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
From Language to Navigation Goals: A Vision-Language Approach for Semantic Navigation of Mobile Robots Using RGB-D Perception
研究如何让移动机器人根据自然语言请求进行语义导航，提出基于ROS 2组件的语言驱动导航框架，能识别目标、估计位置并生成导航目标，经仿真和实际场景评估，证明该框架可实现直观人机交互。
2026-10-28 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
Learning Personalized Human-Aware Robot Navigation Using Virtual Reality Demonstrations from a User Study
University of Bonn（波恩大学）；Fraunhofer FKIE（弗劳恩霍夫通信、信息处理与人机工程研究所）
对于最舒适的，人类感知的机器人导航，需要考虑用户的主观偏好。本文提出了一种新的强化学习框架，训练一个个性化的导航控制器，以及一个直观的虚拟现实演示界面。进行的用户研究提供的证据表明，我们的个性化方法显着优于经典方法，具有更舒适的人机体验。我们实现这些结果只使用一些演示轨迹从非专家用户，谁主要欣赏直观的演示设置。正如我们在实验中所示，学习的控制器可以很好地推广到演示数据中未涵盖的状态，同时仍然反映了导航过程中的用户偏好。最后，我们转移到一个真正的机器人导航控制器的性能没有损失。
2022-10-04 cs.AI cs.RO
Robot Navigation with Reinforcement Learned Path Generation and Fine-Tuned Motion Control
Fudan University（复旦大学）
在本文中，我们提出了一种新的强化学习（RL）为基础的路径生成（RL-PG）方法的移动机器人导航没有事先探索的未知环境。多个预测路径点动态生成的深度马尔可夫模型优化使用RL方法的机器人跟踪。为了保证机器人在跟踪预测点时的安全性，通过运动微调模块对机器人的运动进行微调。这种方法使用深度马尔可夫模型和RL算法进行规划，重点关注相邻路径点之间的关系。我们分析的好处，我们提出的方法是更有效的，并具有更高的成功率比基于RL的方法DWA-RL和传统的导航方法APF。我们部署我们的模型在仿真和物理平台上，并证明我们的模型进行机器人导航有效和安全。
2022-10-19 cs.AI cs.RO
Towards Probabilistic Planning of Explanations for Robot Navigation
King’s College London（伦敦国王学院）
本文提出一种概率框架，将用户中心设计融入机器人路径规划，通过概率建模用户解释偏好，自动规划解释以增强透明度和适应性。
2024-10-26 cs.AI cs.RO
MoRPI-PINN: A Physics-Informed Framework for Mobile Robot Pure Inertial Navigation
Autonomous Navigation and Sensor Fusion Lab (ANSFL)（自主导航与传感器融合实验室）；Hatter Department of Marine Technologies（海洋技术系）；Charney School of Marine Sciences（海洋科学学院）；University of Haifa（海法大学）
本文提出MoRPI-PINN框架，通过嵌入物理定律提升移动机器人惯性导航精度，实验证明其比其他方法准确率提升超85%。
2025-09-09 cs.AI cs.RO
ProxEmo: Gait-based Emotion Learning and Multi-view Proxemic Fusion for Socially-Aware Robot Navigation
University of Maryland, College Park（马里兰大学帕克分校）
我们提出了ProxEmo，一种新的端到端的情感预测算法，用于行人之间的社会意识机器人导航。我们的方法预测感知的情绪行人步行步态，然后用于情感引导导航，同时考虑到社会和情绪的限制。为了对情绪进行分类，我们提出了一种基于多视图骨架图卷积的模型，该模型适用于安装在移动机器人上的商品相机。我们的情感识别集成到一个无地图导航方案，并没有假设行人运动的环境。在步态基准测试数据集上，该算法的平均情感预测精度达到82.47%。我们优于当前最先进的算法，用于从3D步态进行情感识别。我们强调它的好处，在室内场景中使用Clearpath豺狼机器人导航。
2020-07-28 cs.AI cs.HC cs.RO
The RobotSlang Benchmark: Dialog-guided Robot Localization and Navigation
