随着电子技术开发和生产技术的改进，工业机器人为社会服务和工业生产提供了优势。但是，由于长期机械磨损和结构变形，绝对定位精度较低，这极大地阻碍了制造业的发展。校准机器人的运动学参数是解决该机器人的有效方法。但是，主要的测量设备（例如激光跟踪器和坐标测量机）很昂贵，需要特殊人员才能操作。此外，在测量过程中，由于许多环境因素的影响，产生了测量噪声，这将影响机器人的校准精度。在这些基础上，我们完成了以下工作：a）基于平面约束的机器人校准方法，以简化测量步骤； b）采用平方根培养Kalman滤波器（SCKF）算法来减少测量噪声的影响； c）提出了一种新型算法，用于鉴定基于SCKF算法和Levenberg Marquardt（LM）算法的运动学参数以达到高校准精度； d）采用拨号指示器作为削减成本的测量设备。足够的实验验证了所提出的校准算法和实验平台的有效性。

工业机器人在自动生产中起着至关重要的作用，该生产已在工业生产活动中广泛使用，例如处理和焊接。但是，由于未校准的机器人具有加工耐受性和组装耐受性，因此其绝对定位精度较低，无法满足高精度制造的要求。为了解决这个热门问题，我们提出了一种基于无味的卡尔曼过滤器和变量尺寸的levenberg-marquardt算法的新型校准方法。这项工作有三个想法：a）提出一种新颖的变量尺寸的levenberg-marquardt算法来解决Levenberg-Marquardt算法中本地最佳的问题； b）使用无气味的卡尔曼过滤器来减少测量噪声的影响； c）开发一种新型的校准方法，该方法结合了带有变量尺寸的levenberg-marquardt算法的无气体卡尔曼滤波器。此外，我们对ABB IRB 120工业机器人进行了足够的实验。从实验结果中，提出的方法比某些最新的校准方法获得了更高的校准精度。因此，这项工作是机器人校准领域的重要里程碑。

受约束运动控制的最新进展使其成为在具有挑战性的任务中使用任意几何形状控制机器人的有吸引力的策略。当前大多数作品都假定机器人运动模型足够精确，可以完成手头的任务。但是，随着机器人应用的需求和安全要求的增加，需要在线补偿运动学不准确的控制器。我们提出了基于二次编程的自适应约束运动控制策略，该策略使用部分或完整的任务空间测量来补偿在线校准错误。与最先进的运动学控制策略相比，我们的方法在实验中得到了验证。

本文介绍了全髋关节置换术（THA）的手术机器人系统的开发和实验评估。尽管在关节置换手术中使用的现有机器人系统已经取得了一些进展，但机器人组必须在操作过程中准确地位于目标位置，这在很大程度上取决于外科医生的经验。此外，手持式髋臼铰刀通常表现出不均匀的强度和研磨文件。此外，缺乏实时测量股骨颈长度的技术可能导致结果不佳。为了应对这些挑战，我们提出了一种可实时可追溯的光学定位策略，以减少手术期间对机器人臂的不必要的手动调整，一种稳定磨削的最终效用系统，以及提供股骨颈的实时测量的光学探测器长度和其他参数用于选择适当的假体。下肢的长度在安装假体时测量。实验评估结果表明，根据其准确性，执行能力和鲁棒性，提出的手术机器人系统对于THA是可行的。

自由飞行机器人的应用范围从娱乐目的到航空航天应用。用于这种系统的控制算法需要基于传感器反馈准确地估计它们的状态。本文的目的是设计和验证一个轻型状态估计算法，用于自由飞行开放运动链，估计其质量中心及其姿势的状态。该研究而不是利用非线性动力学模型，提出了两个卡尔曼滤波器（KF）的级联结构，其依赖于自由落体多体系的弹道运动以及来自惯性测量单元（IMU）和编码器的反馈。在模拟中验证了多种算法，以模拟使用Simulink模拟实际情况。改变了几个不确定的物理参数，结果表明，所提出的估计器在跟踪性能和计算时间方面优于EKF和UKF。

在本文中，我们开辟了基于路径积分（PI）最优控制理论的可视伺服系统的新途径，其中可以将非线性部分微分方程（PDE）转换为使用Feynman的所有可能的轨迹的期望-KAC（FK）引理。更精确地，我们提出了基于采样的模型预测控制（即，模型预测路径积分（MPPI）控制）算法，提出了MPPI-VS控制策略，实时和无反转控制策略（即，模型预测路径积分（MPPI）控制）算法 - 基于，3D点和基于位置的可视伺服技术，考虑到系统约束（例如可见性，3D和控制约束）以及与机器人和相机模型相关联的参数不确定性以及测量噪声。与经典的视觉伺服控制方案相反，我们的控制策略直接利用交互矩阵的近似，而无需估计交互矩阵反转或执行伪反转。我们在带有引导摄像机的6-DOF笛卡尔机器人上验证MPPI-VS控制策略以及基于图像平面中的四个点作为视觉特征的常规摄像机。与经典计划相比，更好地评估和展示所提出的控制策略的鲁棒性和潜在优势，进行了各种操作条件下的密集模拟，然后讨论。所获得的结果证明了所提出的方案在容易与系统限制中应对的有效性和能力，以及在相机参数和测量中存在大误差的鲁棒性。

