Fuzzy Logic Controller Design for Mobile Robot Outdoor Navigation
Addis Ababa Institute of Technology（亚的斯亚贝巴理工学院）
本文提出一种基于模糊逻辑算法的差速驱动轮式移动机器人控制系统，通过接近和GPS传感器实现自主导航、路径规划与避障，仿真证明其能无碰撞到达目的地。
2024-01-10 cs.RO cs.SY eess.SY
Localization and Navigation System for Indoor Mobile Robot
University of Michigan（密歇根大学）
视障人士通常发现很难在许多公共场所，如机场和购物中心独立旅行，由于避障和引导到所需位置的问题。因此，在高度动态的室内环境中，如何提高室内导航机器人的定位和导航精度，使其能够很好地引导视障者成为一个难题。一种方法是使用视觉SLAM。然而，典型的视觉SLAM要么假设静态环境，这可能导致动态环境中的不太准确的结果，要么假设目标都是动态的，并去除了上面的所有特征点，从而在很大程度上牺牲了可用计算能力的计算速度。本文旨在探讨边缘定位和导航系统的室内导航机器人。该系统的目的是提高定位和导航精度在高度动态的环境中，通过识别和跟踪潜在的移动对象，并使用矢量场直方图的本地路径规划和避障。该系统已在一个公共室内RGB-D数据集上进行了测试，结果表明，新系统提高了准确性和鲁棒性，同时减少了高动态室内场景的计算时间。
2022-12-13 cs.RO cs.SY eess.SY
Safer Gap: A Gap-based Local Planner for Safe Navigation with Nonholonomic Mobile Robots
Georgia Institute of Technology（佐治亚理工学院）
本文扩展了基于间隙的导航技术，在潜在的差距，保证安全的非完整机器人的所有层次的本地计划者层次结构，所谓的安全差距。第一层通过间隙生成基于Bezier的无碰撞路径。一个子集的可导航的自由空间，从机器人通过一个间隙，称为锁孔，被定义为工会的最大的无碰撞的磁盘中心的机器人和一个梯形区域通过间隙。它是由一个浅的神经网络归零障碍函数（ZBF）编码。非线性模型预测控制（NMPC），锁孔ZBF约束和Bezier路径的输出跟踪，合成一个安全的运动学上可行的轨迹。在基于逐点优化的安全控制合成模块中低级别使用Keyhole ZBF作为最终安全层。仿真和实验验证了Safer Gap的无碰撞导航特性。
2023-03-14 cs.RO cs.SY eess.SY
Proposal of algorithms for navigation and obstacles avoidance of autonomous mobile robot
本文提出算法用于室内自主移动机器人导航与避障，利用激光雷达获取3D环境图像，通过改进的向量场直方图算法生成2D地图并控制轨迹跟踪，实验结果良好。
2016-11-28 cs.RO cs.SY eess.SY
Sensor Network Based Collision-Free Navigation and Map Building for Mobile Robots
机器人安全导航是包括地面移动机器人和飞行机器人在内的自主机器人的基础研究领域。安全机器人导航算法的主要目标是引导自主机器人从其初始位置到目标或沿着期望的路径避开障碍物。随着信息技术和传感器技术的发展，机器人技术与传感器网络相结合的实现成为近年来研究的热点。其中一个相关的实现是基于传感器网络的机器人导航。此外，机器人的另一个重要导航问题是安全区域搜索和地图构建。本文首先提出了一种动态环境下地面移动机器人全局无碰撞路径规划算法。考虑到传感器网络的优势，将所提出的路径规划算法发展为基于传感器网络的地面移动机器人导航算法。该方法采用二维测距传感器网络对静态和动态障碍物进行检测。该传感器网络可以引导探测到的安全区域内的各个地面移动机器人到达目标。此外，所提出的导航算法扩展到三维环境。该算法利用传感器网络的测量数据，将工作空间中的任意飞行机器人从初始位置导航到目标位置。此外，本文还研究了地面移动机器人的另一个导航问题--安全区域搜索和地图构建，并提出了两种算法。在第一种方法中，我们考虑地面移动机器人配备了一个二维测距传感器搜索有界的二维区域没有任何碰撞，并建立一个完整的二维地图的区域。此外，第一个提出的地图创建算法扩展到另一种算法的三维地图创建。
2017-09-02 cs.RO
GenNav: A Generic Indoor Navigation System for any Mobile Robot
Zen Aerologiks；BMS College of Engineering（BMS工程学院）
导航系统是任何移动机器人的核心，它包括SLAM和路径规划单元，机器人利用该路径规划单元来生成环境的地图，在其中定位自己并确定到达目的地的最佳路径。本文介绍了概念化，开发，仿真和硬件实现GenNav一个通用的室内导航系统的任何移动空中或地面机器人。通过模块化并通过提供来自LiDAR的替代测距源来创建软件计算和硬件致动单元之间的独立性来实现通用化，从而消除对专用测距传感器的需求。来自LiDAR的里程反馈可以由导航计算单元使用，并且该系统可以推广到具有不同类型和取向的致动器的各种机器人
2020-08-01 cs.RO
Behavior-based Navigation of Mobile Robot in Unknown Environments Using Fuzzy Logic and Multi-Objective Optimization
