Feedback Motion Planning for Long-Range Autonomous Underwater Vehicles
SUNY Old Westbury(纽约州立大学老韦斯特伯里分校);Umm Al-Qura University(乌姆·库拉大学);Florida International University(佛罗里达国际大学);Fort Lewis College(刘易斯堡学院)
海洋生态系统具有时空变异性和动态复杂性,需要长期部署自主水下航行器进行数据汇集。一种新的远程自主水下航行器Tethys被改造用于研究不同的海洋现象。此外,海洋环境具有外部力和力矩以及变化的水流,这通常不在车辆运动学模型中考虑。在这种情况下,在不确定的海洋中生成从初始位置到目标位置的简单轨迹是不够的,因为车辆可能偏离其预期轨迹。因此,我们建议计算一个反馈计划,适应车辆轨迹中存在的任何建模或未建模的不确定性。在这项工作中,我们提出了一个反馈运动规划方法的特提斯车辆相结合的预测海洋模型和运动学建模。给定一个目标位置,特提斯运动学模型,和水流模式,我们的方法计算一个反馈计划的车辆在一个动态的海洋环境中,减少其能源消耗。计算的反馈计划提供了最佳的行动,特提斯车辆采取从任何位置的环境,以达到目标位置考虑其方向。基于实际海洋模式预报数据的结果表明了该方法的适用性。
2019-11-21 cs.RO
Feedback Motion Planning Under Non-Gaussian Uncertainty and Non-Convex State Constraints
Texas A&M University(德克萨斯农工大学)
过程和测量不确定性下的规划是一个具有挑战性的问题。在其最一般的形式中,它可以被建模为部分观测马尔可夫决策过程(POMDP)问题。然而,POMDPs通常很难解决时,底层空间是连续的,特别是当信念是非高斯,和困难进一步加剧时,也有非凸约束的状态。解决此类具有挑战性的POMDP的现有算法在计算和内存方面都很昂贵。在非高斯置信空间中,通过求解一般非线性观测模型的凸规划,给出了一种反馈策略。该解决方案涉及一个滚动时域控制策略,使用粒子滤波器的非高斯信念表示。我们开发了一种在状态空间中捕获非凸约束的方法,并调整优化以纳入此类约束。这种方法的一个关键优点是,它不会在优化问题中引入额外的变量,因此比置信空间中现有的约束问题更具可扩展性。我们证明了该方法在不同情况下的性能。
2016-01-12 cs.RO
Multi-Agent Feedback Motion Planning using Probably Approximately Correct Nonlinear Model Predictive Control
Johns Hopkins University(约翰斯·霍普金斯大学);Johns Hopkins University Applied Physics Lab(约翰斯·霍普金斯大学应用物理实验室)
针对多机器人编队控制中的不确定性与避障难题,提出基于PAC-NMPC的分布式滚动时域反馈运动规划,结合陀螺避障终端代价,仿真验证其性能媲美集中式且抗噪、可扩展。
2025-01-21 cs.RO
iPolicy: Incremental Policy Algorithms for Feedback Motion Planning
Shanghai University(上海大学);Mitsubishi Electric Research Laboratories(三菱电机研究实验室);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出iPolicy增量策略算法,通过集成采样与集值最优控制方法,在采样状态空间上执行异步值迭代以同时解决路径规划与控制器综合问题,并证明了其收敛性。
2024-01-05 cs.RO cs.SY eess.SY
Learning Feedback Terms for Reactive Planning and Control
Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学)
随着机器人技术、机器学习和机器感知的进步,越来越多的机器人将进入人类环境,协助完成日常任务。然而,动态变化的人类环境需要反应式运动计划。反应性可以通过重新规划来实现,例如模型预测控制,或者通过反应性反馈策略来实现,该反应性反馈策略响应于感觉事件来修改正在进行的行为。在本文中,我们研究了如何使用机器学习,以增加反应,以前学到的名义熟练的行为。我们通过学习由非线性微分方程表示的运动计划的反应性修改项来实现这一点。特别是,我们使用动态运动原语(DMPs)来表示一个技能和一个神经网络来学习一个反应性的政策,从人类示威。我们使用的机器人操作的避障作为一个试验台,以及探索域。我们的方法演示了如何将神经网络与物理洞察相结合,以确保在不同的障碍设置和运动持续时间上的稳健行为。对拟人机器人系统的评价证明了我们工作的有效性。
2017-03-03 cs.RO
Smooth Feedback Motion Planning with Reduced Curvature
Faculty of Information Technology and Electrical Engineering, University of Oulu(信息科技与电气工程学院,奥卢大学)
本文提出一种高效方法,通过系统对齐局部向量场和构造最大星形链,减少路径弯曲,提升机器人运动效率和控制效果。
2026-04-02 cs.RO
Direct NMPC for Post-Stall Motion Planning with Fixed-Wing UAVs
