Generating Robust Supervision for Learning-Based Visual Navigation Using Hamilton-Jacobi Reachability
Simon Fraser University（西蒙弗雷泽大学）；University of California, Berkeley（加州大学伯克利分校）
在Bansal等人（2019）中，提出了一种结合基于学习和基于模型的方法的新型视觉导航框架。具体地，卷积神经网络（CNN）预测由动力学模型用于规划和跟踪到航路点的轨迹的航路点。然而，CNN不可避免地会产生预测错误，这通常会导致在混乱和紧凑的空间中发生碰撞。在本文中，我们提出了一种新的汉密尔顿-雅可比（HJ）的可达性为基础的方法来产生监督的CNN的航路点预测在一个看不见的环境。通过将CNN预测误差建模为机器人动力学中的“干扰”，我们生成的路点对这些干扰具有鲁棒性，因此对预测误差具有鲁棒性。此外，使用全局最优HJ可达性分析导致预测时间有效的路点，避免贪婪行为。通过仿真和硬件实验，我们证明了所提出的方法的优势，通过杂乱，狭窄的室内环境导航。
2020-05-15 cs.CV cs.LG cs.RO
Deep Reinforcement Learning for Robotic Pushing and Picking in Cluttered Environment
Tsinghua University（清华大学）；Shenzhen Academy of Robotics（深圳机器人研究院）
本文提出了一种新的机器人抓取系统，用于在复杂场景中自动拾取物体。设计了一种由吸盘和夹持器组成的复合机械手，用于稳定抓取物体。吸盘用于首先将物体从杂物中提起，并且抓持器用于相应地抓持物体。我们利用示能图为吸盘提供像素级提升点候选。为了获得良好的示能图，系统引入了主动探索机制。设计了一个有效的度量来计算当前示能图的奖励，并采用深度Q网络（DQN）来引导机器人手主动探索环境，直到生成的示能图适合抓取。实验结果表明，所提出的机器人抓取系统是能够大大提高机器人抓取的成功率在混乱的场景。
2023-02-21 cs.CV cs.LG cs.RO
MINOS: Multimodal Indoor Simulator for Navigation in Complex Environments
Princeton University（普林斯顿大学）；Intel Labs（英特尔实验室）
我们提出MINOS，一个模拟器，旨在支持在复杂的室内环境中的目标导向导航的多感官模型的发展。该模拟器利用复杂3D环境的大型数据集，并支持多模式传感器套件的灵活配置。我们使用MINOS对基于深度学习的导航方法进行基准测试，分析环境复杂性对导航性能的影响，并对感觉运动学习中的多模态进行对照研究。实验表明，目前的深度强化学习方法在大型现实环境中失败。实验还表明，多模态是有益的学习导航混乱的场景。MINOS在http://minosworld.org上向研究社区开放源代码。有关MINOS的视频，请访问https://youtu.be/c0mL9K64q84
2017-12-11 cs.AI cs.CV cs.GR
Sim-Suction: Learning a Suction Grasp Policy for Cluttered Environments Using a Synthetic Benchmark
Purdue University（普渡大学）
本文提出Sim-Suction吸盘抓取策略及合成数据集Sim-Suction-Dataset，通过解析模型与物理仿真生成320万标注位姿，并结合零样本文本到分割学习逐点可供性，在杂乱环境真实实验中显著优于现有基准。
2023-11-27 cs.AI cs.RO
Embodied Visual Navigation with Automatic Curriculum Learning in Real Environments
Toshiba Europe Limited（东芝欧洲有限公司）；University of Cambridge（剑桥大学）
我们提出了NavACL，一种自动课程学习的导航任务量身定制的方法。NavACL易于训练，并使用几何特征有效地选择相关任务。在我们的实验中，使用NavACL训练的深度强化学习代理显著优于使用统一采样（当前标准）训练的最先进代理。此外，我们的代理可以通过未知的杂乱的室内环境中导航到语义指定的目标，只使用RGB图像。避障策略和冻结特征网络支持转移到看不见的真实世界环境，而无需任何修改或重新训练要求。我们评估我们的政策在模拟，并在现实世界中的地面机器人和四旋翼无人机。补充材料中提供了真实结果的视频。
2021-01-06 cs.AI cs.CV cs.RO
Private Multiparty Perception for Navigation
Columbia University（哥伦比亚大学）
