IEEE RA-L

Distribution-Free Risk-Aware Planning and Control Under Uncertainty Using Conformal Spectral Risk Control

基于共形谱风险控制的免分布风险感知规划与控制

Junsik Eom, Tulga Ersal

机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） 纠错

AI总结 提出一种免分布的风险感知模型预测控制框架，通过扩展共形风险控制到谱风险度量，生成预测集以在不确定性下保证风险低于用户指定阈值，并在车辆避障仿真中验证了安全性和效率提升。

Comments Submitted to IEEE Robotics and Automation Letters

Continuum Robot State Estimation with Actuation Uncertainty

具有驱动不确定性的连续体机器人状态估计

James M. Ferguson, Alan Kuntz, Tucker Hermans

机构 * Department of Electrical and Computer Engineering and Department of Computer Science, Vanderbilt University（电气与计算机工程系和计算机科学系，范德比尔特大学） ； Kahlert School of Computing and Robotics Center, University of Utah（计算与机器人中心，犹他大学） ； NVIDIA（英伟达） 纠错

AI总结 针对连续体机器人在未知交互力和模型不确定性下的形状估计问题，提出一种基于机械原理的驱动先验的离散Cosserat杆模型，联合估计机器人形状、外部载荷和驱动输入，并通过稀疏因子图实现高效非线性优化。

Comments Public preprint for IEEE RAL. Accepted May 2026

Dynamic Policy Learning for Legged Robot with Simplified Model Pretraining and Model-Homotopy-Inspired Transfer

基于简化模型预训练与模型同伦启发迁移的足式机器人动态策略学习

Dongyun Kang, Min-Gyu Kim, Tae-Gyu Song, Hajun Kim, Sehoon Ha, Hae-Won Park

机构 * Department of Mechanical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（机械工程系，韩国科学技术院（KAIST）） ； School of Interactive Computing, Georgia Institute of Technology（交互计算学院，佐治亚理工学院） 纠错

AI总结 提出一种延续学习框架，结合简化模型预训练和模型同伦启发迁移，高效生成和优化足式机器人的复杂动态行为，并在真实四足机器人上验证了翻转和墙面辅助等动态任务。

Comments 8 pages

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 7, pp. 8068-8075, July 2026

A data-efficient geometrically inspired polynomial kernel for robot inverse dynamics

一种数据高效且受几何启发的多项式核用于机器人逆动力学

Alberto Dalla Libera, Ruggero Carli

AI总结 本文提出了一种基于高斯过程回归的数据驱动逆动力学估计器，引入了几何启发多项式核（GIP），该核在合适输入空间上将逆动力学描述为多项式函数，并证明其定义了有限维的再生核希尔伯特空间，包含刚体动力学计算的逆动力学函数，实验表明该方法在数据效率和泛化能力上优于其他数据驱动方法，同时相比模型驱动方法需要更少的先验信息且不受模型偏差影响。

Journal ref IEEE Robotics and Automation Letters, vol. 5, no. 1, pp. 24-31, Jan. 2020

Simultaneous Contact, Gait and Motion Planning for Robust Multi-Legged Locomotion via Mixed-Integer Convex Optimization

通过混合整数凸优化实现鲁棒多足运动的同步接触、步态和运动规划

Bernardo Aceituno-Cabezas, Carlos Mastalli, Hongkai Dai, Michele Focchi, Andreea Radulescu, Darwin G. Caldwell, Jose Cappelletto, Juan C. Grieco, Gerardo Fernandez-Lopez, Claudio Semini

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA 30332 USA（电气与计算机工程系，佐治亚理工学院，亚特兰大，GA 30332 USA） ； Twentieth Century Fox, Springfield, USA（二十世纪福克斯，斯普林菲尔德，USA） ； Starfleet Academy, San Francisco, CA 96678 USA（星际舰队学院，旧金山，CA 96678 USA） ； Tyrell Inc., 123 Replicant Street, Los Angeles, CA 90210 USA（泰勒尔公司，123 复制人街，洛杉矶，CA 90210 USA） 纠错