固定翼无人机(UAV)在速度、续航力和效率方面比旋翼无人机具有显著的性能优势。然而,这些车辆传统上在机动性方面受到严重限制。在本文中,我们提出了一种非线性控制方法,使特技飞行的固定翼无人机在受限空间机动。我们的方法利用全状态直接轨迹优化和一个最小的,但代表性的,非线性飞机模型,以5 Hz的实时规划侵略性的固定翼轨迹在大迎角。随机运动规划用于避免局部最小值,局部线性反馈用于补偿更新之间的模型不准确性。我们证明了我们的方法在硬件和局部线性反馈和重新规划是必要的成功导航的复杂环境中存在的模型的不确定性。
2020-01-30 cs.RO
Towards Personalized Explanation of Robot Path Planning via User Feedback
University of Virginia(弗吉尼亚大学)
先前的研究发现,解释机器人的决策和行动有助于提高系统的透明度,提高用户的理解,并实现有效的人机协作。在本文中,我们提出了一个系统,通过用户反馈生成个性化的机器人路径规划的解释。我们考虑机器人在建模为马尔可夫决策过程(MDP)的环境中导航,并开发一种算法来自动生成最佳MDP策略的个性化解释,基于用户对四个元素(即,目标、位置、特异性和语料库)。此外,我们设计的系统与用户互动,通过回答用户的进一步的问题,产生的解释。用户可以选择更新他们的偏好以查看不同的解释。该系统能够通过用户交互来检测和解决任何偏好冲突。在线用户研究的结果表明,生成的个性化解释提高用户满意度,而大多数用户喜欢系统的问答和冲突检测/解决的能力。
2021-03-05 cs.AI cs.RO
PiP-X: Online feedback motion planning/replanning in dynamic environments using invariant funnels
University of Maryland(马里兰大学)
提出基于有限时间不变漏斗的在线采样运动重规划算法 PiP-X,结合图搜索、Lyapunov 分析与运动基元,在动态环境中为非线性机器人系统保证可行、可控的反馈轨迹。
2024-06-13 cs.RO
Experiments with Tractable Feedback in Robotic Planning under Uncertainty: Insights over a wide range of noise regimes (Extended Report)
Texas A\&M University, College Station TX 77843, USA, .
研究了不确定条件下的机器人规划问题。这个问题可以作为一个随机的最优控制问题,完整的解决方案,这是根本上是棘手的,由于臭名昭著的灾难的维数。我们报告的结果进行了广泛的模拟研究,我们比较了两种方法,这两种方法的目的是通过使用替代,虽然不准确,治疗反馈的手段来挽救易处理性。第一个是最近提出的方法,基于一个接近最佳的“解耦原理”的易处理的反馈设计,其中一个标称开环问题得到解决,其次是一个线性反馈设计的开环。第二种是模型预测控制(MPC),这是一种广泛使用的方法,它在执行过程中使用对标称开环问题的重复重新计算来校正噪声,尽管当被解释为反馈时,这只能说是一种隐式形式。我们研究了一个更广泛的范围比以前报道的噪声水平和经验证据表明,解耦方法允许在广泛的不确定性条件下,而不会过度牺牲性能的易于处理的规划。
2020-07-18 cs.RO cs.SY eess.SY
${\tt KRAFT}$: Sampling-Based Kinodynamic Replanning and Feedback Control over Approximate, Identified Models of Vehicular Systems
Rutgers University(罗格斯大学)
针对近似动力学模型下复杂动力学机器人轨迹执行安全性不足的问题,提出KRAFT方法,整合采样式动力学重规划、反馈控制与安全机制,经SysId调优模型,实验验证了规划层反馈闭环与长时域推理的重要性。
2024-09-17 cs.RO
Safe Feedback Motion Planning: A Contraction Theory and $\mathcal{L}_1$-Adaptive Control Based Approach
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
自主机器人能够在存在不完善的模型知识或外部干扰的情况下安全运行,这在安全关键应用中至关重要。在本文中,我们提出了一个规划者不可知的框架,设计和验证安全管周围所需的轨迹,机器人总是保证留在里面。利用最近的结果收缩分析和$\mathcal{L}_1$ -自适应控制,我们合成的架构,诱导安全管的非线性系统的状态和时变不确定性。我们演示了一些说明性的例子如何收缩理论为基础的$\mathcal{L}_1$ -自适应控制可以与传统的运动规划算法结合使用,以获得可证明安全的轨迹。
2020-05-25 cs.RO cs.SY eess.SY
Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);University of Michigan(密歇根大学);Johns Hopkins University(约翰斯·霍普金斯大学)
针对一类具有未知非线性随机欠驱动动力学的系统,提出了一种综合规划与控制的运行时安全性和目标可达性的统计保证方法.具体来说,给定一个动态数据集,我们的方法联合学习一个平均动态模型,一个空间变化的扰动界,它捕获噪声和模型失配的影响,以及一个基于收缩理论的反馈控制器,它稳定了学习的动态。我们提出了一个基于采样的规划器,使用平均动态模型,同时通过一个学习的干扰界的闭环跟踪误差的界限。我们采用极值理论(EVT)的技术来估计,到一个指定的置信水平,几个常数的特征学习组件和管理的跟踪误差界的大小。这确保了计划在运行时被安全地跟踪。我们验证,我们的保证转化为经验安全的模拟10 D四旋翼,并在现实世界中的物理CrazyFlie四旋翼和Clearpath豺狼机器人,而基线,忽略模型误差和随机性是不安全的。
