新闻动态

        ICRA（International Conference on Robotics and Automation）是机器人领域最顶级的国际会议，每年都会吸引大批全球顶尖的机器人学者参加。据了解，今年 ICRA 有效投稿为4005篇（含 ICRA 2021和RA-L wth ICRA 2021），共有1946篇论文被接受，接受率为48.0%。其中 AIRS 入选19篇，涵盖机器人运动控制、多模态感知、多机器人协同、多自由度动力学控制等方向。以下为部分入选论文导读。（标题后标注“RA-L”的为入选RA-L with ICRA 2021的论文）

机器人运动控制

1. 利用非对称翼对波驱 USV 的推进力增强 / Thrust Enhancement of Wave-driven Unmanned Surface Vehicle by Using Asymmetric Foil

        波驱 USV（WUSV）指单纯地利用波浪能量在海面上航行的无人勘测设备。在 WUSV 中，震荡翼是常用的且直接的一种波浪能吸收和转换技术，如 Wave Glider 和 Autonaut 等。然而 WUSV 相较于其他能源驱动的 USV，虽然在航行寿命上有绝对优势，但是航速却要慢上不少。本工作提供了一种利用非对称截面形状和非对称震荡机制来提升震荡翼在工作期间所产生的前向推进力。并且提供了一种利用计算流体动力学（CFD）仿真来优化非对称参数的方法。基于该方法找到的一组较优的非对称参数组建样机并进行实验验证，结果表明在相当宽泛的海洋波浪条件中，该非对称翼可以至少增强13.75%的推进力。

        本文第一作者为香港中文大学（深圳）二年级硕士研究生高岩，目前他的研究方向集中在海洋机器人。本文通讯作者林天麟教授为 AIRS 智能机器人研究中心主任、香港中文大学（深圳）助理教授，他也是 IEEE 高级会员。林教授的研究方向包括多机器人系统，新型移动机器人及人机协作。

2. 无人帆船的碰撞风险评估与避让控制 / Collision Risk Assessment and Obstacle Avoidance Control for Autonomous Sailing Robots

        对于长航程海上航行任务，及时有效的避碰是自主帆船的关键。但作为一种动力有限，同时受到空气动力和水动力环境干扰的海洋机器人，其避障具有极大的挑战性。因此，迫切需要一种具有应急推进系统的碰撞风险预警方法。实时进行碰撞风险预警，防止发生危险。目前帆船碰撞风险评估方法有限，如基于势场的方法和确定形状的安全圈方法。在帆船碰撞风险评估中，其大小不能被忽视。同时，仅用多层安全圈进行海上碰撞危险预警是不够的。

        在本研究中，我们提出了一套帆船碰撞风险评估与避让控制的方案。该方案包括：(1) 帆船安全区域（Sailboat safety zone, SSZ），其中同时考虑了帆船 OceanVoy 的内在特征和环境因素。(2) 基于 SSZ 的避让策略。我们使用横向和轴向推进系统提供应急推进。基于 SSZ 和推进系统提出了一种舵、帆、推进器协调避碰算法。

        本文第一作者为香港中文大学（深圳）二年级博士研究生祁卫敏，目前她的研究方向包括无人帆船的避让控制与导航。本文通讯作者钱辉环教授为AIRS 副院长、香港中文大学（深圳）助理教授。他的研究方向包括机器人与智能系统，近期主要围绕海洋机器人、微纳机器人、智能艺术系统开展。

3. 面向长远航行的V稳定性的节能控制方法 / V-stability Based Control for Energy-saving Towards Long Range Sailing (RA-L)

        对于长远航行的无人帆船机器人，其能源的供给能力是一项重要的挑战，倘若施加持续变化的控制信号对自主帆船进行控制，会导致较高的能源消耗。此外，结合复杂的风场，水流场以及其他海洋环境，使得无人帆船的控制相比其他的无人艇要更加复杂。直接简单的减少控制指令的变化频率会导致较大的轨迹跟踪误差，甚至偏离导航航线。

