Energy based control methods are at the core of modern robotic control algorithms. In this paper we present a general approach to virtual model/mechanism control, which is a powerful design tool to create energy based controllers. We present two novel virtual-mechanisms designed for robotic minimally invasive surgery, which control the position of a surgical instrument while passing through an incision. To these virtual mechanisms we apply the parameter tuning method of Larby and Forni 2022, which optimizes for local performance while ensuring global stability.

Most impedance control schemes in robotics implement a desired passive impedance, allowing for stable interaction between the controlled robot and the environment. However, there is little guidance on the selection of the desired impedance. In general, finding the best stiffness and damping parameters is a challenging task. This paper contributes to this problem by connecting impedance control to robust control, with the goal of shaping the robot performances via feedback. We provide a method based on linear matrix inequalities with sparsity constraints to derive impedance controllers that satisfy a H-infinity performance criterion. Our controller guarantees passivity of the controlled robot and local performances near key poses.

In recent years, reinforcement learning (RL) has become increasingly successful in its application to science and the process of scientific discovery in general. However, while RL algorithms learn to solve increasingly complex problems, interpreting the solutions they provide becomes ever more challenging. In this work, we gain insights into an RL agent's learned behavior through a post-hoc analysis based on sequence mining and clustering. Specifically, frequent and compact subroutines, used by the agent to solve a given task, are distilled as gadgets and then grouped by various metrics. This process of gadget discovery develops in three stages: First, we use an RL agent to generate data, then, we employ a mining algorithm to extract gadgets and finally, the obtained gadgets are grouped by a density-based clustering algorithm. We demonstrate our method by applying it to two quantum-inspired RL environments. First, we consider simulated quantum optics experiments for the design of high-dimensional multipartite entangled states where the algorithm finds gadgets that correspond to modern interferometer setups. Second, we consider a circuit-based quantum computing environment where the algorithm discovers various gadgets for quantum information processing, such as quantum teleportation. This approach for analyzing the policy of a learned agent is agent and environment agnostic and can yield interesting insights into any agent's policy.

人类具有非凡的能力来传达和阅读对象的属性，只需看到它们被别人带走即可。人类可用的这种沟通技巧和解释水平对于协作机器人可以自然和有效的互动对于协作机器人至关重要。例如，假设机器人正在移交一个脆弱的对象。在这种情况下，应通过直接和隐性的信息，即通过直接调节机器人的行动来告知其脆弱性的人。这项工作调查了两个具有不同实施方案的机器人（一个ICUB类人体机器人和Baxter机器人）进行交流意图执行的对象操作的感知。我们设计了机器人的动作，以传达对象运输过程中的谨慎性。我们发现，人类观察者不仅可以正确地感知此功能，而且可以在随后的人类物体操纵中引起运动适应的一种形式。此外，我们可以深入了解哪些运动功能可能会或多或少地谨慎地操纵物体。

密切的人类机器人互动（HRI），尤其是在工业场景中，已经对结合人类和机器人技能的优势进行了广泛的研究。对于有效的HRI，应质疑当前可用的人机通信媒体或工具的有效性，并应探讨新的交流方式。本文提出了一个模块化体系结构，允许人类操作员通过不同的方式与机器人互动。特别是，我们使用智能手表和平板电脑分别实施了架构来分别处理手势和触摸屏输入。最后，我们在这两种方式之间进行了比较用户体验研究。

从事协作活动的人类自然能够通过多模式交流将其意图传达给队友，这是由明确和隐性的提示组成的。同样，可以通过使机器人能够通过多个沟通渠道将其意图传达给人类队友，从而实现更自然的人类机器人协作形式。在本文中，我们假设如果协作机器人能够以直观的方式将他们的动作预期到人类队友，则可以进行更好的沟通。为了支持这种说法，我们提出了一个机器人系统的架构，通过该架构，机器人可以通过该架构将计划的动作传达给人类队友，以利用由现代头部安装的显示器提供支持的混合现实接口。具体而言，在人类队友的角度叠加到真正的机器人的机器人全息图显示了机器人的未来运动，使人类可以事先理解它们，并可能以适当的方式对它们做出反应。我们进行了初步的用户研究，以评估复杂的协作任务中提出的预期可视化的有效性。实验结果表明，通过采用这种预期的沟通模式可以改善和自然的协作。

owloop是一个应用程序编程接口（API），用于通过面向对象编程（OOP）的方式使用本体Web语言（OWL）。使用OOP范例设计软件架构是常见的，以增加其模块化。如果架构的组件还用于知识表示和推理的OWL本体，则需要与OWL公理界面接口。由于猫头鹰不符合OOP范例，因此这种接口通常会导致影响模块化的样板代码，欧伦福旨在解决这个问题以及相关的计算方面。我们介绍了OWL-API的扩展，以提供猫头鹰公理之间的通用接口，而是经过推理和模块化OOP对象层次结构。

尽管Cobots具有高潜力，但在制造和后勤过程中带来了几个好处，但它们在不断变化环境中的快速（重新）部署仍然有限。为了实现快速适应新产品的需求，并提高人工人员对分配任务的适应性，我们提出了一种新的方法，可以优化装配策略，并在人机合作任务中分配工人之间的努力。合作模型利用和/或图表，我们适于解决角色分配问题。分配算法考虑在线计算的定量测量，以描述人工人工符的符合人体工程学状态和任务属性。我们进行了初步实验，以证明拟议的方法成功控制任务分配过程，以确保人工人工的安全和符合人体工程学条件。

当操纵对象时，人类将它们的动作精细调整到他们正在处理的特征。因此，细心观察者可以预见被操纵物体的隐藏性质，例如其重量，温度，甚至它是否需要特别注意操纵。这项研究是朝着赋予人类机器人的一步，这是一个最后的能力。具体而言，我们研究机器人如何从单独推断出在线推断，无论是人类伴侣在移动物体时都是小心的。我们表明，即使使用低分辨率摄像头，人形机器人也可以高精度地执行此推理（高达81.3％）。只有短暂的运动没有障碍，仔细识别不足。迅速识别出现谨慎观察合作伙伴的行动将使机器人能够适应对象的行为，以显示与人工合作伙伴相同程度的照顾。