Terrain parameter estimation from proprioceptive sensing of the suspension dynamics in offroad vehicles
Clemson University（克莱姆森大学）
越野车辆运动必须应对不平坦和不确定的地形，这对有人驾驶和无人驾驶地面车辆的路径规划和运动控制提出了挑战。地形特性的知识可以允许车辆调整其控制和运动规划算法。然而，地形属性可能会在几天甚至几小时的时间尺度上发生变化，因此需要对其进行在线估计。运动学，特别是越野车辆经历的振荡，带有地形特性的特征。因此，这些地形特性可以利用适当的模型和估计算法从车辆动力学的本体感受感测来估计。在本文中，我们表明，由于其悬挂的车辆的垂直动力学的知识，可以更快，更准确地估计地形参数。本文考虑了一个五自由度的模型，结合了众所周知的半车和自行车模型。我们通过仿真表明，下沉指数，一个参数，可以显着影响车轮的力量，从地形，从而极大地影响车辆的轨迹，可以估计从测量车辆的线加速度和旋转速度，这可以很容易地从车载IMU。我们表明，建模的垂直车辆动力学可以导致显着改善的地形参数的估计和车辆轨迹的预测。
2022-02-09 cs.RO cs.SY eess.SP
Attention-Based Map Encoding for Learning Generalized Legged Locomotion
Robotic Systems Lab, ETH Zurich（埃因斯坦理工大学机器人系统实验室）；Disney Research Zurich（迪士尼研究扎赫夫）
针对足式机器人动态运动的挑战，提出基于注意力的地图编码方法，以机器人本体感受为条件，用强化学习训练端到端控制器，实现多样地形鲁棒精确运动，还可解释神经网络地形感知，在四足和人形机器人上验证有效。
2025-06-11 cs.RO
STANCE: Locomotion Adaptation over Soft Terrain
Istituto Italiano di Tecnologia (IIT)（意大利理工学院）
全身控制（WBC）已成为足式机器人运动控制的一个重要框架。然而，大多数WBC框架未能推广到刚性地形之外。腿运动软地形是困难的，由于存在未建模的接触动力学，白细胞不占。这在运动中引入了不确定性，并影响系统的稳定性和性能。在本文中，我们提出了一种新的软地形适应算法称为STANCE：软地形适应和顺应性估计。STANCE由一个WBC和一个在线地形顺应性估计器组成，WBC利用地形知识生成接触一致的最佳解决方案，在线地形顺应性估计器为WBC提供地形知识。我们在液压驱动四足（HyQ）机器人的仿真和实验中验证了STANCE，并将其与最先进的WBC进行了比较。我们展示了STANCE在不同顺应性、攻击性机动、不同前进速度和外部干扰的多种地形下的能力。STANCE允许HyQ在线适应具有不同顺应性（刚性和柔性）的地形，而无需预先调整。HyQ能够成功地处理不同地形之间的过渡，并显示出区分每只脚下的顺应性的能力。
2019-11-04 cs.RO
Learning-based Uncertainty-aware Navigation in 3D Off-Road Terrains
Ulsan National Institute of Science and Technology（蔚山国立科学技术院）
提出了一种安全、高效、灵活的三维越野地形环境下地面车辆导航算法。越野导航受制于由3D地形拓扑之上的不同地形条件引起的不确定的车辆-地形交互。现有的工作局限于采用过于简化的车辆-地形模型。该算法从驾驶数据中学习地形引起的不确定性，并将学习到的不确定性分布编码到路径评估的可通行性成本中。然后，导航路径的设计，以优化不确定性感知的可通行性成本，从而在一个安全和敏捷的车辆机动。在保证实时性的前提下，该算法在图形处理器（GPU）上运行的并行计算架构中进一步实现。
2022-09-19 cs.RO cs.SY eess.SY
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
Material Recognition CNNs and Hierarchical Planning for Biped Robot Locomotion on Slippery Terrain
Waseda University（早稻田大学）；Waseda Institute for Advanced Study（早稻田大学高等研究所）；Humanoid Robotics Institute (HRI)（仿人机器人研究所）
在本文中，我们解决了视觉预测不同表面的环境中的表面摩擦力的问题，并将这些知识集成到机器人运动规划。这个问题对于自主机器人运动至关重要，因为现实世界中存在大量具有不同摩擦力的不同表面，从木材到瓷砖，草或冰，如果不考虑这些表面，可能会给机器人运动带来困难或巨大的能源成本。我们建议使用卷积神经网络，连同与每种材料相关的摩擦的概率分布函数，从材料类别的视觉估计来估计摩擦及其不确定性。然后，我们鲁棒地将摩擦预测集成到使用机会约束的分层（脚步和全身）规划方法中，并在规划方法的两个级别上优化相同的轨迹成本以实现一致性。我们的解决方案实现了在光滑地形上的完全自主感知和运动，不仅考虑了摩擦及其不确定性，还考虑了碰撞，稳定性和轨迹成本。我们在户外场景的真实图片中显示出有前途的摩擦预测结果，并在一个真正的机器人面对不同摩擦的表面上进行规划实验。
