对控制框架的兴趣越来越大，能够将机器人从工业笼子转移到非结构化环境并与人类共存。尽管某些特定应用（例如，医学机器人技术）有了显着改善，但仍然需要一个一般控制框架来改善鲁棒性和运动动力学。被动控制者在这个方向上显示出令人鼓舞的结果。但是，他们通常依靠虚拟能源储罐，只要它们不耗尽能量，就可以保证被动性。在本文中，提出了一个分形吸引子来实施可变的阻抗控制器，该控制器可以保留不依赖能箱的无源性。控制器使用渐近稳定电位场在所需状态周围生成一个分形吸引子，从而使控制器稳健地对离散化和数值集成误差。结果证明它可以在相互作用过程中准确跟踪轨迹和最终效应力。因此，这些属性使控制器非常适合需要在最终效应器上进行鲁棒动态相互作用的应用。

机器人远程操作将使我们能够在危险或偏远的环境中执行复杂的操纵任务，例如行星勘探或核退役所需的。这项工作提出了使用被动分形阻抗控制器（FIC）的新型远程注射架构，该结构并不依赖于主动粘性组件以保证稳定性。与传统的阻抗控制器在理想条件下（无延迟和最大通信带宽）相比，我们提出的方法在交互作用方面产生了更高的透明度，并在我们的远程注射测试方案中证明了卓越的敏捷性和能力。我们还以高达1 s的极端延迟和通信带宽低至10 Hz的极端延迟来验证其性能。所有结果在具有挑战性的条件下使用拟议的控制器时，无论操作员的专业知识如何，所有结果都可以验证一致的稳定性。

由于事件的范围有限，在复杂且高度可变的环境中，避免路径计划和碰撞是具有挑战性的。在文献中，有多种基于模型和学习的方法需要有效地部署大量的计算资源，并且可能具有有限的一般性。我们提出了一种基于全球稳定的被动控制器的计划算法，该算法可以在挑战性的环境条件下使用有限的计算资源计划平滑轨迹。该体系结构将最近提出的分形阻抗控制器与有限时间不变性区域结合在一起。由于该方法基于阻抗控制器，因此它也可以直接用作力/扭矩控制器。我们在模拟中验证了我们的方法，以通过发放Via-toints的发行及其对低带宽反馈的稳健性来分析互动导航在挑战凹域中的能力。使用11个代理的群模拟验证了所提出方法的可扩展性。我们已经在自动式轮式平台上进行了硬件实验，以验证与动态剂（即人和机器人）相互作用的平滑度和稳健性。与依赖数字优化的其他方法相比，所提出的本地规划师的计算复杂性可以通过低功率微控制器的部署降低能源消耗。

需要强大的动态互动才能与人类一起在日常环境中移动机器人。优化和学习方法已用于模仿和再现人类运动。但是，它们通常不健壮，其概括是有限的。这项工作提出了用于机器人操纵器的层次控制体系结构，并提供了在未知相互作用动力学期间重现类似人类运动的功能。我们的结果表明，复制的最终效应轨迹可以保留通过运动捕获系统记录的初始人类运动的主要特征，并且对外部扰动具有鲁棒性。数据表明，由于硬件的物理限制无法达到人类运动中记录的相同速度，因此很难复制一些详细的运动。然而，可以通过使用更好的硬件来解决这些技术问题，我们提出的算法仍然可以应用于模仿动作。

医疗机器人技术可以帮助改善和扩大医疗服务的影响力。医疗机器人的一个主要挑战是机器人与患者之间的复杂物理相互作用是必须安全的。这项工作介绍了基于医疗应用中分形阻抗控制（FIC）的最近引入的控制体系结构的初步评估。部署的FIC体系结构在主机和复制机器人之间延迟很强。它可以在接纳和阻抗行为之间在线切换，并且与非结构化环境的互动是强大的。我们的实验分析了三种情况：远程手术，康复和远程超声扫描。实验不需要对机器人调整进行任何调整，这在操作员没有调整控制器所需的工程背景的医疗应用中至关重要。我们的结果表明，可以使用手术刀进行切割机器人，进行超声扫描并进行远程职业治疗。但是，我们的实验还强调了需要更好的机器人实施例，以精确控制3D动态任务中的系统。

