LifelongCrossNav: Persistent 3D Semantic Memory for Cross-Floor Multi-Object Navigation
本文提出LifelongCrossNav框架，结合持久3D语义记忆与跨楼层可通行性建模，在自研HM3D-MFMON基准上实现更优的多层顺序多目标导航性能。
2026-10-14 cs.AI cs.RO
Enhancing exploration algorithms for navigation with visual SLAM
Artificial Intelligence Research Institute, 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人工智能研究所）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）
探索是机器人系统自主导航的重要步骤。在本文中，我们介绍了一系列的增强勘探算法，以便使用它们与基于视觉的同时定位与地图构建（vSLAM）的方法。我们在两种模式下评估开发的逼真模拟器方法：地面实况深度和神经网络重建的深度图作为vSLAM输入。我们评估标准指标，以估计勘探覆盖率。
2021-10-18 cs.RO
Proprioceptive Safe Active Navigation and Exploration for Planetary Environments
PSANE通过本体感知技术在未知变形环境中实现安全导航与探索，利用腿部与地形的交互信息提升地形可通行性评估与导航性能。
2026-10-23 cs.RO
Deliberate Exploration Supports Navigation in Unfamiliar Worlds
The City University of New York（纽约市立大学）；Hunter College（亨特学院）；The Graduate Center of The City University of New York（纽约市立大学研究生中心）
为了在一个新的领域中很好地完成任务，首先必须对它有所了解。本文报道了一种机器人控制器，用于在陌生的室内世界中导航。基于空间的启示，它集成了规划与反应物流。然而，在解决特定目标之前，系统会故意探索高层次的连接性，并在认知空间模型中捕获这些数据。尽管探索时间有限，但最终模型中的规划速度更快，更好地支持在具有挑战性的现实空间中成功旅行。
2020-07-01 cs.RO
Navigation and Exploration with Active Inference: from Biology to Industry
Ghent university（根特大学）；Verses
受动物认知地图启发，提出基于主动推理框架的实时机器人导航系统，通过构建拓扑地图和最小化不确定性规划动作，在2D/3D环境中无需训练即可达到与传统方法竞争的性能。
2025-10-10 cs.RO
Safe Active Navigation and Exploration for Planetary Environments Using Proprioceptive Measurements
针对足式机器人在未知变形颗粒地形探索的通行性评估难题，提出基于本体感受和高斯过程回归的SAEGT导航框架，搭配反应式控制器实现安全探索导航，仿真验证了仅靠本体感知的可行性。
2025-10-21 cs.RO
Goal-Driven Autonomous Exploration Through Deep Reinforcement Learning
Industry-University Cooperation Foundation, Hanyang University（汉阳大学产学合作基金会）；Cogaplex company（Cogaplex公司）；Hanyang University（汉阳大学）
在本文中，我们提出了一种自主导航系统，用于通过深度强化学习（DRL）进行目标驱动的未知环境探索。从环境中获得可能的导航方向的兴趣点（POI），并基于可用数据选择最佳航路点。根据路径点，机器人被引导向全局目标，并缓解了反应式导航的局部最优问题。然后，通过仿真中的DRL框架学习局部导航的运动策略。我们开发了一个导航系统，这个学到的政策被集成到一个运动规划堆栈作为本地导航层之间的路径点移动机器人朝着一个全球目标。完全自主导航是在没有任何先验知识的情况下执行的，同时当机器人在环境中移动时记录地图。实验表明，该方法具有优于类似的探索方法，不依赖于地图或先验信息，在复杂的静态以及动态环境。
2021-09-09 cs.RO
Vine Robots: Design, Teleoperation, and Deployment for Navigation and Exploration
一类新的连续体机器人最近已被探索，其特征在于尖端延伸，显着的长度变化，和方向控制。在这里，我们称这类机器人为“藤蔓机器人”，因为它们的行为与具有拖尾生长习惯的植物相似。由于其基于生长的运动，藤蔓机器人非常适合在混乱的环境中导航和探索，但到目前为止，它们还没有被部署在实验室之外。这些机器人的便携性和导航相关的长度尺度的可操纵性是现场应用的关键。此外，直观的人在回路远程操作使运动在未知和动态的环境。我们提出了一个葡萄藤机器人系统，是远程操作使用定制设计的灵活的操纵杆和摄像头系统，足够长的时间用于导航任务，并在现场使用便携式。我们报告部署这个系统在两种情况下：一个软体机器人导航比赛和考古遗址的探索。比赛路线要求在不平坦的地形上移动，通过不稳定的障碍物，并通过一个小光圈。考古遗址需要在岩石上移动，并通过水平和垂直转弯。机器人尖端成功地越过障碍物并穿过隧道，展示了藤蔓机器人在野外完成导航和探索任务的能力。