2017-06-27 cs.CV cs.RO
Close-Proximity Underwater Terrain Mapping Using Learning-based Coarse Range Estimation
Queensland University of Technology（昆士兰科技大学）；The Australian Institute of Marine Science（澳大利亚海洋科学研究所）
提出了一种新的方法，水下地形映射的自主水下航行器（AUV）在接近复杂的三维环境中工作。所提出的方法创建一个概率高程地图的地形使用单目图像学习为基础的场景范围估计器作为传感器。该场景范围估计器可以过滤诸如鱼和照明变化的瞬态对象。该映射方法考虑了AUV在环境中移动时估计的场景范围和机器人姿态的不确定性。由此产生的海拔地图可以用于反应路径规划和避障，以允许机器人系统尽可能接近水下地形。我们的方法的性能进行评估，在模拟的水下环境中重建的地形地面真相参考地图进行比较，以及证明使用AUV现场数据收集在珊瑚礁环境中。仿真和外场实验结果表明，该方法在礁石环境中利用单目摄像机进行障碍物检测和距离估计是可行的。
2020-03-23 cs.RO
Probabilistic Traversability Model for Risk-Aware Motion Planning in Off-Road Environments
Massachusetts Institute of Technology（麻省理工学院）；Northeastern University（东北大学）；DEVCOM Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）
本文提出一种基于独轮车动力学牵引参数经验分布的概率可通行性模型，通过风险感知成本公式和密度估计器检测不可靠地形，提升了越野导航在未知环境中的成功率与效率。
2023-07-31 cs.RO cs.SY eess.SY
PPMC RL Training Algorithm: Rough Terrain Intelligent Robots through Reinforcement Learning
Tohoku University（东北大学）
机器人现在可以学习如何做出决定和控制自己，将学习到的行为推广到看不见的场景。特别是，由于环境的不确定性，人工智能驱动的机器人在月球表面等恶劣环境中显示出希望。我们解决这个关键的泛化方面的机器人运动在崎岖的地形，通过我们已经创建了一个训练算法，称为路径规划和运动控制（PPMC）训练算法。该算法与任何通用的强化学习算法相结合，以教会机器人如何响应用户命令并在单个神经网络上行进到指定位置。在本文中，我们表明，该算法的工作原理独立的机器人结构，证明它的工作原理在轮式漫游车除了过去的结果在四足步行机器人。此外，我们通过引入粗糙的高度不平坦的地形，向现实世界的实用性迈出了几大步。关键的是，我们通过实验表明，机器人学会推广到新的粗糙地形地图，保持100%的成功率。据我们所知，这是第一篇论文介绍了一个通用的训练算法教学广义PPMC在粗糙的环境中的任何机器人，只是使用强化学习。
2020-03-13 cs.AI cs.LG cs.RO
Adaptive Force-Based Control of Dynamic Legged Locomotion over Uneven Terrain
University of Southern California（南加州大学）
本文提出一种将自适应控制融入基于力控制器的四足机器人方法，以应对模型不确定性与未知地形冲击，使Unitree A1能承载高达自重50%的负载并在崎岖地形上动态小跑、跳跃。
2024-04-07 cs.RO
Adaptive Legged Locomotion via Online Learning for Model Predictive Control
Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）；Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）
该研究提出了一种通过在线学习和模型预测控制实现自适应四肢运动的算法，能够处理未知负载和不规则地形下的复杂任务。
2025-11-30 cs.RO cs.SY eess.SY
Safety-critical Motion Planning for Collaborative Legged Loco-Manipulation over Discrete Terrain
University of Southern California（南加州大学）
本研究提出一种基于全局与去中心化模型预测控制及自适应全身控制器的安全运动规划方法，解决腿足机器人在离散地形上协同操作未知载荷并避障的问题，并在仿真与硬件实验中验证了其有效性。
2024-10-14 cs.RO
Trajectory Optimization under Contact Timing Uncertainties
Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）；Technical University of Munich（慕尼黑工业大学）
本文针对机器人接触时机不确定性问题，提出一种将随机最优控制转化为确定性非线性规划的鲁棒控制方法，避免互补约束和组合爆炸，并在仿真中验证了其鲁棒性。
