常并对其做出反应是至关重要的（即，与预期结果的意外偏差）。检测和识别这些异常是满足这些要求的重要步骤。虽然提出了几种架构的异常检测，识别尚未彻底调查。这项任务具有挑战性，因为指标可能在发现异常现象之前很久就出现了。在本文中，我们提出了一个卷积三流异常识别（CLUE-AI）框架来解决这个问题。该框架融合了视觉，听觉和本体感受数据流，以识别日常物体操作异常。通过放置在机器人头部的RGB-D相机收集的2D图像流在自注意启用视觉阶段内进行处理，以捕获视觉异常指标。由放置在机器人下躯干上的麦克风提供的听觉模态在听觉阶段中在设计的卷积神经网络（CNN）内进行处理。最后，在CNN内处理由夹持器施加的力和夹持器状态以获得本体感受特征。然后将这些输出与后期融合方案相结合。我们的新的三流框架设计分析了日常的对象操作任务与巴克斯特人形机器人在半结构化的设置。结果表明，该框架实现了94%的f-分数优于其他基线分类异常，在运行时出现。
2022-03-16 cs.RO
Fast Motion Planning for High-DOF Robot Systems Using Hierarchical System Identification
University of Maryland at College Park（马里兰大学帕克分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个有效的算法运动规划和控制的机器人系统具有高的自由度。这些包括高自由度软体机器人或与可变形环境交互的关节式机器人。我们的方法考虑到动力学约束，并提出了一种新的技术，使用数据驱动的方法来加速前向动力学计算。我们预先计算机器人系统的前向动力学函数的分层自适应网格。此外，我们利用欠驱动机器人系统的属性，并执行这些计算的几个自由度。我们提供我们的近似正向动力学计算的误差范围，并使用我们的方法为基础的优化运动规划和基于学习的反馈控制。我们的配方是用于运动规划的两个高自由度机器人系统：一个高自由度线驱动的弹性机器人手臂和水下游泳机器人在水中操作。与基于精确动态函数计算的现有技术相比，我们观察到性能上的一到两个数量级的改进。
2018-10-05 cs.RO
Dynamic Parameter Identification of a Curtain Wall Installation Robotic Arm
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
针对液压驱动幕墙安装机械臂，提出融合 D-H 模型、液压缸动力学与 Stribeck 摩擦的分层递进参数辨识方法，实验将关节力矩残差标准差控制在 0.4 Nm 以下。
2025-07-23 cs.RO
A Methodology for Dynamic Parameters Identification of 3-DOF Parallel Robots in Terms of Relevant Parameters
本文提出了一种基于相关参数的3自由度并联机器人动态参数识别方法，通过简化几何结构和对称性，利用加权最小二乘法进行参数识别，并通过实验验证了识别模型的正向动力学响应。
2026-03-16 cs.RO
Nonlinear System Identification of Soft Robot Dynamics Using Koopman Operator Theory
University of Michigan（密歇根大学）
软体机器人的建模在很大程度上由于软材料的非线性特性而具有挑战性。幸运的是，这种柔软性使得在随机控制输入下安全地观察它们的行为成为可能，使它们适合大规模数据汇集和系统辨识。本文实现和评估的系统辨识方法的基础上Koopman算子理论，其中模型的非线性动力系统的构建通过线性回归的观测数据，利用的事实是，每个非线性系统具有一个线性表示在无限维空间的实值函数称为可观的。该方法不受其他非线性系统辨识方法的一些缺点的影响，这些方法通常需要手动调整训练参数并且具有有限的收敛保证。用该方法建立了气动软体机器人手臂的动力学模型，并用于预测实际系统的行为。其预测的总归一化根均方误差（NRMSE）低于其他几种识别模型，包括神经网络，NLARX，非线性Hammerstein-Wiener，线性状态空间模型。
2019-05-02 cs.RO
Peristaltic locomotion without digital controllers: Exploiting the origami multi-stability to coordinate robotic motions
Clemson University（克莱姆森大学）