The University of Michigan（密歇根大学）；University of Washington（华盛顿大学）
从搜索和救援到辅助引导的自主机器人系统应该能够与人进行自然语言对话。为了研究这样的合作通信，我们介绍了机器人同时定位与地图构建与自然语言（RobotSlang），169个自然语言对话之间的一个人驾驶员控制的机器人和一个人指挥官提供导航目标的指导基准。在每次试验中，两人首先合作将机器人定位在指挥官可见的全局地图上，然后驾驶员遵循指挥官的指令将机器人移动到一系列目标物体。我们引入了一个本地化从对话历史（LDH）和导航从对话历史（NDH）任务，其中一个学习代理给出的对话和视觉观察从机器人平台作为输入，必须本地化的全球地图或导航到下一个目标对象，分别。RobotSlang由近5000个话语和超过1000分钟的机器人摄像头和控制流组成。我们提出了一个初始模型的NDH任务，并表明，在模拟训练的代理可以按照RobotSlang基于对话框的导航指令控制一个物理机器人平台。代码和数据可在https://umrobotslang.github.io/上获得。
2020-10-23 cs.AI cs.CL cs.CV
SOCIALGYM 2.0: Simulator for Multi-Agent Social Robot Navigation in Shared Human Spaces
University of Texas, Austin（德克萨斯大学奥斯汀分校）
我们提出SocialGym 2，多智能体导航模拟器的社会机器人研究。我们的模拟器模拟多个自主智能体，在复杂的环境中复制真实世界的动态，包括门口，走廊，十字路口和环形交叉口。与传统的模拟器不同，SocialGym 2采用多智能体强化学习（MARL）来为复杂环境中具有不同动态约束的多个机器人制定最佳导航策略。SocialGym 2基于PettingZoo MARL库和Stable Baselines3 API构建，提供了一个可访问的Python接口，通过ROS消息传递与导航堆栈集成。SocialGym 2可以很容易地安装并打包在Docker容器中，它提供了交换和评估不同MARL算法的能力，以及自定义观察和奖励功能。我们还提供脚本，允许用户创建自己的环境，并使用各种社交导航算法进行基准测试，报告广泛的社交导航指标。预计托管于：https://amrl.cs.utexas.edu/social_gym/index.html
2023-03-09 cs.AI cs.MA cs.RO
Towards Dialogue-based Navigation with Multivariate Adaptation driven by Intention and Politeness for Social Robots
University of Hamburg（汉堡大学）；SoftBank Robotics Europe（软银机器人欧洲公司）
服务机器人需要表现出适当的社会行为，以便部署在医疗保健，教育，零售等社会环境中，机器人应该具有的一些主要功能是导航和会话技能。如果这个人不耐烦，他可能希望机器人导航得更快，反之亦然。表明礼貌的语言特征可以提供有关一个人的耐心和不耐烦行为的社会线索。本文提出的新颖之处是动态地将礼貌的机器人对话系统导航。理解用户言语中的礼貌可以用来调节机器人的行为和反应。因此，我们开发了一个对话系统，在室内环境中导航，产生不同的机器人的行为和反应的基础上用户的意图和礼貌程度。我们部署和测试我们的系统与胡椒机器人，适应用户的礼貌的变化。
2018-11-14 cs.AI cs.CL cs.RO
A genetic algorithm for autonomous navigation in partially observable domain
Moscow Institute of Physics and Technology（莫斯科物理技术学院）
自主导航问题是机器人学的基本问题之一。虽然，一般来说，当自主车辆被放置到部分可观察的域中时，这可能是具有挑战性的。本文考虑简单的环境模型，提出了一种基于学习分类器系统的导航算法。
2015-07-27 cs.AI cs.LG cs.NE
Robot Navigation with Entity-Based Collision Avoidance using Deep Reinforcement Learning
Lomonosov Moscow State University, Moscow, Russia（罗蒙诺索夫莫斯科国立大学，莫斯科，俄罗斯）
针对动态环境中机器人与多类实体交互的安全导航问题，提出利用实体类型信息的深度强化学习避障方法及新型奖励函数，并通过优化算法加速训练，实验表明其性能优于现有方法。
2025-09-28 cs.AI cs.LG cs.RO
Evaluation of Safety Constraints in Autonomous Navigation with Deep Reinforcement Learning
