Game-Theoretical Strategy of Robot in the Area with Dynamical Obstacles
Saint-Petersburg State University(圣彼得堡国立大学)
机器人操作的有效性在很大程度上取决于执行任务所需的这种或那种运动的速度。因此,机器人的最优控制问题通常分为两个子问题,分别解决。在一个自主制度的轨迹规划是履行提供机器人的运动时间接近最小。
2018-01-23 cs.RO math.OC
Safety-critical Locomotion of Biped Robots in Infeasible Paths: Overcoming Obstacles during Navigation toward Destination
North Carolina State University(北卡罗来纳州立大学);California Institute of Technology(加州理工学院)
本研究针对多障碍环境下足式机器人穿越不可行路径的安全运动问题,提出带安全条件层级的运动控制框架,结合混合线性倒立摆模型与干扰观测器,无需额外规划即可实现鲁棒安全的双足导航。
2024-09-16 cs.RO
Minimum Displacement Motion Planning for Movable Obstacles
University of Genoa(热那亚大学)
本文提出了一个最小位移运动规划问题,其中障碍物的最小位移量,以找到一个可行的路径。我们定义了一个度量的机器人障碍物相交的交叉和使用此惩罚机器人障碍重叠。采用实际的机器人动力学,规划者首先找到一条路径,通过障碍物,最大限度地减少机器人障碍物的交叉点。然后,该度量被用来迭代地取代障碍物,以实现一个可行的路径。提供了几个例子,成功地证明了所提出的问题。
2022-04-27 cs.AI cs.RO
Obstacle Avoidance in Dynamic Environments via Tunnel-following MPC with Adaptive Guiding Vector Fields
Chalmers University of Technology(查尔姆斯理工大学);Lund University(隆德大学)
本文提出了一种机器人在动态环境中的运动控制方案与凹障碍。一个模型预测控制器(MPC)被构造为驱动机器人朝向目标位置,同时确保避免碰撞,而不直接使用的障碍物信息的优化问题。这是通过保证一个适当设计的滚动时域路径的跟踪性能来实现的。该路径使用定义在自由工作空间的子空间中的引导向量场来计算,其中子空间中的每个点满足到所有障碍物的最小距离的标准。仿真结果表明了该控制方案的有效性。
2023-03-28 cs.RO
Improved Obstacle Avoidance for Autonomous Robots with ORCA-FLC
Dept. of Electrical Engineering and Computer Science(电气工程与计算机科学系);University of North Dakota(北达科他大学)
针对ORCA算法在多智能体动态环境中的局限性,提出ORCA-FL方法,利用模糊逻辑控制器处理路径规划中的不确定性,并结合模糊Q强化学习优化控制器,实验证明其在高速场景下能显著减少碰撞次数。
2025-08-08 cs.RO
Dynamic Path Planning and Replanning for Mobile Robots using RRT*
University of Nevada, Reno(内华达大学里诺分校)
移动机器人必须能够有效地规划从其起始位置或当前位置到期望目标位置的路径。当环境是静态的时,这是一个微不足道的任务。然而,机器人的操作环境很少是静态的,并且它经常具有许多移动障碍物。机器人可能会遇到这些未知和不可预测的移动障碍物中的一个或多个。机器人在遇到障碍物时需要决定如何前进,提出了一种基于RRT* 的动态重规划方法。当未知的随机运动障碍物阻挡路径时,机器人将修改其当前的规划,各种实验结果表明了该方法的有效性。
2017-04-15 cs.RO
Path Planning with Potential Field-Based Obstacle Avoidance in a 3D Environment by an Unmanned Aerial Vehicle
University of Zagreb, Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
本文研究未知环境下空中机器人的路径规划与避障问题,提出一种基于旋转组件改进 APF 的算法,结合 MPC 跟踪器实现轨迹快速重规划,仿真表明其有效解决了局部极小值问题并生成了更优避障路径。
2023-06-28 cs.RO
Fast and Bounded Probabilistic Collision Detection in Dynamic Environments for High-DOF Trajectory Planning
University of North Carolina(北卡罗来纳大学)
我们提出了一种新的方法来执行高自由度的机器人和高自由度的障碍物在动态,不确定的环境中的概率碰撞检测。在高自由度机器人和移动障碍物的动态环境中,我们的方法有效地计算机器人和障碍物之间的准确碰撞概率的误差上限。此外,我们描述了一个预测算法,未来的障碍物的位置和运动,占空间和时间的不确定性。提出了一种基于概率碰撞检测的高自由度机器人在动态、不确定环境中的轨迹优化算法。我们强调运动规划性能在具有挑战性的情况下,机器人手臂在动态移动的人类障碍物的环境中操作。
2016-07-16 cs.RO
