Dynamically Extensible and Retractable Robotic Leg Linkages for Multi-task Execution in Search and Rescue Scenarios
Mechanical and Aerospace Engineering Department, University of California, San Diego(加州大学圣地亚哥分校机械与航空航天工程系);Electrical and Computer Engineering Department, University of California, San Diego(加州大学圣地亚哥分校电气与计算机工程系)
本文提出了一种可动态扩展和收回的机器人腿部连杆机构,用于在搜索和救援任务中实现地形适应和高力输出。通过几何变换实现腿部配置的机械切换,实验验证了其在步长、力输出和稳定性方面的性能。
2026-04-28 cs.RO
Study on Soft Robotic Pinniped Locomotion
DePaul University(德保罗大学);Ohio State University(俄亥俄州立大学);Imperial College London(帝国理工学院);Georgia Institute of Technology(佐治亚理工学院);Louisiana State University(路易斯安那州立大学);Texas A&M University(得克萨斯农工大学)
本文针对软体腿式机器人自由度有限、步态单一、灵巧性和载荷不足等问题,提出一种模块化软肢机器人以模仿鳍足类运动,并通过完整浮动基座运动学模型生成和实验验证了多种步态,证明了模型的有效性。
2023-04-14 cs.RO
HRI Challenges Influencing Low Usage of Robotic Systems in Disaster Response and Rescue Operations
University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校)
本文针对灾难响应与救援场景中机器人系统使用率低的问题,聚焦人机交互(HRI)挑战,梳理现有救灾机器人系统的HRI问题,并借鉴已有研究提出应对思路。
2024-01-28 cs.HC cs.RO
NimbRo Rescue: Solving Disaster-Response Tasks through Mobile Manipulation Robot Momaro
University of Bonn(波恩大学)
迫切需要在人类无法进入的危险环境中解决复杂任务的机器人,例如用于搜索和救援应用。我们描述了我们的移动操作机器人Momaro,我们成功地参加了DARPA机器人挑战赛。它采用了独特的运动设计,四条腿的末端是可转向的轮子,这使得它既可以全方位行驶,也可以跨越障碍物或攀爬。此外,我们提出了先进的通信和遥操作方法,其中包括沉浸式3D可视化,以及操作员头部和手臂运动的6D跟踪。该系统在DARPA机器人挑战赛,DLR SpaceBot杯资格赛和实验室实验中进行了评估。我们还讨论了从比赛中吸取的教训。
2018-10-15 cs.RO
CLIO: a Novel Robotic Solution for Exploration and Rescue Missions in Hostile Mountain Environments
University of Trento(特伦托大学);University of Batna 2(巴特纳第二大学);Free University of Bozen-Bolzano(博尔扎诺自由大学)
本文提出绳索辅助攀爬机器人CLIO,通过绳索与单腿跳跃相结合实现接近垂直山坡上的重载移动,并利用最优控制与简化模型实现快速轨迹生成,仿真验证了其有效性与可达性。
2023-04-14 cs.RO
Multimodal Interaction with Multiple Co-located Drones in Search and Rescue Missions
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学)
我们提出了一个多模式的交互框架,适合于人类救援人员,在搜索任务期间与一组位于同一地点的无人机接近。这项工作是在SHERPA项目的背景下进行的,该项目的目标是开发一个混合地面和空中机器人平台,以支持在现实世界的高山场景中进行搜索和救援活动。与典型的人机交互设置不同,这里的操作员并不完全致力于无人机,而是参与搜索和救援任务,因此只能向机器人提供稀疏、不完整但价值很高的指令。这种操作场景需要一个支持多模态通信的人机交互框架,以及人类和机器人之间有效和自然的混合主动交互。在这项工作中,我们说明了域和建议的多模态交互框架讨论系统在工作中的模拟案例研究。
2016-05-24 cs.RO
Locomotion and Obstacle Avoidance of a Worm-like Soft Robot