        本文章提出了一种基于 V 稳定性的帆船节能控制方法（E-saving），该方法可以在确保帆船航行稳定的前提下，对控制器指令进行适当规划调节。此外，该方法可在期望的航迹跟踪误差以及能源消耗之间取得一个均衡，使得自主帆船航行在一个可接收的路径区域同时保证较小的能源消耗。E-saving 方法在仿真环境和实验中都进行了测试验证。其中在实验中我们使用了 OceanVoy 自主帆船。结果表示，相较于V稳定性方法，节能控制方法（E-saving）可以减少11%的能量消耗。这使得我们的方法将会在长远航行过程中可以较大的提高航行距离。

        本文第一作者为香港中文大学（深圳）理工学院三年级博士生孙钦波，其主要研究方向为机器人能源规划以及自主帆船机器人系统，其导师为钱辉环教授。本文通讯作者钱辉环教授为 AIRS 副院长、香港中文大学（深圳）理工学院助理教授。他的研究方向包括机器人与智能系统，近期主要围绕海洋机器人、微纳机器人、智能艺术系统开展。

全文链接：https://ieeexplore.ieee.org/document/9349135

4. 磁控螺旋形微纳米机器人的动力学建模 / Dynamic Modeling of Magnetic Helical Microrobots (RA-L)

        由低强度旋转磁场驱动的磁控螺旋形微纳米机器人在生物医学领域具有巨大的应用潜力。磁控螺旋形微纳米机器人的运动动力学对其智能控制和在复杂环境中执行任务至关重要。这种微纳米机器人可以将旋转运动转化为沿其中心轴的平移运动。它们在液体环境中的运动动力学受到许多因素的影响，比如，螺旋的几何形状、螺旋结构表面涂覆的磁层的厚度和磁化强度、运动所处流体环境的粘度、以及螺旋结构表面的亲疏水性。在本文中，我们建立了一个全面的动力学模型来分析由刚性螺旋鞭毛组成的磁控螺旋形微纳米机器人在液体环境中的运动特性。综合分析了这种磁控螺旋形微纳米机器人的不同设计对其游动速度、步出频率和最大速度的影响，为磁控螺旋形微纳米机器人的设计提供了宝贵的指导。我们的结果也得到了许多实验研究的支持。

        本文第一作者为 AIRS 副研究员王潇朴。本文通讯作者为南科大胡程志教授与 ETH Zurich 的Bradley Nelson 教授。

全文链接：https://ieeexplore.ieee.org/abstract/document/9314226

多模态感知

1. 基于磁传感器列阵与图神经网络的模块化自由重构机器人构型感知 / Graph Convolutional Network based Configuration Detection for Freeform Modular Robot Using Magnetic Sensor Array

        本文提出了一个基于图卷积神经网络的多目标磁定位系统，该系统可在复杂铁磁环境中准确进行多目标磁定位，可用于模块化自由重构机器人（FreeBOT）的接触式构型感知。

        如下图 (b) 所示，一个模块化自由重构机器人可同时被多个机器人通过磁铁连接，所提出的构型感知系统可以通过检测空间磁场分布准确地定位不定数量的磁铁，进而感知模块化自由重构机器人系统构型。通过给模块化自由重构机器人装配24个磁传感器，机器人可以监测由磁铁和铁球壳产生的磁场。磁传感器被放置于离铁球壳较近的位置，以减小铁球壳带来的磁滞干扰。铁球壳表面可连接区域被划分成了84个均匀区域，如下图 (c) 所示基于图卷积网络的算法可预测其附近连接点所在区域，而后经过区域融合得到最终定位结果。该算法只需单个连接点的训练数据便可学习在铁球壳干扰下的磁铁磁场分布，并定位所有连接点的所在区域。同时，该算法可以40赫兹运行于该模块化自由重构机器人嵌入式处理器上。

        本文第一作者为香港中文大学（深圳）一年级博士研究生涂宇啸，目前他的研究方向包括模块化自重构机器人和现场机器人。本文通讯作者林天麟教授为 AIRS 智能机器人研究中心主任、香港中文大学（深圳）助理教授，他也是 IEEE 高级会员。林教授的研究方向包括多机器人系统，新型移动机器人及人机协作。

2. 通过基于注意力机制的 SSD 网络实现远距离手势识别 / Long-Range Hand Gesture Recognition via Attention-based SSD Network

