PIC4rl-gym: a ROS2 modular framework for Robots Autonomous Navigation with Deep Reinforcement Learning
Politecnico di Torino（都灵理工大学）
学习代理可以优化标准的自主导航，通过采用各种各样的方法来提高系统的灵活性，效率和计算成本。这项工作介绍了\textit{PIC4rl-gym}，一个基本的模块化框架，通过混合机器人社区的标准工具ROS 2和Gazebo，以及深度强化学习（DRL）来增强导航和学习研究。本文描述了PIC 4 rl-gym的整体结构，它充分集成了DRL Agent在多种室内和室外导航场景和任务中的训练和测试。采用模块化方法，通过选择新的平台、传感器或模型，轻松定制仿真。我们展示了我们的新健身房的潜力，通过基准测试产生的政策，训练不同的导航任务，与一套完整的指标。
2022-11-19 cs.AI cs.RO
Following Social Groups: Socially Compliant Autonomous Navigation in Dense Crowds
Hong Kong University of Science and Technology（香港科技大学）；Carnegie Mellon University（卡内基梅隆大学）
在人口稠密的环境中，社交兼容导航对于自主机器人至关重要，因为驾驶时不可避免地要靠近人。考虑到人类舒适度和社会规则的限制，这种社交导航方式具有挑战性。传统的基于手工成本函数的方法难以在复杂的现实世界中操作。其他基于学习的方法未能从集体形成行为的角度解决自然性方面。我们提出了一个自主导航系统，能够在密集的人群和利用社会群体的信息。底层系统结合了一个深度神经网络来跟踪社交群体并加入社交群体的流以促进导航。系统中的防撞层进一步确保了航行安全。在实验中，我们的方法产生社会顺应行为的最先进的方法。更重要的是，该系统能够在人口密集的区域（10米x 20米区域内有10多人）安全地跟随人群流动到达目标。
2019-11-27 cs.AI cs.RO
Benchmarking Reinforcement Learning Techniques for Autonomous Navigation
University of Texas at Austin（德克萨斯大学奥斯汀分校）；George Mason University（乔治梅森大学）；Everyday Robots（日常机器人公司）；Sony AI（索尼人工智能）
本文针对自主导航深度强化学习缺乏开源基准和可复现方法的问题，提出了四个主要期望，并评估了记忆架构、安全RL、基于模型RL和域随机化四类技术在开源基准和真实环境中的表现。
2023-06-27 cs.AI cs.RO
Data-Driven Meets Navigation: Concepts, Models, and Experimental Validation
University of Haifa（海法大学）
导航的目的是确定载人和自主平台、人类和动物的位置、速度和方向。获得精确的导航通常需要在基于模型的非线性估计框架中融合多个传感器，例如惯性传感器和全球导航卫星系统。最近，数据驱动的方法应用在各个领域显示出最先进的性能，相比基于模型的方法。在本文中，我们回顾了多学科的，基于数据驱动的导航算法的自主导航和传感器融合实验室（ANSFL）开发和实验证明，包括算法适用于人类和动物的应用，各种自主平台，多用途导航和融合方法
2022-10-06 cs.AI cs.RO
Holistic Deep-Reinforcement-Learning-based Training of Autonomous Navigation Systems
Berlin Institute of Technology（柏林工业大学）
近年来，深度强化学习作为地面车辆自主导航的一种有前途的方法出现，并已被用于巡航控制、车道变换或避障等各种导航领域。然而，大多数研究工作要么专注于使用深度强化学习来提供端到端的解决方案来训练整个系统，要么专注于一个特定的方面，例如局部运动规划。然而，这伴随着许多问题，例如灾难性的遗忘，低效的导航行为以及导航堆栈的不同实体之间的非最佳同步。在本文中，我们提出了一种整体的深度强化学习训练方法，其中训练过程涉及导航堆栈的所有实体。这将增强导航堆栈的所有实体之间的同步和对它们的理解，从而提高导航性能。我们用一些不同的观察空间训练了几个智能体，以研究不同输入对智能体导航行为的影响。在对多种基于学习和经典的基于模型的导航方法的深入评估中，我们提出的代理在效率和安全性方面优于基线，实现更短的路径长度，更少的迂回路径和更少的碰撞。
2023-02-06 cs.LG cs.RO
Building Intelligent Autonomous Navigation Agents
Carnegie Mellon University（卡内基梅隆大学）
在过去的十年中，机器学习的突破导致了“数字智能”，即能够从大量标记数据中学习以执行诸如语音识别、面部识别、机器翻译等数字任务的机器学习模型。即，构建智能自主导航代理，其能够学习在物理世界中执行复杂的导航任务，包括视觉感知、自然语言理解、推理、规划和顺序决策。尽管在过去的几十年中，经典的导航方法取得了一些进展，目前的导航代理在长期的语义导航任务的斗争。在论文的第一部分中，我们讨论了我们在短期导航方面的工作，使用端到端强化学习来解决避障、语义感知、语言基础和推理等挑战。在第二部分中，我们提出了一类基于模块化学习和结构化显式地图表示的新导航方法，这些方法利用了经典和端到端学习方法的优势，以解决长期导航任务。我们表明，这些方法能够有效地解决本地化，映射，长期规划，探索和学习语义先验等挑战。这些模块化的学习方法能够进行长期的空间和语义理解，并在各种导航任务上取得最先进的成果。