University of Notre Dame(圣母大学)
本文提出一种仿蚯蚓软体机器人,通过多段气动驱动与本体感觉控制实现高效运动和实时避障,在杂乱环境中导航能力显著,适用于搜救、环境监测和医疗等领域。
2023-04-17 cs.RO
Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems
Luleå University of Technology(吕勒奥理工大学)
针对地下搜救中烟雾污染3D LiDAR点云的问题,提出基于强度与空间信息的模块化实时过滤流程,并在前沿探索任务中验证其效果与计算影响。
2023-08-14 cs.CV cs.RO
Robotic Search & Rescue via Online Multi-task Reinforcement Learning
Princeton University(普林斯顿大学);University of Pennsylvania(宾夕法尼亚大学)
强化学习(RL)是机器人可以用来学习最优控制策略以解决特定任务的通用且公知的方法。我们希望构建一个可以学习多个任务的多功能机器人,但是在机器人的时间和磨损方面,使用RL来完成每个任务都是非常昂贵的。为了解决这个问题,我们使用策略梯度有效终身学习算法(PG-ELLA),这是一种在线多任务RL算法,使机器人能够通过在这些任务之间共享知识来有效地学习多个连续任务,以加速学习并提高性能。我们实施和评估三种RL方法-Q-学习,策略梯度RL和PG-ELLA-在地面机器人上,其任务是在不同的表面条件下的环境中找到目标对象。在本文中,我们讨论了我们的实现,以及提出了一个实证分析,他们的学习性能。
2015-11-29 cs.AI cs.LG cs.RO
Sigma-3: Integration and Analysis of a 6 DOF Robotic Arm Configuration in a Rescue Robot
North South University(北南大学)
本文介绍了一种名为Sigma 3的救援机器人,它是为潜在的应用而开发的,例如在人类无法到达的地方为人类提供帮助,以评估危险环境。此外,这些类型的机器人可以通过适当的控制系统进行远程控制。所提出的方法力在两个问题上:1。新颖的机制设计,用于测量与Sigma 3,2集成的臂的旋转、关节、自由度的连杆。精确测量末端执行器的三维运动控制。在所提出的机制设计中,自由度测量由平面和空间机构提出,其中4种类型的刚性关节建立每个自由度,由6个高扭矩MG 996 R伺服电机控制。旋转和自由度的测量是由旋转矩阵、逆运动学的理论参考和实验结果组成的。所提出的方法在振荡阻尼性能表现出小于百分之三的误差,而配置的手测试。另一个评估的工作时间状态有力地捍卫低功耗能力的机制。
2020-04-28 cs.RO cs.SY eess.SY
Strategic Control of Proximity Relationships in Heterogeneous Search and Rescue Teams
Dalle Molle Institute for Artificial Intelligence (IDSIA)(达勒·莫尔人工智能研究所(IDSIA))
在搜索和救援的背景下,我们考虑的任务规划的异质团队,可以包括人类,机器人和动物代理的问题。这个问题是解决使用混合整数数学规划制定,共同确定的路径和活动调度的每个代理在团队中。数学公式的基础上,我们提出了使用软约束和处罚,允许灵活的战略控制的搜索轨迹的代理之间的时空关系。通过这种方式,我们可以使任务规划者能够获得最大化区域覆盖的解决方案,同时控制代理之间的空间接近度(例如,以最小化相互任务干扰或促进本地合作和数据共享)。通过模拟实验,我们展示了战略框架的应用,考虑了现实世界的搜索和救援任务的一些感兴趣的场景。
2013-12-17 cs.RO
Analysis of Interior Rubble Void Spaces at Champlain Towers South Collapse
Carnegie Mellon University(卡内基梅隆大学);Texas A&M University(德克萨斯农工大学);Florida State University(佛罗里达州立大学)
2021年,佛罗里达州萨夫赛德的尚普兰塔南公寓倒塌,造成98人死亡。据信有9人在最初的坍塌中幸存下来,如果救援人员能够找到他们,他们可能已经获救。也许,如果救援人员能够使用机器人搜索瓦砾堆的内部,结果可能会更好。对机器人必须在其中操作以能够搜索瓦砾堆内部的环境的更好理解将有助于机器人专家开发更适合的机器人平台和控制策略。为此,这项工作提供了一种方法来表征和可视化的碎石桩的内部,并进行初步分析的空隙的发生。具体来说,分析利用了从Surfside的响应者那里收集的四天的空中图像来创建倒塌的3D体积聚合模型,以识别和表征瓦砾内部的空隙空间。初步结果证实了这些内部空隙的数量和规模较小的预期。研究结果可以为更好地选择和控制现有的机器人进行灾难响应提供信息,帮助确定设计规格(特别是规模和形状因子),并改善对未来为废墟搜索操作开发的机器人平台的控制。