Reactive Navigation of an Unmanned Aerial Vehicle with Perception-based Obstacle Avoidance Constraints
Luleå University of Technology(吕勒奥理工大学)
在这篇文章中,我们提出了一个反应式约束导航方案,嵌入式避障无人机(UAV),使导航在障碍物密集的环境。提出的导航体系结构是基于非线性模型预测控制(NMPC),并利用机载2D激光雷达检测障碍物和在线翻译的关键几何信息的环境中的NMPC的参数约束,约束的可用位置空间的无人机。本文还重点介绍了所提出的反应式导航方案的真实实现和实验验证,并将其应用于多个具有挑战性的实验室实验中,并与相关的反应式避障方法进行了比较。在所提出的方法中使用的求解器是优化引擎(OpEn)和近端平均牛顿最优控制(PANOC)算法,其中的惩罚方法被施加到适当地考虑障碍物和输入约束在导航任务。所提出的新方案允许快速解决方案,同时使用有限的机载计算能力,这是UAV的整体闭环性能所需的特征,并且应用于多个实时场景。内置的避障和实时适用性的组合,使所提出的反应式约束导航方案的一个优雅的框架,无人机,能够执行快速非线性控制,本地路径规划和避障,所有嵌入在控制层。
2022-07-04 cs.RO
A New Concept for an Obstacle Avoidance System for the AUV "SLOCUM Glider" Operation under Ice
本文提出了一种基于SLOCUM水下滑翔机的冰下自主水下机器人控制系统的概念。将介绍项目概念、今后一年半的单独工作任务和初步成果。在这种情况下,避障系统的结构和模拟器结构与传感器和环境模拟以及接口的滑翔机硬件将被讨论。作为主要研究的第一个结果,将描述用于时变环境(可变海洋场、移动障碍物)中的路径规划的基于图的算法。
2017-02-26 cs.RO
Collision Avoidance for Dynamic Obstacles with Uncertain Predictions using Model Predictive Control
UC Berkeley(加州大学伯克利分校);Ford Research and Advanced Engineering(福特研究与高级工程部门)
我们提出了一个模型预测控制(MPC)之间的碰撞避免自主智能体和动态障碍物的不确定预测。避碰约束是通过强制执行代表代理和障碍物的凸集之间的正距离来施加的,并使用拉格朗日对偶将其可追溯地重新表述。这种方法允许平滑的碰撞避免约束,即使是多面体,否则需要混合整数或非平滑的约束。我们考虑三种广泛使用的描述不确定的障碍物的位置:1)任意分布的多面体支持,2)高斯分布和3)任意分布的前两个时刻已知。对于每一种情况下,我们得到确定性的重新制定的碰撞避免约束。建议MPC制定优化过反馈政策,以减少保守性,满足避碰约束。在CARLA中对交通交叉口进行了仿真,验证了该方法的有效性.
2022-08-06 cs.RO math.OC
Dynamic Control Barrier Function-based Model Predictive Control to Safety-Critical Obstacle-Avoidance of Mobile Robot
Tsinghua University(清华大学);ETH Zurich(苏黎世联邦理工学院);Harbin Institute of Technology(哈尔滨工业大学)
本文提出了一种基于激光雷达的高效、安全的避障方法。首先利用点云数据生成实时局部栅格地图进行障碍物检测。然后,利用DBSCAN算法对障碍物进行聚类,并用最小边界椭圆(MBE)包围障碍物。此外,进行数据关联以将每个MBE与当前帧中的障碍物匹配。将MBE作为观测量,采用卡尔曼滤波器(KF)对障碍物的运动状态进行估计和预测。以这种方式,每个障碍物在前向时域中的轨迹可以被参数化为一组椭圆。由于分子束外延的不确定性,为了保证安全,对参数化椭圆的半长轴和半短轴进行了延长。本文对传统的控制障碍函数(CBF)进行了扩展,提出了动态控制障碍函数(D-CBF)。我们结合D-CBF和模型预测控制(MPC)来实现安全关键的动态避障。仿真和真实场景实验验证了算法的有效性。现将源代码发布,供社区参考。
2022-09-18 cs.RO
Vision-based navigation and obstacle avoidance via deep reinforcement learning
University of Connecticut(康涅狄格大学);Boston University(波士顿大学)
导航算法的发展是必不可少的成功部署的机器人在迅速变化的危险环境中的配置的先验知识往往是有限的或不可用的。使用传统的路径规划算法,这是基于本地化和需要详细的障碍物地图与目标位置,是不可能的。在这方面,基于视觉的算法有很大的希望,因为视觉信息可以很容易地被机器人的机载传感器获取,并提供了更丰富的信息源,深度神经网络可以从中提取复杂的模式。深度强化学习已被用于实现基于视觉的机器人导航。然而,这些算法在环境中的动态障碍物和高变化的配置空间的有效性还没有得到彻底的研究。在本文中,我们采用了一种深度Dyna-Q学习算法,用于在部分可观察的环境中基于机载摄像头的低分辨率原始图像数据进行房间疏散和避障。我们探讨了机器人代理的性能在环境中包含没有障碍物,凸障碍物,凹障碍物,静态和动态。在强化学习的每一集开始时,在随机位置初始化障碍物和出口。总的来说,我们表明,我们的算法和训练方法可以推广学习无碰撞疏散的环境与复杂的障碍配置。很明显,智能体可以导航到一个目标位置,同时避免多个静态和动态的障碍物,并可以逃离一个凹形障碍物,同时搜索和导航到出口。
2022-11-09 cs.RO
POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
提出可嵌入的 POA 规划器,通过识别可通行与不可通行障碍物,让两轮机器人在高度杂乱环境中穿越可通行障碍,并较 GVD、A*、RRT* 最多缩短路径 43%、时间 39%。
2023-07-16 cs.AI cs.RO
Creating Star Worlds: Reshaping the Robot Workspace for Online Motion Planning
Chalmers University of Technology(查尔姆斯理工大学);Lund University(隆德大学)
运动规划方法,如导航功能和谐波势场提供(几乎)全局收敛,并适合于在动态变化的环境中避障,由于其反应性质。控制设计中的一个常见假设是机器人在不相交的星形世界中运行,即所有障碍物都是严格的星形并且相互不相交。然而,在现实生活中,障碍物可能会相交,由于扩展的障碍物区域对应于机器人半径或安全裕度。为了扩大上述反应式运动规划方法的适用性,我们提出了一种方法,以重塑一个工作空间的相交的障碍成一个不相交的星形世界。该算法是基于两个新的概念,即容许核和指定核的星形壳,这是密切相关的星形壳的概念。所提出的方法的利用说明与机器人在2D工作空间中使用谐波势场方法结合开发的算法操作的例子。
2023-03-27 cs.RO
Edge Coverage Path Planning for Robot Mowing
Wayne State University(韦恩州立大学)
由于机器人技术的快速发展,机器人割草正在出现,以解放人类从繁琐和耗时的景观工作。传统上,机器人割草被认为是一个“覆盖路径规划”的问题,与简化,将非凸障碍转化为凸障碍。此外,通常通过机器人外接圆对转换后的障碍物进行扩张以避免碰撞。然而,当应用于机器人割草时,草坪中的障碍物通常是非凸的,想象一下草坪上的花园,使得所提到的障碍物处理方法将填充一些凹进区域,使得它们不再被机器人接近,并且因此沿着草坪边缘产生不可避免的未切割区域,这使景观的优雅变得暗淡并且引起返工。为了缩小草坪边缘周围的未切割区域,我们在此将该问题重新构建为一个全新的问题,命名为“边缘覆盖路径规划”问题,该问题专用于路径规划,目标是覆盖边缘。相应地,我们提出了两种规划方法,“大小盘”和“滑动盘”规划方法来解决这个问题,利用图像形态学处理和计算几何技能。通过验证,我们提出的方法可以优于传统的“外接圆膨胀”的方法。
2022-09-12 cs.RO
Path planning and Obstacle avoidance approaches for Mobile robot
Budapest University of Technology and Economics(布达佩斯技术与经济大学);Hanoi University of Science and Technology(河内科技大学)
提出并实现了一种新的移动机器人路径规划方法。一方面,基于从起点到目标点的最短路径,该路径规划器可以选择MR的最佳移动方向,这有助于尽快到达目标点。另一方面,智能避障,我们的方法可以找到目标点与近最短的路径长度,同时避免一些无限循环陷阱的多个障碍物在未知的环境。两种方法的结合有助于MR以非常可靠的算法到达目标点。此外,通过不断更新的车载传感器的信息,该方法可以生成的MR轨迹在静态和动态环境。在一些类似的研究环境中进行了大量的仿真,证明了所提出的路径规划算法的能力。
2016-09-07 cs.RO
RoboNav-Arm: Agentic AI-Driven Navigation and Obstacle Avoidance for Robotic Manipulator in Cluttered Environments
Centre for Artificial Intelligence and Robotics (CAIR), Indian Institute of Technology Mandi(人工智能与机器人中心(CAIR),印度曼迪理工学院)
针对杂乱环境中机器人操纵器面临的挑战,提出含环境、中央协调和规划模块的安全任务执行框架,能实时检测与定位障碍物,依环境选算法规划轨迹并优化,在Gazebo Classic中评估,展现动态场景鲁棒性。
2026-07-14 cs.RO
A Sequential MPC Approach to Reactive Planning for Bipedal Robots
University of Delaware(特拉华大学)
针对动态环境下双足机器人的反应式运动规划问题,提出了一种序贯模型预测控制(MPC)方法。该方法依赖于一个连续的多面体分解的自由空间,它提供了一个有序的收集相互交叉的无障碍多面体和航路点。这些随后用于定义MPC程序的相应序列,该MPC程序将系统驱动到目标位置,避免静态和移动障碍物。通过这种方式,规划器专注于机器人附近的自由空间,从而减轻了同时考虑所有障碍物的需要,并减少了计算时间。我们验证了我们的方法在高保真度模拟与双足机器人Digit的功效,展示了强大的反应规划中存在的静态和移动障碍物。
2022-04-30 cs.RO
Decentralized MPC based Obstacle Avoidance for Multi-Robot Target Tracking Scenarios
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Tübingen(图宾根大学);International Institute for Information Technology(国际信息技术研究所)
