Probabilistic Guaranteed Path Planning for Safe Urban Air Mobility Using Chance Constrained RRT
University of California San Diego（加州大学圣地亚哥分校）；San Diego State University（圣地亚哥州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
安全是城市空中交通成功的关键因素，特别是在动态和不确定的环境中。提出了一种基于RRT和机会约束的不确定障碍物路径规划算法。通过将概率约束转化为确定性约束，建立了高斯分布障碍物的机会约束模型。通过对系统状态的模拟和凸约束的评估，可以确定每个时间步的概率可行域。通过建立机会约束RRT，该算法不仅享有基于采样的算法的好处，但也纳入了不确定性的制定。仿真结果表明，利用该算法可以规划出符合概率避障要求的连接起点和目标点的轨迹。
2022-03-12 cs.RO cs.SY eess.SY
Safety-aware time-optimal motion planning with uncertain human state estimation
Istituto di Sistemi e Tecnologie Industriali Intelligenti per il Manifatturiero Avanzato, Consiglio Nazionale delle Ricerche（意大利国家研究委员会先进制造智能工业系统与技术研究所）；University of Brescia（布雷西亚大学）
机器人运动规划中的人类感知对于与人类的无缝交互至关重要。许多现有的技术减慢、停止或局部改变机器人的轨迹，以避免与人类碰撞。虽然在路径规划阶段使用关于人的状态的信息可以减少未来对人的移动的干扰并且使安全停止不那么频繁，但是这样的方法不太普遍。本文提出了一种新的方法来嵌入人体模型的机器人的路径规划。该方法明确地解决了最小化路径执行时间的问题，包括由于人类接近而导致的减速和停止。为此，它将安全速度限制转换为驱动路径优化的配置空间成本函数。可以基于观察到的或预测的人类状态来更新成本图。该方法可以处理人类状态的确定性和概率表示，是独立的预测算法。工业协作单元上的数值和实验结果表明，所提出的方法一致地减少了机器人的执行时间，避免了不必要的安全速度降低。
2022-10-21 cs.RO cs.SY eess.SY
Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems
California Institute of Technology（加州理工学院）
基于学习的控制算法需要数据汇集和大量的训练监督。安全探索算法确保了该数据汇集过程的安全性，即使只有部分知识可用。提出了一种新的安全探索的最优运动规划方法，该方法集成了机会约束随机最优控制、动力学学习和反馈控制。本文提出了一种求解\underline{Info}-代价\underline{S}-随机\underline{N}-线性\underline{O}-最优\underline{C}控制问题（Info-SNOC）的迭代凸优化算法。该优化目标将控制成本编码为性能成本，将探索成本编码为学习成本，并将安全性作为分布鲁棒机会约束。动态是从一个强大的回归模型，从数据中学习预测。Info-SNOC算法用于计算安全运动计划的次优池，该安全运动计划有助于在安全约束下探索学习未知的剩余动力学。一个稳定的反馈控制器被用来执行运动计划和收集数据的模型学习。我们证明了我们的探索方法的安全性，并减少了不确定性，从而保证了我们的学习方法的一致性。我们通过设计和实现一个平面机器人的安全轨迹池来验证信息SNOC的有效性。我们证明了我们的方法相比，一个确定性的轨迹优化方法，在确保安全性有更高的成功率。
2020-10-27 cs.AI cs.RO cs.SY
Efficient and Safe Exploration in Deterministic Markov Decision Processes with Unknown Transition Models
Stanford University（斯坦福大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）
本文提出了一种安全探索算法，通过利用Lipschitz连续性确保在探索过程中不访问危险状态，该算法在确定性马尔可夫决策过程中提供了确定性的安全保证，并通过模拟导航任务验证了其性能。
2019-04-01 cs.AI cs.LG cs.RO
CaRT: Certified Safety and Robust Tracking in Learning-based Motion Planning for Multi-Agent Systems
Jet Propulsion Laboratory（喷气推进实验室）
本文提出分层分布式 CaRT 框架，通过安全滤波器认证学习策略并由鲁棒滤波器跟踪安全轨迹，在确定性与随机扰动下保证多智能体非线性系统的安全及误差指数有界。
2023-08-13 cs.LG cs.MA cs.RO
Safe-Planner: A Single-Outcome Replanner for Computing Strong Cyclic Policies in Fully Observable Non-Deterministic Domains
KU Leuven（鲁汶大学）；Flanders Make（法兰德斯制造研究所）
重规划器是解决不确定性规划问题的有效方法。尽管显示出良好的可扩展性，但现有的重新规划器通常无法解决涉及大量误导性规划的问题，即，然而，由于其最小长度，在每次重新规划迭代中可能会发现不导致强解决方案的弱计划。再规划者在这类问题中表现不佳是由于他们的所有结果决定性。也就是说，当从非确定性编译到经典时，它们将所有编译的经典运算符包含在单个确定性域中，这导致重新规划器不断生成误导性计划。我们介绍了一个离线的重规划，称为安全规划（SP），它依赖于一个单一的结果确定编译一个非确定性域的一组经典域，并排序的经典域的排名。所提出的单结果确定性和逻辑学允许在不同的经典域之间交替。我们的实验表明，这种方法可以让SP避免产生误导性的计划，但产生弱计划，直接导致强的解决方案。实验表明，SP优于国家的最先进的非确定性求解器解决更广泛的问题。我们还验证了SP在现实世界中的非确定性机器人任务的实际效用。
2021-09-23 cs.AI cs.RO
Envelopes and Waves: Safe Multivehicle Collision Avoidance for Horizontal Non-deterministic Turns