2023-01-11 cs.RO
RISCuer: A Reliable Multi-UAV Search and Rescue Testbed
King Abdullah University of Science & Technology(阿卜杜拉国王科技大学);University of Maryland(马里兰大学);Polytechnique Montreal(蒙特利尔理工学院);Australian College of Kuwait(科威特澳大利亚学院)
我们提出了机器人智能系统与控制(RISC)实验室多智能体测试平台,用于在户外环境中进行可靠的搜索和救援以及空中运输。该系统由三个多旋翼无人机(UAV)组成,能够自主搜索,拾取和运输室外场地中随机分布的物体。该方法包括基于视觉的目标检测和定位,被动空中抓取与我们的新设计,基于GPS的无人机导航,并在空投区的对象的安全释放。我们的合作策略确保无人机之间始终保持安全的空间分离,我们使用通信支持的共识来防止降落区的任何冲突。所有的计算都在每架无人机上进行。我们描述了完整的软件和硬件体系结构的系统,并证明其可靠的性能,使用全面的户外实验,并通过比较我们的结果与最近的一些类似的作品。
2021-12-07 cs.RO
Emergency Response Person Localization and Vital Sign Estimation Using a Semi-Autonomous Robot Mounted SFCW Radar
本文提出基于半自主机器人搭载SFCW雷达的完整信号处理链,实现多人员检测、2D-MUSIC定位与呼吸频率估计,并在包含62个场景的应急响应数据集上验证了有效性。
2024-01-12 cs.RO eess.SP
Hector UI: A Flexible Human-Robot User Interface for (Semi-)Autonomous Rescue and Inspection Robots
Technical University of Darmstadt(德累斯顿技术大学)
本文提出开源且可灵活配置的Hector UI,基于既定准则设计并适配多种机器人,在多次竞赛与评估中验证了其高效性与灵活性。
2025-04-28 cs.HC cs.RO
An early warning AI-powered portable system to reduce workload and inspect environmental damage after natural disasters
Union College(联合学院)
1.3数百万家庭火灾,3,400名平民死亡,230亿美元的损失,消防部门每24秒就被要求作出反应。多名消防员因隐患在搜救行动中受伤。此外,阻燃剂水径流污染可威胁人类健康。我的目标是开发一个系统来监测灾害引起的环境破坏,为事故指挥官提供早期情报。我开发了一种多光谱传感系统,用于检测空气和水质,以实现更安全和可访问的危险环境操作。关键部件包括a)安装有四个传感器(气体传感器、热成像摄像机、GPS传感器、视觉摄像机)和无线通信器的无人机,b)用于识别目标的人工智能计算机视觉基站,c)低成本、便携式光谱水质分析仪和d)机器人回收器。该原型展示了为消防员和科学家提供更安全和更方便的搜索和救援行动的潜力。气体传感器可以识别浓烟情况(阈值> 400)。视觉和热成像摄像头检测到隐藏的热物体,并将图像发送到人工智能驱动的分析仪,以识别和定位目标,并使用救援GPS坐标进行机器人检索。用光谱特征分析水质,以指示与潜在污染物相关的浊度水平(阈值> 1.3)。原型结果已向森尼韦尔消防部门展示,并收到了令人鼓舞的反馈。未来的目标包括用智能服装监测消防员的健康和过度劳累。
2021-04-02 cs.RO
Cellular-enabled Collaborative Robots Planning and Operations for Search-and-Rescue Scenarios
i2CAT Foundation(i2CAT基金会);NEC Laboratories Europe GmbH(欧洲NEC实验室);Polytechnic University of Catalonia, UPC(加泰罗尼亚理工大学(UPC));Institut Català de Recerca i Estudis Avançats, ICREA(加泰罗尼亚高级研究所(ICREA))
针对SAR任务中蜂窝协作机器人能量受限问题,提出框架以区域面积、车队规模、能量、探索率和响应时间为输入,确定最少机器人数量及路径,并展示轮式与四足机器人的数量-面积-时间权衡。
2024-03-14 cs.NI cs.RO
Robotic Fire Risk Detection based on Dynamic Knowledge Graph Reasoning: An LLM-Driven Approach with Graph Chain-of-Thought
针对机器人火灾感知与响应不足,提出IOG框架,结合知识图谱和大语言模型,从实时图像生成风险图,实现早期火灾检测与可解释应急决策,经仿真和实测验证有效。
