Stream Function-Based Navigation for Complex Quadcopter Obstacle Avoidance
GIPSA-lab, Université Grenoble Alpes - CNRS(格拉诺布尔大学实验室,格拉诺布尔大学-国家科学研究中心);Department of Mechanical Engineering, Dalhousie University(达勒豪西大学机械工程系);Advanced Control and Mechatronics Laboratory, Department of Mechanical Engineering, Dalhousie University(达勒豪西大学先进控制与机电实验室,机械工程系)
提出基于流函数的避障导航系统,结合涡流面法与MPC-HOCBF控制器,实现四旋翼在复杂部分观测环境中的实时安全避障。
2025-07-13 cs.RO cs.SY eess.SY
OcclusionCBF: Backup Control Barrier Functions for Safe Navigation Among Hidden Dynamic Obstacles
Kobe University(神户大学);University of California, San Diego(加利福尼亚大学圣迭戈分校);University of Michigan(密歇根大学)
提出OcclusionCBF安全过滤器,将备份控制屏障函数扩展到隐藏动态障碍物的可达占用预测,通过仿射约束实现最小侵入性过滤,并保证递归可行性和碰撞避免,实验验证了其优于现有基线。
2026-09-09 cs.RO cs.SY eess.SY
Reactive Robot Navigation Using Quasi-conformal Mappings and Control Barrier Functions
University of Waterloo(滑铁卢大学);The Chinese University of Hong Kong(香港中文大学)
本文提出一种基于拟共形映射与控制障碍函数的反应式导航算法,将杂乱环境中的多面体障碍映射为球世界,从而在保证安全且无死锁的前提下实现机械臂和移动机器人的无碰撞运动。
2024-11-22 cs.RO math.DS math.OC
Dynamic Log-Gaussian Process Control Barrier Function for Safe Robotic Navigation in Dynamic Environments
School of Intelligence Science and Engineering, Harbin Institute of Technology(智能科学与工程学院,哈尔滨工业大学);Department of Control Science and Engineering, Harbin Institute of Technology(控制科学与工程学院,哈尔滨工业大学)
本文提出动态对数高斯过程控制屏障函数,通过实时构建空间信息丰富且响应障碍物运动的CBF,提升动态环境中机器人导航的安全性和避障性能。
2025-12-01 cs.RO cs.SY eess.SY
Collision Avoidance and Navigation for a Quadrotor Swarm Using End-to-end Deep Reinforcement Learning
University of Southern California(南加州大学);Amazon(亚马逊公司)
本文提出端到端深度强化学习方法,结合课程训练、碰撞片段重放和注意力机制,实现四旋翼集群在障碍环境中的避障导航,并首次实现零样本迁移到真实无人机。
2024-05-06 cs.AI cs.MA cs.RO
Certifiably-Correct Mapping for Safe Navigation Despite Odometry Drift
University of Michigan(密歇根大学)
本文提出可证明正确建图框架,通过基于里程计误差缩小安全区域,确保VIO/SLAM漂移下障碍物地图局部准确可靠,并修改安全飞行走廊和符号距离场方法,经仿真和实验验证有效提升导航安全性。
2025-04-25 cs.RO cs.SY eess.SY
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
Manipulation Feasible Navigation Among Movable Obstacles with Discrete Contact Pushing
Southeast University(东南大学)
提出面向移动机械臂的分层可移动障碍物导航框架,高层规划重定位并借助LLM处理依赖,底层通过离散接触推挤执行,实验验证了绕行、重定位及依赖场景下的可行导航操作。
2026-09-22 cs.RO
