PIC4rl-gym: a ROS2 modular framework for Robots Autonomous Navigation with Deep Reinforcement Learning
Politecnico di Torino（都灵理工大学）
学习代理可以优化标准的自主导航，通过采用各种各样的方法来提高系统的灵活性，效率和计算成本。这项工作介绍了\textit{PIC4rl-gym}，一个基本的模块化框架，通过混合机器人社区的标准工具ROS 2和Gazebo，以及深度强化学习（DRL）来增强导航和学习研究。本文描述了PIC 4 rl-gym的整体结构，它充分集成了DRL Agent在多种室内和室外导航场景和任务中的训练和测试。采用模块化方法，通过选择新的平台、传感器或模型，轻松定制仿真。我们展示了我们的新健身房的潜力，通过基准测试产生的政策，训练不同的导航任务，与一套完整的指标。
2022-11-19 cs.AI cs.RO
Robot Localization and Navigation through Predictive Processing using LiDAR
Radboud University（拉德堡德大学）
了解机器人在世界上的位置对于导航至关重要。如今，贝叶斯滤波器，如卡尔曼滤波器和基于粒子的滤波器，是移动机器人中的标准方法。最近，端到端学习已经允许扩展到高维输入和改进的泛化。然而，提供可靠的激光导航仍然存在局限性。在这里，我们展示了一个概念验证的预测处理启发的方法，感知应用于定位和导航使用激光传感器，而不需要里程计。我们通过自监督学习学习激光器的生成模型，并通过变分自由能界上的随机梯度下降进行在线状态估计和导航。我们评估了一个移动机器人（TIAGo基地）与激光传感器（SICK）在凉亭的算法。结果表明，改进的状态估计性能相比，一个国家的最先进的粒子滤波器在没有里程计。此外，相反，标准的贝叶斯估计方法，我们的方法也使机器人导航时，提供所需的目标，通过推断的行动，最大限度地减少预测误差。
2021-09-09 cs.AI cs.RO
Situated Multimodal Control of a Mobile Robot: Navigation through a Virtual Environment
Brandeis University（布兰迪斯大学）
我们提出了一个新的界面，用于控制导航机器人在新的环境中使用协调的手势和语言。我们使用一个带有激光雷达和摄像头的TurtleBot3机器人，一个机器人在探索时遇到的具体模拟，以及一个促进通用通信的跨平台桥梁。人类伙伴可以使用英语口语和相对于模拟环境的手势向机器人传递指令，以引导机器人完成导航任务。
2020-07-13 cs.AI cs.CL cs.RO
Exploring Social Motion Latent Space and Human Awareness for Effective Robot Navigation in Crowded Environments
TCS Research（塔塔咨询服务公司研究院）
本文提出利用社交运动潜在空间生成控制指令，并引入人类意识概念，以提升拥挤环境中机器人导航的成功率、平滑性和预见性。
2023-10-11 cs.AI cs.LG cs.RO
Aligning Robot Navigation Behaviors with Human Intentions and Preferences
本论文研究如何利用机器学习使移动机器人导航行为与人类意图和偏好对齐，提出基于模仿学习的视觉导航方法、自监督地形感知越野导航算法以及社会规范导航数据集与算法，有效缓解自主导航中的价值错位问题。
2024-09-16 cs.AI cs.LG cs.RO
HuNavSim: A ROS 2 Human Navigation Simulator for Benchmarking Human-Aware Robot Navigation
Pablo de Olavide University（巴勃罗·德·奥拉维德大学）
本文提出首个基于 ROS 2 的开源人类导航仿真器 HuNavSim，提供丰富逼真的人类导航行为和完整的社会导航基准测试指标，旨在简化人类感知机器人导航系统的开发与评估。
2023-09-13 cs.RO
Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation
Northeastern University（东北大学）；Institute for Experiential Robotics（体验机器人研究所）
提出无机器人的数据收集范式UNI，利用助行器和手机收集物理约束演示，训练轮式导航模型，降低轨迹误差并实现闭环迁移。
2026-09-29 cs.RO
Can Causal Models Enhance Robot Navigation? Online Causal Adaptation for Real-Robot Navigation
Chalmers University of Technology（查尔姆斯理工大学）
研究因果模型在真实机器人导航中的迁移问题，提出离线评估和在线自适应两种应用方式，实验表明因果模型在复杂场景下能显著提升导航性能。
2026-06-16 cs.RO
ProxEmo: Gait-based Emotion Learning and Multi-view Proxemic Fusion for Socially-Aware Robot Navigation
University of Maryland, College Park（马里兰大学帕克分校）
