Disturbance-Aware Flight for Aerial Robots in Narrow Space
School of Robotics and Automation, Nanjing University（南京大学机器人与自动化学院）
针对无人机在狭窄空间自主飞行因干扰和空间受限面临的挑战，提出干扰感知规划与控制框架DAPCF，通过双环观测器估计干扰、引入干扰风险函数及设计MDNMPC，使四旋翼能穿越狭窄隧道，性能优于人类飞行员。
2026-07-21 cs.RO
Parsimonious disturbance-aware minimum-time planning with parametric uncertainty
研究针对赛车运动应用提出最小圈时规划框架，考虑状态干扰和参数不确定性，扩展公式并采用简约激活策略，通过MPC验证，相比无鲁棒性规划，鲁棒规划失败运行少、关键信号分散紧，提升了可跟踪性。
2026-07-16 cs.RO
Disturbance-aware minimum-time planning strategies for motorsport vehicles with probabilistic safety certificates
Dipartimento di Ingegneria Civile e Industriale, Università di Pisa（皮萨大学土木与工业工程系）
针对赛车最短圈速轨迹优化的鲁棒性问题，提出含开环协方差传播、闭环协变感知规划的扰动感知框架，经测试满足安全概率且闭环方案圈速损失更小，推动其实际部署。
2025-06-16 cs.RO
External Forces Resilient Safe Motion Planning for Quadrotor
Zhejiang University（浙江大学）；University of Pennsylvania（宾夕法尼亚大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
对于复杂未知环境中的四旋翼飞行器，在不需要外界干扰先验知识的情况下进行自适应自主导航具有重要意义。考虑外部干扰的主流方法是实现干扰抑制控制和路径跟踪。然而，鲁棒控制，以补偿跟踪偏差没有很好地考虑到能源消耗，甚至参考路径将成为危险和棘手的干扰。随着最近外力估计的发展，可以结合实时力估计器来开发更强大和安全的规划框架。本文提出了一个系统的（重新）规划框架，可以弹性地产生安全的轨迹在动荡的条件下。首先，前端Kinodynamic路径搜索力偏置运动基元。然后，我们开发了一个非线性模型预测控制（NMPC）作为一个本地规划器与哈密尔顿-雅可比（HJ）前向可达性分析的误差动态外力。它保证避免碰撞的约束椭球的四旋翼机构扩展的前向可达集（FRS）内的安全凸多面体。我们的方法在模拟和现实世界的实验与不同的外力来源进行了验证。
2021-09-29 cs.RO
DR-IPC: Disturbance-Resilient Integrated Planning and Control for LiDAR-Based Quadrotor Navigation
Southeast University（东南大学）；Xiamen University of Technology（厦门理工学院）
DR-IPC提出一种集成规划与控制方法，结合路径引导与NMPC直接生成控制量，在扰动下显著提升四旋翼导航任务完成率并降低高度误差。
2026-10-05 cs.RO cs.SY eess.SY
Robust Dynamic Control Barrier Function Based Trajectory Planning for Mobile Manipulator
School of Mechanical Engineering and Automation, Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳）机械工程与自动化学院）；Graduated School of Information Science and Technology, Osaka University（大阪大学信息科学与技术研究生院）
针对高维机器人动态轨迹规划的传统方法痛点，提出结合DCBF与扰动观测器的RDCBF规划器，可在复杂动态障碍环境下兼顾扰动与不确定性，实现安全精确避障，经移动机械臂实验验证性能优异。
2024-06-22 cs.RO
Disturbance-aware Motion Planning for Over-actuated Underwater Vehicles Exploiting Actuation Redundancy for High-fidelity 3D Reconstruction
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
研究水下机器人驱动对感知的影响，利用过驱动平台冗余，通过搜索零空间最小化目标区域干扰，采用基于致动盘理论的尾流代理及冗余解决分配器，降低粒子速度，提高 3D 重建精度，支持自主扫描与辅助检查。
2026-07-09 cs.RO
Provably Safe Motion Planning Under Unknown Disturbances