2025-09-07 cs.AI cs.RO
MorphoNavi: Aerial-Ground Robot Navigation with Object Oriented Mapping in Digital Twin
Intelligent Space Robotics Laboratory, CDE, Skoltech(智能空间机器人实验室,Skoltech)
本文提出一种基于单目相机和面向对象建图的空地机器人导航方法,在数字孪生中实现无需微调的物体检测与定位,并通过搜救场景验证其有效性。
2025-04-23 cs.RO
Field Insights for Portable Vine Robots in Urban Search and Rescue
Lincoln Laboratory, Massachusetts Institute of Technology(麻省理工学院林肯实验室);University of Notre Dame(圣母大学);Stanford University(斯坦福大学)
本研究通过实验测试藤蔓机器人SPROUT在坍塌结构中的性能,验证其穿越能力,并提出改进方案以增强便携性和可靠性。
2024-11-10 cs.RO
Development and Testing of a Vine Robot for Urban Search and Rescue in Confined Rubble Environments
本文提出一种受植物生长启发的藤蔓软体机器人,通过气动肌肉转向与反馈压力控制实现瓦砾环境中的穿透与导航,实验证明其可深入杂乱废墟并保持重复轨迹,适用于城市搜救任务。
2024-09-19 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
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
HeROS: a miniaturised platform for research and development on Heterogeneous RObotic Systems
Warsaw University of Technology(华沙理工大学);Faculty of Electronics and Information Technology(电子与信息技术学院);Institute of Control and Computation Engineering(控制与计算工程研究所)
本文提出HeROS微型化物理平台,通过标准化底座瓦片集成多种移动与操作机器人,以低成本方式支持异构机器人系统的测试与原型开发,并用多个示例应用验证其有效性。
2024-08-30 cs.RO
An Enhanced LiDAR-Inertial SLAM System for Robotics Localization and Mapping
基于LiDAR和惯性传感器的定位和地图绘制对于无人地面车辆相关应用具有重要意义。在这项工作中,我们已经开发了一种改进的激光雷达惯性定位和测绘系统的无人地面车辆,这是适合于多功能的搜索和救援应用。与现有的基于激光雷达的定位和地图系统,如LOAM相比,我们有两个主要的贡献:第一个是基于粒子群滤波器的激光雷达SLAM的鲁棒性的提高,而第二个是闭环方法开发的全局优化,以提高整个系统的定位精度。实验结果表明,该方法提高了激光雷达SLAM系统的定位精度和鲁棒性。最后,在香港科学园以及其他室内外真实复杂的测试环境中进行了系统的实验测试,验证了本文方法的有效性和效率。实验结果表明,该系统具有较高的精度、鲁棒性和效率。该系统对无人地面车辆在未知环境中的定位和测绘具有重要意义。
2022-12-29 cs.RO
UGV-CBRN: An Unmanned Ground Vehicle for Chemical, Biological, Radiological, and Nuclear Disaster Response
Graz University of Technology(格拉茨工业大学);University of Natural Resources and Life Sciences(自然资源与生命科学大学);University of Applied Sciences Technikum Wien(维也纳技术应用科学大学)
针对CBRN灾害,提出UGV-CBRN无人地面车辆,集成自主辐射测绘、半自主采样与在线分析,通过移动机械手和拉曼光谱仪实现远程威胁定位与评估,并在EnRicH挑战中验证。
2024-09-20 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
Benchmarking ground truth trajectories with robotic total stations
Université Laval(拉瓦尔大学);École Supérieure des Géomètres-Topographes(高等测量与地形学院);Le Mans(勒芒)
本文通过跨周、跨月重复实验比较 RTS 与 GNSS 的轨迹真实值精度,证明 RTS 可重复性显著更优,可用于高精度 SLAM 基准测试。