本研究提出并探讨一种新的方法，以产生类似运动的分段折纸机器人。具体来说，我们展示了使用多稳定嵌入折纸骨架，以消除需要多个致动器或数字控制器来协调复杂的机器人蠕动爬行运动。在这项研究中的爬行机器人由两个串联的折纸节，每个具有广义Kresling设计和可折叠的锚定机构。力学分析和实验测试，这个双段模块揭示了一个确定性的变形序列或致动周期，然后使用它来产生不同的阶段，在一个类似的运动步态。我们只控制这个机器人的总长度，而不是像机器人和其他爬行机器人那样单独控制分段变形。因此，这种方法可以显着减少运动所需的致动器的总数，并简化控制要求。此外，Kresling折纸设计的丰富性为我们提供了大量的自由度来定制运动性能。这项研究的结果将有助于我们如何使用机器人驱动和控制的多稳定性力学的范式转变。
2019-06-10 cs.RO
A new closed-loop output error method for parameter identification of robot dynamics
Université de Nantes（南特大学）；HAPTION S.A（哈普申公司）；Laboratoire Central des Ponts et Chaussées（法国路桥中央实验室）
离线机器人动力学辨识方法大多基于逆动力学模型的使用，逆动力学模型相对于动力学参数是线性的。当机器人跟踪激励系统动力学的参考轨迹时，对该模型进行采样。这允许使用线性最小二乘技术来估计参数。通过对多台样机和工业机器人的实验识别，证明了该方法的有效性。然而，该方法需要通过以高采样率对关节位置进行带通滤波来进行关节力/扭矩和位置测量以及关节速度和加速度的估计。所提出的新方法只需要关节力/扭矩测量。这是一种闭环输出误差方法，其中通常的关节位置输出被关节力/扭矩代替。它是基于一个闭环仿真的机器人使用的直接动力学模型，相同的结构的控制律，和相同的参考轨迹的实际和模拟的机器人。最佳参数最小化实际力/扭矩和模拟力/扭矩之间的误差的2-范数。这是一个非线性最小二乘问题，使用逆动力学模型可以大大简化该问题，以获得模拟力/扭矩的解析表达式，参数为线性。通过对一个2自由度直接驱动机器人的实验验证了该方法的有效性。
2010-09-23 cs.RO
Diver Identification Using Anthropometric Data Ratios for Underwater Multi-Human-Robot Collaboration
University of Minnesota（明尼苏达大学）
针对水肺装备外观相似导致AUV难以识别潜水员的问题，提出基于姿态估计人体测量比例与嵌入网络的端到端识别框架，并在受控水域实验中验证了高准确率。
2023-09-29 cs.RO
Advanced robot calibration using partial pose measurements
Ecole des Mines de Nantes（南特矿业学校）；University of Nantes（南特大学）
研究了基于部分位姿测量的串联工业机器人标定问题。与其他工作相比，先进的机器人标定技术是适用于几何和弹性静力学标定。重点研究了模型参数的辨识精度。为了减少测量误差的影响，提出了直接使用几个点的位置测量，而不是计算的末端执行器的取向。所提出的方法使我们能够避免最小二乘目标的非均匀性的问题，这会出现在经典的识别技术与全姿态信息。所开发的技术不需要任何规范化，可以有效地应用于几何和弹性静力识别。一种新的方法的优点是通过比较分析，处理不同的识别策略的效率评估确认。所得到的结果已成功地应用于工业机器人的弹性静力学参数识别的加工工作单元为航天工业。
2013-11-26 cs.RO
A Failure Identification and Recovery Framework for a Planar Reconfigurable Cable Driven Parallel Robot
Clemson University（克莱姆森大学）
在缆索驱动并联机器人中，一根缆索的故障往往会导致整个机器人的完全失效。然而，丢失的静态工作空间（由于故障）通常可以通过重新配置框架上的电缆连接点来恢复。这种能力是通过向机器人添加运动学冗余来引入的，所述运动学冗余以在实时冗余分辨率控制器中操纵的移动线性滑块的形式。所提出的工作结合这个控制器的在线故障检测框架，开发一个完整的容错控制方案的自动任务恢复。该解决方案通过将末端执行器的姿态估计与通过仅依赖于末端执行器信息的交互式多模型（IMM）算法的应用的故障检测相结合来提供鲁棒性。故障和姿态估计方案，然后绑定到冗余分辨率的方法，以产生一个无缝的自动任务（轨迹）电缆故障恢复方法。
2022-09-02 cs.RO
Integrable Whole-body Orientation Coordinates for Legged Robots
University of Pennsylvania（宾夕法尼亚大学）；Boardwalk Robotics（博德沃克机器人公司）；Boston Dynamics Artificial Intelligence Institute（波士顿动力人工智能研究所）；Florida Institute for Human and Machine Cognition（佛罗里达人机认知研究所）