        手势识别在人机交互领域起着重要的作用。以往的研究大多只研究短距离（1-2m）的手势识别，无法与无人机等移动机器人进行长距离、安全距离的交互。因此，本文研究了远程手势识别问题。提出了一种新的基于注意力机制的SSD网络结构进行远距离手势识别。通过该模型，我们将识别距离从1米扩展到7米。此外，本文还提出了一种新的基于 USB 摄像头的手势识别数据集，在2米到7米的不同距离采集手势数据，构建了一个远距离的手势识别数据集。利用 USB 摄像头采集的远程手势数据集进行实验，结果表明，该方法在 SSD 网络上对短（1-2米）和长（5-7米）手势识别都达到了最先进的性能。收集长距离手势（LRHG）数据集，进行对比实验。实验结果表明，我们提出的基于注意力机制的手势识别方法比现有的手势识别方法具有更大的优势，在保持算法性能的前提下，能够识别实时的7米远的手势识别。

        同时，我们用提出的算法开发一个可以训练手语的游戏，可以帮助手语初学者通过玩吃苹果手语打字游戏进行巩固手语的学习。

        本文第一作者为香港中文大学（深圳）四年级博士研究生周立广，目前他的研究方向包括人机交互和场景理解，其导师为徐扬生院士及林天麟教授。本文通讯作者林天麟教授为 AIRS 智能机器人研究中心主任、香港中文大学（深圳）助理教授，他也是 IEEE 高级会员。林教授的研究方向包括多机器人系统，新型移动机器人及人机协作。

3. 基于二阶段无监督学习的低光照图像增强方法 / A Two-stage Unsupervised Approach for Low light Image Enhancement (RA-L)

        由于基于视觉的感知方法通常是建立在环境处于正常光照的前提之下，因此将这些感知方法运用在黑暗环境中会出现严重的安全问题。近年来，人们提出了一些基于深度学习的低光照增强方法，这些方法通过惩罚低光照图像与正常光照图像像素级损失来增强低光照图片。但是，这些方法大多存在以下问题：1）需要低光照图像以及与之配对的正常光照图像来进行训练；2）这些方法对极暗的图像效果极差；3）光照增强后会增加图像噪点。为了缓解这些问题，本文提出了一种二阶段无监督方法，将低光照图像增强分解为预增强和后处理两个阶段。在第一阶段基于 Retinex theory，使用 adaptive tone mapping 的方法来对 illumination map 进行变换，获得初步的增强结果。在第二阶段利用对抗学习的细化网络，并结合无监督图像增强常用的一些损失（image reconstruction loss/perceptual loss/total variation/adversarial loss）来进一步提高图像质量。实验结果表明，在四个基准数据集上，我们的方法都优于以前的方法。此外，在低光照条件下，我们的方法可以显著提高特征点匹配和同时定位与映射

        本文第一作者为 AIRS 助理研究员胡君杰，目前他的研究方向包括基于视觉的多机器人感知系统，计算机视觉。本文通讯作者林天麟教授为智能机器人研究中心主任、香港中文大学（深圳）助理教授，他也是 IEEE 高级会员。林教授的研究方向包括多机器人系统，新型移动机器人及人机协作。

全文链接：https://arxiv.org/abs/2010.09316

4. RigidFusion：在有大型运动物体的场景中进行机器人定位和室内重建 / RigidFusion: Robot Localisation and Mapping in Environments with Large Dynamic Rigid Objects (RA-L)

        This work presents a novel RGB-D SLAM approach to simultaneously segment, track and reconstruct the static background and large dynamic rigid objects that can occlude major portions of the camera view. For example, in the task of mobile manipulation, the manipulated can be large and close to camera, therefore causing large occlusion. Previous approaches treat dynamic parts of a scene as outliers and are thus limited to a small amount of changes in the scene, or rely on prior information for all objects in the scene to enable robust camera tracking. Here, we propose to treat all dynamic parts as one rigid body and simultaneously segment and track both static and dynamic components.

        We, therefore, enable simultaneous localisation and reconstruction of both the static background and rigid dynamic components in environments where dynamic objects cause large occlusion. We evaluate our approach on multiple challenging scenes with large dynamic occlusion. The evaluation demonstrates that our approach achieves better motion segmentation, localisation and mapping without requiring prior knowledge of the dynamic object's shape and appearance.

