Tackling Occlusions & Limited Sensor Range with Set-based Safety Verification
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院(KIT))
可证明的安全性是自动驾驶最关键的挑战之一。由于复杂的相互依赖性和人类的无差别行为,场景中众多交通参与者的行为无法可靠地预测。此外,我们面临着高度的不确定性和不完整的环境知识。最近的方法通过概率和机器学习方法将风险降至最低-即使在遮挡情况下也是如此。这些产生舒适的行为与良好的交通流量,但不能保证他们的操纵安全。因此,我们提供了一个安全验证方法的轨迹下闭塞。自我车辆的视野和地图用于识别关键的感测场边缘,每个边缘代表潜在的隐藏障碍物。被遮挡障碍物的状态是未知的,但可以通过所有可能状态的间隔来过度近似。然后,基于集合的方法进行扩展,以提供状态区间的障碍物的占用预测。所提出的方法可以验证给定轨迹的安全性(例如,如果它们确保无碰撞故障安全机动选项)w.r.t.任意的安全状态公式。可证明安全的轨迹规划的潜力显示在三个评估方案。
2019-05-06 cs.RO
Reconstructing occluded Elevation Information in Terrain Maps with Self-supervised Learning
Robotic Systems Lab, ETH Zürich(苏黎世联邦理工学院机器人系统实验室);Planetary Robotics Lab, European Space Agency(欧洲空间局行星机器人实验室);Cognitive Robotics, Delft University of Technology(代尔夫特理工大学认知机器人)
准确完整的地形图增强了自主机器人的感知能力,并实现了安全和最佳的路径规划。岩石和地形经常会造成遮挡,导致数字高程图(DEM)中的高程信息丢失。目前,这些被遮挡的区域在运动规划期间被完全避免,或者使用传统的插值、扩散或块匹配技术来填充高程图中的缺失值。这些方法不能利用高层次的地形特征和我们人类直观地使用的视线几何约束来预测遮挡区域。我们引入了一种自监督学习方法,能够在真实世界的数据上进行训练,而不需要地面实况信息来重建DEM中的遮挡区域。我们通过添加人工遮挡到一个真正的机器人上构建的不完整的海拔地图,通过执行光线投射来实现这一点。我们首先评估监督学习方法对合成数据,我们有完整的地面真理可用,随后转移到几个现实世界的数据集。这些真实世界的数据集记录在结构化和非结构化地形的探索与足式机器人,并在月球模拟地形的行星方案。与合成地形和真实世界数据集的基线方法相比,我们提出了一个显着的改进。我们的神经网络能够在CPU和GPU上实时运行,具有适合自主地面机器人的采样率。我们激励的适用性重建遮挡高程图与初步的运动规划实验。
2022-01-11 cs.AI cs.RO
SafePicking: Learning Safe Object Extraction via Object-Level Mapping
Dyson Robotics Laboratory(戴森机器人实验室);Imperial College London(伦敦帝国理工学院)
机器人需要对象级的场景理解来操纵对象,同时推理对象之间的接触、支撑和遮挡。给定一堆对象,对象识别和重构可以识别对象实例的边界,给出关于对象如何形成和支撑堆的重要线索。在这项工作中,我们提出了一个系统,SafePicking,它集成了对象级映射和基于学习的运动规划,以生成一个运动,安全地提取被遮挡的目标对象从一堆。规划是通过学习深度Q网络来完成的,该网络接收预测姿势的观察结果和基于深度的高度图,以输出运动轨迹,经过训练以最大化安全度量奖励。我们的研究结果表明,姿态和深度感知的观测融合提供了更好的性能和鲁棒性的模型。我们评估我们的方法使用YCB对象在模拟和现实世界中,实现安全的对象提取桩。
2022-03-01 cs.AI cs.CV cs.LG
Overcoming Blind Spots: Occlusion Considerations for Improved Autonomous Driving Safety
Technical University of Munich(慕尼黑工业大学);TUM School of Engineering and Design(慕尼黑工业大学工程与设计学院);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所);Institute of Automotive Technology(汽车技术研究所);Tier IV(Tier IV公司)