针对腿足机器人复杂的旋转控制挑战，提出一种仅依赖系统配置、代表整体朝向且变化率近似总角动量的全身朝向坐标构建方法，并在硬件上验证了其多种用途。
2023-07-31 cs.RO
Bimanual Robot-Assisted Dressing: A Spherical Coordinate-Based Strategy for Tight-Fitting Garments
School of Physics, Engineering and Technology, University of York（物理、工程与技术学院，约克大学）；Honda Research Institute Europe（本田欧洲研究机构）
本文针对紧身衣物穿衣难题，提出基于球坐标系的双臂穿衣策略，利用方位角作为任务特征，结合GMM和GMR进行模仿学习，生成适应不同手臂姿态的穿衣轨迹并通过实验验证其有效性。
2025-08-17 cs.RO
Robot Detection System 3: LRF groups and Coordinate System
Monash University（莫纳什大学）
针对前方人类跟随技术实用性强但实现难度高的特点，本文分析了Robot Detection System的LRF组与坐标系设计，以图示展示新思路，该成果2018年已开源，本文用于扩大传播，更多相关内容可查阅同系列其他论文。
2024-05-11 cs.RO
Adaptive Identification of Legged Robotic Kinematic Structure
Carnegie Mellon University（卡内基梅隆大学）
基于模型的控制通常依赖于精确的模型，该模型通常从CAD和致动器模型获得。模型越精确，控制性能越好。然而，在表现出高敏捷性动作的双足机器人中，例如跑步和跳跃，机器人硬件将遭受与环境的冲击并且在脆弱部分变形，这使得预定义的模型无效。因此，期望具有将变形考虑在内的可适应的运动学结构。考虑到这一点，我们提出了一种方法，所有的机器人关节6-DOF关节模型，并开发了一种算法，可以识别的运动运动恢复结构从运动捕获数据。我们评估算法的性能在模拟-一个三连杆摆，和一个双足机器人- ATRIAS。在模拟的情况下，该算法产生的结果，有3.6%的误差相比，地面的真相，并在现实生活中的双足机器人的算法的结果证实了我们的先验假设，其中关节变形的平面外自由度。此外，我们的算法是能够使用重建的关节模式预测扭矩和力。
2021-07-25 cs.RO
Reconfigurable Robot Identification from Motion Data
Columbia University（哥伦比亚大学）
本文提出一种元自建模方法，利用本体感觉信号和深度神经网络，从运动数据中准确识别可重构机器人的形态配置，推动机器人对自身物理结构的自主理解与适应。
2024-03-15 cs.RO
A Method to use Nonlinear Dynamics in a Whisker Sensor for Terrain Identification by Mobile Robots
Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）
本文展示了分析和实验证据，使用振动动力学的顺应性触须准确的地形分类在稳态运动的移动机器人。霍尔效应传感器用于测量由于来自地面的扰动而引起的晶须振动。分析结果预测，触须振动将有一个主导频率的垂直扰动频率的移动机器人夹在其他两个不太占主导地位，但不同的频率分量。这些频率分量可能来自稳态时非线性相互作用动力学引起的振动频率分叉。实验结果还表现出独特的主导频率成分的机器人的速度和地形粗糙度。这种非线性动态特征被用于深层多层感知器神经网络中对地形进行分类。对7种不同纹理的平坦地表，预测成功率为85.6%。
2021-08-04 cs.RO
Model Identification and Control of a Low-Cost Wheeled Mobile Robot Using Differentiable Physics
Rutgers University（罗格斯大学）
我们提出了一种低成本的轮式移动机器人的设计，并预测其运动的影响下的电动机转矩和摩擦力的分析模型。使用我们提出的模型，我们展示了如何分析计算一个适当的损失函数的梯度，该函数测量预测的运动轨迹和现实世界的轨迹，这是估计使用Apriltags和高架摄像头之间的偏差。这些分析梯度允许我们通过使用梯度下降最小化损失函数来自动推断未知的摩擦系数。由优化模型预测的运动轨迹与现实世界中的运动轨迹非常吻合。实验表明，我们提出的方法是计算优于现有的黑箱系统辨识方法和其他数据驱动的技术，也需要非常少的真实世界的样本准确的轨迹预测。所提出的方法结合了基于第一原理的分析模型的数据效率，以及数据驱动方法的灵活性，这使得它适用于低成本机器人。使用学习的模型和我们的基于梯度的优化方法，我们展示了如何自动计算电机控制信号，以驱动机器人沿着预先指定的曲线。