Department of Aerospace Engineering Sciences at the University of Colorado Boulder（科罗拉多大学博尔德分校航空航天工程科学系）；Department of Aerospace and Ocean Engineering（航空航天与海洋工程系）；Delft University of Technology（代尔夫特理工大学）；Italian Institute of Artificial Intelligence（意大利人工智能研究所）
针对未知分布随机扰动下的机器人系统，提出一种基于Wasserstein模糊管的学习型采样运动规划算法，实现概率完备且保守性低的安全规划。
2026-05-30 cs.RO cs.SY eess.SY
Safe Learning-based Gradient-free Model Predictive Control Based on Cross-entropy Method
Sun Yat-sen University（中山大学）
提出了一种安全的、基于学习的模型预测控制（MPC）控制框架，用于在不确定环境干扰下优化目标函数不可微的非线性系统。该控制框架以最小干预的方式集成了基于学习的MPC和辅助控制器。基于学习的预测控制通过增量式高斯过程对先验标称模型进行增广，以学习不确定扰动。交叉熵方法（CEM）被用作基于采样的MPC与不可微的目标函数的优化。设计了一个最小干预控制器，该控制器具有控制李雅普诺夫函数和控制障碍函数，用于指导采样过程，并赋予系统高概率安全性。在不确定风干扰下，该算法在模拟四旋翼飞行器的轨迹跟踪和避障任务中显示出安全和自适应的控制性能。
2022-02-21 cs.RO
Predictive Risk Analysis and Safe Trajectory Planning for Intelligent and Connected Vehicles
本文提出一种智能网联汽车的预测风险分析与安全轨迹规划框架，通过局部风险感知算法预测未来轨迹并进行时空离散化风险分析以生成安全轨迹，仿真与实验验证了其有效性与实时性。
2025-06-30 cs.RO
On Disturbance-Aware Minimum-Time Trajectory Planning: Evidence from Tests on a Dynamic Driving Simulator
Università di Pisa（帕尔马大学）；Politecnico di Milano（米兰理工大学）
本文提出扰动感知的最短时间轨迹规划方法，通过动态模拟器实验验证，表明FLC在降低转向努力的同时保持较短的lap时间，提升了驾驶性能和稳定性。
2025-12-04 cs.RO cs.SY eess.SY
Safe planning and control under uncertainty for self-driving
Manipal Institute of Technology（马尼帕尔理工学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
不确定条件下的运动规划对于安全自动驾驶至关重要。在本文中，我们提出了一个统一的避障框架，处理1）自我车辆运动的不确定性;和2）来自环境的动态障碍物的预测不确定性。在规划层中使用包括短期和长期预测的两阶段交通参与者轨迹预测器来为自我车辆生成安全但不过于保守的轨迹。预测模块与现有的规划方法配合良好。我们的工作展示了它的有效性在一个弗伦内框架规划。使用管MPC的鲁棒控制器保证了在存在状态噪声和动态模型不确定性的情况下轨迹的安全执行。高斯过程回归模型用于在线识别的不确定性的界限。我们证明了我们的框架在CARLA模拟器的有效性，安全性和实时性能。
2020-10-21 cs.RO
Toward Safety-Aware Informative Motion Planning for Legged Robots
University of Michigan（密歇根大学）
本文报道了一个集成的框架，安全意识的信息运动规划适合足式机器人。信息收集计划者考虑到环境的密集随机地图，而安全约束通过控制障碍函数（CBF）来执行。该规划器是基于增量探索信息收集（IIG）算法，并允许使用模型预测控制（MPC）的形式主义闭环kinodynamic节点扩展。机器人探索和信息收集问题本质上是路径依赖问题。也就是说，沿着路径收集的信息取决于状态和观察历史。因此，仅基于模块化成本的运动规划不会导致用于探索的合适规划。我们提出了SAFE-IIG，这是一种综合信息运动规划算法，它考虑到：1）经由在环境的随机地图上计算的子模块信息函数的机器人的感知视场，2）经由用于闭环多水平节点扩展的离散时间CBF和MPC的机器人的动力学和安全约束，以及3）通过设置信息论规划视野的自动停止准则。仿真结果表明，SAFE-IIG算法能够在稠密地图上规划出安全的、动态可行的路径。
2021-03-26 cs.RO
Towards Safe Autonomous Driving: A Real-Time Safeguarding Concept for Motion Planning Algorithms
Technical University of Munich（慕尼黑工业大学）
本文提出一种运动规划保障概念，通过引入时间保障监控规划输出的时间一致性，在实时操作系统上结合约束与成本指标评估轨迹，有效检测不安全轨迹，为运行时轨迹验证提供模块化框架。
2025-07-10 cs.RO
Task-Motion Planning for Safe and Efficient Urban Driving
SUNY Binghamton（纽约州立大学宾汉姆顿分校）
