Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments
提出NEO-Planner,利用神经网络规划器直接从原始传感器观测预测时空参数,为轨迹优化提供知情初始值,减少计算时间并保持轨迹质量,适用于未知环境中的自主无人机导航。
2025-08-08 cs.AI cs.RO
RINGO: Real-time Navigation with a Guiding Trajectory for Aerial Manipulators in Unknown Environments
Institute of Robotics and Automatic Information System(机器人与自动信息系统研究所);College of Artificial Intelligence(人工智能学院);Tianjin Key Laboratory of Intelligent Robotics(天津市智能机器人重点实验室);Nankai University(南开大学);Institute of Intelligence Technology and Robotic Systems(智能技术与机器人系统研究所);Shenzhen Research Institute of Nankai University(南开大学深圳研究院)
针对空中操作器在未知受限环境中规划适应性差、轨迹保守的问题,提出RINGO实时导航框架,以多旋翼轨迹为引导,同步考虑多旋翼与末端执行器位置,生成兼容工作空间的无碰撞轨迹,实现未知环境实时导航且保守性更低。
2025-04-14 cs.RO
Robust and Recursively Feasible Real-Time Trajectory Planning in Unknown Environments
Seoul National University(首尔国立大学)
在未知环境中的移动机器人运动规划面临的挑战,同时保持对未建模的不确定性和持久的可行性的冗余发现问题的鲁棒性。也就是说,在处理不确定性时,运动规划器必须更新其轨迹,以实时的【形】适应新显示的环境;如果不这样做,可能会涉及不安全的情况。许多现有的规划算法通过保持执行紧急制动所需的间隙来保证这些,紧急制动本身是一种鲁棒且持续可行的机动。然而,这种机动不适用于制动不可能或有风险的系统,例如固定翼飞机。为此,我们提出了一个实时的【形】鲁棒规划,递归地保证持久的可行性,而不需要任何制动。该规划器从滚动时域局部轨迹的前向可达集开始,通过构造一个连续组成的漏斗循环,确保对有界不确定性和持久可行性的鲁棒性。我们实现了所提出的算法的机器人车跟踪速度固定的参考轨迹。实验结果表明,该算法可以在16 Hz以上的频率下运行,同时成功地避免了系统进入任何死胡同,保持了安全性和可行性。
2021-07-14 cs.RO
Learning Objective Functions Incrementally by Inverse Optimal Control
Purdue University(普渡大学)
本文提出了一种逆最优控制方法,使机器人增量学习控制目标函数的轨迹段的集合。通过增量地说,这意味着轨迹段的集合被扩大,因为随着时间的演变提供了附加的段。未知的目标函数被参数化为具有未知权重的特征的加权和。每个轨迹段是最优轨迹的一小段。所提出的方法表明,每个轨迹段,如果信息,可以构成一个线性约束的未知权重,因此,目标函数可以通过递增地将所有信息段学习。该方法的有效性示出了一个模拟的2连杆机械臂和6自由度机动四旋翼系统,在每一个只有小的演示部分。
2022-02-01 cs.RO
Adaptive Model Predictive Control for High-Accuracy Trajectory Tracking in Changing Conditions
Dynamic Systems Lab(动态系统实验室);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究 institute)
本文提出一种结合模型预测控制与L1自适应控制器的自适应模型预测控制器,用于在未知和变化的扰动环境下提高系统轨迹跟踪性能。通过实验验证,该方法在四旋翼无人机上表现出更低的轨迹跟踪误差。
2018-08-02 cs.RO cs.SY eess.SY
Trajectory Optimization for Unknown Constrained Systems using Reinforcement Learning
Information Technology R&D Center, Mitsubishi Electric Corporation(三菱电机公司信息技术研发中心);Mitsubishi Electric Research Labs(三菱电机研究实验室);Mitsubishi Electric Corp(三菱电机公司)
本文提出了一种基于强化学习的约束动力系统轨迹优化算法。这个问题的动机是,对于大多数机器人系统,动态可能并不总是已知的事实。对于这样的系统,生成平滑的、动态可行的轨迹可能是困难的。使用基于采样的算法进行运动规划可能会导致轨迹倾向于不期望的控制跳跃。然而,它们通常可以提供一个很好的参考轨迹,无模型强化学习算法可以通过限制搜索域并快速找到一个动态平滑的轨迹来利用这个参考轨迹。我们使用这个想法来训练强化学习代理学习课程学习设置中的动态平滑轨迹。此外,为了推广,我们用目标位置参数化策略,以便代理可以同时针对多个目标进行训练。我们在模拟环境以及真实的实验结果,为$6$自由度机械臂在位置控制模式下操作,以验证所提出的想法。我们比较所提出的想法对PID控制器,它是用来跟踪配置空间中的设计轨迹。我们的实验表明,使用参考路径训练的RL代理优于许多机器人平台上常用的无模型PID控制器,用于轨迹跟踪。
