Bridging Deep Reinforcement Learning and Motion Planning for Model-Free Navigation in Cluttered Environments
Department of Mechanical Engineering(机械工程系);University of California Riverside(加州大学河滨分校)
本文提出将基于图的运动规划与深度强化学习相结合,通过覆盖状态空间的图结构设计稠密奖励函数,以解决杂乱环境中无模型导航的探索不足问题,显著提升了探索效率和任务成功率。
2025-07-03 cs.RO
Uncertainty-aware hybrid paradigm of nonlinear MPC and model-based RL for offroad navigation: Exploration of transformers in the predictive model
McGill University(麦吉尔大学)
该研究提出一种融合非线性MPC与基于模型RL的越野导航混合方案,用transformer替代BADGR的LSTM提升预测性能,通过模型集成估计不确定性实现动态规划,结合车辆运动学优化决策,效果优于现有基线。
2023-10-01 cs.RO
Intent Prediction-Driven Model Predictive Control for UAV Planning and Navigation in Dynamic Environments
Carnegie Mellon University(卡内基梅隆大学)
针对动态环境下无人机导航感知不可靠、轨迹易失效的问题,提出整合感知、MDP意图预测与MPC规划的导航框架,经仿真与实物实验验证,其碰撞次数少于基准方法,提升了导航安全性。
2025-03-23 cs.RO
Safe Hierarchical Navigation in Crowded Dynamic Uncertain Environments
Georgia Institute of Technology(佐治亚理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种由多阶段规划器和底层安全控制器组成的层次化解决方案,以共同解决拥挤、动态和不确定环境中的安全导航问题。该规划器采用动态间隙分析和轨迹优化来实现与传感和规划范围内动态代理的预测轨迹的碰撞避免,并对代理不确定性具有鲁棒性。为了解决规划范围内的不确定性和实时安全性,采用快速反应安全设置算法(SSA),在轨迹跟踪过程中监测和修改不安全的控制。与其他现有方法相比,我们的方法提供了理论上的安全保证,并在不确定的环境中以更高的概率实现无碰撞导航,如20和50个动态代理的场景所示。项目网址:https://hychen-naza.github.io/projects/HDAGap/。
2023-03-24 cs.RO cs.SY eess.SY
Path Planning for a Cooperative Navigation Aid Vehicle to Assist Multiple Agents Sequentially
Department of Mechanical Engineering(机械工程系);Engineering Science, University of North Carolina at Charlotte(工程科学,北卡罗来纳大学夏洛特分校)
本文提出了一种贪心算法,用于规划协作导航辅助车路径,以依次协助多个智能体并减少导航不确定性。
2024-07-09 cs.RO cs.SY eess.SY
Real-time Uncertainty-Aware Motion Planning for Magnetic-based Navigation
University of Florida(佛罗里达大学);Air Force Research Lab(空军研究实验室)
本文提出一种用于磁导航的实时不确定性感知运动规划算法,通过机载磁力计和信息驱动方法根据定位置信度调整轨迹,在路线效率与降低定位不确定性间取得平衡,提升了复杂环境下导航的精度与可靠性。
2024-07-26 cs.RO cs.SY eess.SY
SEAN: Social Environment for Autonomous Navigation
Yale University(耶鲁大学);Rutgers University(罗格斯大学)
社会导航研究是在各种机器人平台,场景和环境中进行的。由于构建这些系统所涉及的工作以及社区使用的平台的多样性,因此在导航算法之间进行比较具有挑战性;尽管如此,评估对于了解该领域的进展至关重要。在社会导航算法的可再生评估的一步,我们提出了社会环境自主导航(SEAN)。SEAN是一个高视觉保真度,开源和可扩展的社交导航仿真平台,其中包括用于评估导航算法的工具包。我们展示了SEAN和它的评估工具包在两个环境中与动态行人和使用两种不同的机器人。
2020-09-09 cs.RO
A Novel Navigation System for an Autonomous Mobile Robot in an Uncertain Environment