2021-06-25 cs.AI cs.CV cs.LG
Indoor Localization for Autonomous Robot Navigation
Colorado State University（科罗拉多州立大学）
本研究探索将室内定位系统（IPS）用于自主机器人导航，通过收集数据集、训练模型并开发A*路径规划算法，使机器人利用预测方向导航，实验显示约50%的拐角导航成功率，表明该方向具有研究潜力。
2025-02-28 cs.LG cs.RO
A Deep Learning Based Behavioral Approach to Indoor Autonomous Navigation
Pontificia Universidad Catolica de Chile（智利天主教大学）；Stanford University（斯坦福大学）
我们提出了一个语义丰富的图形表示室内机器人导航。我们的图形表示编码：语义位置（如办公室或走廊）作为节点，导航行为（如进入办公室或穿过走廊）作为边。特别是，我们的导航行为直接从视觉输入操作，以产生运动控制，并通过深度学习架构实现。这使机器人能够避免明确计算其精确位置或环境的几何形状，并实现更高层次的语义抽象导航。我们通过在大量的虚拟环境中模拟导航任务来评估我们的表示的有效性。我们的研究结果表明，使用一组简单的感知和导航行为，所提出的方法可以成功地引导机器人的方式，因为它完成导航任务，如去一个特定的办公室。此外，我们的实现是有效的控制行为的选择和切换。
2018-03-12 cs.AI cs.RO
IoT-Enabled Autonomous Maritime Navigation in Smart Ports: A Curriculum-Guided Shared Policy Learning Framework
Nanyang Technological University（南洋理工大学）；School of Civil and Environmental Engineering（土木与环境工程学院）；School of Mechanical and Aerospace Engineering（机械与航空航天工程学院）
针对智能港口IoT自主海上设备的导航挑战，提出课程引导共享策略学习框架，经模拟验证其可靠性、避碰性等优于基线方法，可有效泛化到高密度场景。
2026-08-13 cs.LG cs.RO
Avoidance of Manual Labeling in Robotic Autonomous Navigation Through Multi-Sensory Semi-Supervised Learning
Ball State University（波尔州立大学）
模仿学习有望解决具有挑战性的机器人任务，如自主导航。然而，它需要一个人类监督员来监督训练过程，并在没有反馈的情况下向机器人发送正确的控制命令，这总是容易出错，而且成本高昂。为了最大限度地减少人工参与和避免人工标记的数据在机器人自主导航与模仿学习，本文提出了一种新的半监督模仿学习解决方案的基础上的多传感器设计。该解决方案包括基于传感器融合的次优传感器策略，以自动标记机器人遇到的状态，以避免训练期间的人类监督。此外，开发了一种记录策略，以抑制从次优传感器策略中学习太多的对抗性影响。该解决方案允许机器人以自我监督的方式学习导航策略。通过在室内环境中的大量实验，该解决方案可以在大多数任务中实现接近人类的性能，甚至在硬件故障或人为操作错误等意外事件中超过人类的性能。据我们所知，这是第一个综合传感器融合和模仿学习的工作，使机器人自主导航在现实世界中没有人的监督。
2018-02-20 cs.LG cs.RO
Real-time autonomous magnetic microrobot navigation across dynamic and biologically relevant environments
Department of Mechanical Engineering, University of Delaware（德克萨斯大学机械工程系）；Department of Animal and Food Sciences, University of Delaware（德克萨斯大学动物与食品科学系）；School of Civil and Environmental Engineering, Cornell University（康奈尔大学土木与环境工程学院）
针对血管内微机器人导航面临密集移动障碍的挑战，提出结合解析几何全局规划器与两种局部逃逸控制器的实时路径规划框架，实现快速避障并到达目标，平均规划时间40毫秒/帧。
2026-09-23 cs.AI cs.RO
SEAN: Social Environment for Autonomous Navigation
Yale University（耶鲁大学）；Rutgers University（罗格斯大学）
社会导航研究是在各种机器人平台，场景和环境中进行的。由于构建这些系统所涉及的工作以及社区使用的平台的多样性，因此在导航算法之间进行比较具有挑战性;尽管如此，评估对于了解该领域的进展至关重要。在社会导航算法的可再生评估的一步，我们提出了社会环境自主导航（SEAN）。SEAN是一个高视觉保真度，开源和可扩展的社交导航仿真平台，其中包括用于评估导航算法的工具包。我们展示了SEAN和它的评估工具包在两个环境中与动态行人和使用两种不同的机器人。
2020-09-09 cs.RO
Position-Agnostic Autonomous Navigation in Vineyards with Deep Reinforcement Learning