2020-03-03 cs.LG cs.RO stat.ML
3D-OGSE: Online Safe and Smooth Trajectory Generation using Generalized Shape Expansion in Unknown 3-D Environments
Indian Institute of Technology Madras(印度理工学院马德拉斯分校);University of Maryland, College Park(马里兰大学帕克分校)
在本文中,我们提出了一种在线运动规划算法(3D-OGSE),用于在未知障碍物杂乱的3-D环境中运行的3-D代理在多个规划迭代中生成平滑,无碰撞的轨迹。我们的方法构造了一个安全区域,称为“广义形状”,在每个规划迭代,它代表了基于本地感知的环境信息的无障碍区域。无碰撞路径通过在广义形状中采样点来计算,并用于通过最小化捕捉来生成平滑的时间参数化轨迹。生成的轨迹被限制在广义形状内,这确保了代理在局部无障碍空间中的机动。当智能体在规划迭代中到达“感测形状”的边界时,通过后退时域规划机制触发重新规划,该机制还使得能够初始化下一个规划迭代。提供了整个环境的概率完整性和完全无碰撞轨迹生成的理论保证。我们评估所提出的方法在模拟复杂的3-D环境与不同的障碍物密度。我们观察到,在Intel Core i5-8500 3.0 GHz CPU的单个线程上,每个重新规划计算需要$\sim$ 1.4毫秒。此外,我们的方法被发现执行4-10倍的速度比几个现有的算法。在模拟狭窄通道等复杂场景时,我们也观察到不太保守的行为。
2021-05-11 cs.RO
KinoJGM: A framework for efficient and accurate quadrotor trajectory generation and tracking in dynamic environments
Imperial College London(伦敦帝国理工学院)
未映射的区域和空气动力学干扰使四旋翼的自主导航极具挑战性。为了安全有效地飞行,轨迹规划器和跟踪器必须能够实时导航具有不可预测的空气动力学效应的未知环境。当遇到诸如强风的空气动力学效应时,用于四旋翼轨迹规划和跟踪的大多数当前方法将不会试图偏离确定的计划,即使这是有风险的,希望任何空气动力学干扰可以被鲁棒控制器抵抗。提出了一种新的自主四旋翼飞行器轨迹规划与跟踪系统框架。我们提出了一个Kinodynamic跳跃空间搜索(Kino-JSS),以产生一个安全和有效的路线在未知的环境与空气动力学干扰。采用实时高斯过程对气动干扰的影响进行建模,然后将其与模型预测控制器相结合,以实现高效准确的轨迹优化和跟踪。我们证明了我们的系统,以提高在未知环境中的轨迹生成的效率高达75\%的情况下测试,与最近的国家的最先进的。我们还证明了我们的系统提高了在选定的环境中的跟踪精度与不可预测的空气动力学效应。
2022-03-12 cs.RO
C*: A Coverage Path Planning Algorithm for Unknown Environments using Rapidly Covering Graphs
Dept. of Electrical and Computer Engineering, University of Connecticut(电气与计算机工程系,康涅狄格大学)
C*是一种基于快速覆盖图的未知环境覆盖路径规划算法,通过高效采样和修剪技术实现最优覆盖,显著提升覆盖效率并防止覆盖孔形成。
2026-03-06 cs.RO cs.SY eess.SY
Learning to Play Trajectory Games Against Opponents with Unknown Objectives
Delft University of Technology(代尔夫特理工大学)
许多自主智能体,如智能车辆,本质上需要彼此交互。博弈论为机器人运动规划提供了一种自然的数学工具。然而,此类问题的易于处理的算法通常依赖于一个强有力的假设,即场景中所有玩家的目标都是已知的。为了使这些工具适用于自我为中心的规划,只有本地信息,我们提出了一个自适应模型预测游戏求解器,它联合推断其他玩家的目标在线和计算相应的广义纳什均衡(GNE)的战略。我们的方法的自适应性是通过一个可微的轨迹游戏求解器,其梯度信号用于对手的目标的最大似然估计(MLE)。我们的管道的这种可微性促进了与其他可微元素的直接集成,例如神经网络(NN)。此外,在现有的求解成本推理游戏相比,我们的方法不仅处理部分状态观测,但也一般不等式约束。在两个模拟的交通情况下,我们发现我们的方法优于现有的博弈论方法和非博弈论的模型预测控制(MPC)的方法的性能。我们还证明了我们的方法的实时规划能力和鲁棒性在两个硬件实验。
2023-03-22 cs.RO
Trajectory Planning of Robotic Manipulator in Dynamic Environment Exploiting DRL
Lahore University of Management and Sciences(拉合尔管理科学大学);Speridian Technologies(斯佩里迪安技术公司)
本研究针对未知动态环境下机械臂的轨迹规划问题,应用DDPG算法控制7自由度机械臂避开随机移动障碍物完成拾放任务,并对比了密集与稀疏奖励下的模型效率。
2024-03-25 cs.RO cs.SY eess.SY
SANDO: Safe Autonomous Trajectory Planning for Dynamic Unknown Environments