2024-10-18 cs.RO
Deep Probabilistic Traversability with Test-time Adaptation for Uncertainty-aware Planetary Rover Navigation
Keio University（庆应义塾大学）；OMRON SINIC X Corporation（欧姆龙 SINIC X 公司）
本文提出深度概率可通行性框架，将不确定性量化、利用与自适应统一到端到端概率机器学习模型中，直接预测滑移分布并用于路径规划，通过现场经验自适应减少不确定性，在行星类比地形仿真中实现了比现有方法更鲁棒的导航。
2024-09-01 cs.RO
Modeling, simulation, and optimization of a monopod hopping on yielding terrain
Northwestern University（西北大学）
可变形地形上的腿运动是一个具有挑战性和开放性的机器人物理问题，因为地面变形引起的地形动力学的不确定性使动力学建模和控制方法变得复杂。此外，学习如何（例如什么控制和机制）在软地面上有效和稳定地移动是一个更大的问题。本工作旨在控制一个一维单足料斗跳到所需的高度。为了实现这一目标，我首先建立并验证了一个基于离散元法（DEM）的软基模拟环境的球形粒状材料。有了这个仿真环境，我生成基于阻力理论（RFT）的地面反作用力模型。然后，我使用RFT模型开发了一个前馈力控制的机器人。在DEM模拟中，我使用反馈控制来补偿RFT模型预测的地面反作用力的变化。通过反馈控制，机器人能够很好地跟踪期望的轨迹，并在五跳后到达期望的高度。它比纯前馈控制减少了很多顶点位置误差。我还将机器人平方英尺的面积从1平方厘米改为49平方厘米。反馈控制器能够处理地面反作用力波动，即使当脚的尺寸是颗粒直径的数量级。
2021-10-28 cs.RO
Teacher Motion Priors: Enhancing Robot Locomotion over Challenging Terrain
University of Chinese Academy of Sciences（中国科学院大学）；Chinese Academy of Sciences（中国科学院）；Beijing Zhongke Huiling Robot Technology Co., LTD（北京中科创联机器人技术有限公司）
本文提出基于师生范式的 Teacher Prior Framework，通过模仿与辅助任务学习，并利用生成对抗机制将特权信息训练的教师运动分布迁移至仅依赖带噪声本体感受的学生策略，显著提升了人形机器人在挑战性地形上的运动稳定性并降低了开发成本。
2025-06-25 cs.AI cs.RO
PUTN: A Plane-fitting based Uneven Terrain Navigation Framework
Tsinghua University（清华大学）；Harbin Institute of Technology（哈尔滨工业大学）；Southern University of Science and Technology（南方科技大学）
地面机器人的自主导航在室内结构化二维环境中得到了广泛的应用，但在室外三维非结构化环境中，尤其是在粗糙不平的地形中，仍然存在许多挑战。提出了一种基于平面拟合的不平坦地形导航框架（PUTN）。PUTN的实施分为三个步骤。首先，在快速探索随机树（RRT）的基础上，提出了一种改进的基于样本的平面拟合RRT*（PF-RRT*）算法来获得稀疏轨迹。每个采样点对应于点云上的自定义遍历性指数和拟合平面。这些平面串联连接以形成可横穿的条带。其次，高斯过程回归被用来生成密集轨迹的遍历性从稀疏轨迹内插，采样树被用作训练集。最后，使用非线性模型预测控制（NMPC）进行局部规划。通过在代价函数中加入可通过性指标和不确定性，在约束函数中加入由实时点云生成的障碍物，得到了一种速度平稳、鲁棒性强的安全运动规划算法。在真实场景中进行了实验，以验证该方法的有效性。现将源代码发布，供社区参考。
2022-09-27 cs.RO
STATE-NAV: Stability-Aware Traversability Estimation for Bipedal Navigation on Rough Terrain
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机械研究所，佐治亚理工学院）
本文提出STATE-NAV框架，通过基于Transformer的神经网络预测双足机器人在粗糙地形中的稳定性，结合分层规划器实现风险感知的导航，提升导航性能和鲁棒性。
2025-12-05 cs.RO
Informative Path Planning for Active Learning in Aerial Semantic Mapping
Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