2022-12-13 cs.LG cs.RO
Disturbance-aware minimum-time planning strategies for motorsport vehicles with probabilistic safety certificates
Dipartimento di Ingegneria Civile e Industriale, Università di Pisa(皮萨大学土木与工业工程系)
针对赛车最短圈速轨迹优化的鲁棒性问题,提出含开环协方差传播、闭环协变感知规划的扰动感知框架,经测试满足安全概率且闭环方案圈速损失更小,推动其实际部署。
2025-06-16 cs.RO
Safe Motion Planning for Quadruped Robots Using Density Functions
Clemson University(克莱姆森大学)
本研究针对四足机器人运动规划问题,提出基于密度函数的分层规划框架,结合高层反馈密度规划器、MPC轨迹优化与低层PID控制,通过仿真验证了方法的有效性并开源了代码。
2023-12-14 cs.RO
A Study of Shared-Control with Force Feedback for Obstacle Avoidance in Whole-body Telelocomotion of a Wheeled Humanoid
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
远程操作已经成为完全自主系统的替代解决方案,用于在类人机器人上实现人类水平的能力。具体来说,具有全身控制的遥操作是一种很有前途的免提策略来命令类人机器人,但需要更多的体力和脑力。为了缓解这一限制,研究人员提出了共享控制方法,将机器人决策纳入其中,以帮助人类完成低级任务,进一步减少操作工作量。然而,共享控制方法的轮式人形telelocomotion在全身水平上还有待探索。在这项工作中,我们研究了全身反馈如何影响不同的共享控制方法在不同环境中避障的性能。提出了一种基于时间导数的S形函数(TDSF),以产生更直观的障碍物力反馈。进行了全面的人体实验,结果得出结论,力反馈增强了在陌生环境中的全身远程运动性能,但可能会降低在熟悉环境中的性能。通过触觉传达机器人的意图显示了进一步的改进,因为操作员可以利用力反馈进行短距离规划,并利用视觉反馈进行长距离规划。
2022-09-12 cs.RO
Policy-Guided Lazy Search with Feedback for Task and Motion Planning
University of Toronto Robotics Institute(多伦多大学机器人研究所);University of BITS Pilani(Birla技术与科学学院皮拉尼大学);University of Toronto(多伦多大学)
针对PDDLStream方法求解任务与运动规划问题耗时久的问题,提出带策略引导与反馈的LAZY求解器,通过集成动作骨架搜索和自适应引导,在7自由度模拟操作任务中显著提升了求解速度。
2023-08-23 cs.AI cs.RO
Lazy-DaSH: Lazy Approach for Hypergraph-based Multi-robot Task and Motion Planning
Parasol Lab, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校帕萨尔实验室);Department of Computer Science, Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自主技术学院计算机科学系)
Lazy-DaSH通过分层惰性验证和约束反馈机制,在超图多机器人任务与运动规划中实现两倍以上扩展和十倍提速。
2025-10-27 cs.RO
Optimal Predefined-time Trajectory Planning for a Free-floating Space Robot
随着人类空间探索的不断深入,空间环境中逐渐充满了废弃的卫星碎片和未知的微小陨石,这些碎片将严重影响空间机器人的捕获运动。因此,本文将重点研究一种具有预定时间位姿反馈的双臂自由漂浮空间机器人(FFSR)快速避碰轨迹规划策略,以实现末端执行器的微米级跟踪精度。然而,与控制类似,指数反馈导致相对于比例反馈的较大的初始关节角速度。首先,从控制的角度推导出基于位姿误差的FFSR运动学模型。在预定时间轨迹规划中,采用累积危险场(CDF)避碰算法,实现了微米级的避碰轨迹跟踪精度。最后,采用基于遗传算法的优化算法对预定时间参数进行优化,得到了机器人手臂低关节角速度的运动轨迹。仿真结果验证了我们的猜想和结论。
2021-09-01 cs.RO math.OC
A Planning and Control Framework for Humanoid Systems: Robust, Optimal, and Real-time Performance
人形机器人越来越多地要求在交互式和人类包围的环境中操作,同时实现复杂的运动和操纵任务。为了完成这些任务,机器人专家们不懈地寻求产生全身协调行为的先进方法,同时实现各种规划和控制目标。毫无疑问,这些目标对机器人和控制界提出了根本性的挑战。为了减少理论基础和实际实现之间的性能差距,我们提出了一个规划和控制框架的人形,特别是足式机器人,实现高性能和敏捷的运动。一个特别的重点是强大的,最佳的和实时的【形】性能。该框架包括三个层次:首先,我们提出了一个强大的最优相空间规划框架,动态腿运动在粗糙的地形。该框架是一个混合运动规划器,包括一系列的关键组件。第二,我们采取了一个步骤,正式合成高层次的反应规划全身运动在受约束的环境。我们制定了一个两个球员的时间逻辑游戏之间的接触规划和它的可能敌对的环境。第三,我们提出了一个分布式控制架构的延迟倾向的人形机器人系统。一个中心的实验现象,观察到的高阻抗分布控制器的稳定性是高度敏感的阻尼反馈延迟,但刚度反馈延迟小得多。我们追求的分布式控制器的阻尼反馈的努力是在附近的控制工厂执行的详细分析,和刚度反馈的努力是在一个容易延迟的集中控制过程中实施。
