ROS~2
PulseAugur coverage of ROS~2 — every cluster mentioning ROS~2 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的 ROS2 框架增强了多机器人系统的实时控制
研究人员开发了 multipanda_ros2，这是一个开源 ROS2 框架，专为多个 Franka Robotics 机械臂的实时控制而设计。该架构旨在通过保持 1kHz 的控制频率和实现精确的控制器切换来弥合仿真到现实的鸿沟。该框架集成了高保真 MuJoCo 仿真，并证明了现实世界中的惯性参数识别可以提高复杂机器人任务的力和力矩精度。
-
OpenRUA 使编码代理能够通过原生 ROS 2 接口控制机器人
研究人员推出 OpenRUA，一个新颖的系统，使现成的编码代理能够使用其原生 ROS 2 软件接口直接控制机器人。这种方法通过仅向代理提供终端访问，将机器人控制视为一个实时软件项目，从而绕过了对复杂、定制化工具的需求。OpenRUA 在 CaP-Bench 和 LIBERO-PRO 等基准测试中取得了很高的成功率，证明代理可以自发地开发视觉运动策略、处理感官输入，并在没有任务特定训练的情况下构建操作控制程序。
-
VPEngine框架将机器人视觉推理速度提升3倍
研究人员开发了VPEngine，一个旨在优化机器人视觉任务GPU使用的新型框架。该系统利用共享的基础模型提取图像表示，然后将其高效地分发给多个并行运行的专用任务头。这种方法避免了冗余计算和内存开销，与顺序模型执行相比，速度最高可提升3倍。VPEngine是开源的，用Python编写，并带有ROS2 C++绑定，已在NVIDIA Jetson Orin AGX上展示了实时性能。
-
新的FMAPPO方法增强了工厂中机器人的协调性和安全性
研究人员开发了一种名为特征融合多智能体近端策略优化（FMAPPO）的新型多智能体强化学习方法，用于协调工业环境中的机器人。该方法将传感器数据与任务特定信息相结合，实现了安全、去中心化的任务分配和导航。在仿真和实体机器人上的实验表明，FMAPPO优于现有方法，在效率和安全性方面取得了显著改进，包括零件交付量增加了106%，碰撞次数减少了18%。
-
Adaptive Bridge系统缓解ROS 2 DDS背压
研究人员开发了一个名为“Adaptive Bridge”的系统，旨在缓解使用数据分发服务（DDS）的Robot Operating System 2（ROS 2）环境中的背压问题。该代理层通过拆分主题和实施动态速率控制，将关键订阅者与受损或非关键订阅者分离开来。通过将消息重新发布到关键节点的可靠写入器和其他节点的尽力而为写入器，该系统可以防止单个慢速订阅者影响整个网络的性能。评估表明，即使在模拟的网络故障下，关键订阅者的延迟也从几秒显…
-
新的零信任框架增强机器人集群网络安全
研究人员开发了一个新的网络安全框架，旨在增强在关键任务中运行的机器人集群的安全性。该框架集成了基于硬件的信任（使用 Trusted Platform Module 2.0）、集中监控（使用 ELK Stack 和 Kismet）以及新颖的包间延迟 (IPD) 时序水印。该系统在 ROS 2 移动测试平台上针对各种漏洞进行了测试，通过分析 IPD 水印的统计峰度，有效地检测隐蔽的中间人攻击，在不影响有效载荷的情况下实现了完全检测准确率。
-
新框架提升自动驾驶汽车抗干扰能力
研究人员开发了一个新框架，以增强自动驾驶汽车控制系统在对抗性干扰下的弹性。该系统结合了物理层的频谱感知和网络层的路由优化，以保护ROS2等中间件。通过提取频谱描述符并使用随机森林分类器，该系统能够适应环境变化并保持双物理接口以实现瞬时故障转移，将通信恢复时间平均缩短至141毫秒，并显著降低了路径跟踪误差。
-
Petoi 为紧凑型四足机器人 Quaddle 启动众筹
Petoi 已在 Kickstarter 上为其新款掌上四足机器人 Quaddle 发起众筹活动。该机器人通过总共仅使用四个伺服电机，以及一种名为 MiniDoF 的新型腿部设计（允许单个电机同时驱动肩部和膝部关节）而脱颖而出。Quaddle 模块化设计，比该公司之前的 Bittle 机器人更小，并提供三种不同功能配置的型号，包括 AI 功能和红外传感器。编程选项包括块状编程环境、Python、Arduino 和 ROS 2，并具有一…
-
Hydra方法实现了无标记手眼标定，精度有所提高
研究人员开发了一种新的无标记手眼标定方法Hydra，该方法利用RGB-D成像和一种新颖的迭代最近点（ICP）算法。该方法在李代数上构建了一个鲁棒的点对面目标，实现了约90%的成功标定率，与现有方法相比，收敛速度更快，收敛时间更短。Hydra的精度有所提高，任务空间误差为5毫米，而经典方法的误差为7毫米，并且其相关的代码和数据集已开源。
-
Hebbian Robotics 推出 HFlow 以构建可扩展的机器人数据管道