提出一种处理城市环境中由静态和动态障碍物产生盲点的软件模块,通过识别并预测被遮挡交通参与者的运动,结合临界性指标评估自车轨迹安全性,实现安全高效的自动驾驶。
2024-02-02 cs.RO
Safe Leaf Manipulation for Accurate Shape and Pose Estimation of Occluded Fruits
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Bonn(波恩大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所);Center for Robotics(机器人中心);Robotics Institute Germany(德国机器人研究所)
针对叶片遮挡导致水果形状与姿态估计不准的问题,提出主动操作叶片的方法,结合场景一致形状补全与感知驱动变形图模型,在甜椒植株上验证了安全移叶与精确估计的有效性。
2025-02-24 cs.RO
Look before you sweep: Visibility-aware motion planning
Massachusetts Institute of Technology(麻省理工学院)
本文讨论的问题规划的机器人与定向障碍物检测传感器,必须通过一个杂乱的环境。规划目标是通过为整个机器人(包括传感器)找到一条路径来保持安全,该路径保证机器人在被传感器看到之前不会移动到工作空间的任何部分。虽然大量的工作已经解决了这个问题的一个版本,其中的“视野”的传感器是一个球体周围的机器人,有很少的工作解决机器人与狭窄或闭塞的视野。我们给出了一个正式的定义的问题,几种解决方案的方法与不同的计算权衡,并在说明域的实验结果。
2019-01-18 cs.RO
Autonomous Vehicle Speed Control for Safe Navigation of Occluded Pedestrian Crosswalk
Dynamic Design Lab(动态设计实验室)
本文提出基于部分可观测马尔可夫决策过程的速度控制方法,用于安全通过遮挡人行横道,通过动态规划计算控制策略以应对感知限制。
2018-02-18 cs.AI cs.RO cs.SY
Occlusion-Aware Contingency Safety-Critical Planning for Autonomous Driving
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));School of Engineering(工程学院);Cheng Kar-Shun Robotics Institute(陈家顺机器人研究所)
本文提出一种遮挡感知的应急安全关键规划方法,通过可达性分析和递推规划框架提升自动驾驶在动态遮挡环境中的安全性和效率。
2026-10-06 cs.RO
SPOT: Sensing-augmented Trajectory Planning via Obstacle Threat Modeling
Robotics, University of Michigan(机器人学,密歇根大学);School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械工程学院)
提出 SPOT 统一规划框架,利用高斯过程障碍物置信图和碰撞感知紧急度建模,将感知目标纳入轨迹优化,实现低时延动态避障。
2025-10-18 cs.RO
Safe Driving in Occluded Environments
Faculty of Medicine, King Mongkut’s Institute of Technology Ladkrabang(医学院,国王蒙克普技术学院拉德克拉 bang分校);Department of Mechanical Systems Engineering, Nagoya University(机械系统工程系,名古屋大学)
针对遮挡环境下的自动驾驶安全问题,本文提出基于概率不变性的安全证书,通过线性动作约束限制潜在风险,并集成到控制器中,经CARLA模拟验证能确保长期安全且不过于保守。
2026-10-20 cs.RO cs.SY eess.SY
Fast Navigation Through Occluded Spaces via Language-Conditioned Map Prediction
本研究提出PaceForecaster,通过整合语言条件指令提升机器人在遮挡空间中的导航效率,实验显示性能提升达36%。
2025-12-24 cs.RO
