Terrain-Aware Model Predictive Control of Heterogeneous Bipedal and Aerial Robot Coordination for Search and Rescue Tasks
Georgia Institute of Technology(佐治亚理工学院);College of Engineering and Petroleum, Kuwait University(科威特大学工程与石油学院)
本研究提出了一种面向搜救任务的异构机器人协同规划框架,结合高斯过程学习的地形感知MPC为双足和空中机器人生成安全路径并估计目标位置,利用scLTL和基于共识的算法进行任务分配,仿真验证了其有效性。
2024-09-23 cs.RO
Robust UAV Path Planning with Obstacle Avoidance for Emergency Rescue
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Southeast University(东南大学);China University of Mining and Technology(中国矿业大学)
针对复杂三维环境下无人机避障路径规划的安全需求,本文构建含障碍物与禁飞区的三维场景,提出融合模拟退火的改进人工势场算法APF-SA,可跳出局部最优实现全局最优的鲁棒路径规划,仿真验证了其有效性。
2025-01-16 cs.RO cs.SY eess.SY
Proactive Intention Recognition for Joint Human-Robot Search and Rescue Missions through Monte-Carlo Planning in POMDP Environments
University of Essex(埃塞克斯大学)
主动感知他人的意图是在非结构化、动态和新颖的环境中有效互动的关键技能。这项工作提出了将这种技能嵌入到搜索和救援任务的支持机器人中的第一步。事实上,预测应对方的意图将使勘探方法能够确定和优先考虑与应对方更相关的领域,从而与任务更相关,从而制定更安全、更有力和更有效的联合勘探战略。更具体地说,本文提出了一种主动的意图识别范式感知,即使在感官的限制,不仅目标的位置,但也第一响应者的动作,这可以提供信息,他/她的意图(例如,到达的位置,他/她期望的目标)。这种机制是通过采用基于蒙特卡罗的规划技术的扩展部分可观察的环境,其中的奖励函数增加了熵减少奖金。我们在模拟中测试了几种配置的奖励增强,信息理论和不,以及信念状态近似,并获得了实质性的改进的基本方法。
2019-08-27 cs.AI cs.HC cs.LG
Collaborative Planning for Catching and Transporting Objects in Unstructured Environments
State Key Laboratory of Industrial Control Technology, Zhejiang University(浙江大学工业控制技术国家重点实验室);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
本文提出一种非结构化环境中非完整机器人团队协作捕捉与运输的轨迹规划方法,通过连续可微建模实现自适应捕捉,并保证网的安全,实验验证其高效与高质量。
2023-11-13 cs.RO
Anticipatory Planning for Performant Long-Lived Robot in Large-Scale Home-Like Environments
George Mason University(乔治梅森大学)
本文提出一种基于模型的大规模预见性任务规划框架,利用受3D场景图启发的GNN表示和采样规划方法,在家庭与餐厅环境中显著降低长寿命机器人任务序列成本。
2024-11-19 cs.RO
Human-Centric Aware UAV Trajectory Planning in Search and Rescue Missions Employing Multi-Objective Reinforcement Learning with AHP and Similarity-Based Experience Replay
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg(卢森堡大学安全、可靠性与信任跨学科中心);University of Luxembourg(卢森堡大学)
本文提出融合AHP与基于相似性经验回放的多目标强化学习框架,以兼顾作业、舒适与安全来规划搜救无人机轨迹,并调查性别线索和拟人化设计对公众接受与信任的影响。
2024-02-28 cs.AI cs.HC cs.LG
Optimizing Energy-Efficient Braking Trajectories with Anticipatory Road Data for Automated Vehicles
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);BMW Group(宝马集团)
本文提出利用前瞻道路数据优化自动驾驶汽车的节能制动轨迹,通过结合滑行与主动制动并求解切换最优控制问题,在最大化滑行与最小化制动间寻求最优权衡。