Hebbian Robotics 推出了 HFlow，这是一个开源 SDK，旨在简化机器人和物理 AI 开发的数据管道管理。该工具旨在简化收集、摄取、整理和交付多模态数据的复杂过程，而这通常是团队的一个重大瓶颈。HFlow 支持 MCAP 格式以实现高效的数据存储和检索，并允许用户在不进行大量重写的情况下集成现有的 Python 处理代码。
-
使用 Kotlin、LLM 和 Android 构建语音控制机器人
本教程详细介绍了如何使用 Android 上的 Kotlin 和 LLM 构建语音控制机器人。该系统捕获语音，通过 LLM 进行意图解析，并将其转换为结构化的机器人命令。一个关键的安全层在将命令发送到机器人之前对其进行验证，确保 LLM 不会直接控制关键功能。该架构支持云端和离线 LLM 推理，强调分层控制以确保安全。
-
机器人公司面临算力激增10倍，转向云以提高研发效率
在过去两年中，机器人公司的计算需求增长了十倍，这得益于大型模型的集成，使机器人能够理解和推理。这种激增要求从传统的本地硬件转向基于云的解决方案，以实现高效开发。阿里云的“无影灵骥”平台提供云工作站，具备弹性计算资源、标准化开发环境和优化的3D仿真能力，旨在降低机器人研发的成本并提高部署效率。
-
OpenArm原型通过表示切换推进具身AI
研究人员开发了一种用于实验室任务的移动操作原型，将双OpenArm机械臂与移动底座和各种传感器集成在一起。该系统依靠“表示切换”将自然语言请求转换为可执行动作，将传感器观测结果接地为可用数据，并确保机器人安全。这种方法旨在简化语言、感知、规划和安全在具身AI系统中的集成，同时也突出了实际部署的障碍，如校准问题和不完整的对象识别。
-
新方法通过知识图谱增强自主机器人
研究人员开发了一种将知识图谱集成到ROS 2系统中的新方法，以改进自主机器人任务。该方法包括定义任务参数、构建任务、规划序列以及在知识图谱中表示数据。使用Aerostack2框架进行的模拟搜索和救援任务证明了该方法在增强机器人决策和性能方面的有效性。
-
宇帆智能在WAIC上发布可进行720°后空翻的赛博灵机器人
宇帆智能在2026世界人工智能大会（WAIC）上发布了其新型四足机器人赛博灵“灵猫”。该机器人是全球首个能够完成720°连续后空翻的机器人。赛博灵“灵猫”采用了独特的双大脑架构，搭载Orin处理器和自主研发的Manas AI进行决策和毫秒级运动控制，并配备了AI驱动的关节控制技术，可实现运动参数的自进化。
-
新的控制质量框架增强机器人导航
本文介绍了一个扩展的控制质量（QoC）框架，以解决由不可靠的无线网络引起的协同机器人导航中的挑战。该研究对网络条件对闭环性能的端到端影响进行了建模，并探讨了控制参数如何影响延迟和可靠性。在私有5G测试台上进行的实验验证表明，在特定条件下，ROS 2中的RELIABLE服务质量（QoS）策略与尽力而为的传输相比，可以将QoC提高51.5%。
-
新框架通过因果诊断增强机器人安全性
研究人员开发了一种名为“干预因果电路”的新型框架，以提高机器人动作测试的安全性和效率。该方法通过在动作被拒绝时采用因果诊断，解决了传统运动参数测试的计算成本高和扩展性差的问题。系统不再盲目重采样，而是识别导致失败的特定动作参数，并建议校正值以最大化测试通过的概率。在ROS2仿真环境中进行的实验表明，该框架可将失败尝试减少多达37%，并提供可解释的因果报告供操作员监督。
-
NVIDIA Isaac ROS 通过开源模块加速机器人开发
NVIDIA 正在增强其 Isaac ROS（机器人操作系统）平台，以加速自主机器人的开发。该团队由 Jaiveer Singh 领导，专注于提供模块化、开源的软件包，这些软件包集成了 NVIDIA 的 Jetson 和 CUDA 库等硬件。这种方法旨在通过允许开发人员轻松地将现有的 ROS 代码与 NVIDIA 的加速计算和 AI 模型相结合并进行改编，从而在构建从移动机器人到人形机器人等复杂机器人应用时，给予开发人员更大的信心和灵活性。
-
开源 Oomwoo 机器人吸尘器可 3D 打印并离线运行
Maker's Pet 推出了 Oomwoo，这是一款开源机器人吸尘器，用户可以自行 3D 打印和组装。该项目优先考虑离线运行以规避云安全风险，使用了 Raspberry Pi、2D LiDAR 和 3D 打印底盘等组件。该计划旨在促进社区参与，并将很快发布材料清单和可打印文件，同时还提供可选的便利套件。
-
新的“RIPA”攻击通过感官数据针对LLM控制的机器人
研究人员开发了RIPA，一种用于测试LLM控制的机器人提示注入攻击的新颖方法。该研究评估了五种不同的LLM，包括DeepSeek-V4-Flash、Llama-3-8B-Instruct-Lite、Llama-3.3-70B-Instruct-Turbo、Qwen 2.5-7B-Instruct-Turbo和Gemma-3n-E4B，涵盖了各种参数规模。研究结果表明，漏洞是模型特定的，而不是依赖于规模，其中Llama-3.3-70B-…