CMRL: Collision-Aware and Memory-Enhanced Reinforcement Learning for UAV Navigation in Multi-Scale Obstacle Environments
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);Guangdong Key Laboratory of Big Data Analysis and Processing(广东省大数据分析与处理重点实验室)
针对无人机多尺度障碍导航中障碍尺度变化被忽视的问题,提出CaMeRL框架,通过碰撞感知和记忆增强提升对小障碍物的识别与复杂环境的导航能力。
2026-09-09 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
Towards S-NAMO: Socially-aware Navigation Among Movable Obstacles
CITI Lab(CITI实验室);INRIA Chroma(法国国家信息与自动化研究所Chroma);INSA Lyon(里昂国立应用科学学院);CPE Lyon(里昂中央理工学院);Université de Lyon(里昂大学)
在本文中,我们提出了一个深入的分析,在移动障碍物(NAMO)的文献导航,特别是强调社会的可接受性仍然是一个未解决的问题,在这个机器人导航领域。社会意识NAMO的目标的定义和第一套算法的主张是建立在现有的工作。我们开发了一个模拟器,允许测试我们的命题的社会可移动性评估障碍物的选择,和社会放置的对象与语义地图层。在我们的参与下(LyonTech团队),我们使用Pepper机器人进行了初步的推球测试,Pepper机器人是Robocup@home社交标准平台联盟的标准平台。
2019-09-24 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
Navigation in the Presence of Obstacles for an Agile Autonomous Underwater Vehicle
Vassar College(瓦萨学院);University of South Carolina(南卡罗来纳大学)
水下航行传统上是通过与障碍物保持安全距离来完成的,从而导致感兴趣区域的“飞越”。自主水下航行器(AUV)在复杂空间(如沉船或装饰洞穴)中的运动是一个极具挑战性的问题,过去尚未解决。本文提出了一种新的导航框架,利用增强版的Trajopt的快速三维路径优化规划的AUV。基于采样的校正程序确保规划不受局部最小值的约束,从而能够在狭窄的空间中导航。提出了两种不同的模式:规划与已知的地图的结果在有效的轨迹通过杂乱的空间;在未知的环境中操作利用点云从视觉特征检测到有效地导航,同时避免检测到的障碍物。所提出的方法进行了严格的测试,无论是在模拟和在池中的实验,证明是足够快,使安全的实时三维自主导航的AUV。
2020-05-11 cs.RO
CHOP: Counterfactual Human Preference Labels Improve Obstacle Avoidance in Visuomotor Navigation Policies
University of Maryland, College Park(马里兰大学学院公园分校)
CHOP通过反事实人类偏好标签改进视觉运动导航策略的障碍物避让能力,显著提升安全性和导航效率。
2026-11-02 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
Virtual Surfaces and Attitude Aware Planning and Behaviours for Negative Obstacle Navigation
CSIRO(联邦科学与工业研究组织);Euclideon Holographics(Euclideon全息技术公司)
本文提出了一种自主导航系统的地面机器人穿越侵略性的非结构化地形,通过一个有凝聚力的安排映射,审议规划和反应行为模块。所有系统都能感知地形坡度、能见度和车辆方向,使机器人能够识别、规划和应对未观察到的区域,并克服不利的障碍物、斜坡、台阶、悬垂物和狭窄的通道。这是在处理负面障碍时明确地同时耦合映射,规划和反应组件的先驱作品之一。该系统部署在三个异构地面机器人DARPA地下挑战,我们目前的结果在城市和洞穴环境中,随着模拟场景,证明了这种方法。
2021-01-21 cs.RO
Concurrent-Allocation Task Execution for Multi-Robot Path-Crossing-Minimal Navigation in Obstacle Environments