University of Engineering and Technology - Vietnam National University, Hanoi（河内越南国家大学工程技术大学）
本文提出BBFM架构，通过模糊控制器和多目标优化协调机器人在未知环境中避障和避开局部极小值的问题，提升了导航精度和效率。
2017-03-09 cs.AI cs.RO cs.SY
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
BSL: Navigation Method Considering Blind Spots Based on ROS Navigation Stack and Blind Spots Layer for Mobile Robot
Cybermedia Center, Osaka University（大阪大学媒体融合中心）；Graduate School of Maritime Sciences, Kobe University（神户大学海事科学研究科）
针对轮式机器人因环境拐角或障碍物形成盲点而可能与人或物体碰撞的问题，提出基于ROS导航栈、BSL局部代价地图层和增强DWA代价函数的导航方法，并经仿真与实验验证。
2024-05-09 cs.RO
From Data to Safe Mobile Robot Navigation: An Efficient and Modular Robust MPC Design Pipeline
department of Cognitive Robotics, Delft University of Technology（认知机器人学系，代尔夫特理工大学）；Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（信息学、机器人学与自动化研究所，布拉格技术大学）；Institute for Dynamic Systems and Control, ETH Zürich（动态系统与控制研究所，苏黎世联邦理工学院）
针对移动机器人导航中因扰动和测量噪声导致的安全问题，提出一种高效模块化的鲁棒 MPC 设计流水线，利用闭环实验数据估计扰动边界并合成鲁棒输出反馈 MPC，在 Gazebo 四旋翼仿真中验证了其鲁棒约束满足和递归可行性。
2025-08-09 cs.RO cs.SY eess.SY
Context-based navigation for ground mobile robot in a semi-structured indoor environment
University Libre du Bruxelles（布鲁塞尔自由大学）；TU Delft（代尔夫特理工大学）
移动机器人在更多变的环境中运行的需求不断增长，除了时间性能之外，保证安全的机器人导航是一个优先事项。为了实现这一点，用于本地规划的当前解决方案使用针对应用环境的特性进行调整的特定配置。在本文中，我们提出了一种方法，用于开发质量模型，可用于自适应框架，以适应本地规划配置在运行时的基础上感知的环境。我们贡献了一个安全模型的定义，预测的安全性的导航配置的感知环境。在零售应用程序的真实导航场景中进行了实验，以验证所获得的模型并展示它们在自适应框架中的集成。
2021-11-23 cs.RO cs.SE
Input-Constrained Spatiotemporal Tubes for Safe Navigation of Unknown Euler-Lagrange Systems in Dynamic Environments
Department of Cyber-Physical Systems（网络物理系统系）；Indian Institute of Science（印度科学研究院）
针对未知欧拉 - 拉格朗日系统在动态环境中安全导航难题，提出实时控制框架，通过扩展时空管框架纳入输入约束，推导可行性条件，经模拟和硬件实验验证，实现满足执行器约束的安全导航。
2026-07-10 cs.RO cs.SY eess.SY
Deep-Reinforcement-Learning-Based Semantic Navigation of Mobile Robots in Dynamic Environments
Technical University of Berlin（柏林工业大学）
移动机器人在工业任务中变得越来越重要，例如在危险环境中的调试，交付或操作。安全自主导航的能力，特别是在动态环境中，在工业移动机器人中至关重要。当前的导航方法依赖于预先存在的静态地图，并且在动态环境中容易出错。此外，出于安全原因，它们通常依赖于手工制作的安全指南，这使得系统灵活性较低且速度较慢。基于视觉的导航和高层次的语义有可能通过创建链接来增强路径规划的安全性，从而使代理可以推理出更灵活的导航。在这个帐户上，我们提出了一个基于强化学习的本地导航系统，学习导航行为完全基于视觉观察，以应付高度动态的环境。因此，我们开发了一个简单而有效的模拟器-ARENA 2D-这是能够产生高度随机化的训练环境，并提供语义信息训练我们的代理。我们展示了增强的结果，在安全性和鲁棒性方面超过了传统的基线方法的基础上的动态窗口方法。
2020-08-02 cs.RO
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