2024-06-25 cs.RO cs.SY eess.SY
Towards Autonomous Multi-Modal Mobility Morphobot (M4) Robot: Traversability Estimation and 3D Path Planning
Northeastern University(东北大学)
本研究提升M4多模态移动变形机器人的自主能力,通过深度学习结合2.5D地图实现模式切换与节能路径规划,仿真验证有效,为多模态自主机器人用于探测救援奠定基础。
2023-08-26 cs.RO cs.SY eess.SY
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
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)
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出,合作运动规划的方法仍然存在。在本文中,我们提出了一种方法来提高常见的运动规划算法,允许与人类驾驶的车辆合作。与以前的方法不同,我们将其他交通参与者的预测集成到运动规划中,这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此,提出了一种新的成本函数,包含场景中所有相关交通参与者的成本。最后,我们提出了一个路径速度分解采样为基础的实现,我们的方法为选定的情况下,这是在模拟评估。
2017-08-23 cs.MA cs.RO
Obstacle-aware Adaptive Informative Path Planning for UAV-based Target Search
Autonomous Systems Lab. (ASL), ETH Zürich(苏黎世联邦理工学院自主系统实验室);TU Delft(代尔夫特理工大学)
利用无人机(UAV)进行目标搜索是与许多场景相关的问题,例如,搜索和救援(SaR)。然而,一个关键的挑战是规划路径的最大搜索效率给定的飞行时间限制。为了解决这一问题,我们提出了障碍感知自适应信息路径规划(OA-IPP)算法,在杂乱的环境中使用无人机的目标搜索。我们的方法利用分层规划策略,使用高斯过程(GP)为基础的目标占用模型,在连续的3D空间中生成信息路径。在这个框架内,我们引入了一个自适应的重新规划方案,使我们能够权衡信息增益,现场覆盖,传感器性能和碰撞避免有效的目标检测。大量的模拟表明,我们的OA-IPP方法比国家的最先进的规划者表现更好,我们展示了它的应用在一个现实的城市SaR的情况。
2019-02-26 cs.RO
Puppeteer and Marionette: Learning Anticipatory Quadrupedal Locomotion Based on Interactions of a Central Pattern Generator and Supraspinal Drive
Ecole Polytechnique Federale de Lausanne (EPFL)(洛桑联邦理工学院)
四足动物的运动来自脊髓中央模式发生器(CPG),感觉反馈和来自大脑的脊髓上驱动信号之间的相互作用。CPG的计算模型已被广泛用于研究脊髓对计算神经科学和仿生机器人中动物运动控制的贡献。然而,脊髓上驱动对预期行为的贡献,即涉及提前计划(例如脚步放置)的运动行为,尚未得到正确理解。特别是,目前尚不清楚大脑是否调节CPG活动和/或直接调节肌肉活动(因此绕过CPG)以实现准确的足部放置。在本文中,我们研究的相互作用,脊髓上的驱动器和CPG在预期的运动方案,涉及跨越差距。通过采用深度强化学习(DRL),我们训练了一个复制脊髓上驱动行为的神经网络策略。该策略可以调节CPG动态,或者直接改变致动信号以绕过CPG动态。我们的研究结果表明,致动信号的直接脊髓上的贡献是一个高的间隙穿越成功率的关键组成部分。然而,脊髓中的CPG动力学对于步态平稳性和能量效率是有益的。此外,我们的研究表明,感觉前足距离的差距是最重要的和足够的感觉信息,学习间隙跨越。我们的研究结果支持了猫和马主要控制前腿避障的生物学假设,后肢遵循基于前肢信息的内部记忆。我们的方法使四足机器人跨越的差距高达20厘米(50%的身体长度),没有任何明确的动力学建模或模型预测控制(MPC)。
2023-02-26 cs.AI cs.LG cs.RO
Topological Motion Planning Diffusion: Generative Tangle-Free Path Planning for Tethered Robots in Obstacle-Rich Environments
本文提出TMPD框架,结合终身拓扑记忆,通过扩散模型生成可行轨迹候选,并利用拓扑后端过滤优化,实现无碰撞和无纠缠的高效路径规划。
2026-03-16 cs.RO
Shrinking POMCP: A Framework for Real-Time UAV Search and Rescue
Vanderbilt University(范德堡大学);SRI(SRI国际(斯坦福研究院));University of Szeged(塞格德大学)
本文针对无人机搜索与救援中的时间约束问题,提出收缩POMCP方法,结合概率世界模型与神经符号导航器,在2D和3D模拟器中验证其显著缩短搜索时间。