Departments of Aeronautics and Astronautics, and Mechanical Engineering, Massachusetts Institute of Technology(航空工程与机械工程系,麻省理工学院);Department of Electronics, Automation, and Communications, Comillas ICAI(电子、自动化与通讯系,Comillas ICAI)
SANDO通过热图A*全局规划器、混合整数二次规划和形式安全分析,在动态未知环境中实现安全轨迹规划,提升计算效率和安全性。
2026-09-28 cs.RO
Map-Predictive Motion Planning in Unknown Environments
Stanford University(斯坦福大学);Harvard University(哈佛大学)
用于未知环境中的运动规划的算法通常受限于它们推理未观察到的环境的结构的能力。因此,当前方法通常通过依赖于探试法来沿着边界选择中间目标来导航未知环境。我们提出了一个统一的方法,结合地图预测和运动规划安全,时间效率高的自主导航未知环境的动态约束机器人。我们提出了一个数据驱动的方法来预测地图的未观察到的环境,使用机器人的观察其周围环境的背景。然后,这些地图预测用于规划从机器人的位置到目标的轨迹,而不需要边界选择。我们证明,我们的地图预测运动规划策略产生了显着改善的轨迹时间在一个天真的前沿追求方法,并表现出类似的性能,使用更复杂的前沿选择算法的方法,具有显着更短的计算时间。
2019-10-17 cs.RO cs.SY eess.SY
Non-Gaussian Chance-Constrained Trajectory Planning for Autonomous Vehicles under Agent Uncertainty
Massachusetts Institute of Technology(麻省理工学院)
智能体行为可以说是自动驾驶车辆轨迹规划中最大的不确定性来源。这个问题激发了大量的工作,在行为预测社区学习丰富的分布的未来状态和行动的代理。然而,目前大多数关于代理或障碍物不确定性下的机会约束轨迹规划的工作要么假设高斯不确定性或线性约束,这是有限的,要么需要采样,这在计算上难以编码在优化问题中。在本文中,我们通过提出一种由具有潜在非高斯分量的多项式和混合模型定义的上限机会约束的方法来扩展最新技术水平。我们的方法实现了它的通用性,通过使用统计矩的分布在浓度不等式的上限约束违反的概率。通过这种方法,基于优化的轨迹规划器可以规划相对于代表智能体未来位置预测的广泛分布的机会约束的轨迹。在实验中,我们表明,由此产生的优化问题可以解决与国家的最先进的非线性规划求解器计划轨迹足够快,在线使用。
2020-07-15 cs.RO cs.SY eess.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
A Forward-Inverse Dynamic Game Framework for Enhanced Multi-Agent Trajectory Planning
College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院)
针对多智能体轨迹规划的动态博弈方法局限,本文提出带状态依赖权重的KL正则化动态博弈及上下文感知逆向博弈模块,经模拟与多机器人实验验证了其有效性。
2026-08-04 cs.RO
Predictive Barrier Lyapunov Function Based Control for Safe Trajectory Tracking of an Aerial Manipulator
IIIT-Hyderabad(海得拉巴国际信息技术学院);TCS Research(塔塔咨询服务研究院);University of Michigan(密歇根大学)
本文提出了一种新的控制器框架,提供轨迹跟踪的空中机械手(AM),同时确保系统在未知的有界干扰下的安全运行。这里考虑的AM是一个2自由度(度的自由度)机械手刚性连接到无人机。我们提出的控制器结构如下传统的内环PID控制的姿态动力学和外环控制器跟踪参考轨迹。外环控制是基于模型预测控制(MPC)的限制,使用障碍李雅普诺夫函数(BLF)的AM的安全操作。基于BLF的约束提出了两个目标,即1)避免AM碰撞静态障碍物,如矩形墙,2)保持末端执行器的机械手在所需的工作空间。建议的BLF确保上述目标得到满足,即使在存在未知的有界干扰。所提出的控制器的能力,证明通过高保真非线性模拟与来自一个真正的实验室规模AM的参数。我们比较我们的控制器与其他国家的最先进的MPC控制器的AM的性能。
2022-12-09 cs.RO
Safe Local Exploration for Replanning in Cluttered Unknown Environments for Micro-Aerial Vehicles
Autonomous Systems Lab, ETH Zürich(苏黎世联邦理工学院自主系统实验室)
为了使微型飞行器(MAV)能够在复杂、未知、非结构化的环境中提供帮助,它们必须能够在保证安全的情况下导航,即使面对它们事先不知道的混乱环境。虽然基于轨迹优化的局部规划器已被证明在这些情况下表现良好,但先前的工作要么没有解决如何处理优化问题中的局部最小值,要么通过使用乐观全局规划器来解决它。我们提出了一个保守的轨迹优化为基础的本地规划器,再加上本地探索策略,选择中间目标。我们进行了大量的模拟,以表明该系统的性能优于使用乐观的全球规划的标准方法,也优于做一个单一的探索步骤时,本地规划卡住。该方法是通过在各种高度杂乱的环境,包括茂密的森林实验验证。这些实验表明,完整的系统实时的运行完全机载MAV,映射和重新规划在4赫兹。
2018-03-12 cs.RO
Active Information Acquisition under Arbitrary Unknown Disturbances
