多机器人协调的分布式树协商算法
Shashank A. Deshpande 提出了一种名为 WarpWeaver 的分布式实时规划算法，通过树协商机制实现多机器人团队近最优协调。该算法在模拟中将总行程时间比集中式离线规划减少最多22%，比分布式实时基线减少37%，并在六台机器人的硬件实验中验证了实际可行性。
推荐理由：分布式树协商算法让多机器人系统在实时条件下逼近全局最优，突破集中式规划与实时安全导航的二选一困境。
#论文/研究科技财经热点 · 每日精选
自动盯住上百个信源，用模型摘要、打分、精选，把同一件事的多篇报道归到一起，每天早上出一份日报。聚焦机器人、AI 与财经投资。
今日脉搏
具身智能专栏 →425今日入库
7 条进入精选
46/47 信源在线· 1 异常
近 14 天入库走势
近 7 天分类构成
行业 1299财经 1140硬件本体 877AI 产品 752AI 模型 263其他 387
arXiv · cs.RO精选AI 评分6565
arXiv · cs.RO精选AI 评分6565 面向移动机械臂在半静态环境中安全导航的面向对象和任务的主动感知
本文提出了一种主动感知框架，使高自由度移动机械臂在导航过程中使用手部相机检查不确定或安全关键区域。该框架通过概率性的面向对象和任务的下一最佳视图(NBV)公式，优先观察期望路径附近和不确定或可能变化物体周围的区域。实验表明，与被动或非任务感知的基线相比，该方法提高了地图一致性，降低了任务相关的地图熵，并减少了导航风险。
推荐理由：移动机械臂在半静态环境中通过主动感知降低碰撞风险，将导航与地图维护闭环整合。
arXiv · cs.RO精选AI 评分7575 地球训练的人形控制器能否在月球行走？重力、地形与土壤迁移研究
该研究探讨了在月球重力、地形和土壤条件下，地球训练的人形控制器的迁移能力。研究在模拟的Unitree G1上训练了12种策略，测试了不同重力、地形和地面接触条件下的表现。
推荐理由：研究首次系统验证了地球训练的人形控制器在月球重力与地形下的迁移能力，发现重力转移不对称且粗糙地形训练显著提升生存率。
arXiv · cs.RO精选AI 评分6565 基于距离场驱动的强化学习实现反应式鲁棒碰撞避免
本文提出了一种将欧几里得距离场(EDF)直接集成到观察空间的强化学习框架，在7自由度冗余机械臂上验证了该方法的有效性。该方法实现了从仿真到实体的零样本迁移，尽管仅使用随机静态物体进行训练，部署后的策略能够泛化到未见过的真实环境，并表现出对动态障碍物的鲁棒在线避障能力。
推荐理由：将欧几里得距离场直接融入观察空间，实现了从仿真到实体的零样本迁移，为复杂环境中的实时避障提供了新思路。
arXiv · cs.RO精选AI 评分6565 线性扭动侧向爬行步态：可扭动机器人在复杂地形上的运动规划
Qingling Fan提出了一种新的线性扭动侧向爬行步态，通过将工作负载分散至整个机器人身体，使单个扭动关节的峰值输出功率降低42%。实验表明，新步态可在传统方法无法适应的地形上移动，并且比无扭动的传统侧向爬行速度快49%。
推荐理由：线性扭动侧向爬行步态将机器人工作负载分散至全身，解决了传统方法中电机过载问题。
arXiv · cs.RO精选AI 评分6565 S-Rolling：可转向滚动步态用于可扭转蛇机器人在低空间环境中的移动
Qingling Fan提出S-rolling步态，通过S形平面曲线设计结合低扫掠高度移动与平面机动性，使蛇机器人在10cm间隙环境中实现90°和180°精确转向。该研究推导了关节空间步态方程，开发了准静态运动学模型，并通过实物实验验证了各种运动模式。
推荐理由：S-rolling通过S形平面曲线设计解决了蛇机器人在低空间环境中的转向难题，实现了90°和180°的精确转向。
arXiv · cs.RO精选AI 评分6565 基于本体感觉的在线接触估计：流匹配与粒子滤波混合方法
本文提出ContactFlowFilter方法，结合流匹配模型与粒子滤波框架，用于机器人接触估计。该方法在单接触和双接触场景下分别实现0.36厘米和0.88厘米的误差，处理时间仅需0.69毫秒和2.69毫秒。研究通过仿真和真实实验验证了该方法的有效性。
推荐理由：将流匹配与粒子滤波结合，解决了机器人本体感觉接触估计中的多模态和离散事件难题，误差低至0.36厘米。
arXiv · cs.RO精选AI 评分7575 端到端强化学习实现四足机器人在月球重力下的跳跃
Levin Müller 等人提出一种多阶段强化学习方法，为四足机器人生成端到端控制策略，实现在月球重力下的精准点对点跳跃。该方法在模拟中实现了小于机器人机身尺寸的着陆误差，并在硬件转移实验中成功执行了月球重力减载下的垂直跳跃。