本文提出了一种以非零速度的效果友好型捕捉对象的混合优化和学习方法。通过受约束的二次编程问题，该方法生成最佳轨迹，直至机器人和对象之间的接触点，以最小化其相对速度并减少初始影响力。接下来，生成的轨迹是由基于人类的捕捉演示的旋风动作原始词更新的，以确保围绕接口点的平稳过渡。此外，学习的人类可变刚度（HVS）被发送到机器人的笛卡尔阻抗控制器，以吸收后影响力并稳定捕获位置。进行了三个实验，以将我们的方法与固定位置阻抗控制器（FP-IC）进行比较。结果表明，所提出的方法的表现优于FP-IC，同时添加HVS可以更好地吸收影响后力。

我们描述了更改 - 联系机器人操作任务的框架，要求机器人与对象和表面打破触点。这种任务的不连续交互动态使得难以构建和使用单个动力学模型或控制策略，并且接触变化期间动态的高度非线性性质可能对机器人和物体造成损害。我们提出了一种自适应控制框架，使机器人能够逐步学习以预测更改联系人任务中的接触变化，从而了解了碎片连续系统的交互动态，并使用任务空间可变阻抗控制器提供平滑且精确的轨迹跟踪。我们通过实验比较我们框架的表现，以确定所需的代表性控制方法，以确定我们框架的自适应控制和增量学习组件需要在变化 - 联系机器人操纵任务中存在不连续动态的平稳控制。

本文为复杂和物理互动的任务提供了用于移动操纵器的混合学习和优化框架。该框架利用了入学型物理接口，以获得直观而简化的人类演示和高斯混合模型（GMM）/高斯混合物回归（GMR），以根据位置，速度和力剖面来编码和生成学习的任务要求。接下来，使用GMM/GMR生成的所需轨迹和力剖面，通过用二次程序加强能量箱增强笛卡尔阻抗控制器的阻抗参数可以在线优化，以确保受控系统的消极性。进行了两个实验以验证框架，将我们的方法与两种恒定刚度（高和低）的方法进行了比较。结果表明，即使在存在诸如意外的最终效应碰撞等干扰的情况下，该方法在轨迹跟踪和生成的相互作用力方面都优于其他两种情况。

In this paper, we propose a unified whole-body control framework for velocity-controlled mobile collaborative robots which can distribute task motion into the arm and mobile base according to specific task requirements by adjusting weighting factors. Our framework focuses on addressing two challenging issues in whole-body coordination: 1) different dynamic characteristics of the mobile base and the arm; 2) avoidance of violating both safety and configuration constraints. In addition, our controller involves Coupling Dynamic Movement Primitives to enable the essential capabilities for collaboration and interaction applications, such as obstacle avoidance, human teaching, and compliance control. Based on these, we design an adaptive motion mode for intuitive physical human-robot interaction through adjusting the weighting factors. The proposed controller is in closed-form and thus quite computationally efficient. Several typical experiments carried out on a real mobile collaborative robot validate the effectiveness of the proposed controller.

Most impedance control schemes in robotics implement a desired passive impedance, allowing for stable interaction between the controlled robot and the environment. However, there is little guidance on the selection of the desired impedance. In general, finding the best stiffness and damping parameters is a challenging task. This paper contributes to this problem by connecting impedance control to robust control, with the goal of shaping the robot performances via feedback. We provide a method based on linear matrix inequalities with sparsity constraints to derive impedance controllers that satisfy a H-infinity performance criterion. Our controller guarantees passivity of the controlled robot and local performances near key poses.

