Verti-Bench: A General and Scalable Off-Road Mobility Benchmark for Vertically Challenging Terrain
George Mason University(乔治·马歇尔大学)
本文提出 Verti-Bench,一个专注于垂直挑战越野环境的通用可扩展机动性基准,包含100个环境和1000个任务,支持多平台、强化学习接口及失败案例数据集,并对十种机动性系统进行了评估。
2025-04-27 cs.RO
Contrastive Label Disambiguation for Self-Supervised Terrain Traversability Learning in Off-Road Environments
针对越野地形可通过性判别中标签模糊和依赖平台的问题,本文提出一种基于对比标签消歧的自监督学习框架,通过驾驶经验投影生成伪标签,并利用原型对比表示学习迭代更新伪标签,在无需人工标注的情况下实现平台和任务特定的可通过性学习,并在RELLIS-3D和戈壁沙漠数据集上验证了有效性。
2023-07-06 cs.RO
Predictive Mapping of Spectral Signatures from RGB Imagery for Off-Road Terrain Analysis
Institute for Experiential Robotics, Northeastern University(东北大学体验式机器人研究所);Khoury College of Computer Sciences, Northeastern University(东北大学科里计算机科学学院)
针对越野机器人光谱传感器成本高、部署复杂的问题,提出RS-Net将RGB图像映射为光谱特征,并结合Co-Learning估计地形属性,验证了仅用RGB相机的可行性。
2024-05-08 cs.RO
UAV-Assisted Self-Supervised Terrain Awareness for Off-Road Navigation
Université Laval(拉瓦尔大学);Northern Robotics Laboratory(北方机器人学实验室)
本文提出利用悬停无人机的空中视角,以自监督方式预测越野地形属性(振动、颠簸和能耗),实验表明相比地面图像,预测性能提升21.37%,并在高植被区域提升37.35%。
2025-03-26 cs.RO
Pose Estimation of Vehicles Over Uneven Terrain
Ariel University(阿里尔大学)
提出了一种非公路车辆在不平坦地形上运动时的位姿估计方法。它确定了车轮和地面之间的接触点,假设任意数量的车轮和地面之间存在刚性接触。地形由3D点云表示,由B补丁插值以提供连续的地形表示。对于给定的车辆质心位置和给定的偏航角,将姿态估计问题表示为刚体接触问题。通过从地面上方的给定点释放车辆,直到车轮与地面之间的接触力和重力达到平衡,来确定车轮与地面之间的接触点。接触力的计算采用奇异值分解(SVD)推导的接触矩阵。所提出的方法是计算效率,允许实时的计算在运动过程中,在几个例子中证明。精确的位姿估计可用于运动规划、稳定性分析和不平坦地形上的可通过性分析。
2019-03-05 cs.RO
YOPO-Rally: A Sim-to-Real Single-Stage Planner for Off-Road Terrain
Tianjin University(天津大学)
本文提出YOPO-Rally,一个面向越野地形的仿真到现实单阶段规划器,通过整合地形可通过性分析与路径查找的单一神经网络,在仿真中训练后零样本迁移至真实世界,有效应对森林等复杂地形导航挑战。
2025-05-24 cs.RO
B-TMS: Bayesian Traversable Terrain Modeling and Segmentation Across 3D LiDAR Scans and Maps for Enhanced Off-Road Navigation
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST));Hanwha Aerospace(韩华航空航天)
针对越野导航中三维点云地形分割对数据分布变化和凹陷区域鲁棒性不足的问题,提出基于贝叶斯广义核与三网格场图结构的B-TMS方法,实现地图级建模与分割,实验验证了其鲁棒性和适应性。
2024-06-26 cs.RO
Verti-Arena: A Controllable and Standardized Indoor Testbed for Multi-Terrain Off-Road Autonomy
University of Pennsylvania(宾夕法尼亚大学);George Mason University(乔治·梅森大学);University of Catania(卡塔尼亚大学)