School of Mechanical and Aerospace Engineering, Nanyang Technological University(机械与航空航天工程学院,南洋理工大学);School of Robotics, Hunan University(机器人学院,湖南大学);School of Transportation Science and Engineering, Beihang University(交通运输科学与工程学院,北航大学)
针对障碍环境下多机器人最小路径交叉导航现有方法易失效的问题,提出CATE算法,通过构建含整数与CBF约束的在线优化框架,同时实现分配与控制计算,在保证收敛性的同时提升导航效率并降低计算量。
2025-10-28 cs.RO
Learning Obstacle Avoidance using Double DQN for Quadcopter Navigation
Worcester Polytechnic Institute(沃斯特理工学院)
本文提出使用双DQN算法,通过深度相机实现四旋翼机器人在模拟城市环境中的避障导航学习。
2025-12-14 cs.RO
Obstacle-aware Waypoint Generation for Long-range Guidance of Deep-Reinforcement-Learning-based Navigation Approaches
Berlin Institute of Technology(柏林工业大学)
在拥挤的环境中导航移动机器人是各种用例中的一项重要任务,例如交付,医疗保健或物流。深度强化学习(DRL)作为替代方法出现,以取代过于保守的方法,并承诺更有效和灵活的导航。然而,深度强化学习由于其近视性而仅限于局部导航。以前的研究工作提出了各种方法将深度强化学习与传统方法相结合,但一个常见的问题是高度动态环境的复杂性,这是由于人类和环境中其他物体的不可预测性。在本文中,我们提出了一个分层的航路点生成器,它考虑了移动障碍物,从而为基于深度强化学习的本地规划器生成更安全,更鲁棒的航路点。因此,我们利用德洛内三角剖分编码的障碍,并结合扩展的混合A-Star方法,有效地搜索在时间状态空间的最优解。我们将我们的路点生成器与两种基线方法进行了比较,并在安全性,效率和鲁棒性方面优于它们。
2021-09-23 cs.RO
OSCAR: Obstacle Survival Curves for Adaptive Robot Navigation
University of Toronto(多伦多大学)
提出OSCAR框架,利用生存模型学习障碍物清除时间分布,并通过图规划器动态调整等待与重路由的阈值,以减少导航时间。
2026-10-22 cs.RO
Joint Vision-Based Navigation, Control and Obstacle Avoidance for UAVs in Dynamic Environments
Sapienza University of Rome(罗马大学);IT+Robotics S.r.l.(IT+Robotics有限公司)
本文研究了基于视觉的无人机导航系统与鲁棒避障能力的耦合问题。前一个问题通过最大化兴趣点的可见性来解决,而后者则通过椭球排斥区域来建模。整个问题被转化为一个最优控制问题(OCP),并利用最先进的数值优化在几毫秒内解决。由此产生的轨迹非常适合到达指定的目标位置,同时以安全裕度避开障碍物,并最大限度地减少与感兴趣目标失去路线的可能性。将该技术与适当的椭圆体成形(即,通过与障碍物速度或与障碍物检测不确定性成比例地增大形状)导致鲁棒的障碍物回避行为。我们在广泛的模拟实验中验证了我们的方法,这些实验显示了即使在具有挑战性的条件下也能满足所有约束的有效能力。我们发布了本文的开源实现。
2019-11-05 cs.RO
VEGA: Learning Navigation VLAs from In-the-Wild Egocentric Video with Geometric Trajectory Supervision
University of Maryland, College Park(马里兰大学帕克分校)
提出VEGA方法,利用未标注的自我中心视频通过重建场景几何生成障碍感知轨迹,训练流匹配VLA导航策略,在VEGA-Bench上碰撞减少33.0%,真实世界成功率提升至少150.0%。
2026-11-02 cs.RO
Danger-aware Adaptive Composition of DRL Agents for Self-navigation
National University of Singapore(新加坡国立大学)
自主导航是指移动机器人在避免与障碍物碰撞的同时自动到达目标的能力,是移动机器人所需的基本技能。近年来,深度强化学习(DRL)在机器人导航算法的发展中显示出巨大的潜力。然而,训练机器人同时学习到达目标和避障的技能仍然是困难的。另一方面,虽然提出了许多基于DRL的避障算法,但很少有人被重用于更复杂的导航任务。本文提出了一种新的导航感知自适应组合(DAAC)框架,将两个单独的DRL训练的代理,避障和目标达成,构建一个导航代理没有任何重新设计和再训练。这种自适应合成方法的关键在于,避障智能体输出的价值函数作为评估当前情况的风险水平的指标,这反过来又决定了这两个智能体对下一步行动的贡献。仿真和实际测试结果表明,组合导航网络可以控制机器人完成困难的导航任务,在未知复杂环境中安全、快速地实现一系列连续目标。
