Learned Incremental Nonlinear Dynamic Inversion for Quadrotors with and without Slung Payloads
Technical University of Berlin（柏林技术大学）；Robotics Institute Germany (RIG)（德国机器人研究所）
本文提出基于神经网络的四旋翼增量非线性动态反演方法，通过学习预测残差力，替代传统传感器，提高飞行控制器精度。
2026-04-14 cs.RO cs.SY eess.SY
Global Incremental Flight Control for Agile Maneuvering of a Tailsitter Flying Wing
Massachusetts Institute of Technology（麻省理工学院）
提出了一种新的控制律，用于精确跟踪敏捷轨迹使用尾坐式飞翼无人机（UAV）之间的垂直起降（VTOL）和前飞过渡。全局控制公式能够在整个飞行包线内进行机动飞行，包括有侧滑的非协调飞行。微分平坦的非线性尾座动力学与简化的空气动力学模型。使用平坦度变换，所提出的控制器包括跟踪的位置参考以及其衍生物的速度，加速度和加加速度，以及偏航参考和偏航率。通过角速度前馈项包含加加速度和偏航率参考，改进了对具有快速变化的加速度的轨迹的跟踪。该控制器不依赖于广泛的空气动力学建模，而是使用增量非线性动态逆（INDI）计算控制更新的基础上，只有一个本地的输入输出关系，从而对简化的空气动力学方程的差异的鲁棒性。通过导出的平坦度变换，实现了非线性输入输出关系的精确反演。由此产生的控制算法在飞行测试中得到了广泛的评估，在飞行测试中，它展示了精确的轨迹跟踪和具有挑战性的敏捷机动，例如侧向飞行和转弯时的激进过渡。
2022-07-26 cs.RO cs.SY eess.SY
Incremental Learning of Motion Primitives for Pedestrian Trajectory Prediction at Intersections
MIT（麻省理工学院）；Ford Motor Company（福特汽车公司）
本文提出了一种新的增量式学习算法的行人运动预测，随着时间的推移，提高学习模型的能力时，数据是增量可用。在此设置中，轨迹被建模为称为运动基元的简单段。运动基元之间的转换被建模为高斯过程。当新数据可用时，通过测量运动基元向量的内积，将从新数据学习的运动基元与先前的运动基元进行比较。相似的运动基元和过渡融合，并添加新的运动基元来捕获新观察到的行为。所提出的方法进行了测试，并与其他基线交叉的情况下，数据是增量可从一个单一的交叉口或从多个交叉口不同的几何形状。在这两种情况下，我们的方法增量学习运动模式，并在预测误差方面优于离线学习方法。结果还表明，在我们的算法中，模型大小的增长速度比标准的增量学习要低得多，在标准的增量学习中，新学习的运动基元和过渡只是随着时间的推移而积累。
2019-11-21 cs.AI cs.LG cs.RO
Dense Incremental Metric-Semantic Mapping for Multi-Agent Systems via Sparse Gaussian Process Regression
University of California, San Diego（加利福尼亚大学圣迭戈分校）；U.S. Army Research Laboratory（美国陆军研究实验室）
我们开发了一个在线的概率度量语义映射方法的移动机器人团队依赖于流RGB-D观察。所生成的地图包含关于几何表面和语义标签的完全连续的分布信息（例如，椅子、桌子、墙壁）。我们的方法是基于在线高斯过程（GP）的训练和推理，并避免了GP分类的复杂性，通过回归截断符号距离函数（TSDF）的区域所占用的不同的语义类。通过GP后验的稀疏伪点近似实现在线回归。为了扩展到大的环境，我们进一步考虑通过具有重叠叶子的八叉树数据结构进行空间域划分。通过让每个机器人执行其自己的在线测量更新，然后通过局部加权几何平均与其邻居的后验参数相结合，开发了多机器人设置的扩展。这就产生了一个分布式的信息处理架构，其中所有机器人的GP地图估计收敛到一个共同的地图的环境，而只依赖于本地的单跳通信。我们的实验证明了概率度量语义映射技术在2-D和3-D环境中的单机器人和多机器人设置的有效性。
2021-03-30 cs.RO
IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction
Technical University of Munich（慕尼黑工业大学）；Google（谷歌）；Robert Bosch GmbH（罗伯特·博世有限公司）；University of Osnabrueck（奥斯纳布吕克大学）
针对多智能体轨迹预测中交互建模次优的问题，提出基于增量皮尔逊相关系数的IPCC-TP模块，通过紧耦合估计学习成对联合高斯分布，可嵌入现有方法并在nuScenes、Argoverse 2数据集上大幅提升基线性能。
2023-04-30 cs.CV cs.RO