2024-02-29 cs.RO
Rapid Quadrotor Navigation in Diverse Environments using an Onboard Depth Camera
本研究提出一种基于前向弧运动原语和RGB-D观测历史的反应式规划器,用于在搜索救援等复杂环境中实现快速且安全的四旋翼导航,模拟和实地测试显示成功率提升24%。
2024-11-07 cs.RO
Market-Based Replanning for Safety-Critical UAV Swarms in Search and Rescue Missions
KTH Royal Institute of Technology(皇家理工学院);Swedish Defence Research Agency(瑞典国防研究机构);KTH Royal Institute technological Institute(皇家理工学院)
提出一种分布式协调架构IRDS,通过反向拍卖市场机制和几何共识协议,在无人机故障下自主重分配任务,在25%退化下保持93%任务成功率。
2026-06-01 cs.MA cs.RO cs.SY
Selective Exploration and Information Gathering in Search and Rescue Using Hierarchical Learning Guided by Natural Language Input
School of Aerospace, Transport and Manufacturing, Cranfield University(克兰菲尔德大学航空航天、运输与制造学院)
针对搜索与救援中全面探索不可行的问题,提出结合大型语言模型与分层强化学习的系统,将人类口头输入转化为行动策略,提升智能体在长时域稀疏奖励环境下的学习效率和决策能力。
2024-09-20 cs.CL cs.RO
A Multi-Robot Platform for Robotic Triage Combining Onboard Sensing and Foundation Models
GRASP Lab, School of Engineering and Applied Sciences, University of Pennsylvania(GRASP实验室,工程与应用科学学院,宾夕法尼亚大学);Perelman School of Medicine, University of Pennsylvania(佩拉蒙医学学院,宾夕法尼亚大学)
本文提出一种多机器人平台,结合 onboard 感知与基础模型,实现大规模伤亡事件中的机器人 triage,涵盖伤员定位、生命体征测量和伤情评估等关键步骤。
2025-12-09 cs.RO
SeaDroneSim: Simulation of Aerial Images for Detection of Objects Above Water
University of Maryland(马里兰大学);University of Maryland Extension(马里兰大学推广部)
针对海洋环境下无人机视觉检测所需真实训练数据获取成本高的问题,研究提出可生成带分割真值的仿真航拍数据集的SeaDroneSim基准套件,仅用其合成数据检测BlueROV便在真实图像上达71 mAP,提供了对应检测基准。
2022-11-18 cs.CV cs.RO
Real-Time Obstacle Avoidance Algorithms for Unmanned Aerial and Ground Vehicles
本报告针对灾害区域自主导航问题,开发了用于UAV在复杂3D环境中实时安全机动的2D与3D反应式导航策略,并提出UAV与UGV统一控制方法,以提升森林火灾等救援任务的效率与安全性。
2025-06-25 cs.RO cs.SY eess.SY
Learned and Controlled Autonomous Robotic Exploration in an Extreme, Unknown Environment
Cornell University(康奈尔大学)
使用表面机器人探索和穿越极端地形是困难的,但对于许多应用来说是非常理想的,包括行星表面的探索,搜索和救援等。对于这些应用,为了确保机器人能够可预测地移动,必须将地形和车辆之间的相互作用,即地形力学,纳入机器人的运动模型中。对地形力学效应进行建模是困难的,并且在地形先验未知的情况下可能是不可能的。由于这些原因,在线学习地面力学模型是可取的,以增加机器人运动的可预测性。学习算法的先前实现的问题在于,地面力学模型和对应的生成的控制策略不容易解释或扩展。如果模型是可解释的形式,设计人员可以使用学习的模型来通知车辆和/或控制设计更改,以完善机器人架构,以供未来应用。本文探索了一种基于模型的遗传算法学习地面力学模型和控制策略的新方法。所提出的方法产生一个可解释的模型,可以使用现有的分析方法进行分析。本文提供的仿真结果表明,对于实际应用,遗传算法的性能近似等于一个国家的最先进的神经网络的方法,它不提供一个易于解释的模型的性能。