在本文中，我们介绍了一种新的离线方法，以使用演示（LFD）范式学习，在考虑用户对任务的直觉的同时，使用示范（LFD）范式学习，实现稳定性和性能约束，以找到可变阻抗控制的合适参数。考虑到从人类示范获得的合规性概况，给出了VIC的线性参数变化（LPV），它允许陈述设计问题，包括稳定性和性能约束为线性矩阵不平等（LMIS）。因此，使用解决方案搜索方法，我们根据用户偏好在任务行为上找到最佳解决方案。通过比较获得的控制器的执行与在二维轨迹跟踪任务中不同用户首选项集的设计的解决方案来验证设计问题。将滑轮循环任务作为案例研究提出，以评估可变阻抗控制器的性能，并使用用户偏好机制对恒定的稳定性控制器进行恒定的敏捷性和倾斜度。所有实验均使用7-DOF Kinova Gen3操纵器进行。

本文提出了一种新型的固定时间积分滑动模式控制器，以用于增强物理人类机器人协作。所提出的方法结合了遵守入学控制的外部力量和对整体滑动模式控制（ISMC）不确定性的高度鲁棒性的好处，从而使系统可以在不确定的环境中与人类伴侣合作。首先，在ISMC中应用固定时间滑动表面，以使系统的跟踪误差在固定时间内收敛，无论初始条件如何。然后，将固定的后台控制器（BSP）集成到ISMC中，作为标称控制器，以实现全局固定时间收敛。此外，为了克服奇异性问题，设计并集成到控制器中，这对于实际应用很有用。最后，提出的控制器已被验证，用于具有不确定性和外部力量的两连锁机器人操纵器。结果表明，在跟踪误差和收敛时间的意义上，所提出的控制器是优越的，同时，可以在共享工作区中遵守人类运动。

在处理多肢移动操纵器的触觉耳机时，尚未得到适当地解决从触觉设备和远程机器人之间的通信链路产生的稳定效果的问题。在这项工作中，我们提出了一种被动控制架构来触觉地垂直腿移动操纵器，同时在主设备和从控制器中存在延迟和频率不匹配的存在下保持稳定。在主侧，提出了对控制输入的离散时间能调制。在从侧，被动约束包括在基于优化的全身控制器中以满足能量限制。混合龙动力遥气局方案允许人工操作者在姿势模式下远程操作机器人的末端效应器，以及其基运动模式的基本速度。由此产生的控制架构在四足机器人上演示，具有添加到网络的人为延迟。

Energy based control methods are at the core of modern robotic control algorithms. In this paper we present a general approach to virtual model/mechanism control, which is a powerful design tool to create energy based controllers. We present two novel virtual-mechanisms designed for robotic minimally invasive surgery, which control the position of a surgical instrument while passing through an incision. To these virtual mechanisms we apply the parameter tuning method of Larby and Forni 2022, which optimizes for local performance while ensuring global stability.

现代机器人系统具有卓越的移动性和机械技能，使其适合在现实世界场景中使用，其中需要与重物和精确的操纵能力进行互动。例如，具有高有效载荷容量的腿机器人可用于灾害场景，以清除危险物质或携带受伤的人。因此，可以开发能够使复杂机器人能够准确地执行运动和操作任务的规划算法。此外，需要在线适应机制，需要新的未知环境。在这项工作中，我们强加了模型预测控制（MPC）产生的最佳状态输入轨迹满足机器人系统自适应控制中的Lyapunov函数标准。因此，我们将控制Lyapunov函数（CLF）提供的稳定性保证以及MPC在统一的自适应框架中提供的最优性，在机器人与未知对象的交互过程中产生改进的性能。我们验证了携带未建模有效载荷和拉重盒子的四足机器人的仿真和硬件测试中提出的方法。

在本文中，提出了针对动力学不确定性的机器人操纵器提出的人工延迟阻抗控制器。控制定律将超级扭曲算法（STA）类型的二阶切换控制器通过新颖的广义过滤跟踪误差（GFTE）统一延迟估计（TDE）框架。虽然时间延迟的估计框架可以通过估算不确定的机器人动力学和相互作用力来从状态和控制工作的近期数据中估算不确定的机器人动力学和相互作用力来准确建模机器人动力学，但外部循环中的第二阶切换控制法可以在时间延迟估计的情况下提供稳健性（TDE）由于操纵器动力学的近似而引起的误差。因此，拟议的控制定律试图在机器人最终效应变量之间建立所需的阻抗模型，即在存在不确定性的情况下，在遇到平滑接触力和自由运动期间的力和运动。使用拟议的控制器以及收敛分析的两个链接操纵器的仿真结果显示出验证命题。