An Adaptive Framework for Reliable Trajectory Following in Changing-Contact Robot Manipulation Tasks
Sunrise Setting Ltd（日出设置有限公司）；SAGE Publications Ltd（SAGE出版有限公司）；University of Birmingham（伯明翰大学）；Honda Research Institute Europe GmbH（本田欧洲研究院有限公司）
我们描述了一个框架，改变接触机器人操作任务，需要机器人与物体和表面接触和断开。这种任务的不连续的交互动力学使得难以构建和使用单个动力学模型或控制策略，并且在接触变化期间动力学的高度非线性性质可能对机器人和物体造成损害。我们提出了一个自适应控制框架，使机器人能够逐步学习，以预测在不断变化的接触任务中的接触变化，学习分段连续系统的相互作用动力学，并提供平滑和准确的轨迹跟踪使用任务空间可变阻抗控制器。我们实验比较我们的框架的性能对代表性的控制方法，以建立我们的框架的自适应控制和增量学习组件需要实现平滑控制中存在的不连续的动态变化接触机器人操作任务。
2021-11-15 cs.RO
SCREP: Scene Coordinate Regression and Evidential Learning-based Perception-Aware Trajectory Generation
本文提出了一种感知感知轨迹规划器，结合基于证据学习的SCR姿态估计器和递推时间窗口轨迹优化器，以提高室内GPS拒止环境下的轨迹精度。
2026-06-28 cs.RO
Batch and Incremental Kinodynamic Motion Planning using Dynamic Factor Graphs
Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种kinodynamic运动规划器，能够产生能量有效的运动，考虑到整个机器人的动力学，并利用重力，惯性和动量，以减少努力。给定机器人的特定目标状态，我们使用因子图和数值优化来求解最优轨迹，该轨迹不仅满足避碰要求，而且满足所有运动学和动力学约束，如速度，加速度和扭矩限制。通过利用因子图中的稀疏性，我们可以有效地解决运动动力学运动规划问题，与现有的最优控制方法相媲美，并使用增量消除技术来实现一个数量级更快的重新规划。
2020-06-15 cs.RO
Safe Planning through Incremental Decomposition of Signal Temporal Logic Specifications
Carnegie Mellon University（卡内基梅隆大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出通过时间分解信号时态逻辑规范为可达性和不变性约束并顺序调度，以提升轨迹规划效率，在线性和非线性系统上优于现有方法。
2024-03-19 cs.LO cs.RO cs.SY
An Incremental Inverse Reinforcement Learning Approach for Motion Planning with Separated Path and Velocity Preferences
Delft University of Technology（代尔夫特理工大学）；Honda Research Institute Europe（欧洲本田研究院）
本文提出增量式逆强化学习方法，从动觉示教中分离学习路径与速度奖励，并分两步规划轨迹，使 Franka 机械臂可经少量用户反馈适配个人运动偏好。
2023-04-25 cs.RO
Behavior evolution-inspired approach to walking gait reinforcement training for quadruped robots
Shanghai University（上海大学）
本文提出一种受动物运动行为进化启发的四足机器人步态强化训练框架，通过引入参考步态自改进机制并结合遗传算法全局搜索与增量强化学习交替执行，显著提升了步态策略对多样地形的适应性。
2024-09-25 cs.RO
Interactive incremental learning of generalizable skills with local trajectory modulation
German Aerospace Center (DLR)（德国航空航天中心）；School of Computation, Information and Technology (CIT), Technical University of Munich (TUM)（慕尼黑工业大学计算、信息与技术学院）
提出基于KMP的交互式模仿学习框架，结合局部和全局轨迹调制，利用人类纠正反馈和经由点机制增量提升模型精度、添加新物体并扩展技能区域。
2025-02-21 cs.AI cs.LG cs.RO
Adaptive Gaussian Process based Stochastic Trajectory Optimization for Motion Planning