2024-11-20 cs.AI cs.RO
Anticipatory Planning: Improving Long-Lived Planning by Estimating Expected Cost of Future Tasks
George Mason University(乔治梅森大学)
针对服务机器人长期任务规划中忽视未来任务导致总成本高的问题,提出用图神经网络估计未来成本来增强规划,在块世界环境中总成本降低5%,提前准备时降低11%。
2023-05-08 cs.AI cs.LG cs.RO
Time-Optimal Handover Trajectory Planning for Aerial Manipulators based on Discrete Mechanics and Complementarity Constraints
University of Stuttgart(斯图加特大学)
规划空中机器人的时间最优轨迹在许多无人机应用中至关重要,例如救援任务和包裹递送,近年来已被广泛研究。然而,它仍然涉及到一些挑战,特别是在将特殊任务要求纳入规划以及空中机器人的动力学时。在这项工作中,我们研究的情况下,空中机械手应移交一个包裹从移动的移动机器人在时间最优的方式。而不是手动设置的方法轨迹,这使得它很难确定最佳的总旅行时间,以完成动态限制内所需的任务,我们提出了一个优化框架,它结合了离散力学和互补约束(DMCC)在一起。在所提出的框架中,系统动力学约束与离散变分拉格朗日力学,提供可靠的估计结果,也根据我们的实验。切换机会是基于期望的互补性约束自动确定和布置的。最后,通过数值仿真和硬件实验验证了所提出框架的性能。
2022-09-01 cs.RO
Communication and Energy-Aware Multi-UAV Coverage Path Planning for Networked Operations
Department of Electrical Engineering, Indian Institute of Technology Kanpur(电子工程系,印度理工学院坎浦尔)
针对需持续通信的多无人机覆盖任务,提出通信与能量感知的mCPP方法,通过优化能量与连通半径组合生成路径,仿真与三机实验验证有效,通信范围匹配度达99%。
2025-04-21 cs.RO
High-Speed Motion Planning for Aerial Swarms in Unknown and Cluttered Environments
Ecole Polytechnique Federale de Lausanne (EPFL)(洛桑联邦理工学院)
本研究针对未知杂乱环境下无人机集群的高速协同飞行需求,提出首个考虑未知环境的去中心化同步运动规划框架HDSM,在成功率、速度和耗时上均优于现有方法,并通过纳米无人机完成概念验证。
2024-07-12 cs.RO
Configuration-Space Flipper Planning for Rescue Robots
ShanghaiTech University(上海科技大学)
对于救援机器人,Flipper赋予机器人通过各种地形的额外能力。自主运动变得更加重要。在最近的工作中,自治是通过与几个特殊状态的规划或基于收集的数据来完成的。我们正在考虑是否有可能找到一种方法来建立连续状态,而无需收集旧的踪迹数据。在本文中,我们首先建模的可能状态作为一个全局规划路径与参数配置的场景。然后,我们遵循路径实现自主运行。我们绘制了每个路径点的形态来显示路径的正确性,并在真实机器人上实现了一个简单的路径跟踪,以证明我们的算法的性能。
2019-05-09 cs.RO
MPPI-based Informative Trajectory Planning for Search and Capture of Drifting Targets with ASVs
Norwegian University of Science and Technology (NTNU)(挪威科技大学);TU Delft(代尔夫特理工大学)
针对自主水面艇在动态环境中搜索并捕获多个漂移目标的问题,提出一种基于模型预测路径积分(MPPI)控制的混合规划框架,通过优化长时域连续轨迹平衡搜索与跟踪,并在拦截阶段切换至纯追踪制导,实验验证了有效性。
2026-10-27 cs.RO
Model Predictive Fuzzy Control: A Hierarchical Multi-Agent Control Architecture for Outdoor Search-and-Rescue Robots
Department of Control and Operations, Delft University of Technology(控制与运营系,代尔夫特理工大学)
本文提出模型预测模糊控制(MPFC)架构,将集中式MPC与局部FLC相结合,用于多机器人搜救任务规划,在保持与集中式MPC相当性能的同时显著降低计算资源需求。
2025-05-06 cs.RO cs.SY eess.SY
An Improved Grey Wolf Optimizer Inspired by Advanced Cooperative Predation for UAV Shortest Path Planning