我们为腿部机器人提供了一个开源视觉惯性训练率（VILO）状态估计解决方案Cerberus，该机器人使用一组标准传感器（包括立体声摄像机，IMU，联合编码器，，imu，联合编码器）实时实时估算各个地形的位置和接触传感器。除了估计机器人状态外，我们还执行在线运动学参数校准并接触离群值拒绝以大大减少位置漂移。在各种室内和室外环境中进行的硬件实验验证了Cerberus中的运动学参数可以将估计的漂移降低到长距离高速运动中的1％以下。我们的漂移结果比文献中报道的相同的一组传感器组比任何其他状态估计方法都要好。此外，即使机器人经历了巨大的影响和摄像头遮挡，我们的状态估计器也表现良好。状态估计器的实现以及用于计算我们结果的数据集，可在https://github.com/shuoyangrobotics/cerberus上获得。

A reliable self-contained navigation system is essential for autonomous vehicles. Based on our previous study on Wheel-INS \cite{niu2019}, a wheel-mounted inertial measurement unit (Wheel-IMU)-based dead reckoning (DR) system, in this paper, we propose a multiple IMUs-based DR solution for the wheeled robots. The IMUs are mounted at different places of the wheeled vehicles to acquire various dynamic information. In particular, at least one IMU has to be mounted at the wheel to measure the wheel velocity and take advantages of the rotation modulation. The system is implemented through a distributed extended Kalman filter structure where each subsystem (corresponding to each IMU) retains and updates its own states separately. The relative position constraints between the multiple IMUs are exploited to further limit the error drift and improve the system robustness. Particularly, we present the DR systems using dual Wheel-IMUs, one Wheel-IMU plus one vehicle body-mounted IMU (Body-IMU), and dual Wheel-IMUs plus one Body-IMU as examples for analysis and comparison. Field tests illustrate that the proposed multi-IMU DR system outperforms the single Wheel-INS in terms of both positioning and heading accuracy. By comparing with the centralized filter, the proposed distributed filter shows unimportant accuracy degradation while holds significant computation efficiency. Moreover, among the three multi-IMU configurations, the one Body-IMU plus one Wheel-IMU design obtains the minimum drift rate. The position drift rates of the three configurations are 0.82\% (dual Wheel-IMUs), 0.69\% (one Body-IMU plus one Wheel-IMU), and 0.73\% (dual Wheel-IMUs plus one Body-IMU), respectively.

“无限”软机械臂自由度的自由度使他们的控制尤其具有挑战性。在本文中，我们利用了先前开发的模型，将软臂的等效绘制到一系列通用接头，设计两个闭环控制器：用于轨迹跟踪的配置空间控制器和用于位置控制的任务空间控制器末端效应。在四段软手臂上的广泛实验和模拟证明了以下方面的大量改进：a）配置空间控制器的卓越的跟踪精度和B）减少了任务空间控制器的稳定时间和稳态误差。还验证了任务空间控制器在软臂和环境之间存在相互作用的情况下有效。

在本文中，提出了一种新的视觉惯性内径（VIO）的步行 - vio，采用步行运动 - 自适应腿运动约束，其提出了用身体运动改变为四足机器人的定位。四足机器人主要使用VIO，因为它们需要快速定位进行控制和路径规划。但是，由于四足功能机器主要用于室外，因此从天空或地面提取的外来特征导致跟踪故障。此外，Quadruped Robots的行走运动导致摆动，这降低了相机和惯性测量单元（IMU）引起的定位精度。为了克服这些限制，许多研究人员使用VIO与腿运动限制。然而，由于四足机器人的行走运动根据控制器，步态，四足机器人的速度等，因此在添加腿运动限制的过程中应该考虑这些因素。我们提出了通过调整腿运动约束因素来使用的VIO，无论步行运动如何。为了评估Walk-VIO，我们创建和发布二章机器人的数据集，这些机器人在仿真环境中以各种类型的行走运动移动。此外，我们通过与当前最先进的算法进行比较验证了WAWN-VIO的有效性。

In this paper, we propose a novel variable-length estimation approach for shape sensing of extensible soft robots utilizing fiber Bragg gratings (FBGs). Shape reconstruction from FBG sensors has been increasingly developed for soft robots, while the narrow stretching range of FBG fiber makes it difficult to acquire accurate sensing results for extensible robots. Towards this limitation, we newly introduce an FBG-based length sensor by leveraging a rigid curved channel, through which FBGs are allowed to slide within the robot following its body extension/compression, hence we can search and match the FBGs with specific constant curvature in the fiber to determine the effective length. From the fusion with the above measurements, a model-free filtering technique is accordingly presented for simultaneous calibration of a variable-length model and temporally continuous length estimation of the robot, enabling its accurate shape sensing using solely FBGs. The performances of the proposed method have been experimentally evaluated on an extensible soft robot equipped with an FBG fiber in both free and unstructured environments. The results concerning dynamic accuracy and robustness of length estimation and shape sensing demonstrate the effectiveness of our approach.