Virtual-to-real Deep Reinforcement Learning: Continuous Control of Mobile Robots for Mapless Navigation
City University of Hong Kong（香港城市大学）；HKUST（香港科技大学）；ETH Zurich（苏黎世联邦理工学院）
我们提出了一种基于学习的无地图运动规划器，以稀疏的10维范围调查结果和目标位置相对于移动机器人坐标系作为输入和连续的转向命令作为输出。传统的基于激光测距传感器的地面移动机器人运动规划主要依赖于导航环境中的障碍地图，而高精度的激光测距传感器和环境中的障碍地图构建工作都是必不可少的。我们表明，通过异步深度强化学习方法，可以端到端地训练无地图运动规划器，而无需任何手动设计的功能和先前的演示。经过训练的规划器可以直接应用于看不见的虚拟和真实环境中。实验结果表明，所提出的无地图运动规划器可以引导非完整移动机器人在不碰撞任何障碍物的情况下到达期望的目标。
2017-07-21 cs.AI cs.LG cs.RO
Follow me: an architecture for user identification and social navigation with a mobile robot
University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学）
本文提出一种移动机器人架构，结合计算机视觉、机器学习与人工智能算法实现用户识别和社会导航，以提升人机交互的直观性与友好性。
2024-05-02 cs.RO
A Field-Deployable GNSS-based Navigation Stack for Outdoor Mobile Robots
Cornell University（康奈尔大学）；Cornell AgriTech（康奈尔农业科技学院）
针对户外机器人，提出一种ROS 2 GNSS导航栈，融合单/双GNSS定位与多种控制器，经葡萄园现场测试，行混合模式实现最低横向误差。
2026-09-25 cs.RO cs.SY eess.SY
Mobile Robot Navigation Using Hand-Drawn Maps: A Vision Language Model Approach
University of Toronto（多伦多大学）
本文提出HAM-Nav架构，利用预训练视觉语言模型结合选择性视觉关联提示和预测性导航计划解析器，解决手绘地图中的比例失真和缺失地标问题，实现移动机器人在多种环境与实体中的鲁棒导航。
2025-04-28 cs.CV cs.RO
Reasoning Systems for Semantic Navigation in Mobile Robots
University of Carlos III of Madrid（卡洛斯三世大学）；Technical University of Cartagena（卡塔赫纳理工大学）；Institute of Artificial Intelligent at the University of Bremen（不来梅大学人工智能研究所）
本文提出两种基于本体模型的语义导航系统，分别采用关系数据库和KnowRob实现环境建模，并在移动机器人上进行验证。
2026-03-23 cs.RO
A Novel Navigation System for an Autonomous Mobile Robot in an Uncertain Environment
Anhui Polytechnic University（安徽工程大学）；Wuhu HIT Robot Technology Research Institute Co. Ltd（芜湖哈工大机器人技术研究院有限公司）；Cranfield University（克兰菲尔德大学）
本文提出了一种新的导航系统，该系统采用自适应阈值聚类算法在滑动窗口中检测障碍物，利用决策树对检测到的障碍物进行分类，并采用简化的Mophin算法对潜在碰撞进行预测和最优路径搜索。与现有的机器人导航方法相比，该系统具有最优无碰撞路径、存储空间小、计算复杂度低等优点。仿真实验和八种场景下的机器人实验表明，该机器人能够有效地避免与周围环境中的任何静态或动态障碍物发生碰撞。
2020-06-08 cs.RO
Vision Based Navigation for a Mobile Robot with Different Field of Views
Bahria University（巴里亚大学）；EPFL（洛桑联邦理工学院）；Sussex University（萨塞克斯大学）
进化机器人背后的基本思想是为手头的特定任务进化一组神经控制器。它涉及使用各种输入参数，例如红外传感器、光传感器和基于视觉的方法。本文旨在探讨基于视觉的移动机器人导航的演变。详细讨论了不同视场对移动机器人的影响。采用不同的FOV值对个体进行进化，并对进化结果进行记录和分析，在对100多个不同的FOV值进行评估后，提出了最佳的FOV值。已经观察到，最佳FOV值需要较少的进化代数，并且用该特定值训练的移动机器人能够在环境中很好地导航。
2009-06-26 cs.RO
Development of an indoor localization and navigation system based on monocular SLAM for mobile robots
Bộ môn Kỹ thuật Robot, Khoa Điện tử - Viễn Thông Trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội（河内国家大学科技大学电子与通信工程学院机器人技术系）
