AquaBEV-Nav: Learned BEV Occupancy for Underwater Navigation and Exploration
本文提出AquaBEV-Nav,一种基于直接鸟瞰图占用预测的水下探索框架,绕过单目深度估计,在模拟礁石环境中实现高IoU和零碰撞的闭环覆盖。
2026-09-29 cs.CV cs.RO
Enhancing Exploration Efficiency using Uncertainty-Aware Information Prediction
Ulsan National Institute of Science and Technology (UNIST)(蔚山科学技术院)
本文提出将贝叶斯神经网络的不确定性感知信息预测整合到互信息中,以提升自主探索效率,并在模拟器中验证了其优越性能。
2024-12-17 cs.RO
Semantic-Aware Predictive Mapping for Exploration and Navigation
ST Engineering(新科工程);National University of Singapore(新加坡国立大学)
本研究提出语义感知预测建图,利用门语义线索改善机器人探索与导航中模糊区域的占据补全,实验显示局部门区域L1误差显著降低,F1和IoU提升至1.0。
2026-10-08 cs.RO
Information correlated Levy walk exploration and distributed mapping using a swarm of robots
University of Southern California(南加州大学);Arizona State University(亚利桑那州立大学)
在这项工作中,我们提出了一种新的分布式方法,用于构建一个未知环境的占用网格地图,使用一群具有全局定位能力和有限的机器人间通信的机器人。机器人探索域通过执行Levy步行,其中它们的标题是通过最大化机器人的估计其环境的占用网格地图的形式和距离测量,它很可能获得当它在该方向上移动时,最大化之间的互信息来定义的。每个机器人都配备了激光测距传感器,它通过反复将自己的距离测量与相邻机器人广播的地图信息相结合来构建其占用网格地图。使用结果的平均共识随时间变化的图形拓扑结构,我们证明了所有的机器人的地图将最终收敛到实际的地图的环境。此外,我们证明了一种基于拓扑数据分析的技术,在我们以前的工作中开发的拓扑地图,可以很容易地扩展为自适应阈值的占用网格地图。我们通过一系列的二维仿真和多机器人实验验证了我们的分布式探索和映射策略的有效性。
2020-06-18 cs.RO
Hypermap Mapping Framework and its Application to Autonomous Semantic Exploration
University of Bonn(波恩大学);Aalto University(阿尔托大学)
现代智能和自主机器人应用通常要求机器人具有比传统占用网格地图提供的更多的关于其环境的信息。例如,一个负责执行自主语义探索的机器人必须在自主导航的同时标记它正在穿越的环境中的物体。为了解决这个任务,机器人至少需要维护一个用于导航的环境的占用地图,一个跟踪已经访问过哪些区域的探索地图,以及一个记录环境中对象的位置和标签的语义地图。随着所需地图数量的增长,应用程序必须了解和处理不同的地图表示,这可能是一个负担。我们提出了Hypermap框架,它可以管理不同类型的多个地图。在这项工作中,我们探索的框架处理占用网格层和语义多边形层的能力,但框架可以扩展新的层类型在未来。此外,我们提出了一个算法,自动生成语义层的RGB-D图像。我们展示了实用的框架使用的例子自主探索语义映射。
2020-09-03 cs.RO
Stochastic Functional Gradient Path Planning in Occupancy Maps
University of Sydney(悉尼大学)
规划安全路径是机器人自主性的主要组成部分。几十年来,它一直是一个活跃的研究领域,拥有大量的规划方法。规划者通常可以分为轨迹优化者或基于采样的规划者。后者是占用地图的主要规划范例。轨迹优化需要对算法进行重大修改,以解决地图传感器覆盖不完整造成的上下文信息缺口。然而,好处是巨大的,因为轨迹优化器可以在路径安全和效率之间进行权衡。在这项工作中,我们改进了我们以前的工作随机功能梯度规划。我们引入了一种新的表达路径表示的基础上核近似,允许成本有效的模型更新的基础上随机样本。以前的随机函数梯度规划器的主要缺点是立方成本,源于其非参数路径表示。我们的新的近似内核为基础的模型,另一方面,有一个固定的线性成本,仅取决于用于表示path.We的特征的数量表明,随机性的样本是至关重要的规划和目前的比较,其他国家的最先进的规划方法在模拟和真实的占用数据。实验结果表明,随机近似核方法在占用地图路径规划中的优势。