在这项工作中,我们考虑的问题,分散的多机器人目标跟踪和避障在动态环境中。每个机器人执行基于模型预测控制(MPC)的局部运动规划算法。规划器被设计为二次规划,受到机器人动力学和避障的约束。采用排斥势场函数来避开障碍物。我们的方法的新颖之处在于嵌入这些非线性势场函数的约束条件内的凸优化框架。我们的方法convexifies非凸约束和依赖关系,通过将它们替换为机器人动力学中预先计算的外部输入力。所提出的算法还采用了不同的方法,以避免使用潜在的场函数规划领域的局部极小值问题。运动规划器不强制执行预定义的轨迹或任何形成的机器人的几何形状,是一个全面的解决方案,在多机器人目标跟踪的背景下,合作避障。我们在不同的环境下进行仿真研究,以展示所提出的算法的收敛性和有效性。模拟研究视频:\url{https://youtu.be/umkdm82Tt0M}
2019-09-01 cs.MA cs.RO cs.SY
Informed Circular Fields for Global Reactive Obstacle Avoidance of Robotic Manipulators
Leibniz University Hannover(汉诺威莱布尼茨大学);Technical University Munich(慕尼黑工业大学)
本文扩展了圆场预测(CFP)规划器,提出一种利用全局避障方向信息的机器人机械臂全局反应式运动规划框架,在降低计算量的同时实现整体结构避障与轨迹优化。
2023-08-04 cs.RO cs.SY eess.SY
Fast Robot Arm Inverse Kinematics and Path Planning Under Complex Static and Dynamic Obstacle Constraints
Montana State University(蒙大拿州立大学)
本文介绍了一种简单、可靠、通用的方法,用于在复杂障碍物存在的情况下快速计算机器人手臂的逆运动学解和运动路径规划。该方法源于MSC(地图搜索电路)算法,优化利用实际臂配置的特点。该表示自然地结合了臂和障碍物几何形状。在现代硬件上的后续性能适用于需要实时响应的应用,包括平滑连续避免在手臂遍历期间撞击规划路径的动态障碍物。在高端GPGPU硬件上,计算8 DOF手臂的最终姿态和到达该姿态的平滑避障运动路径需要大约200- 300 msec,具体取决于所实现的路点数量。该方法的数学对高中生来说是容易理解的,因此适合广泛的教学。[Note:此修订版包括从任意姿态到任意姿态的路径的通用计算策略和动态障碍物的连续运动中途回避的计算策略。
2020-04-14 cs.CV cs.RO
Efficient Avoidance of Ellipsoidal Obstacles with Model Predictive Control for Mobile Robots and Vehicles
Institute of Engineering and Computational Mechanics(工程与计算力学研究所);Department of Mechanical Engineering, LUT University(机械工程系,卢托大学)
本文提出一种将任意椭球体重叠测试集成到模型预测控制(MPC)框架中的高效避障方法,适用于轮式移动机器人,仿真与硬件实验验证了其向现实的可转移性和实时适用性。
2024-12-16 cs.RO cs.SY eess.SY
Intelligent Motion Planning for a Cost-effective Object Follower Mobile Robotic System with Obstacle Avoidance
Chaitanya Bharathi Institute of Technology(查塔尼亚·巴拉蒂理工学院)
很少有行业使用手动控制的机器人来搬运材料,而且这并不能在所有地方一直使用。因此,拥有机器人是非常安静的,它可以通过跟随特定的人所持有的独特颜色的物体来跟随该人。因此,我们提出了一种机器人系统,该系统使用机器人视觉和深度学习来获得所需的线速度和角速度,分别为ν和ω。这反过来又使机器人在跟随人类持有的独特颜色的物体时避开障碍物。我们提出的新方法可以准确地检测任何类型照明中独特颜色物体的位置,并告诉我们机器人所在的水平像素值,还可以告诉物体是否靠近或远离机器人。此外,我们在这个问题中使用的人工神经网络在线性和角速度预测中给了我们微小的误差,并且用于控制线性和角速度的PI控制器,其进而控制机器人的位置给了我们令人印象深刻的结果,并且这种方法优于所有其他方法。
2021-09-06 cs.CV cs.RO
Shape-induced obstacle attraction and repulsion during dynamic locomotion
Johns Hopkins University(约翰斯·霍普金斯大学)
本文研究身体形状对动态运动中障碍物吸引与排斥的影响,发现椭圆体身体有助于机器人穿越障碍,并提出势能景观模型和立方体机器人的俯仰-转向策略。
2025-09-22 cs.RO cs.SY eess.SY
Trajectory Planning with Model Predictive Control for Obstacle Avoidance Considering Prediction Uncertainty
Institute of Electromobility, RPTU University Kaiserslautern-Landau(电磁移动研究所,科隆-兰道大学);Institute of Wireless Communications and Navigation, RPTU University Kaiserslautern-Landau(无线通信与导航研究所,科隆-兰道大学)