2020-04-02 cs.RO
Machine Learning Meets Advanced Robotic Manipulation
Swinburne University of Technology(斯威本科技大学);Harvard University(哈佛大学);Deakin University(迪肯大学);Imperial College London(伦敦帝国理工学院)
本文综述了机器学习在先进机器人操作中的前沿技术与应用,涵盖工业、医疗、农业、太空、军事和搜救等领域,并指出提升训练与部署阶段安全性、可靠性和效率是未来研究的重要方向。
2023-09-22 cs.AI cs.RO
Multi-agent Time-based Decision-making for the Search and Action Problem
Autonomous Systems Lab., ETH Zurich(苏黎世联邦理工学院自主系统实验室)
许多机器人应用,如搜索和救援,需要多个代理搜索和执行目标上的行动。然而,这样的任务提出了一些挑战,包括合作探索,任务选择和分配,时间限制,和计算复杂性。为了解决这个问题,我们提出了一个分散的多智能体决策框架的搜索和行动问题的时间约束。其主要思想是将时间视为一个分配的预算,每个代理人的行动都会产生时间成本并产生一定的奖励。我们的方法利用概率推理来做出接近最优的决策,从而获得最大化的回报。我们评估我们的方法在穆罕默德·本·扎耶德国际机器人挑战赛(MBZIRC)的搜索,挑选和放置场景,通过使用概率密度图和奖励预测函数来评估行动。广泛的模拟表明,我们的算法优于基准策略,我们展示了系统集成在一个基于Gazebo的环境中,验证框架的准备现场应用。
2018-03-13 cs.RO
Low-Cost Open-Source Ambidextrous Robotic Hand with 23 Direct-Drive servos for American Sign Language Alphabet
Independent Researcher(独立研究者)
本研究开发了低成本开源3D打印灵巧机器人手VulcanV3,采用23个直驱舵机与Arduino控制方案,可复现全部52种美国手语字母手势,识别准确率最高达98.78%,为无障碍沟通提供了可复现的辅助机器人方案。
2025-09-03 cs.RO
Deployment of Aerial Robots during the Flood Disaster in Erftstadt / Blessem in July 2021
University of Applied Science Gelsenkirchen(盖尔森基兴应用科学大学);German Rescue Robotic Centre(德国救援机器人中心);Institute of Fire Service & Rescue Technology, Fire Department of Dortmund(多特蒙德消防局消防与救援技术研究所)
气候变化导致越来越多的极端天气事件,如暴雨和洪水。本技术报告涉及如何使用无人机(UAV)在洪水灾害期间,即2021年7月中欧洪水期间,更具体地说是在Erftstadt / Blessem,更快地向救援指挥官提供最新信息的问题。无人机一方面用于洪水边缘的实时观测和定期检查,另一方面用于系统的数据采集,以便使用运动恢复结构和多视图立体计算3D模型。嵌入在GIS应用程序中的3D模型可作为系统探索和决策支持的规划基础,用于部署额外的小型无人机以及救援部队。无人机通过自主曲折飞行进行的系统数据采集提供了高分辨率图像,这些图像在15分钟内在专门装备的机器人指挥车(RobLW)中计算为周围区域的地理参考3D模型。通过比较连续几天从3D模型中提取的高分辨率高程剖面图,可以看到水位的变化。这些信息使应急管理部门能够计划对建筑物的进一步检查,并在现场寻找失踪人员。
2022-09-07 cs.RO
A Decentralized Multi-Agent Unmanned Aerial System to Search, Pick Up, and Relocate Objects
ETH Zürich(苏黎世联邦理工学院)
我们提出了一个完全集成的自主多机器人空中系统,用于发现和收集位置未知的运动和静止物体。该任务解决了搜索和救援(SAR)机器人中的多个相关问题,如多智能体空中探测,目标检测和跟踪,以及空中抓取。通常,社区单独处理这些问题,但将其集成到一个工作系统中会产生额外的复杂性,而这些复杂性很少得到解决。我们表明,这个任务可以可靠地解决,只使用简单的组件。我们的分散式系统使用精确的全球状态估计,反应性碰撞避免和扫描规划多智能体探索。使用斑点检测、逆3D投影、卡尔曼滤波、视觉伺服和磁性夹持器来检测、跟踪和拾取对象。我们在真实平台上评估系统的各个组件。整个系统已成功部署在各种公共演示,现场测试和穆罕默德·本·扎耶德国际机器人挑战赛2017(MBZIRC)中。在参赛者中,我们表现出了可靠的表现,并在个人挑战赛中获得了17名选手中的第二名。
2017-09-13 cs.RO