自动驾驶汽车需要在任务级别进行规划，以计算一系列符号动作，例如向左合并和向右转弯，以满足人们的服务请求，其中效率是主要关注的问题。与此同时，车辆必须计算连续的轨迹，以在运动级别执行动作，其中安全是最重要的。自动驾驶中的任务-运动规划面临着在保证运动级安全的同时最大化任务级效率的问题。为此，我们开发的算法任务-运动规划的城市驾驶（TMPUD），第一次，使任务和运动规划者沟通的安全水平的驾驶行为。TMPUD已使用现实的城市驾驶模拟平台进行了评估。结果表明，TMPUD在效率方面明显优于文献中的竞争基线，同时确保驾驶行为的安全性。
2020-10-13 cs.RO
Towards Safe Autonomous Driving: A Real-Time Motion Planning Algorithm on Embedded Hardware
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI））
本文提出一种在嵌入式硬件上实时运行的轻量级轨迹规划算法，用于提升自动驾驶系统在故障情况下的安全性和可靠性。
2026-01-07 cs.RO
Safe POMDP Online Planning among Dynamic Agents via Adaptive Conformal Prediction
School of Engineering and Applied Science, University of Virginia（弗吉尼亚大学工程与应用科学学院）；University of Oxford（牛津大学）
针对多动态智能体环境下 POMDP 在线规划的安全问题，提出利用 ACP 量化轨迹预测不确定性并即时构建安全屏障，在真实行人数据实验中兼顾回报与概率安全保证。
2024-09-06 cs.RO
Motion Planning with Safety Constraints and High-Level Task Specifications
University of California, Merced（加州大学默塞德分校）
我们提出了一种方法来解决规划问题，涉及在不可预测的环境中的顺序决策，同时完成一个高层次的任务规范表示使用线性时序逻辑的形式主义。我们的方法通过引入修剪步骤来改进现有技术，该修剪步骤在保持正确性的同时显着减少计算最优策略所需的时间。我们的理论贡献是再加上模拟证实所提出的方法的价值。
2015-06-14 cs.RO
Probabilistically Safe Corridors to Guide Sampling-Based Motion Planning
Cornell Tech（康奈尔理工学院）；University of Pennsylvania（宾夕法尼亚大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在本文中，我们引入了一个新的概率安全的本地转向原语采样为基础的运动规划在复杂的高维配置空间。我们的本地转向过程是基于一个新的概念，凸概率安全走廊，构造周围的配置使用切线超平面的置信度椭球高斯混合模型从以前的碰撞历史。因此，我们建议扩展一个随机的运动规划图向一个样本目标使用其投影到概率安全走廊，有效地利用配置空间的局部几何形状选择适当的转向方向和适应转向步长。我们观察到，建议的本地转向过程产生有效的转向运动周围的困难区域的配置空间，如狭窄的通道，同时尽量减少碰撞的可能性。我们评估了建议的转向方法与随机运动规划器在一些规划方案，无论是在模拟和物理7自由度机械臂，证明了我们的安全指导本地规划器的有效性超过标准的直线规划器。
2019-01-01 cs.RO
Nonlinear Robust Optimization for Planning and Control
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种双层鲁棒轨迹优化方法，外层采用信赖域逐次凸化处理非线性动力学与约束，内层通过凸重构和增广拉格朗日法求解线性化鲁棒问题，并将线性化误差建模为扰动以增强鲁棒性。
2025-04-06 cs.RO cs.SY eess.SY
Safe Interval Randomized Path Planning For Manipulators
FRC CSC RAS（俄罗斯科学院控制科学研究所）；MIPT（莫斯科物理技术学院）；AIRI（人工智能研究所）
针对高自由度机械臂在动态障碍环境下的三维路径规划难题，提出结合安全区间路径规划与RRT-Connect的SI-RRT规划器，在运行时间和解代价上均优于现有最优方法，且代码已开源。
2025-01-17 cs.RO
Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment
本文提出由径向基函数网络指导的运动规划框架，结合RBFN候选轨迹生成、碰撞概率评估与轨迹优化，在城市驾驶场景中提升风险感知并减少车辆限制违规，确保安全与可解释性。
2026-07-30 cs.RO
Dynamic Free-Space Roadmap for Safe Quadrotor Motion Planning
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；DJI（大疆创新）
面向自由空间的路线图通常会生成一系列凸几何图元，这些图元构成了运动规划的安全区域。然而，对于这种路线图，假设是静态环境。这一假设使其无法处理动态障碍，限制了其应用。在本文中，我们提出了一个动态的自由空间路线图，它提供了可行的空间和导航图的安全四旋翼运动规划。我们的路线图是通过不断播种和提取环境中的自由区域来构建的。为了使我们的地图适应动态障碍物的环境，我们逐步将与障碍物相交的多面体分解为无障碍区域，同时图形也通过我们精心设计的机制进行更新。大量的仿真和真实世界的实验表明，我们的方法是实用和有效的。