Anhui Polytechnic University(安徽工程大学);Wuhu HIT Robot Technology Research Institute Co. Ltd(芜湖哈工大机器人技术研究院有限公司);Cranfield University(克兰菲尔德大学)
本文提出了一种新的导航系统,该系统采用自适应阈值聚类算法在滑动窗口中检测障碍物,利用决策树对检测到的障碍物进行分类,并采用简化的Mophin算法对潜在碰撞进行预测和最优路径搜索。与现有的机器人导航方法相比,该系统具有最优无碰撞路径、存储空间小、计算复杂度低等优点。仿真实验和八种场景下的机器人实验表明,该机器人能够有效地避免与周围环境中的任何静态或动态障碍物发生碰撞。
2020-06-08 cs.RO
Fast Adaptable Mobile Robot Navigation in Dynamic Environment
University of Detroit Mercy(底特律大学)
动态环境下的自主导航严重依赖于环境及其拓扑结构。环境的先验知识通常是不准确的,因为环境不断演变。由于机器人在前进过程中不断评估环境,决定穿越环境到达目标的最佳方式,因此需要计算效率高且数学自适应的导航算法。本文提出了一种能够适应时变环境的移动机器人导航方案。该方法由全局规划器(A*)和局部规划器(VFH)组成,以确保机器人的最佳和无碰撞运动。该算法进行了测试,在不同的环境中,是已知的VFH和ROS导航栈中的失败,进行比较的目的,在模拟和实验。总的来说,该算法使机器人能够更快地到达目标,并在这样做的同时产生更平滑的路径。
2020-07-19 cs.RO
Uncertainty Estimation of Dense Optical-Flow for Robust Visual Navigation
Australian National University(澳大利亚国立大学);University of Technology Sydney(悉尼科技大学)
提出了一种新的稠密光流算法来解决地面或空中机器人的单目同时定位与地图构建(SLAM)问题。密集的光流可以有效地提供车辆的自我运动,同时能够避免与潜在障碍物的碰撞。现有的工作没有充分利用光流的不确定性--至多是各向同性高斯密度模型。我们估计了光流的完全不确定度,并提出了一种新的八点算法的基础上的统计马氏距离。结合姿态图优化,所提出的方法证明了增强的鲁棒性和准确性的公共自动驾驶汽车数据集(KITTI)和航空单目数据集。
2021-09-30 cs.RO
UNSEEN: Uncertainty-aware Navigation via Sparse Estimation in Unknown Environments
University of Trento(特伦托大学)
提出UNSEEN框架,仅用前视相机通过稀疏地图与位姿不确定性估计,联合优化任务进度与估计精度,在未知环境中实现鲁棒导航,相比现有方法定位误差降低9.8%,估计精度提升45%。
2026-06-23 cs.RO
Bipedal Safe Navigation over Uncertain Rough Terrain: Unifying Terrain Mapping and Locomotion Stability
Georgia Institute of Technology(佐治亚理工学院);Kuwait University(科威特大学)
针对不确定崎岖地形下双足机器人导航中地形建图与运动稳定性耦合的问题,提出分层感知运动动力学的采样导航规划器,结合GP地形学习与新轨迹评估指标,在Digit仿真中验证了有效性。
2024-04-15 cs.RO
Real-Time Navigation for Bipedal Robots in Dynamic Environments
Ohio State University(俄亥俄州立大学);Ottonomy Inc.(Ottonomy公司)
移动机器人的普及一直在稳步增长,这些机器人越来越多地被用来执行以前由人类工人完成的任务。为了让双足机器人也能取得同样的成功,需要开发出强大的自主导航系统,能够实时的【形】执行并对动态环境做出响应。这些系统可以分为三个阶段:感知、规划和控制。双足机器人的整体导航框架必须成功地整合自主导航问题的所有三个组成部分,以实现强大的现实世界的导航。在本文中,我们提出了一个实时的【形】导航框架,在动态环境中的双足机器人。该系统解决了导航问题的所有组成部分:我们引入了一个基于深度的感知系统,用于障碍物检测,映射和定位。一个两阶段的规划器被开发来生成对未知和动态环境鲁棒的无碰撞轨迹。并在Digit双足机器人的步行步态控制器上执行轨迹。通过一系列包含未知环境和动态障碍物的仿真和硬件实验,验证了导航框架。
2022-10-07 cs.RO
Deep-Reinforcement-Learning-Based Semantic Navigation of Mobile Robots in Dynamic Environments
Technical University of Berlin(柏林工业大学)