2020-01-08 cs.RO
From NLVO to NAO: Reactive Robot Navigation using Velocity and Acceleration Obstacles
Mechanical Engineering and Mechatronics, Ariel University(人工智能与机电工程系,阿维尔大学)
本文将 NLVO 扩展为考虑速度与加速度约束的 AO 和 NAO,提出多机器人共用避障算法的反应式实时导航方法,以更安全地处理复杂动态环境。
2025-06-06 cs.RO
NAMOUnc: Navigation Among Movable Obstacles with Decision Making on Uncertainty Interval
Paris-Saclay University, CEA, List(巴黎-萨克雷大学,CEA,List);Guangdong Laboratory of Artificial Intelligence(广东人工智能与数字经济实验室)
本文提出NAMOUnc框架,将观测噪声等不确定性纳入决策,通过比较移除与绕过障碍物的时间成本区间,优化成功率和时间效率,经仿真和真实实验验证优于现有方法。
2025-10-10 cs.RO
Efficient Navigation Among Movable Obstacles using a Mobile Manipulator via Hierarchical Policy Learning
School of Computing in Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院计算机学院);Robotics Program at the same institute, KAIST(韩国科学技术院机器人项目)
提出一种分层强化学习框架,通过结合障碍物属性估计与结构化推动策略,使移动机械臂在遵循全局路径的同时高效完成可移动障碍物间导航任务,实验证明其成功率更高、路径更短、用时更少。
2025-06-18 cs.RO
Beyond Visibility Limits: A DRL-Based Navigation Strategy for Unexpected Obstacles
Eastern Institute of Technology(东方理工学院);Hong Kong Polytechnic University(香港理工大学);National University of Singapore(新加坡国立大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
针对DRL导航在受限能见度下易碰撞的问题,提出DRL-NSUO策略,利用LiDAR变化率与课程学习动态平衡路径效率与安全,在BARN数据集上取得高成功率,显著提升人机协作安全性。
2025-03-03 cs.RO
WAND: Learning Robust Navigation under Complex Wind Disturbances and Dense Obstacles for Quadrotors
University of Science and Technology of China(中国科学技术大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出WAND强化学习框架,通过TCN估计风扰动加速度并结合WindAdapter实现扰动抑制,在12种仿真场景中成功率平均提升8.3个百分点,20次室内飞行试验成功18次,验证了四旋翼无人机在复杂环境下的鲁棒导航能力。
2026-10-09 cs.RO
Nonlinear Model Predictive Control with Obstacle Avoidance Constraints for Autonomous Navigation in a Canal Environment
Korea Advanced Institute of Science and Technology(韩国科学技术院)
针对运河狭窄环境下小型巡航船的自主导航需求,提出带避障约束的非线性模型预测控制方法,通过系统辨识适配船舶动力学,结合LiDAR点云构建避障约束,经浦项运河实地实验验证了有效性。
2023-07-19 cs.RO
RA-Nav: A Risk-Aware Navigation System Based on Semantic Segmentation for Aerial Robots in Unpredictable Environments
RA-Nav通过语义分割实时识别障碍物并分类,构建风险地图以实现安全高效的路径规划,验证了在突发障碍物场景下的优越性能。
2026-02-19 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