Politecnico di Torino（都灵理工大学）
精准农业正在迅速吸引研究，以有效地引入自动化和机器人解决方案来支持农业活动。葡萄园和果园中的机器人导航在自主监测和轻松访问作物以进行收获、喷洒和执行耗时的必要任务方面具有竞争优势。目前，自主导航算法使用昂贵的传感器，这也需要大量的计算成本的数据处理。尽管如此，葡萄园行代表了一个具有挑战性的户外场景，GPS和视觉里程计技术通常很难提供可靠的定位信息。在这项工作中，我们将Edge AI与深度强化学习相结合，提出了一种先进的轻量级解决方案，以解决葡萄园自主导航的问题，而无需利用精确的定位数据，并通过灵活的基于学习的方法克服任务定制算法。我们训练一个端到端的感觉运动代理，它直接将嘈杂的深度图像和位置不可知的机器人状态信息映射到速度命令，并引导机器人到一行的末尾，不断调整其航向以获得无碰撞的中心轨迹。我们在现实模拟葡萄园中的广泛实验证明了我们的解决方案的有效性和我们的代理的泛化能力。
2022-06-28 cs.AI cs.RO
Toward AI Autonomous Navigation for Mechanical Thrombectomy using Hierarchical Modular Multi-agent Reinforcement Learning (HM-MARL)
本研究提出分层模块多智能体强化学习框架，实现机械取栓中双设备自主导航，展示体外导航能力及泛化挑战。
2026-02-20 cs.LG cs.RO
Autonomous Navigation of Unmanned Vehicle Through Deep Reinforcement Learning
Northeastern University（东北大学）；New York University（纽约大学）；Peking University（北京大学）
本文探讨利用DDPG算法解决无人驾驶车辆在高维连续动作空间中的自主导航问题，实验证明其在路径规划任务中优于DQN和DDQN算法。
2024-07-18 cs.LG cs.RO
Decomposing the Prediction Problem; Autonomous Navigation by neoRL Agents
UiT – Norges Artigste Universtet（UiT——挪威北极大学）
导航世界是任何生物的基本能力。事实证明，在技术上实现同样的自由度是困难的。大脑是唯一已知的能够自主导航的机制，使神经科学成为我们实现自主性的最佳灵感来源。假设状态表示是关键，我们探索大脑和机器如何表示导航状态的差异。其中，强化学习（RL）需要根据马尔可夫特性的单片状态表示，欧几里得空间的神经表示（NRES）通过分布式激活模式反映导航状态。在通过实验验证我们的理论发现之前，我们展示了NRES导向的RL（neoRL）代理是如何可能的。最终，neoRL代理能够跨状态空间进行行为合成-允许将问题分解到更小的空间，减轻维度灾难。
2021-06-30 cs.AI cs.RO
Autonomous Navigation in Complex Environments
本文提出基于CNN-DNN融合的导航控制器，利用模仿学习结合LiDAR与相机数据在地下救援仿真环境中导航寻目标，并通过蒙特卡洛验证其鲁棒性。
2024-01-06 cs.AI cs.CV cs.LG
An implementation of ROS Autonomous Navigation on Parallax Eddie platform
Universiti Brunei Darussalam（文莱达鲁萨兰大学）
提出了一种基于机器人操作系统（ROS）的自主导航功能在轮式差动驱动移动平台Eddie机器人上的实现方法。ROS是一个框架，包含许多可重用的软件栈以及可视化和调试工具，为任何机器人项目开发提供了理想的环境。本文的主要贡献是描述了Eddie机器人的定制硬件和软件系统设置，以与ROS中的自主导航系统（称为Navigation Stack）一起工作，并实现一个自主导航的应用用例。在本文中，选择拍照来演示移动机器人的一个用例。
2021-08-28 cs.CV cs.RO
Estimation and Navigation Methods with Limited Information for Autonomous Urban Driving
Cornell University（康奈尔大学）
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差，全球定位信息（例如GPS信号）可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据，对该数据进行大量的后处理以获得地图，然后随着环境的变化而在地图上保持更新。本论文通过研究算法和架构来解决城市环境中的自动驾驶问题，从而在有限的信息下实现全功能的自动驾驶。
2021-08-11 cs.RO
Hierarchical Decision-Making for Autonomous Navigation: Integrating Deep Reinforcement Learning and Fuzzy Logic in Four-Wheel Independent Steering and Driving Systems
School of Automation, Central South University（自动化学院，中南大学）
本文提出一种面向四轮独立转向与驱动系统的分层决策框架，融合深度强化学习进行高层导航和模糊逻辑进行低层控制，在仿真与真实工业场景中验证了其优于传统方法及纯DRL方案的训练效率、稳定性和安全性。
2025-08-22 cs.AI cs.RO