我们提出了ProxEmo，一种新的端到端的情感预测算法，用于行人之间的社会意识机器人导航。我们的方法预测感知的情绪行人步行步态，然后用于情感引导导航，同时考虑到社会和情绪的限制。为了对情绪进行分类，我们提出了一种基于多视图骨架图卷积的模型，该模型适用于安装在移动机器人上的商品相机。我们的情感识别集成到一个无地图导航方案，并没有假设行人运动的环境。在步态基准测试数据集上，该算法的平均情感预测精度达到82.47%。我们优于当前最先进的算法，用于从3D步态进行情感识别。我们强调它的好处，在室内场景中使用Clearpath豺狼机器人导航。
2020-07-28 cs.AI cs.HC cs.RO
Robot Navigation with Entity-Based Collision Avoidance using Deep Reinforcement Learning
Lomonosov Moscow State University, Moscow, Russia（罗蒙诺索夫莫斯科国立大学，莫斯科，俄罗斯）
针对动态环境中机器人与多类实体交互的安全导航问题，提出利用实体类型信息的深度强化学习避障方法及新型奖励函数，并通过优化算法加速训练，实验表明其性能优于现有方法。
2025-09-28 cs.AI cs.LG cs.RO
Obtaining Robust Control and Navigation Policies for Multi-Robot Navigation via Deep Reinforcement Learning
Fraunhofer IML（弗劳恩霍夫物流研究院）；Westfälische Hochschule Gelsenkirchen（盖尔森基兴威斯特伐利亚应用科学大学）
多机器人导航是一个具有挑战性的任务，其中多个机器人必须同时协调动态环境中。我们应用深度强化学习（DRL）来学习一种分散的端到端策略，该策略将原始传感器数据映射到代理的命令速度。为了使策略能够泛化，在不同的环境和场景中执行训练。在常见的多机器人场景中，如切换一个地方，一个十字路口和一个瓶颈的情况下，学习的政策进行测试和评估。此策略允许代理从死胡同中恢复并在复杂环境中导航。
2022-09-07 cs.RO
Online Robot Navigation and Manipulation with Distilled Vision-Language Models
针对动态未知环境下机器人导航存在的未知物体识别难、复杂场景通行受限等问题，提出结合零样本开放世界分割、无标签可通行空间蒸馏及边缘轻量裁剪的完整框架，在场景感知与导航的精度和效率上均实现提升。
2024-05-12 cs.RO
SOCIALGYM 2.0: Simulator for Multi-Agent Social Robot Navigation in Shared Human Spaces
University of Texas, Austin（德克萨斯大学奥斯汀分校）
我们提出SocialGym 2，多智能体导航模拟器的社会机器人研究。我们的模拟器模拟多个自主智能体，在复杂的环境中复制真实世界的动态，包括门口，走廊，十字路口和环形交叉口。与传统的模拟器不同，SocialGym 2采用多智能体强化学习（MARL）来为复杂环境中具有不同动态约束的多个机器人制定最佳导航策略。SocialGym 2基于PettingZoo MARL库和Stable Baselines3 API构建，提供了一个可访问的Python接口，通过ROS消息传递与导航堆栈集成。SocialGym 2可以很容易地安装并打包在Docker容器中，它提供了交换和评估不同MARL算法的能力，以及自定义观察和奖励功能。我们还提供脚本，允许用户创建自己的环境，并使用各种社交导航算法进行基准测试，报告广泛的社交导航指标。预计托管于：https://amrl.cs.utexas.edu/social_gym/index.html
2023-03-09 cs.AI cs.MA cs.RO
PlaceNav: Topological Navigation through Place Recognition
Tampere University（坦佩雷大学）
本文提出 PlaceNav，通过视觉地点识别与贝叶斯滤波重构拓扑导航的子目标选择，利用非机器人大规模数据提升训练可用性，并在室内外任务中显著提高成功率与计算效率。
2024-02-29 cs.AI cs.LG cs.RO
Designing Privacy-Preserving Visual Perception for Robot Navigation Based on User Privacy Preferences
本文提出以用户为中心的隐私保护视觉感知设计方法，通过用户研究发现用户偏好隐私保护的视觉抽象和低分辨率保存机制，并据此制定可配置的隐私政策。
2026-07-01 cs.RO
Real-Time Navigation for Bipedal Robots in Dynamic Environments
Ohio State University（俄亥俄州立大学）；Ottonomy Inc.（Ottonomy公司）
移动机器人的普及一直在稳步增长，这些机器人越来越多地被用来执行以前由人类工人完成的任务。为了让双足机器人也能取得同样的成功，需要开发出强大的自主导航系统，能够实时的【形】执行并对动态环境做出响应。这些系统可以分为三个阶段：感知、规划和控制。双足机器人的整体导航框架必须成功地整合自主导航问题的所有三个组成部分，以实现强大的现实世界的导航。在本文中，我们提出了一个实时的【形】导航框架，在动态环境中的双足机器人。该系统解决了导航问题的所有组成部分：我们引入了一个基于深度的感知系统，用于障碍物检测，映射和定位。一个两阶段的规划器被开发来生成对未知和动态环境鲁棒的无碰撞轨迹。并在Digit双足机器人的步行步态控制器上执行轨迹。通过一系列包含未知环境和动态障碍物的仿真和硬件实验，验证了导航框架。