Australian Centre for Field Robotics(澳大利亚野外机器人中心);The University of Sydney(悉尼大学)
传感机器人主动获取目标信息的轨迹优化一直是研究的热点。众所周知,在线性高斯目标动力学和传感器模型假设下,随机主动信息获取问题等价于确定性最优控制问题。然而,上述关于目标动态模型的假设是有限的。在现实世界的场景中,目标可能会受到干扰,其模型或统计特性很难或不可能获得。典型的场景包括突然机动,跳跃干扰由于与环境的相互作用,由于系统故障/攻击等异常的不当行为,出于上述考虑,在本文中,我们考虑的目标,其动态模型受到任意未知的输入,其模型或统计特性不被假定为可用。特别是,借助一个未知的输入解耦滤波器,我们制定的传感器轨迹规划问题,以跟踪目标状态的演变,并分析所产生的性能的状态和未知的输入演变跟踪。受缩减值迭代概念的启发,提出了一种次优解决方案,该方案通过基于信息量的剪枝的前向值迭代来扩展搜索树。建立了跟踪状态和未知输入的具体次优性能保证。最后通过一个目标跟踪实例进行了数值仿真,并与贪婪策略进行了比较。
2021-09-19 cs.RO
Robust tracking of an unknown trajectory with a multi-rotor UAV: A high-gain observer approach
Michigan State University(密歇根州立大学)
研究了存在建模误差和外部扰动的多旋翼系统的轨迹跟踪问题。期望轨迹是未知的,并且从具有未知或部分已知动态的参考系统生成。我们假设仅可以访问多转子的位置和取向测量以及参考系统的位置测量。我们采用一个扩展的高增益观测器(EHGO)估计框架来估计轨迹跟踪所需的前馈项,多转子状态,以及建模误差和外部干扰。设计了一种用于轨迹跟踪的输出反馈控制器,该控制器由反馈线性化控制器和EHGO组成。我们严格分析所提出的控制器,并建立其稳定性。最后,我们数值说明我们的理论结果使用的例子多旋翼着陆在地面车辆。
2020-04-27 cs.RO cs.SY eess.SY
High-Speed Motion Planning for Aerial Swarms in Unknown and Cluttered Environments
Ecole Polytechnique Federale de Lausanne (EPFL)(洛桑联邦理工学院)
本研究针对未知杂乱环境下无人机集群的高速协同飞行需求,提出首个考虑未知环境的去中心化同步运动规划框架HDSM,在成功率、速度和耗时上均优于现有方法,并通过纳米无人机完成概念验证。
2024-07-12 cs.RO
Trajectory Generation, Control, and Safety with Denoising Diffusion Probabilistic Models
University of Twente(特温特大学)
提出基于DDPMs与CBFs结合的物理系统安全控制框架,通过引导采样迭代去噪生成轨迹并最大化累积奖励,实现最优且安全的离线模型预测控制。
2023-06-27 cs.RO
Resilient Timed Elastic Band Planner for Collision-Free Navigation in Unknown Environments
Lincoln Centre for Autonomous Systems, University of Lincoln(林肯大学林肯自主系统中心)
针对自主导航中初始规划方案失效问题,提出结合混合A*算法和软约束平滑技术的弹性轨迹重规划方法,通过动态Voronoi图优化障碍约束,在高障碍密度环境中较TEB和NMPC规划器性能提升约20%,提升导航效率与鲁棒性。
2024-12-04 cs.RO math.OC
Robust Trajectory Tracking of Autonomous Surface Vehicle via Lie Algebraic Online MPC
University of Michigan(密歇根大学);University of California, Berkley(加州大学伯克利分校)
本文提出一种结合李群和在线学习的MPC控制器,用于提升自主水面车辆在未知扰动下的轨迹跟踪鲁棒性和精度。
2026-09-24 cs.RO
Deep 6-DoF Tracking of Unknown Objects for Reactive Grasping
University of Stuttgart(斯图加特大学);Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);TU Berlin(柏林工业大学)
机器人对未知物体的操作是一个重要的研究领域。实际应用发生在许多现实世界中,机器人需要与未知环境进行交互。我们提出了一种未知物体跟踪、抓取点采样和动态轨迹规划的方法来解决反应式抓取问题。我们的目标跟踪方法结合了Siamese网络和迭代最近点方法,用于点云配准到6-DoF未知目标跟踪的方法中。该方法不需要进一步的训练,并且对噪声和遮挡具有鲁棒性。我们提出了一个机器人操作系统,它能够抓住各种各样的以前看不见的对象,是强大的对象扰动和劣质抓点。
2021-03-25 cs.AI cs.RO
Decision Transformer-Based Drone Trajectory Planning with Dynamic Safety-Efficiency Trade-Offs
针对无人机轨迹规划中安全与效率权衡需专业调参、现有方法未明确处理该问题的局限,提出基于Decision Transformer的规划器,用单一RTG参数动态调节权衡,无需专业知识,在仿真与真实实验中均优于基线方法。
2025-07-30 cs.AI cs.RO