V2V-based Collision-avoidance Decision Strategy for Autonomous Vehicles Interacting with Fully Occluded Pedestrians at Midblock on Multilane Roadways
Clemson University(克莱姆森大学);Nan Ya Plastics Co. America(南亚塑胶美国公司);TSMC(台积电);Arcadis Inc.(凯谛思公司)
行人遮挡对于多车道道路上的中间街区位置的自动驾驶车辆(AV)来说是具有挑战性的,因为AV无法检测到被相邻车道中的下游车辆完全遮挡的行人。本文测试了AV和其下游车辆之间的车辆对车辆(V2V)通信的能力,以共享中间街区行人过街信息。研究人员开发了一种基于V2V的碰撞避免决策策略,并将其与基本场景(即,不使用V2V的决策策略)。仿真结果表明,对于基本场景,接近零的碰撞时间(TTC)表明没有时间让AV采取适当的行动,并导致戏剧性的制动后发生碰撞。但基于V2V的防撞决策策略允许采用比例制动方法来增加TTC,从而使行人能够安全通过。综上所述,基于V2V的防撞决策策略具有更高的安全效益的AV互动与完全闭塞的行人在多车道道路上的中间块位置。
2023-03-23 cs.RO cs.SY eess.SY
Risk-Aware High-level Decisions for Automated Driving at Occluded Intersections with Reinforcement Learning
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
强化学习是当今解决自动驾驶中不同决策问题的流行框架。然而,仍有一些关键挑战需要解决,以提供更可靠的政策。在本文中,我们提出了一个通用的风险意识的DQN方法,以学习高层次的行动,通过无信号闭塞路口驾驶。所提出的状态表示提供了基于车道的信息,其允许用于多车道场景。此外,我们提出了一个基于风险的奖励函数,它惩罚有风险的情况,而不仅仅是碰撞失败。这种奖励方法有助于将风险预测纳入我们的深度Q网络,并学习更可靠的策略,在具有挑战性的情况下更安全。所提出的方法的效率相比,与传统的碰撞为基础的奖励计划,也与基于规则的交叉口导航政策的DQN学习。评估结果表明,所提出的方法优于这两种方法。它提供了比冲突感知DQN方法更安全的操作,并且比基于规则的策略更谨慎。
2020-04-09 cs.AI cs.LG cs.RO
Cooperative Probabilistic Trajectory Forecasting under Occlusion
Virginia Tech(弗吉尼亚理工大学);Virginia Commonwealth University(弗吉尼亚联邦大学)
针对遮挡场景下通信受限和定位困难,本文提出端到端协作网络,通过共享视场智能体间的相对位姿估计预测被遮挡行人状态与轨迹,并验证其接近无遮挡真值。
2023-12-06 cs.CV cs.LG cs.RO
Offline Reinforcement Learning using Human-Aligned Reward Labeling for Autonomous Emergency Braking in Occluded Pedestrian Crossing
CAV-Lab, School of Engineering(CAV实验室、工程学院);School of Artificial Intelligence and Computer Science(人工智能与计算机科学学院)
本文提出了一种生成人类对齐奖励标签的方法,用于提升自动驾驶车辆在遮挡行人横穿场景中的安全性能。
2026-01-23 cs.LG cs.RO
Overcoming the Fear of the Dark: Occlusion-Aware Model-Predictive Planning for Automated Vehicles Using Risk Fields
Netherlands Organisation for Applied Scientific Research(荷兰应用科学研究组织);Eindhoven University of Technology(埃因霍温理工大学);KTH Royal Institute of Technology(KTH皇家理工学院);Scania CV AB(斯堪尼亚商用车有限公司)
本文提出一种考虑实体形状尺寸及潜在遮挡物的风险场构建方法,并集成于遮挡感知多目标轨迹生成器,以提升自动驾驶车辆在复杂城市环境中的安全性与可行性。