2020-01-07 cs.RO
CoRelNav: Collaborative Relational Navigation for Multi-Robot Spatially Constrained Semantic Navigation
Beijing Institute of Technology（北京理工大学）
CoRelNav提出了一种将多机器人探索与候选驱动协作验证相结合的方法，用于空间约束语义导航，在模拟和真实机器人上验证了其有效性。
2026-09-24 cs.RO
LERR-Nav: Learning to Coordinate Exploration, Recovery, and Reminiscing for Object Navigation
Hong Kong Polytechnic University（香港理工大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；DeepRobotics（深度机器人公司）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Guangzhou University（广州大学）
该研究提出LERR-Nav框架，通过学习的高层策略协调四种导航策略，在HM3D和MP3D上实现目标导航的最先进性能，消融研究验证了各组件的贡献。
2026-10-14 cs.RO
Autonomous Exploration Development Environment and the Planning Algorithms
Carnegie Mellon University（卡内基梅隆大学）
Autonomous Exploration Development Environment是一个开源存储库，旨在促进高级规划算法的开发和完整自主导航系统的集成。该存储库包含代表性的仿真环境模型、基本导航模块，例如，本地规划器、地形可通过性分析、航路点跟踪和可视化工具。结合我们的两个高级规划器版本-用于探索的TARE规划器和用于路线规划的FAR规划器，我们详细介绍了三个开源存储库的使用情况，并分享了集成自主导航系统的经验。我们使用DARPA Subterranean Challenge作为一个用例，其中存储库一起形成CMU-OSU团队的主要导航系统。最后，我们讨论了扩展应用程序中的一些潜在用例。
2021-10-27 cs.RO
120 Minutes and a Laptop: Minimalist Image-goal Navigation via Unsupervised Exploration and Offline RL
Faculty of Science and Technology, University of Macau（澳门大学科技学院）
本文提出MINav方法，通过无监督数据收集与 hindsight 目标重标记，实现高效图像目标导航，在120分钟内使用消费级笔记本完成训练与部署，无需人工干预。
2026-03-27 cs.RO
Learning for Microrobot Exploration: Model-based Locomotion, Sparse-robust Navigation, and Low-power Deep Classification
University of California, Berkeley（加州大学伯克利分校）
构建任何规模的智能自治系统都具有挑战性。微型机器人平台的传感和计算约束使问题变得更加困难。我们提出了改进的学习为基础的方法在船上学习的运动，分类和导航的微型机器人。我们展示了如何通过将车载传感器数据提取到控制中来实现基于基于模型的强化学习的模拟运动。接下来，我们介绍了一个稀疏的，线性的检测器和一个动态保持方法，快速视觉里程计，以改善导航的噪声制度的毫米级图像。我们结束了一个新的图像分类器，能够分类少于一百万乘和累积（MAC）操作相结合的快速下采样，高效的层结构和硬激活函数。这些都是在边缘智能和微型机器人的功率有限的世界中使用最先进算法的有希望的步骤。
2020-04-27 cs.RO
Enhancing Exploratory Capability of Visual Navigation Using Uncertainty of Implicit Scene Representation
Shanghai Jiao Tong University（上海交通大学）
提出NUE流程，利用NeRF隐式场景表示的不确定性增强探索能力，并提取记忆信息辅助目标定位，实现端到端视觉导航，在图像目标导航任务上性能优于现有记忆型方法。
2024-11-05 cs.RO
A Hierarchical Graph-Based Terrain-Aware Autonomous Navigation Approach for Complementary Multimodal Ground-Aerial Exploration
Robotics & AI Team, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能团队，计算机、电气与空间工程系，卢勒奥技术大学）
针对未知环境下地空机器人协同探索效率问题，提出基于分层图的地形感知导航方法，通过共享置信度指标协调部署，在地下场景中实现了更高效的互补式探索。
2025-05-20 cs.RO