航空影像的语义分割是测绘和对地观测的重要工具。然而，用于分割的监督式深度学习模型依赖于大量高质量的标记数据，这是劳动密集型的，并且生成耗时。为了解决这个问题，我们提出了一种新的方法，使用无人机（UAV）自动收集有用的数据进行模型训练。我们利用贝叶斯方法来估计模型的不确定性在语义分割。在任务期间，语义预测和模型不确定性被用作地形映射的输入。我们的管道的一个关键方面是将映射模型的不确定性链接到基于主动学习的机器人规划目标。这使我们能够自适应地引导无人机收集信息量最大的地形图像，由人类标记用于模型训练。我们对真实数据的实验评估显示，与静态覆盖路径相比，使用我们的信息规划方法在最大限度地提高模型性能和减少标签工作方面具有优势。
2022-09-02 cs.RO
Reliable Trajectories for Dynamic Quadrupeds using Analytical Costs and Learned Initializations
Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
不平坦地形的动态穿越是腿式机器人领域的主要目标。这些系统的最新模型预测控制方法可以产生短时间的鲁棒动态运动，但是，在较长的时间范围内的规划时，导航复杂的地形可能是必要的。一个最近开发的框架，步行机器人（TOWR）的轨迹优化，计算这样的计划，但不保证他们的可靠性在真实的平台上，在不确定性和扰动。我们扩展TOWR与分析成本生成轨迹，一个国家的最先进的全身跟踪控制器可以成功地执行。为了减少在线计算时间，我们实现了一个基于学习的计划的非线性程序的初始化的基础上离线的经验。一个真正的四足动物在不同地形上执行长达16步和5.5秒的轨迹，证明了该方法在硬件上的有效性。这项工作建立了一个在线系统，可以有效地和强大的重新规划动态轨迹。
2020-02-17 cs.RO
Probabilistic approach to feedback control enhances multi-legged locomotion on rugged landscapes
Institute for Robotics and Intelligent Machines（机器人与智能机器研究所）；Georgia Institute of Technology（佐治亚理工学院）；School of Physic（物理学院）；School of Mechanical Engineering（机械工程学院）
针对多足机器人在崎岖地形运动中提升速度的难题，提出仿生垂直身体波动波方法，并设计基于二值足-地接触传感器的概率控制框架，通过监测接触比率偏差调整身体波，显著提升了运动速度并降低了速度方差。
2025-04-30 cs.RO
Bipedal Safe Navigation over Uncertain Rough Terrain: Unifying Terrain Mapping and Locomotion Stability
Georgia Institute of Technology（佐治亚理工学院）；Kuwait University（科威特大学）
针对不确定崎岖地形下双足机器人导航中地形建图与运动稳定性耦合的问题，提出分层感知运动动力学的采样导航规划器，结合GP地形学习与新轨迹评估指标，在Digit仿真中验证了有效性。
2024-04-15 cs.RO
Locomotion Policy Guided Traversability Learning using Volumetric Representations of Complex Environments
ETH Zürich（苏黎世联邦理工学院）；NVIDIA（英伟达）
尽管腿式机器人运动的进展，自主导航在未知环境中仍然是一个悬而未决的问题。理想情况下，导航系统利用机器人运动能力的全部潜力，同时在不确定性下在安全限制内操作。机器人必须感知和分析周围地形的可通行性，这取决于硬件，运动控制和地形属性。它可能包含有关穿越地形所需的风险、能量或时间消耗的信息。为了避免手工制作的可通行性成本函数，我们建议收集可通行性信息的机器人和运动策略，通过模拟遍历随机生成的地形，使用物理模拟器。成千上万的机器人被模拟并行控制的相同的运动策略在现实中使用，以获得57年的现实世界的运动经验相当于。对于在真实机器人上的部署，稀疏卷积网络被训练来预测模拟的可通行性成本，该可通行性成本是根据所部署的运动策略定制的，来自以3D体素占用图的形式的环境的完全几何表示。这种表示方式避免了对常用高程图的需要，而高程图在存在悬垂障碍物和多层或低天花板的情况下容易出错。通过对足式机器人ANYmal在各种室内和自然环境中的路径规划，验证了所提出的可通过性预测网络的有效性。
2022-08-21 cs.RO
URA*: Uncertainty-aware Path Planning using Image-based Aerial-to-Ground Traversability Estimation for Off-road Environments
Mississippi State University（密西西比州立大学）
本文提出URA*方法，利用集成CNN从航空图像估计非道路可通行性，并通过不确定性感知规划与快速重规划提升自主导航路径质量，在多个数据集上优于传统规划算法。
2023-09-15 cs.AI cs.RO
Covariance Steering for Uncertain Contact-rich Systems
University of California, Los Angeles（加州大学洛杉矶分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