移动机器人在工业任务中变得越来越重要,例如在危险环境中的调试,交付或操作。安全自主导航的能力,特别是在动态环境中,在工业移动机器人中至关重要。当前的导航方法依赖于预先存在的静态地图,并且在动态环境中容易出错。此外,出于安全原因,它们通常依赖于手工制作的安全指南,这使得系统灵活性较低且速度较慢。基于视觉的导航和高层次的语义有可能通过创建链接来增强路径规划的安全性,从而使代理可以推理出更灵活的导航。在这个帐户上,我们提出了一个基于强化学习的本地导航系统,学习导航行为完全基于视觉观察,以应付高度动态的环境。因此,我们开发了一个简单而有效的模拟器-ARENA 2D-这是能够产生高度随机化的训练环境,并提供语义信息训练我们的代理。我们展示了增强的结果,在安全性和鲁棒性方面超过了传统的基线方法的基础上的动态窗口方法。
2020-08-02 cs.RO
Learning Real-world Autonomous Navigation by Self-Supervised Environment Synthesis
The University of Texas at Austin(德克萨斯大学奥斯汀分校);George Mason University(乔治梅森大学);Sony AI(索尼人工智能)
机器学习方法最近已经以数据驱动的方式实现了移动机器人的自主导航。由于大多数现有的基于学习的导航系统都是使用人工创建的训练环境中生成的数据进行训练的,因此在大规模的真实世界部署过程中,机器人将不可避免地遇到不可见的场景,这些场景不在训练分布中,因此导致真实世界性能不佳。另一方面,在现实世界中直接训练通常是不安全和低效的。为了解决这个问题,我们引入了自监督环境合成(SES),其中,在具有安全性和效率要求的真实世界部署之后,自主移动机器人可以利用来自真实世界部署的经验,重建导航场景,并在仿真中合成具有代表性的训练环境。在这些合成环境中进行训练可以提高未来在现实世界中的表现。SES在合成代表性的仿真环境和提高现实世界的导航性能的有效性进行评估,通过大规模部署在一个高保真,逼真的模拟器和小规模部署的物理机器人。
2022-10-10 cs.RO
Active Information Gathering for Long-Horizon Navigation Under Uncertainty by Learning the Value of Information
George Mason University(乔治梅森大学)
本文提出一种学习增强的规划方法,通过图神经网络预测探索动作的信息价值,使机器人在部分未知环境中主动收集远处空间信息,在模拟办公环境中显著优于基线导航策略。
2024-03-05 cs.RO
Safe Navigation in Uncertain Crowded Environments Using Risk Adaptive CVaR Barrier Functions
Department of Robotics, University of Michigan(机器人学系,密歇根大学);Toyota North America Research & Development(丰田北美研发);Department of Robotics and the Department of Aerospace Engineering at University of Michigan(机器人学系和航空航天工程系,密歇根大学)
针对动态拥挤环境下机器人导航的不确定性挑战,提出基于CVaR-BF的风险自适应方法及动态区域障碍函数,可自适应调整风险、扩展安全裕度,性能优于现有社会导航方法。
2025-08-01 cs.RO
Autonomous Navigation in Complex Environments with Deep Multimodal Fusion Network
Imperial College London(帝国理工学院);AIOZ Pte Ltd(AIOZ私人有限公司)
复杂环境中的自主导航是灾难响应或搜索和救援等时间敏感场景中的关键任务。然而,复杂的环境对自主平台的导航提出了重大挑战,因为它们具有挑战性的特性:狭窄的通道受限,碎片和障碍物的不稳定路径,或不规则的地质结构和恶劣的照明条件。在这项工作中,我们提出了一个多模态融合的方法来解决在复杂的环境,如倒塌的城市,或自然洞穴的自主导航问题。我们首先在基于物理的仿真引擎中模拟复杂环境,并收集大规模数据集进行训练。然后,我们提出了一个导航多模态融合网络(NMFNet),它有三个分支,有效地处理三种视觉模态:激光,RGB图像,点云数据。广泛的实验结果表明,我们的NMFNet优于最近的最先进的公平利润率,同时实现实时性能。我们进一步表明,在复杂的环境中,使用多种形式的自主导航是必不可少的。最后,我们成功地将我们的网络部署到模拟和真实的移动机器人。
2020-07-31 cs.RO
Multi-Robot Reliable Navigation in Uncertain Topological Environments with Graph Attention Networks
Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR)(信息通信研究院(A*STAR下属));College of Design and Engineering of National University of Singapore (NUS)(新加坡国立大学设计与工程学院)