        The first author is Ran Long, he is currently a 2nd year PhD student in the SLMC group from the University of Edinburgh and is supervised by Professor Sethu Vijayakumar FRSE. His research interest is estimating the trajecotries of multiple rigid bodies from RGB-D sequences using the understanding of robots’ actions, such as robot proprioception or kinematic.

        The corresponding author of this paper is Professor Sethu Vijayakumar. Professor Vijayakumar is Professor of Robotics at the University of Edinburgh. He directs one of our International Collaboration Joint Project titled [Mobile Collaborative Robots: Addressing Real World Challenges] between the University of Edinburgh and AIRS. His research interest spans a broad interdisciplinary curriculum involving basic research in the fields of robotics, statistical machine learning, motor control, planning and optimization in autonomous systems and computational neuroscience.

全文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9380340

（中文介绍可查看链接：https://mp.weixin.qq.com/s/rKs75LnQqQgZPH7ExWKwWQ）

5. 模仿医学临床诊断流程的自主超声机器人 / Towards Fully Autonomous Ultrasound Scanning Robot with Imitation Learning based on Clinical Protocols (RA-L)

        超声成像由于占地面积小和成本低等优势，在现代临床医学中扮演着重要的角色，目前它已被广泛应用于医院常规体检和作为介入治疗的辅助成像手段。然而，超声扫描的结果在很大程度上依赖于临床医生操的技能和经验，这使得不同医生诊断结果不一致甚至发生错误检测，因而使用全自主的超声扫描机器人辅助医生开展检查可能对提高扫描结果的可重复性和可靠性可能是一个富有前景的解决方案。

        因此我们提出了一个基于模仿学习框架的自主超声机器人来实现流程化自主扫描。基于目标器官颈动脉的检查程序，文章设计了一个基于图像矩特征的视觉伺服控制器，用于超声平面内和超声平面外的伺服任务。此外，我们还设计了一步探索策略（OSE）来提高机器人在两个特征之间转移的鲁棒性。所提出的方法均在医学模型和真实人体上进行了实验和验证。实验结果表明，OSE能够显著提高超声扫描的完成率，使得整体完成率从22.2%提高到84.6%。

        本文第一作者为香港中文大学（深圳）硕士研究生黄彦玮，目前他的研究方向主要为自主超声机器人和机器人手眼力协同。本文通讯作者孙正隆教授为 AIRS 智能机器人研究中心副主任、香港中文大学（深圳）助理教授、理工学院生物医学工程专业负责人。孙教授的研究方向包括手术医疗机器人，人机交互与人机协作，多模态感知和仿生机器人。

全文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9372850

6. UnFise：面向360度全景图像深度估计的单向融合 / UniFuse: Unidirectional Fusion for 360 Panorama Depth Estimation (RA-L)

        360°全景相机随着相机技术达到发展变得越来越普及。360°全景图像能提供环境全方位的信息，因此在视觉感知相比传统透视投影图像更有优势。近年来基于360°全景图的场景感知，如深度估计、视觉定位、语义分割等，越来越受到关注；与传统的透视投影图像不同，360°全景图视场更广，其常规表示通常存在畸变或者不连续。针对传统图像的深度学习方法用于360°全景图虽然能取得一定效果，但往往不够好的。本项目针对基于360度全景图像深度估计提出了一种立方体投影图到等距投影图的单向融合网络，能够较好的解决全景图畸变和边界不连续的问题，实现了基于图像的高精度全景重建。

        本研究的亮点在于提出了一种简单有效的针对全景图像的单向融合学习算法；算法空间复杂度比前人方法的一半，推理速度也提高了10倍，深度估计精度提高了4.5%。研究应用前景为自主机器人感知和导航、全方位三维重建、VR房地产和云上展会等等。

        本文第一作者为香港中文大学（深圳）四年级博士研究生蒋华烈，其导师是黄锐教授。博士期间，他开展各种不同情形下的深度估计研究，包括室内的监督深度估计，室内的无监督深度估计还有球形全景图像的深度估计。本文通讯作者黄锐教授为 AIRS 计算机视觉研究中心副主任、香港中文大学（深圳）理工学院副教授。黄教授在数据降维和子空间分析、可变形模型、概率图模型等方法以及它们在计算机视觉、模式识别、（医学）图像处理中的应用等方面做过大量研究工作。目前研究兴趣集中在计算机视觉在机器人领域的应用。