本文提出一种基于单目SLAM的差速驱动机器人室内定位与导航系统，利用ORB_SLAM3提取特征提供位姿，结合A*和DWA进行路径规划，并在Gazebo中验证了其有效性。
2024-11-08 cs.RO
Fuzzy Logic Control for Indoor Navigation of Mobile Robots
Worcester Polytechnic Institute (WPI)（伍斯特理工学院）
本文针对移动机器人在未知动态杂乱室内环境中的导航问题，提出一种基于模糊逻辑控制器的实现方案，以传感器读数和期望运动方向为输入、车轮加速度为输出，实现避障并到达目标位置。
2024-09-04 cs.RO
Learning-Based Navigation for Indoor Mobile Robots
Faculty of Electrical；Electronic Engineering, Ho Chi Minh City University of Technology, VNU-HCM Ho Chi Minh City, Vietnam
提出一种结合监督学习全局规划器与基于学习的DWA局部规划器的导航框架，通过行为克隆和PPO优化实现安全避障导航。
2026-05-28 cs.RO
Fuzzy-based Navigation and Control of a Non-Holonomic Mobile Robot
Universiti Teknologi PETRONAS（马来西亚石油科技大学）
近年来，使用非分析计算方法，如模糊逻辑，演化计算，和神经网络已经证明了这些范例的实用性和潜力的智能控制的移动机器人导航。在本文中，基于模糊控制器的自主移动机器人的理论模型的开发。本文首先建立了机器人的数学模型，包括运动学模型。然后，详细讨论了模糊逻辑控制器的设计。所提出的方法是成功地在模拟测试，它比较了三种不同的隶属函数集的有效性。结果表明，输入隶属度为3的模糊逻辑控制器比输入隶属度为5和7的控制器具有更好的性能。
2010-03-22 cs.NE cs.RO
Mobile Robot Localisation and Navigation Using LEGO NXT and Ultrasonic Sensor
University of Bristol（布里斯托大学）；The Hong Kong University of Science and Technology（香港科技大学）；Shandong University（山东大学）；Jilin University（吉林大学）；Shenzhen Sanhang Industrial Technology Research Institute（深圳三航工业技术研究院）
移动机器人对个人和行业都变得越来越重要。移动机器人技术不仅被该领域的专家使用，而且在业余爱好者中也很受欢迎。然而，实现移动机器人自主执行任务可能是昂贵的，因为需要各种类型的传感器和机器人平台的高价格。因此，在本文中，我们提出了一种移动机器人定位和导航系统，它使用了乐高超声波传感器在室内地图的基础上的乐高MINDSTORM NXT。这为大多数机器人爱好者提供了一个负担得起的、即用型的选择。本文提出了一种从超声波传感器采集的失真读数中提取有用信息的有效方法。然后，粒子滤波器被用来定位机器人。在机器人位置估计的基础上，提出了一种基于采样的机器人导航路径规划方法。该方法通过最小化机器人转弯次数和覆盖距离来减小机器人累积运动误差。机器人定位和导航算法在MATLAB中实现。模拟结果表明，三个不同的室内地图位置的平均精度在1和3厘米之间。此外，在一个真实的设置进行的实验表明，所提出的方法的有效性。
2018-10-20 cs.RO
Power-Efficient Autonomous Mobile Robots
Department of Computer Science and Engineering, University of Michigan, USA（计算机科学与工程系，密歇根大学）；Department of Computer and Information Sciences, University of Delaware, USA（计算机与信息科学系，特拉华大学）
本文提出pNav系统，通过联合优化自主移动机器人物理和网络子系统，显著提升其功率效率，实测显示功率消耗降低38.1%。
2025-11-25 cs.RO cs.SY eess.SY
Decentralized decision making and navigation strategy for tracking intruders in a cluttered area by a group of mobile robots
在当前的工业革命时代，移动机器人在帮助人类在许多复杂和危险的环境中执行任务，如搜索和救援，避障，采矿和安全监视等，近年来已经开发了很多导航算法，但在多个机器人的自主路径规划中仍然存在新的挑战，以跟踪和跟随多个入侵者。该报告展示了一种基于算术平均值的分散策略的导航算法，用于一组移动机器人在充满障碍物的未知环境中导航，以检测和跟踪多个入侵者。建议的导航策略，确保移动机器人安全地移动到周围的障碍物，以保持一个安全的距离，以避免碰撞的障碍物和对方的中间。传统的颜色识别方法用于检测动态入侵者，并使用Microsoft Kinect传感器摄像头计算像素值。引入危险概率算法，以确保所有的入侵者在环境中被友好的机器人的入侵者和它的追随者之间的最小距离的基础上。移动机器人根据入侵者的像素值跟踪入侵者的移动。低像素值表示入侵者距离较远，高像素值表示入侵者距离友方机器人较近。所有的算法和图像处理技术的实现和测试在WEBOTS仿真环境中使用C程序设计语言和结果表明，所提出的算术平均值为基础的导航和基于危险概率的入侵者以下算法的成功。
