雲機器人（Cloud Robotics）是雲計算和機器人的交叉學科並且是機器人領域的一個重大熱點新方向，它運用雲計算的強大運算和存儲能力，給機器人提供一個更智能的“大腦”，在增強單個機器人的能力，執行提供複雜功能任務和服務的同時，還可以支持分佈在世界各地、具有不同能力的機器人高效開展合作，共享信息資源，從而完成更大、更復雜的任務，並在根本上改變傳統機器人過分依賴手工編程的侷限性。
近年來，雲機器人被視爲突破機器人大規模應用技術瓶頸的一種新的重要手段，以及被視爲是實施“智能製造2025”行動、推動我國邁入製造強國行列的重要技術。雲機器人的巨大優勢和潛力吸引了國內外各大公司和研究機構的關注，引發了學術界和工程界對雲機器人的研究熱潮。雲機器人主要應用在移動機器人（無人駕駛/自動駕駛）、醫療護理機器人、家用機器人與智能家居、老年輔助、工業機器人等領域。雲機器人的研究與實現將廣泛擴展機器人的應用領域，加速和簡化機器人系統的開發過程，降低機器人的構造和使用成本。比如，在雲端可以建立機器人的“大腦”，包含知識庫、深度學習、雲輔助的圖像識別和語音識別、移動機器人導航（如Google街景、語義環境模型、水下環境模型庫）、大規模協作、任務規劃、模塊化機器人平臺、職業機器人系統等。
針對雲機器人領域，利用AMiner平臺，篩選並推薦了近百篇經典必讀論文。在AMiner推出的“雲機器人”必讀論文專題中，通過“一鍵綜述”、“智能論文精讀”等工具，可以有效幫助科研人員高效閱讀這些論文。以下推薦該領域的引用量較高的10篇論文，幫助你快速瞭解雲機器人最新的研究概況。
1.3D is here: Point Cloud Library (PCL)
作者：Radu Bogdan Rusu、Steve Cousins
隨着新的低成本3D傳感硬件（例如Kinect）的出現，以及在高級點雲處理方面的不斷努力，3D感知在機器人技術以及其他領域中的重要性越來越高。 該文主要介紹了在點雲感知領域的最新舉措之一：PCL。 PCL爲3D感知主題提供了一種先進而廣泛的方法，旨在爲應用程序所需的所有常見3D構建塊提供支持。 該庫包含用於以下方面的最新算法：過濾，特徵估計，表面重建，配準，模型擬合和分段。
2. OctoMap: an efficient probabilistic 3D mapping framework based on octrees
作者：Armin Hornung、Kai M. Wurm、Maren Bennewitz、Cyrill Stachniss、Wolfram Burgard
三維模型提供了空間的體積表示形式，這對於各種機器人應用（包括飛行機器人和配備機械手的機器人）都很重要。 該文提出了一個開放源代碼框架來生成體積3D環境模型。其映射方法基於八叉樹，並使用概率佔用估計。 它不僅明確表示了佔用的空間，而且還表示了空閒和未知的區域。 同時使用一種八叉樹地圖壓縮方法，可以使3D模型保持緊湊。框架可以作爲開源C ++庫使用，並且已經成功應用於多個機器人項目中。
3. Design, fabrication and control of soft robots
作者：Daniela Rus
該文討論了軟機器人新興領域的最新發展。可以通過使用用於空間軟流體彈性體操縱器的新動態模型，用於識別所有未知系統參數的方法以及通過迭代學習控制來計算局部最優動態操縱的計劃算法，來實現軟機器人的動態控制。軟系統在抓取和操縱未知物體方面比剛性機器人具有天生的優勢，因爲軟抓手的柔韌性使其可以通過簡單的控制方案適應各種物體。
4. Implementing Smart Factory of Industrie 4.0: An Outlook
作者：Shiyong Wang、Jiafu Wan (萬加富)、Di Li (李迪)、Chunhua Zhang
隨着物聯網和服務在製造業中的應用，被稱爲工業4.0的第四階段工業化正在逼近。爲了實現工業4.0，必須實現公司間價值網絡的橫向整合，工程價值鏈的端到端整合以及工廠內部的縱向整合。本文專注於垂直集成，以實現靈活且可重新配置的智能工廠。首先提出一個簡短的框架，該框架將工業無線網絡，雲以及固定或移動終端與智能工件（例如機器，產品和輸送機）結合在一起。然後，從控制工程的角度詳細闡述了運行機制，即，智能工件形成了一個自組織系統，該系統由在雲上基於大數據分析實現的反饋和協調塊協助。
作者：Koji Kamei、Shuichi Nishio、Norihiro Hagita、Miki Sato