SAATT Nav: a Socially Aware Autonomous Transparent Transportation Navigation Framework for Wheelchairs
Edwardson School of Industrial Engineering, Purdue University（帕克大学工业工程学院）；Weldon School of Biomedical Engineering, Purdue University（帕克大学生物医学工程学院）
本文提出SAATT导航框架，通过整合大语言模型实现社交感知与决策透明，提升轮椅用户的导航安全性与信任度。
2026-03-18 cs.AI cs.RO
TinyNav: End-to-End TinyML for Real-Time Autonomous Navigation on Microcontrollers
TinyNav利用量化二维卷积神经网络在ESP32微控制器上实现实时自主导航，通过避免3D卷积和循环层，达到30毫秒推理延迟，展示了在受限设备上部署自主控制的可行性。
2026-03-10 cs.CV cs.LG cs.RO
Autonomous Urban Localization and Navigation with Limited Information
Cornell University（康奈尔大学）
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差，全球定位信息（例如GPS信号）可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据，对该数据进行大量的后处理以获得地图，然后随着环境的变化而在地图上保持更新。本文通过研究算法和架构来解决城市环境中的自动驾驶问题，从而在有限的信息下实现全功能自动驾驶。开发了一种在很少或不依赖先验地图或GPS的情况下自主导航城市道路的算法。定位是用一个扩展的卡尔曼滤波器与里程计，罗盘，和稀疏的地标测量更新。导航是由基于罗盘的导航控制律。蒙特卡洛研究的关键结果显示了不同环境条件下城市导航的成功率。实验验证了模拟结果，并表明，对于给定的测试条件下，可以找到一个预期的范围内给定的成功率。
2018-10-09 cs.RO
A Deep Learning Driven Algorithmic Pipeline for Autonomous Navigation in Row-Based Crops
Politecnico di Torino（都灵理工大学）
本文提出一种基于深度学习的行播作物自主导航算法流水线，利用低量程传感器和占据栅格地图生成可行路径，有效应对GNSS不可靠问题，实现高性价比的完全自主机器。
2023-09-14 cs.AI cs.RO
Towards Preference Learning for Autonomous Ground Robot Navigation Tasks
CCDC Army Research Laboratory（CCDC陆军研究实验室）
我们感兴趣的自主机器人行为的设计，学习用户的偏好，在持续的互动，以有效地执行导航行为的方式，用户期望的目标。在本文中，我们讨论了我们正在进行的工作，以修改一个通用模型的机器人导航行为的探索任务，在每个用户的基础上，使用基于偏好的强化学习。这种方法的新颖贡献在于，它结合了强化学习、运动规划和自然语言处理，允许自主智能体从与人类队友的持续对话中学习，而不是一次性的指令。
2020-11-05 cs.RO
Learning Pose Estimation for UAV Autonomous Navigation andLanding Using Visual-Inertial Sensor Data
California Institute of Technology（加州理工学院）
在这项工作中，我们提出了一种新的学习方法的自主导航和着陆的无人机（UAV）。我们开发了一种用于视觉-惯性里程计的深度神经架构的多模态融合。我们以端到端的方式训练模型，以从视觉和惯性测量流中估计当前车辆姿态。我们首先评估我们的估计的准确性，通过比较模型的预测，传统的算法在公开的EuRoC MAV数据集。结果表明，$25 \%$在估计精度上优于基线。最后，我们将该架构集成到Airsim的闭环飞行控制系统中-虚幻引擎的插件模拟器-并提供自主导航和着陆的仿真结果。
2020-04-09 cs.CV cs.LG cs.RO
Towards Autonomous Pipeline Inspection with Hierarchical Reinforcement Learning
University of Twente（特文特大学）；Jönköping University（延雪平大学）
检测和维护是工业管道设备的两个关键方面。虽然机器人技术在管道检测机器人的机械设计方面取得了巨大的进步，但由于执行器数量多和所需的复杂操纵，这种机器人的自主控制仍然是一个巨大的挑战。为了解决这个问题，我们研究了深度强化学习的使用，以实现复杂拓扑结构的管道网络中的管道机器人的自主导航。此外，我们引入了一个分层的策略分解的基础上分层强化学习学习强大的高层次的导航技能。我们表明，在政策中引入的层次结构是通过管道解决导航任务的基础，实现导航性能优于人类水平的控制是必要的。
2021-07-08 cs.AI cs.RO
Domain Adaptation Using Adversarial Learning for Autonomous Navigation
Seoul National University（首尔国立大学）