GLAM: Training a latent world model over global spatiotemporal memory for active exploration and navigation
Tsinghua University（清华大学）；Lab for Brain-Inspired Embodied Intelligence, EBKernel Technologies Co., Ltd（类脑具身智能实验室，EBKernel科技有限公司）；Northeastern University（东北大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Shanghai Jiao Tong University（上海交通大学）
提出GLAM潜在世界模型及导航系统GLAM NAV，基于全局时空记忆预测未来地图和航点，在HM3D-ObjectNav上超越BSC-Nav基线，提升主动探索与语义导航性能。
2026-09-15 cs.RO
Collaborative Navigation and Exploration with $β$-Sparse Gaussian Processes
D. Guggenheim School of Aerospace Engineering, Georgia Tech, Atlanta, GA, USA（佐治亚理工学院D.Guggenheim航空航天工程学院）；Department of Electrical and Computer Engineering, UNC Charlotte, Charlotte, NC, USA（北卡罗来纳大学夏洛特分校电气与计算机工程系）
针对异构机器人在未知环境中的协作导航问题，提出一种利用$β$-稀疏高斯过程进行带宽受限下地图点选择和导航动作联合优化的框架，显著降低路径代价和传输信息量。
2026-05-29 cs.RO
TriHelper: Zero-Shot Object Navigation with Dynamic Assistance
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对零样本目标导航中的碰撞、低效探索和目标误识别问题，提出动态辅助框架TriHelper，包含三个协同组件，在HM3D和Gibson数据集上显著提升了导航成功率与效率。
2024-03-22 cs.RO
LLM-Based Agentic Exploration for Robot Navigation & Manipulation with Skill Orchestration
本文提出基于大语言模型的代理探索系统，用于机器人导航与操作，通过技能编排实现端到端任务执行。
2026-01-02 cs.RO
Mapless Navigation: Learning UAVs Motion forExploration of Unknown Environments
ETRI（韩国电子通信研究院）；KAIST（韩国科学技术院）
本研究提出了一种新的方法学为基础的运动规划自主探索使用空中机器人。通过强化学习的方法，通过试验和错误的学习，得出的行动政策，可以指导自主探索的地下和隧道环境。设计了一种新的马尔可夫决策过程状态，仅通过仿真来学习机器人的动作策略，并将结果应用于现实环境中，而无需进一步学习。减少了网格路径规划中对精确地图的需求，实现了无地图导航。所提出的方法可以有一个更少的计算成本比基于网格的规划器的路径，但具有类似的性能。经过训练的行动策略在与地下矿井或室内空间的自主勘探相关的模拟和现场试验中得到了广泛的评估。
2021-10-04 cs.RO
StratXplore: Strategic Novelty-seeking and Instruction-aligned Exploration for Vision and Language Navigation
Edith Cowan University（伊迪丝·考恩大学）；Centre for Artificial Intelligence and Machine Learning（人工智能与机器学习中心）；School of Science（理学院）
针对VLN智能体依赖回溯导致错误恢复低效的问题，提出基于记忆、错误感知并兼顾指令对齐与新颖性的StratXplore前沿探索策略，在两个复杂度不同的数据集上提升了导航成功率。
2024-09-09 cs.RO
Frontier Semantic Exploration for Visual Target Navigation
University of Groningen（格罗宁根大学）
针对视觉目标导航在大型未知场景中的不足，提出基于前沿语义策略的框架，利用深度强化学习选择前沿单元作为长期目标，在Gibson和HM3D上显著提升成功率与效率。
2023-12-25 cs.RO
Uncertainty-driven Planner for Exploration and Navigation
University of Pennsylvania（宾夕法尼亚大学）；The University of Chicago（芝加哥大学）
我们认为在以前看不见的环境中，在室内场景的空间复杂性和部分可观测性构成这些任务的挑战性的探索和点目标导航的问题。我们认为，学习占用先验室内地图对解决这些问题提供了显着的优势。为此，我们提出了一种新的规划框架，首先学习生成超出代理视野的占用地图，其次利用模型的不确定性，为每个感兴趣的任务制定路径选择策略。对于点目标导航的策略选择路径的置信度上限政策的有效和可遍历的路径，而探索的政策最大化模型的不确定性候选路径。我们使用Habitat模拟器在Matterport 3D的视觉逼真环境中进行实验，并证明：1）与竞争方法相比，探索和地图质量指标的结果有所改善，以及2）当与最先进的DD-PPO方法配对时，我们的规划模块的有效性点目标导航任务。