2022-04-20 cs.RO
Safe Motion Planning and Control Using Predictive and Adaptive Barrier Methods for Autonomous Surface Vessels
SENSEable City Laboratory, Massachusetts Institute of Technology（麻省理工学院可感知城市实验室）
针对自主水面船舶传统运动规划方法计算量大或过于保守的问题，本文结合MPC与自适应膨胀椭圆障碍物表示的高阶CBFs，提出安全运动规划策略，经仿真与实船实验验证可在保障安全的同时实现狭窄空间实时通行与死锁解决。
2025-10-01 cs.RO
FaSTrack: a Modular Framework for Fast and Guaranteed Safe Motion Planning
University of California, Berkeley（加州大学伯克利分校）
动力系统快速安全地穿越先验未知的复杂环境对于自治系统的许多应用都是至关重要的。然而，自主系统的轨迹规划是计算密集型的，通常需要简化的动力学，牺牲安全性和动态可行性，以有效地规划。相反，可以使用更复杂的动态模型来计算安全轨迹，但这通常太慢而不能用于实时规划。我们提出了一个新的算法FaSTrack：快速和安全跟踪高维系统。使用简化动力学快速规划的路径或轨迹规划器可以并入FaSTrack框架，该框架为车辆提供安全控制器以及保证的跟踪误差范围。这个界限捕获了由于高维动力学和外部干扰而导致的所有可能的偏差。请注意，FaSTrack是模块化的，可用于大多数当前的路径或轨迹规划器。我们证明了这个框架使用10维非线性四旋翼模型跟踪从RRT规划器获得的3D路径。
2021-02-14 cs.RO
Safe Reinforcement Learning with a Predictive Safety Filter for Motion Planning and Control: A Drifting Vehicle Example
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）；Professorship of Autonomous Vehicle Systems, Technical University of Munich（慕尼黑工业大学自主车辆系统教授职位）
提出一种结合预测安全滤波器的安全强化学习运动规划器，通过在线调整智能体动作确保自动驾驶漂移的安全与稳定，仿真显示其在跟踪误差和计算效率上优于传统方法。
2025-06-28 cs.RO
Safe Bubble Cover for Motion Planning on Distance Fields
University of California San Diego（加利福尼亚大学圣迭戈分校）；University of Technology Sydney（悉尼科技大学）
研究距离场上无碰撞轨迹规划问题，提出基于safe bubbles的三种算法（BRM、RBG、EBG）并结合分层规划方法，相比传统基线显著降低成本与计算量。
2024-08-23 cs.RO
Trajectory Planning for Safe Dual Control with Active Exploration
Department of Robotics, University of Michigan（密歇根大学机器人学系）；Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）
本文研究了一种受预算约束的双控问题，通过整合鲁棒规划与主动探索，在保证安全性和预算可行性的同时，平衡即时任务性能与长期不确定性降低。
2026-04-16 cs.RO
Towards Fast and Safety-Guaranteed Trajectory Planning and Tracking for Time-Varying Systems
University of Melbourne（墨尔本大学）；Simon Fraser University（西蒙菲莎大学）
针对时变动力学与扰动下的自主系统，本文提出离线安全控制器结合在线轨迹重规划的跟踪方法，并将有限时域方案扩展至周期系统，通过自主水下航行器仿真验证。
2024-12-05 cs.RO cs.SY eess.SY
SafeMove-RL: A Certifiable Reinforcement Learning Framework for Dynamic Motion Constraints in Trajectory Planning
Sino-German College of Intelligent Manufacturing, Shenzhen Technology University（深圳技术大学中德智能制造学院）；Faculty of Science and Technology, University of Macau（澳门大学科技学院）
本研究提出名为SafeMove-RL的可认证强化学习框架，结合实时轨迹优化与自适应间隙分析，通过增强在线学习机制动态修正轨迹以保障安全，经多类评估及虚实平台验证，在成功率与计算效率上优于现有算法。
