IEEE RA-L 机械臂操纵实时规划方法-度量科技

反应式智能是机器人在杂乱、动态、以人为中心的环境中实现多样化操作的基础之一。在以人类为中心的场景中，现有的势场方法对环境的简化表示会导致路径过于保守、参数调整繁琐、计算开销过大——甚至无法满足实时性需求。

针对这一挑战，诺丁汉大学助理教授Luis Figueredo提出了一种反应式运动规划框架——几何势场（GeoPF），并在IEEE RA-L期刊上发表论文。结果表明，本文提出的GeoPF方法在计算效率、调参简便性和避障性能方面均取得了显著提升。

研究利用NOKOV度量动作捕捉系统实时追踪障碍物的位置与几何特性，并将这些检测结果拟合为几何原语。度量动捕充当环境感知与几何建模的基础角色，是将真实世界中的障碍物转化为几何参数的关键桥梁。

苏黎世大学RPG实验室：动作捕捉为无人机状态反馈提供位姿数据

在Davide Scaramuzza教授领导的苏黎世大学Robotics and Perception Group，NOKOV度量动作捕捉系统实时提供无人机位姿数据，用于无人机状态反馈。

Science Robotics丨人形机器人踢足球：依靠机载视觉学习反应式足球技能

清华大学赵明国研究员团队团队在Science Robotics发表人形机器人视觉踢球研究，通过强化学习实现反应式足球技能。NOKOV度量动作捕捉系统采集人体踢球动作及机器人、足球位置真值，为AMP参考运动数据和虚拟感知系统建模提供数据支持。

山东大学T-ASE研究：动作捕捉系统采集人类示范数据，DM-KMP与多智能体强化学习实现五指灵巧手协同抓取

山东大学控制科学与工程学院李可教授团队提出了面向仿人五指灵巧手抓取的统一学习框架。该研究将人类示范轨迹生成与多智能体强化学习相结合：NOKOV度量动作捕捉系统用于采集自然五指抓取运动，DM-KMP从有限示范中生成期望关节轨迹，PWS-MADDPG进一步学习多指协同抓取策略。研究结果显示PWS-MADDPG 在 11 类物体上的平均抓取成功率为 85.48%。

仿生五自由度折纸脊柱外骨骼：三维运动数据验证运动透明性

合肥工业大学、西安电子科技大学、英国提赛德大学和香港理工大学研究团队提出仿生五自由度折纸机构，并据此开发主动式折纸脊柱辅助外骨骼OSAE，用于在对称和非对称举升中适应人体脊柱运动并提供辅助。研究团队使用NOKOV度量动作捕捉系统采集受试者上半身三维运动数据，比较穿戴与未穿戴OSAE时前屈、侧屈和轴向旋转的躯干活动范围，验证OSAE系统的运动透明性。

IEEE RA-L 机械臂操纵 实时规划方法