本文着重于影响弹性的移动机器人的碰撞运动计划和控制的新兴范式转移，并开发了一个统一的层次结构框架，用于在未知和部分观察的杂物空间中导航。在较低级别上，我们开发了一种变形恢复控制和轨迹重新启动策略，该策略处理可能在本地运行时发生的碰撞。低级系统会积极检测碰撞（通过内部内置的移动机器人上的嵌入式霍尔效应传感器），使机器人能够从其内部恢复，并在本地调整后影响后的轨迹。然后，在高层，我们提出了一种基于搜索的计划算法，以确定如何最好地利用潜在的碰撞来改善某些指标，例如控制能量和计算时间。我们的方法建立在A*带有跳跃点的基础上。我们生成了一种新颖的启发式功能，并进行了碰撞检查和调整技术，从而使A*算法通过利用和利用可能的碰撞来更快地收敛到达目标。通过将全局A*算法和局部变形恢复和重新融合策略以及该框架的各个组件相结合而生成的整体分层框架在模拟和实验中都经过了广泛的测试。一项消融研究借鉴了与基于搜索的最先进的避免碰撞计划者（用于整体框架）的链接，以及基于搜索的避免碰撞和基于采样的碰撞 - 碰撞 - 全球规划师（对于更高的较高的碰撞 - 等级）。结果证明了我们的方法在未知环境中具有碰撞的运动计划和控制的功效，在2D中运行的一类撞击弹性机器人具有孤立的障碍物。

通过偶然反馈促进探索性运动可以积极影响婴儿期运动的发展。我们正在进行的工作装备通过使用小型空中机器人来开发机器人辅助的应急学习环境。本文研究了空中机器人及其相关的运动控制器是否可以用于为我们的目的实现高效且高度响应的机器人飞行。从视频中提取了婴儿踢动力学数据，并用空中机器人用于模拟和物理实验。评估了两个实践控制器的功效：线性PID和一个非线性几何控制器。通过平方平方误差（评估与输入婴儿腿轨迹信号的总体偏差）和动态时间扭曲算法（以量化信号同步），对机器人匹配婴儿踢轨迹的能力进行了定性和定量评估。结果表明，原则上可以跟踪使用小型空中机器人的婴儿踢轨迹，并确定提高跟踪质量所需的进一步发展领域。

精确农业的当代机器人主要集中于自动收获或遥感以监测作物健康。关于在田间收集物理样品并将其保留以进行进一步分析方面的工作相对较少。通常，果园种植者手动收集样品叶子，并利用它们进行茎潜在的测量，以分析树木健康并确定灌溉常规。尽管该技术受益于果园的管理，但收集，评估和解释测量的过程需要大量的人工劳动，并且通常会导致不经常采样。自动抽样可以为种植者提供高度准确和及时的信息。这种自动化的原位叶子分析的第一步是识别并切割从树上的叶子。此检索过程需要新的驱动和感知方法。我们提出了一种使用深度摄像头的点云数据来检测和定位候选叶子的技术。该技术在鳄梨树的室内和室外点云上进行了测试。然后，我们在六道机器人臂上使用定制的叶片剪切端效应器，通过从鳄梨树上切下叶子来测试拟议的检测和定位技术。使用真正的鳄梨树进行实验测试表明，我们提出的方法可以使我们的移动操纵器和自定义最终效果系统能够成功地检测，定位和切割的叶子。

动作识别是提高物理康复设备自治的重要组成部分，例如可穿戴机器人外骨骼。现有的人类行动识别算法的重点是成人应用，而不是小儿应用。在本文中，我们介绍了BabyNet，这是一个轻量重量（就可训练的参数而言）的网络结构，以识别婴儿从外体固定摄像机中采取行动的婴儿。我们开发了一个带注释的数据集，其中包括在不受约束的环境中的不同婴儿（例如，在家庭设置等）中的坐姿中执行的各种范围。我们的方法使用带注释的边界框的空间和时间连接来解释和抵消到达的开始，并检测到完整的到达动作。我们评估了我们提出的方法的效率，并将其性能与其他基于学习的网络结构进行比较，以捕获时间相互依存的能力和触及发作和偏移的检测准确性。结果表明，我们的婴儿网络可以在超过其他较大网络的（平均）测试准确性方面达到稳定的性能，因此可以作为基于视频的婴儿获得动作识别的轻量重量数据驱动框架。

黑色士兵苍蝇（BSF）可以是传统处理食物和农业废物（生物塑料）（例如垃圾填埋场）的有效替代方法，因为其幼虫能够迅速将生物塑料转变为现成的生物量。但是，仍然存在一些挑战，以确保BSF耕作在不同的规模上经济可行，并且可以广泛实施。需要手动劳动，以确保从充气喂食基板到监测生长周期中的非生物条件，以确保恢复幼虫的最佳条件。本文介绍了一种概念验证自动化的方法来饲养BSF幼虫，以确保最佳的生长条件，同时减少体力劳动。我们用“智能盖”改造现有的BSF饲养箱，称其为盖子的热盘性质，并带有多个垃圾箱。该系统会自动为幼虫 - 迪埃特底物充气，并实时向用户提供幼虫的生物信息。提出的解决方案使用自定义曝气方法和一系列传感器来创建软实时系统。使用热成像和经典计算机视觉技术监测幼虫的生长。实验测试表明，我们的自动化方法与手动技术相当产生BSF幼虫。