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
Reinforcement Learned Distributed Multi-Robot Navigation with Reciprocal Velocity Obstacle Shaped Rewards
The University of Hong Kong(香港大学);Southern University of Science and Technology(南方科技大学)
解决避碰问题的挑战在于自适应地选择最佳的机器人速度在复杂的场景充满了互动的障碍。本文提出了一种分布式多机器人导航方法,该方法将速度障碍(RVO)的概念和深度强化学习(DRL)的方案相结合,解决了有限信息下的相互避碰问题。本文的创新之处在于:(1)用一组连续的VO和RVO向量分别表示静态和动态障碍物的交互环境状态:(2)开发了一种基于双向递归模块的神经网络,它将周围不同数量障碍物的状态直接映射到动作上;(3)开发基于RVO区域和预期碰撞时间的奖励函数,以鼓励相互的避碰行为,并在碰撞风险和行程时间之间进行权衡。该策略通过模拟场景进行训练,并通过基于行动者-评论家的DRL算法进行更新。我们验证的政策在复杂的环境中,不同数量的差动驱动机器人和障碍物。实验结果表明,我们的方法优于国家的最先进的方法和其他基于学习的方法在成功率,旅行时间和平均速度。该方法的源代码可在https://github.com/hanruihua/rl_rvo_nav上获得。
2022-03-19 cs.RO
A Novel Navigation System for an Autonomous Mobile Robot in an Uncertain Environment
Anhui Polytechnic University(安徽工程大学);Wuhu HIT Robot Technology Research Institute Co. Ltd(芜湖哈工大机器人技术研究院有限公司);Cranfield University(克兰菲尔德大学)
本文提出了一种新的导航系统,该系统采用自适应阈值聚类算法在滑动窗口中检测障碍物,利用决策树对检测到的障碍物进行分类,并采用简化的Mophin算法对潜在碰撞进行预测和最优路径搜索。与现有的机器人导航方法相比,该系统具有最优无碰撞路径、存储空间小、计算复杂度低等优点。仿真实验和八种场景下的机器人实验表明,该机器人能够有效地避免与周围环境中的任何静态或动态障碍物发生碰撞。
2020-06-08 cs.RO
Visibility-Aware Navigation Among Movable Obstacles
MIT(麻省理工学院);CSAIL(计算机科学与人工智能实验室)
在本文中,我们研究了可移动障碍物(VANAMO)之间的可行性感知机器人导航的问题。著名的NAMO机器人规划问题的一个变体,VANAMO提出了额外的可见性限制机器人运动和对象的可移动性。这个新的问题公式解除了限制性的假设,即地图是完全可见的,物体的位置是完全已知的。我们提供了一个正式的VANAMO问题的定义,并提出了寻找和操纵反向链接(LaMB)算法来解决这些问题。LaMB有一个简单的基于视觉的API,使其更容易转移到现实世界的机器人应用程序,并扩展到大型3D环境。为了评估LaMB,我们构建了一组任务,说明了在未知环境中移动基础操作问题中可能出现的可见性和对象可移动性之间的复杂相互作用。我们表明,LaMB优于NAMO和感知能力的运动规划方法,以及简单的组合,他们对复杂的操作问题与部分可观测性。
2022-12-06 cs.RO
Interactive-FAR:Interactive, Fast and Adaptable Routing for Navigation Among Movable Obstacles in Complex Unknown Environments
University of Maryland(马里兰大学);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对复杂未知环境下的可移动障碍物导航问题,提出Interactive-FAR算法,通过改进DV-graph和实时交互规划实现快速自适应路由,大幅提升导航效率并开源代码。
2024-04-11 cs.RO
NAMO-LLM: Efficient Navigation Among Movable Obstacles with Large Language Model Guidance
Department of Electrical and Systems Engineering, McKelvey School of Engineering, Washington University in St.Louis(电气与系统工程系,麦凯利工程学院,华盛顿大学圣路易斯分校)
针对可移动障碍物导航问题,提出基于大语言模型引导非均匀采样的规划器NAMO-LLM,具有概率完备性,在杂乱环境中运行时间和计划质量优于现有方法。
