云机器人（Cloud Robotics）是云计算和机器人的交叉学科并且是机器人领域的一个重大热点新方向，它运用云计算的强大运算和存储能力，给机器人提供一个更智能的“大脑”，在增强单个机器人的能力，执行提供复杂功能任务和服务的同时，还可以支持分布在世界各地、具有不同能力的机器人高效开展合作，共享信息资源，从而完成更大、更复杂的任务，并在根本上改变传统机器人过分依赖手工编程的局限性。

近年来，云机器人被视为突破机器人大规模应用技术瓶颈的一种新的重要手段，以及被视为是实施“智能制造2025”行动、推动我国迈入制造强国行列的重要技术。云机器人的巨大优势和潜力吸引了国内外各大公司和研究机构的关注，引发了学术界和工程界对云机器人的研究热潮。云机器人主要应用在移动机器人（无人驾驶/自动驾驶）、医疗护理机器人、家用机器人与智能家居、老年辅助、工业机器人等领域。云机器人的研究与实现将广泛扩展机器人的应用领域，加速和简化机器人系统的开发过程，降低机器人的构造和使用成本。比如，在云端可以建立机器人的“大脑”，包含知识库、深度学习、云辅助的图像识别和语音识别、移动机器人导航（如Google街景、语义环境模型、水下环境模型库）、大规模协作、任务规划、模块化机器人平台、职业机器人系统等。

针对云机器人领域，利用AMiner平台，筛选并推荐了近百篇经典必读论文。在AMiner推出的“云机器人”必读论文专题中，通过“一键综述”、“智能论文精读”等工具，可以有效帮助科研人员高效阅读这些论文。以下推荐该领域的引用量较高的10篇论文，帮助你快速了解云机器人最新的研究概况。

1.3D is here: Point Cloud Library (PCL)

作者：Radu Bogdan Rusu、Steve Cousins

随着新的低成本3D传感硬件（例如Kinect）的出现，以及在高级点云处理方面的不断努力，3D感知在机器人技术以及其他领域中的重要性越来越高。 该文主要介绍了在点云感知领域的最新举措之一：PCL。 PCL为3D感知主题提供了一种先进而广泛的方法，旨在为应用程序所需的所有常见3D构建块提供支持。 该库包含用于以下方面的最新算法：过滤，特征估计，表面重建，配准，模型拟合和分段。

2. OctoMap: an efficient probabilistic 3D mapping framework based on octrees

作者：Armin Hornung、Kai M. Wurm、Maren Bennewitz、Cyrill Stachniss、Wolfram Burgard

三维模型提供了空间的体积表示形式，这对于各种机器人应用（包括飞行机器人和配备机械手的机器人）都很重要。 该文提出了一个开放源代码框架来生成体积3D环境模型。其映射方法基于八叉树，并使用概率占用估计。 它不仅明确表示了占用的空间，而且还表示了空闲和未知的区域。 同时使用一种八叉树地图压缩方法，可以使3D模型保持紧凑。框架可以作为开源C ++库使用，并且已经成功应用于多个机器人项目中。

3. Design, fabrication and control of soft robots

作者：Daniela Rus

该文讨论了软机器人新兴领域的最新发展。可以通过使用用于空间软流体弹性体操纵器的新动态模型，用于识别所有未知系统参数的方法以及通过迭代学习控制来计算局部最优动态操纵的计划算法，来实现软机器人的动态控制。软系统在抓取和操纵未知物体方面比刚性机器人具有天生的优势，因为软抓手的柔韧性使其可以通过简单的控制方案适应各种物体。

4. Implementing Smart Factory of Industrie 4.0: An Outlook

作者：Shiyong Wang、Jiafu Wan (万加富)、Di Li (李迪)、Chunhua Zhang

随着物联网和服务在制造业中的应用，被称为工业4.0的第四阶段工业化正在逼近。为了实现工业4.0，必须实现公司间价值网络的横向整合，工程价值链的端到端整合以及工厂内部的纵向整合。本文专注于垂直集成，以实现灵活且可重新配置的智能工厂。首先提出一个简短的框架，该框架将工业无线网络，云以及固定或移动终端与智能工件（例如机器，产品和输送机）结合在一起。然后，从控制工程的角度详细阐述了运行机制，即，智能工件形成了一个自组织系统，该系统由在云上基于大数据分析实现的反馈和协调块协助。

5. Cloud networked robotics

作者：Koji Kamei、Shuichi Nishio、Norihiro Hagita、Miki Sato

本文提出了一个名为Cloud Networked Robotics的新研究领域，该领域通过抽象化机器人设备并提供一种利用这些设备的方法，以连续，无缝的方式解决了支持各地（尤其是老年人和残疾人）日常活动的问题。随着机器人开发环境和集成多机器人系统的最新发展，机器人获得了更丰富的功能，并且机器人系统的开发变得越来越容易。但是，这种独立的机器人服务不足以连续，无缝地支持日常活动。通过针对老年人和残疾人的示例方案来研究典型的日常支持服务中的要求。基于这些要求，讨论了云网络机器人技术中的关键研究问题。作为案例研究，在购物中心进行的一项现场实验表明，提出的云网络机器人原型基础架构如何使多地点机器人服务为生命提供支持。