本文提出MARVEL方法,将多机器人可靠导航建模为POMDP,并结合动态自适应图嵌入与图注意力网络和深度强化学习,以提升机器人在不确定拓扑环境中的实时决策与准时到达性能。
2024-11-25 cs.RO
Predictive and adaptive maps for long-term visual navigation in changing environments
Artificial Intelligence Center, Czech Technical University(捷克技术大学人工智能中心);Technical University of Cartagena, Spain(西班牙卡塔加纳技术大学);Australian Centre for Robotic Vision, QUT(澳大利亚机器人视觉中心,昆士兰大学)
本文比较了不同地图管理技术用于变化环境中的长期视觉导航,提出策略通过建模环境外观的周期性变化以提升机器人定位精度。
2026-03-12 cs.RO
Image-Goal Navigation in Complex Environments via Modular Learning
Anhui University(安徽大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学);University of Maryland, College Park(马里兰大学帕克分校)
我们提出了一种新的方法,图像目标导航,智能体导航的目标图像,而不是准确的目标信息,这是更具挑战性的。我们的目标是将导航目标规划、碰撞避免和导航结束预测的学习解耦,从而能够更集中地学习每个部分。这是由四个不同的模块实现的。第一模块在机器人导航期间维护障碍物地图。第二种方法周期性地预测实时地图上的长期目标,从而可以将图像目标导航任务转换为多个点目标导航任务。为了实现这些点目标导航任务,第三个模块计划无冲突的命令集,用于导航到这些长期目标。最后一个模块使机器人在目标图像附近正确停止。这四个模块是单独设计或维护的,这有助于减少导航过程中的搜索时间,并提高对以前看不到的真实场景的泛化能力。我们评估的方法在模拟器和现实世界中的移动机器人。在实际复杂环境中的结果表明,我们的方法达到至少一个$17\%$增加导航成功率和$23\%$减少导航碰撞率比一些国家的最先进的模型。
2022-02-22 cs.RO
Automatic Navigation Map Generation for Mobile Robots in Urban Environments
Politecnico di Milano(米兰理工大学)
本文提出一种利用单个顶部安装3D LiDAR自动生成城市环境移动机器人导航地图的算法,能识别正负障碍物及不同地形,经实验验证对多种不确定性具有鲁棒性。
2024-03-20 cs.RO
Memory-Aware Multi-Sensor Perception for Efficient and Safe Navigation in Dynamic Environments
University of Pennsylvania(宾夕法尼亚大学)
提出一种记忆感知多传感器导航框架,集成LiDAR和RGB感知、在线距离场学习及MCBF-QP控制器,利用历史几何信息提升动态环境中导航效率和安全性。
2026-09-28 cs.RO
Power in Numbers: Primitive Algorithm for Swarm Robot Navigation in Unknown Environments
本文提出一种简单的群体机器人导航算法,利用机器人数量进行未知环境导航,无需环境感知或复杂通信。
2024-10-17 cs.RO
Obtaining Robust Control and Navigation Policies for Multi-Robot Navigation via Deep Reinforcement Learning
Fraunhofer IML(弗劳恩霍夫物流研究院);Westfälische Hochschule Gelsenkirchen(盖尔森基兴威斯特伐利亚应用科学大学)
多机器人导航是一个具有挑战性的任务,其中多个机器人必须同时协调动态环境中。我们应用深度强化学习(DRL)来学习一种分散的端到端策略,该策略将原始传感器数据映射到代理的命令速度。为了使策略能够泛化,在不同的环境和场景中执行训练。在常见的多机器人场景中,如切换一个地方,一个十字路口和一个瓶颈的情况下,学习的政策进行测试和评估。此策略允许代理从死胡同中恢复并在复杂环境中导航。
2022-09-07 cs.RO
Elevation State-Space: Surfel-Based Navigation in Uneven Environments for Mobile Robots
Norwegian University of Life Sciences(挪威生命科学大学);University of Lincoln(林肯大学)