Fast Manipulability Maximization Using Continuous-Time Trajectory Optimization
University of Toronto(多伦多大学);University of Zagreb(萨格勒布大学)
操纵运动规划中的一个重大挑战是在任务执行期间面对不可预测的变化时确保敏捷性。这需要识别和可能修改合适的关节空间轨迹,因为实现特定endeffector运动所需的关节速度随机械手配置而变化。对于一个给定的机械手配置,关节空间到任务的空间速度映射的特点是被称为可操作性指数的数量。与以前的基于控制的方法相比,我们研究了在规划过程中的可操作性的最大化,以实现适应性和安全的关节空间到任务的空间运动映射在各种情况下。通过将机械手轨迹表示为连续时间高斯过程(GP),我们能够利用轨迹优化的最新进展,以最大限度地提高轨迹生成过程中的可操作性指数。此外,我们所选择的表示的稀疏性降低了通常与最大化可操作性相关的计算成本,当存在额外的约束时。仿真研究和实验结果与一个真正的机械手证明增加的可操作性,同时保持更灵巧(因此更敏捷)的手臂配置的平滑轨迹。
2020-05-01 cs.RO
Continuous Jumping for Legged Robots on Stepping Stones via Trajectory Optimization and Model Predictive Control
University of Southern California(南加州大学)
在不平坦的踏脚石上进行跳跃或奔跑等高度敏捷的动态运动一直是足式机器人运动中的一个挑战性问题。本文提出了一种框架,结合轨迹优化和模型预测控制执行稳健的和连续的跳跃上的垫脚石。在我们的方法中,我们首先利用轨迹优化的基础上的全非线性动力学的机器人产生周期性的跳跃轨迹的各种跳跃距离。设计了基于模型预测控制的跳跃控制器,实现了跳跃过程的平滑过渡,使机器人能够在踏脚石上实现连续跳跃。由于MPC作为一个实时反馈控制器的结合,所提出的框架也被验证为具有未知的高度扰动和模型不确定性的机器人动力学不均匀的平台是强大的。
2022-09-16 cs.RO
Trajectory Estimation in Unknown Nonlinear Manifold Using Koopman Operator Theory
Kyoto University(京都大学);University of California, Santa Barbara(加州大学圣巴巴拉分校)
针对未知二维非线性流形中的领航者—跟随者纵队编队协同问题,本文将其转化为轨迹估计,并利用 Koopman 算子理论与 EDMD 估计跟随者测量向量、引导其非线性轨迹。
2023-12-09 cs.RO cs.SY eess.SY
Towards Online Observability-Aware Trajectory Optimization for Landmark-based Estimators
Draper(德雷珀实验室)
随着自主系统越来越多地依赖于机载传感来进行定位和感知,运动规划和状态估计的并行任务变得更加强耦合。通过用后验协方差惩罚来增强规划目标,可以很好地捕获这种耦合-然而,当观测模型依赖于未知地标时,估计器协方差的预测是具有挑战性的,如同时定位与地图构建(SLAM)中的情况。本文解决了这些挑战的情况下,地标和基于SLAM的估计,使有效的预测(并最终最小化),这一性能指标。首先,我们提供了一个基于区间的滤波近似的SLAM推理过程,允许递归传播的自我协方差,同时避免显式跟踪地标的不确定性的二次复杂性。其次,我们引入了一个李导数测量捆绑方案,简化了递归的“捆绑”更新,代表了显着的计算节省高速率传感器,如相机。最后,我们确定了一个大类的测量模型(其中包括正交相机投影)的贡献,从每个地标可以直接结合,在每个时间步(几乎)独立的地标的数量获得的信息进行评估。这也使得能够从界标$\{\ell^{(n)} \}$的有限集合推广到分布,从而在规划时不需要完全指定的线性化点,并且允许预期新的界标。总之,这些贡献允许SLAM性能被准确有效地预测,为未知空间中的在线、可观测性感知的轨迹优化铺平了道路。
2020-09-10 cs.RO
Automatic Parameter Adaptation for Quadrotor Trajectory Planning
Zhejiang University(浙江大学);Huzhou institute of Zhejiang University(浙江大学湖州研究院)
在线轨迹规划器使四旋翼飞行器能够在未知的混乱环境中安全平稳地航行。然而,调整参数具有挑战性,因为现代规划者已经变得过于复杂,无法进行数学建模和预测它们与非结构化环境的相互作用。这项工作需要人类的循环,提出了一个规划参数自适应框架,制定目标成两个互补的类别,并异步优化它们。分别使用贝叶斯优化(BayesOpt)和粒子群优化(PSO)优化有和无轨迹执行的目标。通过将两类目标相结合,加快了黑箱优化的总收敛速度,同时增加了优化参数的维数。基准比较表明其优于其他策略的性能。通过对障碍物密度变化的测试,验证了其实时环境适应性,这是以前手动调整困难的。不同无人机平台、环境和规划者的真实飞行显示了所提出的框架的可扩展性和有效性。
2022-07-13 cs.RO
SafeMove-RL: A Certifiable Reinforcement Learning Framework for Dynamic Motion Constraints in Trajectory Planning
Sino-German College of Intelligent Manufacturing, Shenzhen Technology University(深圳技术大学中德智能制造学院);Faculty of Science and Technology, University of Macau(澳门大学科技学院)