本文提出一种基于MPC和ROS2/Nav2框架的新型动态避障轨迹规划器,利用随机VAR模型预测障碍物未来位置,并通过马氏距离约束实现考虑预测不确定性的避障,显著提升了机器人在动态环境中的避障能力。
2025-04-27 cs.RO cs.SY eess.SY
Obstacle avoidance-driven controller for safety-critical aerial robots
Hamburg University of Technology(汉堡工业大学);Institute of Mechanics and Ocean Engineering(力学与海洋工程研究所)
本论文的目的是将控制障碍函数(CBF)与模型预测控制(MPC)相结合,提出一种新的模型预测控制障碍函数(MPCBF)。可以表明,由于MPC的时间范围增加,MPCBF的性能超过CBF的性能。此外,MPCBF应用于四旋翼,一个系统强烈需要快速和预测控制。使用MPCBF,四旋翼能够避开障碍物,CBF由于障碍物的相对速度而未能避开障碍物。这项工作的结果进行了实验验证。
2020-11-19 cs.RO cs.SY eess.SY
A Review of Autonomous Road Vehicle Integrated Approaches to an Emergency Obstacle Avoidance Maneuver
The Ohio State University(俄亥俄州立大学)
随着乘用车技术的进步,它们的避障能力也在不断提高,特别是轮胎、悬架、转向以及ABS、ESC等安全技术以及最近的ADAS系统的发展。然而,客车周围的环境也变得更加复杂和危险。以前有研究概述了驾驶员在驾驶乘用车时试图避开障碍物的倾向和表现能力。现在,自动驾驶汽车正在开发具有避障能力的自动驾驶汽车,重要的是要达到或超过人类驾驶员的性能。本文重点介绍了对紧急避障机动(EOAM)至关重要的系统,并确定了每个相关系统的最新技术水平,同时考虑了高速公路行驶的细微差别。一些主要的EOAM相关的系统/领域,在这篇评论中讨论的是:一般的路径规划方法,系统层次结构,决策,轨迹生成,和容错跟踪控制方法。结束语后,对未来的工作,这可能会导致一个理想的EOAM发展的建议,进行了讨论。
2021-06-18 cs.LG cs.RO cs.SY
Safety-Critical Control and Planning for Obstacle Avoidance between Polytopes with Control Barrier Functions
UC Berkeley(加州大学伯克利分校)
多面体间的避障问题是最优控制和基于优化的轨迹规划问题中的一个具有挑战性的课题。现有的工作要么解决这个问题,通过混合整数优化,依赖于简化的系统动力学,或通过模型预测控制与双变量使用距离约束,需要长的视野避障。在任何一种情况下,解决方案只能作为离线规划算法应用。在本文中,我们利用的属性,一个较小的地平线是足够的避障,通过使用离散时间控制障碍函数(DCBF)的约束,我们提出了一种新的优化配方与双变量的基础上DCBF生成一个无碰撞的动态可行的轨迹。所提出的优化公式具有较低的计算复杂性相比,现有的工作,可以作为一个快速的在线算法的控制和规划一般的非线性动力系统。我们验证了我们的算法不同的机器人形状,使用数值模拟与运动自行车模型,从而成功地通过迷宫环境中的多面体障碍物导航。
2022-05-31 cs.RO cs.SY eess.SY
Path Planning for Concentric Tube Robots: a Toolchain with Application to Stereotactic Neurosurgery
Saarland University(萨尔兰大学);Ilmenau University of Technology(伊尔梅瑙工业大学)
我们提出了一个工具链解决路径规划问题的同心管机器人通过障碍领域。首先,从标记的点云构造代表目标区域和障碍物的椭球集合。然后,非线性和高度非凸的最优控制问题的解决,通过引入一个同伦的障碍物的位置,在参数的一个极端的障碍物是从操作空间中删除,并在另一个极端,他们位于其预期的位置。我们提出了一个详细的例子(有一千多个障碍),从立体定向神经外科手术与现实世界的数据从标记的MPRI扫描。
2022-11-28 cs.RO cs.SY eess.SY
Robust Predictive Motion Planning by Learning Obstacle Uncertainty
Linköping University(林雪平大学);Imperial College London(帝国理工学院);Lund University(隆德大学)
针对动态环境中不确定障碍物导致规划保守的问题,提出在线学习障碍物控制集以计算非保守可达集,并设计鲁棒模型预测控制器生成安全轨迹,经仿真与硬件实验验证。
2025-01-20 cs.RO cs.SY eess.SY
Tube RRT*: Efficient Homotopic Path Planning for Swarm Robotics Passing-Through Large-Scale Obstacle Environments
School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院)
针对大规模障碍环境下群体机器人缺乏高效同伦路径规划方法的问题,本文提出改进自RRT算法的Tube RRT*方法,兼顾间隙体积与路径长度以缓解拥堵,经仿真实验验证了有效性。
2024-10-31 cs.RO cs.SY eess.SY
Future-Oriented Navigation: Dynamic Obstacle Avoidance with One-Shot Energy-Based Multimodal Motion Prediction