自主导航已经成为越来越受欢迎的机器学习应用。深度学习的最新进展也极大地改善了自主导航。然而，现有的户外自主导航依赖于各种昂贵的传感器或大量的真实标记数据，这些数据难以获取并且有时是错误的。本研究的目的是训练自主导航模型，使用模拟器（而不是真正的标记数据）和廉价的单目摄像机。为了充分利用模拟器，我们提出的方法是基于领域自适应与对抗学习。具体来说，我们提出了我们的模型，其中1）生成器中的膨胀残余块，2）循环损失，3）风格损失，以提高对抗学习性能，以获得令人满意的领域自适应。此外，我们进行了理论分析，支持我们提出的方法的理由。我们提出了经验的结果，在室外课程的导航与各种路口使用商业无线电控制的汽车。我们观察到，我们提出的方法允许我们通过生成具有逼真纹理的图像来学习有利的导航模型。据我们所知，这是第一个将领域自适应与对抗学习应用于真实户外环境中的自主导航的工作。我们提出的方法也可以应用于精确的图像生成或其他机器人任务。
2018-05-22 cs.CV cs.RO
MulDP: Multimodal Diffusion Policy for Autonomous Quadruped Parkour Navigation across Complex Terrains
College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院）
本文针对四足机器人自主跑酷导航的关键挑战，提出MulDP多模态扩散策略，构建QPND数据集，经仿真与真实实验验证其可实现复杂地形的长时程鲁棒自主导航。
2026-09-04 cs.RO
CropNav: a Framework for Autonomous Navigation in Real Farms
University of Illinois at Urbana-Champaign (UIUC)（伊利诺伊大学厄巴纳-香槟分校）；EarthSense Inc.（EarthSense公司）；University of São Paulo (USP)（圣保罗大学）
提出一种混合导航系统CropNav，通过在LiDAR行跟踪与航点跟踪间自动切换并实现失败检测与恢复，解决了冠层下GNSS不可靠的导航难题，显著提升了农场自主导航距离。
2024-11-17 cs.RO
Autonomous Navigation with Mobile Robots using Deep Learning and the Robot Operating System
Imperial College London（帝国理工学院）；AIOZ Ltd.（AIOZ有限公司）
自主导航是机器人研究的一个长期领域，它为移动机器人提供了一种基本的能力，使其能够在人类日常执行的相同环境中执行一系列任务。在本章中，我们提出了一套算法，训练和部署深度网络的自主导航的移动机器人使用机器人操作系统（ROS）。我们描述了解决这个问题的三个主要步骤：i）使用ROS和Gazebo在模拟环境中收集数据; ii）设计用于自主导航的深度网络; iii）在模拟和现实世界中的移动机器人上部署学习策略。从理论上讲，我们提出了深度学习架构，用于在正常环境中进行鲁棒导航（例如，人造房屋、道路）和复杂环境（例如，倒塌的城市或天然洞穴）。我们进一步表明，使用视觉模态，如RGB，激光雷达和点云是必不可少的，以提高移动机器人的自主性。我们的项目网站和演示视频可以在https://sites.google.com/site/autonomousnavigationros上找到。
2020-12-07 cs.RO
MengeROS: a Crowd Simulation Tool for Autonomous Robot Navigation
The Graduate Center（纽约市立大学研究生中心）；Hunter College of The City University of New York（纽约市立大学亨特学院）
虽然在大型拥挤的环境中有效导航对于自主机器人至关重要，但支持它的算法的初步测试需要在广泛的人群场景中进行模拟。大多数可用的仿真工具提供没有机器人的真实人群或没有真实人群的真实机器人。本文介绍了MengeROS，一个2-D模拟器，逼真地集成了多个机器人和人群。MengeROS提供了广泛的设置，用于测试为大型拥挤环境设计的导航算法的功能和性能。
2018-01-26 cs.RO
Learning a Terrain- and Robot-Aware Dynamics Model for Autonomous Mobile Robot Navigation
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Freiburg（弗莱堡大学）；University of Augsburg（奥格斯堡大学）
本文提出地形与机器人感知的动力学模型TRADYN，基于神经过程元学习，适应地形和机器人变化，在仿真中降低预测误差并提升导航规划效率。
2024-09-17 cs.LG cs.RO
Deep Semantic Segmentation at the Edge for Autonomous Navigation in Vineyard Rows
Politecnico di Torino（都灵理工大学）
精准农业是一个快速增长的领域，旨在将负担得起的有效自动化引入农业过程。如今，葡萄园导航的算法解决方案需要昂贵的传感器和高计算工作量，这使得自主机器人平台在实际业务场景中无法大规模应用。从这个角度来看，我们提出的新控制利用了机器感知和边缘人工智能技术的最新进展，以低计算和功耗在葡萄园行内实现高度经济实惠和可靠的导航。事实上，使用定制训练的分割网络和低距离RGB-D相机，我们能够利用环境的语义信息在不同的葡萄园场景中产生平滑的轨迹和稳定的控制。此外，由控制算法本身生成的分割图可以直接用作作物状态的营养评估的过滤器。针对真实世界的数据和模拟环境进行了广泛的实验和评估，证明了我们的方法的有效性和内在的鲁棒性。