推荐理由：端到端强化学习让四足机器人在月球重力下实现精准跳跃，为行星探索提供新可能。
arXiv · cs.RO精选AI 评分7676 Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning
研究人员提出 FRDV 框架，用于人形机器人学习的快速运动重定向，其运动学阶段处理速度可达每秒 9,156 帧，比现有方法快约 136 倍。该框架包含快速约束运动学重定向和动力学验证管道，可在 Unitree G1 人形机器人上实现模拟到现实的迁移。
推荐理由：将人类运动数据快速迁移到人形机器人仍面临挑战，FRDV 框架通过动力学验证将处理速度提升 136 倍。
arXiv · cs.RO精选AI 评分6565 MAPLE: Mondrian锚定的无学习室内探索先验
Kelvin Aladum提出MAPLE方法，一种无需训练的室内探索预测方法，通过将Mondrian过程适应为基于观察几何线索的在线生成先验，在KTH平面图和真实SLAM环境中表现优于非预测方法，与学习型预测方法相当，且计算资源需求低。实验表明更准确的地图预测不一定带来更好的探索效果。
推荐理由：无需训练的预测方法MAPLE在室内探索中表现优于非预测方法，与学习型预测方法相当，挑战了'更准确预测必然带来更好探索'的假设。
arXiv · cs.RO精选AI 评分6565 自适应穿越管道：面向双足人形机器人的姿态感知导航
本文提出了一种基于自适应穿越管道(ATT)的姿态感知导航框架，结合区间速度-航向(IVH)控制和增强侧步的AMP运动先验，使双足人形机器人能够通过调整身体偏航改变有效足迹，实现窄通道穿越和社交感知避让。该方法已在MuJoCo仿真和实际机器人部署中进行了演示，并计划在宇树G1上进行定量评估。
推荐理由：通过自适应穿越管道和速度-航向控制，人形机器人能在狭窄通道和社交场景中灵活调整姿态，提升导航稳定性。
arXiv · cs.RO精选AI 评分6565 触觉在手内物体旋转中的研究：手型形态在仿真与硬件中的比较
研究比较了两种低成本LEAP手型在物体旋转任务中的表现，发现触觉信息可显著提升旋转效率并降低指尖负载，对称手型在旋转次数和速率上表现更优。
推荐理由：对比仿生与对称手型在物体旋转中的表现，触觉信息提升效率的同时降低负载，为机器人手部设计提供新思路。
arXiv · cs.RO精选AI 评分6565 DexOAK: 物体感知的运动学重定向框架
研究团队提出DexOAK框架，一种基于学习的物体感知运动学重定向方法，可从人类动作捕捉数据生成接触一致的机器人手部参考动作。该方法通过交互图拉普拉斯目标函数优化手部-物体图，使机器人复现物体相对交互几何而非单纯人类手部姿态。在Inspire手上测试，OakInk-v2任务成功率从39.5%提升至48.4%，ARCTIC数据集ADD-AUC从62.7%提升至77.9%。
推荐理由：通过物体感知的运动学重定向技术，将人类动作数据转化为机器人手部操作，实现零样本跨数据集迁移。
arXiv · cs.RO精选AI 评分7575 DiPLO: 自蒸馏扩散规划用于人形机器人 locomotion 操作
研究人员提出 DiPLO 框架，结合自蒸馏扩散规划器与低级别全身跟踪策略，解决了人形机器人 locomotion 操作的协调难题。该框架通过 SD:DPO 移除规划器对强任务条件的依赖，再使用 DA:PPO 微调模型，在拾取-携带-放置任务中实现99%的任务成功率，并在宇树 G1 机器人上成功部署。
推荐理由：通过自蒸馏扩散规划与全身跟踪策略结合，解决了人形机器人 locomotion 操作难题，实现99%任务成功率。
arXiv · cs.RO精选AI 评分6565 学习结构化运动参考以实现基于优化的全身控制
该研究提出了一种分层控制器，其中强化学习适应结构化运动参考，而步态调度器、反应性步态规划器和全身冲量控制器负责高频执行。在六方向干扰课程训练下，该控制器在测试干扰网格中达到77.29%的平均生存率，比基于模型的参考控制器高出27个百分点。
推荐理由：通过分层控制将强化学习与优化控制结合，四足机器人抗干扰生存率提升27个百分点。
arXiv · cs.RO精选AI 评分7575 Dexterity from Supervised Play：通过监督学习实现机器人灵巧操作
Botao He提出DSP框架，机器人通过行为克隆从人类游戏中学习策略，然后自主收集交互数据训练世界模型。在真实实验中，该方法比回顾性行为克隆成功率提高69.6%，且比强化学习减少490倍的交互数据量。
推荐理由：论文提出了一种通过监督学习让机器人自主收集灵巧操作经验的新方法，显著减少了交互数据需求。
已经到底了