可以使用几种技术来解决沿规定路径的最佳运动计划，但是大多数技术没有考虑到与环境接触时最终效用器所施加的扳手。当无法获得环境的动态模型时，就不存在合并方法来考虑相互作用的效果。无论要优化的特定性能指数如何，本文都提出了一种策略，将外部扳手包括在最佳计划算法中，考虑到任务规格。此过程是针对最小时间轨迹实例化的，并在接纳控制下执行交互任务的真实机器人进行了验证。结果证明，最终效应器扳手的包含会影响计划的轨迹，实际上改变了操纵器的动态能力。

沿规定的任务空间路径的冗余机器人的轨迹的离线最佳规划通常分为两个连续的过程：首先，任务空间路径倒置以获得一个联合空间路径，然后，后者通过时间定律进行参数化。如果两个过程分开，它们将无法优化相同的目标函数，最终提供了次优的结果。在本文中，提出了一种统一的方法，而动态编程是基础优化技术。它的灵活性允许安装任意约束和客观功能，从而为真实系统的最佳计划提供了一个通用框架。为了证明其适用于现实世界情景，该框架是实例化的，以进行时间优势。与数值求解器相比，所提出的方法提供了基础分辨率过程的可见性，从而超出了最佳轨迹的计算以外的进一步分析。该框架的有效性已在真正的7度自由串行链上证明。还讨论和解决了与实际控制器上执行最佳轨迹相关的问题。实验表明，所提出的框架能够有效利用运动学冗余，以优化计划级别定义的性能索引，并生成可行的轨迹，这些轨迹可以在真实硬件上执行，并具有令人满意的结果。

The increasing interest in autonomous robots with a high number of degrees of freedom for industrial applications and service robotics demands control algorithms to handle multiple tasks as well as hard constraints efficiently. This paper presents a general framework in which both kinematic (velocity- or acceleration-based) and dynamic (torque-based) control of redundant robots are handled in a unified fashion. The framework allows for the specification of redundancy resolution problems featuring a hierarchy of arbitrary (equality and inequality) constraints, arbitrary weighting of the control effort in the cost function and an additional input used to optimize possibly remaining redundancy. To solve such problems, a generalization of the Saturation in the Null Space (SNS) algorithm is introduced, which extends the original method according to the features required by our general control framework. Variants of the developed algorithm are presented, which ensure both efficient computation and optimality of the solution. Experiments on a KUKA LBRiiwa robotic arm, as well as simulations with a highly redundant mobile manipulator are reported.

Force modulation of robotic manipulators has been extensively studied for several decades. However, it is not yet commonly used in safety-critical applications due to a lack of accurate interaction contact modeling and weak performance guarantees - a large proportion of them concerning the modulation of interaction forces. This study presents a high-level framework for simultaneous trajectory optimization and force control of the interaction between a manipulator and soft environments, which is prone to external disturbances. Sliding friction and normal contact force are taken into account. The dynamics of the soft contact model and the manipulator are simultaneously incorporated in a trajectory optimizer to generate desired motion and force profiles. A constrained optimization framework based on Alternative Direction Method of Multipliers (ADMM) has been employed to efficiently generate real-time optimal control inputs and high-dimensional state trajectories in a Model Predictive Control fashion. Experimental validation of the model performance is conducted on a soft substrate with known material properties using a Cartesian space force control mode. Results show a comparison of ground truth and real-time model-based contact force and motion tracking for multiple Cartesian motions in the valid range of the friction model. It is shown that a contact model-based motion planner can compensate for frictional forces and motion disturbances and improve the overall motion and force tracking accuracy. The proposed high-level planner has the potential to facilitate the automation of medical tasks involving the manipulation of compliant, delicate, and deformable tissues.

旨在进一步实现对机器人操纵中的影响的影响，提出了一种控制框架，其直接解决了通过跟踪机器人操纵器的控制所构成的挑战，该机器人操纵器的控制被任务执行与多个接触点相关联的名义上同时冲击。为此，我们扩展了参考展示框架，该框架利用刚性冲击图采用刚性冲击地图的扩展前和冲击后参考，在非弹性同时撞击的假设下确定。在实践中，机器人不会在冲击力矩的参考上居住;结果通常会发生不同接触点处的一系列冲击。我们的新方法通过引入额外的中间控制模式，在此上下文中扩展了参考传播。在该模式中，扭矩命令仍然基于达到撞击参考，目的是达到目标接触状态，但是禁用速度反馈，因为这可能由于快速的速度而可能是有害的。随着真实的实现，该方法是使用QP控制框架制定的，并在刚性机器人模型和具有柔性接头的现实机器人模型上使用数值模拟进行验证。

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。

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。

当双臂机器人夹在人类环境中的刚性物体时，环境或协作人类将对操作的物体或机器人手臂施加偶然的扰动，导致夹紧失败，损坏机器人即使伤害了人类。该研究提出了优先化的分层合规性控制，同时处理双臂机器人夹紧中的两种干扰。首先，我们使用分层二次编程（HQP）来解决联合约束下的机器人反向运动学，并优先顺序对象对象对象的干扰遵守情况。其次，我们在与F / T传感器的势头观察者中估计干扰力，并采用导纳控制来实现优异性。最后，我们在14-DOF位置控制双臂机器人Walkerx上进行验证实验，稳定地夹紧刚性物体，同时实现对扰动的依从性。