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；AIRI（AIRI（人工智能研究所））；Federal Research Center for Computer Science and Control of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）
本研究比较了考虑与不考虑安全约束的两种深度强化学习导航策略，证明安全策略能在不牺牲整体性能的前提下生成间隙更大、碰撞更少的轨迹。
2023-07-27 cs.AI cs.LG cs.RO
PlaceNav: Topological Navigation through Place Recognition
Tampere University（坦佩雷大学）
本文提出 PlaceNav，通过视觉地点识别与贝叶斯滤波重构拓扑导航的子目标选择，利用非机器人大规模数据提升训练可用性，并在室内外任务中显著提高成功率与计算效率。
2024-02-29 cs.AI cs.LG cs.RO
Autonomous Visual Navigation A Biologically Inspired Approach
University of Sussex（萨塞克斯大学）
受动物王国中观察到的导航行为，特别是蚂蚁的导航行为的启发，我们试图通过实现不同种类的仿生算法在人工环境中模拟它。
2022-09-19 cs.AI cs.NE cs.RO
Autonomous Systems: Autonomous Systems: Indoor Drone Navigation
Vellore Institute Of Technology（韦洛尔理工大学）
本文利用 Gazebo、Navigation2 和 SLAM Toolbox 构建了一个可在无 GPS 室内环境中自主导航的模拟四旋翼无人机，填补了 Nav2 在无人机领域应用的空白。
2023-04-18 cs.AI cs.RO
Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement Learning: A Systematic Review
Western University（韦仕敦大学）
在不同的应用中，例如包裹递送、交通监控、搜索和救援行动以及军事战斗中，对使用无人驾驶飞行器（UAV）（被称为无人机）的需求越来越大。在所有这些应用中，无人机都用于自主导航环境-无需人工干预，执行特定任务并避开障碍物。无人机自主导航通常使用强化学习（RL）来实现，其中代理作为某个领域的专家来导航环境，同时避开障碍物。了解导航环境和算法的局限性在选择合适的RL算法有效地解决导航问题中起着至关重要的作用。因此，本研究首先确定了主要的无人机导航任务，并讨论了导航框架和仿真软件。然后，根据无人机导航问题的环境、算法特点、能力和应用，对强化学习算法进行了分类和讨论，为实践者和研究者选择适合无人机导航应用的强化学习算法提供参考。此外，已确定的差距和机会将推动无人机导航研究。
2022-08-25 cs.AI cs.RO
Learning and Reasoning for Robot Dialog and Navigation Tasks
USTC（中国科学技术大学）；SUNY Binghamton（纽约州立大学宾汉姆顿分校）；UT Austin（德克萨斯大学奥斯汀分校）
强化学习和概率推理算法分别针对交互经验和概率上下文知识进行学习和推理。在这项研究中，我们开发了机器人任务完成算法，同时寻找强化学习和概率推理技术的互补优势。机器人从试错经验中学习，以增强其声明性知识库，并且增强的知识可用于加速潜在不同任务的学习过程。我们已经实施和评估的算法，使用移动机器人进行对话和导航任务。从结果中，我们看到，我们的机器人的性能可以通过与人类知识的推理和学习任务完成的经验来提高。更有趣的是，机器人能够从导航任务中学习，以改进其对话策略。
2020-08-31 cs.AI
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
Spiking Neural Network Actor-Critic Proximal Policy Optimization Control for Autonomous UAV Navigation Through Constrained Openings in Civil Infrastructure and Buildings
Alma Mater Europaea University（欧洲阿尔马马特大学）；AGH University of Krakow（克拉科夫AGH科技大学）
本文提出基于脉冲神经网络的近端策略优化算法，用于无人机在受限环境中自主导航，通过Actor-Critic与高斯策略结合，实现63.77%成功率并后期超90%。
2026-09-22 cs.AI cs.RO
Multimodal and Multiview Deep Fusion for Autonomous Marine Navigation