安装在机器人上的光学扫描仪通常用于质量检查，例如验证片状结构的尺寸规格。覆盖路径规划（CPP）显着影响机器人质量检验的准确性和效率。传统的CPP战略专注于最小化机器人的观点次数或在完全覆盖检查的条件下。在自由形状表面检查中较少考虑收集扫描数据时的测量不确定度。为了解决这个问题，提出了一种具有最佳观点采样策略的新型CPP方法，以将键测量点（MPS）的测量不确定性纳入自由形状表面检查。首先，基于MP的公差规范计算可行的测量不确定性范围。考虑测量不确定度和MPS的可见性，生成初始可行性视点集。然后，构建检查成本函数以评估所选视点的视野（FOV）的选定视点的数量和平均测量不确定性。之后，提出了一种增强的快速探索随机树（RRT *）算法，用于使用检查成本函数和CPP优化的观点采样。已经进行了案例研究，包括模拟试验和检查实验，以评估所提出的方法的有效性。结果表明，与基准法相比，关键MPS的扫描精度显着提高。

卡尔曼滤波器广泛用于对象跟踪，其中过程和测量噪声通常被认为是准确的已知和恒定的。然而，确切的已知和常量假设并不总是在实践中保持。例如，当LIDAR用于跟踪非合作目标时，在不同距离和天气条件下测量噪声不同。另外，过程噪声随对象的运动状态而变化，尤其是当跟踪对象是行人时，并且过程噪声更频繁地改变。本文提出了一种新的估计校正校正闭环估计方法，用于在线估算卡尔曼滤波器过程和测量噪声协方差矩阵。首先，我们将噪声协方差矩阵分解为元素分布矩阵和噪声强度，并改善Sage滤波器以估计元素分布矩阵。其次，我们提出了一种校准方法来准确地诊断噪声强度偏差。然后，我们提出了一种正确的方法来在线自适应地校正噪声强度。第三，在假设系统是可检测的情况下，在数学上证明了所提出的方法的无偏偏差和收敛。仿真结果证明了所提出的方法的有效性和可靠性。最后，我们将建议的方法应用于多对LIDAR的跟踪并在官方Kitti服务器上进行评估。在基提步行者多元object跟踪排行榜上提出的方法（http://www.cvlibs.net/datasets /kitti/eval_tracking.php）超越了使用激光雷达的所有现有方法，证明了在实际应用中的方法的可行性。这项工作提供了一种提高卡尔曼滤波器和多功能跟踪性能的新方法。

由于扭曲钻的结构复杂，因此对于其同轴误差测量是艰难和挑战的。本文提出了一种新颖的扭转钻头同轴误差测量的新机理，框架和方法。该机构包括编码器，PLC控制器，线结构传感器和高精度转盘。首先，当钻头转动PLC的控制时，通过线结构光传感器收集扭转钻头的轮廓点云数据。其次，研究了基于GMM的基于GMM的基于GMM的点云分割算法，基于局部深度特征来提取刀片背面数据。为了提高测量精度，设计统计滤波器以在目标区域提取期间去除异常值。然后，根据同轴性误差的两个特征，提出了一种基于轴对称轮廓差异的正交合成的轴重建方法，便于预先定位钻轴的最大偏差横截面。最后，通过在预先定位的最大偏差位置拟合基准轴和轴来测量同轴误差。最后，进行了大量实验，并表明我们的方法是准确性和鲁棒性。

高维和不完整（HDI）数据在各种工业应用中具有巨大的交互信息。潜在因素（LF）模型在从具有随机梯度不错（SGD）算法的HDI数据中提取有价值的信息方面非常有效。但是，基于SGD的LFA模型患有缓慢的收敛性，因为它仅考虑当前的学习误差。为了解决这个关键问题，本文提出了一个非线性PID增强自适应潜在因素（NPALF）模型，具有两个折叠的想法：1）通过考虑过去的学习错误，按照非线性PID控制器的原理来重建学习错误；b）按照粒子群优化（PSO）算法的原理有效地实施所有参数适应。四个代表性HDI数据集的经验结果表明，与五个最先进的LFA模型相比，NPALF模型可实现HDI数据缺失数据的更好的收敛率和预测准确性。