Xi’an Jiaotong-Liverpool University(西交利物浦大学);Guilin University of Electronic Technology(桂林电子科技大学)
本文提出融合先进协同捕猎与透镜对立学习策略的改进灰狼优化器IGWO,在基准函数上性能排名第一,并在无人机最短路径规划中平均路径长度优于GWO、PSO和WOA。
2025-06-04 cs.RO
Motion Planning and Tracking Control of Unmanned Underwater Vehicles: Technologies, Challenges and Prospects
University of Guelph(圭尔夫大学)
无人水下航行器(UUV)的运动规划与跟踪控制技术是实现UUV高效、鲁棒导航的基础,对于水下救援、设施维护、海洋资源勘探、水上娱乐等具有重要意义。UUV运动规划与跟踪控制的研究在国内外得到了迅速发展。多UUV系统的任务分配、UUV路径规划和UUV轨迹跟踪。本文对UUV的运动规划和跟踪控制的传统技术和智能技术进行了全面的综述。这些不同的方法在文献中的优点和缺点的分析。最后,展望了UUV运动规划和跟踪控制的发展前景。
2022-07-10 cs.RO cs.SY eess.SY
VIP: Variation-based Iterative-learning Planning for Robotic Navigation
School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院);Tianmushan Laboratory, Beihang University(北京航空航天大学天目山实验室)
该研究针对机器人导航规划的计算成本问题,提出VIP框架,通过变分迭代学习优化规划命令,在单/多机器人场景中高效生成并改进运动规划,兼具有效性与可扩展性。
2026-08-26 cs.RO
Safety Assurance for Quadrotor Kinodynamic Motion Planning
Department of Mechanical and Aerospace Engineering, University of Houston, Houston TX, 77004 USA(机械与航空航天工程系,休斯顿大学,休斯顿 TX,77004 USA)
针对动力学运动规划可能违反系统安全运行约束的问题,本文提出运行时安全保障方法,结合基于采样的几何规划器与LQR控制输入安全滤波器,并在Crazyflie 2.0三维仿真中验证。
2025-07-23 cs.RO
Toward Integrating Semantic-aware Path Planning and Reliable Localization for UAV Operations
School of Information Science, Japan Advanced Institute of Science and Technology(日本先进科学技术学院信息科学部);University of Engineering and Technology, Vietnam National University Hanoi(越南国家大学河内工程技术大学)
本文提出一种利用语义分割信息进行路径规划的系统,通过实时分割架构和关键帧决策流水线优化图像输入,结合基于DWA的分层规划器,在Unity模拟环境中验证了该方法能显著提升无人机在无纹理区域定位的可靠性和效率。
2024-11-04 cs.RO
DIFF-IPPO: Diffusion-Based Informative Path Planning with Open-Vocabulary Belief Maps
Intelligent Space Robotics Laboratory, CDE, Skoltech(智能空间机器人实验室,CDE,斯科尔科沃科学技术研究院)
提出DIFF-IPPO框架,结合开放词汇信念地图生成器与扩散规划器,在非高斯信念图上生成全局轨迹,实现高效目标搜索,检测得分达81.49%-86.55%。
2026-06-19 cs.RO
Quadrupedal Footstep Planning using Learned Motion Models of a Black-Box Controller
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院);University of Bonn(波恩大学)
本研究提出一种快速局部运动规划流水线,通过学习黑盒行走控制器的运动模型并结合A star算法变体,使四足机器人能够基于视觉信息安全自主地穿越崎岖地形。
2025-01-29 cs.RO
Humans plan for the near future to walk economically on uneven terrain
University of Calgary(卡尔加里大学)