2017-01-20 cs.RO math.OC
Adaptive Dual-Headway Unicycle Pose Control and Motion Prediction for Optimal Sampling-Based Feedback Motion Planning
Eindhoven University of Technology(埃因霍温理工大学);Eindhoven AI Systems Institute(埃因霍温人工智能系统研究所)
针对非完整约束独轮车机器人的位姿精准控制需求,提出自适应双车头距位姿控制方法,可提供凸反馈运动预测界,结合基于采样的最优运动规划,在仿真中生成的平滑运动性能显著优于传统距离度量方法。
2024-12-13 cs.RO cs.SY eess.SY
Feedback Motion Plan Verification for Vehicles with Bounded Curvature Constraints
The University of Tulsa(塔尔萨大学)
Dubin车辆的运动学近似在各种运动规划方法的制定中得到了很大程度的利用。在大多数这些方法中,规划和控制阶段是解耦的,并且拒绝干扰的负担留给控制器。这种方法的替代方案是使用反馈运动计划,其中对于每个状态,将执行特定的预先计算的动作。这种规划方法提供了离线验证所有轨迹的能力。可以使用向后可达性来执行验证,向后可达性提供了从其可达区域的配置集合。在本文中,我们制定了一个验证过程,依赖于使用几何原理的向后可达集的计算。除了该方法的理论基础,我们提供了一个数值实现的方法,我们说明了一个实际的例子。
2019-10-15 cs.RO cs.SY eess.SY
Planning with Learned Dynamics: Probabilistic Guarantees on Safety and Reachability via Lipschitz Constants
University of Michigan(密歇根大学)
我们提出了一种方法,反馈运动规划系统的未知动态提供概率保证的安全性,可达性和目标稳定性。为了找到一个域,在这个域中,可以信任真实动态的学习控制仿射近似,我们估计真实动态和学习动态之间的差异的Lipschitz常数,并确保估计在给定的概率下是有效的。提供的系统至少有尽可能多的控制状态,我们还推导出存在条件的一步反馈法,可以保持真正的系统在一个小范围内的标称轨迹规划与学习动态。我们的方法将反馈律的存在作为基于采样的规划器中的约束,该规划器返回围绕标称规划的反馈策略,确保如果Lipschitz常数估计有效,则真实系统在计划执行期间是安全的,达到目标,并且最终在关于目标的小集合中是不变的。我们通过使用6D四旋翼和7DOF Kuka臂的学习模型进行规划来演示我们的方法。我们表明,使用相同的学习动力学进行规划而不考虑误差范围或反馈法的存在的基线可能无法稳定在计划周围并变得不安全。
2021-10-19 cs.LG cs.RO cs.SY
Model Error Propagation via Learned Contraction Metrics for Safe Feedback Motion Planning of Unknown Systems
University of Michigan(密歇根大学)
我们提出了一种基于收缩的反馈运动规划的局部增量指数稳定系统的未知动态,提供概率安全性和可达性保证的方法。给定一个动态数据集,我们的方法学习动态的深度控制仿射近似。为了找到一个可信的域,这个模型可以用于规划,我们获得了一个估计的Lipschitz常数的模型误差,这是有效的,在一个区域周围的训练数据,提供了一个本地的,空间变化的模型误差范围。我们推导出一个轨迹跟踪误差界的收缩为基础的控制器,受到这个模型误差,然后学习控制器,优化这个跟踪界。在给定的概率下,验证了控制器的正确性和可信域中跟踪误差界的正确性。然后,我们使用与可信域绑定在一起的轨迹误差来指导基于采样的规划器返回可以在执行中鲁棒跟踪的轨迹。我们展示了4D汽车,6D四旋翼和22D可变形物体操作任务的结果,显示我们的方法使用高维欠驱动系统的学习模型安全地计划,而不考虑跟踪误差范围或可信域的基线计划可能无法稳定系统并变得不安全。
2022-03-01 cs.LG cs.RO cs.SY
Efficient Kinematic Planning for Mobile Manipulators with Non-holonomic Constraints Using Optimal Control
ETH Zürich(苏黎世联邦理工学院)
研究了具有非完整约束和完整操作空间跟踪约束的移动机械臂运动学轨迹规划问题。通过求解约束序列线性二次型最优控制问题,得到了系统的整体轨迹和时变运动反馈控制器。所采用的算法具有高效率,通过一个连续的时间制定,受益于自适应步长积分器和通过线性复杂度的积分步骤的数量。在第一个应用程序的例子中,我们解决了26自由度轮式机器人的运动轨迹规划问题。在第二个例子中,我们将约束SLQ应用到现实世界中的移动机械手在滚动时域最优控制的方式,在那里我们获得最优的控制器和计划的速率高达100 Hz。
2018-01-16 cs.RO
Motion Planning for Fluid Manipulation using Simplified Dynamics
University of North Carolina(北卡罗来纳大学)