本文介绍了一种新的方法,机器人运动规划和导航在不平坦的环境中,通过曲面表示的基础点云。所提出的方法通过将机器人的运动学和物理约束与标准运动规划算法(例如,来自开放式运动规划库的那些),从而使高效的基于采样的规划者能够在原始点云地图上挑战不平坦的地形导航。与基于数字高程地图(DEM)的技术不同,我们的新的基于表面的状态空间的制定和实施是基于原始点云地图,允许重叠的表面,如桥梁,桥墩和隧道的建模。实验结果表明,所提出的方法在真实和模拟的非结构化环境中的机器人导航的鲁棒性。所提出的方法还优化了规划者的性能,将其成功率提高到5倍,以应对具有挑战性的非结构化地形规划和导航,这要归功于我们基于冲浪者的方法的机器人约束感知采样策略。最后,我们提供了一个开源的实现所提出的方法,有利于机器人社区。
2022-08-17 cs.RO
Learning by Cheating : An End-to-End Zero Shot Framework for Autonomous Drone Navigation
Indian Institute of Technology, Gandhinagar(印度理工学院甘地纳格尔分校)
本文提出了一种新的框架,自主无人机导航通过杂乱的环境。控制策略在训练期间在低级环境中学习,并在推理期间应用于复杂环境。在训练环境中学习的控制器被欺骗,相信机器人仍然处于训练环境中,而实际上它正在更复杂的环境中导航。本文提出的框架可以适用于在更复杂的任务中重用简单的策略。我们还表明,该框架可以用作强化学习算法的解释工具。
2021-11-11 cs.RO
E-Navi: Environmental Adaptive Navigation for UAVs on Resource Constrained Platforms
Sun Yat-sen University(中山大学);Key Laboratory of Machine Intelligence and Advanced Computing(智能与先进计算关键实验室)
E-Navi通过动态调整任务执行优化无人机在资源受限平台上的环境自适应导航性能
2025-12-16 cs.RO
Spatiotemporal Attention Enhances Lidar-Based Robot Navigation in Dynamic Environments
University of Bonn(波恩大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所)
针对动态室内环境中的低成本机器人导航问题,提出基于二维激光雷达的时空注意力流水线与动态障碍物状态表示,提升泛化性并实现真实机器人部署。
2024-02-28 cs.RO
Spatial and Temporal Hierarchy for Autonomous Navigation using Active Inference in Minigrid Environment
受人类导航时结合拓扑地标与粗粒度路径积分构建层次认知地图的行为启发,提出可扩展的层次化主动推理模型,通过多层级推理实现自主导航与探索,经Minigrid环境仿真验证有效。
2024-09-13 cs.RO
A Lifelong Learning Approach to Mobile Robot Navigation
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Sony AI(索尼人工智能)
本文提出了一种移动机器人在不同环境中导航的自改进终身学习框架。经典的静态导航方法需要环境特定的原位系统调整,例如来自人类专家,或者可能重复他们的错误,而不管他们在相同的环境中导航了多少次。基于学习的导航有可能随着经验而改进,但它高度依赖于对训练资源的访问,例如足够的内存和快速计算,并且容易忘记先前学习的能力,特别是在面对不同环境时。在这项工作中,我们提出了终身学习导航(LLfN),(1)提高移动机器人的导航行为纯粹基于自己的经验,(2)保留机器人的能力,在以前的环境中导航后,在新的学习。LLfN的实现和测试完全板载物理机器人有限的内存和计算预算。
2021-01-24 cs.RO
Convolutional Neural Networks Towards Arduino Navigation of Indoor Environments
University of Toronto(多伦多大学)
在本文中,我们提出了一些测试的方法,其中一个低预算的演示车可以导航室内环境。分别采用Canny边缘检测、监督地板检测和模仿学习算法,并对它们的有效性进行了比较。本文中使用的设备近似于一个自主机器人,配置为与移动终端一起工作,用于图像处理。本文没有提供明确的解决方案,只是简单地说明了成功实现室内环境自主导航所采取的方法。所有方法的成功和失败都被记录下来,并详细阐述,让读者深入了解这种自主机器人的构造。
2020-11-27 cs.RO
Motion Primitives Based Kinodynamic RRT for Autonomous Vehicle Navigation in Complex Environments