我们引入了一个框架，通过将多个摄像头连接在一起，同时保护隐私，在混乱的环境中导航。大型环境中的遮挡和障碍物对于导航代理来说通常是具有挑战性的情况，因为环境不能从单个相机视图完全观察到。给定环境的多个摄像机视图，我们的方法学习生成只能用于导航的多视图场景表示，可以证明防止一方推断输出任务之外的任何内容。在我们将公开发布的一个新的导航数据集上，实验表明，私人多方表示允许在复杂场景和障碍物周围导航，同时共同保护隐私。我们的方法可以扩展到任意数量的相机视点。我们认为，开发保护隐私的视觉表示对于导航等许多应用越来越重要。
2022-12-02 cs.CR cs.CV cs.LG
Emerging Extrinsic Dexterity in Cluttered Scenes via Dynamics-aware Policy Learning
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）；Galbot；Peking University（北京大学）；Shanghai Jiao Tong University（上海交通大学）
提出动力学感知策略学习框架，通过显式世界建模学习接触诱导物体动力学表示并用于强化学习，使杂乱场景中的外在灵巧性无需手工启发式或复杂奖励塑造即可涌现。
2026-05-27 cs.AI cs.RO
Sim-Grasp: Learning 6-DOF Grasp Policies for Cluttered Environments Using a Synthetic Benchmark
School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）
本文提出Sim-Grasp，一种集成语言模型的6自由度双指抓取系统，利用含1550物体和790万标注的合成数据集Sim-Grasp-Dataset及Sim-GraspNet网络，在杂乱环境中实现高成功率抓取与目标识别。
2024-07-16 cs.AI cs.RO
Active Detection and Localization of Textureless Objects in Cluttered Environments
Sapienza University of Rome（罗马第一大学）
本文介绍了一种主动目标检测和定位框架，结合了一个强大的无纹理目标检测和三维姿态估计算法与一个新的下一个最佳视图选择策略。我们解决的检测和定位问题，提出了一个基于边缘的配准算法，细化对象的位置，通过最小化的成本直接从3D图像张量，编码的最小距离在一个联合方向/位置空间中的边缘点提取。我们面临的下一个最佳视图的问题，利用一个顺序的决策过程，对于每一步，选择下一个摄像机的位置，最大限度地提高状态和下一个观测之间的互信息。我们通过生成代表场景实现的观察结果，即由对象检测器提供的对象假设的组合样本，同时通过一组不断重新采样的粒子对状态进行建模，来解决该解决方案的内在棘手性。在不同的现实世界，具有挑战性的数据集上进行的实验证实了所提出的方法的有效性。
2016-03-22 cs.CV cs.RO
Optimized edge-based grasping method for a cluttered environment
本文研究了在没有任何物体几何先验知识的情况下，从杂乱的环境中抓取区域定位以及合适的姿态的问题。这种端到端方法从输入传感器的单个帧检测手柄。管道从创建多个曲面段开始，以在第一阶段检测所需的间隙，并最终帮助检测边界线。我们的新颖之处在于，我们合并了基于颜色的边缘和深度边缘，以获得更可靠的边界点，通过这些边界点拟合一对边界线。此外，该信息还用于通过测量边界线之间的角度以及检查任何潜在阻塞来验证手柄。此外，我们还提出了一个优化的成本函数的方法来选择最好的句柄从一组有效的句柄。所提出的方法在现实生活中的数据集上进行测试，并发现在精度方面超越了最先进的方法。
2018-09-04 cs.RO
A Neuromorphic Dataset for Object Segmentation in Indoor Cluttered Environment
Advanced Research and Innovation Center (ARIC), Khalifa University（哈利法大学高级研究与创新中心（ARIC））；Khalifa University Center for Autonomous Robotic Systems (KUCARS), Khalifa University（哈利法大学自主机器人系统中心（KUCARS））；School of Computer Science and Mathematics, Kingston University（金斯顿大学计算机科学与数学学院）；Department of Aerospace Engineering, Khalifa University（哈利法大学航空航天工程系）