人类在不平坦的地形上行走时,步态会出现微小的波动。波动偏离了稳定的,能量最小化的水平行走模式,没有明显的组织。但人类在行走时经常向前看,并可能计划地形的预期波动。只有当这种规划服务于某种客观目的时才是明智的,例如保持恒定的速度或减少能源消耗,这在有限的规划能力内也是可以实现的。在这里,我们表明,人类计划和执行最佳控制策略在不平坦的地形。他们不是保持恒定的速度,而是有目的地进行预期的速度调整,以最大限度地减少能量消耗。一个简单的最优控制模型预测经济的速度波动,与人类(N = 12)在七种不同地形剖面上行走的实验(与模型ro=0.55+-0.11,P<0.05所有地形)吻合得很好。参与者在每个地形特征前大约6到8步开始进行可重复的速度波动(每步最多+-7.5厘米的高度差,最多16个连续的特征)。更近的特征更重要,因为能量随着每一次与地面的碰撞而消散,阻止了动量无限期地持续下去。因此,一个有限的连续展望视野和电机工作空间足以对任何长度的地形进行实际优化。人类在不久的将来会行走,以规划复杂的最佳控制序列。
2022-11-24 cs.RO cs.SY eess.SY
PolyFly: Polytopic Optimal Planning for Collision-Free Cable-Suspended Aerial Payload Transportation
University of California Berkeley, Department of Electrical Engineering and Computer Sciences(加州大学伯克利分校电子工程与计算机科学系);Worcester Polytechnic Institute, Robotics Engineering(沃思黑德技术学院机器人工程)
PolyFly通过多面体最优规划实现无碰撞缆悬空空载运输,提升飞行效率和环境适应性。
2026-01-19 cs.RO
From Forecasting to Planning: Policy World Model for Collaborative State-Action Prediction
Dalian University of Technology(大连理工大学)
本文提出策略世界模型(PWM),通过整合世界建模与轨迹规划,并利用无动作未来状态预测提升规划性能,实现更可靠的自主驾驶决策。
2025-11-25 cs.AI cs.CL cs.CV
Scalable Rao-Blackwellized Online Planning for High-Dimensional POMDPs
University of Colorado Boulder(科罗拉多大学博尔德分校);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本研究扩展RB-POMDP框架,采用混合连续-离散信念表示,结合FastSLAM 2.0,在机器人搜救任务中实现高维POMDP下的高效在线规划,性能优于纯采样方法。
2026-09-02 cs.AI cs.RO
Task Allocation for Multi-Robot Task and Motion Planning: a case for Object Picking in Cluttered Workspaces
Department of Informatics, Bioengineering, Robotics, and Systems Engineering, University of Genoa(热那亚大学信息学、生物工程、机器人与系统工程系)
我们提出了一个与/或图为基础的,集成的多机器人任务和运动规划的方法,(一)执行任务分配协调活动的一个给定数量的机器人,(ii)是能够处理任务,涉及一个先验未知数量的对象重新安排,如那些参与检索对象从杂乱的机器人。例如,在搜索和救援场景中,当定位/拾取杂乱的感兴趣对象时,可能会出现这种情况。相应的问题属于杂乱规划的范畴。在杂波中进行规划时的挑战之一是,通常事先不知道拾取目标对象所需的对象重新布置的数量。此外,这样的任务可以以各种方式分解,因为不同的杂乱对象重新布置可能到达目标对象。在我们的方法中,任务分配和分解是通过最大化的组合效用函数。分配的任务由一个集成的任务和运动规划器,这是强大的要求未知数量的重新安排任务。我们证明了我们的结果与实验模拟两个FrankaReplika机械手。
2021-10-08 cs.AI cs.RO
Continuous World Coverage Path Planning for Fixed-Wing UAVs using Deep Reinforcement Learning
TUM School of Engineering and Design, Technical University of Munich(慕尼黑技术大学工程与设计学院);Dept. of Electrical Engineering and Computer Sciences, University of California, Berkeley(加州大学伯克利分校电气工程与计算机科学系)
针对固定翼无人机在连续环境中的覆盖路径规划问题,提出基于AM-SAC与自适应课程的深度强化学习方法,以学习节能且满足曲率约束的完整覆盖策略。
2025-05-13 cs.LG cs.RO cs.SY
MARLander: A Local Path Planning for Drone Swarms using Multiagent Deep Reinforcement Learning
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