针对随机互补约束的富接触系统，提出结合粒子滤波、机会约束、双层NLP和重要粒子算法的接触感知闭环协方差控制方法。
2023-03-23 cs.RO cs.SY eess.SY
ProTerrain: Probabilistic Physics-Informed Rough Terrain World Modeling
Tampere University（塔尔皮耶大学）；Czech Technical University（捷克技术大学）；University of Tartu（塔尔图大学）；Aalto University（阿尔托大学）
针对越野环境下现有地形不确定性预测方法忽略空间局部相关性的问题，提出ProTerrain概率框架，建模空间相关的地形偶然不确定性并通过可微物理引擎传播，实现高精度高分辨率的概率轨迹预测。
2025-10-22 cs.RO
Real-time Neural Dense Elevation Mapping for Urban Terrain with Uncertainty Estimations
Hong Kong University of Science and Technology（香港科技大学）；Clear Water Bay Institute of Autonomous Driving（清水湾自动驾驶研究院）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深圳研究院）
针对足式机器人等复杂地形下游任务需求，提出带不确定性估计的神经城市场地重建框架，结合新型点云预处理与Bayesian-GAN，实现实时高质量稠密高程建图，经仿真与实机验证可赋能足式机器人相关任务。
2024-03-12 cs.RO
UFO: Uncertainty-aware LiDAR-image Fusion for Off-road Semantic Terrain Map Estimation
Agency for Defense Development（国防发展局）
针对越野环境下语义地形图生成受不确定地形特征限制的问题，提出多尺度LiDAR-图像融合的UFO方法，结合不确定性感知伪标签无需3D标注即可提升BEV地形分类准确率，助力越野自主导航。
2024-03-05 cs.CV cs.RO
Online Friction Coefficient Identification for Legged Robots on Slippery Terrain Using Smoothed Contact Gradients
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））
本文提出一种基于平滑接触梯度的足式机器人滑溜地形在线摩擦系数辨识框架，通过优化残差并引入拒绝方法，在四足机器人KAIST HOUND上实现了快速一致的辨识。
2025-02-24 cs.RO
Terrain Classification Enhanced with Uncertainty for Space Exploration Robots from Proprioceptive Data
German Research Center for Artificial Intelligence（德国人工智能研究中心）；University of Bremen（不来梅大学）；University of Groningen（格罗宁根大学）
本文提出一种基于不确定性量化的神经网络方法，利用本体数据实现可靠的地形分类，以提高空间探索机器人在不可预测环境中的决策可靠性。
2024-07-03 cs.LG cs.RO
Whole-Body Impedance Coordinative Control of Wheel-Legged Robot on Uncertain Terrain
Tencent Robotics X（腾讯Robotics X实验室）；Arizona State University（亚利桑那州立大学）
本文提出一种轮腿人形机器人全身阻抗协调控制框架，采用变阻尼阻抗控制器与全身控制优化的双层策略，集成实时地形估计和无模型摩擦补偿，在复杂地形下保持上半身稳定并成功完成运水任务。
2024-11-15 cs.RO
EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy
Massachusetts Institute of Technology（麻省理工学院）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；Boston Dynamics AI Institute（波士顿动力人工智能研究所）；Northeastern University（东北大学）
EVORA提出统一框架，通过证据深度学习建模牵引力中的偶然与认知不确定性，并规划风险感知轨迹，在仿真及轮式、四足机器人上验证了优于现有方法的越野导航性能。
2024-03-31 cs.LG cs.RO cs.SY
CUTE-Planner: Confidence-aware Uneven Terrain Exploration Planner
Electrical and Computer Engineering and INHA Future Mobility IPCC, Inha University（电气与计算机工程及INHA未来移动IPCC，延世大学）；Department of Mechanical Engineering, Kyung Hee University（机械工程系，庆熙大学）