2020-06-13 cs.RO
Double Deep Reinforcement Learning Techniques for Low Dimensional Sensing Mapless Navigation of Terrestrial Mobile Robots
UTEC（乌拉圭理工大学）
在这项工作中，我们提出了两个深度强化学习（Deep-RL）的方法，以提高陆地移动机器人的无地图导航的问题。我们的方法专注于比较基于深度Q网络（DQN）算法的深度RL技术与基于双深度Q网络（DDQN）算法的第二种技术。我们使用24个激光测量样本和智能体与目标的相对位置和角度作为智能体的信息，智能体为我们的机器人提供动作作为速度。通过使用一个低维传感结构的学习，我们表明，它是可能的训练代理执行导航相关的任务和避障，而不使用复杂的传感信息。所提出的方法被成功地用于三个不同的模拟环境。总体而言，它表明，双深结构进一步提高了问题的导航移动机器人相比，简单的Q结构。
2023-01-26 cs.AI cs.RO
WMINet: A Wheel-Mounted Inertial Learning Approach For Mobile-Robot Positioning
The Hatter Department of Marine Technologies, Charney School of Marine Sciences, University of Haifa（哈伊夫大学海洋技术系、查内海洋科学学院）
WMINet通过结合轮式方法和周期性轨迹运动，利用深度学习减少惯性漂移，实现移动机器人仅依赖惯性传感器的高精度定位。
2025-03-17 cs.AI cs.LG cs.RO
Deterministic and Stochastic Analysis of Deep Reinforcement Learning for Low Dimensional Sensing-based Navigation of Mobile Robots
Technological University of Uruguay（乌拉圭技术大学）；Federal University of Rio Grande - FURG（里奥格兰德联邦大学（FURG））；Universidade Federal de Santa Maria - UFSM（圣玛丽亚联邦大学（UFSM））
深度强化学习（Deep-RL）中的确定性和随机技术已经成为改善各种机器人的运动控制和决策任务的有前途的解决方案。以前的工作表明，这些Deep-RL算法可以应用于移动机器人的无地图导航。然而，它们倾向于使用简单的感测策略，因为已经表明它们在高维状态空间中表现不佳，例如从基于图像的感测中产生的状态空间。本文提出了两种深度RL技术-深度确定性策略梯度（DDPG）和软演员批评（SAC）-当执行任务的移动机器人的无地图导航的比较分析。我们的目标是通过展示神经网络架构如何影响学习本身来做出贡献，并根据每种方法的空中移动机器人导航的时间和距离给出定量结果。总的来说，我们对六种不同架构的分析突出表明，随机方法（SAC）更适合更深层次的架构，而确定性方法（DDPG）则相反。
2022-09-13 cs.AI cs.RO
Intelligent Navigation and Obstacle-Aware Fabrication for Mobile Additive Manufacturing Systems
The Pennsylvania State University（宾夕法尼亚州立大学）；Arizona State University（亚利桑那州立大学）
本文提出一种结合导航与制造的移动打印平台，通过实时控制框架实现安全运动和路径稳定性，提升动态制造环境中的灵活性和适应性。
2026-03-26 cs.RO
A 3D Reactive Navigation Algorithm for Mobile Robots by Using Tentacle-Based Sampling
Northeastern University（东北大学）；Institute for Experiential Robotics（体验式机器人研究所）
本文介绍了一种反应式导航框架的移动机器人在3维（3D）空间。该方法不依赖于全局地图信息，并通过采用一个基于tennis的采样和启发式评估的飞行实现快速导航。该方法的这种反应性质来自于触手（参数轮廓）上导航点的先前布置，以对导航空间进行采样。这些触角在每个时间步进行评估，基于启发式功能，如接近目标，以前的触角偏好和附近的障碍物在机器人为中心的3D网格。然后，将所选择的张力上的可导航采样点传递到控制器以用于运动执行。所提出的框架不仅将其基于2D触手的对应物扩展到3D，而且还引入了离线和在线参数，其调整提供了算法在未知环境中工作的多功能性和适应性。为了证明所提出的算法的优越性能，在一个国家的最先进的方法，统计结果从基于物理的模拟各种地图。该工作的视频可在https://youtu.be/rrF7wHCz-0M上获得。
2020-01-24 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
