ODTFormer: Efficient Obstacle Detection and Tracking with Stereo Cameras Based on Transformer
Northeastern University(东北大学);Brown University(布朗大学)
提出基于 Transformer 的 ODTFormer,利用可变形注意力、3D 代价体和跨帧体素匹配实现端到端立体障碍物检测与跟踪,并在 DrivingStereo、KITTI 上以更低算力取得先进性能。
2024-10-24 cs.CV cs.RO
Leveraging Stereo-Camera Data for Real-Time Dynamic Obstacle Detection and Tracking
Sevensense Robotics AG;ETH Zurich(苏黎世联邦理工学院)
动态避障是拥挤环境下柔性导航的一个重要组成部分。在本文中,我们提出了一个系统,准确和可靠的检测和跟踪的动态对象使用噪声点云数据产生的立体相机。我们的解决方案具有实时的【形】能力,专为部署在计算受限的无人驾驶地面车辆上而设计。所提出的方法识别机器人周围的单个对象,并将其分类为静态或动态。动态对象被标记为人物或通用动态对象。然后,我们估计它们的速度,以生成一个2D占用网格,适合执行避障。我们在室内和室外的情况下评估系统,并实现消费级计算机上的实时的【形】性能。在我们的测试数据集上,我们达到了$0.07 \pm 0.07m$的MOTP和$85.3\%$的MOTA,用于动态对象的检测和跟踪。我们达到了$96.9\%$的精度检测静态对象。
2020-07-21 cs.RO
A real-time dynamic obstacle tracking and mapping system for UAV navigation and collision avoidance with an RGB-D camera
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于RGB-D相机的四旋翼实时动态障碍物跟踪与建图系统,通过体素地图生成候选区域、卡尔曼滤波与连续性滤波跟踪障碍物,并利用马尔可夫链进行环境感知轨迹预测,实验验证了其在动态环境中的实时避障能力。
2024-01-12 cs.AI cs.RO
USV Obstacles Detection and Tracking in Marine Environments
DIBRIS - Department of Computer Science, Bioengineering, Robotics and System Engineering(DIBRIS-计算机科学、生物工程、机器人与系统工程系);University of Genova(热那亚大学)
针对海洋环境中无人水面艇(USV)障碍物检测与跟踪的挑战,本研究评估现有系统在新海洋数据集上的性能,将其集成到ROS平台进行实时测试,分析传感器融合与仅激光雷达两种方法,并提出融合两者优势的混合方法以构建信息丰富的障碍物地图。
2025-11-11 cs.AI cs.RO
LV-DOT: LiDAR-visual dynamic obstacle detection and tracking for autonomous robot navigation
Carnegie Mellon University(卡内基梅隆大学)
针对室内机器人动态障碍物感知,提出融合机载摄像头与激光雷达的轻量级检测跟踪框架,集成多检测器并采用特征关联与卡尔曼滤波,提升精度且经实验验证可行。
2025-02-28 cs.RO
Developing Path Planning with Behavioral Cloning and Proximal Policy Optimization for Path-Tracking and Static Obstacle Nudging
University of Pennsylvania(宾夕法尼亚大学);Yale University(耶鲁大学)
本文提出一种结合行为克隆进行路径跟踪和近端策略优化进行静态障碍物微调避让的路径规划方法,通过输出横向偏移调整参考航路点,实验证明其能模仿专家路径跟踪表现并避免碰撞。
2024-10-22 cs.RO cs.SY eess.SY
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
Tracking Partially-Occluded Deformable Objects while Enforcing Geometric Constraints
University of Michigan(密歇根大学)