Zhejiang University（浙江大学）
针对危险环境下机器人的最优运动规划（OMP）算法，提出了一种新的基于自适应高斯过程的随机轨迹优化（AGP-STO）算法。该算法首先利用重新估计的Lipschitz常数（L-reAGD）重新开始加速梯度下降，提高计算效率，只需要一阶动量。然而，它仍然不能推断的全局最优的非凸问题，由高斯过程（GP）和障碍的先验信息通知。因此，该算法将自适应随机轨迹优化（ASTO）方法引入到L-重估计过程中，通过加速移动平均（AMA）算法学习重要样本的GP先验。此外，我们引入增量最优运动规划（iOMP）的AGP-STO升级到iAGP-STO。它在先前优化的航路点之间增量地插入轨迹，以确保时间连续的安全性。最后，我们将iAGP-STO与数值（CHOMP，TrajOpt，GPMP）和采样（STOMP，RRT-Connect）方法进行基准测试，并进行关键参数的调整实验，以显示L-reAGD，ASTO和iOMP的集成如何提高计算效率和可靠性。此外，在LBR-iiwa，多AGV和Rethink-Baxter上实施iAGP-STO展示了其在操纵，协作和辅助方面的应用。
2021-12-30 cs.RO math.OC
Memory of Motion for Warm-starting Trajectory Optimization
Idiap Research Institute（Idiap 研究所）；EPFL（洛桑联邦理工学院）
运动规划的轨迹优化需要良好的初始猜测以获得良好的性能。在我们提出的方法中，我们建立了一个记忆体的基础上的机器人路径的数据库，提供良好的初始猜测的运动。运动记忆依赖于函数逼近器和降维技术来学习任务和机器人路径之间的映射。比较了三种函数逼近器：$k$ -最近邻、高斯过程回归和贝叶斯高斯混合回归。此外，我们表明，内存可以作为一个度量来选择几个可能的目标，并使用集成方法来结合不同的函数逼近结果在一个显着改善的热启动性能。我们证明了所提出的方法与运动规划的双臂机器人PR 2和人形机器人阿特拉斯的例子。
2020-05-14 cs.RO
Multi-Scale Incremental Modeling for Enhanced Human Motion Prediction in Human-Robot Collaboration
Huizhou University（惠州学院）
本文提出并行多尺度增量预测（PMS）框架，通过多时空尺度显式建模增量运动并迭代细化，在四个数据集上实现16.3%-64.2%的准确率提升，显著增强预测连续性、生物力学一致性与长期稳定性。
2024-12-16 cs.AI cs.RO
Continuous-time Gaussian Process Trajectory Generation for Multi-robot Formation via Probabilistic Inference
Harbin Institute of Technology（哈尔滨工业大学）
在本文中，我们扩展了著名的运动规划方法GPMP2的多机器人的情况下，产生一种新的集中式轨迹生成方法的多机器人编队。采用稀疏高斯过程模型将所有机器人的连续时间轨迹表示为有限数量的状态，由于稀疏性提高了计算效率。我们增加了约束，以保证个人之间的碰撞避免以及形成维护，然后所有的约束和运动学制定的因素图。通过引入一个全局规划器，我们提出的方法可以有效地生成轨迹的机器人团队，必须通过一个宽度变化的区域自适应编队变化。最后，我们提供了一个增量重新规划算法的实现，以证明我们提出的框架的在线操作的潜力。仿真实验和真实世界的实验表明，我们的方法的可行性，效率和可扩展性。
2021-07-30 cs.RO
IMR: Iterative Mode-World Weighted Regression for Multi-Agent Trajectory Prediction
EACON Fujian（福建易安科）
针对多智能体轨迹预测问题，提出模式世界加权回归损失及迭代解码器，减轻模式崩溃，提高预测准确性，在Argoverse 2多智能体运动预测基准测试中排名第一。
2026-07-08 cs.AI cs.CV cs.LG
SGD for robot motion? The effectiveness of stochastic optimization on a new benchmark for biped locomotion tasks
Waseda University（早稻田大学）；Waseda Institute for Advanced Study（早稻田高等研究所）；Humanoid Robotics Institute（人形机器人研究所）
轨迹优化和位姿生成是机器人运动中的难题，它可能是非凸的，存在多个局部最优解。由于难以对不同的解决办法进行比较，缺乏公开的基准进一步阻碍了在这些问题上取得进展。在本文中，我们介绍了一个新的基准轨迹优化和姿态生成的足式机器人，使用预定义的情况下，机器人和约束条件，以及评估标准。我们评估了最先进的轨迹优化算法的基准序列二次规划（SQP）的基础上，以及新的随机和增量优化方法借用大规模机器学习文献。有趣的是，我们发现，这些随机和增量的方法，这是基于随机梯度下降（SGD），实现更高的成功率比SQP在艰难的初始化。受此观察的启发，我们还提出了一个新的增量变量的SQP更新的成本和约束的随机子集在每次迭代。该算法在成功率和收敛速度方面都是最好的，在两个标准上都比SQP提高了30%。基准测试的资源和解决方案评估脚本是公开的。