本研究提出名为SafeMove-RL的可认证强化学习框架,结合实时轨迹优化与自适应间隙分析,通过增强在线学习机制动态修正轨迹以保障安全,经多类评估及虚实平台验证,在成功率与计算效率上优于现有算法。
2025-05-19 cs.RO
Bipedal Locomotion Optimization by Exploitation of the Full Dynamics in DCM Trajectory Planning
University of Tehran(德黑兰大学)
基于发散运动分量(DCM)和线性倒立摆模型(LIPM)的步行运动规划是实现人形机器人在线步态轨迹生成的一种方法。该算法需要调整不同的参数。在这里,我们开发了一个框架,以获得最佳的参数,以实现一个稳定的和节能的轨迹,真正的机器人的步态。为了找到最优的轨迹,四个成本函数代表的能量消耗,关节速度和施加在每个下肢关节的机器人,和成本函数的基础上的零力矩点(ZMP)的稳定性标准。在该框架中采用遗传算法来优化每个成本函数。虽然轨迹规划是在简化模型的帮助下进行的,但每个代价函数的值是通过考虑Bullet物理发动机模拟器中的全动力学模型和脚-地面接触模型来获得的。优化结果表明,最稳定的行走和最有效的行走方式是相互对比的。因此,在另一尝试中,在三个不同速度下执行ZMP和能量成本函数的多目标优化。最后,我们比较了设计的轨迹,这是使用最佳参数生成的,在舞蹈模拟器的仿真结果。
2022-07-30 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
ReSPIRe: Informative and Reusable Belief Tree Search for Robot Probabilistic Search and Tracking in Unknown Environments
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Beijing Institute for General Artificial Intelligence (BIGAI)(北京通用人工智能研究院)
ReSPIRe通过分层粒子结构和可重用信念树搜索,在未知环境中实现高效且稳定的机器人目标搜索与跟踪。
2025-12-31 cs.RO
Control Input Inference of Mobile Agents under Unknown Objective
Shanghai Jiao Tong University(上海交通大学)
针对机器人安全中未知目标下移动智能体控制输入难推断的问题,提出结合外部扰动、逆最优控制与二分搜索的新算法,经仿真验证具备良好效率与性能。
2023-07-20 cs.RO
Trajectory-Induced Self-Calibration for Hidden-Target Localization Through an Unknown-Pose Range-Bearing Relay
Michigan State University(密歇根州立大学)
本文针对未知位姿中继的隐藏目标定位问题,提出轨迹诱导自校准方法,通过利用车辆轨迹和中继观测实现高精度目标定位,其性能优于基准方法且对异常值鲁棒。
2026-09-25 cs.RO cs.SY eess.SY
Trajectory Optimization for Unknown Maneuvering Target Tracking with Bearing-only Measurements
State Key Laboratory of Submarine Geoscience, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University(海洋地质国家重点实验室,自动化与智能传感学院,上海交通大学);Key Laboratory of System Control and Information Processing, Ministry of Education of China(系统控制与信息处理教育部重点实验室);Shanghai Key Laboratory for Perception and Control in Industrial Network Systems(工业网络系统感知与控制上海市重点实验室);School of Future Technology, Shanghai University(上海大学未来技术学院)
针对AUV仅能获取方位测量的水下场景,提出融合在线学习与规划的GBT框架,通过高斯过程学习处理未知目标运动、伪线性变换解决非线性问题,经解析优化轨迹,验证了其在二维三维空间跟踪未知机动目标的可行性与优越性。
2025-11-18 cs.SY eess.SY
High-Precision Trajectory Tracking in Changing Environments Through $\mathcal{L}_1$ Adaptive Feedback and Iterative Learning
University of Toronto Institute for Aerospace Studies (UTIAS)(多伦多大学航空航天研究所(UTIAS))
本文提出结合L1自适应反馈与迭代学习控制的框架,提升系统在未知动态扰动下的轨迹跟踪性能,通过实验验证其优于纯ILC方法的鲁棒性和泛化能力。
2017-05-12 cs.RO cs.SY eess.SY
Trajectory Generation for UAVs in Unknown Environments with Extreme Wind Disturbances