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在这项工作中,我们已经实现了一个SLAM辅助导航模块的一个真正的自主车辆与未知的动态。导航目标是沿着无碰撞轨迹到达期望的目标配置,同时遵守系统的动态特性。具体来说,我们使用基于LiDAR的Hector SLAM来构建环境地图,检测障碍物,并跟踪车辆在通过各种状态时与轨迹的一致性。对于运动规划,我们使用快速探索随机树(RRT)的一组生成的运动基元搜索动态可行的轨迹序列和无碰撞路径的目标。我们展示了复杂的机动,如平行停车,垂直停车,并在一个受约束的环境中使用所提出的方法由真实的车辆倒车运动。
2022-10-21 cs.RO
Uncertainty-Informed Active Perception for Open Vocabulary Object Goal Navigation
Center for Robotics, University of Bonn(波恩大学机器人中心);MAVLab, TU Delft(代尔夫特理工大学MAVLab);Lamarr Institute for Machine Learning and Artificial Intelligence(机器学习与人工智能拉马尔研究所)
针对目标导航中提示措辞引起的语义不确定性问题,提出不确定性感知的主动感知流程,利用概率传感器模型和不确定性感知多臂老虎机规划器,实现与最先进方法相当的成功率。
2025-07-13 cs.RO
Distributed control and navigation system for quadrotor UAVs in GPS-denied environments
Institute for Systems Analysis of Russian Academy of Sciences(俄罗斯科学院系统分析研究所);Soloviev Rybinsk State Aviation Technical University(索洛维约夫雷宾斯克国立航空技术大学);NPP SATEK plus(SATEK plus公司)
针对四旋翼无人机在无GPS环境下的分布式控制与导航系统的研制问题进行了研究。以多架无人机协同导航、标记检测和地图绘制为例进行了仿真研究。所开发的智能控制系统遵循4D \RCS参考模型,基于ROS框架实现。基于EKF的地图构建算法的自定义实现用于解决标记检测和地图构建任务。
2016-02-01 cs.RO
Provably Safe Robot Navigation with Obstacle Uncertainty
随着无人机和自动驾驶汽车的普及,机器人在现实条件下安全运行变得越来越重要。输入真实系统的噪声信息意味着机器人必须使用对环境的估计来规划导航。在这些情况下,有效地保证所产生的运动计划是安全的已被证明是困难的。我们研究如何保证一个轨迹或政策是安全的,只有不完美的观察环境。我们研究了各种数学形式主义的安全性的影响,并得出了一个数学概念的安全性的长期执行,即使在观测信息的条件。我们提出了有效的算法,可以证明轨迹或政策是安全的,比以前的工作更严格的界限。值得注意的是,环境的复杂性不会影响我们的方法评估轨迹或策略是否安全的能力。然后,我们使用这些安全检查方法来设计一个安全的RRT规划算法的变体。
2017-05-31 cs.RO
HiPAN: Hierarchical Posture-Adaptive Navigation for Quadruped Robots in Unstructured 3D Environments
School of Computing, KAIST(韩国科学技术院计算机学院)
HiPAN通过分层设计和路径引导课程学习,提升四足机器人在复杂3D环境中的导航效率与适应性,实现实时深度图像驱动的策略规划与姿态自适应控制。
2026-04-29 cs.RO
SemSafe-3DGS: Semantic Risk-Aware Active Navigation in Uncertain 3D Gaussian Splatting Maps
Lehigh University(理海大学)
提出SemSafe-3DGS框架,在三维高斯地图中通过语义风险权重调节碰撞间隙,结合主动感知屏障,实现安全高效的自主导航,并验证于真实机器人。
2026-09-18 cs.RO
MacroNav: Multi-Task Context Representation Learning Enables Efficient Navigation in Unknown Environments
Department of Electrical and Computer Engineering(电子与计算机工程系);Department of Mechanical Engineering(机械工程系);School of Computing(计算学院);National University of Singapore(新加坡国立大学)
本文提出MacroNav框架,通过多任务自监督学习和强化学习策略,实现高效导航。实验表明其在成功率和路径长度加权成功率上优于现有方法,且计算效率高。
2026-04-21 cs.RO
Autonomous Navigation in Unknown Environments with Sparse Bayesian Kernel-based Occupancy Mapping