2021-07-01 cs.AI cs.RO
Arena-Rosnav: Towards Deployment of Deep-Reinforcement-Learning-Based Obstacle Avoidance into Conventional Autonomous Navigation Systems
Berlin Institute of Technology（柏林工业大学）；Chair Industry Grade Networks and Clouds（工业级网络与云研究室）；Faculty of Electrical Engineering, and Computer Science（电气工程与计算机科学学院）；Berlin Institute of Technology, Berlin, Germany（柏林工业大学（德国柏林））；Chair Industry Grade Networks and Clouds, Faculty of Electrical Engineering, and Computer Science, Berlin Institute of Technology, Berlin, Germany（柏林工业大学电气工程与计算机科学学院工业级网络与云研究室（德国柏林））
近年来，移动机器人已成为各行各业的重要工具，尤其是在物流领域。深度强化学习作为替代规划方法出现，以取代过于保守的方法，并承诺更有效和灵活的导航。然而，深度强化学习方法由于其倾向于局部最小值和缺乏长期记忆而不适合于远程导航，这阻碍了其广泛集成到移动机器人的工业应用中。在本文中，我们提出了一种导航系统，将基于深度强化学习的本地规划器整合到传统的导航堆栈中，用于远程导航。因此，提出了一个用于训练和测试深度强化学习算法以及经典方法的框架。我们评估了我们的深度强化学习增强型导航系统与各种传统规划器的对比，发现我们的系统在安全性、效率和鲁棒性方面优于它们。
2021-09-23 cs.AI cs.RO
VascularPilot3D: Toward a 3D fully autonomous navigation for endovascular robotics
United Imaging Research Institute of Intelligent Imaging（联影智能影像研究院）；United Imaging（联影集团）；University of Michigan（密歇根大学）
VascularPilot3D是首个三维全自主血管内机器人导航系统，结合感知与规划模块，在离体实验中达到100%成功率，并减少18.38%人工控制。
2024-09-18 cs.RO
Vision-Based Deep Reinforcement Learning of UAV Autonomous Navigation Using Privileged Information
针对部分可观测环境下无人机高速自主导航难题，提出结合深度强化学习与特权学习的DPRL算法，采用非对称Actor-Critic架构和多智能体探索策略，仿真验证其在飞行效率等方面性能优于现有算法。
2024-12-09 cs.CV cs.LG cs.RO
A low-cost indoor and outdoor terrestrial autonomous navigation model
本文提出了一种面向室内外自主导航的低成本系统设计方法。为了提供这里提出的解决方案的动机，国家的最先进的技术的典型缺点的简要讨论报告。最后，应用这种方法设计的导航系统的蒙眼的人。
2016-10-12 cs.HC cs.RO
An Open Source and Open Hardware Deep Learning-powered Visual Navigation Engine for Autonomous Nano-UAVs
ETH Zürich（苏黎世联邦理工学院）；University of Bologna（博洛尼亚大学）
纳米尺寸的无人机（UAV），直径只有几厘米，总功率预算不到10瓦，到目前为止，人们认为在没有来自基站、自组织本地定位基础设施和强大的外部计算服务器的外部帮助的情况下，它无法运行复杂的基于视觉的自主导航软件。在这项工作中，据我们所知，我们展示了第一个27 g纳米无人机系统，该系统能够在端到端的闭环视觉管道上运行，用于基于最先进的深度学习算法的自主导航，该算法建立在开源CrazyFlie 2.0纳米四旋翼上。我们的视觉导航引擎是通过将超低功耗计算设备（GAP 8片上系统）与用于部署深度卷积神经网络（CNN）的新方法相结合来实现的。我们能够在高达18 Hz的频率下实时执行最先进的深度CNN。现场实验表明，该系统的高响应性可以防止与意外的动态障碍物碰撞，飞行速度高达1.5米/秒。此外，我们还展示了我们的视觉导航引擎在113米以前看不见的路径上进行全自主室内导航的能力。为了与嵌入式和机器人社区分享我们的关键发现，并促进自主纳米无人机的进一步发展，我们公开了我们所有的代码，数据集和训练网络。
2019-05-10 cs.LG cs.RO eess.SP
A Comprehensive Review on Autonomous Navigation
Institute for Intelligent Systems Research and Innovation（智能系统研究与创新研究所）；Deakin University（迪肯大学）
在过去的几十年里，自主移动机器人领域经历了巨大的进步。尽管取得了重要的里程碑，但仍有若干挑战有待解决。将机器人社区的成就汇总为调查文件对于跟踪当前的最新技术水平和未来必须解决的挑战至关重要。本文试图提供一个全面的审查自主移动机器人涵盖的主题，如传感器类型，移动机器人平台，仿真工具，路径规划和跟踪，传感器融合方法，避障，和SLAM。提出一份调查文件的迫切性是双重的。首先，自主导航领域发展迅速，因此定期撰写调查论文对于保持研究社区充分了解该领域的现状至关重要。其次，深度学习方法已经彻底改变了包括自主导航在内的许多领域。因此，有必要对深度学习在自主导航中的作用进行适当的处理，这也是本文所涉及的。未来的工作和研究差距也将被讨论。