The George Washington University(乔治华盛顿大学);University of Delaware(特拉华大学)
军事、商业公司和学术界对无人机(UAV)的广泛使用继续推动着自主车辆导航的研究,特别是在不同的环境条件和超视距(BLOS)应用中。本文讨论了在极端环境中飞行的无人机的轨迹生成,在极端环境中,风干扰可能超过飞行器的闭环稳定性界限。为此,开发了具有两种操作模式的控制器:(1)正常模式,和(2)漂移模式。在正常模式下,环境条件不会超过飞行器的推力和传感器限制,而在漂移模式下则会超过。在漂移模式中,建立随盛行风移动的漂移框架,其中飞行器保持控制权限以生成和跟踪轨迹。飞行器通过放松惯性系轨迹跟踪要求并在漂移系中重新规划轨迹来保持控制权限。建立保证以确保跟踪轨迹、避免碰撞,并遵守飞行器推力和传感器限制。仿真结果通过两个场景验证了算法的性能。首先,两个四旋翼的性能进行比较,其中一个利用漂移模式,另一个不。第二,多个车辆通过两个狭窄的开口之间的保护和多风的环境,以展示车载更新导航参数的基础上的环境条件。
2019-06-22 cs.RO cs.SY eess.SY
Chance-Constrained Trajectory Optimization for Non-linear Systems with Unknown Stochastic Dynamics
非线性动力系统的迭代轨迹优化技术是基于模型的强化学习和近似最优控制中最强大和最有效的方法之一。通过利用系统动力学和奖励的时变局部线性二次近似,这种方法可以找到目标最优轨迹和时变最优反馈控制器。然而,局部线性二次假设是优化偏差的主要来源,导致灾难性的贪婪更新,提出了适当的正则化问题。此外,近似模型忽略系统的任何物理状态-动作限制,导致问题进一步恶化,因为优化向状态-动作空间的不可达区域移动。在本文中,我们解决的问题,约束系统的情况下,在线拟合随机线性动力学。我们建议建模状态和动作的物理限制的概率机会约束线性的状态和动作,并引入一种新的轨迹优化技术,通过优化放松的二次规划,这些概率约束集成。我们的经验评估表明,学习鲁棒性有了显着的改善,这使得我们的方法能够执行更有效的更新,并避免在最先进的算法中观察到的过早收敛。
2019-07-31 cs.SY eess.SY
Stochastic Feedback Control of Systems with Unknown Nonlinear Dynamics
Texas A&M University(德州农工大学)
研究未知动力学系统的随机最优控制问题,通过开环确定性轨迹优化和LQG控制器设计,使状态接近最优轨迹,利用输入输出实验数据识别轨迹依赖线性化系统。
2017-05-27 cs.LG cs.SY eess.SY
Autonomous Navigation of AGVs in Unknown Cluttered Environments: log-MPPI Control Strategy
Indiana University(印第安纳大学);Expedia Group(亿客行集团)
基于采样的模型预测控制(MPC)优化方法,例如模型预测路径积分(MPPI),最近在各种机器人任务中显示出有希望的结果。然而,当所有采样轨迹的分布集中在高成本甚至不可行的区域内时,它可能产生不可行的轨迹。在这项研究中,我们提出了一种新的方法,称为日志MPPI配备了一个更有效的轨迹采样分布政策,显着提高了轨迹的可行性,在满足系统的约束条件。其关键是从正态对数正态(NLN)混合分布中提取轨迹样本,而不是从高斯分布中提取。此外,这项工作提出了一种方法,在未知的杂乱环境中的无碰撞导航,将二维占用网格地图的采样为基础的MPC算法的优化问题。我们首先验证了我们提出的控制策略的效率和鲁棒性,通过广泛的模拟二维自主导航在不同类型的杂波环境,以及cartpole摆动的任务。我们进一步证明,通过真实世界的实验,日志MPPI的适用性进行二维网格为基础的无碰撞导航在一个未知的杂乱的环境中,显示其优越性与本地costmap使用,而不会增加额外的复杂性的优化问题。演示真实世界和模拟结果的视频可在https://youtu.be/_uGWQEFJSN0上获得。
2022-07-18 cs.RO cs.SY eess.SY
QuaDUE-CCM: Interpretable Distributional Reinforcement Learning using Uncertain Contraction Metrics for Precise Quadrotor Trajectory Tracking
Imperial College London(帝国理工学院)
精度和稳定性是四旋翼轨迹跟踪系统的共同要求。设计一个精确和稳定的跟踪控制器仍然具有挑战性,特别是在未知的和动态的环境中,复杂的气动干扰。我们提出了一种基于分位数近似的分布增强不确定性估计(ADDUE),以准确地识别气动干扰的影响,即,真实和估计的控制收缩率之间的不确定性。从收缩理论中获得灵感,并将不确定性的ESDUE整合在一起,我们的新的基于CCM的轨迹跟踪框架精确地跟踪任何可行的参考轨迹,同时保证指数收敛。更重要的是,分布式强化学习的收敛性和训练加速分别从理论上得到了保证和分析。我们还展示了我们的系统在未知的和不同的空气动力。在大空气动力(> 2 m/s^2)下,与经典的数据驱动方法相比,我们的QuaDUE-CCM在跟踪误差方面至少提高了56.6%。与基于RL的分布式方法MANDRED MPC相比,MANDUE CCM在收缩率上至少提高了3倍。
2022-07-15 cs.RO cs.SY eess.SY
K-BMPC: Derivative-based Koopman Bilinear Model Predictive Control for Tractor-Trailer Trajectory Tracking with Unknown Parameters