为了在非结构化环境中操纵可变形物体,如绳子或布,机器人需要一种方法来估计其当前形状。然而,跟踪可变形对象的形状可能是具有挑战性的,因为对象的高灵活性,(自)闭塞,并与障碍物的相互作用。建立一个高保真的物理模拟来帮助跟踪是困难的新环境。相反,我们专注于基于RGBD图像和几何运动估计和障碍物来跟踪对象。我们在这方面的主要贡献是:1)一个更好的方法来处理严重的闭塞,通过使用运动模型来正则化的跟踪估计;和2)制定的\textit{convex}几何约束,这使我们能够防止自我交叉和渗透到已知的障碍物通过后处理步骤。这些贡献使我们能够在具有严重遮挡和障碍物的情况下在准确性方面大幅优于以前的方法。
2020-11-01 cs.CV cs.RO
EAST: Environment Aware Safe Tracking using Planning and Control Co-Design
针对未知动态环境下移动机器人导航问题,提出融合规划、预测与安全约束的EAST方法,通过带CBF约束的凸优化扩展参考调节器至动态场景,经仿真与真实实验验证了有效性。
2025-11-14 cs.RO cs.SY eess.SY
Decentralized Multi-Robot Obstacle Detection and Tracking in a Maritime Scenario
本文提出了一种分布式多机器人框架,利用无人机与自主水面舰艇协作,通过YOLOv8检测器和扩展卡尔曼滤波实现漂浮集装箱的障碍物检测与跟踪,提升了身份连续性和定位精度。
2026-02-28 cs.RO
Autonomous Mobile Robot Navigation: Tracking problem
本研究针对自主移动机器人导航跟踪问题,研究里程计、目标跟踪、避障三类核心行为,结合仿真与真实环境(含Pioneer、Elegoo机器人平台)完成验证,为鲁棒导航系统开发提供参考。
2024-07-08 cs.RO
Sliding Mode Control for Safe Trajectory Tracking with Moving Obstacles Avoidance: Experimental Validation on Planar Robots
Centre for Cyber-Physical Systems(网络物理系统中心);Department of Aerospace Engineering(航空航天工程系);Indian Institute of Science(印度科学研究院)
本文提出了一种统一的鲁棒轨迹跟踪和移动障碍物避障控制框架,通过通用运动学变换将多种车辆动力学转换为严格反馈形式,设计滑模控制器实现精确鲁棒跟踪,并结合碰撞锥控制屏障函数确保动态环境中的安全操作。
2026-04-27 cs.RO cs.SY eess.SY
Dual Agent Learning Based Aerial Trajectory Tracking
University of Waterloo(滑铁卢大学);Toronto Metropolitan University(多伦多都会大学)
针对传统无人机轨迹跟踪优化方法计算量大、动态环境鲁棒性差的问题,提出含轨迹跟踪和避障两个RL智能体的双智能体强化学习框架,结合3D点云感知与课程学习,在仿真和真实实验中性能优于现有方法。
2024-10-31 cs.RO
Biologically Inspired Swarm Dynamic Target Tracking and Obstacle Avoidance
The University of New South Wales Canberra at the Australian Defence Force Academy(新南威尔士大学堪培拉校区澳大利亚国防军学院)
本研究提出了一种AI驱动的飞行计算机,集成了在线免重训练预测模型、群体控制和避障策略,并引入了新型鲁棒自适应双向模糊大脑情感学习预测(BFBEL-P)方法,以解决传统预测方法在无人机群动态目标跟踪中收敛慢、鲁棒性低的问题,实现了高精度和快速收敛。
2024-10-15 cs.NE cs.RO
Geometric Model Predictive Path Integral for Agile UAV Control with Online Collision Avoidance
Multi-robot Systems Group, Faculty of Electrical Engineering, Czech Technical University in Prague(多机器人系统组,电气工程系,布拉格捷克技术大学)
本文提出几何模型预测路径积分(GMPPI)用于无人机敏捷控制与在线避障,通过几何SE(3)控制和定制代价函数提升避障与跟踪性能。
2026-02-23 cs.RO
Optimization-based Trajectory Tracking Approach for Multi-rotor Aerial Vehicles in Unknown Environments