RESenv: A Realistic Earthquake Simulation Environment based on Unreal Engine
Royal College of Art(皇家艺术学院);Imperial College London(伦敦帝国理工学院)
本文提出基于虚幻引擎混沌物理系统的地震模拟环境RESenv,整合真实地震波形数据,提供高逼真视觉与实时交互,优于传统方法,并通过相似性检测、路径规划和图像分割三个AI任务验证其有效性。
2023-11-13 cs.CE cs.RO
Optimizing Start Locations in Ergodic Search for Disaster Response
Robotics Institute, Carnegie Mellon University(机器人研究所,卡内基梅隆大学);United States Air Force Academy Electrical and Computer Engineering Dept.(美国空军学院电气与计算机工程系)
针对灾害响应中机器人搜救起始位置选择未被研究的问题,提出在遍历优化框架加约束的联合优化方法,适配异构机器人,实验显示覆盖性能较固定起始位置基线有显著提升。
2025-07-30 cs.RO
Real-Time Robotic Search using Hierarchical Spatial Point Processes
Kotte Consulting AB;Stockholm University(斯德哥尔摩大学)
空中机器人在协助大面积搜索和救援(SAR)工作方面具有巨大的潜力。传统的方法通常是彻底搜索一个地区,从而忽略了受害者的密度因地形、人口密度和灾害类型等可预测因素而异。我们提出了一个概率模型,自动SAR规划,明确的预期发现时间最小化。所提出的模型是一个分层的空间点过程,具有三个相互作用的空间场,i)该区域中的人的点模式,ii)检测人的概率和iii)受伤的概率。这种结构允许包含来自例如地理或手机流量数据的信息先验,而当先验丢失或不准确时,则返回到潜在高斯过程。为了实时的【形】解决这个问题,我们提出了一个快速的近似推理使用集成嵌套拉普拉斯近似(INLA),和一个新的蒙特卡罗树搜索量身定制的问题相结合。使用真实世界GIS地图模拟数据的实验表明,该框架优于传统的搜索策略,并在关键的最初几个小时内发现多达十倍的受伤者。
2019-03-25 cs.RO stat.AP
Simulation-Driven Evolutionary Motion Parameterization for Contact-Rich Granular Scooping with a Soft Conical Robotic Hand
OMRON SINIC X Corporation(欧姆龙SINIC X公司);University of Groningen(格罗宁根大学)
本文提出一种基于仿真的进化运动参数化方法,用于通过柔性圆锥形机械手进行复杂颗粒抓取任务,通过仿真和真实机器人实验验证,实现了高效且通用的抓取性能。
2026-04-07 cs.RO
Observation-Constrained Joint-Space Viewpoint Optimization for Robotic Inspection of Cylindrical Cavities
ShanghaiTech University(上海科技大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出一种机器人关节空间中观测约束圆柱腔体检修的自主优化方法,通过多起点无导数搜索优化关节构型,在 Isaac Sim 实验中表现优于基准方法,完成 92%目标构型且平均底部可见度达 91.65%。
2026-08-18 cs.RO
MARS: Multimodal Active Robotic Sensing for Articulated Characterization
South China University of Technology(华南理工大学)
MARS提出多模态融合与强化学习主动感知框架,通过RGB增强点云并自主优化视角,在关节参数估计上超越现有方法并提升真实场景泛化能力。
2024-07-01 cs.AI cs.CV cs.RO
Foundation Models to the Rescue: Deadlock Resolution in Connected Multi-Robot Systems
MIT(麻省理工学院)
针对互联多机器人系统在障碍物环境下的死锁问题,提出基于基础模型的分层控制框架,通过指派领导者与航点结合底层图神经网络控制解决死锁,实验证明其在复杂环境中目标到达率和计算时间优于栅格规划器。
2024-09-16 cs.CL cs.RO math.OC
A Taxonomy on Collective Awareness