针对行星探测机器人在复杂地形导航中高程不确定性的问题，提出集成安全路径生成、自适应置信度更新和置信度感知策略的CUTE-Planner，模拟实验中不确定性降低69%、任务成功率100%，提升探索安全性与地图可靠性。
2025-11-17 cs.RO
A Radius of Robust Feasibility Approach to Directional Sensors in Uncertain Terrain
Department of Mathematics, Indian Institute of Technology Kharagpur（印度理工学院Kharagpur数学系）
本文提出一种基于鲁棒可行性半径的方法，通过分布式贪心算法增强方向传感器网络的覆盖能力，提供精确公式并验证其在动态环境中的适应性与实用性。
2026-05-11 cs.RO math.OC
NAUTS: Negotiation for Adaptation to Unstructured Terrain Surfaces
Colorado School of Mines（科罗拉多矿业学院）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
当机器人在具有非结构化地形的真实越野环境中运行时，调整其导航策略的能力对于有效和安全的导航至关重要。然而，越野地形给机器人导航带来了一些挑战，包括动态障碍物和地形不确定性，导致低效的穿越或导航失败。为了解决这些挑战，我们引入了一种新的方法，通过协商，使地面机器人调整其导航行为，通过协商过程的适应。我们的方法首先学习各种导航策略的预测模型，以作为地形感知的联合本地控制器和规划器。然后，通过一个新的协商过程，我们的方法从各种政策与环境的相互作用中学习，以在线方式商定最佳的政策组合，使机器人导航适应非结构化的越野地形。此外，我们实现了一个新的优化算法，提供了最佳的解决方案，在执行过程中的实时机器人谈判。实验结果验证了我们的方法适应协商优于以前的方法，机器人导航，特别是在看不见的和不确定的动态地形。
2022-07-28 cs.RO
Fully-probabilistic Terrain Modelling with Stochastic Variational Gaussian Process Maps
Swedish Maritime Robotics Centre（瑞典海事机器人中心）；KTH Royal Institute of Technology（瑞典皇家理工学院）
高斯过程（GPS）正在成为一个标准的工具，建立地形表示感谢他们的能力，以模拟地图的不确定性。这有效地产生了一个可靠性措施的地区的地图，这可以直接利用贝叶斯过滤算法在机器人定位问题。一个关键的见解是，这种不确定性可以通过GPS对不确定输入（UI）进行训练的能力，将地形测量过程中固有的噪声纳入其中。然而，以易于处理的方式构建具有UI的GP映射的现有技术在输入噪声的形式和程度上受到限制。在这封信中，我们提出了一个灵活而有效的框架，建立大规模的GP地图与UI的基础上随机变分GP和蒙特卡洛抽样的UI分布。我们验证我们的映射方法上收集的大型水深测量与AUV和分析其性能对使用确定性输入（DI）。最后，我们将展示如何使用UI SVGP地图产生更准确的粒子滤波器定位结果比DI SVGP在一个真正的AUV任务在一个完全预测的区域。
2022-03-21 cs.RO
Optimizing Terrain Mapping and Landing Site Detection for Autonomous UAVs
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
下一代火星旋翼飞行器需要机载自主避险着陆。为此，这项工作提出了一个系统，执行连续的多分辨率高度图重建和安全着陆点检测。结构从运动测量聚合在一个金字塔结构，使用一种新的最佳混合高斯公式，提供了一个全面的不确定性模型。我们的多分辨率金字塔比过去的工作更有效，更准确地建立解耦金字塔填充从不同分辨率的测量更新。为了检测最安全的着陆位置，经过优化的危险分割，我们使用多个距离变换峰的均值漂移算法来考虑地形的粗糙度和不确定性。我们的贡献的好处是真实的和合成的飞行数据进行评估。
2022-05-07 cs.CV cs.RO
Adaptive Model Prediction Control-Based Multi-Terrain Trajectory Tracking Framework for Mobile Spherical Robots
Zhejiang University（浙江大学）
针对移动球形机器人现有轨迹跟踪框架因运动动力学不确定性无法适配多复杂地形的问题，研究团队改进分层框架，提出带变步长权重更新的自适应RBFNN辅助的VAN-MPC指令规划器，实验验证其有效性与鲁棒性。
2023-06-10 cs.RO
METAVerse: Meta-Learning Traversability Cost Map for Off-Road Navigation
Agency for Defense Development（国防发展局）；University of Michigan（密歇根大学）
针对越野环境可通行性估计不确定性高、模型泛化难的问题，提出元学习框架METAVerse，通过多环境数据训练全局模型并支持在线自适应，降低估计不确定性，实现非结构化未知地形的安全稳定导航。