我们提出了一个基于优化的运动规划算法来计算一个平滑的,无碰撞的轨迹用于机械手从源到目标容器的液体转移。我们考虑到流体动力学约束的轨迹计算的一部分。为了避免精确流体模拟的高复杂性,我们引入了一个简化的动力学模型的基础上物理启发的近似和系统辨识。我们的优化方法可以将各种其他约束,如碰撞避免与障碍物,机械手的运动学和动力学约束,流体动力学特性。我们展示了我们的规划器的性能在不同的基准对应于各种障碍物和容器的形状。此外,我们还评估其准确性,通过验证的运动计划,使用一个准确的,但计算成本高的Navier-Stokes流体模拟。
2016-03-08 cs.RO
Tiered-Resolution Volumetric Mapping for Real-Time Simultaneous Planning and Mapping on Natural Outdoor Environments
Institute of Systems and Robotics(系统与机器人研究所);University of Coimbra(科英布拉大学);Robotics Institute(机器人研究所);Carnegie Mellon University(卡内基梅隆大学)
该研究针对户外规划机器人的实时建图成本问题,提出分层分辨率体积建图机制,通过规划与建图的反馈循环,在保证路径质量的同时大幅减小地图尺寸、降低CPU时间开销。
2026-10-15 cs.RO
A Data-Driven Approach for Autonomous Motion Planning and Control in Off-Road Driving Scenarios
本文提出了一种新的数据驱动的方法,车辆运动规划和控制在越野驾驶场景。对于自动越野驾驶,环境条件会影响地形的可通行性,这是天气、表面成分和坡度的函数。处理地理信息系统和国家环境信息中心数据集,为交互式规划和控制系统要素提供这一信息。顶层全局路线规划器(GRP)使用动态规划(DP)来定义最优航路点。本地路径规划器(LPP)计算航路点之间的期望轨迹,从而避免不可行的控制状态和与障碍物的碰撞。LPP还利用实时感测和控制数据更新GRP。一个低层次的反馈控制器应用反馈线性化渐近跟踪指定的LPP轨迹。自动驾驶模拟结果的地形穿越俄勒冈州和印第安纳州的案例研究。
2018-05-25 cs.AI cs.RO
Safe Output Feedback Motion Planning from Images via Learned Perception Modules and Contraction Theory
University of Michigan(密歇根大学)
针对一类不确定控制仿射非线性系统提出了一种运动规划算法,该算法在使用高维传感器测量(例如,RGB-D图像)和反馈控制环路中的学习感知模块。首先,给定状态和观测的数据集,我们训练感知系统,该感知系统试图从观测中反转状态的子集,并估计感知误差的上界,该上界在数据附近的可信域中以高概率有效。其次,我们利用收缩理论设计了一个稳定的状态反馈控制器和一个收敛的动态状态观测器,该观测器使用学习的感知系统来更新其状态估计。我们推导出的轨迹跟踪误差时,这个控制器受到错误的动态和不正确的状态估计。最后,我们将此边界集成到基于采样的运动规划器中,引导它返回可以使用传感器数据在运行时安全跟踪的轨迹。我们在4D汽车,6D平面四旋翼和17 D操纵任务的RGB(-D)传感器测量的模拟中演示了我们的方法,证明我们的方法安全可靠地将系统引导到目标,而不考虑可信域或状态估计误差的基线可能是不安全的。
2022-08-23 cs.AI cs.CV cs.LG
Model-Predictive Spill-Free Emergency Stopping for Liquid-Manipulating Robots
Intelligent Robotics Group at the Department of Electrical Engineering and Automation, School of Electrical Engineering, Aalto University, Finland(阿alto大学电气工程学院智能机器人小组)
本文提出一种紧急停止系统,通过模型预测控制框架解决液体操控中的突发危险问题,实现快速无泄漏停止。
2026-11-13 cs.RO
Time-Optimal Transport of Loosely Placed Liquid Filled Cups along Prescribed Paths
Institute of Robotics, Johannes Kepler University Linz(约翰内斯·开普勒林茨大学机器人研究所)
针对机器人运输松散放置盛液杯易溢出的问题,将晃动动力学纳入最优控制动力学模型,用直接多重打靶法求解,实现沿指定路径最短时间运输且避免液体溢出。
2025-10-29 cs.RO
Deep Reinforcement Learning Graphs: Feedback Motion Planning via Neural Lyapunov Verification
本文提出一种基于深度强化学习控制器图与神经网络的反馈运动规划算法,通过树结构和图结构两种连接方式分别实现点到点和空间到空间控制,并在一阶动态系统上验证了其有效性。
2023-11-29 cs.RO cs.SY eess.SY
Near-Optimal Belief Space Planning via T-LQG
Texas A&M University(德克萨斯A&M大学)
本文提出T-LQG方法,用于非线性机器人系统在观测和运动不确定性下的规划问题,提供近优反馈控制策略,解决POMDP问题。
2017-07-10 cs.RO cs.SY eess.SY
Motion planning and Collision Avoidance using Non-Gradient Vector Fields. Technical Report
University of Michigan(密歇根大学)