利用基于事件的相机，运动模糊，低动态范围和低时间采样的标准相机的问题都可以得到解决。然而，目前缺乏基于事件的数据集，专门用于分割算法的基准测试，特别是那些提供深度信息的数据集，这对遮挡场景中的分割至关重要。本文提出了一种新的基于事件的分割数据集（ESD），一个高质量的三维空间和时间数据集的对象分割在室内杂乱的环境。我们提出的数据集ESD包括145个序列，其中14，166个RGB帧用实例掩码手动注释。从两个基于事件的相机在一个立体图形配置的整体2188万和2080万事件分别收集。据我们所知，这种密集注释和基于事件的桌面对象的3D时空分割基准是同类中的第一个。通过发布ESD，我们希望为社区提供具有挑战性的高质量细分基准。
2023-02-17 cs.CV cs.DB cs.RO
Prediction of Bottleneck Points for Manipulation Planning in Cluttered Environment using a 3D Convolutional Neural Network
BITS Pilani（pilani大学）；BITS Pilani, Dubai Campus（pilani大学迪拜校区）
工业机器人的最新研究旨在使人类机器人的无缝协作成为可能。为此，工业机器人被期望在非结构化和杂乱的环境中工作，因此感知驱动的运动规划的主题起着至关重要的作用。对于具有实时的约束的高维运动规划问题，基于采样的运动规划器被证明是最有效的。随机采样器存在“窄通道”或瓶颈区域现象，需要有针对性的采样来提高收敛速度。在各种规划问题中识别这些瓶颈区域也是一项挑战。在本文中，试图解决这两个问题，设计了一个智能的“瓶颈引导”启发式的快速探索随机树星（RRT*）的规划者，这是基于相关的背景下提取的规划方案，使用3D卷积神经网络，它也证明了所提出的技术推广到看不见的问题实例。本文基准的技术（瓶颈引导RRT*）对10%的目标偏向RRT星规划，规划时间和内存的要求显着改善，并使用ABB 1410工业机械手作为平台的植入和验证的结果。
2019-11-12 cs.AI cs.DS cs.LG
AdaClearGrasp: Learning Adaptive Clearing for Zero-Shot Robust Dexterous Grasping in Densely Cluttered Environments
Nanjing University（南京大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；National University of Singapore（新加坡国立大学）
AdaClearGrasp通过自适应清除与零样本灵巧抓取技术，提升机器人在密集障碍环境中的抓取成功率。
2026-03-11 cs.RO
TANGO: Humanoid Navigation in Cluttered Environments with a Whole-Body Vision-Language-Action Model
University of California, Berkeley（加州大学伯克利分校）；Peking University（北京大学）；Tsinghua University（清华大学）；The University of Hong Kong（香港大学）；Princeton University（普林斯顿大学）
TANGO提出首个全身视觉-语言导航框架，通过29自由度动作预测实现类人机器人在杂乱环境中的语言引导通行，仿真训练并零样本部署成功。
2026-10-02 cs.AI cs.RO
SEA-Nav: Efficient Policy Learning for Safe and Agile Quadruped Navigation in Cluttered Environments
Tsinghua University（清华大学）；Imperial College London（伦敦帝国理工学院）
SEA-Nav通过安全、高效和敏捷的强化学习框架，实现了在密集环境中四足机器人导航的高效训练，仅需分钟级训练时间。
2026-09-15 cs.RO
Bridging Deep Reinforcement Learning and Motion Planning for Model-Free Navigation in Cluttered Environments
Department of Mechanical Engineering（机械工程系）；University of California Riverside（加州大学河滨分校）
本文提出将基于图的运动规划与深度强化学习相结合，通过覆盖状态空间的图结构设计稠密奖励函数，以解决杂乱环境中无模型导航的探索不足问题，显著提升了探索效率和任务成功率。
2025-07-03 cs.RO
Adaptive Risk-Tendency: Nano Drone Navigation in Cluttered Environments with Distributional Reinforcement Learning
Delft University of Technology（代尔夫特理工大学）