本文提出可重构室内测试平台 Verti-Arena,通过标准化多地形环境、精确真值测量和远程网页接口,解决越野自主系统缺乏可控真实测试条件的问题,支持可复现实验与算法比较评估。
2025-11-08 cs.RO
Self-Reflective Terrain-Aware Robot Adaptation for Consistent Off-Road Ground Navigation
Colorado School of Mines(科罗拉多矿业学院);Army Research Laboratory (ARL)(美国陆军研究实验室(ARL))
地面机器人需要具备穿越非结构化和无准备地形并避开障碍物的关键能力,以完成现实世界机器人应用中的任务,如灾难响应。当机器人在森林等野外环境中工作时,由于地形和机器人自身特性的变化,机器人的实际行为往往与其预期或计划的行为不匹配。因此,机器人适应一致的行为生成的能力是必不可少的非结构化越野地形上的机动性。为了应对这一挑战,我们提出了一种新的自反射地形感知适应方法,用于地面机器人生成一致的控制来在非结构化越野地形上导航,这使得机器人能够通过机器人自反射更准确地执行预期的行为,同时适应不同的非结构化地形。为了评估我们的方法的性能,我们进行了广泛的实验,使用真实的地面机器人在不同的非结构化越野地形的各种功能的变化。综合实验结果表明,我们的自反射地形感知自适应方法,使地面机器人产生一致的导航行为,并优于以前的比较和基线技术。
2021-11-12 cs.LG cs.RO
Real-time Terrain Analysis for Off-road Autonomous Vehicles
针对道路粗糙度引发的自动驾驶控制风险,提出基于贝叶斯校准的实时粗糙度估计系统,结合高斯过程与半车辆模型逆向预测地形,并联动Simplex控制器动态调整限速,有效提升了车辆的运行安全与效率。
2025-06-26 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
Multifractal Terrain Generation for Evaluating Autonomous Off-Road Ground Vehicles
Michigan Technological University(密歇根理工大学)
本文提出一种基于 3D Weierstrass-Mandelbrot 函数的多重分形地形生成方法,通过改变分形维数生成 60 种越野地形,并利用自主车辆穿越实验验证了分形维数增加会显著降低车辆成功率并增加穿越难度。
2025-01-04 cs.RO
Learning When to Jump for Off-road Navigation
University at Buffalo(布法罗大学)
本文提出Motion-aware Traversability方法,通过建模实际机器人运动动态,提升越野导航的实时性和安全性,减少75%的路径绕行。
2026-05-10 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
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
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
Dynamics Modeling using Visual Terrain Features for High-Speed Autonomous Off-Road Driving
Georgia Institute of Technology(佐治亚理工学院);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室);California Institute of Technology(加州理工学院)
针对高速越野地形导致车辆动力学突变的问题,提出基于DINOv2视觉特征的混合动力学模型及端到端距离无关特征编码器,并在RACER数百公里数据集上验证。
2024-11-30 cs.RO
Performance Characterization of a Point-Cloud-Based Path Planner in Off-Road Terrain
Robust Autonomous Systems Laboratory(鲁棒自主系统实验室);Department of Electrical and Computer Engineering(电气与计算机工程系);Michigan Technological University(密歇根技术大学)
本文评估了基于点云的越野导航栈MUONS,通过3万次模拟试验和现场测试,发现Bi-RRT扩展半径对性能影响最大,验证了蒙特卡洛模拟用于参数调优的有效性。
2025-09-09 cs.RO
Fast Local Planning and Mapping in Unknown Off-Road Terrain
Texas A&M University(德州农工大学)