2025-10-16 cs.RO
Wavefront Propagation and Fuzzy Based Autonomous Navigation
路径规划和避障是任何导航系统中的两个主要问题。波前传播算法是一种很好的路径规划算法,可以用来确定最优路径,利用可能性理论可以实现避障。结合这两个功能,机器人能够自主导航到目的地。本文介绍了实现室内移动机器人自主导航系统的方法和结果。该系统是基于激光传感器,用于检索数据,以更新一个二维的世界模型的therobot环境。路径中的航路点被并入避障。实现了诸如对象老化和平滑运动规划的功能,以提高效率并适应动态环境。
2006-01-14 cs.RO
RRT* Combined with GVO for Real-time Nonholonomic Robot Navigation in Dynamic Environment
The Hong Kong University of Science and Technology(香港科技大学)
动态环境下的非完整机器人导航仍然面临挑战。本文提出了一个框架,这样的导航的基础上的广义速度障碍(GVO)模型。自1998年提出以来,速度障碍的概念已经得到了很好的研究和发展。虽然它已经被证明是成功的,但大多数研究都假设运动方程是线性的,这限制了它在完整机器人中的应用。此外,更多的注意力集中在机器人的即时反应上,而事先规划却被忽视了。通过将GVO模型应用于差动驱动机器人,并将其与RRT* 相结合,我们减少了机器人轨迹的不确定性,从而进一步缩小了关注范围,并节省了计算时间和运行时间。通过对动态障碍物进行卡尔曼滤波器引入不确定性,稀释了将障碍物视为沿直线匀速运动的风险,保证了安全性。特别关注的是路径生成,包括曲率检查,使生成的路径可行的非完整机器人。我们通过实验证明了该框架的可行性。
2018-04-11 cs.RO
Obstacle-Aware Autonomous Coverage and Navigation for Outdoor Robots
Politecnico di Milano(米兰理工大学)
本文针对户外机器人长时间覆盖面临的定位漂移、障碍物等挑战,提出结合覆盖规划、鲁棒定位与Nav2执行的ROS 2架构,经模拟与实际试验验证,可完成覆盖93.1%-96.1%规划区域的户外覆盖任务。
2026-09-14 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
LP-NavOA: Integrated Local Navigation and Obstacle Avoidance for Humanoid Robots under Limited Perception
College of Intelligence Science and Technology(智能科学与技术学院);National University of Defense Technology(国防科技大学)
提出LP-NavOA框架,通过射线条件感知-动作PPO运动骨干和A*教师蒸馏的循环局部规划器,在短距离部分可观测感知下实现仿人机器人避障、稀疏目标恢复和稳定全身运动,将准时到达率从38-40%提升至85-97%。
2026-06-23 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
Obstacle-Aware Navigation of Soft Growing Robots via Deep Reinforcement Learning
Egypt-Japan University of Science and Technology(埃及日本科技大学);Norwegian University of Science and Technology(挪威科技大学)
本文提出深度强化Q-learning算法,将机器人与环境交互纳入决策,使软体生长机器人能在杂乱受限空间中实现障碍物感知导航。
2024-01-23 cs.RO
DAMON: Dynamic Amorphous Obstacle Navigation using Topological Manifold Learning and Variational Autoencoding
DAMON利用流形学习和变分自动编码来实现避障,允许通过预先学习的低维分层结构流形图中的自适应图遍历来进行运动规划,该流形图捕获机器人手臂及其障碍物之间的复杂运动动力学。这种通用且可重用的方法适用于各种协作场景。DAMON的主要优点是它能够在低维图中嵌入信息,消除了当前基于采样的方法所需的重复计算。因此,它提供了更快、更高效的运动规划,同时显著降低了计算开销和内存占用。总之,DAMON是一种突破性的方法,它解决了机器人系统中动态避障的挑战,并为安全高效的人机协作提供了一种有前途的解决方案。我们的方法已在7自由度的机器人机械手在模拟和物理设置实验验证。DAMON使机器人能够学习和生成避免以前看不见的障碍物的技能,同时实现预定义的目标。我们还优化DAMON的设计参数和性能使用的分析框架。我们的方法优于主流方法,包括RRT,RRT*,动态RRT*,L2RRT和MpNet,平均轨迹平滑度提高40%,延迟性能提高65%以上。