自我对准过程可以提供准确的罪恶初始态度。常规的两种方法通常包括粗糙和细微的对齐过程。粗对齐通常基于OBA（基于优化的对准）方法，批次估计自我对准开始时恒定的初始态度。 OBA迅速收敛，但是准确性很低，因为该方法不考虑IMU的偏差错误。细胞对齐应用递归的贝叶斯滤波器，这使得对IMU的系统误差估计更加准确，但与此同时，态度误差以较大的标题未对准角缓慢收敛。研究人员提出了统一的自我对准以在一个过程中实现自我对准，但是当未对准角度很大时，基于递归贝叶斯过滤器的现有方法仍然很慢。在本文中，提出了基于批处理估计器FGO（因子图优化）的统一方法。据作者所知，这是第一种批处理方法，能够同时估算IMU的所有系统误差和恒定的初始态度，并具有快速的收敛性和高精度。通过对旋转罪的模拟和物理实验来验证该方法的有效性。

向前和向后触及逆运动学（FABRIK）是一种启发式逆运动求解器，逐渐应用于具有快速收敛和生成更真实配置的优势的操纵器。但是，在高误差限制下，Fabrik表现出不稳定的收敛行为，这对于操纵器的实时运动计划是不满意的。在本文中，提出了一种结合Fabrik和顺序二次编程（SQP）算法的新型逆运动学算法，其中Fabrik推迟的关节角度将被视为SQP算法的初始种子，以避免粘在局部最小值中。通过实验评估合并的算法，在高误差约束下，我们的算法比FabRik获得更高的成功率和更快的解决方案时间。此外，联合算法可以在路径跟踪中为UR5和KUKA LBR IIWA 14 R820操纵器生成连续轨迹，而无姿势误差和最终效应器的允许位置误差。

几十年来，机器人和手眼校准都一直是研究的目的。尽管当前方法能够精确，可靠地识别机器人运动模型的参数，但它们仍然依赖于外部设备，例如校准对象，标记和/或外部传感器。本文没有试图将记录的测量结果适合已知对象的模型，而是将机器人校准视为离线大满贯问题，其中扫描姿势通过移动的运动学链将扫描姿势链接到空间中的固定点。因此，提出的框架允许使用任意眼睛深度传感器的机器人校准，从而无需任何外部工具就可以实现完全自主的自主校准。我的新方法是利用迭代最接近点算法的修改版本来运行多个3D记录的捆绑调整，以估计运动模型的最佳参数。对系统的详细评估显示在带有各种附着的3D传感器的真实机器人上。提出的结果表明，该系统以其成本的一小部分达到了与专用外部跟踪系统相当的精度。

最近，由于其灵活和兼容的结构，软机器人技术已迅速成为一个新颖而有希望的研究领域。但是，更难得出这种软机器人的非线性动态模型。软操作器的差分运动学和动力学可以通过经典的Cosserat Rod理论配制为一组高度非线性的部分微分方程（PDE）。在这项工作中，我们提出了一种称为分段线性应变（PLS）的离散建模技术，以解决基于Cosserat的模型的PDE，该模型基于该模型的推导。为了验证所提出的cosserat模型的准确性，通过使用不同的离散方法模拟了重力下的锥形悬臂杆的静态模型。结果表明，PLS cosserat模型与现实世界软操作器的机械变形行为相媲美。最后，建立了该模型的参数识别方案，模拟以及实验验证表明，使用此方法可以以高精度识别模型物理参数。

该制造业目前目前目睹了与工业机器人前所未有的采用的范式转变，机器愿景是一种关键的感知技术，使这些机器人能够在非结构化环境中进行精确的操作。然而，传统视觉传感器对照明条件和高速运动的灵敏度为生产线的可靠性和工作速率设定了限制。神经形态视觉是最近的技术，有可能解决传统视觉的挑战，其具有高颞率，低延迟和宽动态范围。在本文中，我们首次提出了一种新型神经形态视觉的基于峰值的控制器，用于更快，更可靠的加工操作，并具有能够进行具有亚毫米精度的钻井任务的完整机器人系统。我们所提出的系统使用我们专为神经形态摄像机的异步输出开发的两种感知阶段为3D定位了目标工件。第一阶段执行用于初始估计工件的姿势的多视图重建，并且第二阶段使用圆孔检测对工件的局部区域进行这种估计。然后，机器人精确地定位钻孔末端执行器并使用基于组合的位置和基于图像的视觉伺服方法钻取工件上的目标孔。所提出的解决方案是通过实验验证的用于在具有不受控制的照明的非结构环境中任意地放置的工件上的工件上钻出螺母孔。实验结果证明了我们的溶液的有效性小于0.1mm的平均位置误差，并证明了神经形态视觉的使用克服了传统相机的照明和速度限制。