Multi-agent Gaussian Process Motion Planning via Probabilistic Inference
University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
本文讨论了多智能体的运动规划问题,将其表示为每个智能体轨迹的同时优化问题。每个轨迹被认为是从一个一维的连续时间高斯过程(GP)所产生的线性时变随机微分方程的白噪声驱动的样本。通过将规划问题公式化为因子图上的概率推理,可以利用相关GP的结构来使用数值优化有效地找到解决方案。与单独规划每个代理的轨迹相比,仅考虑其他代理的当前姿势,我们提出了以预测方式工作的多个轨迹的同时规划。它考虑到每个代理的行踪在未来的每一个时刻的信息,因为每个代理的完整轨迹是在一个单一的优化过程中共同发现的。我们比较所提出的方法,一个单独的轨迹规划方法,成功率和计算效率显着改善。
2018-06-20 cs.RO
Graph-based 3D Collision-distance Estimation Network with Probabilistic Graph Rewiring
School of Computing(计算机学院);School of Electrical Engineering(电气工程学院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
针对3D几何碰撞距离估计中传统方法精度低、已有图模型消息传递成本高的问题,提出带分层概率图重连的GDN-R网络,在精度、泛化性等方面优于基线,还可用于轨迹优化。
2024-03-10 cs.RO
Probabilistic Trajectory Planning for Static and Interaction-aware Dynamic Obstacle Avoidance
University of Southern California(南加州大学)
无碰撞移动机器人导航是许多机器人应用的重要问题,特别是在杂乱的环境中。在这种环境中,障碍物可以是静态的或动态的。动态障碍物还可以是交互式的,即根据其他实体的行为改变其行为。机器人系统的感知和预测模块创建这种环境的概率表示和预测。在本文中,我们提出了一种新的预测表示的动态障碍物的交互行为。然后,我们提出了一个实时的轨迹规划算法,概率避免碰撞对静态和互动的动态障碍,并产生动态可行的轨迹。在决策过程中,我们的规划器模拟动态障碍物的互动行为,以响应规划机器人采取的行动。我们显式地减少碰撞概率对静态和动态的障碍物使用多目标搜索制定。然后,我们制定了一个二次规划,以安全地适应一个平滑的轨迹搜索结果,同时试图保持搜索过程中计算的碰撞概率。我们评估我们的算法广泛的模拟,以显示其在不同的环境和配置下使用78000随机生成的情况下的性能。我们比较其性能的静态和动态避障使用4500随机生成的情况下,一个国家的最先进的轨迹规划算法。我们表明,我们的算法实现了高达3.8倍的成功率,使用低至0.18倍的时间基线使用。我们实现了我们的算法的物理四旋翼,并显示其在现实世界中的可行性。
2023-02-24 cs.RO
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA(英伟达);University of Southern California(南加州大学);Amazon(亚马逊)
针对含交互动态障碍的杂乱环境,本文提出DREAM去中心化异步概率多机器人轨迹规划器,仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
Structured Multitask Gaussian Processes for Probabilistic Full-Body Human Motion Prediction
Massachusetts Institute of Technology(麻省理工学院)
本文提出了一种基于高斯过程的可扩展模型,用于准确预测人类运动并提供可靠的不确定性估计,适用于人机协作中的安全应用。
2026-09-28 cs.RO
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology(麻省理工学院)
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证,而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中,我们提出了概率Chekov(p-Chekov),一个快速反应的运动规划系统,可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性,而无需凸化障碍物。本文提供的全面的理论和实证分析表明,p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty
University of Genoa(热那亚大学)
计算无碰撞轨迹对于安全航行至关重要。我们提出了一种方法来计算碰撞概率高斯分布的运动和传感器的不确定性与机器人和静态障碍物的形状近似为椭球。碰撞条件被制定为椭球体之间的距离,与以前的方法不同,我们提供了一种方法来计算准确的碰撞概率。此外,我们提供了一个严格的上限,可以更快地计算在线规划。还提供了与其他最先进的方法的比较。在不同的配置和障碍物的数量下,所提出的方法进行了评估模拟。
2021-10-12 cs.AI cs.RO
Probabilistic Constraint Tightening Techniques for Trajectory Planning with Predictive Control