2025-05-19 cs.RO
Safe and Personalizable Logical Guidance for Trajectory Planning of Autonomous Driving
University of Science and Technology of China（中国科学技术大学）
本文提出逻辑引导层（LGL），通过场景推理与RSS模型，在高速公路自动驾驶中平衡安全、效率与用户偏好，实现形式化安全保证。
2024-05-22 cs.LO cs.RO
FaSTrack: a Modular Framework for Real-Time Motion Planning and Guaranteed Safe Tracking
Simon Fraser University（西蒙菲莎大学）；Princeton University（普林斯顿大学）；University of Melbourne（墨尔本大学）；California Institute of Technology（加州理工学院）
实时的【形】有保证的安全轨迹规划对于未知环境中的导航至关重要。然而，实时的【形】导航算法通常为了计算速度而牺牲鲁棒性。可替代地，可证明安全的轨迹规划对于实时的【形】重新规划而言往往是计算密集型的。我们提出了快速和安全的跟踪，一个框架，实现了实时的【形】重新规划和保证安全。在这个框架中，通过允许任何轨迹规划器使用系统的简化\textit{planning model}来实现实时的【形】计算。该计划由系统跟踪，由更真实、更高维的\textit{tracking model}表示。我们预先计算的跟踪误差界（TEB）由于两个模型之间的不匹配，由于外部干扰。我们还得到了相应的跟踪控制器用于停留在TEB。预先计算不需要环境的先验知识。我们使用Hamilton-Jacobi可达性进行预计算，并使用三种不同的跟踪规划模型对进行三种不同的实时的【形】轨迹规划。
2021-03-13 cs.RO math.OC
Safety-guaranteed trajectory planning and control based on GP estimation for unmanned surface vessels
Katholieke Universiteit Leuven（鲁汶天主教大学）；University of Melbourne（墨尔本大学）
我们提出了一个安全保证的规划和控制框架，无人水面舰艇（USVs），使用高斯过程（GPS）学习不确定性。USV遇到的不确定性，包括外部干扰和模型失配，是潜在的状态依赖性，时变的，很难捕捉恒定的模型。GP是一个功能强大的基于学习的工具，可以与基于模型的规划和控制框架集成，该框架采用Hamilton Jacobi微分博弈公式。这样的组合产生不太保守的轨迹和安全保证的控制策略。我们证明了所提出的框架在模拟和实验上的CLEARPATH苍鹭USV。
2022-05-10 cs.RO cs.SY eess.SY
SBAMP: Sampling Based Adaptive Motion Planning
General Robotics, Automation, Sensing and Perception (GRASP) Laboratory, University of Pennsylvania（宾夕法尼亚大学通用机器人、自动化、感知与感知（GRASP）实验室）
SBAMP结合RRT*全局规划与在线Lyapunov稳定的SEDS控制器，实现动态环境下的稳定实时适应与全局路径保持。
2026-04-12 cs.RO cs.SY eess.SY
Safe Feedback Motion Planning: A Contraction Theory and $\mathcal{L}_1$-Adaptive Control Based Approach
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
自主机器人能够在存在不完善的模型知识或外部干扰的情况下安全运行，这在安全关键应用中至关重要。在本文中，我们提出了一个规划者不可知的框架，设计和验证安全管周围所需的轨迹，机器人总是保证留在里面。利用最近的结果收缩分析和$\mathcal{L}_1$ -自适应控制，我们合成的架构，诱导安全管的非线性系统的状态和时变不确定性。我们演示了一些说明性的例子如何收缩理论为基础的$\mathcal{L}_1$ -自适应控制可以与传统的运动规划算法结合使用，以获得可证明安全的轨迹。
2020-05-25 cs.RO cs.SY eess.SY
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文针对不确定动态障碍物环境下的机器人运动规划安全问题，提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案，以降低碰撞风险，并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
提出Plan-R1两阶段轨迹规划框架，通过原则对齐与行为学习解耦，结合规则奖励和方差解耦GRPO，显著提升自动驾驶规划的安全性和可行性。
2026-06-02 cs.CV cs.RO
BucketKD: A Safety-Aware Bucket-Based Knowledge Distillation Framework for End-to-End Motion Planning