本文提出了一种新的反馈方法,用于单机器人在静态障碍物环境中的运动规划,并将其推广到多机器人系统的分布式规划和协调。该方法采用了一个家庭的2维解析向量场,其积分曲线表现出各种模式,这取决于一个参数λ的值。更具体地,对于λ的先验已知值,矢量场具有偶极类型的唯一奇点,并且可以用于将单极转向目标配置。此外,对于λ的唯一值,矢量场具有连续的奇点,积分曲线被用来定义绕障碍物的流动。然后,通过在静态障碍物环境中适当地混合吸引和排斥矢量场,可以构建几乎全局的反馈运动规划。该方法不受汇(稳定节点)远离目标点的外观。与其他类似的方法是免费的局部极小值相比,所提出的方法不需要任何参数调整,使所需的收敛性能。本文还讨论了扩展的方法,多个机器人的分布式协调和控制,其中每个机器人需要导航到一个目标配置,同时避免与其余的机器人碰撞,同时只使用本地信息。更具体地说,基于适用于单机器人的情况下的结果,提出了一个运动协调协议,保证多机器人系统的安全性和几乎全局收敛的机器人到他们的目标配置。所提出的方法的有效性证明通过在静态和动态环境中的仿真结果。
2014-10-13 cs.RO
Embodied Active Domain Adaptation for Semantic Segmentation via Informative Path Planning
ETH Zürich(苏黎世联邦理工学院)
这项工作提出了一个具体的代理,可以适应其语义分割网络,以完全自主的方式,以新的室内环境。由于语义分割网络无法很好地推广到看不见的环境,代理收集新环境的图像,然后将其用于自监督领域自适应。我们制定这作为一个信息路径规划问题,并提出了一种新的信息增益,利用从语义模型中提取的不确定性,安全地收集相关数据。随着领域自适应的进展,这些不确定性随着时间的推移而变化,我们系统的快速学习反馈驱动代理收集不同的数据。实验表明,与探索目标相比,我们的方法适应新环境的速度更快,最终性能更高,并且可以成功地部署到物理机器人的真实世界环境中。
2022-07-04 cs.RO
Interactive multi-modal motion planning with Branch Model Predictive Control
California Institute of Technology(加州理工学院)
自主机器人和车辆的运动规划存在的不受控制的代理仍然是一个具有挑战性的问题,因为反应行为的不受控制的代理必须考虑。由于不受控制的智能体通常表现出多模态反应行为,运动规划器需要解决这些行为下的连续运动规划问题,其中包含离散元素。我们提出了一个分支模型预测控制(MPC)框架,计划反馈策略,利用不受控制的代理的反应行为。特别是,一个场景树是从一个有限的一组不受控制的代理的政策,和分支MPC解决了反馈策略的轨迹树的形式,共享相同的拓扑结构的场景树。此外,一致的风险度量,如条件风险价值(CVaR)被用作调整旋钮,以调整性能和鲁棒性之间的权衡。建议的分支MPC框架进行测试的超车和变道任务和合并任务的自动驾驶车辆的模拟,并在实验中的一个自主四足机器人旁边的不受控制的四足动物的运动规划。结果展示了有趣的人类行为,实现了安全和性能之间的平衡。
2021-09-18 cs.RO cs.SY eess.SY
From Low to High Order Motion Planners: Safe Robot Navigation using Motion Prediction and Reference Governor
Eindhoven University of Technology(埃因霍温理工大学);Eindhoven AI Systems Institute(埃因霍温人工智能系统研究所)
安全地绕过障碍物是高度动态机器人面临的一个根本挑战。使用轨迹优化和跟踪控制使简单参考路径规划器适应复杂机器人动力学的现有方法是脆弱的,并且需要显著的重新规划周期。在本文中,我们介绍了一种新的反馈运动规划框架,该框架将低阶(例如位置/速度控制)参考运动规划器的适用性扩展到高阶(例如,加速度/急动控制的)机器人模型。我们使用预测的机器人运动范围进行安全评估,并建立一个双向的接口之间的高层次的规划和低层次的控制,通过一个参考总督。我们描述了我们的反馈运动规划框架的通用基本构建块,并给出了运动控制,预测和参考规划的具体示例结构。我们证明了我们的规划框架的正确性,并在数值模拟中展示了其性能。我们的结论是,准确的运动预测是至关重要的高层次的规划和低层次的控制之间的差距。
2022-02-25 cs.RO cs.SY eess.SY
Robust Tracking with Model Mismatch for Fast and Safe Planning: an SOS Optimization Approach
Dept. of Aeronautics and Astronautics, Stanford University(航空航天系,斯坦福大学);Dept. of Electrical Engineering and Computer Science, University of California, Berkeley(电气工程与计算机科学系,加州大学伯克利分校)
本文提出了一种基于SOS优化的方法,用于在快速且安全的规划中处理模型不匹配问题,通过设计反馈跟踪控制器和跟踪界限,以在不精确模型下保证系统安全性。
2019-07-29 cs.RO cs.SY eess.SY
A Closed-Loop Linear Covariance Framework for Vehicle Path Planning in a Static Uncertain Obstacle Fiel
Air Force Institute of Technology(空军理工学院)