AI总结 本文提出了一种混合整数凸优化方法，用于同时规划多足机器人的接触位置、步态转换和运动，以提高运动的通用性并保持低计算时间。

Comments 8 pages, IEEE Robotics and Automation Letters

A General Framework for Structured Learning of Mechanical Systems

结构机械系统学习的通用框架

Jayesh K. Gupta, Kunal Menda, Zachary Manchester, Mykel J. Kochenderfer

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出了一种通用框架，用于结构化学习机械系统，通过结合先验知识和训练表达式近似器来提高模型的准确性和效率。

Comments 10 pages, 7 figures. First two authors contributed equally. Submitted to IROS/RA-L. Code at https://github.com/sisl/mechamodlearn/

ConFusion: Sensor Fusion for Complex Robotic Systems using Nonlinear Optimization

ConFusion：利用非线性优化的复杂机器人系统传感器融合

Timothy Sandy, Lukas Stadelmann, Simon Kerscher, Jonas Buchli

机构 * Agile & Dexterous Robotics Lab, ETH Zurich（敏捷与灵活机器人实验室，苏黎世联邦理工学院） 纠错

AI总结 本文提出ConFusion，一种用于机器人应用的开源传感器融合框架，通过非线性优化实现灵活的传感器融合设计，并展示了其在视觉惯性跟踪和移动机械臂上的性能。

Journal ref IEEE Robotics and Automation Letters, 2019, Volume 4, Number 2, Pages 1093-1100

Frequency-Aware Model Predictive Control

频率感知模型预测控制

Ruben Grandia, Farbod Farshidian, Alexey Dosovitskiy, René Ranftl, Marco Hutter

机构 * Robotic Systems Lab, ETH Zurich（机器人系统实验室，苏黎世联邦理工学院） ； Intel Labs, Munich, Germany（英特尔实验室，德国慕尼黑） 纠错

AI总结 本文提出频率形状成本函数，用于在腿足机器人最优控制中实现鲁棒解决方案，通过仿真和硬件实验展示了运动计划与执行器带宽限制的兼容性，并在未建模合规性地形上实现了稳健行走。

Journal ref IEEE Robotics and Automation Letters 2019

Provably Robust Learning-Based Approach for High-Accuracy Tracking Control of Lagrangian Systems

具有证明鲁棒性的基于学习的方法用于拉格朗日系统高精度跟踪控制

Mohamed K. Helwa, Adam Heins, Angela P. Schoellig

机构 * Dynamic Systems Lab（动态系统实验室） ； Institute for Aerospace Studies（航空航天研究院） ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出基于高斯过程的新型学习控制方法，确保系统稳定性与高精度跟踪，通过不确定性界保证鲁棒性，并在仿真和实验中验证有效性。

Comments 8 pages, 4 figures, 2 tables, submitted to IEEE Robotics and Automation Letters (RA-L) and the 2019 International Conference on Robotics and Automation (ICRA) (created: March 2018; updated: September 2018)

Decentralized Ergodic Control: Distribution-Driven Sensing and Exploration for Multi-Agent Systems

去中心化恒定控制：面向多智能体系统的分布驱动感知与探索

Ian Abraham, Todd D. Murphey

机构 * Neuroscience and Robotics Laboratory（神经科学与机器人实验室） 纠错

AI总结 本文提出一种去中心化恒定控制策略，用于解决多智能体非线性动态系统的时间变化区域覆盖问题，通过共识实现完全去中心化的多智能体控制政策，并展示了其在多智能体地形映射和目标定位中的应用。

Comments 8 pages, Accepted for publication in IEEE Robotics and Automation Letters

Journal ref IEEE Robotics and Automation Letters, vol. 3, no. 4, pp. 2377-3766, 2018

An Inversion-Based Learning Approach for Improving Impromptu Trajectory Tracking of Robots with Non-Minimum Phase Dynamics

基于逆向学习的方法用于改进具有非最小相位动态的机器人即兴轨迹跟踪

Siqi Zhou, Mohamed K. Helwa, Angela P. Schoellig

机构 * Dynamic Systems Lab（动态系统实验室） ； Institute for Aerospace Studies（航空航天研究 institute） ； University of Toronto（多伦多大学） ； Cairo University（开罗大学） 纠错

AI总结 本文提出一种基于学习的方法，用于改进非最小相位系统的即兴轨迹跟踪，通过直接从输入输出数据学习稳定近似逆向，验证了方法的稳定性与高精度跟踪效果。

Comments Accepted for publication in the IEEE Robotics and Automation Letters (RA-L), July 2018