2017-10-09 cs.LG cs.RO math.OC
Local Gaussian Regression
University of Southern California（南加州大学）；Max-Planck-Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
局部加权回归是作为一种非参数学习方法创建的，它具有计算效率，可以从非常大量的数据中学习并增量地添加数据。局部加权回归的一个有趣的特性是它可以处理空间变化的长度尺度，这是一个有益的特性，例如在控制问题中。然而，它不提供用于函数值的生成模型，并且需要相同地、独立地生成训练数据和测试数据。另一方面，高斯（过程）回归提供了一种完全生成的模型，对训练数据的分布没有显著的形式要求，但具有高得多的计算成本，并且通常在每个输入维度上使用一个全局尺度。使用本地化函数的基础和近似推理技术，我们采取高斯（过程）回归越来越本地化的属性和相同的计算复杂性类的本地加权回归。
2014-02-04 cs.LG cs.RO
Can Language Beat Numerical Regression? Language-Based Multimodal Trajectory Prediction
AI Graduate School（AI研究生院）；School of Electrical Engineering and Computer Science（电气工程与计算机科学学院）；Gwangju Institute of Science and Technology（光州科学技术院）
本文提出LMTraj，将轨迹预测转化为问答问题，通过数值分词器和多任务问答引导语言模型理解场景与社交关系，实现确定性和随机性推理，优于传统数值预测方法。
2024-03-27 cs.CL cs.CV cs.LG
Motion Prediction using Trajectory Sets and Self-Driving Domain Knowledge
Motional
预测车辆的未来运动已经使用各种技术进行了研究，包括随机策略，生成模型和回归。最近的工作表明，在一个轨迹集上的分类，它近似可能的运动，实现了最先进的性能，并避免了模式坍塌等问题。然而，地图信息和附近的轨迹之间的物理关系没有充分利用在这个公式。我们建立在基于分类的运动预测方法的基础上，增加了一个辅助损失，惩罚越野预测。该辅助损失可以容易地仅使用地图信息（例如，越野区域），这显著提高了小数据集的性能。我们还研究了加权交叉熵损失，以捕捉轨迹之间的时空关系。我们的最后一个贡献是对两个公共自动驾驶数据集的分类和有序回归的详细比较。
2021-01-13 cs.CV cs.LG cs.RO
OctoPath: An OcTree Based Self-Supervised Learning Approach to Local Trajectory Planning for Mobile Robots
Transilvania University of Brasov（布拉索夫特兰西瓦尼亚大学）；Elektrobit Automotive（Elektrobit 汽车公司）
自主移动机器人在复杂环境中行驶时，通常会面临各种挑战。也就是说，他们必须识别静态和动态障碍物，规划驾驶路径并执行其运动。为了解决感知和路径规划的问题，在本文中，我们引入了一种编码器-解码器深度神经网络，它以自我监督的方式训练，以预测自我车辆的局部最优轨迹。使用由3D八叉树环境模型提供的离散化，我们的方法将轨迹预测重新表述为具有可配置分辨率的分类问题。在训练过程中，RIPPath最大限度地减少了给定训练数据集中预测轨迹和手动驱动轨迹之间的误差。这使我们能够避免基于回归的轨迹估计的陷阱，其中存在用于输出轨迹点的无限状态空间。使用40通道机械LiDAR传感器进行环境感知，与惯性测量单元和车轮里程计融合，用于状态估计。使用我们自己开发的GridSim模拟器和RovisLab的自主移动测试单元平台，在模拟和现实生活中进行实验。我们评估了在不同的驾驶场景中，室内和室外，同时基准测试我们的系统对基准混合A-Star算法和基于回归的监督学习方法，以及对基于CNN学习的最佳路径规划方法的预测。
2021-06-02 cs.AI cs.RO
Beyond Waypoint Regression: Query-Based Cost Learning over Reachable Ego Futures for End-to-End Driving
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；CARIAD SE（CARIAD公司）
提出基于查询的代价学习框架，为可达自车轨迹估计有界代价，结合应急感知聚合与MPPI混合，在nuScenes和真实日志上降低碰撞率并保持L2竞争力。
2026-10-07 cs.AI cs.LG cs.RO