Innopolis University(Innopolis大学)
本文的目标是开发一种基于连续优化的参考轨迹的细化,以“推”出的障碍物占据的空间在全球阶段的多旋翼飞行器在未知的环境中。我们提出的方法包括两个规划者:一个全球规划者和本地规划者。全局规划器在轨迹经过障碍物或接近障碍物时对初始参考轨迹进行细化,并让局部规划器计算接近最优控制策略。全局规划器包括两种凸规划方法:第一种方法有助于细化参考轨迹,第二种方法有助于在第一种方法未能细化时恢复参考轨迹。全局规划器主要关注实时性能和避障,而所提出的基于约束非线性模型预测控制的局部规划器的公式确保了安全性、动态可行性和低速机动的参考轨迹跟踪精度,条件是局部规划器和全局规划器的平均计算时间分别为0.06 s(15 Hz)和0.05 s(20 Hz)。NVIDIA Jetson Xavier NX计算机我们的实验结果证实,在杂乱的环境中,所提出的方法优于其他三种方法:基于采样的寻路其次是轨迹生成,本地规划器,基于图形的寻路其次是轨迹生成。
2022-02-12 cs.RO
UAV Target Tracking in Urban Environments Using Deep Reinforcement Learning
IIIT-Delhi(印度德里信息技术学院);Indian Institute of Science Education and Research, Bhopal(印度博帕尔科学教育与研究学院)
在城市环境中,由于视野有限、障碍物的遮挡以及目标运动的不确定性,无人机对目标的持续跟踪是一项困难的任务。车辆需要在3D中进行智能规划,以便最大限度地提高目标可见性。在本文中,我们介绍了目标跟踪DQN(TF-DQN),一种基于深度Q网络的深度强化学习技术,具有课程训练框架,用于无人机在存在障碍物和目标运动不确定性的情况下持续跟踪目标。该算法进行了评估,通过几个模拟实验定性以及定量。结果表明,无人机在不同的环境中持续跟踪目标,同时避开训练环境和不可见环境中的障碍物。
2020-07-21 cs.RO cs.SY eess.SY
Onboard dynamic-object detection and tracking for autonomous robot navigation with RGB-D camera
Carnegie Mellon University(卡内基梅隆大学)
针对小型低功耗机器人在拥挤室内的动态避障需求,提出基于 RGB-D 相机的轻量级 DODT 方法,集成多检测器并结合点云统计特征跟踪,机载实验取得最低位置误差。
2023-11-23 cs.RO
Autonomous Drone Swarm Navigation and Multi-target Tracking in 3D Environments with Dynamic Obstacles
Pakistan Institute of Engineering Applied Sciences(巴基斯坦工程应用科学学院);University of Azad Jammu and Kashmir(自由查谟和克什米尔大学)
针对复杂三维动态环境下无人机集群导航与多目标跟踪难题,提出含动态集群管理、避障寻路及目标跟踪与岛屿建模的三阶段深度强化学习策略,实现集群分裂合并并有效跟踪多类目标。
2022-02-13 cs.AI cs.CV cs.RO
GUIDE: Gaussian Unified Instance Detection for Enhanced Obstacle Perception in Autonomous Driving
针对自动驾驶中传统障碍物检测方法难以表征不规则物体、计算开销大的问题,提出GUIDE框架,结合3D高斯与稀疏表征实现实例检测、占据预测与跟踪,在nuScenes上mAP提升50%,兼顾精度与效率。
2025-11-17 cs.RO
Collision probability reduction method for tracking control in automatic docking / berthing using reinforcement learning
Osaka University(大阪大学);University of Tsukuba(筑波大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
针对自动靠泊中跟踪控制难以避免碰撞的问题,提出基于强化学习的训练方法,以降低与静态障碍物碰撞的概率,并通过数值仿真和模型实验验证了其有效性。
2024-11-04 cs.RO cs.SY eess.SY
Decentralized decision making and navigation strategy for tracking intruders in a cluttered area by a group of mobile robots