2017-05-17 cs.RO
Fast Frontier-based Information-driven Autonomous Exploration with an MAV
ETH Zurich(苏黎世联邦理工学院);Imperial College London(帝国理工学院)
在未知环境中进行探索和无碰撞导航是自主机器人的一项基本任务。提出了一种新的微型飞行器探测策略。探索策略的目标是减少关于占用概率的地图熵,这反映在要最大化的效用函数中。我们实现了快速和高效的探索性能与我们的基于八叉树的占用映射方法,边界提取和运动规划之间的紧密集成-作为基于边界和基于采样的探索方法之间的混合。通过利用底层八叉树图表示中的边界体素的隐式分组,避免了在经典的基于边界的探索中采用的计算上昂贵的边界聚类。候选下一个视图从地图边界采样,并使用一个效用函数相结合的地图熵和旅行时间,其中前者是有效地使用稀疏光线投射计算进行评估。这些优化以及基于前沿的方法的有针对性的探索导致快速和计算效率高的勘探计划。所提出的方法进行评估,使用模拟和真实世界的实验,表现出明显的优势,国家的最先进的方法。
2020-02-13 cs.RO
Efficient Dense Frontier Detection for 2D Graph SLAM Based on Occupancy Grid Submaps
RoMb Technologies d.o.o.(RoMb技术有限公司)
在自主机器人探索中,边界是世界地图上已探索空间和未探索空间之间的边界。边界在决定机器人下一步应该去探索环境中的何处时起着重要作用。我们研究了用于自主探索的模块化控制系统管道,其中基于占用网格子地图的2D图形SLAM算法执行地图构建和定位。我们提供了一个概述的前沿检测和相关的SLAM概念的最新技术,并提出了一个专门的前沿检测方法,有效地约束到活动的子地图,但强大的SLAM循环关闭。
2019-07-15 cs.RO eess.IV
Generalizable Reinforcement Learning with Biologically Inspired Hyperdimensional Occupancy Grid Maps for Exploration and Goal-Directed Path Planning
George Mason University(乔治梅森大学);Columbia University(哥伦比亚大学);Neya Robotics(内亚机器人公司);US Army Futures Command(美国陆军未来司令部)
针对自主系统的感知与路径规划任务,本研究对比了基于生物启发超维计算的VSA-OGM与传统BHM方法,发现VSA-OGM在保持学习性能的同时提升未见过环境的泛化性约47%,为多样环境部署提供潜力。
2025-02-13 cs.NE cs.RO
EPIC: A Lightweight LiDAR-Based UAV Exploration Framework for Large-Scale Scenarios
School of Artificial Intelligence, Sun Yat-Sen University(中山大学人工智能学院);Department of Mechanical Engineering, University of Hong Kong(香港大学机械工程系)
提出EPIC,一种轻量级LiDAR无人机探索框架,通过直接利用点云构建观测地图和增量拓扑图,避免使用占据栅格地图,实现大规模环境下更快的探索与更低的内存消耗。
2025-04-02 cs.RO
SEER: Safe Efficient Exploration for Aerial Robots using Learning to Predict Information Gain
University of Pennsylvania(宾夕法尼亚大学)
本文提出SEER框架,通过学习预测未见空间占据与信息增益并规划信息轨迹,使受载荷和功率限制的微型飞行器能在室内安全高效探索,实验显示其路径长度较现有方法缩短24%且成功率更高。
2023-08-13 cs.RO
Uncertainty-driven Planner for Exploration and Navigation
University of Pennsylvania(宾夕法尼亚大学);The University of Chicago(芝加哥大学)