2023-09-27 cs.RO math.OC
Towards Intelligible Human-Robot Interaction: An Active Inference Approach to Occluded Pedestrian Scenarios
Tongji University(同济大学)
本文提出基于主动推断的方法,用于解决遮挡行人场景中的安全挑战,通过结合 RBPF 和 CEM 增强的 MPPI 控制器,实现可解释的人机交互。
2026-02-27 cs.RO
NeurRAFT: Robot Motion Planning via Anchor-Level Flow Matching with Clearance-Aware Preference Tuning
Texas A&M University(德克萨斯农工大学)
NeurRAFT是基于锚点级流匹配与避障距离感知偏好调优的生成式机器人运动规划框架,可显著提升杂乱环境下的无碰撞规划性能,且能零样本迁移至Franka机器人。
2026-08-26 cs.RO
Occlusion-aware Risk Assessment and Driving Strategy for Autonomous Vehicles Using Simplified Reachability Quantification
ThorDrive;Seoul National University(首尔大学)
本文提出一种基于简化可达性量化的遮挡感知风险评估方法,并据此设定自动驾驶车辆速度限制,在略微增加通行时间的同时显著降低碰撞率与不适感,且计算时间小于5毫秒。
2023-10-30 cs.RO
What we see and What we don't see: Imputing Occluded Crowd Structures from Robot Sensing
Univ Rennes, Inria, CNRS, IRISA(雷恩大学、法国国家信息与自动化研究所、法国国家科学研究中心、雷恩第一大学计算机科学研究所);CIMAT, A.C.(墨西哥数学研究中心)
我们认为,在拥挤的环境中的移动机器人的导航,其中车载传感的人群通常是有限的闭塞。我们解决的问题,推断人类占用的机器人周围的空间,在盲点,超出其传感能力的范围。这个问题是相当未探索的,尽管它对机器人人群导航的效率和安全性,这需要估计和预测周围的人群状态it.In这项工作中,我们提出了第一个解决方案的样本预测可能的人类存在的基础上的状态的一组较少的感知到的人周围的机器人以及以前的观察人群活动的重要影响。
2021-09-17 cs.CV cs.RO
Learning-based 3D Occupancy Prediction for Autonomous Navigation in Occluded Environments
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
在移动机器人的自主导航中,传感器在杂乱的环境中遭受大量的遮挡,在规划过程中留下大量的未知空间。在实践中,以乐观或悲观的方式对待未知空间都对规划性能设置了限制,因此不能同时满足攻击性和安全性。然而,人类可以从仅部分观察中推断出障碍物的确切形状,并生成非保守的轨迹,以避免在闭塞空间中可能发生的碰撞。模仿人类行为,本文提出了一种基于深度神经网络的方法来可靠地预测未知空间的占用分布。具体地说,该方法利用环境的上下文信息和学习先验知识来预测遮挡空间中的障碍物分布。我们使用未标记和无地面实况数据来训练我们的网络,并成功地将其应用于在看不见的环境中的实时导航,而无需任何改进。结果表明,我们的方法利用了性能的Kinodynamic规划,提高安全性,在集群环境中的速度没有减少。
2021-03-27 cs.CV cs.LG cs.RO
Risk-aware Path and Motion Planning for a Tethered Aerial Visual Assistant in Unstructured or Confined Environments
Texas A&M University(德克萨斯A&M大学)