全文链接：https://ieeexplore.ieee.org/document/9353978

代码：https://github.com/alibaba/UniFuse-Unidirectional-Fusion

多机器人协同

1. Task-Space Decomposed Motion Planning Framework for Multi-Robot Loco-Manipulation

        This paper introduces a novel task-space decomposed motion planning framework for multi-robot simultaneous locomotion and manipulation. When several manipulators hold an object, closed-chain kinematic constraints are formed, and it will make the motion planning problems challenging by inducing lower-dimensional singularities. Unfortunately, the constrained manifold will be even more complicated when the manipulators are equipped with mobile bases. We address the problem by introducing a dual-resolution motion planning framework which utilizes a convex task region decomposition method, with each resolution tuned to efficient computation for their respective roles. Concretely, this dual-resolution approach enables a global planner to explore the low-dimensional decomposed task-space regions toward the goal, then a local planner computes a path in high-dimensional constrained configuration space. We demonstrate the proposed method in several simulations, where the robot team transports the object toward the goal in the obstacle-rich environments.

        The first author of this paper is Xiaoyu Zhang, who is currently a research assistant at AIRS and he is a member of “Multi-Agent Collaborative Manipulation” of the international joint research project between AIRS and UoE. His research interest is robot motion planning and control.

        The corresponding author of this paper is Lei Yan, who is currently a postdoc at UoE in UK and he is the strand leader of “Multi-Agent Collaborative Manipulation” of the international joint research project between AIRS and UoE. His research interests include impact-aware manipulation and decentralized planing and control for multi-robot system.

2. 障碍环境下模块化机器人的高效并行自组装规划算法 / An Efficient Parallel Self-assembly Planning Algorithm for Modular Robots in Environments with Obstacles

        模块化机器人可通过该自组装技术在开放的障碍物环境中实现远超单个机器人能力的复杂任务，例如快速搭桥、协同搬运等。高效的规划算法可以帮助多机器人快速组装到一起，且避免相互阻碍、碰撞或者误组装。目前的规划算法主要分为了串行组装和并行组装两种思路，其中随着参与的机器人数量增多，并行组装方法将体现出比串行方法高得多的效率，能够大大节省时间。然而，我们注意到目前最新的并行方法并不适用于常见的有障碍物阻挡的环境。对此，本文主要提出了一种高效的并行组装方法，可适用于障碍物环境中。

        本研究提出了一种考虑周围障碍物的模块化机器人并行装配规划算法。通过该算法，机器人之间的对接动作能够避开不可移动的障碍物，从而使机器人的并行自组装能够适应复杂的环境。该算法分为四个阶段：(i) 组装树的生成；(ii) 目标结构的扩展；(iii) 机器人的任务调度；(iv) 机器人向目标移动的分布式控制。其中，主要创新点包括：(1) 通过一个虚拟的目标形状扩展方法，本规划算法可探索并适应环境中的障碍物，从而避免了自组装过程中机器人之间的碰撞与误接触；(2) 在目标形状扩展中提出了成对扩展的方法，显著提高了后续的自组装成功率。为了验证该算法的有效性和通用性，我们在一个25个不同的网格地图中实现了该算法。仿真结果表明，与现有的并行自组装规划算法相比，该算法具有更高的成功率（80%以上）。最后，通过在多物流机器人（AGVs）系统上的自组装实验，验证了该算法的可行性。本算法通过随机探索机器人所处的环境，赋予了机器人编队对障碍物环境的高适应性，为自组装算法在实际场景中的应用提供了一种切实可行的途径。

        本文的第一作者为香港中文大学（深圳）理工学院三年级博士生张连鑫，其主要研究方向为多机器人自主对接技术及全向无人船系统。本文通讯作者钱辉环教授为AIRS 副院长、香港中文大学（深圳）助理教授。他的研究方向包括机器人与智能系统，近期主要围绕海洋机器人、微纳机器人、智能艺术系统开展。

3. 基于语义直方图的大环境下多机器人实时全局定位的图匹配 / Semantic Histogram Based Graph Matching for Real-Time Multi-Robot Global Localization in Large Scale (RA-L)