我们认为在以前看不见的环境中,在室内场景的空间复杂性和部分可观测性构成这些任务的挑战性的探索和点目标导航的问题。我们认为,学习占用先验室内地图对解决这些问题提供了显着的优势。为此,我们提出了一种新的规划框架,首先学习生成超出代理视野的占用地图,其次利用模型的不确定性,为每个感兴趣的任务制定路径选择策略。对于点目标导航的策略选择路径的置信度上限政策的有效和可遍历的路径,而探索的政策最大化模型的不确定性候选路径。我们使用Habitat模拟器在Matterport 3D的视觉逼真环境中进行实验,并证明:1)与竞争方法相比,探索和地图质量指标的结果有所改善,以及2)当与最先进的DD-PPO方法配对时,我们的规划模块的有效性点目标导航任务。
2022-02-24 cs.CV cs.RO
SceneSense: Diffusion Models for 3D Occupancy Synthesis from Partial Observation
University of Colorado Boulder(科罗拉多大学博尔德分校)
SceneSense提出一种实时三维扩散模型,利用运行占据地图和RGB-D相机预测被遮挡或视野外的几何信息,不覆盖观测空间,提升局部占据预测准确性。
2024-03-18 cs.RO
Entropy Regularised Deterministic Optimal Control: From Path Integral Solution to Sample-Based Trajectory Optimisation
Ghent University(根特大学);Flanders Make(法兰德斯制造)
基于样本的轨迹优化器是一种很有前途的工具,用于控制具有不可微动力学和成本函数的机器人。当代的方法来自于随机最优控制的一个受限子类,其中最优策略可以用随机路径上的期望来表示。通过使用蒙特卡罗采样估计期望值并将该过程重新解释为勘探噪声,获得了针对(确定性)轨迹优化的随机搜索算法。为了将来的算法开发,必须正确理解允许这些方法的原则性推导的潜在理论基础。在本文中,我们使熵正则化优化和确定性最优控制之间的连接。然后,我们表明,最优策略是由一个信念函数,而不是一个确定性的功能。的政策信念是由贝叶斯型更新的可能性,可以表示在由先前的政策引起的路径的条件期望。我们的理论研究牢牢扎根于基于样本的轨迹优化在更大的家庭控制作为推理。它使我们能够证明一些在文献中常见的算法,并激励一些新的改进,有利于收敛。
2021-10-06 cs.RO
VANDERER: Map-Free Exploration using Future-Aware and Visual-Curiosity-Guided Diffusion Policy
Control/Robotics Research Laboratory (CRRL), Department of Electrical and Computer Engineering, NYU Tandon School of Engineering(纽约大学坦登工程学院电气与计算机工程系控制/机器人研究实验室(CRRL));New York University Abu Dhabi (NYUAD) Center for Artificial Intelligence and Robotics (CAIR)(纽约大学阿布扎比分校人工智能与机器人中心(CAIR))
提出VANDERER框架,利用视觉好奇心模块引导预训练扩散策略,仅依赖单目图像实现高效无地图探索,在多种模拟环境中平均探索面积比NoMaD多13.4%。
2026-11-17 cs.CV cs.LG cs.RO
A Geometric Perspective on Reward Function Updates in Inverse Reinforcement Learning
Technical University of Darmstadt(达姆施塔特工业大学);Robotics Institute Germany (RIG)(德国机器人研究所(RIG));German Research Center for AI (DFKI)(德国人工智能研究中心(DFKI))
本文从几何视角研究逆强化学习的奖励更新,提出占用空间视角,设计带费舍尔信息预处理的自然梯度式奖励更新,分析其镜像下降特性并给出收敛性结果。
2026-10-14 cs.AI cs.LG cs.RO
Voxel Map to Occupancy Map Conversion Using Free Space Projection for Efficient Map Representation for Aerial and Ground Robots
Luleå University of Technology(吕勒奥理工大学)
本文提出一种利用自由空间投影将3D体素地图转换为2D占据地图的方法,实现空中和地面机器人的高效导航,并已开源。
2024-07-21 cs.RO