Chalmers University of Technology(查尔姆斯理工大学)
本文提出一种集成单次能量多模态运动预测与模型预测控制的动态避障方法,通过无监督分组障碍物并在仓库场景中验证其优于现有方法。
2025-06-04 cs.LG cs.RO cs.SY
Autonomous Obstacle Legipulation with a Hexapod Robot
CSIRO(联邦科学与工业研究组织);University of Technology Sydney(悉尼科技大学);University of Queensland(昆士兰大学)
足式机器人在受限的环境中行走时,可能会发现它们唯一的路径被障碍物阻挡。在障碍物是可移动的情况下,多足机器人可以操纵障碍物使用它的腿,让它继续在其path. We提出了一种方法,为六足机器人自主生成操作轨迹检测到的障碍物。以RGB-D传感器为输入,从环境中提取障碍物,并进行过滤,为操作算法提供关键接触点,计算出将障碍物移出路径的轨迹,在30自由度六足机器人上的实验表明,该算法能够有效地利用其前腿在三维环境中操作各种障碍物。
2020-11-12 cs.RO
Semantically-Aware Strategies for Stereo-Visual Robotic Obstacle Avoidance
University of Minnesota–Twin Cities(明尼苏达大学双城分校)
移动机器人在非结构化、无地图环境中必须依靠避障模块来安全导航。标准的回避技术估计障碍物相对于机器人的位置,但不知道障碍物的身份。因此,机器人在决定如何导航时无法利用障碍物的语义信息。我们提出了一个避障模块,结合视觉实例分割与深度图分类和定位场景中的对象。该系统基于对象的身份有区别地避开障碍物:例如,该系统在响应不可预测的对象(例如人类)时更加谨慎。该系统还可以更接近无害的障碍物,并忽略不构成碰撞危险的障碍物,使其能够更有效地导航。我们验证我们的方法在两个模拟环境:一个陆地和水下。结果表明,我们的方法是可行的,可以使更有效的导航策略。
2021-07-13 cs.RO
Control Strategies for Mobile Robot With Obstacle Avoidance
COMSATS Institute of Information Technology(COMSATS信息技术学院)
避障是机器人领域的一个重要课题,自主机器人的目标是在不发生碰撞的情况下到达目的地。已经提出了几种避障算法,具有缺点和优点。在这篇综述论文中,我们主要讨论了机器人避障导航的不同算法。本文还对现有的各种算法进行了比较,指出了它们的特点和优缺点,以便通过对各种算法的融合来选择最终的有效算法。提供了对比表,以证明关注领域的合理性
2013-06-05 cs.RO
Robot Swarm Control Based on Smoothed Particle Hydrodynamics for Obstacle-Unaware Navigation
Cluster Metaverse Lab(元宇宙集群实验室);Graduate School of Comprehensive Human Sciences, University of Tsukuba(筑波大学综合人类科学研究科);OMRON SINIC X Corporation(欧姆龙SINIC X公司)
针对机器人集群因感知受限难以适应未知障碍物的问题,提出基于SPH模型的间接障碍物检测控制方法,仅凭速度预测碰撞,实现无显式检测的鲁棒导航与编队。
2024-04-25 cs.RO
Affordance-Based Mobile Robot Navigation Among Movable Obstacles
Northeastern University(东北大学)
在感知世界中避开障碍物一直是自主移动机器人导航的经典方法。然而,这通常会导致不自然和低效的运动,与人类在紧凑和动态空间中移动的方式截然不同,因为我们在必要时不会避免与周围环境进行交互。受此启发,我们提出了一个框架,自主机器人导航之间的可移动障碍物(NAMO),是基于启示和接触隐式运动规划的理论。我们考虑一个现实的情况下,移动服务机器人谈判未知的障碍物在环境中,同时导航到一个目标状态。对新障碍物进行示能表示提取以检测其可移动性,并使用接触隐式轨迹优化方法使机器人能够与可移动障碍物交互以提高任务性能或完成否则不可行的任务。我们证明了所提出的框架的性能与丰田的人类支持机器人的硬件实验。
2021-02-09 cs.RO
Distributed Formation Control of Nonlonolomic Mobile Robots by Bounded Feedback in the Presence of Obstacles
University of Nevada, Reno(内华达大学里诺分校)
研究了非完整移动机器人的分布式编队控制问题。使用基于排斥力的控制律来保证代理之间的碰撞避免。在存在障碍物的不确定环境中,排斥力和旋转方向的构造使智能体能够避开和通过障碍物。每个机器人的控制输入被设计为有界的。不同编队的数值仿真结果表明了该方法的有效性。
2017-05-09 cs.RO
Distributed Multi-Robot Obstacle Avoidance via Logarithmic Map-based Deep Reinforcement Learning
Zhejiang University(浙江大学);NetEase(网易)