2022-10-07 cs.RO
Autonomous Navigation with Mobile Robots using Deep Learning and the Robot Operating System
Imperial College London（帝国理工学院）；AIOZ Ltd.（AIOZ有限公司）
自主导航是机器人研究的一个长期领域，它为移动机器人提供了一种基本的能力，使其能够在人类日常执行的相同环境中执行一系列任务。在本章中，我们提出了一套算法，训练和部署深度网络的自主导航的移动机器人使用机器人操作系统（ROS）。我们描述了解决这个问题的三个主要步骤：i）使用ROS和Gazebo在模拟环境中收集数据; ii）设计用于自主导航的深度网络; iii）在模拟和现实世界中的移动机器人上部署学习策略。从理论上讲，我们提出了深度学习架构，用于在正常环境中进行鲁棒导航（例如，人造房屋、道路）和复杂环境（例如，倒塌的城市或天然洞穴）。我们进一步表明，使用视觉模态，如RGB，激光雷达和点云是必不可少的，以提高移动机器人的自主性。我们的项目网站和演示视频可以在https://sites.google.com/site/autonomousnavigationros上找到。
2020-12-07 cs.RO
Enhancing Robot Navigation Efficiency Using Cellular Automata with Active Cells
Jadara University（贾达拉大学）；Xiamen University Malaysia（厦门大学马来西亚分校）；Wrexham University（雷克瑟姆大学）；University of South Wales（南威尔士大学）
本文提出一种基于具有活动细胞的元胞自动机内部导航系统，通过嵌入式地图、六边形镶嵌和距离控制模块，提升单机器人及多机器人在干扰和障碍环境中的自主导航效率与精度。
2024-04-02 cs.RO
MengeROS: a Crowd Simulation Tool for Autonomous Robot Navigation
The Graduate Center（纽约市立大学研究生中心）；Hunter College of The City University of New York（纽约市立大学亨特学院）
虽然在大型拥挤的环境中有效导航对于自主机器人至关重要，但支持它的算法的初步测试需要在广泛的人群场景中进行模拟。大多数可用的仿真工具提供没有机器人的真实人群或没有真实人群的真实机器人。本文介绍了MengeROS，一个2-D模拟器，逼真地集成了多个机器人和人群。MengeROS提供了广泛的设置，用于测试为大型拥挤环境设计的导航算法的功能和性能。
2018-01-26 cs.RO
Long-Range Indoor Navigation with PRM-RL
Robotics at Google（谷歌机器人部门）
长距离室内导航需要引导带有噪声传感器和控制器的机器人沿着跨越各种建筑物的路径穿过杂乱的环境。我们实现了这一点与PRM-RL，分层机器人导航方法，其中强化学习代理映射噪声传感器的机器人控制学习解决短程避障任务，然后基于采样的规划者地图，这些代理可以可靠地在模拟导航;这些路线图和代理，然后部署在机器人上，引导他们沿着代理可能成功的最短路径。在这里，我们使用概率路线图（PRM）作为基于采样的规划器，AutoRL作为室内导航环境中的强化学习方法。我们评估的方法在模拟运动学差动驱动和kinodynamic车一样的机器人在几个环境中，并在三个物理站点的差动驱动机器人。我们的研究结果表明，带有AutoRL的PRM-RL比几个基线更成功，对噪声具有鲁棒性，并且可以在模拟和机器人上面对噪声和障碍物引导机器人超过数百米，包括超过5.8公里的物理机器人导航。视频：https://youtu.be/xN-OWX5gKvQ
2020-02-22 cs.AI cs.LG cs.RO
FASTNav: Fine-tuned Adaptive Small-language-models Trained for Multi-point Robot Navigation
School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院）
针对大语言模型难以在边缘设备本地部署用于机器人导航的问题，提出包含微调、师生迭代等模块的FASTNav方法增强小语言模型，经仿真和真机验证可低成本高精度部署，为边缘端语言引导机器人导航提供可行方案。
2024-11-20 cs.AI cs.HC cs.RO
Real-Time Neuromorphic Navigation: Guiding Physical Robots with Event-Based Sensing and Task-Specific Reconfigurable Autonomy Stack
Purdue University（普渡大学）
本文提出可重构 Neuromorphic Navigation 框架，利用基于事件的神经形态视觉贯通感知、规划与控制，并在 Turtlebot 和 Bebop2 上验证其实时自主导航能力。
2025-03-11 cs.RO
Correct-by-Construction Navigation Functions with Application to Sensor Based Robot Navigation