2022-02-24 cs.CV cs.RO
TopoNav: Topological Navigation for Efficient Exploration in Sparse Reward Environments
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Amazon Inc.（亚马逊公司）；DEVCOM Army Research Lab（DEVCOM陆军研究实验室）；Stormfish Scientific Corporation（斯托姆菲什科学公司）
TopoNav提出融合主动建图、分层强化学习和内在动机的拓扑导航框架，通过两级策略架构在稀疏奖励环境中实现高效目标导向探索，实验表明其探索覆盖率、成功率和导航时间均显著优于现有方法。
2024-10-22 cs.LG cs.RO
ApexNav: An Adaptive Exploration Strategy for Zero-Shot Object Navigation with Target-centric Semantic Fusion
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Southern University of Science and Technology（南方科技大学）
针对未知环境中零样本目标导航的效率与可靠性问题，提出ApexNav框架，通过自适应切换语义/几何探索策略提升效率，以目标为中心的语义融合增强鲁棒性，在多个数据集上性能优于现有方法，且经真实环境验证。
2025-09-05 cs.RO
STEGNav: Spatio-Temporal Event Graph Reasoning for Multimodal Lifelong Object Navigation
State Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
针对现有多模态终身导航方法的局限，本文提出无训练框架STEGNav，通过时空事件图的双轴设计优化导航性能，在多个基准数据集上取得显著效果。
2026-08-31 cs.RO
Robotic Navigation using Entropy-Based Exploration
KAIST（韩国科学技术院）
机器人导航是指机器人在复杂的环境中能够找到一条安全可行的路径并在两点之间穿行的任务。我们使用强化学习来解决机器人导航问题，并使用深度$Q$网络来训练代理来解决机器人导航任务。我们比较了基于熵的探索（EBE）和广泛使用的$ε$ -贪婪的探索策略，通过训练智能体使用它们在模拟。然后，在不同版本的环境中测试经过训练的代理，以测试学习策略的泛化能力。我们还实现了一个真正的机器人在复杂的现实环境中学习的政策，没有任何微调，并比较上述探索策略在现实世界中的设置的有效性。在\url{https://youtu.be/NHT-EiN_4n8}上可以观看TurtleBot 3平台上的实验视频。
2019-06-17 cs.RO cs.SY eess.SY
Automatic Navigation Map Generation for Mobile Robots in Urban Environments
Politecnico di Milano（米兰理工大学）
本文提出一种利用单个顶部安装3D LiDAR自动生成城市环境移动机器人导航地图的算法，能识别正负障碍物及不同地形，经实验验证对多种不确定性具有鲁棒性。
2024-03-20 cs.RO
Instance-aware Exploration-Verification-Exploitation for Instance ImageGoal Navigation
Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
针对实例图像目标导航中易受干扰物影响的问题，提出模仿人类“靠近确认”行为的IEVE模块化导航框架，通过主动切换探索、验证和利用动作提升决策能力，在HM3D-SEM数据集上成功率显著超越现有最先进方法。
2024-03-22 cs.CV cs.RO
Fast Vision in the Dark: A Case for Single-Photon Imaging in Planetary Navigation
Space Robotics Lab, Dept. of Systems Engineering and Automation, University of Malaga（马德里大学机器人空间实验室，系统工程与自动化系）
提出利用单光子雪崩二极管（SPAD）相机解决复杂光照下传统视觉导航的局限，首次全面评估其在高纬度月球等挑战性环境中的行星导航性能。
2025-10-12 cs.RO
SOR-Nav: Search or Relocate? Context-Gated Exploration and Cross-Region Relocation for Object Navigation
Nanyang Technological University（南洋理工大学）
SOR-Nav提出一种分层导航系统，通过上下文门控的LLM监督器在探索与跨区域重定位间决策，在HM3D和MP3D基准上取得最优SR和SPL，MP3D上SPL提升至38.5%。
2026-09-29 cs.RO