University of California, San Diego(加州大学圣地亚哥分校)
本文主要研究了在未知环境中自主机器人的在线地图绘制和实时碰撞检测问题。常用的体素和八叉树图表示可以在小型环境中轻松维护,但随着环境的增长,内存需求也会增加。我们提出了一个根本不同的方法占用映射,其中占用和自由空间之间的边界被视为决策边界的机器学习分类。这项工作推广了一个内核感知器模型,它保持了一个非常稀疏的支持向量集,以有效地表示环境边界。我们开发了一种基于相关向量机的概率公式,允许测量噪声和概率占用分类的鲁棒性,支持自主导航。我们提供了一个在线训练算法,更新稀疏贝叶斯地图增量从流范围数据,和一个有效的碰撞检查方法一般曲线,代表潜在的机器人轨迹。我们的映射和碰撞检查算法的有效性进行评估,在任务中需要自主机器人导航和主动映射在未知的环境中。
2021-07-11 cs.RO
A Robust and Rapidly Deployable Waypoint Navigation Architecture for Long-Duration Operations in GPS-Denied Environments
Stevens Institute of Technology(史蒂文斯理工学院)
针对GPS拒止环境下多批次作业的定位误差累积问题,提出结合公开软件包的多批次航点导航架构,实现数小时内从建图到自主导航的快速部署。
2023-08-10 cs.RO
Sensing and Navigation of Aerial Robot for Measuring Tree Location and Size in Forest Environment
The University of Tokyo(东京大学)
本文介绍了一种在森林环境中自主测量树木位置和大小的空中机器人传感和导航系统的实现。虽然林业是日本的重要产业,但林业工作人口正在减少。然后,作为林业机械化的一个应用,提出了利用空中机器人在三维空间中的高度机动性进行树木数据汇集的系统。首先,我们发展了树木的识别和测量方法,以及生成树木数据库的算法。其次,介绍了基于树识别的空中机器人导航系统。最后,我们提出了一个实验结果,其中一个空中机器人在森林中飞行,并收集树木数据。
2023-02-12 cs.RO
Skill Q-Network: Learning Adaptive Skill Ensemble for Mapless Navigation in Unknown Environments
School of Electrical Engineering, Korea Advanced Institute of Science and Technology(韩国科学技术院电气工程学院)
本文提出Skill Q-Network(SQN),一种无需先验知识、同时学习高级决策与低级导航技能的自适应技能集成强化学习方法,在未知环境中实现高效无地图导航,性能较基线提升40%,并支持零样本迁移。
2024-08-27 cs.RO
Enhanced Robotic Navigation in Deformable Environments using Learning from Demonstration and Dynamic Modulation
Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM), Germany(慕尼黑机器人与机器智能研究所(MIRMI),慕尼黑技术大学(TUM));Mohamed Bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE(穆罕默德·本·扎耶德人工智能大学)
本文提出一种结合示范学习与动态系统的机器人导航新方法,通过引入动态调制矩阵实时区分软硬区域,实现可变形环境下的安全灵活轨迹规划与速度控制。
2025-06-25 cs.RO
Data Scaling for Navigation in Unknown Environments
Signal Processing Research Centre, Faculty of Information Technology and Communication Sciences, Tampere University(信号处理研究中心,信息科技与通信科学学院,塔尔皮奥大学);Graduate School of Information Sciences, Tohoku University(信息科学研究生院,东北大学);Faculty of Engineering, Turku University of Applied Sciences(工程学院,图尔库应用科学大学)
研究通过大规模数据和多样性提升未知环境导航性能,发现数据多样性比数量更重要,且简单回归模型在嘈杂数据中表现更优。
2026-03-23 cs.RO
SEA-Nav: Efficient Policy Learning for Safe and Agile Quadruped Navigation in Cluttered Environments
Tsinghua University(清华大学);Imperial College London(伦敦帝国理工学院)