在当前的工业革命时代,移动机器人在帮助人类在许多复杂和危险的环境中执行任务,如搜索和救援,避障,采矿和安全监视等,近年来已经开发了很多导航算法,但在多个机器人的自主路径规划中仍然存在新的挑战,以跟踪和跟随多个入侵者。该报告展示了一种基于算术平均值的分散策略的导航算法,用于一组移动机器人在充满障碍物的未知环境中导航,以检测和跟踪多个入侵者。建议的导航策略,确保移动机器人安全地移动到周围的障碍物,以保持一个安全的距离,以避免碰撞的障碍物和对方的中间。传统的颜色识别方法用于检测动态入侵者,并使用Microsoft Kinect传感器摄像头计算像素值。引入危险概率算法,以确保所有的入侵者在环境中被友好的机器人的入侵者和它的追随者之间的最小距离的基础上。移动机器人根据入侵者的像素值跟踪入侵者的移动。低像素值表示入侵者距离较远,高像素值表示入侵者距离友方机器人较近。所有的算法和图像处理技术的实现和测试在WEBOTS仿真环境中使用C程序设计语言和结果表明,所提出的算术平均值为基础的导航和基于危险概率的入侵者以下算法的成功。
2020-06-13 cs.RO
Automated Ground Truth Estimation For Automotive Radar Tracking Applications With Portable GNSS And IMU Devices
Daimler AG(戴姆勒股份公司);University of Kassel(卡塞尔大学)
当使用真实世界的雷达数据时,跟踪应用的基线生成是一项困难的任务。数据稀疏性通常只允许一种间接的方式来估计原始轨迹,因为大多数对象的中心在数据中没有表示。本文提出了一种自动化的方式获取参考轨迹,通过使用一个高精度的手持全球导航卫星系统(GNSS)。嵌入式惯性测量单元(IMU)用于估计方向和运动行为。这篇文章有两个主要贡献。描述了一种用于将雷达数据与易受攻击的道路使用者(VRU)轨迹相关联的方法。它是评估如何准确的系统在不同的GNSS接收条件下执行,以及如何携带一个参考系统改变雷达测量。其次,该系统用于跟踪行人和骑自行车的人在许多测量周期,以生成对象为中心的占用网格地图。与传统方法相比,参考系统允许更精确地生成VRU的真实世界雷达数据分布。由此,实现了基于雷达的VRU跟踪的重要一步。
2019-06-03 cs.LG cs.RO eess.SP
Vision-based Autonomous Driving for Unstructured Environments Using Imitation Learning
Advanced Institutes of Convergence Technology (AICT)(先进融合技术研究院(AICT))
非结构化的环境对于自动驾驶来说是困难的。这是因为在无车道的可行驶空间中存在着各种未知障碍物,其宽度和曲率变化很大。在这种复杂的环境中,实时搜索路径是困难的。此外,不准确的定位数据降低了路径跟踪精度,增加了碰撞的风险。代替搜索和跟踪路径,已经提出了一种实时反应性地避开障碍物的替代方法。利用候选路径和人工势场可以实现全局路径跟踪和避障。然而,这些方法需要专家来找到用于处理各种复杂环境的特定参数。此外,由于定位数据不准确,在实际中很难准确地跟踪全局路径。如果没有准确地识别出可驾驶空间(即,噪声状态),车辆可能无法平稳行驶或可能与障碍物碰撞。在这项研究中,提出了一种方法,在该方法中,车辆驾驶到可驾驶空间只使用基于视觉的占用网格地图。所提出的方法使用模仿学习,其中使用专家驾驶数据训练深度神经网络。该网络可以学习适合于各种复杂和嘈杂情况的驾驶模式,因为这些情况包含在训练数据中。在实际停车场的车辆实验证明了一般的基于模型的方法的局限性和所提出的模仿学习方法的有效性。
2022-02-21 cs.RO
Real-Time Multi-Convex Model Predictive Control for Occlusion Free Target Tracking
University of Toronto(多伦多大学);University of Tartu(塔尔图大学)
提出了一种用于静态和动态障碍物中目标跟踪的模型预测控制(MPC)算法。我们的主要贡献在于提高了底层非凸轨迹优化的计算易处理性和可靠性。其结果是MPC算法可以在笔记本电脑和嵌入式硬件设备(如Jetson TX 2)上实时的【形】运行。我们的方法依赖于新的重新制定的跟踪,碰撞和遮挡的约束,诱导多凸结构,从而产生的轨迹优化。我们利用这些数学结构使用分裂Bregman迭代技术,最终减少我们的MPC到一系列凸二次规划可在几毫秒内解决。我们的MPC的快速重新规划允许在复杂环境中进行遮挡和无碰撞跟踪,即使考虑目标轨迹和动态障碍物的简单恒速预测。我们在一个现实的物理引擎中进行了广泛的基准测试,并表明我们的MPC在可见性,平滑度和计算时间指标方面优于最先进的算法。
2021-12-22 cs.RO cs.SY eess.SY