2023-03-28 cs.RO
Intelligent Navigation and Obstacle-Aware Fabrication for Mobile Additive Manufacturing Systems
The Pennsylvania State University(宾夕法尼亚州立大学);Arizona State University(亚利桑那州立大学)
本文提出一种结合导航与制造的移动打印平台,通过实时控制框架实现安全运动和路径稳定性,提升动态制造环境中的灵活性和适应性。
2026-03-26 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
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
NeuroSwarm: Multi-Agent Neural 3D Scene Reconstruction and Segmentation with UAV for Optimal Navigation of Quadruped Robot
Skoltech(斯科尔科沃科学技术研究院)
提出多智能体系统NeuroSwarm,结合3D神经重建与自适应神经场最优运动规划器(ANFOMP),实现四足机器人环境感知与高度自适应导航,使路径长度减少33.3%,导航时间减少70%。
2023-08-03 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
Vision-Based Goal-Conditioned Policies for Underwater Navigation in the Presence of Obstacles
University of Toronto(多伦多大学);McGill University(麦吉尔大学)
我们提出了Nav2Goal,一种用于目标条件视觉导航的数据高效和端到端学习方法。我们的技术是用来训练的导航政策,使机器人导航接近稀疏的地理航点提供的用户没有任何事先的地图,所有同时避免障碍物和选择的路径,覆盖用户知情的感兴趣的区域。我们的方法是基于条件模仿学习的最新进展。由人类专家演示通用、安全和信息化的操作。学习的政策,随后扩展到目标条件的训练与后见之明重新标记,由机器人的相对定位系统,这不需要额外的手动注释的指导。我们将我们的方法部署在公海的水下机器人上,以收集珊瑚礁的科学相关数据,这使得我们的机器人能够安全自主地操作,即使在非常接近珊瑚的地方。我们的现场部署已经展示了超过一公里的自主视觉导航,机器人可以到达40个航路点,同时收集科学相关的数据。这是在距离敏感珊瑚0.5米的高度范围内进行的,并表现出明显的学习敏捷性,以克服动荡的海洋条件,并积极避免碰撞。
2020-06-29 cs.RO
Provably Safe Robot Navigation with Obstacle Uncertainty
随着无人机和自动驾驶汽车的普及,机器人在现实条件下安全运行变得越来越重要。输入真实系统的噪声信息意味着机器人必须使用对环境的估计来规划导航。在这些情况下,有效地保证所产生的运动计划是安全的已被证明是困难的。我们研究如何保证一个轨迹或政策是安全的,只有不完美的观察环境。我们研究了各种数学形式主义的安全性的影响,并得出了一个数学概念的安全性的长期执行,即使在观测信息的条件。我们提出了有效的算法,可以证明轨迹或政策是安全的,比以前的工作更严格的界限。值得注意的是,环境的复杂性不会影响我们的方法评估轨迹或策略是否安全的能力。然后,我们使用这些安全检查方法来设计一个安全的RRT规划算法的变体。
2017-05-31 cs.RO
TOPGN: Real-time Transparent Obstacle Detection using Lidar Point Cloud Intensity for Autonomous Robot Navigation
gamma.umd.edu(马里兰大学Gamma实验室)
本研究提出TOPGN方法,通过多层激光雷达点云强度栅格地图分离透明障碍物点并线性外推实现实时避障,在多场景下检测精度、导航成功率优于现有方法,且可用于环境建图。
2024-08-10 cs.RO
Gaussian Process Distance Fields Obstacle and Ground Constraints for Safe Navigation
UTS Robotics Institute(UTS机器人研究所);Faculty of Engineering and IT, University of Technology Sydney(悉尼科技大学工程与信息技术学院)
针对地面机器人在三维复杂场景中的安全导航问题,提出融合两个高斯过程距离场与四叉树多分辨率地图的轨迹优化方法,可处理不平地形、台阶及悬空障碍。
2024-10-23 cs.RO