在拥挤和狭窄的场景中为多个机器人开发安全,稳定和高效的避障策略具有挑战性。大多数现有的研究要么使用集中控制,要么需要与其他机器人进行通信。在本文中,我们提出了一种新的基于对数地图的深度强化学习方法,用于复杂和无通信的多机器人场景中的避障。特别是,我们的方法将激光信息转换为对数映射。作为提高训练速度和泛化性能的一步,我们的策略将在两个专门设计的多机器人场景中进行训练。与其他方法相比,对数地图能更准确地表示障碍物,提高避障成功率。最后,我们评估我们的方法在各种模拟和现实世界的情况下。实验结果表明,该方法在复杂的多机器人场景和行人场景中为机器人提供了一种更稳定、更有效的导航解决方案。有关视频,请访问https://youtu.be/r0EsUXe6MZE。
2022-09-14 cs.RO
Distributed Control within a Trapezoid Virtual Tube Containing Obstacles for Robotic Swarms Subject to Speed Constraints
Tiangong University(天津工业大学);Beihang University(北京航空航天大学)
本文将梯形虚拟管道扩展至含静态障碍物且受严格速度约束的场景,提出分布式群体控制器与避障切换逻辑,并经形式化证明、数值仿真和真实实验验证了其有效性。
2024-09-23 cs.RO
Research on Stable Obstacle Avoidance Control Strategy for Tracked Intelligent Transportation Vehicles in Non-structural Environment Based on Deep Learning
Jilin University(吉林大学)
现有的智能驾驶技术往往在平衡平稳驾驶和快速避障方面存在问题,特别是当车辆处于非结构环境时,在紧急情况下容易出现不稳定。因此,本研究结合仿人驾驶的思想,提出了一种基于长短期记忆(Attention-LSTM)深度学习模型的能够有效保证车辆稳定性的自主避障控制策略。首先,设计了自主避障控制规则,保证了无人车的安全性。其次,结合特种车辆的稳定性分析,改进了自主避障控制策略。第三,我们通过实验构建了一个深度学习避障控制,这个系统的平均相对误差为15%。最后,通过数值计算和实验验证了该控制策略的稳定性和准确性.本研究所提出的方法可确保无人车在顺利行驶的同时,能成功避开障碍物。
2022-07-30 cs.RO
Applying Evolutionary Optimisation to Robot Obstacle Avoidance
本文提出了一种基于人工进化的立体图像分析方法,并将其应用于移动机器人的实时障碍物检测和避障。它使用巴黎的方法,其中包括在这里分裂成大量的简单的原语,“苍蝇”,这是进化后的生物启发计划,并给出了一个快速,低成本的解决方案,在移动机器人的障碍物检测问题的机器人的环境表示。
2005-10-25 cs.AI cs.RO
Vision-based Obstacle Removal System for Autonomous Ground Vehicles Using a Robotic Arm
North Carolina State University(北卡罗来纳州立大学);Indian Institute of Technology Patna(印度理工学院巴特那分校);Zhejiang University(浙江大学)
在过去的几年里,用于数据汇集和视觉监控应用的配备摄像头的机器人平台的使用呈指数级增长。有许多物体的杂乱建筑工地(例如,砖、管道等)地面上的环境对于移动无人驾驶地面车辆(UGV)导航是具有挑战性的环境。为了解决这个问题,本研究提出了一种移动UGV配备了一个立体摄像机和一个机械臂,可以清除沿UGV的路径障碍物。为了实现这一目标,周围的环境是由立体摄像机捕获和障碍物检测。通过机器人操作系统(ROS)将障碍物相对于UGV的位置发送到机械臂模块。然后,机械臂拾起并移除障碍物。该方法将大大提高施工监测的自动化程度和数据汇集频率。该系统通过两个案例进行了验证。结果成功地证明了障碍物的检测和清除,作为开发具有各种施工操作应用的自主UGV的有利因素之一。
2019-01-24 cs.RO
Toward Verifiable Real-Time Obstacle Motion Prediction for Dynamic Collision Avoidance
University of Notre Dame(圣母大学)
下一代无人机(UAV)必须可靠地避开移动障碍物。现有的动态避碰方法在障碍物轨迹是线性的或已知的情况下是有效的,但是这样的限制对于许多现实世界的UAV应用是不准确的。我们提出了一种有效的方法,通过LSTM神经网络的在线训练,仅基于最近的观察来预测障碍物的运动。给定这样的预测,我们定义了一个非线性概率速度障碍(NPVO),它可以用来选择一个速度,是碰撞自由与给定的概率。我们采取了一个步骤,我们的方法的形式化验证,使用统计模型检验近似的概率,我们的系统将错误预测障碍物的运动。鉴于这样的概率,我们证明了在多智能体和互惠碰撞避免场景中的碰撞概率的上限。此外,我们在模拟中证明,我们的方法避免了最先进的方法失败的碰撞。
2019-03-11 cs.RO
Locomotion and Obstacle Avoidance of a Worm-like Soft Robot
University of Notre Dame(圣母大学)
本文提出一种仿蚯蚓软体机器人,通过多段气动驱动与本体感觉控制实现高效运动和实时避障,在杂乱环境中导航能力显著,适用于搜救、环境监测和医疗等领域。
2023-04-17 cs.RO
REBot: Reflexive Evasion Robot for Instantaneous Dynamic Obstacle Avoidance