MO-DDN: A Coarse-to-Fine Attribute-based Exploration Agent for Multi-object Demand-driven Navigation
Southeast University（东南大学）
本文提出MO-DDN基准和由粗到细的基于属性探索智能体C2FAgent，通过模块化属性利用策略解决多目标需求驱动导航任务，性能优于基线方法。
2024-10-04 cs.RO
Automatic Navigation and Voice Cloning Technology Deployment on a Humanoid Robot
The Chinese University of Hong Kong（香港中文大学）
本文针对优必选Cruzr人形服务机器人，在Gazebo中基于SLAM构建仿真环境并开发自动导航算法，比较DWA与MPC性能，同时开发基于隐马尔可夫模型的语音克隆应用并完成实机部署。
2024-10-17 cs.RO
Robotic Exploration for Mapping
University of California, San Diego（加州大学圣地亚哥分校）；Contextual Robotics Institute（情境机器人研究所）
本文综述机器人探索、自主导航与传感器技术的最新研究进展，重点讨论面向无人载具、用于未知区域建图的机器人探索算法及其典型应用。
2023-07-17 cs.RO
Spatial and Temporal Hierarchy for Autonomous Navigation using Active Inference in Minigrid Environment
受人类导航时结合拓扑地标与粗粒度路径积分构建层次认知地图的行为启发，提出可扩展的层次化主动推理模型，通过多层级推理实现自主导航与探索，经Minigrid环境仿真验证有效。
2024-09-13 cs.RO
Intrinsic-Motivation Multi-Robot Social Formation Navigation with Coordinated Exploration
School of Computer Science and Technology（计算机科学与技术学院）；Wuhan University of Science and Technology（武汉科技大学）；Hubei Province Key Laboratory of Intelligent Information Processing（湖北省智能信息处理重点实验室）
本文提出了一种基于内在动机的多机器人协调探索RL算法，通过双采样模式和双时间尺度更新规则提升导航策略与奖励表示，实现更高效的社交编队导航性能。
2025-12-16 cs.AI cs.RO
Stairway to Success: An Online Floor-Aware Zero-Shot Object-Goal Navigation Framework via LLM-Driven Coarse-to-Fine Exploration
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）；National University of Singapore（新加坡国立大学）；Tsinghua University（清华大学）
本文提出ASCENT框架，通过LLM驱动的粗到细探索实现在线楼层感知零样本物体-目标导航，无需预建地图或重新训练，适用于多楼层环境。
2026-01-03 cs.RO
HALO: High-Altitude Language-Conditioned Monocular Aerial Exploration and Navigation
GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
HALO通过单目相机与GPS/IMU实现高海拔环境的实时度量-语义映射与导航，支持多任务自主探索。
2025-11-21 cs.RO
Expand Your SCOPE: Semantic Cognition over Potential-Based Exploration for Embodied Visual Navigation
本文提出SCOPE框架，通过利用前沿信息驱动潜在探索，提升具身视觉导航中的决策质量与目标相关性，实验表明其在准确性和泛化能力上优于现有方法。
2026-03-21 cs.CV cs.RO
Bio-Inspired Topological Autonomous Navigation with Active Inference in Robotics
Ghent University（根特大学）；Verses；Flanders Make（佛兰德斯制造）
本文提出一种基于主动推断框架的生物启发代理，实现环境拓扑地图的实时生成与更新，通过概率推理框架实现可解释的导航，并在动态和未知环境中表现出鲁棒适应性。
2025-08-10 cs.RO
Deep Active Inference with Diffusion Policy and Multiple Timescale World Model for Real-World Exploration and Navigation
School of Integrated Design Engineering, Keio University（整合设计工程学院，庆应大学）
提出一种融合扩散策略与多时间尺度世界模型的深度主动推断框架，通过最小化期望自由能统一探索与导航，在真实世界实验中取得更高成功率和更少碰撞。