实现评估风险和做出风险意识决策的能力对于将强化学习应用于无人机等安全关键型机器人至关重要。在本文中，我们研究了一个具体的情况下，纳米四轴飞行器机器人学习导航先验未知的混乱的环境下部分可观测性。我们提出了一个分布式的强化学习框架，以产生自适应的风险倾向的政策。具体而言，我们建议使用学习收益率分布的下尾条件方差作为内在不确定性估计，并使用指数加权平均预测（EWAF），以适应风险趋势，根据估计的不确定性。在模拟和真实世界的实证结果中，我们表明：（1）最有效的风险倾向在不同的状态下是不同的，（2）与风险中性政策或风险厌恶政策基线相比，具有自适应风险倾向的代理人取得了更好的绩效。
2022-09-23 cs.AI cs.RO
Safe Robot Navigation in Cluttered Environments using Invariant Ellipsoids and a Reference Governor
University of California, San Diego（加州大学圣地亚哥分校）
本文研究了在未知环境下，依靠局部障碍物感知的自主导航问题。我们考虑一个控制仿射非线性机器人系统的有界输入噪声和依赖于反馈线性化，以确定稳定控制下的闭环机器人轨迹的椭球输出界。虚拟总督系统的开发，以自适应跟踪所需的导航路径，同时依赖于机器人的轨迹界限，如果安全受到威胁，减速，否则加速。主要贡献是推导出安全的非线性系统路径跟踪控制的理论保证，并将其应用于未知环境中的自主机器人导航。
2020-05-14 cs.RO cs.SY eess.SY
LiCS: Navigation using Learned-imitation on Cluttered Space
Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对狭窄室内UGV导航问题，提出结合Transformer行为克隆、注入高斯噪声增强鲁棒性的LiCS系统，经仿真与硬件实验验证，其导航性能优于现有基准，高杂乱环境下仍能以最高1.5m/s安全导航。
2024-11-12 cs.RO
POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）
提出可嵌入的 POA 规划器，通过识别可通行与不可通行障碍物，让两轮机器人在高度杂乱环境中穿越可通行障碍，并较 GVD、A*、RRT* 最多缩短路径 43%、时间 39%。
2023-07-16 cs.AI cs.RO
MRNAV: Multi-Robot Aware Planning and Control Stack for Collision and Deadlock-free Navigation in Cluttered Environments
University of Southern California（南加利福尼亚大学）；Technical University of Berlin（柏林工业大学）
针对杂乱环境下多机器人无碰撞无死锁导航问题，提出结合短中长三级视距决策模块的MRNAV分层框架，经多四旋翼仿真验证其有效性与长期可执行性。
2023-08-25 cs.MA cs.RO
DS-MPEPC: Safe and Deadlock-Avoiding Robot Navigation in Cluttered Dynamic Scenes
University of Maryland（马里兰大学）；Amazon Lab126（亚马逊Lab126）
我们提出了一种算法，在复杂的动态环境中，使用模型预测平衡点控制的一个变种的安全机器人导航。我们使用的优化配方导航机器人优雅地在动态环境中，通过优化在每个时间步的轨迹成本函数。我们提出了一种新的轨迹成本制定，显着减少保守和死锁行为，并产生平滑的轨迹。特别是，我们提出了一个新的碰撞概率函数，有效地捕捉与给定的配置和时间，以避免碰撞的速度方向的基础上的风险。此外，我们提出了一个终端状态成本的基础上预期的时间到目标和时间碰撞值，有助于避免可能导致死锁的轨迹。我们在多个模拟和真实场景中评估了我们的成本公式，包括具有动态障碍物的狭窄走廊，并观察到与现有方法相比，导航行为得到了显着改善，死锁减少。
2023-03-17 cs.RO
Safe Navigation in Unknown and Cluttered Environments via Direction-Aware Convex Free-Region Generation
Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）机器人与自主系统方向）；Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系）
本文提出一种结合候选运动方向与机器人几何的凸自由区域生成框架，通过连续安全轨迹生成实现持续无碰撞运动，实验表明该方法在杂乱2D导航场景中生成更符合后续导航的自由区域，并在3D和真实世界中验证了其扩展性和实用性。
2026-04-26 cs.RO
An MPC framework for efficient navigation of mobile robots in cluttered environments
Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）；Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系）；ETH Zurich（苏黎世联邦理工学院）；Automatic Control Laboratory, ETH Zurich（苏黎世联邦理工学院自动控制实验室）
本文提出一种整合有限段最短路径规划器的MPC框架，用于在障碍环境中实现移动机器人高效导航，确保动态目标选择和碰撞避免。
2026-03-26 cs.RO cs.SY eess.SY
Polygonal Cone Control Barrier Functions (PolyC2BF) for safe navigation in cluttered environments
Robert Bosch Center for Cyber Physical Systems (RBCCPS)（罗伯特·博世网络物理系统中心）；Indian Institute of Science (IISc)（印度科学学院）
本文提出多边形锥控制屏障函数（PolyC2BF），以二次规划形式解决复杂杂乱环境中多机器人无碰撞导航的过度估计与计算复杂性问题，并通过PyBullet仿真验证其有效性。
2024-03-27 cs.RO cs.SY eess.SY
Autonomous Navigation of AGVs in Unknown Cluttered Environments: log-MPPI Control Strategy
Indiana University（印第安纳大学）；Expedia Group（亿客行集团）
基于采样的模型预测控制（MPC）优化方法，例如模型预测路径积分（MPPI），最近在各种机器人任务中显示出有希望的结果。然而，当所有采样轨迹的分布集中在高成本甚至不可行的区域内时，它可能产生不可行的轨迹。在这项研究中，我们提出了一种新的方法，称为日志MPPI配备了一个更有效的轨迹采样分布政策，显着提高了轨迹的可行性，在满足系统的约束条件。其关键是从正态对数正态（NLN）混合分布中提取轨迹样本，而不是从高斯分布中提取。此外，这项工作提出了一种方法，在未知的杂乱环境中的无碰撞导航，将二维占用网格地图的采样为基础的MPC算法的优化问题。我们首先验证了我们提出的控制策略的效率和鲁棒性，通过广泛的模拟二维自主导航在不同类型的杂波环境，以及cartpole摆动的任务。我们进一步证明，通过真实世界的实验，日志MPPI的适用性进行二维网格为基础的无碰撞导航在一个未知的杂乱的环境中，显示其优越性与本地costmap使用，而不会增加额外的复杂性的优化问题。演示真实世界和模拟结果的视频可在https://youtu.be/_uGWQEFJSN0上获得。
2022-07-18 cs.RO cs.SY eess.SY
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
FRTree Planner: Robot Navigation in Cluttered and Unknown Environments with Tree of Free Regions
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Great Bay University（大湾区大学）
针对杂乱且含狭窄通道的未知环境导航问题，提出FRTree规划器，通过动态构建自由区域树整合实时感知信息，结合机器人几何分析与双层轨迹优化，在仿真及实机实验中生成更优的安全高效运动规划。
2025-02-13 cs.RO
SWIFT-Nav: Stability-Aware Waypoint-Level TD3 with Fuzzy Arbitration for UAV Navigation in Cluttered Environments
School of Computer Science and Engineering, University of New South Wales（计算机科学与工程学院，新南威尔士大学）；Escuela de Ingeniería, Universidad Central de Chile（工程学院，智利中央大学）
SWIFT-Nav 通过结合 TD3、优先回放、校准探索和模糊安全规则，实现 UAV 在 cluttered 环境中的高效可靠导航。
2025-12-17 cs.RO
Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning
The Hong Kong University of Science and Technology（香港科技大学）；Dartmouth College（达特茅斯学院）
本文提出一种免训练的LLM空间推理框架，将环境、动态障碍物和路径统一编码为离散token，实现多智能体协调、闭环重规划和动态避障，突破以往四方向静态环境限制，展示LLM在仿真与具身系统中基于文本交互的导航泛化能力。
2025-06-05 cs.AI cs.CV cs.RO