SEA-Nav通过安全、高效和敏捷的强化学习框架,实现了在密集环境中四足机器人导航的高效训练,仅需分钟级训练时间。
2026-09-15 cs.RO
Safe Active Navigation and Exploration for Planetary Environments Using Proprioceptive Measurements
针对足式机器人在未知变形颗粒地形探索的通行性评估难题,提出基于本体感受和高斯过程回归的SAEGT导航框架,搭配反应式控制器实现安全探索导航,仿真验证了仅靠本体感知的可行性。
2025-10-21 cs.RO
Proprioceptive Safe Active Navigation and Exploration for Planetary Environments
PSANE通过本体感知技术在未知变形环境中实现安全导航与探索,利用腿部与地形的交互信息提升地形可通行性评估与导航性能。
2026-10-23 cs.RO
GND: Global Navigation Dataset with Multi-Modal Perception and Multi-Category Traversability in Outdoor Campus Environments
University of Maryland(马里兰大学);George Mason University(乔治梅森大学)
针对移动机器人在户外未知环境缺乏常识推理能力的问题,提出大规模全局导航数据集GND,集成多模态传感数据与多类别可通行性地图,并展示其在全局导航等任务中的实用价值。
2025-03-05 cs.RO
GPT-6-Astra Lights Up Embodied Navigation: Evaluation in Zero-Shot Vision-and-Language Navigation in Continuous Environments
Singapore Management University(新加坡管理大学);Australia Institute for Machine Learning(澳大利亚机器学习研究所)
本研究评估 GPT-6-Astra 在连续环境中使用单目 RGB 进行零样本视觉-语言导航,无需微调或地图,在 R2R-CE 基准上达到 79.0% 成功率,超越现有方法,并指出路线执行与目标验证仍是挑战。
2026-09-28 cs.RO
Towards the Neuromorphic Computing for Offroad Robot Environment Perception and Navigation
Imperial College London(帝国理工学院)
该研究受生物触须和耳蜗启发,提出基于物理触须的储备池计算系统,旨在以低功耗实现越野机器人环境感知与导航,弥合计算性能与功耗差距。
2023-05-05 cs.RO
Learning-based Uncertainty-aware Navigation in 3D Off-Road Terrains
Ulsan National Institute of Science and Technology(蔚山国立科学技术院)
提出了一种安全、高效、灵活的三维越野地形环境下地面车辆导航算法。越野导航受制于由3D地形拓扑之上的不同地形条件引起的不确定的车辆-地形交互。现有的工作局限于采用过于简化的车辆-地形模型。该算法从驾驶数据中学习地形引起的不确定性,并将学习到的不确定性分布编码到路径评估的可通行性成本中。然后,导航路径的设计,以优化不确定性感知的可通行性成本,从而在一个安全和敏捷的车辆机动。在保证实时性的前提下,该算法在图形处理器(GPU)上运行的并行计算架构中进一步实现。
2022-09-19 cs.RO cs.SY eess.SY
Estimation and Navigation Methods with Limited Information for Autonomous Urban Driving
Cornell University(康奈尔大学)
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差,全球定位信息(例如GPS信号)可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据,对该数据进行大量的后处理以获得地图,然后随着环境的变化而在地图上保持更新。本论文通过研究算法和架构来解决城市环境中的自动驾驶问题,从而在有限的信息下实现全功能的自动驾驶。
2021-08-11 cs.RO
EvoNav-Bench: Benchmarking Lifelong Navigation in Evolving Environments
State Key Laboratory of General Artificial Intelligence, BIGAI(通用人工智能国家重点实验室(BIGAI));Tsinghua University(清华大学)
提出EvoNav-Bench基准,在演化环境中扩展终身导航任务,通过引入环境修改评估现有方法,并比较三种启发式策略以分析智能体适应场景变化的能力。
2026-09-15 cs.RO