针对参数未知的拖挂式车辆轨迹跟踪难题,提出基于导数的Koopman双线性模型预测控制方法K-BMPC,通过构建提升函数建立等价双线性模型,将控制问题转化为二次规划求解,兼具高跟踪精度与良好计算效率。
2024-05-14 cs.SY eess.SY
A High-Gain Observer Approach to Robust Trajectory Estimation and Tracking for a Multi-rotor UAV
针对多旋翼无人机在未知参考轨迹及外部扰动下的跟踪问题,采用扩展高增益观测器(EHGO)估计未测状态与扰动,并结合反馈线性化控制器设计鲁棒输出反馈控制方法,实现了对移动地面车辆的跟踪与运动中降落。
2024-06-05 cs.SY eess.SY
TRUST: Stability and Safety Controller Synthesis for Unknown Dynamical Models Using a Single Trajectory
TRUST 是一个开源数据驱动控制器综合工具,仅利用未知系统的一条输入-状态轨迹,通过平方和优化设计控制 Lyapunov 函数或控制 barrier 证书,在四类线性和非线性系统中确保稳定性或安全性。
2025-03-11 cs.SY eess.SY
Funnel-Based Online Recovery Control for Nonlinear Systems With Unknown Dynamics
University of Notre Dame(圣母大学);Stevens Institute of Technology(史蒂文斯理工学院)
本文针对非线性系统受攻击或故障后的恢复控制问题,提出结合递归平衡网络学习未知动态与基于漏斗的控制方法,实现带形式化保证的系统恢复。
2025-11-06 cs.SY eess.SY
From a Single Trajectory to Safety Controller Synthesis of Discrete-Time Nonlinear Polynomial Systems
针对模型未知的离散时间非线性多项式系统,提出基于单条轨迹数据的平方和优化方法,无需辨识系统即可直接设计控制屏障证书与安全控制器,经两个物理案例验证了有效性。
2024-09-16 cs.SY eess.SY
Learning to Stabilize Unknown LTI Systems on a Single Trajectory under Stochastic Noise
Carnegie Mellon University(卡内基梅隆大学)
针对未知含噪LTI系统单轨迹稳定问题中状态范数Θ(2^n)的指数膨胀,提出解耦稳定与不稳定子空间的新算法,结合SVD分析框架证明可将状态范数上界降至2^{O(k log n)},首次避免了维度指数膨胀。
2024-05-31 cs.LG cs.SY eess.SY
Safe Task Space Synchronization with Time-Delayed Information
Department of Electrical and Computer Engineering at University of Connecticut(康奈尔大学电气与计算机工程系)
针对人机协作中的通信时延及机器人未知运动学与动力学,提出基于 BLF、ICL 自适应律和梯度自适应律的安全任务空间同步控制器,并证明误差 SGUUB。
2025-09-26 cs.RO cs.SY eess.SP
A Robust Controller based on Gaussian Processes for Robotic Manipulators with Unknown Uncertainty
Department of Information Engineering, Università di Padova(信息工程系,帕多瓦大学)
提出基于高斯过程回归的鲁棒反馈线性化策略,通过估计模型失配并补偿残余不确定性,实现拉格朗日系统的精确轨迹跟踪。
2025-07-15 cs.RO cs.SY eess.SY
Robust Data-Driven Kalman Filtering for Unknown Linear Systems using Maximum Likelihood Optimization
针对未知线性系统,提出一种结合模型辨识与状态估计的鲁棒数据驱动卡尔曼滤波器,通过非凸最大似然优化求解,并证明其与最优滤波器的性能差距随样本量增加收敛到零。
2025-01-22 cs.SY eess.SY
Online learning-based trajectory tracking for underactuated vehicles with uncertain dynamics
University of Pennsylvania(宾夕法尼亚大学);Instituto de Ciencias Matematicas (CSIC-UAM-UCM-UC3M)(数学科学研究所(西班牙国家研究委员会-马德里自治大学-马德里康普顿斯大学-卡洛斯三世大学));Technical University of Munich(慕尼黑工业大学)
近年来,由于航空和水下航行器以及纳米卫星数量的增加,欠驱动车辆受到了广泛的关注。这些飞行器的轨迹跟踪控制是越来越多的应用领域的一个重要方面。然而,外部干扰和内部动态的一部分往往是未知的或非常耗时的模型。为了克服这个问题,我们提出了一个跟踪控制律的欠驱动刚体动力学使用在线学习为基础的预言未知动态的预测。我们表明,高斯过程模型是特别感兴趣的角色的预言。所提出的方法保证了有界的跟踪误差与高概率的界限是明确给出的。数值例子突出了所提出的控制律的有效性。
2021-09-14 cs.LG cs.SY eess.SY