Clemson University(克莱姆森大学);Huawei(华为)
为了使自动移动车辆在现实世界中以最小的碰撞风险导航,其规划算法必须考虑来自测量和环境干扰的不确定性。在本文中,我们认为,在这种不确定性的存在下,两个机器人车辆之间的相互碰撞概率的保守近似的解析解。在那里,我们提出了两种方法,我们称之为单一的缩放和主轴旋转,解耦的二元积分的有效近似的两辆车之间的碰撞概率,包括方向的影响。我们比较这些方法的保守性分析和数值。通过关闭一个控制回路,通过模型预测制导方案,我们观察到,通过蒙特卡罗模拟,直接实施防撞约束的保守近似仍然是不可行的实时规划。然后,我们提出并实现了一个凸化方法的基础上收紧碰撞约束,显着提高了计算效率和鲁棒性的预测制导方案。
2022-12-15 cs.RO cs.SY eess.SY
Receding Horizon Motion Planning for Multi-Agent Systems: A Velocity Obstacle Based Probabilistic Method
NUS Graduate School for Integrative Sciences and Engineering(新加坡国立大学综合科学与工程研究生院);National University of Singapore(新加坡国立大学);University of California, Berkeley(加州大学伯克利分校);Temasek Laboratories(淡马锡实验室)
在本文中,一种新颖的和创新的方法,可行的运动规划的多智能体系统的发展。基于速度障碍物的特性,在滚动时域控制(RHC)问题中引入机会约束,并利用碰撞锥的几何信息为宿主智能体生成速度可行域.通过这种方法,运动规划在速度级而不是位置级进行。因此,它保证了多智能体系统,特别是具有高速移动的智能体的系统的一个更安全的无碰撞的轨迹。此外,在运动规划过程期间可以满足潜在碰撞的概率阈值。为了验证该方法的有效性,不同的情况下,多个代理进行了调查,仿真结果清楚地表明,该方法可以有效地避免潜在的冲突与碰撞概率小于一个特定的阈值。
2021-03-24 cs.MA cs.RO cs.SY
REVISE: Robust Probabilistic Motion Planning in a Gaussian Random Field
Massachusetts Institute of Technology(麻省理工学院);Draper(德雷珀公司)
REVISE提出一种基于采样的鲁棒协方差引导多查询算法,通过新型边缘控制器和可证明改善覆盖的边缘重连构建信念路线图,在6DoF系统中显著提升规划精度并降低成本。
2024-11-20 cs.RO cs.SY eess.SY
Distance and Collision Probability Estimation from Gaussian Surface Models
The Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对现有高斯表面模型难以估计椭球机器人的碰撞概率与距离的问题,本文将椭球对椭球的相关估计算法拓展到高斯表面模型,提出几何融合方法改进估计,实现了嵌入式低功耗CPU上的微秒级高效计算。
2025-07-30 cs.CG cs.CV cs.GR
Decentralized Probabilistic Multi-Robot Collision Avoidance Using Buffered Uncertainty-Aware Voronoi Cells
Delft University of Technology(代尔夫特理工大学)
针对多机器人系统,提出了一种分散的、无通信的避碰方法,该方法同时考虑了机器人定位和传感不确定性。该方法依赖于计算的不确定性感知的安全区域,每个机器人之间的其他机器人和静态障碍物的环境中,高斯分布的不确定性的假设下,导航。特别是,在每个时间步,我们构建一个机会约束缓冲不确定性感知Voronoi细胞(B-UAVC)为每个机器人给定一个指定的碰撞概率阈值。通过将每个机器人的运动约束在其相应的B-UAVC内来实现概率碰撞避免,即机器人与障碍物之间的碰撞概率保持在指定阈值以下。该方法具有分散性、无通信、可扩展性和对机器人定位和感知不确定性的鲁棒性。我们将该方法应用于单积分器,双积分器,差分驱动机器人,和一般的非线性动力学的机器人。大量的模拟和实验与地面车辆,四旋翼,和异构机器人团队进行分析和验证所提出的方法。
2022-01-11 cs.RO
Probabilistic Risk Assessment for Chance-Constrained Collision Avoidance in Uncertain Dynamic Environments
TU Delft(代尔夫特理工大学)
在具有不确定动态的拥挤场景中进行规划时,平衡安全性和效率具有挑战性,因为必须在不违反任何安全规定的情况下完成机器人的任务。通常,机会约束被纳入规划问题,通过对规划轨迹的碰撞概率施加上限来提供概率安全保证。然而,这会导致过于保守的行为,因为获得的风险和指定的上限之间的差距没有明确限制。为了解决这个问题,我们提出了一个实时的能力的方法来量化的风险与计划轨迹从多个概率规划者,并行运行,可接受的风险水平的不同上限。根据评估的风险,选择最不保守的计划,前提是其相关风险低于指定阈值。以这种方式,所提出的方法提供了概率安全保证,通过实现一个更紧密的绑定到指定的风险,同时适用于移动障碍物的一般不确定性。我们证明了我们提出的方法的效率,通过提高性能的国家的最先进的概率规划,在模拟和实验中使用移动机器人与人类共享的环境。
