跳到正文
只看硬件本体
10月22日周四
  4. IT之家85

    特斯拉开始生产Optimus人形机器人

    特斯拉在弗里蒙特工厂启动擎天柱人形机器人的大批量生产，马斯克表示达到周产2万台目标仍需约一年或更久。特斯拉已拆除原Model S和Model X产线为Optimus腾出场地，并计划将AI5芯片集成到机器人上，预计2027年底解决剩余设计问题后对外供应。

    推荐理由：特斯拉启动擎天柱量产，但周产2万台目标仍需一年以上，产能爬坡的细节调试与供应链限制是关键瓶颈。

  5. TechCrunch · Robotics75

    特斯拉在加州启动Optimus机器人生产，利润下滑43%

    特斯拉已在加州弗里蒙特工厂启动Optimus人形机器人生产，首批为量产质量机器人，CEO马斯克称此为早期生产，预计到2027年底每周可生产2万台。与此同时，公司第三季度利润下滑43%，主要因在Optus机器人、AI和自动驾驶领域投入增加。

    推荐理由：特斯拉在利润下滑43%背景下启动人形机器人量产，激进押注AI与机器人能否扭转局面是最大看点。

  16. arXiv · cs.RO75

    A2I-Calib++：面向足式机器人全身多IMU系统的运动学驱动抗噪声主动校准框架

    Fangyu Jiang提出A2I-Calib++框架，专为足式机器人全身多IMU系统设计，通过时间相关搜索和解析空间与偏差估计，无需人工校准目标或复杂参数调校即可估计时间偏移、外旋平移和惯性偏差。

    推荐理由：通过运动学驱动抗噪声主动校准框架，解决了足式机器人多IMU系统在常规运动中激励不足的问题。

  17. arXiv · cs.RO65

    基于距离场驱动的强化学习实现反应式鲁棒碰撞避免

    本文提出了一种将欧几里得距离场(EDF)直接集成到观察空间的强化学习框架，在7自由度冗余机械臂上验证了该方法的有效性。该方法实现了从仿真到实体的零样本迁移，尽管仅使用随机静态物体进行训练，部署后的策略能够泛化到未见过的真实环境，并表现出对动态障碍物的鲁棒在线避障能力。

    推荐理由：将欧几里得距离场直接融入观察空间，实现了从仿真到实体的零样本迁移，为复杂环境中的实时避障提供了新思路。

  18. arXiv · cs.RO65

    线性扭动侧向爬行步态：可扭动机器人在复杂地形上的运动规划

    Qingling Fan提出了一种新的线性扭动侧向爬行步态，通过将工作负载分散至整个机器人身体，使单个扭动关节的峰值输出功率降低42%。实验表明，新步态可在传统方法无法适应的地形上移动，并且比无扭动的传统侧向爬行速度快49%。

    推荐理由：线性扭动侧向爬行步态将机器人工作负载分散至全身，解决了传统方法中电机过载问题。

  19. arXiv · cs.RO65

    S-Rolling：可转向滚动步态用于可扭转蛇机器人在低空间环境中的移动

    Qingling Fan提出S-rolling步态，通过S形平面曲线设计结合低扫掠高度移动与平面机动性，使蛇机器人在10cm间隙环境中实现90°和180°精确转向。该研究推导了关节空间步态方程，开发了准静态运动学模型，并通过实物实验验证了各种运动模式。

    推荐理由：S-rolling通过S形平面曲线设计解决了蛇机器人在低空间环境中的转向难题，实现了90°和180°的精确转向。

  20. arXiv · cs.RO65

    Make it Walk: 乐高步行机器人的计算设计

    该论文提出了一种计算方法，设计出不仅能够稳定行走，还支持多种步态的乐高步行机器人。研究通过特定的齿轮-连杆机构控制每条腿的运动轨迹，并使用独立电机驱动各腿，通过简单可适应的控制算法同步多腿运动，实现了稳定且多样化的运动。基于此方法，研究人员创建了多种乐高步行机器人，展示了不同的步态和外观，并制作了部分实物以验证其在现实世界中的运动能力。

    推荐理由：通过齿轮-连杆机构与独立电机驱动，首次实现可变步态的乐高步行机器人设计，为模块化机器人提供了新思路。

  22. arXiv · cs.RO65

    基于本体感觉的在线接触估计：流匹配与粒子滤波混合方法

    本文提出ContactFlowFilter方法，结合流匹配模型与粒子滤波框架，用于机器人接触估计。该方法在单接触和双接触场景下分别实现0.36厘米和0.88厘米的误差，处理时间仅需0.69毫秒和2.69毫秒。研究通过仿真和真实实验验证了该方法的有效性。

    推荐理由：将流匹配与粒子滤波结合，解决了机器人本体感觉接触估计中的多模态和离散事件难题，误差低至0.36厘米。

  24. arXiv · cs.RO75

    端到端强化学习实现四足机器人在月球重力下的跳跃

    Levin Müller 等人提出一种多阶段强化学习方法，为四足机器人生成端到端控制策略，实现在月球重力下的精准点对点跳跃。该方法在模拟中实现了小于机器人机身尺寸的着陆误差，并在硬件转移实验中成功执行了月球重力减载下的垂直跳跃。

    推荐理由：端到端强化学习让四足机器人在月球重力下实现精准跳跃，为行星探索提供新可能。