为了成为人类的有效伴侣，机器人必须越来越舒适地与环境接触。不幸的是，机器人很难区分``足够的''和``太多''力：完成任务需要一些力量，但太多可能会损害设备或伤害人类。设计合规的反馈控制器（例如刚度控制）的传统方法需要对控制参数进行手工调整，并使建立安全，有效的机器人合作者变得困难。在本文中，我们提出了一种新颖而易于实现的力反馈控制器，该反馈控制器使用控制屏障功能（CBF）直接从用户的最大允许力和扭矩的用户规格中得出合并的控制器。我们比较了传统僵硬控制的方法，以证明控制架构的潜在优势，并在人类机器人协作任务中证明了控制器的有效性：对笨重对象的合作操纵。

模型预测控制（MPC）方案已经证明了它们在控制高自由度（DOF）复杂机器人系统方面的效率。但是，它们的计算成本很高，更新速度约为数十万。这种相对较慢的更新速率阻碍了这种系统稳定的触觉远程操作的可能性，因为缓慢的反馈回路可能会导致对操作员的不稳定性和透明度的丧失。这项工作为MPC控制的复杂机器人系统的透明远程操作提供了一个新颖的框架。特别是，我们采用反馈MPC方法并利用其结构来以快速速率计算运营商输入，该快速速率与MPC循环本身的更新率无关。我们在移动操纵器平台上演示了我们的框架，并表明它可以显着提高触觉远程操作的透明度和稳定性。我们还强调，所提出的反馈结构是令人满意的，并且不违反最佳控制问题中定义的任何约束。据我们所知，这项工作是使用全身MPC框架的双边操纵器的双边远程操作的首次实现。

能够与环境进行物理相互作用的新型航空车的最新发展导致了新的应用，例如基于接触的检查。这些任务要求机器人系统将力与部分知名的环境交换，这可能包含不确定性，包括未知的空间变化摩擦特性和表面几何形状的不连续变化。找到对这些环境不确定性的强大控制策略仍然是一个公开挑战。本文提出了一种基于学习的自适应控制策略，用于航空滑动任务。特别是，基于当前控制信号，本体感受测量和触觉感应的策略，实时调整了标准阻抗控制器的收益。在学生教师学习设置中，该策略通过简化执行器动力进行了模拟培训。使用倾斜臂全向飞行器验证了所提出方法的现实性能。所提出的控制器结构结合了数据驱动和基于模型的控制方法，使我们的方法能够直接转移并不从模拟转移到真实平台。与微调状态的相互作用控制方法相比，我们达到了减少的跟踪误差和改善的干扰排斥反应。

本文提出了一种新颖的互动计划方法，该方法仅使用触觉信息来利用阻抗调谐技术，以应对环境不确定性和不可预测的条件。拟议的算法根据与环境的触觉互动并根据需要调整计划策略的触觉计划。考虑了两种方法：探索和弹跳策略。勘探策略在计划中考虑了机器人的实际运动，而弹跳策略则利用了机器人的力量和运动向量。此外，根据计划的轨迹进行自我调整阻抗，以确保合规接触和低接触力。为了显示拟议方法论的性能，进行了两个具有扭矩控制器机器人臂的实验。第一个认为没有障碍的迷宫探索，而第二个包括障碍。在两种情况下，分析了提出的方法性能并与先前提出的解决方案进行比较。实验结果表明：i）机器人可以根据与环境的相互作用在最可行的方向上成功地计划其轨迹，ii）尽管达到了不确定性，但与未知环境的合规性相互作用。最后，进行了可伸缩性演示，以显示在多种情况下提出的方法的潜力。