2023-02-21 cs.RO
SwarmCCO: Probabilistic Reactive Collision Avoidance for Quadrotor Swarms under Uncertainty
University of Maryland at College Park(马里兰大学帕克分校)
我们提出了分散的碰撞避免算法的四旋翼机群下不确定的状态估计。我们的方法利用微分平坦性和前馈线性化近似的四旋翼动力学,并执行相互碰撞避免。我们占的位置和速度的不确定性,通过制定碰撞约束的机会约束,它描述了一组速度,避免碰撞与指定的置信水平。我们提出了两种不同的方法制定和解决的机会约束:我们的第一种方法假设高斯噪声分布。我们的第二种方法是它的扩展到非高斯的情况下,使用高斯混合模型(GMM)。我们重新制定的线性机会的约束,等效的确定性约束,这是使用MPC框架计算每个四旋翼的局部无碰撞轨迹。我们评估所提出的算法在模拟基准的情况下,并强调其优点比以前的方法。我们观察到,高斯和非高斯的方法提供了改进的碰撞避免性能的确定性方法。平均而言,高斯方法需要~ 5 ms来计算局部无碰撞轨迹,而我们的非高斯方法在计算上更昂贵,在具有4个代理的场景中平均需要~ 9 ms。
2021-01-25 cs.RO
Probabilistic Collision Risk Estimation for Pedestrian Navigation
Biped Robotics SA;Honda Research Institute Europe GmbH(本田欧洲研究机构);Honda Research Institute Japan Co., Ltd.(本田日本研究机构);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本研究将自动驾驶中的概率碰撞风险模型应用于视力障碍者导航辅助,实验表明其警告准确率67%,优于距离和时间度量(51%)。
2025-06-19 cs.RO
Probabilistic Safeguard for Reinforcement Learning Using Safety Index Guided Gaussian Process Models
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于高斯过程模型学习与安全指数引导的集成框架,在缺乏动力学模型时为强化学习智能体提供概率前向不变性安全保障,并在连续控制任务中实现近乎零的安全违规。
2023-10-17 cs.RO
CATNIPS: Collision Avoidance Through Neural Implicit Probabilistic Scenes
Stanford University(斯坦福大学);California Institute of Technology(加州理工学院)
本文提出CATNIPS方法,将NeRF变换为泊松点过程以量化碰撞不确定性,并结合PURR体素表示与机会约束轨迹优化,实现满足用户指定碰撞概率的安全机器人导航。
2024-07-03 cs.RO
Reachability-Based Confidence-Aware Probabilistic Collision Detection in Highway Driving
Queen Mary University of London(伦敦玛丽女王大学);Delft University of Technology(代尔夫特理工大学);Beijing Institute of Technology(北京理工大学);TU Dresden(德累斯顿工业大学)
针对形式化可达性碰撞检测过度保守的问题,本文融合BRS与随机FRS,提出置信度感知的高速公路概率碰撞检测框架,实现安全事件保证与关键事件准确风险估计。
2023-06-01 cs.RO
Enhancing Multi-Robot Exploration Using Probabilistic Frontier Prioritization with Dirichlet Process Gaussian Mixtures
Institute for Systems and Robotics / LARSyS and Instituto Superior Técnico, Universidade de Lisboa(系统与机器人研究所 / LARSyS 和里斯本大学理工学院);Instituto de Telecomunicações and Instituto Superior Técnico, Universidade de Lisboa(电信研究所和里斯本大学理工学院)
本文提出了一种基于概率前沿优先级和狄利克雷过程高斯混合模型的改进方法,以提升多机器人探索的效率,通过在两种先进的多智能体探索算法中集成该方法,实现了在不同环境复杂度、通信限制和团队规模下的性能提升,实验结果表明平均性能提升了10%至14%。
2026-06-04 cs.RO
Proprioceptive Robot Collision Detection through Gaussian Process Regression
University of Padova(帕多瓦大学)
提出了一种基于高斯回归的本体感觉碰撞检测算法。与基于传感器的碰撞检测和其他本体感受算法相比,所提出的方法具有最小的传感要求,因为只需要电流和关节配置。该算法扩展了学习机器人逆动力学所采用的标准高斯过程模型,使用更丰富的输入位置集和ad-hoc内核结构来模拟由于准静态配置中的摩擦引起的复杂和非线性行为。在通用机器人UR 10上进行的测试表明,所提出的算法可以有效地检测何时发生碰撞。
