本文介绍了经典机器人学中的一些关键主题，包括机器人表示法、旋转运动、坐标变换和速度变换，并强调这些主题对于现代机器人学中最新智能控制算法的重要性。

Nov, 2022

该论文介绍了一种通过捕捉物体的深度图像来获取其运动学模型的方法，以便于机器人能够独立使用这些物体，这种方法不需要先前的物体模型，并使用了稀疏（无标记）特征跟踪、运动分割、组件姿态估计和运动学习等技术。

Feb, 2015

本文研究了冗余系统的逆运动学问题，探讨了 13 种优化技术，并提出了一种新的方法，比传统的粒子群优化技术快 200 多倍，可能成为结合机器学习的探索能力和数值方法的开发能力的新的研究领域。

Jun, 2024

该研究提出了一种用于模拟动态图的概率框架，包括对边模型的参数化和非参数模型的建模，以及如何估算物体运动的结构和运动学模型以及其在机器人操作和移动操作中的应用。

Jan, 2014

本文对于三维空间内的四元数和旋转相关的概念和公式进行详尽的修订，并探讨了它们在估计引擎 (如误差状态 Kalman 滤波器) 中的正确使用。论文深入研究了旋转群及其李群结构，使用四元数和旋转矩阵进行公式推导，并对旋转扰动、导数和积分进行特别关注。论文的整体材料用于设计适用于 IMU 信号集成的实际应用的误差状态 Kalman 滤波器的精确公式。

Nov, 2017

该论文对神经动态运动原理进行文献综述，强调了深度学习对于动态运动原理的研究所带来的影响，并探讨了在机器人领域生产准确的轨迹和控制机器人动态参数的挑战。

Aug, 2022

通过数据驱动的学习方法，我们研究自主小型车辆的运动学模型，并观察其对运动规划（特别是自主漂移）的影响。我们基于惯性测量和执行命令来学习运动学规划器，以帮助我们了解世界状态。我们的研究主要关注漂移，并试图学习这些漂移动作的运动学模型，以及尝试减小车辆空转的滑动。我们的方法能够学习到高速圆形导航的运动学模型，并能够通过纠正松散漂移的曲率对高速漂移中的障碍物进行避让。我们将在未来的工作中调整我们的运动学模型以获得更好的紧急漂移效果。

Feb, 2024

本文提出了通过以设计、开发和数学建模机器人操纵器作为产业机器人，微控制器和电脑辅助设计三个学科的综合项目，应用基于项目的学习（ABP）来解决学生在课堂上仅使用传统工具计算机器人操纵器的正、逆运动学的困难。在设计和加工完成后，用舵机连接到一个微控制原型板上，组装了机械臂，然后计算其运动学。最后呈现了项目对导师和学生视角下的学科学习所带来的结果。

Mar, 2022

本研究提出了 Optim-FKD，一种新的机器人高速控制的公式，该公式利用学习的前向动力学（FKD）模型和非线性最小二乘优化，在实时控制任务中可以解决难以预测的动态影响。该公式在小型汽车上的实验结果表明，相比于基准方法，Optim-FKD 可以更精确地跟踪所需轨迹，并找到更好的最优控制解决方案。

Jun, 2022

该研究论文介绍了一种新颖的零射击运动规划方法，允许用户快速设计机器人在笛卡尔空间中平滑运动。该方法基于贝塞尔曲线的笛卡尔平面将其转化为关节空间轨迹，采用我们的神经启发式逆运动学（IK）方法 CycleIK，通过将其扩展到任意机器人设计，实现了平台独立性。该运动规划器在两个人形机器人 NICO 和 NICOL 的人机协作抓取场景中进行了评估。我们在核心上采用一个大型语言模型（LLM）作为其实体化代理，并将我们最初为 NICOL 引入的实体化代理推广到 NICO，并允许用户以口头方式指导不同的机器人执行一组离散的物理动作。我们为其动作空间贡献了一个抓取原始动作，可以精确操纵家庭物品。新的 CycleIK 方法在仿真中与流行的数值逆运动学求解器和最先进的神经逆运动学方法进行了比较，并在算法运行时间非常短的情况下表现出与或超过所有评估方法。该抓取原始动作在 NICOL 和 NICO 机器人上进行了评估，并分别报告了每个机器人的抓取成功率为 72％至 82％。

Apr, 2024