School of Computing, National University of Singapore(计算学系,新加坡国立大学);Department of Electrical and Computer Engineering, National University of Singapore(电气与计算机工程系,新加坡国立大学)
针对四足机器人在快速动态障碍下轨迹重规划失效的问题,提出基于有限状态机集成规避与恢复策略的REBot控制框架,实现瞬时低延迟避障,显著提升成功率与鲁棒性。
2025-08-08 cs.RO
Computational Tradeoff in Minimum Obstacle Displacement Planning for Robot Navigation
University of Genoa(热那亚大学)
本文从移动机器人运动规划的角度研究了最小障碍位移规划问题。该问题通过移动障碍物来寻找到达目标的最优路径,而移动障碍物由于与障碍物碰撞而不存在路径。然而,这个问题是计算上昂贵的,并且在可移动障碍物的数量的大小上呈指数增长。这项工作着眼于近似的解决方案,是计算密集度较低,从最佳解决方案的最佳成本的一个因素不同。
2023-02-14 cs.AI cs.RO
SwipeBot: DNN-based Autonomous Robot Navigation among Movable Obstacles in Cluttered Environments
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
本文提出SwipeBot方法,利用CNN分类RGB-D图像并选择最小侵入动作,推动可移动障碍物,在ROS中实现并通过仿真验证,使轮式机器人在杂乱环境中成功导航。
2023-05-08 cs.RO
Obstacle Avoidance for Autonomous Mobile Robots Based on Mapping Method
Hanoi University of Industry(河内工业大学);University of Economics - Technology for Industries(经济与技术工业大学)
近年来,移动机器人因其在各种环境中的应用而受到研究者的极大关注。移动机器人在穿越障碍物时,需要识别障碍物并生成新的轨迹以到达目的地。提出了一种基于开源的机器人操作系统(ROS)和动态窗口逼近(DWA)算法的移动机器人避障方法。实验是使用移动机器人进行的,其中导航数据是基于由激光扫描仪收集的数据。实验结果表明,该机器人能够在静态和动态障碍物环境中正常工作。
2021-09-14 cs.RO cs.SY eess.SY
Dynamic Movement Primitives: Volumetric Obstacle Avoidance Using Dynamic Potential Functions
University of Verona(维罗纳大学)
DMPs的避障仍然是一个具有挑战性的问题。在我们以前的工作中,我们提出了一个框架的基础上超二次势函数来表示体积的避障。在这项工作中,我们扩展了我们以前的工作,包括在定义的潜在的轨迹的速度。我们的公式保证了相对于最先进的点状方法的更平滑的行为。此外,我们的新配方允许获得一个更平滑的行为,在附近的障碍物比使用静态(即速度无关)的潜力。我们验证了我们的框架避障在一个模拟的多机器人的情况下,并与不同的真实机器人:拾取和放置任务的工业机械手和手术机器人,以显示可扩展性;和导航与移动机器人在动态环境中。
2020-07-01 cs.RO
Towards Monocular Vision based Obstacle Avoidance through Deep Reinforcement Learning
University of Oxford(牛津大学)
避障是在现实世界中运行并与现实世界互动的自主机器人的基本要求。当感知仅限于单目视觉时,由于缺乏3D信息,避免碰撞变得更具挑战性。传统的避障路径规划器需要调整许多参数,并且不具有直接受益于大型数据集和连续使用的能力。本文提出了一种基于决斗结构的深度双Q网络(D3QN),用于避障,仅使用单目RGB视觉。基于决斗和双Q机制,D3QN可以有效地学习如何避免模拟器中的障碍物,即使从RGB图像预测的深度信息非常嘈杂。大量的实验表明,与普通的深度Q网络相比,D3QN能够实现两倍的学习加速,并且仅在虚拟环境中训练的模型可以直接转移到真实的机器人上,从而很好地推广到具有以前看不见的动态对象的各种新环境。
2017-06-29 cs.RO
Obstacle avoidance and path finding for mobile robot navigation
Division of Science and Engineering, Penn State Abington(宾州州立大学阿宾顿分校科学与工程学院)
本文研究了不同的方法来检测机器人前方的障碍物,使用机器人中的摄像机,航空摄像机和超声波传感器。我们还探索了各种有效的路径寻找方法,机器人导航到目标源。开发了单次和多次迭代的基于角度的导航算法。将基于θ的路径搜索算法与Dijkstra算法进行了比较,分析了它们的性能。
2020-12-05 cs.AI cs.RO
Zero-Shot Reactive Obstacle Avoidance for Generative Robot Policies
Rice University(莱斯大学);Ken Kennedy Institute at Rice University(莱斯大学肯·肯尼迪研究所)
提出NUDGE,一种无需训练的零样本避障方法,通过注入符号距离场梯度到扩散或流匹配策略中,支持多种动作参数化,实时反应式避障且保持任务分布。
2026-09-30 cs.RO