Adaptive Leader-Follower Formation Control and Obstacle Avoidance via Deep Reinforcement Learning
University of Florida(佛罗里达大学);Amazon Robotics(亚马逊机器人公司);Tongdun Technology(同盾科技)
我们提出了一种深度强化学习(DRL)的跟踪,避障和编队控制的非完整机器人的方法。通过将基于视觉的控制分为感知模块和控制器模块,我们可以训练DRL代理,而无需复杂的物理或3D建模。此外,模块化框架避免了图像到动作端到端神经网络的令人生畏的重新训练,并提供了将控制器转移到不同机器人的灵活性。首先,我们训练卷积神经网络(CNN)以在具有动态前景/背景的室内环境中准确定位。然后,我们设计了一个新的DRL算法称为动量策略梯度(MPG)的连续控制任务,并证明了其收敛性。我们还表明,MPG是强大的跟踪不同的领导人的运动,自然可以扩展到编队控制问题。利用奖励塑造,碰撞和避障等功能可以轻松集成到DRL控制器中。
2019-11-15 cs.RO cs.SY eess.SY
Trajectory Tracking for Multi-Manipulator Systems in Constrained Environments
Division of Decision and Control, Department of Electrical Engineering, KTH Royal Institute of Technology(决策与控制系,电气工程系,皇家理工学院)
本文提出了一种多速率规划与控制框架,用于在受限环境中实现多机械臂系统的协同轨迹跟踪。
2025-12-16 cs.RO cs.SY eess.SY
APEX: Unsupervised, Object-Centric Scene Segmentation and Tracking for Robot Manipulation
University of Oxford(牛津大学)
目标检测、分割和跟踪的无监督学习的最新进展为机器人技术的应用带来了巨大的希望。一种常见的方法是将这些任务框架为概率潜变量模型中的推理。然而,在本文中,我们表明,目前最先进的斗争与视觉上复杂的场景,如通常遇到的机器人操作任务。我们提出了APEX,一个新的潜在变量模型,它能够分割和跟踪对象在更逼真的场景中,具有不同的大小和纹理的对象,包括机器人手臂本身。这是通过一个原则性的掩模归一化算法和高分辨率场景编码器来实现的。为了评估我们的方法,我们在真实世界的Sketchy数据集上展示了结果。然而,该数据集不包含用于定量评估的地面真实掩模和对象ID。因此,我们介绍了熊猫推数据集(P2D),它显示了一个熊猫手臂与模拟中的桌子上的对象进行交互,其中包括地面真实分割掩码和用于跟踪的对象ID。在这两种情况下,APEX在无监督对象分割和跟踪方面都全面优于当前最先进的技术。我们证明了我们的分割机器人技能执行的对象安排任务,在那里我们也实现了最好的或可比的性能之间的所有基线的功效。
2021-09-12 cs.RO
Autonomous Driving Implementation in an Experimental Environment
Sakarya University(萨卡里亚大学)
自主系统需要识别环境,在将其安全地付诸实践之前还有很长的路要走。在自动驾驶系统中,障碍物和交通信号灯的检测与车道跟踪一样重要。在这项研究中,自主驾驶系统的开发和测试的实验环境中,为此目的而设计。在该系统中,具有摄像头的模型车辆用于跟踪车道和避开障碍物,以实验研究自动驾驶行为。训练卷积神经网络模型进行车道线跟踪。针对车辆避障问题,分别建立了角点检测、光流、焦点扩展、碰撞时间、平衡计算和决策机制。
2021-05-23 cs.CV cs.LG cs.RO
LineMaster Pro: A Low-Cost Intelligent Line Following Robot with PID Control and Ultrasonic Obstacle Avoidance for Educational Robotics
本文提出LineMaster Pro,一种低成本的跟随机器人,采用Arduino Nano平台,集成双TCRT5000红外传感器、超声波传感器、PID控制器和层次有限状态机,通过四阶段校准方法实现高可靠性,实验验证其高精度跟踪和障碍检测能力,成本降低94%。
2026-03-14 cs.CV cs.RO
Visual-Inertial Target Tracking and Motion Planning for UAV-based Radiation Detection
University of Delaware(特拉华大学)