2022-12-24 cs.RO
Autonomous Navigation in Unknown Environments using Sparse Kernel-based Occupancy Mapping
University of California, San Diego（加利福尼亚大学圣地亚哥分校）
本文主要研究在未知环境中自主机器人导航时的实时占位映射和碰撞检测问题。我们提出了一种新的地图表示，其中占用和自由空间是由内核感知器分类器的决策边界分开。我们开发了一个在线训练算法，保持一个非常稀疏的支持向量集，以表示障碍物的边界配置空间。我们还推导出条件，允许完整的（不采样）碰撞检查分段线性和分段多项式机器人轨迹。我们证明了我们的映射和碰撞检查算法的阿克曼驱动机器人在未知环境中的自主导航的有效性。
2020-02-05 cs.LG cs.RO cs.SY
Neural Autonomous Navigation with Riemannian Motion Policy
Paul G. Allen School of Computer Science & Engineering, University of Washington（保罗·G·艾伦计算机科学与工程学院，华盛顿大学）；NVIDIA（英伟达）
自主导航的端到端学习作为一种有前途的减少建模误差的方法，近年来受到了广泛的关注。然而，它的数据复杂性，特别是在推广到看不见的环境方面，是很高的。我们介绍了一种新的基于图像的自主导航技术，利用在政策结构使用黎曼运动策略（RMP）框架的车辆控制的深度学习。我们设计了一个深度神经网络来从视觉图像中预测车辆的控制点RMP，从中可以分析计算出最优控制命令。我们表明，我们在吉布森环境中训练的网络可用于室内避障和真实RC汽车上的导航，并且我们的RMP表示比直接预测局部几何形状或预测控制命令更好地推广到看不见的环境。
2019-04-03 cs.RO
Autonomous Navigation in Complex Environments with Deep Multimodal Fusion Network
Imperial College London（帝国理工学院）；AIOZ Pte Ltd（AIOZ私人有限公司）
复杂环境中的自主导航是灾难响应或搜索和救援等时间敏感场景中的关键任务。然而，复杂的环境对自主平台的导航提出了重大挑战，因为它们具有挑战性的特性：狭窄的通道受限，碎片和障碍物的不稳定路径，或不规则的地质结构和恶劣的照明条件。在这项工作中，我们提出了一个多模态融合的方法来解决在复杂的环境，如倒塌的城市，或自然洞穴的自主导航问题。我们首先在基于物理的仿真引擎中模拟复杂环境，并收集大规模数据集进行训练。然后，我们提出了一个导航多模态融合网络（NMFNet），它有三个分支，有效地处理三种视觉模态：激光，RGB图像，点云数据。广泛的实验结果表明，我们的NMFNet优于最近的最先进的公平利润率，同时实现实时性能。我们进一步表明，在复杂的环境中，使用多种形式的自主导航是必不可少的。最后，我们成功地将我们的网络部署到模拟和真实的移动机器人。
2020-07-31 cs.RO
Towards Autonomous Navigation in Endovascular Interventions
University of Liverpool（利兹大学）；Caranx Medical, Research and Development（Caranx医疗研发）
本研究提出AI驱动框架，通过高保真模拟和多模态传感融合提升内窥血管导航的自主性和精度，推动微创手术的发展。
2025-12-23 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
World Model for AI Autonomous Navigation in Mechanical Thrombectomy
School of Biomedical Engineering & Imaging Sciences（生物医学工程与成像科学学院）；Kings College London（伦敦国王学院）；Nuffield Department of Primary Care Health Sciences（初级卫生保健科学纽菲尔德部门）；University of Oxford（牛津大学）
针对机械取栓自主血管内导航泛化性不足的问题，提出基于TD-MPC2的世界模型方法，在10例真实患者血管的多任务训练中，成功率较SAC提升28个百分点，为可泛化AI介入机器人研究奠定基础。
2025-10-02 cs.LG cs.RO eess.IV
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
Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots
Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）；Neuromeka；Swiss-Mile Robotics AG（Swiss-Mile机器人公司）；The work was carried out during their stay at（该工作是在他们停留期间完成的）
本文提出一个集成自适应运动控制、局部导航规划与大规模路径规划的轮腿式机器人系统，采用无模型强化学习和分层强化学习框架，在苏黎世和塞维利亚完成公里级自主导航验证。