2026-09-09 cs.AI cs.LG cs.RO
Curiosity-driven Exploration for Mapless Navigation with Deep Reinforcement Learning
Albert Ludwig University of Freiburg（阿尔伯特-路德维希-弗莱堡大学）；The Hong Kong University of Science and Technology（香港科技大学）
本文研究了深度强化学习（DRL）方法学习移动机器人导航策略的探索策略。特别是，我们用好奇心测量的内在奖励信号来增强训练DRL算法的正常外部奖励。我们在无地图导航设置中测试我们的方法，其中要求自主智能体在没有环境的占用地图的情况下导航到其相对位置可以通过低成本解决方案容易地获取的目标（例如，可见光定位、Wi-Fi信号定位）。我们验证了内在动机是至关重要的，以提高DRL性能的任务具有挑战性的探索要求。我们的实验结果表明，我们提出的方法能够更有效地学习导航策略，并在以前看不见的环境中具有更好的泛化能力。我们的实验结果的视频可以在https://goo.gl/pWbpcF上找到。
2018-05-14 cs.AI cs.LG cs.RO
A Deployable Embodied Vision-Language Navigation System with Hierarchical Cognition and Context-Aware Exploration
Center for Advanced Robotics Technology Innovation (CARTIN), School of Electrical and Electronic Engineering, Nanyang Technological University（先进机器人技术与创新中心（CARTIN）、电子工程学院、南洋理工大学）；Spatial AI & Robotics Lab, Department of Computer Science and Engineering（空间人工智能与机器人实验室、计算机科学与工程系）
本文提出一种可部署的具身视觉-语言导航系统，通过分层认知和上下文感知探索，在真实机器人上实现高效导航与强推理能力。
2026-05-17 cs.RO
Semantic-Aware Predictive Mapping for Exploration and Navigation
ST Engineering（新科工程）；National University of Singapore（新加坡国立大学）
本研究提出语义感知预测建图，利用门语义线索改善机器人探索与导航中模糊区域的占据补全，实验显示局部门区域L1误差显著降低，F1和IoU提升至1.0。
2026-10-08 cs.RO
OVAL: Open-Vocabulary Augmented Memory Model for Lifelong Object Goal Navigation
Shenzhen International Graduate School, Tsinghua University（深圳国际研究生院，清华大学）
OVAL提出一种开放词汇增强记忆框架，解决长期目标导航中的记忆限制问题，通过内存描述符和概率探索策略提升导航效率与鲁棒性。
2026-04-14 cs.RO
A Unified Approach to Multi-task Legged Navigation: Temporal Logic Meets Reinforcement Learning
Georgia Institute of Technology（佐治亚理工学院）
针对跳跃机器人需同时完成LTL强制目标任务与可选探索任务且存在动力学扰动的问题，提出动力学抽象、MT-PIMDP模型与统一策略综合算法，形式化证明任务权衡关系并通过仿真验证。
2024-07-09 cs.RO
Bridging Deep Reinforcement Learning and Motion Planning for Model-Free Navigation in Cluttered Environments
Department of Mechanical Engineering（机械工程系）；University of California Riverside（加州大学河滨分校）
本文提出将基于图的运动规划与深度强化学习相结合，通过覆盖状态空间的图结构设计稠密奖励函数，以解决杂乱环境中无模型导航的探索不足问题，显著提升了探索效率和任务成功率。
2025-07-03 cs.RO
Learning Exploration Policies for Navigation
Carnegie Mellon University（卡内基梅隆大学）；Facebook AI Research（Facebook人工智能研究）
许多过去的作品已经解决了任务驱动导航的问题。但是，如何有效地探索一个新的环境，使各种下游任务得到了很少的关注。在这项工作中，我们研究了代理如何在没有任务奖励的情况下自主探索现实而复杂的3D环境。我们提出了一种基于学习的方法，并研究了不同的政策架构，奖励功能和培训模式。我们发现，使用具有空间记忆的策略，这些策略通过模仿学习引导，最后通过纯粹来自机载传感器的覆盖奖励进行微调，可以有效地探索新的环境。我们表明，我们的学习探索政策可以探索比经典的方法，仅基于几何和通用的基于学习的探索技术。最后，我们还展示了如何将这种任务不可知的探索用于下游任务。代码和视频可在：https://sites.google.com/view/exploration-for-nav.
