ICRA

Acoustic Feedback for Closed-Loop Force Control in Robotic Grinding

用于机器人磨削闭环力控制的声学反馈

Zongyuan Zhang, Christopher Lehnert, Will N. Browne, Jonathan M. Roberts

机构 * School of Electrical Engineering and Robotics, Queensland University of Technology（昆士兰科技大学电气工程与机器人学院） ； Australian Cobotics Centre, Queensland University of Technology（昆士兰科技大学澳大利亚协作机器人中心） ； Centre for Robotics, Queensland University of Technology（昆士兰科技大学机器人中心） 纠错

AI总结 本文提出一种低成本声学反馈机器人磨削系统，通过接触麦克风实时估计磨削力，实现闭环力控制，相比传统力传感器更经济且适应性更强。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026. 8 pages, 10 figures. Video demonstration: https://youtu.be/Un7Jqj8e7HA

Secure Planning Against Stealthy Attacks via Model-Free Reinforcement Learning

通过模型无关强化学习实现对隐蔽攻击的安全规划

Alper Kamil Bozkurt, Yu Wang, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

AI总结 本文提出利用模型无关强化学习在未知随机环境中实现安全规划，通过将攻击者与控制器视为博弈双方，以线性时序逻辑公式表达其目标，解决在未知环境中满足LTL公式的问题。

Journal ref 2021 IEEE International Conference on Robotics and Automation (ICRA), Xi'an, China, 2021, pp. 10656-10662

Model-Free Reinforcement Learning for Stochastic Games with Linear Temporal Logic Objectives

无模型强化学习用于具有线性时序逻辑目标的随机博弈

Alper Kamil Bozkurt, Yu Wang, Michael Zavlanos, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

AI总结 本文研究了在未知环境中合成满足线性时序逻辑（LTL）目标的控制策略问题，提出了一种无模型强化学习方法，通过确定性拉宾自动机（DRA）的接受条件来最大化满足LTL规范的概率，并在两个运动规划案例中验证了方法的适用性。

Journal ref 2021 IEEE International Conference on Robotics and Automation (ICRA), Xi'an, China, 2021, pp. 10649-10655

Control Synthesis from Linear Temporal Logic Specifications using Model-Free Reinforcement Learning

基于线性时序逻辑规范的控制合成使用无模型强化学习

Alper Kamil Bozkurt, Yu Wang, Michael M. Zavlanos, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

AI总结 本文提出一种强化学习框架，用于在未知随机环境中基于线性时序逻辑规范合成控制策略，通过无模型强化学习最大化满足LTL公式概率，确保算法收敛至最优策略。

Journal ref 2020 IEEE International Conference on Robotics and Automation (ICRA), Paris, France, 2020, pp. 10349-10355