不确定环境下的路径规划是实现车辆真正自主的关键。在过去的二十年中,已经开发了许多方法来解决车辆路径中的错误,同时导航复杂且通常不确定的环境。这种规划的一个重要功能是预测车辆分散协方差的候选path. This工作开发了一个新的闭环线性协方差(CL-LinCov)的框架,适用于广泛的自治系统架构。所开发的框架的重要特征包括:(1)从低级控制中分离高级制导,(2)支持具有内部状态、动态和输出的输出反馈控制器,以及(3)用于导航状态传播、制导和反馈控制的多用途连续传感器。该框架的闭环性质保留了系统动力学、外生干扰和制导、导航和控制算法之间的重要耦合。所开发的框架被应用到一个简化的模型的无人机,并通过比较,通过蒙特卡罗分析进行验证。CL-LinCov信息的效用说明了其应用程序的路径规划在一个静态的,不确定的障碍领域通过修改后的版本的快速探索随机树算法。
2021-10-05 cs.RO cs.SY eess.SY
Open-Loop and Feedback Nash Trajectories for Competitive Racing with iLQGames
Technical University of Munich(慕尼黑工业大学);TUM School of Engineering and Design(慕尼黑工业大学工程与设计学院);Chair of Automatic Control(自动控制讲座教授);Professorship of Autonomous Vehicle Systems(自主车辆系统讲座教授)
本研究将赛车建模为动态博弈,采用iLQGames求解开环与反馈Nash均衡,评估其在交互感知、竞争性和安全性方面的轨迹规划适用性,并比较两种均衡的行为差异。
2024-02-02 cs.GT cs.RO
Funnel Libraries for Real-Time Robust Feedback Motion Planning
Massachusetts Institute of Technology(麻省理工学院)
本文提出利用预计算的 funnel 库实现实时鲁棒反馈运动规划,通过凸优化计算 funnel 并在运行时安全组合运动计划,验证了在复杂环境中高动态机器人系统鲁棒性和安全性。
2017-04-29 cs.AI cs.RO cs.SY
MAGIC: Learning Macro-Actions for Online POMDP Planning
National University of Singapore(新加坡国立大学)
部分可观测马尔可夫决策过程(POMDP)是机器人在不确定性条件下进行决策的基本框架,但当需要进行长期规划时,POMDP规划具有较高的计算复杂性。虽然时间扩展的宏动作有助于减少有效的规划视野和显着提高计算效率,我们如何获得良好的宏动作?本文提出了Macro-Action Generator-Critic(MAGIC),它对针对在线POMDP规划优化的宏动作进行离线学习。具体来说,MAGIC端到端地学习宏动作生成器,使用在线计划器的性能作为反馈。在在线规划过程中,生成器根据机器人的信念和环境上下文生成动态的情境感知宏动作。我们评估了MAGIC在模拟和真实机器人上的几个长期规划任务。实验结果表明,与原始动作和手工宏动作相比,学习的宏动作在在线规划性能方面具有显着优势。
2021-07-01 cs.AI cs.LG cs.RO
On-Policy Distillation of Language Models for Autonomous Vehicle Motion Planning
Stanford University(斯坦福大学);University of California, San Diego(加州大学圣地亚哥分校);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文研究如何将大模型的运动规划知识迁移到小模型,提出在线通用知识蒸馏方法,在nuScenes基准测试中表现优于强化学习基线,模型规模缩小5倍仍保持高性能。
2026-04-09 cs.AI cs.RO cs.SY
Data-Driven Motion Planning for Uncertain Nonlinear Systems
Department of Mechanical Engineering, Michigan State University(机械工程系,密歇根州立大学);Mitsubishi Electric Research Laboratories (MERL)(三菱电机研究实验室(MERL))
本文提出一种仅依赖数据的非线性系统运动规划框架,通过构建重叠不变多面体、学习椭球不变集与增益、插值控制实现安全运动,仿真验证了其生成复杂非线性系统安全可行路径的有效性。
2025-07-31 cs.LG cs.RO cs.SY
A Near-Optimal Separation Principle for Nonlinear Stochastic Systems Arising in Robotic Path Planning and Control
Texas A&M University(德克萨斯A&M大学)
本文提出了一种针对机器人路径规划与控制中非线性随机系统的近最优分离方法,通过小噪声假设实现可计算的近最优控制设计,同时推导出具有高斯噪声的非线性随机系统的轨迹优化线性二次调节器设计。
2017-05-24 cs.RO cs.SY eess.SY
Uncertainty-aware Planning with Inaccurate Models for Robotized Liquid Handling
Department of Electronics, Information and Bioengineering, Politecnico di Milano(电子、信息与生物工程系,米兰理工大学)
针对机器人液体处理中模型因认知不确定性和 sim-to-real 差距而不准确的问题,提出不确定性感知 MCTS,使搜索偏向低不确定性动作,在少数据训练的倾倒任务中提升成功率与鲁棒性。
2025-07-28 cs.RO