        多机器人可视化实时定位与测绘（MR-SLAM）的核心问题是如何高效、准确地进行多机器人全局定位（MR-GL）。这个问题的难点有两方面，首先是视点差异较大，全局定位困难。基于外观的定位方法在视角差异较大的情况下往往会失败。近年来，基于语义信息的语义图被用来克服大视角差异的问题。

        然而，这种方法非常耗时，特别是在尺度比较大的环境中。这就引出了第二个难题，即如何进行实时的全局定位。本文提出了一种基于语义直方图的语义图匹配方法，该方法对视角差异具有比较高的鲁棒性，能够实现实时的语义图匹配。在此基础上，我们开发了一个能够准确、高效地对同构和异构机器人执行MR-GL的系统。实验结果表明，该方法比基于随机漫步的语义描述符速度快30倍左右。该方法的全局定位精度达到95%，而最新对标的方法的定位精度为85%。下图是我们全局定位系统的流程示意图。

        本文第一作者为 AIRS 研究助理郭溪越，目前他的研究方向包括基于视觉的多机器人 SLAM 系统。本文通讯作者林天麟教授为 AIRS 智能机器人研究中心主任、香港中文大学（深圳）助理教授，他也是 IEEE 高级会员。林教授的研究方向包括多机器人系统，新型移动机器人及人机协作。

全文链接：https://arxiv.org/abs/2010.09297

4. 多机器人协同操作的分布式能力感知自适应控制 / Decentralized Ability-Aware Adaptive Control for Multi-Robot Collaborative Manipulation (RA-L)

        Multi-robot collaboration is extremely challenging due to the different kinematic and dynamics capabilities of the robots, the limited communication between them, and the uncertainty of the system parameters. To address these challenges, we propose a Decentralized Ability-Aware Adaptive Control (DA3C) method, in which the force capability of each robot is maximized by exploiting its null-space motion, while the designed adaptive controller enables decentralized coordination according to the capability of each robot. Simulation results show the proposed method can achieve online adaptation and accurate trajectory tracking irrespective of the low-level controllers, and can be used for heterogeneous multi-robot systems.

        The first author of this paper is Lei Yan, who is currently a postdoc at UoE in UK and he is the strand leader of “Multi-Agent Collaborative Manipulation” of the international joint research project between AIRS and UoE. His research interests include impact-aware manipulation and decentralized planing and control for multi-robot system.

        The corresponding author of this paper is Professor Sethu Vijayakumar. Professor Vijayakumar is Professor of Robotics at the University of Edinburgh. He directs one of our International Collaboration Joint Project titled [Mobile Collaborative Robots: Addressing Real World Challenges] between the University of Edinburgh and AIRS. His research interest spans a broad interdisciplinary curriculum involving basic research in the fields of robotics, statistical machine learning, motor control, planning and optimization in autonomous systems and computational neuroscience. 

全文链接：https://ieeexplore.ieee.org/document/9357952

（中文介绍可查看链接：https://mp.weixin.qq.com/s/rKs75LnQqQgZPH7ExWKwWQ）

多自由度动力学控制

1. 集成多种平衡策略的多功能步行 / Versatile Locomotion by Integrating Ankle, Hip, Stepping, and Height Variation Strategies

        Stable walking in real-world environments is a challenging task for humanoid robots, especially when considering the dynamic disturbances, e.g., caused by external perturbations that may be encountered during locomotion. In this paper, we propose an enhanced Nonlinear Model Predictive Control (NMPC) approach for robust and adaptable walking – we term it versatile locomotion, by limiting both the Center of Pressure (CoP) and Divergent Component of Motion (DCM) movements. Due to utilization of the Nonlinear Inverted Pendulum plus Flywheel model, the robot is endowed with the capabilities of CoP manipulation (if equipped with finite sized feet), step location adjustment, upper body rotation, and vertical height variation. Considering the feasibility constraints, especially the usage of relaxed CoP constraints, the NMPC scheme is established as a Quadratically Constrained Quadratic Programming problem, which is solved efficiently by Sequential Quadratic Programming with enhanced solvability. Simulation experiments demonstrate the effectiveness of our method to recruit optimal hybrid strategies in order to realize versatile locomotion, for the robot with finite-sized or point feet.