Technical University of Denmark（丹麦技术大学）；independent contributor（独立研究者）
本文提出基于交叉注意力Transformer的多模态融合方法，融合RGB、红外、LiDAR、雷达和电子海图数据生成船舶周围鸟瞰视图，提升自主海上导航的精度与鲁棒性，并通过真实海试验证其在恶劣天气下的有效性。
2025-05-02 cs.AI cs.CV
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
Socially Integrated Navigation: A Social Acting Robot with Deep Reinforcement Learning
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出一种社交集成导航方法，使机器人社交行为通过深度强化学习从人机交互中自适应涌现，仿真表明其导航性能优于社交感知方法且减少对环境智能体的负面影响。
2024-07-26 cs.AI cs.LG cs.RO
Vision-based Navigation of Autonomous Vehicle in Roadway Environments with Unexpected Hazards
Clemson University（克莱姆森大学）
自主车辆的基于视觉的导航主要取决于基于深度神经网络（DNN）的系统，其中控制器从传感器/检测器（诸如相机）获得输入并产生车辆控制输出（诸如方向盘角度）以在道路交通环境中安全地导航车辆。通常，自动驾驶车辆的这些基于DNN的系统是通过监督学习训练的;然而，最近的研究表明，经过训练的基于DNN的系统可能会受到扰动或对抗性输入的影响。类似地，这种扰动可以通过意外的道路危险（例如碎片和路障）引入到自主车辆的基于DNN的系统中。在这项研究中，我们首先介绍了一种道路危险环境（有意和无意的道路危险），这种环境可能会损害自动驾驶汽车基于DNN的导航系统，并产生不正确的方向盘角度，这可能会导致撞车事故，造成人员伤亡。然后，我们开发了一个基于DNN的自动驾驶汽车驾驶系统，使用目标检测和语义分割，以减轻这种类型的危险环境的不利影响，这有助于自动驾驶汽车安全地绕过这些危险。我们发现，我们开发的基于DNN的自动驾驶系统，包括危险目标检测和语义分割提高了自动驾驶汽车的导航能力，以避免潜在的危险21%相比，传统的基于DNN的自动驾驶汽车驾驶系统。
2019-05-20 cs.AI cs.CV
Human-like Semantic Navigation for Autonomous Driving using Knowledge Representation and Large Language Models
Computer Engineering Department, University of Alcalá（阿尔卡拉大学计算机工程系）
本研究利用大语言模型将非正式导航指令自动翻译为答案集编程规则，实现无需预定义地图的语义化、可解释的自动驾驶导航决策。
2025-05-22 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
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
Recent Advancements in Deep Learning Applications and Methods for Autonomous Navigation: A Comprehensive Review
University of Tehran（德黑兰大学）
本文全面综述了自主导航中的端到端深度学习框架，涵盖障碍物检测、路径规划等核心功能，评估了现有方法的实现与挑战，并探讨了未来发展方向。
2023-05-23 cs.AI cs.RO cs.SY
Enhancing Privacy and Security of Autonomous UAV Navigation
University at Buffalo（布法罗大学）；IBM Research（IBM研究院）
本文提出结合强化学习与全同态加密（FHE）的端到端安全框架，通过对加密图像执行推理并适配神经网络与OpenAI Gym库，在几乎不损失性能的前提下有效防御窃听、中间人等对抗性攻击，保障自主无人机导航的隐私与安全。
2024-04-26 cs.AI cs.CR cs.RO
Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation
Virginia Tech（弗吉尼亚理工大学）；Kyung Hee University（庆熙大学）
本文针对联网自动驾驶车辆自主导航中通信、控制与学习系统融合的挑战，在非协调与协调两类场景下提出基于通信理论、控制理论和机器学习的解决方案，并通过仿真验证其有效性与安全性。
2023-07-05 cs.AI cs.CR cs.IT