本文提出MARLander方法,利用多智能体深度强化学习实现无人机集群在静止与移动平台上的精准降落,实验表明其精度优于PID结合人工势场的基线方法,并展示了去集中化的可扩展应用前景。
2024-06-06 cs.MA cs.RO
A Multi-Robot Task Assignment Framework for Search and Rescue with Heterogeneous Teams
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);Richard Miner School of Computer and Information Sciences(理查德·迈纳计算机与信息科学学院)
本文提出多阶段多机器人任务分配框架,整合侦察、任务分配与路径规划,结合机器人能力、受害者需求和历史表现优化分配,在四张地图上相比基线实现97%的性能提升。
2023-09-22 cs.RO
RESenv: A Realistic Earthquake Simulation Environment based on Unreal Engine
Royal College of Art(皇家艺术学院);Imperial College London(伦敦帝国理工学院)
本文提出基于虚幻引擎混沌物理系统的地震模拟环境RESenv,整合真实地震波形数据,提供高逼真视觉与实时交互,优于传统方法,并通过相似性检测、路径规划和图像分割三个AI任务验证其有效性。
2023-11-13 cs.CE cs.RO
A Quantum Computing Approach for Multi-robot Coverage Path Planning
针对NP难的多机器人覆盖路径规划问题,提出可与量子启发式算法QAOA集成的二维网格路径探索方法,含目标函数设计、理论证明等五项贡献,为量子计算优化多机器人路径规划奠基。
2024-07-11 cs.ET cs.RO quant-ph
Optimal Solving of Constrained Path-Planning Problems with Graph Convolutional Networks and Optimized Tree Search
Safran Electronics & Defense(赛峰电子与防务公司);LAMSADE, Paris-Dauphine University(巴黎多芬大学LAMSADE实验室);CREC Saint-Cyr, Coetquidan School Campus(圣西尔军校科埃基当校区研究中心)
基于深度学习的方法在规划方面越来越重要。在本文中,我们提出了一种混合规划器,结合了图机器学习模型和基于分支和边界树搜索的路径规划任务的最佳求解器。更具体地,使用图神经网络来辅助分支定界算法处理与期望解路径相关联的约束。有多个下游实际应用,例如自主无人地面车辆(AUGV),通常部署在救灾或搜索和救援行动中。在越野环境中,AUGV必须在各种操作约束下动态优化源-目的地路径,其中一些操作约束难以提前预测并且需要在线解决。我们进行实验,现实的情况下,并表明,图神经网络的支持,使大量的加速和更平滑的扩展到更难的路径规划问题。此外,由图神经网络提供的信息使该方法能够优于特定问题的手工算法,突出了潜在的图神经网络持有的路径规划任务。
2022-04-03 cs.AI cs.LG cs.RO
3D Trajectory Planning for UAV-based Search Missions: An Integrated Assessment and Search Planning Approach
KIOS Research and Innovation Centre of Excellence(KIOS卓越研究与创新中心);University of Cyprus(塞浦路斯大学)
在自然和人为灾害期间,在具有挑战性和复杂的环境中有效规划和执行搜索任务的能力至关重要。在许多紧急情况下,障碍物之间的精确导航和围绕3D结构的高效搜索对于寻找幸存者至关重要。在这项工作中,我们提出了一个综合的评估和搜索规划方法,它允许一个自主的无人机(无人机)代理计划和执行无碰撞搜索轨迹在3D环境中。更具体地说,拟议的搜索规划框架旨在整合和自动化前两个阶段(即,评估阶段和搜索阶段)。在第一阶段,称为评估规划,我们的目标是找到一个高层次的评估计划,无人机代理可以执行,以访问一组兴趣点。该阶段生成的计划引导UAV飞越感兴趣的物体,从而提供对当前情况的第一次评估。在第二阶段,称为搜索规划,UAV轨迹被进一步微调以允许UAV在3D中搜索(即,在所有面)幸存者感兴趣的对象。所提出的方法的性能证明通过广泛的仿真分析。
2023-02-24 cs.RO cs.SY eess.SY
Simulation Analysis of Exploration Strategies and UAV Planning for Search and Rescue
University of Turku(图尔库大学)
本文针对无人机搜索与救援中最优飞行模式设计难题,开发了基于ROS、Gazebo、PX4和YOLO的仿真环境,用于模拟不同SAR场景并评估飞行任务在最短时间内实现高召回率检测遇险者的效率。
2023-04-11 cs.RO
Enhanced UAV Path Planning Using the Tangent Intersection Guidance (TIG) Algorithm