在本文中,我们提出了一个快速,在线地图和规划解决方案,在未知的,越野,环境中的操作。我们将障碍物检测与地形梯度图相结合,以制作简单且适应性强的成本图。该图可以在10 Hz下创建和更新。A* 规划器在地图上找到最优路径。最后,我们在控制输入空间上取多个样本,并进行运动学正向仿真,以生成可行的轨迹。然后,由成本图和与A* 路径的接近度确定的最优轨迹被选择并发送到控制器。我们的方法允许在30 Hz的速率下实时的操作。我们证明了我们的方法在各种越野地形在高速的效率。
2019-10-18 cs.CV cs.RO
CAHSOR: Competence-Aware High-Speed Off-Road Ground Navigation in SE(3)
George Mason University(乔治梅森大学)
针对高速越野车辆在SE(3)中的稳定性问题,提出CAHSOR方法,利用6自由度运动模型和TRON地形表示,实现能力感知导航,减少62%不稳定性,仅牺牲8.6%速度。
2025-03-24 cs.RO
Safe Low-Altitude Navigation in Steep Terrain with Fixed-Wing Aerial Vehicles
ETH Zürich(苏黎世联邦理工学院);CSIRO Data61(联邦科学与工业研究组织数据61部门);WSL-Institute for Snow and Avalanche Research(瑞士联邦森林、雪与景观研究所雪与雪崩研究所);Auterion AG(Auterion股份公司)
针对固定翼飞行器在陡峭受限地形中的低空安全导航问题,提出利用周期性圆形路径高效分类不可避免碰撞状态,并结合采样规划器生成无碰撞可行路径,通过真实高山飞行测试验证了实时安全规划能力。
2024-02-20 cs.RO
A Terrain-Adaptive epsilon-Constraint MPC for Uneven Terrain Kinodynamic Planning
Laboratório de Engenharia de Sistemas e Robótica, Universidade Federal da Paraíba(系统与机器人工程实验室,帕拉伊巴联邦大学);School of Computer Science, University of Lincoln(计算机科学学院,林肯大学)
本文提出了一种适应地形的epsilon约束MPC方法,用于解决车辆在不规则地形上同时优化路径效率和姿态稳定性的规划问题,通过动态调整epsilon界限来实时探索帕累托前沿,并通过半参数模型结合分析车辆动力学和稀疏高斯过程来捕捉车辆-地形动力学。
2026-09-01 cs.RO
Terrain-Attentive Learning for Efficient 6-DoF Kinodynamic Modeling on Vertically Challenging Terrain
George Mason University(乔治梅森大学)
本文提出一种面向垂直挑战地形的6-DoF运动动力学学习方法Terrain-Attentive Learning,仅关注对当前车辆-地形交互至关重要的地形,以实现机载实时高效查询,实验表明其在所有6个DoFs上的预测误差平均降低51.1%。
2024-03-25 cs.RO
6-DOF All-Terrain Cyclocopter
Tsinghua University(清华大学);Beijing Institute of Technology(北京理工大学)
本文针对六自由度全地形微型飞行器的欠驱动问题,提出PID与NMPC多模态控制策略,实现空中、地面和水下三种模式下的姿态与位置控制,并通过实验验证其有效性。
2023-09-24 cs.RO
Verti-WM: A Physics-Aided Exteroceptive World Model for Off-Road Reinforcement Learning
George Mason University(乔治梅森大学)
针对越野强化学习数据采集昂贵的问题,提出物理辅助外部感知世界模型Verti-WM,融合Transformer与地面力学模型,实现高效策略优化,预测误差降低34.6%,计算时间减少23.6倍,真实世界成功率80%。
2026-09-22 cs.RO
HOPHY: A Hierarchical Hypergraph Representation for Off-Road Path and Mission Planning
University at Buffalo(布法罗大学)
HOPHY提出一种层次超图地形表示,实现高效越野路径与任务规划,在公里级地图上达到100%规划成功率且代价偏差极小,计算量较像素A*降低79倍。
2026-09-18 cs.RO
How Does It Feel? Self-Supervised Costmap Learning for Off-Road Vehicle Traversability
Carnegie Mellon University(卡内基梅隆大学);DEVCOM Army Research Laboratory(美国陆军作战能力发展司令部陆军研究实验室);Booz Allen Hamilton(博思艾伦汉密尔顿)
