自主移动机器人的关键技术包括感知、状态估计、决策、规划与控制，如何利用有限的机载感知与计算能力，实现复杂场景中任务与感知驱动的自主运动，仍面临诸多挑战问题。实验室围绕移动机器人自主探索未知环境、无人机自主飞行与空中操作、可驱动脊椎的四足机器人等问题开展了研究。
无人机自主视觉抓取
Autonomous Vision-Based Aerial Grasping for Rotorcraft Unmanned Aerial Vehicles
本文提出了一种基于视觉的无人机空中抓取系统，使用单目相机、三自由度机械臂和低成本嵌入式计算平台实现目标物体的检测、跟踪与抓取。方法在视觉上结合频率调谐显著性检测与相关滤波进行目标检测与跟踪，并通过支持向量回归估计抓取位置，以提升抓取成功率。在控制层面，将抓取过程分为接近与抓取两个阶段，设计了高效的非线性控制律与PID控制器，保证无人机和机械臂的稳定协同操作。通过仿真和户外飞行实验验证了系统在实时性和鲁棒性上的有效性，为无人机自主空中操作提供了可行方案
Lishan Lin, Yuji Yang, Hui Cheng, Xuechen Chen
Sensors
可更换机械臂的无人机操控
Control of an Aerial Manipulator Using a Quadrotor with a Replaceable Robotic Arm
本文提出了一种适用于搭载可更换机械臂的四旋翼无人机操控方法。研究将飞行器与机械臂分散建模，通过分析机械臂运动引起的质心变化，建立动态模型。基于该模型，设计了线性模型预测控制（LMPC）与前馈控制器相结合的方案：LMPC保证无人机的轨迹跟踪，前馈控制则补偿机械臂运动带来的扰动。实验平台上搭载了两种不同的轻量化机械臂，验证了所提方法在保持无人机稳定悬停和执行抓取任务中的有效性，体现了控制策略的灵活性和通用性
Zizhen Ouyang, Ruidong Mei, Zisen Liu, Mingxin Wei, Zida Zhou, Hui Cheng
IEEE ICRA
多任务空中操作的鲁棒节能控制
Robust and Energy-Efficient Control for Multi-task Aerial Manipulation with Automatic Arm-switching
本文提出了一种适用于多任务空中操作的鲁棒且节能的控制框架，能够在无人机执行不同操作任务时实现机械臂的自动切换。方法通过将系统简化为质点与弹簧模型，利用机械臂运动产生的扰动作为飞行助力，从而生成节能的轨迹。控制部分结合深度神经网络学习不同机械臂和环境交互造成的扰动，实现无需人工调参的自适应控制。大量真实实验（包括钉 peg、悬挂标牌和空中更换机械臂）验证了该方法在能耗优化与扰动抑制方面的有效性
Ying Wu, Zida Zhou, Mingxin Wei, Hui Cheng
IEEE ICRA
空中操作系统风场翻转的全身规划控制
Learning Variable Whole-Body Control for Agile Aerial Manipulation in Strong Winds
在高风险户外场景中，空中操作可替代人力劳动，但复杂多变的环境要求系统快速响应外界干扰。为此，我们提出基于学习的可变全身模型预测控制器。它通过线性化高耦合动力学模型并实时更新参数，在不牺牲精度的同时提升计算效率，还将高斯过程预测的干扰值融入线性模型，结合机械臂运动应对干扰。此外，利用策略搜索技术训练高层策略，为底层控制器确定最优决策变量。风洞环境下的抗扰动和翻转实验证明该控制器在强风扰(12.5 m/s)下稳定有效提高无人操作系统的敏捷性
Ying Wu, Zida Zhou, Mingxin Wei, Lijie Xie, Renming Liu, Hui Cheng
IEEE ICRA
RM-Planner 移动操作规划
RM-Planner: Integrating Reinforcement Learning with Whole-Body Model Predictive Control for Mobile Manipulation