        The first author of this paper is Jiatao Ding, who is currently an assistant research scientist at AIRS and he is the member of “Multi-contact motion planning” of the international joint research project between AIRS and UoE. His research interest is locomotion planning and control for humanoid robots.

        The external supervisor is Professor Sethu Vijayakumar. Professor Vijayakumar is Professor of Robotics at the University of Edinburgh. He directs one of our International Collaboration Joint Project titled [Mobile Collaborative Robots: Addressing Real World Challenges] between the University of Edinburgh and AIRS. His research interest spans a broad interdisciplinary curriculum involving basic research in the fields of robotics, statistical machine learning, motor control, planning and optimization in autonomous systems and computational neuroscience.

2. 一种新型的、本质安全的用于 COVID-19 口咽拭子采样的刚柔耦合机械臂的设计与实现 / Design and Implementation of a Novel, Intrinsically Safe Rigid-Flexible Coupling Manipulator for COVID-19 Oropharyngeal Swab Sampling

        COVID-19 大流行导致了口咽拭子采样检测的需求激增，但是医务人员在采样过程中很容易被病毒感染。为了解决这个问题，我们开发了一种新颖的、本质上安全的刚柔耦合机械臂，以提高口咽拭子采样检测 COVID-19 的安全性和可靠性。本文首先研究了用于口咽拭子采样任务的合适采样区域和必要接触力，并设计了可由机器人系统执行的三个典型采样路径。然后是开展本质安全的仿生微气动执行器（刚柔耦合机械臂的关键组件）的详细设计和制造。随后开展刚柔耦合机械臂的运动学建模、运动规划和力感知控制设计。最后在口腔模型和志愿者（10人）上对刚柔耦合机械臂系统性能进行了检验验证，并开展了机器人采集和人工采集的采样质量对比实验。实验结果表明，机器人采样的有效性达到100%。

本质安全的刚柔耦合机械臂设计

基于口腔模型和志愿者开展性能验证

        本文第一作者为 AIRS 研究助理章恒、王启文和池楚亮，目前章恒的研究方向包括软体机器人和医疗机器人，王启文和池楚亮的研究方向包括机器人系统的设计与控制。本文通讯作者陈勇全博士为 AIRS 无人系统研究中心主任，同时也是香港中文大学（深圳）机器人与智能制造研究院研究员。陈博士的研究方向包括机器人系统设计与控制、多智能体协同感知与控制、智能网联交通。

3. 辅助COVID-19口咽拭子采样的高冗余刚柔耦合机器人设计与控制 / Design and Control of a Highly Redundant Rigid–Flexible Coupling Robot to Assist the COVID-19 Oropharyngeal-Swab Sampling (RA-L)

        新型冠状病毒性肺炎（COVID-19）的爆发已导致全球范围内的死亡和发病。口咽拭子采样在世界范围内被广泛用于诊断 COVID-19。为了避免医护人员受到病毒的感染，我们开发了9自由度刚柔耦合机器人来协助 COVID-19 口咽拭子采样，该机器人有望降低风险，并使医护人员摆脱长期重复的采样工作。该机器人由视觉系统、UR5机械臂、微型气动执行器和力感知系统组成。与刚性采样机器人相比，所开发的力感刚柔耦合机器人可以以更安全、更柔软的方式简化口咽拭子采样程序。此外，还提出了一种基于变参数归零神经网络的优化方法，用于9自由度冗余机械臂的运动规划。所开发的机器人系统通过在口腔模型和志愿者上的口咽拭子采样进行了实验验证，取得了良好的实验效果。

9DOFs 冗余刚柔耦合机器人

高冗余刚柔耦合咽拭子机器人控制框架

        本文第一作者为 AIRS 客座博士生胡英柏和香港中文大学（深圳）一年级硕士研究生李坚，目前胡英柏博士的研究方向包括机器人系统的设计和控制，李坚的研究方向包括机器人系统的控制。本文通讯作者陈勇全博士为 AIRS 无人系统研究中心主任、香港中文大学（深圳）机器人与智能制造研究院研究员。陈博士的研究方向包括机器人系统设计与控制、多智能体协同感知与控制、智能网联交通。

全文链接：https://ieeexplore.ieee.org/document/9363527

* 特别鸣谢论文作者提供相关图文内容