2019-03-05 cs.AI cs.LG cs.RO
From Monocular SLAM to Autonomous Drone Exploration
Technische Universität München（慕尼黑工业大学）；Oculus Research（奥库鲁斯研究院）；RWTH Aachen University（亚琛工业大学）
微型飞行器（MAV）在其有效载荷和动力能力方面受到很大限制。为了实现自主导航，因此需要使用尽可能小、低重量和低功耗的传感设备的算法。在本文中，我们提出了一种方法，自主MAV导航和探索使用低成本的消费级四轴飞行器配备了单目摄像头。我们的基于视觉的导航系统建立在LSD-SLAM的基础上，LSD-SLAM可以实时估计MAV的轨迹和半密集的环境重建。由于LSD-SLAM仅确定高梯度像素处的深度，因此不直接观察到无纹理区域，使得不能直接应用假定密集地图信息的先前探索方法。我们提出了一个障碍物映射和探索的方法，考虑到我们的半密集单目SLAM系统的属性。在实验中，我们展示了我们的基于视觉的自主导航和探索系统与鹦鹉Bebop MAV。
2018-03-12 cs.CV cs.RO
Terrain-Aware Autonomous Planetary Exploration for Exteroceptive-Proprioceptive Mapping with Quadruped Scouts
Istituto Italiano di Tecnologia (IIT)（意大利理工学院）
本文提出一种结合外感受与本体感受建图的地形感知探索框架，用于四足机器人在月球类似环境中的自主导航，仿真表明该方法能有效扩展地图并降低运输成本。
2026-09-29 cs.RO
Uncertainty-aware hybrid paradigm of nonlinear MPC and model-based RL for offroad navigation: Exploration of transformers in the predictive model
McGill University（麦吉尔大学）
该研究提出一种融合非线性MPC与基于模型RL的越野导航混合方案，用transformer替代BADGR的LSTM提升预测性能，通过模型集成估计不确定性实现动态规划，结合车辆运动学优化决策，效果优于现有基线。
2023-10-01 cs.RO
Learning Deep SDF Maps Online for Robot Navigation and Exploration
Stanford University（斯坦福大学）
我们提出了一种算法，（i）使用配备LiDAR的机器人在线学习深度符号距离函数（SDF）来表示3D环境几何形状，以及（ii）在此深度学习地图的情况下计划无碰撞轨迹。我们的算法采用传入的LiDAR扫描流，并不断优化神经网络，以表示其当前附近环境的SDF。当SDF网络质量饱和时，我们将缓存网络的副本以及学习的置信度度量，并初始化新的SDF网络以继续映射环境的新区域。然后，我们通过置信度加权方案连接所有缓存的本地SDF，以提供用于规划的全局SDF。对于规划，我们使用顺序凸模型预测控制（MPC）算法。MPC规划器优化了机器人的动态可行轨迹，同时强制执行与全局SDF中映射的障碍物没有碰撞。我们表明，我们的在线映射算法比现有的在线SDF训练方法产生更高质量的地图。在WeBots模拟器中，我们进一步展示了在线运行的组合映射器和规划器-在未知环境中自主导航且无碰撞。
2022-08-02 cs.RO
Enhancing Multi-Robot Semantic Navigation Through Multimodal Chain-of-Thought Score Collaboration
Zhixuan Shen, Haonan Luo, Kexun Chen, Fengmao Lv, Tianrui Li（作者）
针对家庭服务多机器人系统探索效率低、通信成本高的问题，提出多模态思维链协同导航（MCoCoNav）方法，结合VLMs与全局语义图实现高效协作导航，在HM3D_v0.2和MP3D上验证了有效性。
2025-08-26 cs.RO
Object Goal Navigation using Goal-Oriented Semantic Exploration
Carnegie Mellon University（卡内基梅隆大学）
这项工作研究的对象目标导航的问题，涉及导航到一个实例中的给定对象类别在看不见的环境。基于端到端学习的导航方法在这项任务中很难实现，因为它们在探索和长期规划方面效率低下。我们提出了一个模块化的系统，称为“面向目标的语义探索”，它建立了一个情节的语义地图，并使用它来探索环境的目标对象类别的基础上有效地。在视觉逼真的模拟环境中的实证结果表明，该模型优于广泛的基线，包括端到端的基于学习的方法以及基于模块化地图的方法，并导致CVPR-2020人居ObjectNav挑战赛的获奖作品。消融分析表明，该模型学习的语义先验的相对安排的对象在场景中，并使用它们来有效地探索。领域无关的模块设计允许我们将我们的模型转移到移动机器人平台，并在现实世界中实现类似的目标导航性能。
2020-07-02 cs.CV cs.LG cs.RO