本文提出了一個名爲Cloud Networked Robotics的新研究領域，該領域通過抽象化機器人設備並提供一種利用這些設備的方法，以連續，無縫的方式解決了支持各地（尤其是老年人和殘疾人）日常活動的問題。隨着機器人開發環境和集成多機器人系統的最新發展，機器人獲得了更豐富的功能，並且機器人系統的開發變得越來越容易。但是，這種獨立的機器人服務不足以連續，無縫地支持日常活動。通過針對老年人和殘疾人的示例方案來研究典型的日常支持服務中的要求。基於這些要求，討論了雲網絡機器人技術中的關鍵研究問題。作爲案例研究，在購物中心進行的一項現場實驗表明，提出的雲網絡機器人原型基礎架構如何使多地點機器人服務爲生命提供支持。
6. Rapyuta: A Cloud Robotics Platform
作者：Gajamohan Mohanarajah、Dominique Hunziker、Raffaello D'Andrea、Markus Waibel
本文介紹了開源雲機器人平臺Rapyuta的設計和實現。 Rapyuta通過在雲中提供安全的可定製計算環境來幫助機器人減輕繁重的計算負擔。計算環境還允許機器人輕鬆訪問RoboEarth知識庫。此外，這些計算環境緊密互連，爲部署機器人團隊鋪平了道路。
7. Physical Human Activity Recognition Using Wearable Sensors
作者：ferhat attal、samer mohammed、mariam dedabrishvili、faicel chamroukhi、latifa oukhellou、yacine amirat
本文介紹了用於從可穿戴慣性傳感器數據中識別人類活動的不同分類技術。在這項研究中使用了三個慣性傳感器單元，健康受試者在上/下肢的關鍵點（胸部，右大腿和左腳踝）佩戴了這些慣性傳感器單元。三個主要步驟描述了活動識別過程：傳感器的放置，數據預處理和數據分類。四種監督分類技術，即k最近鄰（k-NN），支持向量機（SVM），高斯混合模型（GMM）和隨機森林（RF），以及三種無監督分類技術，即k-均值，高斯混合模型（GMM）和隱馬爾可夫模型（HMM）在正確分類率，F量度，召回率，精確度和特異性方面進行了比較。原始數據和提取的特徵分別用作每個分類器的輸入。使用基於RF算法的包裝方法執行特徵選擇。根據我們的實驗，獲得的結果表明，與其他監督分類算法相比，k-NN分類器提供了最佳性能，而HMM分類器是無監督分類算法中提供最佳結果的分類器。這種比較突出顯示了在有監督和無監督的情況下哪種方法可以提供更好的性能。
8. Randomized Kinodynamic Planning
作者：Steven M. Lavalle、James J. Kuffner Jr.
該文提出了一種將隨機技術應用於運動動力學規劃問題的應用。他們的算法在高維狀態空間中構造了快速探索隨機樹（RRT），該樹既包含基於物理的系統動力學產生的一階約束，又包括由於環境中的障礙而引起的全局運動約束。通過結合並同時解決在配置空間中找到基本路徑並找到滿足系統動態特性的控制器，同時利用隨機技術的優勢，可以有效地計算出在混亂環境中運行的各種系統的軌跡。
9. RRT-Connect: An Efficient Approach to Single-Query Path Planning
作者：James J. Kuffner Jr、Steven M. Lavalle
該文提出了一種簡單有效的隨機算法來解決高維配置空間中的單查詢路徑規劃問題。 該方法通過逐步構建以起點和目標配置爲根的兩個快速探索隨機樹（RRT）來工作。每棵樹都探索周圍的空間，並通過使用簡單的貪婪啓發式方法互相推進。 儘管最初設計用於計劃用於無碰撞抓取和操縱任務的自動圖形動畫的人體手臂（建模爲7自由度運動學鏈）的運動，但該算法已成功應用於各種路徑規劃問題。 計算示例包括在2D和3D中爲剛性對象生成無碰撞運動，以及在3D工作區中爲6 DOF PUMA手臂生成無碰撞操縱運動，同時還提供了一些基本的理論分析。
10. Fast point feature histograms (FPFH) for 3D registration
作者：Radu Bogdan Rusu、Nico Blodow、Michael Beetz
該文提出了點特徵直方圖（PFH）作爲多維特徵，描述了3D點雲數據集在點p周圍的局部幾何形狀。在本文中，修改了它們的數學表達式，並對重疊點雲視圖的3D配準問題對其魯棒性和複雜性進行了嚴格的分析。同時提出了幾種優化方法，它們可以通過緩存先前計算的值或通過修改其理論公式來大大減少其計算時間。後者導致了一種新型的局部特徵，稱爲快速點特徵直方圖（FPFH），它保留了PFH的大部分判別能力。此外，還提出了一種用於實時應用的FPFH功能在線計算的算法。爲了驗證結果，證明它們在3D配準中的效率，提出了一種基於樣本共識的新方法，該方法將兩個數據集引入本地非線性優化程序的收斂盆地：SAC-IA（樣本共識初始對準）。
相關閱讀推薦：