6. Rapyuta: A Cloud Robotics Platform

作者：Gajamohan Mohanarajah、Dominique Hunziker、Raffaello D'Andrea、Markus Waibel

本文介绍了开源云机器人平台Rapyuta的设计和实现。 Rapyuta通过在云中提供安全的可定制计算环境来帮助机器人减轻繁重的计算负担。计算环境还允许机器人轻松访问RoboEarth知识库。此外，这些计算环境紧密互连，为部署机器人团队铺平了道路。

7. Physical Human Activity Recognition Using Wearable Sensors

作者：ferhat attal、samer mohammed、mariam dedabrishvili、faicel chamroukhi、latifa oukhellou、yacine amirat

本文介绍了用于从可穿戴惯性传感器数据中识别人类活动的不同分类技术。在这项研究中使用了三个惯性传感器单元，健康受试者在上/下肢的关键点（胸部，右大腿和左脚踝）佩戴了这些惯性传感器单元。三个主要步骤描述了活动识别过程：传感器的放置，数据预处理和数据分类。四种监督分类技术，即k最近邻（k-NN），支持向量机（SVM），高斯混合模型（GMM）和随机森林（RF），以及三种无监督分类技术，即k-均值，高斯混合模型（GMM）和隐马尔可夫模型（HMM）在正确分类率，F量度，召回率，精确度和特异性方面进行了比较。原始数据和提取的特征分别用作每个分类器的输入。使用基于RF算法的包装方法执行特征选择。根据我们的实验，获得的结果表明，与其他监督分类算法相比，k-NN分类器提供了最佳性能，而HMM分类器是无监督分类算法中提供最佳结果的分类器。这种比较突出显示了在有监督和无监督的情况下哪种方法可以提供更好的性能。

8. Randomized Kinodynamic Planning

作者：Steven M. Lavalle、James J. Kuffner Jr.

该文提出了一种将随机技术应用于运动动力学规划问题的应用。他们的算法在高维状态空间中构造了快速探索随机树（RRT），该树既包含基于物理的系统动力学产生的一阶约束，又包括由于环境中的障碍而引起的全局运动约束。通过结合并同时解决在配置空间中找到基本路径并找到满足系统动态特性的控制器，同时利用随机技术的优势，可以有效地计算出在混乱环境中运行的各种系统的轨迹。

9. RRT-Connect: An Efficient Approach to Single-Query Path Planning

作者：James J. Kuffner Jr、Steven M. Lavalle

该文提出了一种简单有效的随机算法来解决高维配置空间中的单查询路径规划问题。 该方法通过逐步构建以起点和目标配置为根的两个快速探索随机树（RRT）来工作。每棵树都探索周围的空间，并通过使用简单的贪婪启发式方法互相推进。 尽管最初设计用于计划用于无碰撞抓取和操纵任务的自动图形动画的人体手臂（建模为7自由度运动学链）的运动，但该算法已成功应用于各种路径规划问题。 计算示例包括在2D和3D中为刚性对象生成无碰撞运动，以及在3D工作区中为6 DOF PUMA手臂生成无碰撞操纵运动，同时还提供了一些基本的理论分析。

10. Fast point feature histograms (FPFH) for 3D registration

作者：Radu Bogdan Rusu、Nico Blodow、Michael Beetz

该文提出了点特征直方图（PFH）作为多维特征，描述了3D点云数据集在点p周围的局部几何形状。在本文中，修改了它们的数学表达式，并对重叠点云视图的3D配准问题对其鲁棒性和复杂性进行了严格的分析。同时提出了几种优化方法，它们可以通过缓存先前计算的值或通过修改其理论公式来大大减少其计算时间。后者导致了一种新型的局部特征，称为快速点特征直方图（FPFH），它保留了PFH的大部分判别能力。此外，还提出了一种用于实时应用的FPFH功能在线计算的算法。为了验证结果，证明它们在3D配准中的效率，提出了一种基于样本共识的新方法，该方法将两个数据集引入本地非线性优化程序的收敛盆地：SAC-IA（样本共识初始对准）。

相关阅读推荐：

必读论文 | 20篇强化学习研究必读论文速递

必读论文 | 知识图谱必读论文10篇

必读论文 | 机器学习必读论文20篇

必读论文 | 信息检索与推荐必读论文10篇

必读论文 | COVID-19必读论文20篇

必读论文 | 20 篇聊天机器人领域必读论文速递

必读论文 | 百篇最值得一读的“认知图谱”经典论文

AMiner学术搜索服务全新上线 | “一键”帮你搞定论文综述，带你研读AI相关Topic百篇经典论文

必读论文 | 卷积神经网络百篇经典论文推荐