Cyprus University of Technology（塞浦路斯理工大学）；Technion Israel Institute of Technology（以色列理工学院）
本文汇集了导航变换和调和函数的概念，形成导航功能，是正确的建设的意义上，没有调整是必需的。导航功能的形式与环境中障碍物的数量明确相关。这使得能够在部分或完全未知的环境中应用用于自主机器人导航的导航功能，具有当机器人发现新障碍物时对导航功能进行即时调整的能力。本文首先针对运动学点质量机器人和动态点质量机器人系统，提出并分析了适用于具有局部、扇形有界传感的机器人的导航控制器。所提出的导航方案的封闭形式性质提供了基于在线快速反馈的导航。除了分析保证，仿真研究，以验证该方法的有效性。
2021-03-07 cs.RO cs.SY eess.SY
Grounding Implicit Goal Description for Robot Indoor Navigation Via Recursive Belief Update
Baidu Research Institute（百度研究院）
基于自然语言的机器人导航仍然是一个具有挑战性的问题，由于人类知识的导航约束，目的地是不直接兼容的机器人知识库。在本文中，我们的目标是翻译成高层次的机器人导航计划的自然目的地命令给感兴趣的地图。我们识别语法相关的目的地描述的片段，并递归地应用它们中的每一个来更新给定map.We训练一个目的地接地模型使用一个数据集的单步信念更新精确，接近，和方向修饰符类型的信念分布。我们展示了我们的方法在现实世界中的导航任务在一个办公室，由80个领域。离线实验结果表明，我们的方法可以直接提取目标的目的地从听不到的，长的，和复合文本命令要求人类。这使得用户能够以一般和自然的形式为机器人指定他们的目的地目标。硬件实验结果也表明，所设计的模型为服务机器人导航目标的指定带来了很大的方便。
2020-11-10 cs.RO
Proactive Anomaly Detection for Robot Navigation with Multi-Sensor Fusion
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
尽管导航算法的快速发展，移动机器人往往会产生异常的行为，可能导致导航失败。检测这种异常行为的能力是现代机器人实现高度自主的关键组成部分。反应式异常检测方法基于当前机器人状态识别异常任务执行，因此缺乏在实际故障发生之前警告机器人的能力。由于对机器人和周围物体的潜在损坏，这种警报延迟是不期望的。我们提出了一个主动异常检测网络（PAAD）的机器人导航在非结构化和不确定的环境。PAAD基于来自预测控制器的计划运动和来自感知模块的当前观察来预测未来故障的概率。多传感器信号被有效地融合，以在现场环境中所见的传感器遮挡的存在下提供鲁棒的异常检测。我们对现场机器人数据的实验表明，故障识别性能优于以前的方法，我们的模型可以实时捕获异常行为，同时在混乱的领域保持较低的误检率。代码、数据集和视频可在https://github.com/tianchenji/PAAD上获得
2022-04-03 cs.AI cs.LG cs.RO
VGPN: Voice-Guided Pointing Robot Navigation for Humans
Tsinghua University（清华大学）；University of Bath（巴斯大学）
指出手势是目前机器人导航中广泛使用的方法。然而，大多数方法仅使用指向手势，并且这些具有两个主要限制。首先，它们需要始终识别指向手势，这导致长的处理时间和显著的系统开销。其次，用户的指向可能不是很准确，因此机器人可能会去到不希望的地方。为了缓解这些限制，我们提出了一个语音引导指向机器人导航方法命名为VGPN，并实现其原型上的轮式机器人，TurtleBot 2。VGPN仅在语音信息不足以进行导航时才识别指向手势。VGPN还使用语音信息作为辅助通道，以帮助确定用户指向手势的目标位置。在评估中，我们将VGPN与仅点导航方法进行了比较。实验结果表明，VGPN有效地减少了不需要指向手势时的处理时间开销，提高了用户对导航精度的满意度。
2020-04-03 cs.RO
Human-centered Benchmarking for Socially-compliant Robot Navigation
UTBM（贝尔福-蒙贝利亚尔技术大学）；CIAD（知识获取与决策实验室）；Center for Bioinformatics, Saarland Informatics Campus（萨尔兰信息学园区生物信息学中心）
本文提出以人为本的端到端基准测试框架，利用RoSAS评估四种开源导航方法的社会兼容性，并验证其与机器人中心指标的对应关系。
2023-07-09 cs.RO
VRChain: A Blockchain-Enabled Framework for Visual Homing and Navigation Robots
Fordham Univ.（福特汉姆大学）
视觉寻的是一种轻量级的机器人视觉导航方法。基于所存储的家庭位置的视觉信息，可以通过将家庭与当前图像进行比较来从该位置可见的任何其他位置完成回到该位置的导航。然而，视觉寻的的一个关键挑战是，目标起始位置必须在机器人的视场（FOV）内才能开始寻的。因此，这项工作通过将区块链技术集成到视觉导航系统中来解决这一挑战。基于区块链的去中心化特性，该解决方案使视觉寻的机器人能够共享其视觉寻的信息，并同步访问分散式账本中存储的数据（视觉寻的信息）以建立导航路径。导航路径表示存储在账本中的每个机器人的视图序列。如果归属位置不在FOV中，则所提出的解决方案允许机器人找到可以看到归属位置的另一个机器人并朝向该期望位置行进。评估结果表明，所提出的框架在端到端的延迟，吞吐量和可扩展性方面的效率。