Journal of Automation, Mobile Robotics and Intelligent Systems(自动化、移动机器人与智能系统杂志)
本文提出TIG算法,通过椭圆切线交点方法生成可行路径,结合启发式规则和二次贝塞尔曲线平滑技术,在静态和动态环境中实现高效安全的无人机路径规划。
2025-08-26 cs.CV cs.RO
Dynamic UGV-UAV Cooperative Path Planning in Uncertain Environments
Department of Computer Science, University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校计算机科学系)
本文提出动态UGV-UAV协同路径规划方法,通过无人机动态检测道路以提高地面车辆路径安全性与效率,实验表明双向策略在多数情况下表现最佳,多无人机可减少地面车辆行驶时间但增加计算时间。
2026-04-28 cs.AI cs.RO
GLIDE: A Coordinated Aerial-Ground Framework for Search and Rescue in Unknown Environments
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
提出GLIDE框架,通过两架无人机与一辆无人地面车协同,实现未知环境中的快速受害者定位和障碍物感知导航,利用角色分离和地形侦察提升救援效率。
2026-06-12 cs.RO
Decentralized Multi-Agent Planning for Multirotors: a Fully Online and Communication Latency Robust Approach
针对静态环境中的多旋翼协同,本文提出完全在线、去中心化且对通信延迟鲁棒的时间感知 Safe Corridor 与 MIQP/MPC 规划框架,仿真显示其在安全、鲁棒性、飞行和计算时间上优于现有方法。
2023-04-22 cs.MA cs.RO
Diffusion-Reinforcement Learning Hierarchical Motion Planning in Multi-agent Adversarial Games
Institute of Robotics and Intelligent Machines (IRIM)(机器人与智能机械研究所);Georgia Institute of Technology(佐治亚理工学院)
针对部分可观测多智能体追逃博弈中的规避目标运动规划问题,提出融合高层扩散模型与低层强化学习策略的分层架构,显著提升探测率、目标到达率及策略可解释性、灵活性与效率。
2025-05-08 cs.LG cs.MA cs.RO
Smooth Computation without Input Delay: Robust Tube-Based Model Predictive Control for Robot Manipulator Planning
Tsinghua University(清华大学);University of Hamburg(汉堡大学)
针对 MPC 在线求解 OCP 导致的输入延迟,本文提出基于后继状态预测和误差上界线性化的鲁棒管式 MPC,并通过仿真与真实机械臂任务验证其性能及最高 90% 的响应提速。
2024-05-08 cs.RO cs.SY eess.SY
A Real-Time Framework for Intermediate Map Construction and Kinematically Feasible Off-Road Planning Without OSM
School of Computer Science, University of Lincoln, United Kingdom(林肯大学计算机科学学院);Center of Autonomous Technologies, Innopolis University, Innopolis, Russia(伊诺波利斯大学自主技术中心)
针对越野环境自主导航的传统全局路径规划实时性差、运动学不可行、内存效率低的问题,提出一种构建含地理特征的中间地图、分三步求解的规划框架,在数平方公里地图上1.5秒即可生成可行路径,适用于搜救、农业等多类越野导航任务。
2025-10-04 cs.RO cs.SY eess.SY
Structural Induced Exploration for Balanced and Scalable Multi-Robot Path Planning
Department of Artificial Intelligence, School of Electronics Engineering, Kyungpook National University(人工智能系,电子工程学院,韩国庆北国立大学);Department of IT Convergence Engineering, Kumoh National Institute of Technology(IT融合工程系,木谷国立技术学院)
本文提出一种结构诱导探索框架,通过整合结构先验和负载感知目标,提升多机器人路径规划的效率与负载平衡能力。