本文讨论了使用最小传感能力的无人机在运输中检测放射性物质的问题,其目标是分类目标的放射性车辆计划通过工作空间的路径,同时跟踪目标的短时间间隔。为此,我们提出了一个运动规划框架,它集成了紧密耦合的视觉惯性定位和目标跟踪。在这个框架中,3D工作空间是已知的,并且该信息与UAV动力学一起用于构建导航功能,该导航功能生成动态可行的安全路径,该路径避开障碍物并且可证明地收敛到移动目标。通过Gazebo中的真实仿真验证了所提出方法的有效性。
2018-05-23 cs.RO
Collaborative Grid Mapping for Moving Object Tracking Evaluation
Heudiasyc UMR CNRS 7253, Université de technologie de Compiègne(康皮涅技术大学,Heudiasyc UMR CNRS 7253实验室)
本文提出一种基于栅格建图与多车及路侧传感器协同的半自动伪真实数据生成方法,用于智能车辆感知评估,并通过实验验证其有效性。
2023-11-17 cs.RO
Real-time Identification and Simultaneous Avoidance of Static and Dynamic Obstacles on Point Cloud for UAVs Navigation
Hong Kong Polytechnic University(香港理工大学);The University of Hong Kong(香港大学)
在未知场景中采用有效的飞行策略避开混合障碍物是无人机应用的关键挑战。在本文中,我们介绍了一个更强大的技术来区分和跟踪动态障碍物从静态的,只有点云输入。然后,为了实现动态回避,我们提出了禁止金字塔的方法来解决所需的车辆速度与一个有效的基于采样的方法在迭代。运动基元是通过求解一个以期望速度和航路点为约束的非线性优化问题来生成的。此外,我们提出了几种技术来处理接近物体的位置估计误差,变形物体的错误,和不同的子模块之间的时间间隔。所提出的方法被实现为实时的【形】运行在船上,并在仿真和硬件测试中得到了广泛的验证,证明了我们在跟踪鲁棒性,能量成本和计算时间的优势。
2021-10-20 cs.RO
Parameterized Fast and Safe Tracking (FaSTrack) using Deepreach
University of California San Diego(加利福尼亚大学圣迭戈分校);University of Southern California(南加利福尼亚大学)
针对传统FaSTrack计算效率低、无法在线适配环境的问题,提出基于DeepReach的参数化FaSTrack框架,可在速度与跟踪误差间权衡并保证未知环境避障,兼具安全性与高效性。
2024-04-11 cs.RO cs.SY eess.SY
Do Spinning Radar Doppler Velocity Measurements Improve Vehicle Detection and Tracking?
University of Toronto(多伦多大学)
本文研究旋转雷达多普勒速度测量对车辆检测与跟踪的改进作用,提出多普勒去畸变和速度先验方法,在Boreas数据集上分别提升检测精度2.37点(mAP)和跟踪精度13.68点(MOTA)。
2026-09-21 cs.CV cs.RO eess.SP
QP Chaser: Polynomial Trajectory Generation for Autonomous Aerial Tracking
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Department of Mechanical System Design Engineering, Seoul National University of Science and Technology(首尔科学技术大学机械系统设计工程系);Department of Aerospace Engineering, Seoul National University(首尔国立大学航空航天工程系);Samsung Research, Samsung Electronics(三星电子三星研究)
针对空中跟踪任务中保持目标可见性的需求,提出基于二次规划的目标可见轨迹规划流水线QP Chaser,可处理多场景跟踪,考虑目标路径预测误差与整体以增强鲁棒性,经实验验证性能。
2025-11-10 cs.RO cs.SY eess.SY
Two algorithms for vehicular obstacle detection in sparse pointcloud
Politecnico di Milano(米兰理工大学)