估计越野环境中的地形可通行性需要推理机器人和这些地形之间的复杂的交互动力学。然而,创建信息标签来以监督的方式学习这些交互的模型是具有挑战性的。我们提出了一种方法,学习预测通过性costmaps相结合的外感受环境信息与本体感受地形交互反馈的自我监督的方式。此外,我们提出了一种新的方式,将机器人速度的costmap预测管道。我们使用两个不同的大型全地形机器人在具有挑战性的越野地形上进行多个短期和大型导航任务,验证了我们的方法。我们的短尺度导航结果表明,使用我们学习的costmaps导致整体更平滑的导航,并为机器人提供了更细粒度的机器人-地形交互的理解。我们的大规模导航试验表明,在400米至3150米的具有挑战性的越野路线中,与基于占用率的导航基线相比,我们可以减少多达57%的干预次数。附录和完整的实验视频可以在我们的网站上找到:https://mateoguaman.github.io/hdif。
2023-02-15 cs.LG cs.RO
VCTP: Vehicle-Conditioned Terrain Planning for Off-Road Navigation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);U.S. Army Engineer Research and Development Center(美国陆军工程兵研究与发展中心)
VCTP通过评估八个航向和车轮接触点来规划越野路线,相比中心采样降低地表成本39.3%,并在474次比较中实现选择性更新与全量重算一致。
2026-09-17 cs.RO
A Genetic Approach to Gradient-Free Kinodynamic Planning in Uneven Terrains
Innopolis University(因诺波利斯大学);University of Lincoln(林肯大学)
针对三角网格建模不平坦地形中类车机器人的运动动力学规划问题,提出基于遗传算法的GAKD算法,通过滚动时域内启发式变异遗传优化轨迹,相比MPPI等方法通行成本提升20%,为复杂环境路径规划提供实用方案。
2025-04-17 cs.RO
Learning to Drive Off Road on Smooth Terrain in Unstructured Environments Using an On-Board Camera and Sparse Aerial Images
McGill University(麦吉尔大学)
我们提出了一种方法,学习驾驶在光滑的地形,同时避免碰撞,在具有挑战性的越野和非结构化的户外环境中,只使用视觉输入。我们的方法应用了一种混合的基于模型和无模型强化学习方法,该方法在使用车载传感器标记地形粗糙度和碰撞时完全是自我监督的。值得注意的是,我们为我们的模型提供了第一人称和头顶航拍图像输入。我们发现,这些互补输入的融合提高了规划的远见,使模型鲁棒的视觉障碍。我们的研究结果表明,具有丰富的植被,各种类型的岩石和沙质小径的环境推广的能力。在评估过程中,我们的政策实现了90%的平滑地形遍历,并减少了6.1倍的粗糙地形驱动相比,仅使用第一人称图像的模型的比例。
2020-04-09 cs.CV cs.LG cs.RO
TartanDrive: A Large-Scale Dataset for Learning Off-Road Dynamics Models
Carnegie Mellon University(卡内基梅隆大学);University of Pittsburgh(匹兹堡大学)
我们介绍了TartanDrive,这是一个用于学习越野驾驶动力学模型的大规模数据集。我们收集了大约20万个越野驾驶交互的数据集,这些数据集是在一辆改装的雅马哈Viking ATV上进行的,该ATV在不同的地形中具有七种独特的传感模式。据作者所知,这是最大的真实世界多模式越野驾驶数据集,无论是在交互数量还是传感模式方面。我们还基准测试了几种最先进的方法,用于从该数据集的高维观察中进行基于基于模型的强化学习。我们发现,将这些模型扩展到多模态会导致越野动力学预测的显着性能,特别是在更具挑战性的地形。我们还确定了目前的神经网络架构的越野驾驶任务的一些缺点。我们的数据集可以在https://github.com/castacks/tartan_drive上找到。
2022-05-03 cs.RO
XTENTH-CAR: A Proportionally Scaled Experimental Vehicle Platform for Connected Autonomy and All-Terrain Research
Virginia Tech(弗吉尼亚理工学院)
针对全尺寸CAV/AGV实验成本高、场地大的问题,提出开源、低成本的1/10比例缩放平台XTENTH-CAR,配备Jetson AGX Orin等传感器与ROS驱动,支持DRL等算法,便于紧凑环境实验及跨平台开发。
2023-09-01 cs.RO