University of Memphis（孟菲斯大学）
针对端到端运动规划模型规模大难在资源受限平台部署的问题，提出BucketKD框架。该框架将关键环境变量离散化，并设计安全感知航路点注意力机制。实验表明，其在规划精度、安全性及压缩率方面表现出色，显著优于现有方法。
2026-07-14 cs.LG cs.RO
Fast Trajectory Planning for Multiple Quadrotors using Relative Safe Flight Corridor
Seoul National University（首尔国立大学）
提出了一种在障碍物密集环境下多旋翼飞行器的轨迹规划方法。提出了一种相对安全飞行走廊（RSFC）模型来描述智能体之间的安全区域，并利用相对Bernstein多项式的凸包性质生成线性约束以避免碰撞.我们的方法采用了基于图的多智能体寻路算法来生成一个初始轨迹，这是用来构建一个安全的飞行走廊（SFC）和RSFC。我们表示的轨迹作为一个分段伯恩斯坦多项式和制定的轨迹规划问题转化为一个二次规划问题，使用线性约束SFC和RSFC。所提出的方法可以在一秒钟内计算出16个智能体的无碰撞轨迹，在一分钟内计算出64个智能体的无碰撞轨迹，并通过仿真和室内飞行试验进行了验证。
2019-09-06 cs.RO cs.SY eess.SY
Priority-Driven Safe Model Predictive Control Approach to Autonomous Driving Applications
Mechatronics group at the Department of Electrical Engineering, Chalmers University of Technology（楚克大学电气工程系机电组）；Dept. of Electrical and Information Engineering, Italian National Ph.D. DAUSY, Polytechnic of Bari（意大利国家博士项目DAUSY巴里理工学院电子与信息工程系）
本文提出一种优先级驱动的安全模型预测控制方法，通过选择性软化低优先级约束并引入学习近似实现实时执行，在自动驾驶自适应巡航和自动变道场景中有效保障碰撞避免等硬安全约束。
2025-05-09 cs.RO cs.SY eess.SY
Kinodynamic Motion Planning via Funnel Control for Underactuated Unmanned Surface Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Uppsala University（乌普萨拉大学）
针对欠驱动无人水面艇，提出基于漏斗控制的运动学运动规划算法，通过扩展预设性能控制解决欠驱动与输入饱和问题，保证稳定性并生成无碰撞轨迹，经真实水域实验验证有效。
2024-04-26 cs.RO cs.SY eess.SY
Safely: Safe Stochastic Motion Planning Under Constrained Sensing via Duality
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
考虑一个机器人在一个不确定的环境与随机，动态障碍。尽管轨迹优化有明显的好处，但由于传感和硬件限制，通常很难在每个时间步长跟踪每个障碍物。我们介绍的安全运动规划，滚动时域控制框架，同时合成的轨迹，机器人遵循以及传感器选择策略，规定了自动相关的障碍物，同时尊重传感器的限制，以测量在每个时间步。我们使用序列二次规划进行运动规划，并规定障碍感的基础上的对偶信息与凸子问题。我们通过确保机器人与任何障碍物碰撞的概率在规划的机器人轨迹的每个时间步长都低于规定的阈值来保证安全。我们通过软件和硬件实验证明了安全运动规划器的有效性。
2022-03-05 cs.RO cs.SY eess.SY
Rapid and Safe Trajectory Planning over Diverse Scenes through Diffusion Composition
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）；University of Michigan（密歇根大学）；MIT（麻省理工学院）
针对动态环境规划难题，提出能量参数化扩散规划框架，结合轻量级安全过滤器和场景无关的数据生成管道，实现多样场景下快速安全规划，仿真与真实实验验证了其有效性、鲁棒性和适用性。
2026-07-21 cs.RO cs.SY eess.SY
Safely Probabilistically Complete Real-Time Planning and Exploration in Unknown Environments
UC-Philippine-California Advanced Research Institute（加州-菲律宾-加州高级研究机构）；ONR MURI（国防高级研究计划局（ONR）MURI）；SRC CONIX Center（SRC CONIX中心）
本文提出了一种新的运动规划框架，该框架围绕现有的动力学规划器构建，在事先未知的静态环境中保证递归可行性。通过利用来自可达性分析的鲁棒控制器，该方法对整体安全性和碰撞避免做出了强保证。运动计划始终保持在初始状态的安全后向可达集内，同时安全地探索空间。这保证了初始状态的安全性，并确保在安全探索过程中最终能找到目标。