Elevation State-Space: Surfel-Based Navigation in Uneven Environments for Mobile Robots
Norwegian University of Life Sciences（挪威生命科学大学）；University of Lincoln（林肯大学）
本文介绍了一种新的方法，机器人运动规划和导航在不平坦的环境中，通过曲面表示的基础点云。所提出的方法通过将机器人的运动学和物理约束与标准运动规划算法（例如，来自开放式运动规划库的那些），从而使高效的基于采样的规划者能够在原始点云地图上挑战不平坦的地形导航。与基于数字高程地图（DEM）的技术不同，我们的新的基于表面的状态空间的制定和实施是基于原始点云地图，允许重叠的表面，如桥梁，桥墩和隧道的建模。实验结果表明，所提出的方法在真实和模拟的非结构化环境中的机器人导航的鲁棒性。所提出的方法还优化了规划者的性能，将其成功率提高到5倍，以应对具有挑战性的非结构化地形规划和导航，这要归功于我们基于冲浪者的方法的机器人约束感知采样策略。最后，我们提供了一个开源的实现所提出的方法，有利于机器人社区。
2022-08-17 cs.RO
CausalNav: A Long-term Embodied Navigation System for Autonomous Mobile Robots in Dynamic Outdoor Scenarios
Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University（人工智能与机器人中心，深圳国际研究生院，清华大学）；Peng Cheng Laboratory（鹏城实验室）
CausalNav是一种基于场景图的语义导航框架，通过构建多级语义场景图实现动态户外环境中的稳健导航与远距离规划。
2026-01-05 cs.RO
Trust Through Transparency: Explainable Social Navigation for Autonomous Mobile Robots via Vision-Language Models
New York University, Tandon School of Engineering（纽约大学坦登工程学院）；General Autonomy Inc.（通用自主公司）
本文提出一种多模态可解释模块，结合视觉语言模型和热图提升自主导航的透明度，通过自然语言总结使机器人感知、分析并表达观察结果，实验表明实时解释能提升用户信任和理解。
2025-04-07 cs.RO
Analysis of a new chaotic system, electronic realization and use in navigation of differential drive mobile robot
CIDETEC, Instituto Politécnico Nacional（国立理工学院CIDETEC）；ESIME-Azc, Instituto Politécnico Nacional（国立理工学院ESIME阿兹卡波特萨尔科校区）
本文提出了一个新的具有四个吸引子的混沌系统，包括两个不动点吸引子和两个对称的混沌奇异吸引子。系统的动力学性质，即敏感依赖于初始条件，李雅普诺夫谱，奇异性措施，吸引盆地，包括它的类和大小，存在的奇怪吸引子，分岔分析，多稳定性，电子电路设计，和硬件实现，严格处理。数值计算被用来计算吸引盆，并表明该系统具有深远的复合吸引盆。这种吸引力的盆地对于工程应用至关重要。此外，使用模拟电子元件实现了系统的电路模型。详细说明了将系统参数转换为相应的电子元件值（如电路电阻）的过程，同时确保动态范围有界。此外，该系统被用来作为控制输入源的差动驱动移动机器人，这是受到Pfronan速度约束的独立导航。由于初始条件敏感性和拓扑混合的性质，机器人的路径变得不可预测，并保证扫描工作空间，分别。
2020-12-11 cs.RO cs.SY eess.SP
Parallel Distributional Deep Reinforcement Learning for Mapless Navigation of Terrestrial Mobile Robots
University of Tsukuba（筑波大学）；Federal University of Rio Grande（里奥格兰德联邦大学）；Federal University of Santa Maria（圣玛丽亚联邦大学）；Technological University of Uruguay（乌拉圭科技大学）
本文提出基于并行分布式演员-评论家网络的深度强化学习方法，利用激光测距、相对距离和角度实现地面移动机器人无地图导航，并在仿真与真实场景中验证其优于非分布式和行为方法。
2024-09-01 cs.RO
Language-guided Robust Navigation for Mobile Robots in Dynamically-changing Environments
University of California, Riverside（加利福尼亚大学河滨分校）
本文提出一种人在回路的移动机器人导航方法，通过监测规划变化并解析自然语言反馈为局部航路点，结合语义地图与全局规划，在仿真和真实环境中验证了其在动态环境下的鲁棒导航能力。
2024-09-28 cs.CV cs.RO
Proofs of the Technical Results Justifying an Algorithm of Reactive 3D Navigation for a Surface Scan by a Nonholonomic Mobile Robot