本文提出了RM-Planner，一种结合强化学习与全身模型预测控制（MPC）的分层规划方法，用于复杂环境下的移动操作。高层策略基于强化学习，利用语义图像、三维点云和任务向量生成最优子目标；低层规划器采用全身MPC生成安全高效的关节控制指令。该方法引入最大覆盖奖励和碰撞气泡奖励，提升交互效率与安全性，并通过课程学习缓解长时序稀疏奖励问题。在仿真与真实机器人实验中，RM-Planner在开门、物体搬运等任务中均显著优于现有方法，实现了零样本迁移能力
Zixuan Zhuang, Le Zheng, Wanyue Li, Renming Liu, Peng Lu, Hui Cheng
IEEE ICRA
地面移动机器人自主探索未知环境
FAEL: Fast Autonomous Exploration for Large-scale Environments With a Mobile Robot
本文提出了一种适用于大尺度未知环境的快速自主探索框架。方法包括环境信息的快速预处理、高效的路径优化模型，以及结合启发式算法的近似最优求解策略。在保证实时性的同时，能够显著提升探索效率并减少运动距离。实验证明，FAEL 在多个基准环境中均优于主流方法
Junlong Huang, Boyu Zhou, Zhengping Fan, Yilin Zhu, Yingrui Jie, Longwei Li, Hui Cheng
IEEE RAL
基于视区划分的无人机自主探索方法
VRExplorer: An Efficient View-Region Based Autonomous Exploration Method in Unknown Environments for UAV
本文提出一种基于视区划分的无人机自主探索方法，将未知空间划分为多个视区，并根据各自的信息增益进行评估和选择。无人机优先访问高价值视区，提高探索效率。方法还支持空地协同场景，由无人机生成粗略鸟瞰信息指导地面机器人进行局部细化探索。实验表明该方法在覆盖率和效率上有显著优势
Kai Xu, Lanxiang Zheng, Mingxin Wei, Hui Cheng
IEEE IROS
用于移动操作臂的具备可行性感知聚焦区域的采样式路径规划与稳健轨迹优化
SR-Planner: Sampling-Based Path Planning with Feasibility-Aware Focus Regions and Robust Trajectory Optimization for Mobile Manipulator
高维度与复杂约束的存在使移动操作臂的高质量运动规划依然是一项具有挑战性的任务。尽管现有方法在特定场景中表现良好，但在密集或结构不规则的环境中，其效率以及生成路径与轨迹的质量常常会显著下降。 本文提出了一个统一的移动操作臂运动规划框架。该框架包含两个部分：一种基于采样、利用可行性感知聚焦区域以高效生成路径的路径规划器，以及一种 WA-QN 优化器，它通过自适应地过滤与聚合曲率信息来增强在高维空间中的收敛性能。 在仿真与真实世界场景中的全面实验表明，我们的方法在规划速度、成功率以及路径和轨迹质量等方面均实现了显著提升，并在多样化环境中展现出良好的泛化能力
Shuhang Wang, Le Zheng, Yiming Zeng, Hui Cheng
IEEE RAL
学习高效探索：面向机器人自主探索的异构拓扑图与轻量级全局推理
Learning to Explore Efficiently: Heterogeneous Topological Graphs and Lightweight Global Reasoning for Robotic Exploration
针对大规模未知环境中的自主探索挑战，本文提出了一个轻量高效的图推理探索框架，该框架集成了异构拓扑图表征、轻量全局-局部图推理和强化学习。它通过引入紧凑的异构拓扑图来编码关键信息并降低地图复杂性。其核心是新颖的混合推理模块，结合线性全局注意力机制和局部图卷积，实现了高效推理，平衡了长距离探索和局部覆盖。同时，作者设计了一个极简奖励函数配合课程学习来增强训练稳定性和泛化能力。广泛的实验证明，该方法在保持低计算开销的同时，比现有基线将探索时间缩短高达 14.5%，路径长度减少 18.8%，有效提升了机器人探索的效率和质量
Zhi Li, Kairao Zheng, Yiqing Yuan, Junlong Huang, Xiaoxun Zhang, Jinze Wu, Hui Cheng
IEEE RAL