2024-03-05 cs.CV cs.LG cs.RO
Bayesian Optimisation for Safe Navigation under Localisation Uncertainty
The University of Sydney（悉尼大学）
在室外环境中，移动机器人需要在具有不同特征的地形中导航，其中一些特征可能会显著影响平台的完整性。理想情况下，机器人应该能够根据自己对环境的感知来识别安全的导航区域，同时避免对自己造成伤害。贝叶斯优化（BO）已成功地应用于任务的学习模型的地形可穿越性，同时引导机器人通过更多的可穿越的地区。然而，一个问题是，定位的不确定性最终可能会将机器人引导到不安全的区域，并扭曲正在学习的模型。在本文中，我们解决这个问题，并提出了一种新的方法，允许BO考虑本地化的不确定性，通过应用高斯过程模型作为先验的不确定输入。我们评估所提出的方法在模拟和实验中与一个真正的机器人在崎岖的地形航行，并比较它对标准BO方法。
2018-02-17 cs.AI cs.LG cs.RO
SLIP Walking over Rough Terrain via H-LIP Stepping and Backstepping-Barrier Function Inspired Quadratic Program
California Institute of Technology（加州理工学院）
我们提出了一种先进的和新颖的控制方法，使驱动弹簧加载倒立摆模型，以走过粗糙和具有挑战性的地形。高层次的哲学是纵向和横向状态控制的解耦。垂直状态通过基于Backstepping-Barrier Function（BBF）的二次规划来控制：控制李雅普诺夫反推和控制障碍函数的组合，这两者都提供对输入的不等式约束。水平状态通过基于混合线性倒立摆（H-LIP）的步进来稳定，其具有封闭形式的公式。因此，该实施方式在计算上是高效的。我们评估我们的方法在模拟中，这表明在各种地形，包括斜坡，楼梯，和一般粗糙的地形与不确定性的aSLIP行走。
2021-02-19 cs.RO
DRIVE Through the Unpredictability:From a Protocol Investigating Slip to a Metric Estimating Command Uncertainty
针对越野导航运动模型精度受限问题，提出DRIVE协议标准化滑移数据采集，并基于多平台多地形实验提出指令不确定性度量，以评估部署风险。
2025-06-19 cs.LG cs.RO cs.SY
Experience-Driven Continual Learning of Terrain Traversability for Quadruped Robots
Istituto Italiano di Tecnologia（意大利理工学院）；Università degli Studi di Genova（热那亚大学）
本文提出一种基于运动经验的持续学习流程，利用冻结的DINOv3描述符预测四足机器人地形交互指标，并通过门控回放机制在适应新地形时减少旧知识退化，提升导航安全性与效率。
2026-10-01 cs.RO
A Stochastic Approach to Terrain Maps for Safe Lunar Landing
Draper Scholar University of Michigan（Draper学者 密歇根大学）；The Charles Stark Draper Laboratory（查尔斯·斯塔克·德拉珀实验室）；University of Michigan（密歇根大学）
本文提出利用高斯过程生成随机高程图的方法，以更准确地建模月球地形不确定性，提升月球着陆的安全性。
2025-12-12 cs.RO
Gaussian Process-based Traversability Analysis for Terrain Mapless Navigation
Indiana University（印第安纳大学）
本文提出一种结合稀疏高斯过程局部地图与RRT*规划器的无地图崎岖地形导航框架，通过构建可通行性地图实现安全高效的自主导航。
2024-03-27 cs.RO
An Input-to-State Stability Perspective on Robust Locomotion
California Institute of Technology（加州理工学院）
针对传统稳定性分析无法刻画双足机器人在非平坦地形扰动下运动能力的问题，提出δ-鲁棒性定义，基于扩展庞加莱映射的ISS构建鲁棒李雅普诺夫函数，形成验证框架并经仿真验证。
2023-06-09 cs.RO cs.SY eess.SY
Uncertainty-aware Accurate Elevation Modeling for Off-road Navigation via Neural Processes
University of Washington（华盛顿大学）；KAIST（韩国科学技术院）；Georgia Institute of Technology（佐治亚理工学院）
提出基于神经过程的越野地形高程建模方法，利用语义特征和局部球查询注意力，在保持精度的同时降低计算复杂度，实现精确估计与不确定性量化。
2025-08-07 cs.RO