2020-09-24 cs.RO
Meeting-Merging-Mission: A Multi-robot Coordinate Framework for Large-Scale Communication-Limited Exploration
Dji Co（大疆创新科技有限公司）；Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
这封信提出了一个完整的框架会议合并任务的多机器人探索下的通信限制。考虑到现实世界中通信带宽和距离的有限性，提出了一种轻量级的环境表示方法和一种高效的协作探索策略。对于较低的带宽，每个机器人利用特定的多面体来维护自由空间和超前沿信息（SFI）作为探索决策的来源。为了减少重复的探索，我们开发了一个基于任务的协议，驱动机器人共享收集到的信息在稳定的会合。我们还设计了一个完整的路径规划方案集中和分散的情况下。为了验证我们的框架是实用和通用的，我们提出了一个广泛的基准测试，并部署到多UGV和多无人机平台我们的系统。
2022-07-20 cs.RO
A Unified Calibration Framework for High-Accuracy Articulated Robot Kinematics
ETH Zurich（苏黎世联邦理工学院）
本文提出了一种统一的机械臂校准框架，通过单一实验识别几何和非几何效应，显著提升校准精度。
2026-01-23 cs.RO
Robust algorithm for calibration of robotic manipulator model
Ecole des Mines de Nantes（南特矿业学院）；IRCCyN（南特通信与控制研究所）；École Nationale d’Ingénieurs de Metz（梅斯国立工程师学院）；LCFC-ENSAM ParisTech Metz（ENSAM巴黎高科梅斯实验室）；University of Nantes（南特大学）
研究了机械臂几何参数和弹性静力参数的鲁棒辨识问题。重点研究了辨识算法效率的提高。为了提高辨识精度，提出了采用加权最小二乘法的方法，该方法采用了一种新的加权系数分配算法。后者允许考虑在不同方向和整个机器人工作空间中测量系统精度的变化。通过工业机器人弹性静力学标定的应用实例说明了该方法的优越性。
2013-11-26 cs.RO
ESCoT: An Enhanced Step-based Coordinate Trajectory Planning Method for Multiple Car-like Robots
School of Vehicle and Mobility, Tsinghua University（车辆与移动系统学院，清华大学）
本文提出ESCoT方法，通过局部协同规划和重复配置重规划策略，显著提升了多类车机器人轨迹规划在稀疏和密集场景下的求解质量与成功率，并经实际机器人测试验证了其有效性。
2025-08-13 cs.RO
Real-Time Visual Tracking and Identification for a Team of Homogeneous Humanoid Robots
University of Bonn（波恩大学）
使用一组人形机器人协作完成一项任务是一个越来越重要的研究领域。实现协作的挑战之一是机器人的相互识别和跟踪。这项工作提出了一种实时的【形】基于视觉的方法来检测和跟踪已知外观的机器人，基于静止的机器人捕获的图像。一个直方图的有向矢量描述符被用来检测机器人和机器人的航向估计的多类分类器。被跟踪的机器人根据磁力计读数报告自己的航向估计。对于跟踪，基于位置和航向的成本函数应用于每个轨迹，并且使用匈牙利算法找到检测到的机器人的全局最优标签。完整的识别和跟踪系统在足球场上使用两个igus人形开放平台机器人进行了测试。我们希望类似的系统可以用于其他人形机器人，如Nao和DARwIn-OP
2018-10-16 cs.CV cs.RO
Online Visual Robot Tracking and Identification using Deep LSTM Networks
University of Bonn（波恩大学）
在许多应用中，协作机器人在共同的任务上工作是必要的。在机器人团队中实现协作的挑战之一是相互跟踪和识别。我们提出了一种新的管道在线视觉为基础的检测，跟踪和识别机器人与已知的和相同的外观。我们的方法在有限的硬件上实时运行的观察员机器人。与以前的机器人跟踪和识别工作不同，我们使用基于递归神经网络的数据驱动方法来学习顺序输入和输出之间的关系。我们将数据关联问题表述为多分类问题。深度LSTM网络在模拟数据集上进行训练，并在少量真实数据集上进行微调。在两个具有挑战性的数据集上进行的实验，一个是合成数据集，一个是真实数据集，其中包括长期遮挡，显示出有希望的结果。