Reasoning About Traversability: Language-Guided Off-Road 3D Trajectory Planning
Department of Automotive Engineering, Hanyang University, Seoul, Republic of Korea(韩雅大学汽车工程系,首尔,大韩民国)
本文提出语言精修框架与偏好优化策略,通过动作对齐监督和地形感知优化,提升越野3D轨迹规划的合规性与地形一致性。
2026-04-23 cs.RO
Velocity Selection for High-Speed UGVs in Rough Unknown Terrains using Force Prediction
University of Calgary(卡尔加里大学)
为了使无人驾驶地面车辆(UGV)能够在未知的粗糙地形中高速导航,需要对UGV前方的地形进行评估。为了确定给定地形的最大允许速度,已经尝试预测地形施加在UGV上的力。然而,目前的方法产生过于激进的速度剖面,这可能会损坏UGV。本文提出了三种新的更安全的力预测方法,产生有效的速度分布。两种模型,瞬时高程变化模型(IECM)和正弦基础激励模型:使用激励力(SBEM:EF),预测地面接触点处地形对车辆施加的力,而另一种方法,正弦基础激励模型:使用传递力(SBEM:TF),预测悬架传递到车架的力。
2014-06-30 cs.RO
Modeling and Analysis of Unmanned Remote Guided Vehicle on Rough and Loose Snow Terrain
College of Engineering Pune(浦那工程学院);RMD Sinhgad School of Engineering(RMD辛加德工程学院);Vellore Institute of Technology(韦洛尔理工大学);Trinity Academy of Engineering(三一工程学院)
人类在偏远的冰雪地区生存是不安全和危险的。许多问题,如关节炎,冻伤,哮喘,饥饿可以引起并导致死亡。印度军方提供了重型运输车辆,需要人力进行监测。因此,它必须促进紧凑的运输,以满足所有要求。这项研究旨在设计和分析用于运输的移动无人驾驶车辆并提供医疗帮助、食物和在这些地区生存所需的其他基本物品。这也可以用于军事服务,以挽救士兵的生命,风险较小。它是典型的中等重量,高速车辆,可承载高达35公斤的负载,可以通过松散的积雪,使用履带崎岖的地形。该车辆的显著特点是,它由螺旋叶片和V形扫雪机组成,可以在雪地中行驶。因此,它将在向外的方向排斥雪的自我提取。它还采用了滑雪板和枢纽改变方向和顺利暂停。在CATIA中建立了整车的三维模型,在ANSYS中进行了结构分析。提出了控制系统设计和机电一体化集成,通过组装各种组件来开发原型。
2021-01-13 cs.RO
Control of rough terrain vehicles using deep reinforcement learning
Umeå University(于默奥大学);Swedish University of Agricultural Sciences(瑞典农业科学大学)
我们探讨了在人类操作员和传统控制方法不足的情况下使用深层加固来控制地形车辆的潜力。这封信提出了一个控制器,感知,计划,并成功地控制一个16吨的林业车辆与两个框架铰接关节,六个车轮,和他们的主动铰接悬架穿越崎岖的地形。精心塑造的奖励信号促进了安全、环保和高效的驾驶,从而导致了前所未有的驾驶技能的出现。我们在虚拟环境中测试学到的技能,包括从森林遗址的高密度激光扫描重建的地形。该控制器显示了处理障碍物的能力,坡度高达27 $^\circ$,以及各种自然地形,所有这些都具有有限的车轮滑移,平稳和直立的穿越与智能使用的主动悬架。结果证实,与人类操作员或传统控制方法相比,深度强化学习有潜力增强对具有复杂动力学和高维观测数据的车辆的控制,特别是在崎岖地形中。
2021-07-05 cs.AI cs.RO
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
Localization and Offline Mapping of High-Voltage Substations in Rough Terrain Using a Ground Vehicle
School of Electrical & Computer Engineering, National Technical University of Athens(雅典国立技术大学电气与计算机工程学院)
本文提出一种基于FAST-LIO2的混合定位与建图框架,结合激光雷达和惯性数据,使无人地面车辆能在崎岖地形的高压变电站中实现已知地图定位、未知场景探索与扩展建图,并支持地面可通行区域分析及视觉与热数据巡检。
2024-03-28 cs.RO
PIVOT: Physically Informed Vision-Language Off-Road Traversability for Field Robot Navigation
