面向重型机械装置的安全可靠机器人化的鲁棒深度学习控制
计算与语言
2025-12-30 v1
摘要
当今的重型便携式机器（HDMMs）面临两个转型：从柴油-液压驱动向以气候目标为导向的清洁电动系统的转型，以及从人类监督向更大自主性的转型。柴油-液压系统长期主导市场，因此通过直接替换或重新设计实现全电化化带来重大的技术和经济挑战。虽然先进的人工智能（AI）可实现更高的自主性，但在 HDMMs 中采用受严格安全要求限制，此类机器仍高度依赖人类监督。本论文发展了一种控制框架：（1）通过一种与能源源无关且支持未来修改的通用模块化方法，简化了电动 HDMMs 的控制设计；（2）定义层次化控制策略，部分集成 AI 同时保证安全定义的性能和稳定性。五个研究问题与三条调查线索相吻合：针对跨能源源和驱动类型的多体 HDMMs 的通用鲁棒控制策略；在不确定性和故障下保持严格性能的控制解决方案，同时平衡鲁棒性和响应性；以及解释和信任黑箱学习策略的方法，以便稳定集成并符合国际安全标准进行验证。该框架在覆盖不同执行器和条件的三个案例研究中得到验证，包括重型便携式机器人和机器人操作臂。结果发表于五篇同行评审出版物和一篇未发表的手稿中，推动了非线性控制和机器人技术的发展，支持这两个转型。
引用
@article{arxiv.2512.23504,
title = {Automatic Detection of Complex Quotation Patterns in Aggadic Literature},
author = {Hadar Miller and Tsvi Kuflik and Moshe Lavee},
journal= {arXiv preprint arXiv:2512.23504},
year = {2025}
}
备注
This paper is under review at Cogent Arts & Humanities