Universidad Politécnica de Madrid(马德里理工大学);Centre for Automation and Robotics (CAR), Universidad Politécnica de Madrid (UPM-CSIC)(马德里理工大学自动化与机器人中心(UPM-CSIC));University of Luxembourg(卢森堡大学)
本文提出一种二维分类法,区分互惠意识、共享态势感知和团队态势感知,并通过搜索救援案例阐明各自的协调要求,为多机器人集体意识的设计与比较奠定基础。
2026-10-06 cs.RO
Terrestrial Soft Mobile Robots: A Review
School of Computing, DePaul University(德保罗大学计算机学院);Department of Computer Science, Hampton University(哈珀学院计算机科学系)
本文综述了软体移动机器人的当前研究状态,重点探讨了无轮陆地移动系统中的运动策略、驱动方法、建模方法和控制系统,同时指出了实现软体移动机器人在各领域广泛应用的关键挑战。
2026-05-19 cs.RO
Decentralized Informative Path Planning with Exploration-Exploitation Balance for Swarm Robotic Search
University at Buffalo(布法罗大学)
群机器人搜索涉及在未知环境中搜索目标(例如,用于搜索和救援或危险定位),使用大量协作的简单移动机器人。在这样的应用中,分散的群系统被吹捧为他们的任务/覆盖范围的可扩展性,时间效率,和容错。为了指导这种群体系统的行为,有两大类方法可用,即自然启发的群体算法和多机器人搜索方法。然而,同时提供计算高效的可扩展性和对所展示的行为的基本见解(而不是黑盒行为模型),在这两类方法中的任一种下仍然具有挑战性。在本文中,我们开发了一个重要的扩展批量贝叶斯搜索方法的应用程序,体现群体系统,在物理二维空间搜索。主要贡献在于:1)设计一个采集功能,不仅平衡整个群体的探索和利用,而且还允许对轨迹上的知识提取进行建模; 2)开发其分布式实现,以允许群机器人进行异步任务推理和路径规划。由此产生的集体信息路径规划方法进行测试的目标搜索的情况下,研究不同的复杂性,目标产生的空间变化(可测量)的信号。显着优越的性能,在任务完成效率方面,观察到相比,穷举搜索和随机游走基线,以及良好的性能可扩展性,随着群体规模的增加。
2019-05-31 cs.MA cs.RO
Language-guided Active Sensing of Confined, Cluttered Environments via Object Rearrangement Planning
Purdue University(普渡大学)
本文提出首个语言引导的主动感知方法,通过物体重排规划实现受限杂乱环境中特定区域的密集感知,在仿真和真实柜式环境中验证了其优越性能与泛化能力。
2024-02-04 cs.RO
ARTEMIS: AI-driven Robotic Triage Labeling and Emergency Medical Information System
School of Electrical and Computer Engineering, Purdue University(普渡大学电气与计算机工程学院);Department of Computer Science, Purdue University(普渡大学计算机科学系)
本文提出ARTEMIS系统,利用四足机器人结合语音与自然语言处理及深度学习进行伤情分类,在MCI模拟中实现74%平均精度和99%的最危重伤员精度,展示了人机交互辅助急救的潜力。
2024-03-23 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
DeepHAZMAT: Hazardous Materials Sign Detection and Segmentation with Restricted Computational Resources
Qazvin Azad University(加兹温阿扎德大学);The University of Leeds(利兹大学)
在机器人救援行动中,最具挑战性和重要性的任务之一是在作业现场进行危险物质或HAZMAT标志检测,以防止进一步的意外灾难。每个危险品标志都有特定的含义,救援机器人应该检测并解释它,从而采取安全行动。准确的危险品检测和实时处理是此类机器人应用中最重要的两个因素。此外,我们还必须应付一些次要的挑战,如图像失真和有限的CPU和计算资源,这是嵌入在救援机器人。在本文中,我们提出了一个基于CNN的管道称为DeepHAZMAT检测和分割危险品分为四个步骤; 1)优化输入到CNN网络中的输入图像的数量,2)使用YOLOv 3-微小结构从危险区域收集所需的视觉信息,3)使用GrabCut技术从背景中分割和分离危险品标志,4)利用形态学算子和凸包算法对结果进行后处理。实验结果表明,该方法在占用有限内存和CPU资源的情况下,与现有方法相比,在检测速度和检测精度上都有了较大的提高。
2020-07-18 cs.CV cs.LG cs.RO