2019-03-07 cs.RO cs.SY eess.SY
Safe Hierarchical Model Predictive Control and Planning for Autonomous Systems
Otto von Guericke University（奥托·冯·格里克大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））；Technical University of Darmstadt（达姆施塔特工业大学）
自动驾驶车辆的规划和控制通常是分层分离的。然而，不断提高的性能要求和在高度动态的环境中运行需要频繁地重新评估规划，并将控制和规划紧密集成，以确保安全。我们提出了一个集成的分层预测控制和规划方法来应对这一挑战。规划器和控制器是基于滚动时域最优控制问题的重复求解。该规划器可以选择不同的低层控制器模式，以增加灵活性和性能，而不是使用一个单一的控制器与大的安全裕度下的不确定性避免碰撞。规划是基于简化的系统动力学和安全性，但灵活的操作是通过基于混合整数线性规划公式的约束收紧来确保的。基于循环时域管的模型预测控制器保证了对不同控制模式和干扰的约束满足。这种模式的例子是具有高精度的低速运动和具有大的不确定性界限的高速运动。允许不同的控制模式减少了保守性，而问题的分层分解降低了计算成本，并使实时实现。我们推导出递归可行性的条件，以确保约束满足和避障，以保证安全，并确保层和模式之间的兼容性。仿真结果验证了所提出的分层策略的有效性和适用性。
2022-03-27 cs.RO cs.SY eess.SY
Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations
Uber ATG（Uber 先进技术集团）；University of Toronto（多伦多大学）
在本文中，我们提出了一种新型的端到端可学习网络，该网络可以为自动驾驶车辆执行联合感知，预测和运动规划，并产生可解释的中间表示。与现有的神经运动规划器不同，我们的运动规划成本与我们的感知和预测估计一致。这是通过一种新颖的可区分的语义占用表示来实现的，该表示被明确地用作运动规划过程的成本。我们的网络是从人类演示中端到端学习的。在大规模手动驾驶数据集和闭环仿真中的实验表明，该模型在模仿人类行为的同时产生更安全的轨迹，显着优于最先进的规划器。
2020-08-13 cs.AI cs.CV cs.LG
Adaptive Safety Margin Estimation for Safe Real-Time Replanning under Time-Varying Disturbance
The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
实时的【形】安全导航具有挑战性，因为工程师需要处理不确定的车辆动力学，可变的外部干扰和不完善的控制器。一个常见的安全策略是通过手动定义的边界来充气障碍物。然而，任意的静态裕度往往在更动态的场景中失败，并且对于随着时间的推移而干扰的大多数设置，使用最坏情况的假设过于保守。在这项工作中，我们提出了一个中间立场：安全边际，适应飞行。在离线阶段，我们使用蒙特卡罗模拟预先计算的安全裕度库的多个级别的干扰不确定性。然后，在运行时，我们的系统估计当前的干扰水平，以查询相关的安全裕度，最好的权衡安全和性能。我们通过大量的模拟和真实飞行测试来验证我们的方法。我们表明，我们的自适应方法显着优于静态裕度，使车辆的运行速度比最坏情况下的静态裕度快1.5倍，同时保持安全性。视频：https://youtu.be/SHzKHSUjdUU
2021-10-07 cs.RO
Safe Learning-based Tracking Control for Quadrotors under Wind Disturbances
Sun Yat-sen University（中山大学）
对于受风干扰的空中机器人来说，执行精确轨迹跟踪的安全性至关重要。本文提出了一种基于学习的保安全级联二次规划控制（SPQC），用于风扰动下的安全轨迹跟踪。SPQC控制器由位置级控制器和姿态级控制器组成。利用高斯过程（GPs）估计风扰动引起的不确定性，设计基于名义型Lyapunov的级联二次规划（QP）控制器跟踪参考轨迹。为了避免意外的障碍物跟踪时，控制障碍函数（CBF）所代表的安全约束，强制执行每个名义QP控制器的最小修改的方式。所提出的SPQC控制器的性能示出通过数值验证（a）在不同的风干扰下的轨迹跟踪，和（b）在一个杂乱的环境中的轨迹跟踪与密集的时变障碍物场下的风干扰。
2021-04-21 cs.RO
Safe Reinforcement Learning Filter for Multicopter Collision-Free Tracking under disturbances
College of Electronics and Information Engineering, Sichuan University（四川大学电子信息工程学院）
针对输入扰动下多旋翼无人机的无碰撞轨迹跟踪问题，提出结合新型鲁棒控制屏障函数的安全强化学习滤波器，通过二次规划求解保障安全控制，经仿真与实物实验验证了其有效性与优异性能。
2024-10-09 cs.RO
Provably Safe and Deadlock-Free Execution of Multi-Robot Plans under Delaying Disturbances
Massachusetts Institute of Technology（麻省理工学院）