PIVOT系统融合几何规划与视觉-语言模型语义推理,通过物理相关性加权评分,在越野导航中将自主性从59.6%提升至97.0%,减少人工干预,显著增强自主导航能力。
2026-09-21 cs.RO
NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility
George Mason University(乔治梅森大学);University of Catania(卡塔尼亚大学)
NeSAM是结合Bekker-Wong地面力学与Transformer残差模型的神经符号框架,可在线估计土壤参数,在模拟与真实越野场景中提升运动预测准确率及轨迹跟踪精度。
2026-08-24 cs.RO
Demonstrating HOUND: A Low-cost Research Platform for High-speed Off-road Underactuated Nonholonomic Driving
本文提出低成本1/10比例越野自主驾驶平台HOUND,结合BeamNG模拟器与防翻滚安全系统,并通过50公里实车试验验证其在复杂地形高速行驶的耐久性与有效性。
2024-07-06 cs.RO
Stabilization of vertical motion of a vehicle on bumpy terrain using deep reinforcement learning
Clemson University(克莱姆森大学)
本研究通过训练深度强化学习智能体控制车辆速度,以最小化颠簸地形上行驶车辆的垂直加速度,从而解决越野车辆垂直振荡稳定化问题。
2024-09-21 cs.RO
VertiAdaptor: Online Kinodynamics Adaptation for Vertically Challenging Terrain
George Mason University(乔治梅森大学)
提出VertiAdaptor在线自适应框架,通过函数编码器融合高程与语义嵌入,实现地形感知的运动学动力学建模与规划,在仿真和实物平台上预测精度提升23.9%,自适应速度提高5倍。
2026-07-01 cs.RO
Learning to Model and Plan for Wheeled Mobility on Vertically Challenging Terrain
George Mason University(乔治梅森大学)
本文提出一种学习方法,通过建模车辆-地形前向动力学并据此规划运动,使轮式机器人在垂直挑战地形上实现可行、稳定且高效的行驶,实验显示导航成功率提升60%、不稳定姿态角降低46%。
2023-09-23 cs.RO
Model Predictive Control for Aggressive Driving Over Uneven Terrain
University of Washington(华盛顿大学)
本文提出基于物理的MPC框架,通过并行化侧翻与沟渠穿越约束,在不平坦地形上实现安全且更快的激进自主驾驶,实验表明可比几何方法快22%。
2024-06-07 cs.RO
Interaction of Autonomous and Manually-Controlled Vehicles:Implementation of a Road User Communication Service
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学)
自动化程度不同的车辆之间的通信越来越具有挑战性,因为高度自动化的车辆无法解释其他道路使用者的非语言标志。对道路缺乏了解导致对自动驾驶汽车的信任度降低,并损害交通安全。为了解决这些问题,我们提出了道路用户通信服务,一个软件即服务平台,它为不同自动化程度的车辆提供信息交换和云计算服务。为了检查所提出的解决方案的可操作性,在测试轨道上进行了现场测试,其中自主JKU-ITS研究车辆通过实施的服务请求手动控制车辆中的驾驶员的状态。测试结果验证了该方法作为通信平台的可行性。提供了源代码的链接。
2022-04-28 cs.RO
Automatic Generation of Road Geometries to Create Challenging Scenarios for Automated Vehicles Based on the Sensor Setup
Institute of Automotive Technology, Technical University of Munich(慕尼黑工业大学汽车技术研究所)
对于自动驾驶汽车的离线安全评估,必须有效地识别最具挑战性和关键性的场景。因此,我们提出了一种新的方法来定义具有挑战性的场景的基础上的传感器设置模型的自我车辆。首先,使用A* 算法计算道路使用者到自我车辆的静态最优接近路径。我们认为自动驾驶汽车对道路使用者的感知较差是最佳的,因为我们希望定义尽可能关键的场景。然后将路径转换为动态场景,在动态场景中确定道路使用者的轨迹和道路布局。其结果是一个最佳的道路几何形状,使自我车辆可以感知接近的对象尽可能差。我们工作的重点是高速公路作为运营设计领域(ODD)。