New Mexico State University（新墨西哥州立大学）；Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）
我们提出了一种方法来分析两个车辆的异步，独立的，非确定性的，转向轴承水平机动的安全性。未来的转弯速率、最终方位和整个遭遇过程中不断变化的地面速度都是未知的，但仅限于已知的范围。我们开发了一个关于车削运动学的正式证明库，并应用该库创建一个正式验证的定时计算。此外，我们创建了一个技术，评估未来的碰撞的可能性，是基于波的位置的可能性，并依赖于定时计算。结果要么确定相遇将是无碰撞的，要么计算碰撞可能发生的时间和地点的安全过度近似。
2022-05-10 cs.LO cs.RO math.OC
Information-Guided Safe Reinforcement Learning for Autonomous Gas Source Localization using sUAS
University of California, Merced（加州大学默塞德分校）
针对小型无人机在湍流环境中定位气体源的不适定问题，提出信息引导安全强化学习框架，结合EMGR规划器与SAC探索策略，通过KL散度监控混合决策，实现近80%定位成功率且零安全违规。
2026-09-09 cs.RO
Learning specifications for reactive synthesis with safety constraints
Google LLC（谷歌公司）；MITRE Corporation（MITRE公司）；University of Colorado Boulder（科罗拉多大学波德分校）
本文提出了一种结合安全约束的反应合成学习方法，通过概率确定有限自动机建模任务规范，平衡用户偏好与机器人成本，生成最优解的帕累托前沿。
2026-01-09 cs.FL cs.RO
Safe Reinforcement Learning of Robot Trajectories in the Presence of Moving Obstacles
Institute for Anthropomatics and Robotics (IAR), Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院人类工效学与机器人研究所）；Tandon School of Engineering, New York University (NYU)（纽约大学坦登工程学院）
本文提出一种基于备份策略和风险估计的强化学习方法，用于在移动障碍物环境中实时生成无碰撞机器人轨迹，并通过实验验证其有效性。
2024-11-08 cs.RO
Safe and Robust Robot Behavior Planning via Constraint Programming
imec-DistriNet（imec分布式系统与网络实验室）；KU Leuven（鲁汶大学）
针对现有约束规划方法Tumato未考虑动作非确定性结果、表达能力受限的问题，研究对其扩展以支持动作非确定结果，新增声明式安全定义与动作成本/时长属性，生成具备鲁棒性的安全机器人行为策略。
2023-10-03 cs.MA cs.RO
A Scalable Framework For Real-Time Multi-Robot, Multi-Human Collision Avoidance
鲁棒运动规划是机器人文献中研究得很好的问题，然而当前的算法在存在其他移动代理（例如人类）的情况下难以可扩展地且安全地操作。本文介绍了一种新的框架，机器人导航，占高阶系统动力学，并保持安全存在的外部干扰，其他机器人，和非确定性故意代理。我们的方法预先计算每个机器人的跟踪误差，生成置信度感知的人体运动预测，并协调多个机器人的顺序优先级排序，有效地实现可扩展的安全轨迹规划和执行。我们用两个机器人和两个人在硬件上演示了我们的方法。我们还展示了我们的工作的可扩展性在一个更大的模拟。
2018-11-14 cs.RO
Probabilistic Human Motion Prediction via A Bayesian Neural Network
Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所）
人体运动预测是一个重要而具有挑战性的课题，在高效、安全的人机交互系统中具有广阔的应用前景。目前，大多数人体运动预测算法是基于确定性模型，这可能会导致机器人的风险决策。为了解决这个问题，我们提出了一种概率模型的人体运动预测在本文中。我们的方法的核心思想是将传统的确定性运动预测神经网络扩展到贝叶斯网络。一方面，我们的模型可以产生几个未来的运动时，观察到的运动序列。另一方面，通过计算认知不确定性和异方差随机不确定性，我们的模型可以告诉机器人，如果观察之前已经看到，也给出了所有可能的预测中的最优结果。我们在大规模基准数据集Human3.6m上广泛验证了我们的方法。实验表明，我们的方法比确定性方法性能更好。我们进一步评估我们的方法在人机交互（HRI）的情况下。实验结果表明，我们的方法使互动更有效，更安全。
2021-07-14 cs.CV 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
Robot Safe Interaction System for Intelligent Industrial Co-Robots
University of California, Berkeley（加州大学伯克利分校）
本文提出一种安全交互系统，通过并行规划与控制架构提升协作机器人在动态不确定环境中的效率与安全性，实验验证了方法的有效性。
2018-08-12 cs.RO cs.SY eess.SY
PSM: A Predictive Safety Model for Body Motion Based On the Spring-Damper Pendulum
Tohoku University（东北大学）
量化人体姿态的安全性是人机交互中的一个重要问题。了解对人体运动的变化的物理约束可以改进对安全人体运动的检查，并且通过实时风险评估带来关于人体取向的稳定性和正常性的基本信息。此外，这些信息可以用于协作机器人和监控系统，以更自由地评估和交互环境。此外，工作空间区域可以更具有确定性，具有已知的安全物理特性。基于这一动机，我们提出了一种新的预测安全模型（PSM），它依赖于人体胸部上的惯性测量单元的信息。PSM包含一个3-Dofs弹簧阻尼器摆模型，该模型基于安全运动数据集预测人体运动。通过将安全数据集和弹性弹簧-阻尼器模型相结合，获得了人体的估计安全方向，该方法可以在不同的安全水平下实现复杂的运动。我们在真实世界的场景中进行了实验，以验证我们提出的新模型。这种新方法可用于不同的指导/辅助机器人和健康监测系统，以支持和评估人类的状况，特别是老年人。
2022-07-29 cs.RO cs.SY eess.SY