2018-10-16 cs.CV cs.RO
Fast Object Inertial Parameter Identification for Collaborative Robots
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Vector Institute（向量研究所）
针对协作机器人低信噪比数据导致惯性参数辨识慢且不准的问题，提出结合刚体动力学近似与质量离散化的快速辨识方法，并通过仿真与实验验证其在典型协作工况下对现有方法的补充作用。
2023-07-06 cs.RO
Coordinated Motion Control and Event-based Obstacle-crossing for Four Wheel-leg Independent Motor-driven Robotic System via MPC
Beijing Institute of Technology（北京理工大学）
针对四轮腿独立电机驱动机器人系统的协调运动控制和越障问题，提出了一种基于事件触发机制的模型预测控制（MPC）方法.建立了具有动态支撑多边形的轮腿机器人控制系统的数学模型。系统动力学模型为3个自由度，忽略俯仰、横滚和垂直运动。考虑电动机驱动特性和Burckhardt非线性轮胎模型，对单轮动力学进行了分析。在此基础上，建立了以电机转矩为输入、系统状态为输出的过驱动预测模型。由于支持多边形只在特定条件下调整，因此设计了基于事件的触发机制，以节省硬件资源和能量。MPC控制器上的虚拟样机以及物理样机进行评估。仿真结果为控制器在物理样机中的实现提供了参数整定指导。在这两个原型上的实验结果验证了所提出的方法的有效性。
2021-11-23 cs.RO
TuneNet: One-Shot Residual Tuning for System Identification and Sim-to-Real Robot Task Transfer
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
随着研究人员教机器人执行越来越复杂的任务，对逼真的仿真环境的需求也在增长。通过近似真实世界物理来缩小现实差距的现有技术通常需要大量的真实世界数据和/或数千个模拟样本。本文介绍了TuneNet，这是一种基于机器学习的新方法，可以使用 * 迭代残差调整 * 技术直接调整一个模型的参数以匹配另一个模型。TuneNet使用来自目标的单个观测和最小模拟来估计两个模型之间的参数差异，从而实现快速、准确和样本效率高的参数估计。该系统可以通过监督学习在自动生成的模拟数据集上进行训练。我们表明，TuneNet可以执行系统辨识，即使当真正的参数值位于训练过程中看到的分布之外，并证明与TuneNet调整的模拟器优于现有的预测刚体运动的技术。最后，我们证明了我们的方法可以估计真实世界的参数值，允许机器人在训练过程中看不到的动态操作任务上执行模拟到真实的任务转移。代码和视频可在http://bit.ly/2lf1bAw上在线获得。
2020-02-13 cs.RO
An Energy Balance Based Method for Parameter Identification of a Free-Flying Robot Grasping An Unknown Object
Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Tecnico（高等技术学院）
机器人系统的惯性参数的估计对于更好的轨迹跟踪性能是至关重要的，特别是当基于模型的控制器用于执行精确的任务时。在本文中，我们考虑的情况下，掌握一个未知属性的自由飞行空间机器人有限的驱动。问题是要找到整个系统的惯性参数后，已执行的把握。在惯性空间中提供激励，通过优化找到激励轨迹。截断傅立叶级数用于表示参考以及跟踪轨迹。一种基于驱动功和动能变化率之间的能量平衡的方法被引入来计算用于表示执行轨迹的傅立叶级数中的谐波的数量，同时试图找到占饱和效应和保持噪声之间的平衡。研究了输入饱和对参数估计的影响。使用空间CoBot自由飞行机器人的仿真结果表明该方法的可行性。
2018-03-15 cs.RO
Clarke Transform and Clarke Coordinates -- A New Kid on the Block for State Representation of Continuum Robots
University of Toronto（多伦多大学）
针对任意数量腱驱动连续机器人的解耦难题，本文推广了矢量控制中的Clarke变换，提出Clarke变换与Clarke坐标，以消除腱间相互依赖、简化建模并统一状态表示，结合弧参数推导出适用更广的泛化方法。