2022-06-08 cs.RO
HuNavSim 2.0: An Enhanced Human Navigation Simulator for Human-Aware Robot Navigation
Service Robotics Lab University Pablo de Olavide（帕布罗·德·奥拉维德大学服务机器人实验室）
本文发布开源人类导航模拟器 HuNavSim 2.0，基于 ROS 2 并兼容 Gazebo、NVidia Isaac Sim，通过扩展行为树动作与条件支持更真实的人类智能体导航仿真。
2025-07-25 cs.RO
The RobotSlang Benchmark: Dialog-guided Robot Localization and Navigation
The University of Michigan（密歇根大学）；University of Washington（华盛顿大学）
从搜索和救援到辅助引导的自主机器人系统应该能够与人进行自然语言对话。为了研究这样的合作通信，我们介绍了机器人同时定位与地图构建与自然语言（RobotSlang），169个自然语言对话之间的一个人驾驶员控制的机器人和一个人指挥官提供导航目标的指导基准。在每次试验中，两人首先合作将机器人定位在指挥官可见的全局地图上，然后驾驶员遵循指挥官的指令将机器人移动到一系列目标物体。我们引入了一个本地化从对话历史（LDH）和导航从对话历史（NDH）任务，其中一个学习代理给出的对话和视觉观察从机器人平台作为输入，必须本地化的全球地图或导航到下一个目标对象，分别。RobotSlang由近5000个话语和超过1000分钟的机器人摄像头和控制流组成。我们提出了一个初始模型的NDH任务，并表明，在模拟训练的代理可以按照RobotSlang基于对话框的导航指令控制一个物理机器人平台。代码和数据可在https://umrobotslang.github.io/上获得。
2020-10-23 cs.AI cs.CL cs.CV
D2M2N: Decentralized Differentiable Memory-Enabled Mapping and Navigation for Multiple Robots
University of Maryland College Park（马里兰大学帕克分校）
针对现有多机器人导航模型缺乏记忆、难以利用历史观测的问题，本文提出去中心化可微分记忆架构D2M2N，通过紧凑环境表示与价值迭代网络实现复杂建图与导航，并在实验中显著超越现有最优模型。
2024-04-08 cs.RO
Human-Aware Navigation Planner for Diverse Human-Robot Contexts
LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）；CNRS（法国国家科学研究中心）；Artificial and Natural Intelligence Toulouse Institute (ANITI)（图卢兹人工与自然智能研究所）
随着越来越多的机器人被部署到人类环境中，人类感知的导航规划器需要处理室内和室外环境中发生的多种情况。在本文中，我们提出了一个可调的人类感知机器人导航规划，可以处理各种humanrobot上下文。我们提出了规划器的架构，并讨论了功能和一些实现细节。然后，我们提出了一个详细的分析，各种模拟humanrobot的情况下，使用建议的规划师，以及一些定量的结果。最后，我们展示了在一个真实的机器人上部署我们的系统后，在现实世界中的情况下的结果。
2021-06-18 cs.RO
The AdobeIndoorNav Dataset: Towards Deep Reinforcement Learning based Real-world Indoor Robot Visual Navigation
Stanford University（斯坦福大学）；Adobe Research（奥多比研究院）
深度强化学习（DRL）展示了其在机器人视觉导航中学习无模型导航策略的潜力。然而，数据需求的算法依赖于大量的导航轨迹在训练中。现有的数据集支持训练这样的机器人导航算法包括3D合成场景或重建场景。合成数据与真实世界场景之间存在域间隙，而从3D重建场景渲染的视觉输入具有不期望的孔和伪影。在本文中，我们提出了一个新的数据集收集在现实世界中，以促进研究基于DRL的视觉导航。我们的数据集包括真实世界场景的3D重建以及从场景中密集捕获的真实2D图像。它为密集网格位置的机器人提供具有真实场景复杂性的高质量视觉输入。我们进一步研究和基准最近DRL基于导航算法，并提出我们的尝试和想法，以提高其泛化能力，在场景中看不见的测试目标。
2018-02-24 cs.RO
EWareNet: Emotion Aware Human Intent Prediction and Adaptive Spatial Profile Fusion for Social Robot Navigation
Purdue University（普渡大学）
我们提出了EWareNet，一种新的意图和影响感知的社会机器人步行者之间的导航算法。我们的方法预测基于步态序列的行人意图，然后将其用于意图引导导航，同时考虑到社会和情感的约束。我们提出了一个基于transformer的模型，该模型适用于安装在移动机器人上的商品RGB-D相机。我们的意图预测例程被集成到一个无地图导航方案中，并且对行人运动的环境没有任何假设。我们的导航方案包括一个新的障碍物轮廓表示方法，动态调整行人的姿势，意图和影响的基础上。导航方案是基于一个强化学习算法，考虑行人的意图和机器人的行人意图的影响，除了环境配置。我们优于当前最先进的算法，用于从3D步态进行意图预测。