本研究旨在发展系留式无人机的路径与运动规划演算法,以视觉辅助非结构化或受限环境中的遥操作主机器人。对于核操作、拆弹小组、灾难机器人和其他具有新任务或高度闭塞环境的领域,实践的新兴状态是使用两个机器人,一个主机器人和一个辅助机器人,作为视觉助手,通过提供外部视角来克服传感器的感知限制。然而,使用助理的好处受到限制,至少有三个原因:(1)用户倾向于选择次优视点,(2)仅考虑地面机器人助手,忽略了用于室内飞行的小型无人驾驶航空器系统的快速发展,(3)为第二遥控机器人引入整个机组人员不是成本有效的,可能引入进一步的团队合作需求,因此可能导致沟通不畅本论文提出以自主式系留空中视觉助手取代辅助机器人及其操作人员。随着预先建立的理论的观点质量的基础上启示,本文旨在定义和表示机器人运动风险在非结构化或受限的环境。基于这些理论,一种新的高层次的路径规划算法的开发,使风险意识规划,平衡之间的权衡,以提供安全和值得信赖的视觉辅助飞行的视点质量和运动风险。然后在系留无人机平台上实现规划的飞行轨迹。感知和致动被定制为以低级运动套件的形式适合系留代理,包括具有可忽略的计算开销的新颖的基于系留的定位模型、基于位置和速度控制的系留机身的运动基元以及两个不同的运动基元。
2020-07-19 cs.RO
Occlusion aware obstacle prediction using people as sensors
University of Moratuwa(莫拉图瓦大学)
本文提出一种以人为传感器的遮挡感知障碍物预测框架,通过分析人类避让行为并结合传感器融合与轨迹数据,实时推断遮挡区域障碍物,提升机器人导航安全性与效率。
2024-12-29 cs.RO
HE-Nav: A High-Performance and Efficient Navigation System for Aerial-Ground Robots in Cluttered Environments
University of Hong Kong(香港大学);Peng Cheng Laboratory(鹏城实验室);Huazhong University of Science and Technology(华中科技大学)
针对现有空地机器人导航系统在严重遮挡杂乱环境中性能与效率不足的问题,提出HE-Nav系统,通过轻量感知网络与节能规划器实现高效导航,能耗降为1/7且仿真规划成功率达98%。
2024-10-07 cs.RO
Towards safe human-to-robot handovers of unknown containers
Queen Mary University of London(伦敦玛丽女王大学)
未知物体的安全人机交互需要准确估计手部姿势和物体属性,如形状、轨迹和重量。准确估计这些属性需要使用扫描的3D对象模型或昂贵的设备,例如运动捕捉系统和标记,或两者兼而有之。然而,用机器人测试切换算法可能对人类是危险的,并且当对象是具有液体的开放容器时,对机器人是危险的。在本文中,我们提出了一个真正的模拟框架,以开发安全的人对机器人的机器人,未知的杯子或饮料杯的物理属性的估计和估计的人手从视频的人操纵容器。我们在模拟中完成了移交,并且我们估计了一个没有被拿着容器的人的手遮挡的区域。我们还量化了仿真中人和物体的安全性。我们验证框架使用公共录音的集装箱操纵之前移交,并显示移交的安全性时,使用噪声估计从一系列的感知算法。
2021-07-03 cs.RO
Pedestrian Emergence Estimation and Occlusion-Aware Risk Assessment for Urban Autonomous Driving
The Ohio State University(俄亥俄州立大学)
避免看不见或部分被遮挡的弱势道路使用者(VRU)是城市场景中完全自动驾驶的主要挑战。然而,闭塞感知风险评估系统尚未得到广泛研究。在这里,我们提出了一个行人出现估计和遮挡感知风险评估系统的城市自动驾驶。首先,所提出的系统利用可用的上下文信息,如可见的汽车和行人,估计行人出现在闭塞区域的概率。这些概率,然后在风险评估框架中使用,并纳入纵向运动控制器。建议的控制器进行测试,对几个基线控制器,概括了一些常见的驾驶风格。模拟的测试场景包括随机放置的停放的汽车和行人,其中大多数人从自我车辆的视野中被遮挡,并随机出现。所提出的控制器在安全性和舒适性方面优于基线。
2021-07-06 cs.AI cs.RO
Motion Planning for Autonomous Vehicles in the Presence of Uncertainty Using Reinforcement Learning
Huawei Technologies(华为技术有限公司);Université de Sherbrooke(舍布鲁克大学)