2019-05-21 cs.RO
Continuous-time Gaussian Process Trajectory Generation for Multi-robot Formation via Probabilistic Inference
Harbin Institute of Technology(哈尔滨工业大学)
在本文中,我们扩展了著名的运动规划方法GPMP2的多机器人的情况下,产生一种新的集中式轨迹生成方法的多机器人编队。采用稀疏高斯过程模型将所有机器人的连续时间轨迹表示为有限数量的状态,由于稀疏性提高了计算效率。我们增加了约束,以保证个人之间的碰撞避免以及形成维护,然后所有的约束和运动学制定的因素图。通过引入一个全局规划器,我们提出的方法可以有效地生成轨迹的机器人团队,必须通过一个宽度变化的区域自适应编队变化。最后,我们提供了一个增量重新规划算法的实现,以证明我们提出的框架的在线操作的潜力。仿真实验和真实世界的实验表明,我们的方法的可行性,效率和可扩展性。
2021-07-30 cs.RO
Distributed Planning for Rigid Robot Formations with Probabilistic Collision Avoidance
Technical University of Denmark(丹麦技术大学);Czech Technical University in Prague(布拉格捷克技术大学)
本文提出一种确保概率碰撞避免的刚性机器人编队分布式规划方法,通过参数化编队变换、期望速度映射、一致性步骤与约束满足步骤实现编队内部碰撞避免,并在仿真与真实遥操作实验中验证了有效性。
2024-08-27 cs.RO cs.SY eess.SY
Fully-probabilistic Terrain Modelling with Stochastic Variational Gaussian Process Maps
Swedish Maritime Robotics Centre(瑞典海事机器人中心);KTH Royal Institute of Technology(瑞典皇家理工学院)
高斯过程(GPS)正在成为一个标准的工具,建立地形表示感谢他们的能力,以模拟地图的不确定性。这有效地产生了一个可靠性措施的地区的地图,这可以直接利用贝叶斯过滤算法在机器人定位问题。一个关键的见解是,这种不确定性可以通过GPS对不确定输入(UI)进行训练的能力,将地形测量过程中固有的噪声纳入其中。然而,以易于处理的方式构建具有UI的GP映射的现有技术在输入噪声的形式和程度上受到限制。在这封信中,我们提出了一个灵活而有效的框架,建立大规模的GP地图与UI的基础上随机变分GP和蒙特卡洛抽样的UI分布。我们验证我们的映射方法上收集的大型水深测量与AUV和分析其性能对使用确定性输入(DI)。最后,我们将展示如何使用UI SVGP地图产生更准确的粒子滤波器定位结果比DI SVGP在一个真正的AUV任务在一个完全预测的区域。
2022-03-21 cs.RO
Multi-Robot Collision Avoidance under Uncertainty with Probabilistic Safety Barrier Certificates
Carnegie Mellon University(卡内基梅隆大学);Cornell University(康奈尔大学);Microsoft Corporation(微软公司)
多机器人系统在不确定性、非确定性和信息不完全的情况下,其避碰安全性是一个难题。本文的目的是提出一种避免碰撞的方法,占测量不确定性和运动不确定性。特别是,我们提出了概率安全屏障证书(PrSBC)使用控制屏障功能来定义空间的可接受的控制行动,是概率安全的正式可证明的理论保证。通过将机会约束安全集公式化为具有PrSBC的确定性控制约束,该方法需要最小地修改现有控制器以经由约束于PrSBC约束的二次规划来确定替代安全控制器。该方法的主要优点是,除了有限支持之外,不需要对不确定性的形式进行任何假设,也可以实现最坏情况的保证。我们证明了该方法的有效性,通过在现实的仿真环境中的实验。
2020-12-07 cs.RO cs.SY eess.SY
Discrete and Continuous, Probabilistic Anticipation for Autonomous Robots in Urban Environments
Cornell University(康奈尔大学)
本文提出了一种概率预测算法,在城市环境中观察到的自主机器人的动态对象。由于预测高斯混合模型能够概率地捕获连续和离散障碍决策和行为,因此使用预测高斯混合模型;预测系统使用跟踪系统的概率输出(状态估计和协方差)以及环境地图来计算指定预期范围内未来障碍状态的概率分布。提出了一种基于sigma点变换和非线性动力学函数的高斯分裂方法,该方法可以随着混合数的增加而提高精度。提出了一种缓存这种最佳分割方法的元素的方法,以使实时实现。仿真结果和研究社区的数据评估表明,该算法可以准确地预测非线性系统的未来状态的概率分布。
2013-09-03 cs.RO
A Probabilistic Perspective on Gaussian Filtering and Smoothing
University of Washington(华盛顿大学);University of Cambridge(剑桥大学)