2023-03-08 cs.RO
Learning Perceptual Hallucination for Multi-Robot Navigation in Narrow Hallways
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；George Mason University（乔治梅森大学）；Everyday Robots（日常机器人公司）；Army Research Laboratory（陆军研究实验室）；Sony AI（索尼人工智能）
虽然目前的自主机器人导航系统可以在静态环境中产生安全有效的运动计划，但当多个机器人必须在有限的空间中一起导航时，它们通常会产生次优行为。例如，当两个机器人在狭窄的走廊相遇时，它们可能会转身寻找另一条路线，或者相互碰撞。本文提出了一种新的导航方法，允许两个机器人在狭窄的走廊中相互通过，而不会发生碰撞，停止或等待。我们的方法，走廊通过的感知幻觉（PHHP），学会综合生成虚拟障碍物（即，感知幻觉）以便于利用标准自主导航系统的多个机器人在狭窄的走廊中通过。我们在各种走廊中对物理机器人进行的实验显示，与多个基线相比，性能有所改善。
2022-09-27 cs.RO
Fast Adaptable Mobile Robot Navigation in Dynamic Environment
University of Detroit Mercy（底特律大学）
动态环境下的自主导航严重依赖于环境及其拓扑结构。环境的先验知识通常是不准确的，因为环境不断演变。由于机器人在前进过程中不断评估环境，决定穿越环境到达目标的最佳方式，因此需要计算效率高且数学自适应的导航算法。本文提出了一种能够适应时变环境的移动机器人导航方案。该方法由全局规划器（A*）和局部规划器（VFH）组成，以确保机器人的最佳和无碰撞运动。该算法进行了测试，在不同的环境中，是已知的VFH和ROS导航栈中的失败，进行比较的目的，在模拟和实验。总的来说，该算法使机器人能够更快地到达目标，并在这样做的同时产生更平滑的路径。
2020-07-19 cs.RO
Learning Depth Vision-Based Personalized Robot Navigation From Dynamic Demonstrations in Virtual Reality
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
提出基于深度视觉的个性化机器人导航学习框架，利用虚拟现实动态演示和变分自编码器感知流水线，实现仅依赖深度图像的首个个性化导航控制器。
2023-07-31 cs.RO
A Lifelong Learning Approach to Mobile Robot Navigation
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）
本文提出了一种移动机器人在不同环境中导航的自改进终身学习框架。经典的静态导航方法需要环境特定的原位系统调整，例如来自人类专家，或者可能重复他们的错误，而不管他们在相同的环境中导航了多少次。基于学习的导航有可能随着经验而改进，但它高度依赖于对训练资源的访问，例如足够的内存和快速计算，并且容易忘记先前学习的能力，特别是在面对不同环境时。在这项工作中，我们提出了终身学习导航（LLfN），（1）提高移动机器人的导航行为纯粹基于自己的经验，（2）保留机器人的能力，在以前的环境中导航后，在新的学习。LLfN的实现和测试完全板载物理机器人有限的内存和计算预算。
2021-01-24 cs.RO
RoboTron-Nav: A Unified Framework for Embodied Navigation Integrating Perception, Planning, and Prediction
Meituan（美团）
提出统一框架RoboTron-Nav，通过多任务协作整合感知、规划与预测能力，并采用自适应3D感知历史采样策略，在$\mathrm{CHORES}$-$\mathbb{S}$基准上取得81.1%成功率的SOTA表现。
2025-08-08 cs.RO
Spatial and Semantic Reasoning for LLM-Driven Robot Navigation via MCP
Hanyang University（汉阳大学）；Hanyang University ERICA（汉阳大学ERICA校区）
本研究提出一个非侵入式框架，通过MCP协议将LLM推理与ROS导航连接，利用视觉地图和语义注释模块，实现超过97%地图覆盖率及基于自然语言指令的空间与语义导航目标选择。
2026-09-24 cs.RO
Toward Human-Like Social Robot Navigation: A Large-Scale, Multi-Modal, Social Human Navigation Dataset
George Mason University（乔治梅森大学）
本文提出利用人类自然公共空间导航数据训练机器人社交导航能力，设计可穿戴第一人称多模态采集套件，构建了约100公里、20小时、300次试验的大规模数据集，并分析其可用性与未来研究方向。
2023-08-09 cs.RO
Power in Numbers: Primitive Algorithm for Swarm Robot Navigation in Unknown Environments