自动驾驶汽车的主要组件之一是障碍物检测管道。来自研究和工业的大多数原型都依赖激光雷达来完成这项任务。来自激光雷达的点云信息通常与来自相机和雷达的数据相结合,但架构的主干主要基于从激光雷达数据计算的3D边界框。为了检索准确的表示,具有许多平面的传感器,例如,通常使用大于32个平面。返回的点云确实密集且定义良好,但高分辨率传感器仍然昂贵,并且通常需要强大的GPU来处理。具有较少平面的激光雷达更便宜,但返回的数据不够密集,无法用最先进的深度学习方法来处理以检索3D边界框。在本文中,我们提出了两种基于占用网格和几何细化的解决方案,以使用具有少量平面的激光雷达来检索3D边界框列表(即,16和8架飞机)。我们的解决方案已在自定义采集的数据集上进行了验证,具有准确的地面实况,以证明其可行性和准确性。
2021-09-15 cs.RO
Collision Avoidance for Unmanned Aerial Vehicles in the Presence of Static and Moving Obstacles
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出了一种新的无人机在存在静态和运动障碍物的情况下的避碰方法。所提出的方法是基于一种新的形式的局部参数化的指导矢量场,称为避碰矢量场,产生平滑和直观的机动周围的障碍。机动遵循名义上的无碰撞路径,我们称之为流线的避碰矢量场。在多个障碍物的情况下,所提出的程序确定一个混合的矢量场,混合每个障碍物的防撞矢量场,并假定其形式,每当达到预定义的距离阈值。然后,根据计算的制导矢量场,不同的避碰控制器,产生无碰撞机动。此外,它表明,任何跟踪控制器的收敛保证可以使用的避免控制器跟踪的流线的碰撞避免矢量场。最后,数值模拟表明,所提出的方法的有效性和它的能力,以避免碰撞静态和移动弹出的威胁在三个不同的实际情况。
2021-06-25 cs.RO
Model Predictive Control with Visibility Graphs for Humanoid Path Planning and Tracking Against Adversarial Opponents
Robotics and Mechanisms Laboratory (RoMeLa), Department of Mechanical and Aerospace Engineering, University of California, Los Angeles, CA 90095, USA(机器人与机制实验室(RoMeLa)、机械与航空航天工程系、加州大学洛杉矶分校)
本文提出DAVG和cf-MPC方法,解决RoboCup人形足球机器人在噪声和视野限制下的实时避障与轨迹跟踪问题,赢得2024年冠军。
2025-04-29 cs.RO cs.SY eess.SY
A Model Predictive Path Integral Method for Fast, Proactive, and Uncertainty-Aware UAV Planning in Cluttered Environments
University of Virginia(弗吉尼亚大学)
针对杂乱环境中无人机跟踪误差导致碰撞的问题,提出基于模型预测路径积分(MPPI)的运动规划框架,结合数据驱动的风险函数,减少所需样本数,实验证明该方法能主动适应障碍物并完全消除碰撞。
2023-08-02 cs.RO
An Integrated Visual System for Unmanned Aerial Vehicles Tracking and Landing on the Ground Vehicles
无人机的视觉对于无人机相关应用如搜救、移动平台着陆等具有重要意义。本文针对无人机在移动平台上的着陆,以及复杂环境下的无人机目标检测与跟踪,开发了一套综合系统。首先,我们提出了一种用于目标检测和跟踪的鲁棒的基于LoG的深度神经网络,与典型的基于深度网络的方法相比,它在对目标尺度和光照的鲁棒性方面具有很大的优势。然后,针对实际运动估计中动态未知的问题,在原有卡尔曼滤波器的基础上进行了改进,设计了一种基于迭代多模型的滤波器。接下来,我们实现了整个系统,并在两个复杂的情况下进行了基于ROS Gazebo的测试,以验证我们设计的有效性。最后,我们已经部署了所提出的检测,跟踪和运动估计策略到实际应用中做无人机跟踪的支柱和避障。实验结果表明,该系统在实际应用中具有较高的精度和鲁棒性。
2022-12-31 cs.RO
Design, Implementation and Evaluation of an External Pose-Tracking System for Underwater Cameras
GEOMAR Helmholtz Centre for Ocean Research Kiel(基尔亥姆霍兹海洋研究中心);Christian-Albrechts-Universität zu Kiel(基尔大学);University of Applied Sciences Kiel(基尔应用科学大学)
本文提出一种基于HTC Vive的外部参考系统,通过融合水面上的两个控制器位姿实时计算水下相机位姿,为水下机器人应用提供真值,其平均偏差小于3 mm和0.3 deg。