2024-09-20 cs.RO
Optimal Parameter Identification for Discrete Mechanical Systems with Application to Flexible Object Manipulation
University of Colorado（科罗拉多大学）
本文提出了一种通过测量柔性物体与操作臂相互作用过程中的力和位移来进行柔性物体系统辨识的方法。与以前的工作不同，建议的最优控制方法，使用变分积分器允许识别闭环，其中包括机器人手臂本身。这允许使用所得到的模型来规划机器人的配置空间。为了有效地解决由此产生的问题，我们开发了一种新的方法，用于快速离散时间伴随的梯度计算。该方法的可行性证明了使用全物理仿真在trep和使用7自由度系列弹性机器人手臂记录的数据。
2014-02-12 cs.RO
Proprioceptive Sensor-Based Simultaneous Multi-Contact Point Localization and Force Identification for Robotic Arms
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出一种基于关节力矩传感器和基座力/力矩传感器的粒子滤波改进算法，通过网格预处理实现机械臂多接触点与接触力的同时快速估计，并在7自由度机器人仿真中达到2200Hz运行频率和99.96%的单接触成功率。
2023-03-07 cs.RO
A Unified Calibration Framework for Coordinate and Kinematic Parameters in Dual-Arm Robots
本文提出统一校准双臂机器人坐标转换和运动学参数的框架，通过单个李代数公式整合紧密耦合参数，减少误差累积，提升校准精度。
2026-03-16 cs.RO
Parameter Identification and Motion Control for Articulated Rigid Body Robots Using Differentiable Position-based Dynamics
Advanced Robotics and Controls Lab, University of California San Diego（加州大学圣地亚哥分校先进机器人与控制实验室）
机器人、物体和环境的仿真建模是所有基于模型的控制和学习的基础。它广泛应用于动态规划和模型预测控制，以及用于模仿、转移和强化学习的数据生成。除了保真度，这些控制和学习环境中模型的关键特征是速度，稳定性和本地可微性。然而，当今许多流行的机器人仿真平台至少缺乏上述功能之一。最近，基于位置的动力学（PBD）由于其速度和稳定性，已成为一种非常流行的模拟工具，用于建模刚性和非刚性物体相互作用的复杂场景，并开始在机器人中获得显着的兴趣，因为它在基于模型的控制和学习中的潜在用途。因此，在本文中，我们提出了一个数学公式耦合基于位置的动力学（PBD）仿真和最优机器人设计，基于模型的运动控制和系统辨识。我们的框架打破了PBD的定义和衍生的各种类型的关节为基础的铰接刚体。提出了一种基于自动微分的反向传播算法，该算法可以同时集成位置和角度约束。我们的框架可以严格地提供原生梯度信息，并执行基于梯度的优化任务。我们还提出了铰接联合模型表示和模拟工作流程，我们的微分框架。我们证明了该框架在高效的最优机器人设计，准确的轨迹扭矩估计和支持弹簧刚度估计，我们实现了微小的误差的能力。我们还实现了阻抗控制在真正的机器人，以证明我们的微分框架在人在环应用的潜力。
2022-01-15 cs.RO
Dynamic Task Execution using Active Parameter Identification with the Baxter Research Robot
Northwestern University（西北大学）
本文介绍了实验结果的实时参数估计的系统模型和随后的轨迹优化的动态任务，使用Baxter研究机器人从Rethink机器人。一个积极的估计最大限度地提高费舍尔信息被用于实时与闭环，非线性控制技术，称为顺序动作控制。Baxter的任务是估计连接到从夹具悬挂的负载的字符串的长度，其中称重传感器为估计器提供单一的反馈源。在主动估计之后，使用trep软件包生成轨迹，该软件包控制Baxter将悬挂负载动态摆动到箱子中。几个试验不同的初始估计表明，估计需要获得足够的开环轨迹来完成规定的任务。附带的视频中还显示了使用和不使用主动估计的一次试验的结果。
2017-09-11 cs.RO
Planning Multimodal Exploratory Actions for Online Robot Attribute Learning
State University of New York at Binghamton（纽约州立大学宾汉姆顿分校）；Tufts University（塔夫茨大学）