Continual Learning for Traversability Prediction with Uncertainty-Aware Adaptation
Ulsan National Institute of Science and Technology（蔚山国立科学技术院）；Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)（慕尼黑机器人与机器智能研究所（MIRMI），慕尼黑工业大学（TUM））
提出一种基于生成式经验回放与不确定性感知的持续学习框架，使可通行性预测模型在适应新地形时保留旧经验并缓解灾难性遗忘，经滑移转向机器人实验验证有效。
2026-09-16 cs.AI cs.LG cs.RO
Inverse Resistive Force Theory (I-RFT): Learning granular properties through robot-terrain physical interactions
University of Southern California, Los Angeles, CA 90089, USA（美国南加州大学）
I-RFT通过机器人与地形的物理互动学习颗粒特性，结合颗粒电阻力理论与高斯过程，实现对地形属性的准确估计与不确定性量化，提升自主探索效率。
2026-03-08 cs.RO
Proprioception and Tail Control Enable Extreme Terrain Traversal by Quadruped Robots
Carnegie Mellon University（卡内基梅隆大学）；Oregon State University（俄勒冈州立大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究提出基于本体感受的步态规划器和两自由度尾部解耦控制方案，使四足机器人能在线适应地形高度变化，显著提升极端地形跨越时的稳定性。
2023-09-08 cs.RO
A Probabilistic Motion Model for Skid-Steer Wheeled Mobile Robot Navigation on Off-Road Terrains
Institute for Experiential Robotics, Northeastern University（东北大学体验式机器人研究所）
针对滑移转向轮式机器人越野高速转弯时的滑移问题，提出融合 GPR 与 Sigma-Point 变换的概率动态运动模型，并通过凸优化实现未见地形泛化，显著提升位姿预测精度。
2024-02-29 cs.RO
Stochastic triangular mesh mapping: A terrain mapping technique for autonomous mobile robots
Stellenbosch University（斯泰伦博斯大学）
对于移动机器人在一般环境中自主操作，需要以密集度量地图的形式感知。为了这个目的，我们提出了随机三角网格（STM）映射技术：2.5-D表示的环境的表面使用三角形表面元素的连续网格，其中每个表面元素模型的平均平面和粗糙度的底层表面。与现有的映射技术相比，STM映射通过确保连续模型来对环境的结构进行建模，同时还能够以测量次数的线性计算成本进行增量更新。我们通过使用地标相对子地图来减少机器人姿态（位置和方向）的不确定性的影响。在测量和机器人姿态的不确定性占在地图更新过程中使用贝叶斯推理技术。我们证明了STM地图可以与生成点测量的传感器一起使用，例如光检测和测距（LiDAR）传感器和立体相机。我们表明，STM地图是一个更准确的模型比唯一可比的在线表面映射技术$\unicode{x2014}$一个标准的海拔地图$\unicode{x2014}$，我们也提供了定性的结果，在实际的数据集。
2020-02-28 cs.LG cs.RO stat.ML
FR-Net: Learning Robust Quadrupedal Fall Recovery on Challenging Terrains through Mass-Contact Prediction
Adaptive Robotic Controls Lab (ArcLab)（自适应机器人控制实验室）；Department of Mechanical Engineering（机械工程系）；The University of Hong Kong（香港大学）
提出基于学习的FR-Net框架，通过Mass-Contact Predictor网络预测质量分布与接触状态，结合特权学习与定制奖励函数，使四足机器人能在复杂地形上从任意姿态安全恢复并实现跨平台泛化。
2025-09-15 cs.RO
The Soft Landing Problem: Minimizing Energy Loss by a Legged Robot Impacting Yielding Terrain
Northwestern University（西北大学）；Northwestern Institute on Complex Systems（西北大学复杂系统研究所）
本文研究腿式机器人在屈服地形上的软着陆问题，通过约束最优控制与阻抗控制方法最小化足部穿透深度，并揭示了冲击速度与最优阻抗之间的复杂关系及其对低运输成本运动的意义。
2019-09-12 cs.RO