From Vague Instructions to Task Plans: A Feedback-Driven HRC Task Planning Framework based on LLMs
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Toyota Technological Institute at Chicago(芝加哥丰田理工学院)
提出一种结合LLMs与人类反馈的混合框架,能从模糊指令推理并基于实时反馈动态生成符合人类意图的人机协作任务计划,且仅需单一简洁提示词即可广泛适用。
2025-03-02 cs.RO
Bayesian Active Inference for Intelligent UAV Anti-Jamming and Adaptive Trajectory Planning
University of Genoa(热那亚大学);Italian National Inter-University Consortium for Telecommunications (CNIT)(意大利国家大学电信联合体(CNIT))
本文提出基于贝叶斯主动推断的无人机抗干扰与自适应轨迹规划方法,通过结合专家示范与概率生成模型,实现高层规划与底层策略的协同,有效减少干扰并提升任务效率。
2025-12-05 cs.AI cs.RO cs.SY
DoorBot: Closed-Loop Task Planning and Manipulation for Door Opening in the Wild with Haptic Feedback
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对机器人在非结构化环境中开门泛化性差的问题,提出触觉感知的闭环分层控制框架,通过实时力反馈动态调整策略,在20扇未知门上实现90%成功率,为开放世界铰接物体操作提供支持。
2025-04-12 cs.RO
Grounding LLMs For Robot Task Planning Using Closed-loop State Feedback
本文提出BrainBody-LLM方法,通过闭环反馈机制提升LLMs在机器人任务规划中的鲁棒性,实现在复杂任务中的显著性能提升。
2025-11-20 cs.RO
VersualRL: Closed-Loop Verbal Reinforcement Learning with Visual Execution Feedback for Task-Level Robot Planning
Intelligent Space Robotics Laboratory, Skolkovo Institute of Science and Technology(智能空间机器人实验室,斯克尔科夫科学与技术研究所)
提出闭环言语强化学习框架,通过大语言模型与视觉语言模型交互,在符号规划层迭代优化行为树,实现可解释的任务级规划与执行不确定性下的自适应。
2026-07-21 cs.RO
Socially-Aware Robot Planning via Bandit Human Feedback
Duke University(杜克大学)
在本文中,我们考虑的问题,设计无碰撞,动态可行的,和社会意识的机器人在人类居住的环境中运行的轨迹。如果轨迹不会以任何方式干扰人类,导致不适,我们将其定义为具有社会意识。在本文中,不适的定义是广泛的,根据具体的个人,它可能是由于机器人太接近人类或干扰人类的视线或任务。此外,我们假设人类的反馈是一个强盗反馈,表示投诉或没有投诉的一部分,机器人轨迹,干扰人类,它不透露任何上下文信息的位置的人或投诉的原因。最后,我们假设人类可以在无障碍空间中移动,因此,人类效用可以改变。我们制定这个规划问题作为一个在线优化问题,最大限度地减少社会价值的时变机器人轨迹,所产生的人类投诉的总数定义。由于人类的效用是未知的,我们采用零阶,或导数免费,优化方法来解决这个问题,我们结合现成的运动规划,以满足动态的可行性和无碰撞规格的轨迹。据我们所知,这是一个新的框架,社会意识的机器人规划,不限于避免与人类的碰撞,而是专注于增加社会价值的机器人轨迹只使用强盗人类反馈。
2020-03-02 cs.RO
InterPreT: Interactive Predicate Learning from Language Feedback for Generalizable Task Planning
University of California, Los Angeles(加州大学洛杉矶分校);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出 InterPreT 框架,通过 LLM 在具身交互中从人类语言反馈学习符号谓词与算子并编译为 PDDL 领域,实现长时程机器人规划,在复杂新任务上泛化性强,成功率显著优于基线。
2024-05-30 cs.RO
Technical Report: Reactive Semantic Planning in Unexplored Semantic Environments Using Deep Perceptual Feedback
University of Pennsylvania(宾夕法尼亚大学)
本文提出了一种反应式规划系统,该系统通过整合和利用深度感知学习和概率语义推理的进步来实现,通过紧密集成的语义表示来丰富环境的拓扑表示。我们的架构结合了目标检测与语义SLAM,提供强大的,反应式的逻辑以及几何规划在未开发的环境。此外,通过结合人体网格估计算法,我们的系统能够实时的反应和响应语义标记的人体运动和姿态。新的正式结果允许跟踪适当的非对抗性移动目标,同时保持相同的碰撞避免保证。我们建议的经验效用的建议控制架构的数值研究,包括比较与一个国家的最先进的动态重新规划算法,并在不同的设置与几何和语义目标的轮式和腿式平台上的物理实现。
2020-05-04 cs.RO