机器人经常需要感知物体属性，如“红色”，“重”和“空”，使用多模态探索性动作，如“看”，“举”和“摇”。“机器人属性学习算法的目标是在给定探索性动作的情况下为每个可感知属性学习观察模型。一旦学习了属性模型，它们就可以用来识别新对象的属性，回答诸如“这个对象是红色和空的吗？“属性学习和识别在文献中被视为两个独立的问题。在本文中，我们首先定义了一个新的问题，称为在线机器人属性学习（On-RAL），机器人的工作属性学习和属性识别同时进行。然后，我们开发了一种算法，称为信息理论奖励塑造（ITRS），积极解决探索和开发之间的权衡在RAL问题。将ITRS与竞争机器人属性学习基线进行了比较，实验结果表明ITRS在学习效率和识别精度方面具有优势。
2021-06-08 cs.RO
A Coordinate-Invariant Local Representation of Motion and Force Trajectories for Identification and Generalization Across Coordinate Systems
KU Leuven（鲁汶大学）；Flanders Make（弗兰德斯制造）；Royal Military Academy（皇家军事学院）
本文提出了一种坐标不变的轨迹表示法，用于在不同坐标系统中一致地识别和泛化运动和力轨迹，以提高鲁棒性和通用性。
2026-04-11 cs.RO
Consistent Distributed Cooperative Localization: A Coordinate Transformation Approach
National Key Laboratory of Modeling and Simulation for Complex Systems, School of Astronautics, Harbin Institute of Technology（哈尔滨工业大学航天学院复杂系统建模与仿真国家重点实验室）
本文提出一种基于线性时变坐标变换的一致性分布式协同定位算法，使传播雅可比与状态解耦并适配服务器式分布式框架，在仿真与真实数据上验证了其在一致性和精度上优于现有方法。
2024-10-22 cs.RO
Fail-RAG : A Retrieval Augmented Generation Informed Framework for Robot Failure Identification
Hitachi America, Ltd.（日立美国有限公司）
提出Fail-RAG框架，利用检索增强生成和视觉语言模型，通过嵌入故障图像和上下文信息并查询数据库，实现机器人操作故障的高效检测，在仓库自动化任务中平均检测准确率提升25个百分点。
2026-06-19 cs.RO
Gyroscopically Stabilized Robot: Balance and Tracking
单轮陀螺稳定机器人Gyrover是一个动态稳定但静态不稳定的欠驱动系统。本文在机器人动力学模型的基础上，研究了与系统相关的两类非完整约束。然后，基于反推技术，我们提出了一个控制律的平衡控制陀螺仪。其次，通过将系统状态从直角坐标系转换到极坐标系，给出了直角空间中的点到点控制和直线跟踪控制律。
2004-12-11 cs.RO
Person Re-Identification for Robot Person Following with Online Continual Learning
Southern University of Science and Technology（南方科技大学）；Guangdong University of Technology（广东工业大学）
针对机器人跟随人员中固定特征提取器因领域偏移导致重识别失败的问题，提出基于在线持续学习的ReID框架，利用短期和长期经验在线优化特征提取器，显著提升了复杂条件下的重识别准确率。
2024-07-26 cs.RO
Model-Based Identification and Control of a One-Legged Hopping Robot
Bilkent University（比尔肯特大学）
弹簧-质量模型是分析和控制腿运动的成熟工具。其中，弹簧加载倒立摆（SLIP）模型已被证明是一个非常准确的描述动物运动。尽管SLIP模型被广泛使用，但它包含了不可积的姿态动力学，这使得它的运动方程无法得到解析解。幸运的是，对于不同的SLIP变体有近似的解析解。然而，这种近似的实用性主要是在模拟研究中进行测试，有几个明显的例外。这篇论文延伸到最近的近似髋关节扭矩驱动耗散SLIP（TD-SLIP）模型，使用扭矩驱动，以补偿能量损失。系统的实验仔细评估的近似解析解的预测性能，提出了一个良好的仪器单腿跳跃机器人的修订，以提高系统的兼容性和准确性。根据TD-SLIP模型修改了机器人的电子结构，使机器人使用实时操作系统来提高处理速度。利用近似解析解的预测性能所产生的参数和结果，在机器人平台上设计并实现了基于模型的控制器，以在单腿跳跃机器人平台上产生稳定的闭环运行行为。此外，在实验平台上的立场阶段的地面反作用力进行了调查，并与人类运行和传统的SLIP模型的数据进行比较，以了解扭矩驱动的模型更好地接近自然运动比传统的模型。