Active Exploration and Mapping via Iterative Covariance Regulation over Continuous $SE(3)$ Trajectories
UC San Diego(加州大学圣迭戈分校)
本文提出了一种新的方法\emph{iterative Covariance Regulation}(iCR),用于主动探索和地图的移动机器人配备了车载传感器。该问题是作为最优控制的$SE(3)$姿态运动学的机器人,以最小化的微分熵的地图条件的潜在的传感器的观察。我们引入了一个可微的视野配方,并通过梯度下降方法迭代更新连续空间中的开环控制序列,使地图估计的协方差最小化,从而获得iCR。我们展示了自主探索和不确定性减少在模拟占用网格环境。
2021-03-10 cs.RO math.OC
Contribution à l'Optimisation d'un Comportement Collectif pour un Groupe de Robots Autonomes
Université des Sciences et de la Technologie d’Oran Mohamed Boudiaf(奥兰穆罕默德·布迪亚夫科技大学);Faculté des Mathématiques et Informatique(数学与计算机科学学院);USTOMB(奥兰穆罕默德·布迪亚夫科技大学);U-SBA(塞提夫大学)
本研究针对多机器人系统探索、规划与协同优化问题,提出基于交叉算子的改进蝴蝶优化算法xBOA求解带能约束的动态环境探索问题,还开发了通用仿真基准框架,经实验验证了方法与模型的有效性。
2023-06-10 cs.AI cs.MA cs.RO
A Closed-Form Dual-Barrier CBF Safety Filter for Holonomic Robots on Incrementally Built Occupancy Grid Maps
Raspberry Pi(树莓派);PX4;CUAV Nano 7;Raspberry Pi 4B quadrotor(树莓派4B四旋翼无人机)
提出一种闭式双障碍控制障碍函数安全滤波器,通过解析推导占据栅格地图的符号距离场,同时避免已映射障碍物并限制进入未探索区域,实现全向机器人在资源受限平台上的实时安全控制。
2026-05-23 cs.RO cs.SY eess.SY
CLOVER Robot: A Minimally Actuated Jumping Robotic Platform for Space Exploration
The University of Manchester(曼彻斯特大学);Chulalongkorn University(朱拉隆功大学)
机器人已经成为空间探索的关键工具,因为它提供了超越人类限制的环境。跳跃机器人概念是解决复杂地形的有吸引力的解决方案。然而,在工程上的挑战,以克服使跳跃机器人概念的持续运作,减少机械故障模式是最根本的。本研究旨在开发一种跳跃机器人,其重点是减少机构维护的最小驱动。我们提出了一个Sarrus风格的联动约束系统的一个单一的平移自由度,而不使用典型的同步齿轮的合成。我们界定本研究的垂直固体跳跃,以评估基本的主驱动联动的性能。一个实验室演示者协助理论概念和方法的转移。实验室演示器以63%的势能-动能转换效率进行跳跃,理论最大值为73%。令人满意的操作开辟了设计优化和定向跳跃能力,以开发用于太空探索的跳跃机器人平台。
2022-01-11 cs.RO physics.app-ph
Path Planning Optimisation for SParse, AwaRe and Cooperative Networked Aerial Robot Teams (SpArC-NARTs): Optimisation Tool and Ground Sensing Coverage Use Cases
Institute for Systems and Robotics(系统与机器人研究所)
本文提出了一种用于稀疏、感知和协作网络化空中机器人团队的路径规划工具,通过考虑环境信息、能量限制和通信约束,优化任务目标并提升群体协作效率。
2026-07-21 cs.RO cs.SY eess.SY
Latent Space Reinforcement Learning for Multi-Robot Exploration
Department of Aerospace Engineering(航空航天工程系);Indian Institute of Science(印度科学研究所)
本文提出利用潜在空间强化学习,通过自编码器和过程生成算法提升多机器人探索效率和鲁棒性。
2026-01-03 cs.MA cs.RO