本文从概率视角统一高斯滤波与平滑方法,指出其核心区别仅在于联合概率均值和协方差的计算/近似方式,并据此推导了容积卡尔曼平滑器及基于吉布斯采样的鲁棒滤波与平滑算法。
2011-06-08 cs.AI cs.RO cs.SY
Probabilistic Point Cloud Modeling via Self-Organizing Gaussian Mixture Models
Carnegie Mellon University(卡内基梅隆大学)
这封信提出了一种连续的概率建模方法,空间点云数据使用有限高斯混合模型(GARCH)的组件的数量是适应场景的复杂性的基础上。已经提出了一些分层和自适应的方法来解决平衡模型保真度与大小的挑战。相反,最先进的映射方法需要针对特定用例调优参数,但不能在不同的环境中推广。为了解决这个问题,我们利用信息理论学习的自组织原理,根据传感器数据中的相关信息自动调整GMM模型的复杂性。该方法进行评估对现有的点云建模技术在现实世界的数据与不同程度的场景复杂性。
2023-03-13 cs.GR cs.LG cs.RO
Anticipatory Navigation in Crowds by Probabilistic Prediction of Pedestrian Future Movements
The University of Sydney(悉尼大学);NVIDIA(英伟达)
人类和机器人在动态环境中共存的关键是智能体能够理解彼此的动作,并预测他们的动作。本文介绍了随机过程预期导航(SPAN),一个框架,使非完整机器人在人群环境中导航,同时预期和占行人的运动模式。为此,我们学习了一个预测模型来预测连续时间随机过程,以模拟行人的未来运动。预期的行人位置被用来进行机会约束碰撞检查,并纳入到一个时间碰撞控制问题。还集成了占用地图,以允许与静态障碍物进行概率碰撞检查。我们展示了SPAN在拥挤的模拟环境中的能力,以及与现实世界的行人数据集。
2020-11-12 cs.LG cs.RO
Intent-Aware Probabilistic Trajectory Estimation for Collision Prediction with Uncertainty Quantification
Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校机械科学与工程系)
本文提出了一种基于高斯过程的概率轨迹估计方法,用于在不确定环境中预测碰撞,通过概率方法替代确定性假设,以考虑更广泛的障碍物类型,并通过案例研究展示了在有限障碍物行为知识下预测碰撞的能力。
2019-04-04 cs.LG cs.RO cs.SY
Modeling Uncertainty in 3D Gaussian Splatting through Continuous Semantic Splatting
University of Michigan(密歇根大学);Amazon Lab 126(亚马逊126实验室)
针对3D-GS在安全关键机器人应用中无预警失效的问题,提出一种将连续语义映射从体素扩展到椭球体的概率更新与光栅化算法,利用共轭先验量化不确定性,并通过实验验证其有效性。
2024-11-04 cs.CV cs.RO
Dynamic Risk Assessment for Autonomous Vehicles from Spatio-Temporal Probabilistic Occupancy Heatmaps
Department of Civil and Environmental Engineering, University of California, Berkeley, CA, USA(加州大学伯克利分校土木与环境工程系);D3 Analytics Innovation, Allstate Insurance Company, Northbrook, IL, USA(Allstate保险公司D3 Analytics创新部门);Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA(加州大学伯克利分校电气工程与计算机科学系)
本文提出概率占用风险评估(PORA)指标,利用时空热力图预测周围交通参与者的概率占用,结合Cox模型调整相对运动风险,提升自动驾驶车辆动态交通场景碰撞风险评估准确性,且在蒙特卡洛模拟中表现优于其他安全替代指标。
2025-11-16 cs.LG cs.RO eess.SP
A visual introduction to Gaussian Belief Propagation
Imperial College London(帝国理工学院);DeepMind(深度思维)
在这篇文章中,我们提出了一个直观的介绍高斯信念传播(GBP),一个近似的概率推理算法,通过传递任意结构的因子图的节点之间的消息。作为循环置信传播的一种特殊情况,GBP更新仅依赖于本地信息,并且将独立于消息调度收敛。我们的主要论点是,考虑到最近的趋势,在计算硬件,GBP有正确的计算属性作为一个可扩展的分布式概率推理框架,为未来的机器学习系统。
2021-07-05 cs.AI cs.CV cs.LG
Non-Gaussian Uncertainty Minimization Based Control of Stochastic Nonlinear Robotic Systems
Massachusetts Institute of Technology(麻省理工学院)
针对含任意已知概率不确定性与扰动的非线性机器人系统,提出基于矩和特征函数传播不确定性、最小化协方差迹与行列式的状态反馈优化控制方法。
2023-08-14 cs.AI cs.RO cs.SY