本文提出一种简单的群体机器人导航算法，利用机器人数量进行未知环境导航，无需环境感知或复杂通信。
2024-10-17 cs.RO
ProxMaP: Proximal Occupancy Map Prediction for Efficient Indoor Robot Navigation
University of Maryland, College Park（马里兰大学帕克分校）
提出自监督占据预测技术ProxMaP，通过预测机器人近邻遮挡区域实现高效室内导航，仿真中较传统方法提升12.40%效率且具跨域泛化能力。
2023-08-03 cs.RO
SOCIALGYM: A Framework for Benchmarking Social Robot Navigation
University of Texas（德克萨斯大学）
机器人在动态的人类环境中安全地移动，并以符合社会要求的方式移动，是机器人长期自主的重要基准。然而，完全在现实世界中学习和基准测试社交导航行为是不可行的，因为学习是数据密集型的，并且在训练期间做出安全保证具有挑战性。因此，需要基于模拟的基准测试，为社会导航提供抽象。这些基准的框架需要支持各种各样的学习方法，可扩展到广泛的社交导航场景，并抽象出感知问题，以明确地关注社交导航。虽然已经提出了许多解决方案，包括高保真3D模拟器和网格世界近似，但没有现有的解决方案满足所有上述用于学习和评估社交导航行为的属性。在这项工作中，我们提出了SOCIALGYM，一个轻量级的2D仿真环境，机器人社会导航设计的可扩展性，并建立在SOCIALGYM的基准场景。此外，我们提出了基准测试结果，比较和对比人类工程和基于模型的学习方法，一套现成的示教学习（LfD）和强化学习（RL）方法应用于社会机器人导航。这些结果表明，数据效率，任务性能，社会合规性和环境转移能力的评估，为未来的社会导航研究提供了坚实的基础。
2022-08-01 cs.RO
Vine Robots: Design, Teleoperation, and Deployment for Navigation and Exploration
一类新的连续体机器人最近已被探索，其特征在于尖端延伸，显着的长度变化，和方向控制。在这里，我们称这类机器人为“藤蔓机器人”，因为它们的行为与具有拖尾生长习惯的植物相似。由于其基于生长的运动，藤蔓机器人非常适合在混乱的环境中导航和探索，但到目前为止，它们还没有被部署在实验室之外。这些机器人的便携性和导航相关的长度尺度的可操纵性是现场应用的关键。此外，直观的人在回路远程操作使运动在未知和动态的环境。我们提出了一个葡萄藤机器人系统，是远程操作使用定制设计的灵活的操纵杆和摄像头系统，足够长的时间用于导航任务，并在现场使用便携式。我们报告部署这个系统在两种情况下：一个软体机器人导航比赛和考古遗址的探索。比赛路线要求在不平坦的地形上移动，通过不稳定的障碍物，并通过一个小光圈。考古遗址需要在岩石上移动，并通过水平和垂直转弯。机器人尖端成功地越过障碍物并穿过隧道，展示了藤蔓机器人在野外完成导航和探索任务的能力。
2020-01-07 cs.RO
Viewing Robot Navigation in Human Environment as a Cooperative Activity
LAAS-CNRS, Universit de Toulouse, CNRS（法国国家科学研究中心系统分析与架构实验室，图卢兹大学，法国国家科学研究中心）
我们认为，在人类环境中的导航可以被视为合作活动，特别是在约束的情况下。人类在一个共享的空间中移动时，同时相互帮助和遵守。合作有助于行人有效地达到自己的目标，并尊重他人的个人空间等公约。为了达到与人类相当的效率，机器人需要预测人类的轨迹，并在同一共享空间中相应地规划自己的轨迹。在这项工作中，我们提出了一个导航规划，能够规划这样的合作轨迹，同时执行机器人的运动学约束，避免其他非人类的动态障碍。使用强大的社会约束的预计时间到未来可能发生的碰撞，兼容性的人-机器人运动方向，和mathemics，我们的计划是能够复制类人的导航行为，不仅在开放的空间，而且在封闭的区域。除了调整机器人轨迹，规划者还能够通过在同一优化框架内联合计算人类和机器人轨迹来主动提出协同导航解决方案。我们展示了丰富性和性能的合作规划与模拟和现实世界的实验上的多个交互式导航方案。
2017-08-16 cs.RO
A Realtime Autonomous Robot Navigation Framework for Human like High-level Interaction and Task Planning in Global Dynamic Environment
在本文中，我们提出了一个框架，实时自主机器人导航的基础上云和按需数据库，以解决两个主要问题的类人机器人交互和任务规划在全球动态环境中，这是不知道的先验。我们的框架有助于使人类的大脑GPS地图系统的机器人使用空间信息和独立的机器人导航进行三维视觉语义SLAM。我们将机器人的记忆系统分为长期记忆和短期记忆。通过将这些记忆与自主导航模块（ANM）、学习模块（LM）和行为规划模块（BPM）相连接，形成机器人的行为和知识系统。建议的框架进行评估，通过模拟使用基于ROS的Gazebo模拟移动机器人，RGB-D相机（3D传感器）和激光测距仪（2D传感器）在3D模型的现实室内环境。仿真证实了我们提出的框架的实质性的实际优点。
2019-05-30 cs.RO
Autonomous Mobile Robot Navigation: Tracking problem