2020-08-26 cs.RO
Feeling Terrain Before Crossing: World Models for Off-Road Navigation
Seoul National University(首尔大学)
提出Feel-WM,首个以本体感觉为条件并预测机器人物理未来与视觉场景的越野导航世界模型,在真实与仿真中优于仅视觉模型,并成功部署于山间小径。
2026-09-18 cs.CV cs.RO
3DTTNet: Multimodal Fusion-Based 3D Traversable Terrain Modeling for Off-Road Environments
Shenzhen Automotive Research Institute, Beijing Institute of Technology, Shenzhen(深圳汽车研究院,北京理工大学,深圳);School of Mechanical Engineering, Beijing Institute of Technology, Beijing(机械工程学院,北京理工大学,北京);Research Center for Intelligent Computing Systems, Institute of Computing Technology, Chinese Academy of Sciences, Beijing(智能计算系统研究中心,计算技术研究所,中国科学院,北京)
针对越野环境感知难题,提出多模态融合的3DTTNet模型,结合LiDAR与单目图像实现稠密三维可通行地形建模,并引入RELLIS-OCC数据集,实验显示场景补全IoU提升42%。
2025-08-06 cs.AI cs.CV cs.RO
DGT-Map: Directional Global Traversability Mapping Utilizing Multi-Task Learning for Heterogeneous Vehicles
Worcester Polytechnic Institute (WPI)(伍斯特理工学院)
针对越野可通行性的方向依赖与车辆特异问题,提出自监督多任务框架DGT-MAP,生成方向性车辆条件化代价地图,在仿真中取得最高导航成功率。
2026-10-27 cs.RO
Traverse the Non-Traversable: Estimating Traversability for Wheeled Mobility on Vertically Challenging Terrain
George Mason University(乔治梅森大学)
针对轮式机器人在垂直挑战地形上被误判为不可通行的问题,提出基于数据驱动和过往运动动力学交互的TNT可通过性估计器,引导下游规划器并提升规划性能、效率和稳定性。
2024-09-26 cs.RO
Reinforcement Learning Compensated Model Predictive Control for Off-road Driving on Unknown Deformable Terrain
Department of Automotive Engineering, Clemson University(汽车工程系,克莱姆森大学);Ground Vehicle Systems Center, U.S. Army Combat Capabilities Development Command(地面车辆系统中心,美国陆军作战能力发展指挥部)
本文提出了一种结合深度强化学习和模型预测控制的AC2MPC控制器,用于未知变形地形的高速越野驾驶,通过减少训练数据和提高泛化能力,实现了更高效和安全的控制性能。
2026-01-22 cs.RO cs.SY eess.SY
Vehicle Localization and Control on Roads with Prior Grade Map
University of California, Berkeley(加州大学伯克利分校)
本文提出了一种基于地图的车辆定位方法。该方法利用道路坡度图和车载传感器测量的先验知识来准确地估计车辆的纵向位置。实时定位对于利用位置相关信息进行规划和控制的系统至关重要。我们验证了分层控制系统的定位方法的有效性。高级规划器通过利用交通状况和道路坡度数据来优化车辆速度,以最小化给定路线的能量消耗。较低的水平是巡航控制系统,跟踪位置相关的最佳参考速度。所提出的定位算法的性能进行评估,使用仿真和实验。
2018-09-11 cs.RO
Co-Design of Rover Wheels and Control using Bayesian Optimization and Rover-Terrain Simulations
本文提出利用贝叶斯优化和高保真模拟,实现越野车辆轮子设计与控制的协同优化,提升全车辆在可变形地形中的性能。
2026-02-02 cs.RO