2018-02-26 cs.RO
Sampling-Based System Identification with Active Exploration for Legged Robot Sim2Real Learning
Carnegie Mellon University（卡内基梅隆大学）；Google DeepMind（谷歌DeepMind）
针对足式机器人仿真到现实的差距问题，提出两阶段框架SPI-Active，结合大规模并行采样参数辨识与主动探索策略，实现精准策略迁移，运动任务性能较基线提升42-63%。
2025-05-20 cs.RO
Tracking the Ground: Online Lidar Identification of Robot-Induced Soil Deformation in Agricultural Environments
Université Clermont Auvergne（克莱蒙奥弗涅大学）；INRAE（法国国家农业、食品与环境研究院）；Institut Pascal, Université Clermont Auvergne（帕斯卡研究所，克莱蒙奥弗涅大学）；Clermont Auvergne INP（克莱蒙奥弗涅国立理工学院）；CNRS（法国国家科学研究中心）；National Agriculture and Food Research Organization（日本国立农业与食品研究机构）
针对农业中车辆-土壤相互作用导致土壤变形的问题，提出基于激光雷达的降阶参数模型框架，在线量化并估计变形演变，实验验证其有效性，为土壤感知机器人作业奠定基础。
2026-09-15 cs.RO
Collision detection and identification for a legged manipulator
ETH Zurich（苏黎世联邦理工学院）
为了在现实世界中安全地部署足式机器人，有必要为它们提供可靠地检测意外接触并准确估计相应接触力的能力。在本文中，我们提出了一个四足机械手的碰撞检测和识别流水线。我们首先介绍了一种方法来估计的碰撞时间跨度的基础上带通滤波，并表明，这一信息是获得准确的碰撞力估计的关键。然后，我们通过补偿模型的不准确性，未建模的负载，以及任何其他潜在的准静态干扰源作用于机器人，提高了所确定的力的大小的准确性。我们验证了我们的框架，在各种情况下，包括小跑和机器人上的额外未建模负载广泛的硬件实验。
2022-07-29 cs.RO
Online identification of skidding modes with interactive multiple model estimation
Clemson University International Center for Automotive Research (CU-ICAR)（克莱姆森大学国际汽车研究中心）；Ground Vehicle Systems Center (GVSC)（地面车辆系统中心）
本文针对滑移转向轮式移动机器人在复杂室外环境中轮地相互作用难以建模的问题，提出基于交互式多模型（IMM）的滤波框架，以概率方式在线辨识因地形变化或车轮打滑引起的预定运行模式，从而简化运动模型辨识过程。
2024-09-30 cs.RO
A Geometric Method for Base Parameter Analysis in Robot Inertia Identification Based on Projective Geometric Algebra
The State Key Laboratory of Mechanical System and Vibration, School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China（机械系统与振动国家重点实验室，机械工程学院，上海交通大学，上海200240，中国）
本文提出了一种基于投影几何代数的几何方法，用于高效准确地识别机器人系统的基体惯性参数。
2025-09-02 cs.RO
Cascaded Nonlinear Control Design for Highly Underactuated Balance Robots
Rutgers University（罗格斯大学）
针对欠驱动自由度多于驱动自由度的高度欠驱动平衡机器人，提出将动力学转化为级联虚拟驱动子系统并依次设计控制输入的非线性方法，实现轨迹跟踪与平衡，且在三级倒立摆小车仿真中验证有效。
2023-10-02 cs.RO