多机器人系统中的一个长期挑战是在机器人受到干扰的环境中可靠地协调多个机器人的运动的能力。我们考虑的干扰，迫使机器人暂时停止，并延迟其沿其计划轨迹的前进，可用于建模，例如，路过的人类，机器人必须屈服。虽然反应式避碰方法经常用于这种情况下，它们可能会导致机器人之间的死锁。我们设计了一个多机器人的控制策略，执行协调的轨迹计算的多机器人轨迹规划器，并给出了一个证明，该策略是安全的，无死锁，即使机器人受到延迟干扰。我们的模拟结果表明，所提出的策略规模显着更好的干扰强度比天真的活力保持方法。实验结果进一步证实了所提出的方法是更可靠的，也更有效的比国家的最先进的反应技术。
2016-03-28 cs.RO
Safe rendering of high impedance on a series-elastic actuator with disturbance observer-based torque control
Fraunhofer Institute for Production Systems and Design Technology (IPK)（弗劳恩霍夫生产系统与设计技术研究所（IPK））；Daegu Gyeongbuk Institute of Science and Technology（大邱庆北科学技术院）
串联弹性致动器的一个重要性能指标是它们可以安全呈现的阻抗范围。先进的转矩控制，使用技术，如干扰观测器，提高转矩跟踪带宽和精度，但它们的安全阻抗范围的影响是不成立的。然而，为了定义安全阻抗范围，需要实际的耦合稳定性条件。在这里，被动为基础的条件，提出了两个变量的DOB转矩控制，并在高刚度的环境中进行了实验验证。虽然高增益PD扭矩控制已被证明可以减少Z宽度，但这里表明，DOB减少了对高增益PD反馈的需求，并允许更高的呈现阻抗。提出了一种动态前馈补偿器，它增加了DOB的最大安全阻抗，在高刚度环境和手动激励的碰撞实验中得到了验证。
2019-12-03 cs.RO
Disturbance Observer-based Control Barrier Functions with Residual Model Learning for Safe Reinforcement Learning
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Engineering Technology Department, University of Houston（休斯顿大学工程技术系）
针对强化学习训练的安全风险与仿真现实差距问题，提出结合抗扰防护与残差学习的安全RL框架，仅需不精确标称模型即可保障安全，在Safety-gym基准和实体F1/10赛车上性能优于现有方法。
2024-10-09 cs.RO
Heuristic Planning for Rough Terrain Locomotion in Presence of External Disturbances and Variable Perception Quality
Istituto Italiano di Tecnologia（意大利理工学院）；University of Oxford（牛津大学）；LAAS-CNRS（法国国家科学研究中心自动化系统实验室）
视觉反馈的质量可以在意图穿越未知和非结构化地形的足式机器人上显著变化。通过在线最先进的算法获得的环境地图通常会在几步之后由于传感不准确、滑动和意外干扰而退化。在设计运动算法时，如果处理不当，这种退化可能导致规划的轨迹与现实不一致。在这项工作中，我们提出了一种基于运动学的规划方法，使四足机器人能够成功地穿越明显粗糙的地形（例如，直径达10 cm的结石）。当可用时，该方法还允许利用视觉反馈（例如，以增强步进策略）。所提出的框架还包括反射，在特定情况下触发，并在线估计未知的时变干扰和补偿it.We的可能性证明了我们的四足机器人HyQ（85公斤），穿越不同的地形，如：坡道，岩石，砖块，托盘和楼梯上进行的实验的方法的有效性。我们还展示了估计和补偿干扰的能力，显示机器人走上坡道，同时拉着一辆附在它后面的车。
2018-11-07 cs.RO
Uncertainty-aware Safe Exploratory Planning using Gaussian Process and Neural Control Contraction Metric
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Massachusetts Institute of Technology（麻省理工学院）；University of California San Diego（加利福尼亚大学圣地亚哥分校）
在本文中，我们考虑的问题，使用机器人探索一个未知的环境，状态依赖的干扰功能，同时避免一些禁区。机器人的目标是安全地收集干扰的观察结果，并构建对潜在干扰函数的准确估计。我们使用高斯过程（GP）从数据中获得对回归误差具有高置信度的干扰估计。此外，我们使用神经收缩神经网络推导出一个跟踪控制器和相应的高置信度的不确定性管周围的标称轨迹规划的机器人，基于估计的干扰。从收缩度量的鲁棒性，误差界限可以被预先计算并由运动规划器使用，使得实际轨迹被保证是安全的。随着机器人沿其轨迹收集越来越多的观测值，对干扰的估计变得越来越准确，这反过来又提高了跟踪控制器的性能，并扩大了机器人可以安全探索的自由空间。我们评估所提出的方法使用精心设计的环境与地面车辆。实验结果表明，该方法能够使机器人安全、快速地对环境进行全面探测。
2021-05-13 cs.RO