该论文提出了一个计划者，以使用质心动力学和人形机器人的完整运动学来产生步行轨迹。机器人与行走表面之间的相互作用是通过新条件明确建模的，即\ emph {动态互补性约束}。该方法不需要预定义的接触序列，并自动生成脚步。我们通过一组任务来表征机器人控制目标，并通过解决最佳控制问题来解决它。我们表明，可以通过指定最小的参考集，例如恒定所需的质量速度中心和地面上的参考点来自动实现行走运动。此外，我们分析了接触模型选择如何影响计算时间。我们通过为人形机器人ICUB生成和测试步行轨迹来验证该方法。

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。

在腿部机器人技术中，计划和执行敏捷的机动演习一直是一个长期的挑战。它需要实时得出运动计划和本地反馈政策，以处理动力学动量的非物质。为此，我们提出了一个混合预测控制器，该控制器考虑了机器人的致动界限和全身动力学。它将反馈政策与触觉信息相结合，以在本地预测未来的行动。由于采用可行性驱动的方法，它在几毫秒内收敛。我们的预测控制器使Anymal机器人能够在现实的场景中生成敏捷操作。关键要素是跟踪本地反馈策略，因为与全身控制相反，它们达到了所需的角动量。据我们所知，我们的预测控制器是第一个处理驱动限制，生成敏捷的机动操作以及执行低级扭矩控制的最佳反馈策略，而无需使用单独的全身控制器。

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。

在自动操纵，远程操作或物理人类机器人相互作用期间，四足动物的操纵器在与外部力量打交道时必须合规。本文提出了一个全身控制器，该控制器允许实施笛卡尔阻抗控制，以协调跟踪性能以及对机器人基础和操纵器组的理想合规性。控制器是通过使用二次编程（QP）的优化问题制定的，以对系统施加所需的行为，同时满足摩擦锥限制，单方面力量约束，关节和扭矩限制。提出的策略将平台的手臂和底座取代，从而实施了线性双质量弹簧阻尼器系统的行为，并允许独立调整其惯性，刚度和阻尼特性。使用配备了7-DOF操纵器组的90kg HYQ机器人通过广泛的模拟研究来验证控制架构。仿真结果表明，当在手臂的最终效用器上应用外力时，阻抗渲染性能。该论文介绍了完整姿势条件（地面上的所有腿）的结果，并且首次显示阻抗渲染如何受动态步态过程中接触条件的影响。

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。

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。

本文提出了一个层次结构框架，用于计划和控制涉及使用完全插入的多指机器人手的掌握变化的刚性对象的操纵。尽管该框架可以应用于一般的灵巧操作，但我们专注于对手持操作的更复杂的定义，在该目标下，目标姿势必须达到适合使用该对象作为工具的掌握。高级别的计划者确定对象轨迹以及掌握更改，即添加，卸下或滑动手指，由低级控制器执行。尽管基于学习的策略可以适应变化，但GRASP序列是在线计划的，但用于对象跟踪和接触力控制的轨迹规划师和低级控制器仅基于模型，以稳健地实现该计划。通过将有关问题的物理和低级控制器的知识注入GRASP规划师中，它将学会成功生成类似于基于模型的优化方法生成的grasps，从而消除了此类方法的高计算成本到该方法的高度计算成本到解释变化。通过在物理模拟中进行实验，以实现现实工具使用方案，我们将在不同的工具使用任务和灵活的手模型上展示了方法的成功。此外，我们表明，与基于模型的方法相比，这种混合方法为轨迹和任务变化提供了更大的鲁棒性。

In unstructured environments, robots run the risk of unexpected collisions. How well they react to these events is determined by how transparent they are to collisions. Transparency is affected by structural properties as well as sensing and control architectures. In this paper, we propose the collision reflex metric as a way to formally quantify transparency. It is defined as the total impulse transferred in collision, which determines the collision mitigation capabilities of a closed-loop robotic system taking into account structure, sensing, and control. We analyze the effect of motor scaling, stiffness, and configuration on the collision reflex of a system using an analytical model. Physical experiments using the move-until-touch behavior are conducted to compare the collision reflex of direct-drive and quasi-direct-drive actuators and robotic hands (Schunk WSG-50 and Dexterous DDHand.) For transparent systems, we see a counter-intuitive trend: the impulse may be lower at higher pre-impact velocities.

机器人布操作是自动机器人系统的相关挑战性问题。高度可变形的对象，因为纺织品在操纵过程中可以采用多种配置和形状。因此，机器人不仅应该了解当前的布料配置，还应能够预测布的未来行为。本文通过使用模型预测控制（MPC）策略在对象的其他部分应用动作，从而解决了间接控制纺织对象某些点的配置的问题，该策略还允许间接控制的行为点。设计的控制器找到了最佳控制信号，以实现所需的未来目标配置。本文中的探索场景考虑了通过抓住其上角，以平方布的下角跟踪参考轨迹。为此，我们提出并验证线性布模型，该模型允许实时解决与MPC相关的优化问题。增强学习（RL）技术用于学习所提出的布模型的最佳参数，并调整所得的MPC。在模拟中获得准确的跟踪结果后，在真实的机器人中实现并执行了完整的控制方案，即使在不利条件下也可以获得准确的跟踪。尽管总观察到的误差达到5 cm标记，但对于30x30 cm的布，分析表明，MPC对该值的贡献少于30％。

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。

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。