本文介绍了基于织物的软气动执行器的设计和评估，其驱动需要低压要求，使其适用于婴儿的上肢辅助设备。目的是支持肩部绑架和内收，而无需禁止在其他平面上运动或阻塞肘关节运动。首先，通过模拟探索了具有内部空气电池的执行器设计家族的性能。执行器通过细胞数量及其宽度进行参数化。通过硬件实验进一步测试了通过模拟鉴定的物理可行的致动器变体。选择并根据婴儿的身体人为测量学的定制物理模型选择并测试两种设计。施加施加手臂的力，运动平滑度，路径长度和最大肩部角度的比较，请告知哪种设计更适合用作儿科可穿戴辅助设备的执行器，以及其他用于未来工作的见解。

由于其灵活性和敏捷性，软抓地力在应用过程中越来越多。然而，与软机器人相关的无限二维性和非线性挑战模型和对软抓手的闭环控制以执行抓握任务。为了解决此问题，已经提出了数据驱动的方法。大多数数据驱动的方法都依赖于模拟或离线模型学习，因此很难在不明确培训的不同设置中概括在需要在线控制的情况下和在物理机器人测试中。在本文中，我们提出了一种在线建模和控制算法，该算法利用Koopman操作员理论在每个时间步骤实时更新基础动力学的估计模型。然后将学习和连续更新的模型嵌入到在线模型预测控制（MPC）结构中，并部署到软的多指制机器人抓地上。为了评估性能，首先将我们的方法的预测准确性与不同数据集之间的其他模型抽取方法进行比较。接下来，在线建模和控制算法通过最初未知的各种形状和权重的柔软的3指抓握抓握对象进行实验测试。结果表明，使用所提出的方法在抓住不同对象时的成功率很高。可以在https://youtu.be/i2hcmx7zskq上查看样本试验。

这项工作着重于基于气动式柔软可穿戴设备的本体感受反馈的闭环控制，旨在将来支持婴儿完成任务。该设备包括两个柔软的气动执行器（一个基于纺织品和一个硅胶铸造），可积极控制每个手臂的两个自由度（分别为肩部内收/绑架和肘部屈曲/扩展）。可穿戴设备附加的惯性测量单元（IMU）提供实时关节角度反馈。通过文献中报道的婴儿（ARM长度）的人体测量数据来告知设备运动学分析。婴儿到达中的运动和肌肉共同激活模式被认为是为设备的最终效应器提供所需的轨迹。然后，开发了一个比例衍生的控制器来调节执行器内部的压力，然后沿着可及工作空间内的所需设定点移动手臂。提出了有关使用工程模特的跟踪所需的臂轨迹的实验结果，表明所提出的控制器可以帮助指导人体模特的腕部到达所需的设定点。

Koopman操作员理论一直在增加模型提取，规划和控制数据驱动机器人系统的势头。 Koopman操作员从数据中提取动态的能力很大程度上取决于选择适当的提升函数词典。在本文中，我们提出了ACD-EDMD，一种用于一系列数据驱动的基于Koopman操作员的非线性机器人系统的适当提升功能的分析构造的新方法。这项工作的关键洞察力是有关非线性系统的基本拓扑空间（例如其配置空间和工作区）的信息，可以利用来转向基于Hermite多项式的提升功能的构建。我们表明所提出的方法导致在观察到界限加权时享受可提供的完整性和收敛保证的易于实施的词典。我们使用模拟和物理硬件实验（轮式移动机器人，双旋转关节机械臂和软机械腿）使用一系列不同的非线性机器人系统来评估ACD-EDMD。结果表明，我们的方法导致了能够实现高精度预测的字典，并且可以概括为不同的验证集。我们算法的关联GitHub存储库可以在\ url {https://github.com/ucr-robotics/acd-edmd}访问。

Differentiable Architecture Search (DARTS) has attracted considerable attention as a gradient-based Neural Architecture Search (NAS) method. Since the introduction of DARTS, there has been little work done on adapting the action space based on state-of-art architecture design principles for CNNs. In this work, we aim to address this gap by incrementally augmenting the DARTS search space with micro-design changes inspired by ConvNeXt and studying the trade-off between accuracy, evaluation layer count, and computational cost. To this end, we introduce the Pseudo-Inverted Bottleneck conv block intending to reduce the computational footprint of the inverted bottleneck block proposed in ConvNeXt. Our proposed architecture is much less sensitive to evaluation layer count and outperforms a DARTS network with similar size significantly, at layer counts as small as 2. Furthermore, with less layers, not only does it achieve higher accuracy with lower GMACs and parameter count, GradCAM comparisons show that our network is able to better detect distinctive features of target objects compared to DARTS.