2023-10-19 cs.CV cs.RO
Unsupervised LiDAR-Based Multi-UAV Detection and Tracking Under Extreme Sparsity
Instituto Superior T\' e cnico University of Lisbon Lisbon, Portugal
针对非重复固态激光雷达扫描导致的极端稀疏点云,提出无监督检测与跟踪流水线,通过自适应DBSCAN聚类和时序一致性检验实现高精度检测,并比较确定性分配与概率数据关联在跟踪中的性能。
2026-03-12 cs.RO
Semantic Relational Object Tracking
Örebro University(厄勒布鲁大学);KU Leuven(鲁汶大学)
结合概率推理和对象锚定,提出了一种语义世界建模方法。所提出的方法使用所谓的自下而上的对象锚定方法,该方法依赖于来自感知传感器数据的丰富的连续数据。一种新的锚定匹配函数方法学习在空间和时间上维护对象实体,并使用大量经过训练的真实世界对象的人工注释地面真实数据进行验证。对于更复杂的情况下,一个高层次的概率对象跟踪器已与锚定框架集成,并通过推理未观察到的对象的状态来处理被遮挡对象的跟踪。我们展示了我们的综合方法的性能,通过场景,如贝壳游戏的情况下,我们说明了如何锚定对象保留通过概率推理保持关系。
2019-02-26 cs.RO
CurbScan: Curb Detection and Tracking Using Multi-Sensor Fusion
Carnegie Mellon University(卡内基梅隆大学);The Bronx High School of Science(布朗克斯科学高中)
可靠的路边检测对于城市环境中的安全自动驾驶至关重要。路边检测和跟踪在车辆定位和路径规划中也是有用的。过去的工作利用3D LiDAR传感器来确定精确的距离信息和路缘石的几何属性。然而,这种方法需要密集的点云数据,并且还容易受到道路和越野区域上存在的障碍物的误报。在本文中,我们提出了一种方法来检测和跟踪路边通过融合来自多个传感器的数据:稀疏激光雷达数据,单摄像机和低成本的超声波传感器。该检测算法基于单个3D LiDAR和用于检测候选路缘特征的单摄像机传感器,并有效地消除了周围静态和移动障碍物引起的误报。该算法通过采用基于卡尔曼滤波器的预测和融合低成本超声波传感器的横向距离信息,提高了跟踪算法的检测精度。接下来,我们提出了一个线拟合算法,产生强大的结果遏制位置。最后,我们证明了我们的解决方案的实际可行性,在不同的道路环境中进行测试,并评估我们的实施在一个真正的车辆\footnote{Demo video clips demonstrating our algorithm have been uploaded to Youtube: https://www.youtube.com/watch?v=w5MwsdWhcy4, https://www.youtube.com/watch?v=Gd506RklfG8.}。该算法对KITTI数据集和我们的数据集分别在4.5-22米和0-14米范围内保…
2020-10-13 cs.AI cs.CV cs.RO
Differentiable Spatial Planning using Transformers
Carnegie Mellon University(卡内基梅隆大学);Facebook AI Research(Facebook人工智能研究院);UC Berkeley(加州大学伯克利分校)
我们考虑空间路径规划问题。与从头开始优化新计划并假设访问具有地面真实障碍物位置的完整地图的经典解决方案相比,我们以可微的方式从数据中学习规划器,从而使我们能够利用来自过去数据的统计数据。我们提出了空间规划Transformers(SPT),它给出了一个障碍地图,通过规划长距离的空间依赖性来学习生成动作,这与以前的数据驱动的规划器不同,后者通过卷积结构以迭代的方式在本地传播信息。在代理不知道地面实况地图的情况下,我们在端到端框架中利用预先训练的SPT,该框架具有内置的映射器和规划器结构,可以无缝泛化到分布外的地图和目标。SPT在所有操作和导航任务的设置中都优于现有的最先进的可微分规划器,从而使其绝对性能提高了7- 19%。
2021-12-02 cs.AI cs.CV cs.LG
Mono Video-Based AI Corridor for Model-Free Detection of Collision-Relevant Obstacles
Robert Bosch GmbH(罗伯特·博世有限公司);Technische Universität Berlin(柏林工业大学)
本研究提出基于单目视频的AI自我走廊方法,通过检测自我车道结束来间接识别意外障碍物,在300米距离内达到95%的检测率。
2023-05-08 cs.RO cs.SY eess.SY