不确定性条件下的运动规划是自动驾驶汽车发展的主要挑战之一。在这项工作中,我们专注于在感知和知觉的不确定性,导致有限的视野,闭塞,和感知范围。这个问题通常通过考虑遮挡区域或传感范围之外的假设隐藏物体来解决,以保证被动安全。然而,这可能导致保守的规划和昂贵的计算,特别是当需要考虑许多假设对象时。我们提出了一种基于强化学习(RL)的解决方案,通过优化最坏情况的结果来管理不确定性。这种方法与传统的RL相反,在传统的RL中,代理试图最大化平均预期奖励。该方法建立在分布式强化学习的基础上,其策略优化使随机结果的下界最大化。这种修改可以应用于一系列RL算法。作为概念验证,该方法应用于两种不同的RL算法:Soft Actor-Critic和DQN。该方法进行了评估,对两个具有挑战性的情况下,行人过马路与闭塞和弯曲的道路,视野有限。该算法的训练和评估使用SUMO交通模拟器。该方法产生更好的运动规划行为相比,传统的RL算法和行为的人类驾驶风格。
2021-10-01 cs.LG cs.RO cs.SY
Occlusion-Aware Risk Assessment for Autonomous Driving in Urban Environments
University of Michigan(密歇根大学)
在城市环境中安全导航仍然是自动驾驶汽车面临的一个挑战性问题。遮挡和有限的传感器范围可能对环境中的行人和其他车辆之间的安全导航构成重大挑战。使车辆能够量化未知区域带来的风险,使其能够预测未来的可能性,从而提高安全性和乘坐舒适性。本文提出了一种算法,利用已知的道路布局来预测,量化和聚合与闭塞和有限的传感器范围相关的风险。这使我们能够预测即使在严重闭塞的城市环境中,未观察到的车辆引起的风险。然后,可以通过低级规划算法来使用风险来生成更好的轨迹,或者通过高级规划算法来规划更好的路线。该算法在实际地图数据的交叉口布局上进行了评估,场景中最多有五辆其他车辆,并验证了与基线方法相比,碰撞率降低了4.8倍,同时提高了驾驶舒适性。
2019-07-17 cs.RO
Hope for the Best, Prepare for the Worst: Occlusion-Aware Contingency Planning for Autonomous Vehicles
KTH Royal Institute of Technology(瑞典皇家理工学院);Traton AB(特拉顿集团);Chalmers University of Technology(查尔姆斯理工大学);Univeristy of Gothenburg(哥德堡大学)
针对城市环境中自动驾驶车辆面临的遮挡风险,提出正式的遮挡感知轨迹规划框架,基于可达性分析方法,集成树形运动规划器,减少保守性并保障安全,在模拟场景中验证有效性。
2026-07-07 cs.RO
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
What's Hidden Matters: Identifying Planning-Critical Occluded Agents using Vision-Language Models
提出利用视觉语言模型(VLM)识别对自车轨迹影响最大的被遮挡智能体,通过规划KL散度(PKL)度量进行排序,并微调VLM以提升性能,实验表明该方法比随机采样提升约30%。
2026-07-02 cs.AI cs.CV cs.RO
Control Barrier Functions with Audio Risk Awareness for Robot Safe Navigation on Construction Sites
本文提出一种基于控制障碍函数的机器人安全导航方法,通过音频风险提示增强避障能力,有效提升建设工地环境下的自主导航安全性。
2026-02-12 cs.RO cs.SY eess.SY
From Shadows to Safety: Occlusion Tracking and Risk Mitigation for Urban Autonomous Driving
Technical University of Munich(慕尼黑工业大学)
本文提出一种整合遮挡跟踪与风险感知规划的自动驾驶方法,通过序列推理和多样化幻影智能体建模预测被遮挡区域的潜在危险,在仿真中提升了情境感知能力并平衡了安全性与交通效率。
2025-04-02 cs.CV cs.RO
Navigation under uncertainty: Trajectory prediction and occlusion reasoning with switching dynamical systems
VERSES Research Lab(VERSES研究实验室);Volvo Cars(沃尔沃汽车);Volvo Car Safety Centre(沃尔沃汽车安全中心)
针对自动驾驶中遮挡物体轨迹预测的泛化难题,提出统一轨迹预测与遮挡推理的概念框架,基于 switching dynamical systems 结构化概率生成模型,并利用 Waymo 数据集初步验证了其有效性。