2025-12-25 cs.AI cs.RO
Situational Adaptive Motion Prediction for Firefighting Squads in Indoor Search and Rescue
针对室内搜救消防场景中的遮挡与人机协作需求,提出按房间图规划并结合改进有向社会力模型的小队运动预测流程,且基于真实影像数据集验证可行性与计算效率。
2023-06-05 cs.RO
On the Application of Model Predictive Control to a Weighted Coverage Path Planning Problem
针对加权覆盖路径规划问题,提出带覆盖约束的新型模型预测控制方法,结合TSP启发式初始化可提升效果,仿真验证其性能优于朴素MPC。
2025-10-01 cs.MA cs.RO cs.SY
Optimizing Search and Rescue UAV Connectivity in Challenging Terrain through Multi Q-Learning
School of Electronic and Electrical Engineering, University of Leeds(利兹大学电子与电气工程学院);College of Electronics Engineering, Ninevah University(尼尼微大学电子工程学院)
针对搜救无人机在复杂地形中需兼顾导航与通信的问题,提出基于多Q学习的双智能体方案,经模拟验证可在不同障碍密度和频段下实现有效导航与最优连通,提升搜救无人机自主性与通信可靠性。
2024-05-16 cs.RO
Planning and Control of Uncertain Cooperative Mobile Manipulator-Endowed Systems under Temporal-Logic Tasks
KTH Royal Institute of Technology(KTH皇家理工学院);School of Electrical Engineering and Computer Science(电气工程与计算机科学学院)
多智能体系统的控制和规划是一个活跃的和越来越多的研究课题,有许多实际应用,如救援任务,安全,监视和运输。本论文主要研究多智能体系统在时序逻辑任务下的规划与控制。所考虑的系统涉及复杂的,机器人,机械手赋予系统,可以协调,以执行复杂的任务,包括对象操作/运输。出于现实生活中的场景,我们考虑到高阶动态模型的不确定性和未知的干扰。我们的方法是基于多代理系统,智能控制理论,合作对象操作,多代理对象系统的离散抽象设计,和正式验证等领域的工具的集成。论文的第一部分致力于设计连续控制协议的合作对象的操作/运输由多个机器人代理,刚性合作操作方案的关系,多智能体形成。在论文的第二部分中,我们开发了控制方案的多智能体复杂系统的不确定动态的连续协调,专注于多智能体导航与碰撞规范在障碍物杂乱的环境。论文的第三部分主要研究了多智能体和多智能体对象系统的规划和控制问题,这些系统的复杂任务用时序逻辑公式表示。论文的第四部分也是最后一部分重点讨论了单智能体设置的几个扩展方案,例如定时时间任务下的运动规划和未知系统的渐近参考跟踪,同时尊重漏斗约束。
2023-03-02 cs.RO cs.SY eess.SY
Learning-based Preference Prediction for Constrained Multi-Criteria Path-Planning
Safran Electronics & Defense(赛峰电子与防务公司);LAMSADE, Université Paris-Dauphine(巴黎第九大学LAMSADE实验室);CREC, Ecoles de Saint-Cyr Coëtquidan(圣西尔军校CREC中心)
基于学习的搜索算法在单准则优化问题中越来越受欢迎。相比之下,对于多准则优化,尽管存在许多应用程序,但方法明显较少。自主地面车辆(AGV)的约束路径规划就是这样一种应用,其中AGV通常部署在越野环境中的救灾或搜索和救援应用中。智能体可能面临以下困境:根据一个已知的标准和一个不确定的标准下的操作约束优化的源-目的地路径。已知的标准与路径的成本相关联,表示距离。不确定性标准表示在不需要人为干预的情况下驾驶通过路径的可行性。它取决于各种外部参数,如车辆的物理特性,探索地形或天气条件的状态。在这项工作中,我们利用离线模拟获得的知识,通过训练神经网络模型来预测不确定的标准。我们将此模型集成到一个路径规划器中,可以在线解决问题。最后,我们进行了实验,现实的AGV方案,这表明,所提出的框架需要人为干预的频率较低,交易的路径距离有限的增加。
2021-08-02 cs.AI cs.LG cs.RO
Finding Biomechanically Safe Trajectories for Robot Manipulation of the Human Body in a Search and Rescue Scenario
University of California San Diego(加州大学圣地亚哥分校)
针对搜救中重新摆放无意识伤员肢体的需求,本文提出考虑机器人—人体耦合动力学与生物力学约束的轨迹规划优化方法,并经多场景及真人机器人实验验证。
2023-09-26 cs.RO