本研究针对自主移动机器人导航跟踪问题，研究里程计、目标跟踪、避障三类核心行为，结合仿真与真实环境（含Pioneer、Elegoo机器人平台）完成验证，为鲁棒导航系统开发提供参考。
2024-07-08 cs.RO
Learning World Transition Model for Socially Aware Robot Navigation
Zhejiang University（浙江大学）
在动态行人环境中移动是对自主移动机器人的重要要求之一。我们提出了一个基于模型的强化学习方法，机器人导航通过拥挤的环境。导航策略的训练与真实的交互数据从多智能体仿真和虚拟数据从一个深过渡模型，预测周围的动态移动机器人的演变。该模型以激光扫描序列和机器人自身状态为输入，输出转向控制。将激光序列进一步转化为与机器人自身运动相分离的局部障碍物叠加图，将静态和动态障碍物分离，简化了模型训练。我们观察到，我们的方法可以在模拟器中使用显着较少的真实交互数据进行训练，但与其他方法相比，在社交导航任务中实现了类似的成功率水平。在仿真和真实机器人上进行了多个社会场景的实验，学习到的策略可以成功地引导机器人到达最终目标，同时以社会顺应的方式避开行人。代码可在https://github.com/YuxiangCui/model-based-social-navigation上获得
2020-11-08 cs.RO
Sensing and Navigation of Aerial Robot for Measuring Tree Location and Size in Forest Environment
The University of Tokyo（东京大学）
本文介绍了一种在森林环境中自主测量树木位置和大小的空中机器人传感和导航系统的实现。虽然林业是日本的重要产业，但林业工作人口正在减少。然后，作为林业机械化的一个应用，提出了利用空中机器人在三维空间中的高度机动性进行树木数据汇集的系统。首先，我们发展了树木的识别和测量方法，以及生成树木数据库的算法。其次，介绍了基于树识别的空中机器人导航系统。最后，我们提出了一个实验结果，其中一个空中机器人在森林中飞行，并收集树木数据。
2023-02-12 cs.RO
SSAP: A Shape-Sensitive Adversarial Patch for Comprehensive Disruption of Monocular Depth Estimation in Autonomous Navigation Applications
New York University (NYU) Abu Dhabi（纽约大学阿布扎比分校）；Queen’s University Belfast（贝尔法斯特女王大学）；Technology Innovation Institute (TII)（技术创新研究院）
针对自主导航中单目深度估计易受攻击的问题，提出形状敏感对抗补丁 SSAP，可造成距离扭曲或目标消失，并在 CNN 与 Transformer 模型上实现高误差和大范围影响。
2024-08-05 cs.CV cs.RO
Robot Navigation with Map-Based Deep Reinforcement Learning
University of Science and Technology of China（中国科学技术大学）
提出了一种端到端的深度强化学习方法，用于移动机器人导航和动态避障。使用在模拟环境中收集的经验，卷积神经网络（CNN）进行训练，以预测适当的转向动作的机器人从其自我中心的本地占用地图，其中容纳各种传感器和融合算法。然后将训练好的神经网络传输到一个真实的移动机器人上，指导其局部路径规划。新的方法进行了评估，定性和定量的仿真和现实世界的机器人实验。结果表明，基于地图的端到端导航模型易于部署到机器人平台上，对传感器噪声具有鲁棒性，在多项指标上优于现有的基于DRL的导航模型.
2020-02-11 cs.RO
Towards Preference Learning for Autonomous Ground Robot Navigation Tasks
CCDC Army Research Laboratory（CCDC陆军研究实验室）
我们感兴趣的自主机器人行为的设计，学习用户的偏好，在持续的互动，以有效地执行导航行为的方式，用户期望的目标。在本文中，我们讨论了我们正在进行的工作，以修改一个通用模型的机器人导航行为的探索任务，在每个用户的基础上，使用基于偏好的强化学习。这种方法的新颖贡献在于，它结合了强化学习、运动规划和自然语言处理，允许自主智能体从与人类队友的持续对话中学习，而不是一次性的指令。
2020-11-05 cs.RO
Robot Navigation in Unseen Spaces using an Abstract Map
人类在建筑环境中的导航依赖于符号空间信息，这对提高机器人导航能力具有未实现的潜力。标签、标志、地图、规划者、语音指示和导航手势等信息源向建筑环境的导航者传达了大量的空间信息;这些信息通常被机器人忽略。我们提出了一个机器人导航系统，它使用人类所使用的相同的符号空间信息，有目的地在看不见的建筑环境中导航，其性能水平与人类相当。导航系统使用一种称为抽象地图的新颖数据结构，从空间符号中为不可见的空间想象可延展的空间模型。来自机器人的感觉运动知觉然后被用来提供有目的的导航到看不见的环境中的象征性目标位置。我们展示了如何使用动态系统为抽象地图创建可延展的空间模型，并提供了一个开源实现，以鼓励未来在符号导航领域的工作。人类和机器人的符号导航性能在现实世界的建筑环境中进行评估。本文最后对人类导航策略进行了定性分析，进一步了解了未来机器人在看不见的建筑环境中的符号导航能力如何得到改善。
2020-05-15 cs.CV cs.RO