2024-10-14 cs.LG cs.RO
A Bayesian Modeling Framework for Estimation and Ground Segmentation of Cluttered Staircases
The Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对复杂环境下机器人楼梯感知易受遮挡、杂物干扰的问题,提出融合无限宽度楼梯表示与有限端点状态的贝叶斯推理框架及配套分割算法,提升楼梯估计与无杂区分割性能。
2025-03-21 cs.RO
AGRNav: Efficient and Energy-Saving Autonomous Navigation for Air-Ground Robots in Occlusion-Prone Environments
University of Hong Kong(香港大学);Huawei Technologies, Co. Ltd.(华为技术有限公司);Shanghai AI Laboratory(上海人工智能实验室)
针对空地机器人在遮挡环境中的导航问题,提出AGRNav框架,结合轻量级语义补全网络与分层规划,实现安全节能的混合路径搜索,在仿真和真实环境中优于现有方法。
2024-03-18 cs.RO
Learning Fast, Tool aware Collision Avoidance for Collaborative Robots
Neuromeka Co., Ltd.(Neuromeka公司)
针对动态人机环境中工具变化和遮挡导致的避障难题,提出结合学习型感知与约束强化学习的工具感知避障系统,实现10毫秒内平滑避障、亚毫米精度及约60%的计算成本降低。
2025-08-28 cs.RO cs.SY eess.SY
CoPEM: Cooperative Perception Error Models for Autonomous Driving
Nanyang Technological University(南洋理工大学);TU Delft(代尔夫特理工大学)
在本文中,我们引入了协作感知错误模型(coPEMs)的概念,以实现虚拟测试环境中V2X解决方案的有效集成。我们的重点是我们的分析上的遮挡问题(车载)感知的自动驾驶汽车(AV),这可能表现为误检测错误的被遮挡的对象。基于车对万物(V2X)通信的协作感知(CP)解决方案旨在通过协作利用AV周围世界的额外视角来避免此类问题。这种方法通常需要在环境中同时部署许多传感器,主要是摄像头和激光雷达,作为道路基础设施的一部分或其他交通车辆。然而,在虚拟仿真流水线中实现大量传感器模型通常在计算上昂贵得令人望而却步。因此,在本文中,我们依赖于扩展感知误差模型(PEM),以有效地实现这种合作的感知解决方案以及与之相关的错误和不确定性。我们证明了这种方法通过比较的安全性,实现了一个AV的挑战与交通情况下,闭塞是潜在的碰撞的主要原因。
2022-11-22 cs.AI cs.RO
Multi-view Pose Fusion for Occlusion-Aware 3D Human Pose Estimation
University of Padova(帕多瓦大学)
提出一种基于绝对单目3D骨架多视角融合与重投影误差优化的遮挡感知3D人体姿态估计方法,通过引入肢体长度对称约束,在严重遮挡的人机协作场景中显著优于现有技术。
2024-08-28 cs.CV cs.RO
Action-Informed Estimation and Planning: Clearing Clutter on Staircases via Quadrupedal Pedipulation
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对四足机器人腿部操作中物体被遮挡的问题,提出交互感知的状态估计与感知-动作闭环框架,利用本体感觉预测物体位移,实现楼梯杂物的有效清理,提升任务成功率与跟踪精度。
2025-09-24 cs.RO
Robots That Can See: Leveraging Human Pose for Trajectory Prediction
Google DeepMind(谷歌DeepMind);Technical University Munich(慕尼黑工业大学);Stanford University(斯坦福大学)
本文提出基于Transformer并融合位置、头部朝向与3D骨骼关键点的人体轨迹预测模型,在多个基准上达到SOTA,并揭示骨骼姿态可改善历史数据有限的新智能体预测。
2023-09-29 cs.CV cs.HC cs.LG