Saint Petersburg State University（圣彼得堡国立大学）；University of New South Wales（新南威尔士大学）
一个单一的非完整欠驱动移动机器人与有界的控制范围内的三维工作空间。该工作空间还拥有一个具有平滑边界的紧凑未知域。机器人可以访问到该域的水平距离和空间中的某个方向（通常是垂直方向），以及该方向上的坐标（通常是高度）。我们提出了一个新的导航法，驱动机器人到所需的距离域，并确保随后的全扫描其表面在所需的范围内的“高度”。所提出的策略是计算成本低，并实现了全扫描在最低的控制水平，通过生成电流控制作为一个简单的，反射式的反应，目前的观察。本文提出并证明了数学上严格的分析和理由所提出的指导方法的关键技术事实。
2016-05-09 cs.RO math.OC
Enhanced Low-Dimensional Sensing Mapless Navigation of Terrestrial Mobile Robots Using Double Deep Reinforcement Learning Techniques
Federal University of Santa Maria（圣玛丽亚联邦大学）；Universidad Tecnológica del Uruguay（乌拉圭技术大学）
本研究提出基于DQN和DDQN的深度强化学习方法，利用24个激光测距值和位置差分实现移动机器人低维感知无地图导航，实验证明DDQN结构显著提升了导航和避障能力。
2023-10-20 cs.AI cs.RO
Bench-Push: Benchmarking Pushing-based Navigation and Manipulation Tasks for Mobile Robots
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院）；Department of Electrical and Computer Engineering, University of Waterloo（电气与计算机工程系，滑铁卢大学）；Department of Mechanical Engineering, University of Alberta（机械工程系，阿尔伯塔大学）
提出首个统一的推动式移动机器人导航与操作基准Bench-Push，包含多种模拟环境、新评估指标和基线实现，用于解决可移动障碍物环境中的机器人推动任务评估问题。
2026-06-18 cs.RO
MoRPI: Mobile Robot Pure Inertial Navigation
University of Haifa（海法大学）
针对移动机器人纯惯性导航随时间漂移的问题，提出 MoRPI 周期运动框架，通过峰峰值估计和经验公式测距，并经143条轨迹验证可降低位置误差。
2022-07-06 cs.RO eess.SP
Hierarchical Reinforcement Learning in Multi-Goal Spatial Navigation with Autonomous Mobile Robots
University of South Florida（佛罗里达州立大学）
本文通过多项实验对比分层强化学习与传统强化学习在复杂机器人导航任务中的表现，重点考察子目标创建方式、手动与自动创建差异及终止频率影响，证明了HRL的优越性及其实现机制。
2025-08-18 cs.AI cs.RO
Reactive Navigation Framework for Mobile Robots by Heuristically Evaluated Pre-sampled Trajectories
Northeastern University（东北大学）；Institute for Semantic Computing Foundation（语义计算基金会研究所）
本文描述并分析了一种用于未知环境中移动机器人的反应式导航框架。该方法不依赖于全局地图，仅考虑其以机器人为中心的3D网格结构中的局部占用。所提出的算法，使快速导航的启发式评估预采样轨迹上的飞行。在每个循环中，这些路径由加权成本函数评估，基于启发式特征，例如与目标的接近度，先前选择的轨迹和附近的障碍物。本文介绍了一种系统的方法来计算一个可行的姿态在选定的轨迹，然后将其发送到控制器的运动执行。定义了该框架的结构，给出了实现细节，并说明了如何调整其离线和在线参数。为了证明该算法在未知环境中的通用性和适应性，在各种地图上进行了基于物理的仿真。基准测试表明，该算法优于其以前的迭代和另一个国家的最先进的方法的性能。该算法的开源实现和基准测试数据可以在\url{https://github.com/RIVeR-Lab/tentabot}上找到。
2021-08-23 cs.RO
X-Nav: Learning End-to-End Cross-Embodiment Navigation for Mobile Robots
X-Nav通过端到端学习实现跨体态导航，使单一策略能适应多种机器人形态，通过深度强化学习和导航动作分块技术提升导航性能和泛化能力。
2025-11-26 cs.RO
Methods for Collision-Free Navigation of Multiple Mobile Robots in Unknown Cluttered Environments