2024-05-03 cs.LG cs.RO cs.SY
Autonomous Magnetic Navigation Framework for Active Wireless Capsule Endoscopy Inspired by Conventional Colonoscopy Procedures
Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
近年来，为提高主动式无线胶囊内窥镜（WCE）检查的效率和准确性，磁同步驱动和定位（SMAL）技术得到了广泛的研究。在本文中，我们提出了一个自主的磁导航框架，主动WCE，模仿的“插入”和“撤回”的过程中执行的专家医生在传统的结肠镜检查，从而使高效和准确的导航机器人胶囊内窥镜在肠道中，以最小的用户努力。首先，胶囊自动推进通过未知的肠道环境，并生成一条可行的路径来代表环境。然后，胶囊自动导航到肠道轨迹上选择的任何点，以允许对可疑病变进行准确和重复的检查。此外，我们实现了先进的SMAL算法的机器人系统上的导航框架，并验证了它在各种管状环境中使用phantomy和离体猪结肠导航。我们的研究结果表明，所提出的自主导航框架可以有效地导航胶囊在未知的，复杂的管状环境与令人满意的精度，可重复性和效率相比，手动操作。
2021-11-03 cs.RO
Towards Over-Canopy Autonomous Navigation: Crop-Agnostic LiDAR-Based Crop-Row Detection in Arable Fields
Robotics Institutes, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出一种基于LiDAR的与作物类型无关的冠层上方自主导航系统，可在无GPS条件下检测作物行并导航整个田地，平均横向误差3.55厘米。
2024-09-18 cs.RO
Autonomous Navigation in Confined Waters -- A COLREGs Rule 9 Compliant Framework
Technical University of Denmark（丹麦技术大学）
许多行业参与者正在积极开发完全或部分自主的海洋船舶。在许多情况下，自动驾驶船舶将在靠近海岸的地方运行，并在远程控制中心（RCC）的范围内。近岸作业要求自主船舶能够在非常接近其他自主或有人驾驶船舶的情况下航行，并且可能在封闭水域中航行，同时与海上任何其他船舶一样平等地遵守COLREG。然而，在封闭水域，某些COLREG规则适用，这可能会改变预期的行动（让路或站立），这取决于船舶的机动性。本文提出了一个态势感知（SAS）框架，自主导航，符合COLREG规则9（窄通道）。拟议的解决办法包括一种评估船舶在封闭水域中的机动性的方法，以评估COLREG规则9的适用性。然后，将此功能集成到现有的SAS框架中，以促进在受限水域中符合COLREG的导航。所提出的方法的适用性证明在模拟使用的情况下，研究一个小型的自主客运渡轮。
2022-07-17 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
Learning Real-world Autonomous Navigation by Self-Supervised Environment Synthesis
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；George Mason University（乔治梅森大学）；Sony AI（索尼人工智能）
机器学习方法最近已经以数据驱动的方式实现了移动机器人的自主导航。由于大多数现有的基于学习的导航系统都是使用人工创建的训练环境中生成的数据进行训练的，因此在大规模的真实世界部署过程中，机器人将不可避免地遇到不可见的场景，这些场景不在训练分布中，因此导致真实世界性能不佳。另一方面，在现实世界中直接训练通常是不安全和低效的。为了解决这个问题，我们引入了自监督环境合成（SES），其中，在具有安全性和效率要求的真实世界部署之后，自主移动机器人可以利用来自真实世界部署的经验，重建导航场景，并在仿真中合成具有代表性的训练环境。在这些合成环境中进行训练可以提高未来在现实世界中的表现。SES在合成代表性的仿真环境和提高现实世界的导航性能的有效性进行评估，通过大规模部署在一个高保真，逼真的模拟器和小规模部署的物理机器人。
2022-10-10 cs.RO
A GNC Architecture for Planetary Rovers with Autonomous Navigation Capabilities
HE Space for ESA – European Space Agency（HE Space 公司（为欧洲空间局））；European Space Agency（欧洲空间局）；University of Malaga（马拉加大学）
本文提出了一种针对即将到来的火星探测任务（如火星2020和样品提取漫游车（SFR））的行星漫游车的制导，导航和控制（GNC）架构。这些任务的导航要求需要具有自主能力的控制架构，以实现快速和长距离的遍历。所提出的解决方案提出了一个两级架构，其中有效的导航（低）级始终处于活动状态，并且根据地形的难度启用完整的导航（上）级。第一级是基于危险检测、局部路径重新规划和具有视觉里程计的轨迹控制的自主导航的基本功能的有效实现。第二个层次实现了一个自适应SLAM算法，提高了相对定位，评估了更优的路径规划前方地形的可通行性，并执行全局（绝对）定位，纠正在较长的遍历姿态漂移。该架构为远程、低监控和快速行星探索提供了解决方案。这两种导航水平都已在行星模拟实地测试活动中得到验证。
2019-11-22 cs.RO