自主车辆的导航和引导是机器人学的一个基本问题，近几十年来吸引了大量的研究。这份报告主要涉及可证明的碰撞避免多个自主车辆在未知的杂乱环境中运行，使用反应分散导航法，障碍物信息由一些传感器系统提供。最近，基于模型预测控制的导航系统的鲁棒和分散的变体已被应用于车辆导航问题。属性，如可证明的碰撞避免下的干扰和可证明的收敛到一个目标已被证明;然而，这些往往需要显着的计算和通信能力，不考虑传感器的约束，使实时使用有些困难。似乎还有机会在易处理性、最优性和鲁棒性之间进行更好的权衡。本文的主要工作如下：第一，将鲁棒模型预测控制概念与基于局部路径规划的反应式导航策略相结合，分别应用于具有加速度约束和扰动的完整和单一车辆模型;第二步，将模型预测控制类型的方法扩展到关于障碍物的信息仅限于离散射线的情况，基于传感器模型，可证明安全，收敛边界以下，可以显示;第三，新的约束条件的发展，允许分散协调多个车辆使用一个强大的模型预测控制型方法，其中一个单一的通信交换使用每个控制更新，车辆被允许同时执行规划，并避免一致性目标。
2014-01-27 cs.RO math.OC
Risk-Aware Navigation for Mobile Robots in Unknown 3D Environments
Université Clermont Auvergne（克莱蒙奥弗涅大学）；Clermont Auvergne INP（克莱蒙奥弗涅国立综合理工学院）；CNRS（法国国家科学研究中心）；Institut Pascal（帕斯卡尔研究所）；University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）
针对传统3D未知环境导航仅关注避碰、忽略碰撞伤害差异的问题，提出含物理可解释风险函数的风险感知导航框架，可规划兼顾安全与环境交互风险的轨迹，拓展机器人适用场景。
2023-09-06 cs.RO
OLiVia-Nav: An Online Lifelong Vision Language Approach for Mobile Robot Social Navigation
University of Toronto（多伦多大学）
OLiVia-Nav通过融合视觉语言模型与在线终身学习框架，实现机器人社交导航中的社会规范适应与动态轨迹规划，优于现有方法。
2025-03-08 cs.RO
Neuromorphic Perception and Navigation for Mobile Robots: A Review
University of Granada（格拉纳达大学）
针对现有移动机器人自主导航方案难以满足真实场景严苛要求的问题，该综述全面梳理了类脑策略在自主导航中的应用，涉及神经形态感知、自适应学习及关键导航脑区工作原理模仿等方向。
2024-07-09 cs.RO
Towards an immersive user interface for waypoint navigation of a mobile robot
Bristol Robotics Laboratory（布里斯托尔机器人实验室）；University of the West of England（西英格兰大学）
在本文中，我们探讨了实用的盔装显示器（HMD）接口的移动机器人导航。我们专注于机器人的航路点位置的选择，同时保持一个以自我为中心的机器人的环境。受虚拟现实（VR）游戏的启发，我们提出了一种目标选择方法，该方法使用商业VR头显的6自由度跟踪控制器。这允许操作者指向机器人附近的期望目标位置，然后机器人自主地朝向该期望目标位置导航。进行了用户研究（37名参与者），以检查这种控制策略的有效性相比，直接控制，有和没有通信延迟。实验结果表明，参与者能够快速学习如何使用新系统，大多数参与者报告了对路点控制的偏好。在所有记录的指标（任务性能，操作员的工作量和可用性），建议的航路点控制界面没有显着影响的通信延迟，与直接控制。模拟实验表明，在现实世界中实现所提出的界面可能是有效的，但也强调了管理HMD负面影响的必要性-特别是VR疾病。
2020-03-28 cs.RO
Real-Time Spatial Reasoning by Mobile Robots for Reconstruction and Navigation in Dynamic LiDAR Scenes
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院）；School of Computer Science, University of Guelph（圭尔夫大学计算机科学学院）；School of Computing Science, Simon Fraser University（西蒙弗雷泽大学计算机科学学院）
受大脑空间感知机制启发，提出首个面向户外移动机器人LiDAR数据的实时空间推理框架，结合单帧网格重建与即时自由空间判定，实现动态场景下的重建与导航，性能优于现有方法。
2025-05-18 cs.GR cs.RO
Gaussian Process Distance Fields Obstacle and Ground Constraints for Safe Navigation
UTS Robotics Institute（UTS机器人研究所）；Faculty of Engineering and IT, University of Technology Sydney（悉尼科技大学工程与信息技术学院）
针对地面机器人在三维复杂场景中的安全导航问题，提出融合两个高斯过程距离场与四叉树多分辨率地图的轨迹优化方法，可处理不平地形、台阶及悬空障碍。
2024-10-23 cs.RO