Multi-directional Safe Rectangle Corridor-Based MPC for Nonholonomic Robots Navigation in Cluttered Environment
The State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院）；School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学）
本文提出一种改进的顺序MPC导航框架，通过多方向安全矩形走廊算法和障碍函数约束，实现非完整机器人在杂乱环境中的高效导航与障碍回避。
2025-12-15 cs.RO
Robust Monocular Flight in Cluttered Outdoor Environments
Carnegie Mellon University（卡内基梅隆大学）
最近，在生物启发的轻型微型飞行器（MAV）的开发方面取得了许多进展。虽然自主导航对于大型无人机来说是相当直接的，因为可以使用昂贵的传感器和监控设备，但是对于在混乱的非结构化环境中在低空运行的MAV来说，用于避障的鲁棒方法仍然是一项具有挑战性的任务。由于有效载荷和功率的限制，这种系统必须具有自主导航和飞行能力，主要使用被动传感器，如相机。在本文中，我们描述了一个强大的系统，使自主导航的小型敏捷四旋翼在低空通过自然森林环境。我们提出了一种直接的深度估计方法，该方法能够实时的产生精确的、半密集的深度图。此外，一种新的抗风控制方案，使稳定的路点跟踪，即使在强风的存在。我们证明了我们的系统的性能，通过大量的实验，在一个杂乱的户外环境中的真实图像和现场测试。
2016-04-16 cs.RO
HE-Nav: A High-Performance and Efficient Navigation System for Aerial-Ground Robots in Cluttered Environments
University of Hong Kong（香港大学）；Peng Cheng Laboratory（鹏城实验室）；Huazhong University of Science and Technology（华中科技大学）
针对现有空地机器人导航系统在严重遮挡杂乱环境中性能与效率不足的问题，提出HE-Nav系统，通过轻量感知网络与节能规划器实现高效导航，能耗降为1/7且仿真规划成功率达98%。
2024-10-07 cs.RO
SwipeBot: DNN-based Autonomous Robot Navigation among Movable Obstacles in Cluttered Environments
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
本文提出SwipeBot方法，利用CNN分类RGB-D图像并选择最小侵入动作，推动可移动障碍物，在ROS中实现并通过仿真验证，使轮式机器人在杂乱环境中成功导航。
2023-05-08 cs.RO
Autonomous Navigation of MAVs in Unknown Cluttered Environments
Intel Labs（英特尔实验室）；Intel Tecnología de México（英特尔墨西哥技术公司）；Cinvestav（墨西哥国立理工学院高级研究中心）；Tecnologico de Monterrey（蒙特雷理工学院）；Escuela de Ingeniería y Ciencias（工程与科学学院）
本文提出了一种自主导航框架，以达到在未知的三维杂乱环境中的目标。该框架由三个主要部分组成。首先，一种用于根据从深度传感器获得的视差测量来映射环境的计算高效的方法。第二，一种随机方法，以产生一个路径到一个给定的目标，考虑到领域的空间，被认为是安全的导航约束。第三，一个快速的方法，在线生成的运动计划，考虑到机器人的动态约束，模型，环境的不确定性和干扰。为了突出现有文献的贡献，我们提供了一个定性和定量的比较，达到一个目标，并在未知的环境中探索的最先进的方法，显示了我们的方法的优越性能。为了说明所提出的框架的有效性，我们在多个室内和室外环境中进行实验，完全在船上和实时运行该算法，使用基于英特尔准备飞行无人机套件的机器人平台，这代表了迄今为止在未知的混乱环境中导航的最节俭平台的实现。开放源代码可从以下网址获得：~ \url{https://github.com/IntelLabs/autonomousmavs}。实验结果的视频可以在~ \url{https://youtu.be/Wq0e7vF6nZM}上找到。
2020-05-25 cs.RO cs.SY eess.SY
GPS-free Autonomous Navigation in Cluttered Tree Rows with Deep Semantic Segmentation
Politecnico di Torino（都灵理工大学）；Department of Electronics and Telecommunications（电子与电信学院）
针对高树行与果园中树冠遮挡天空且GPS不可用的问题，本文提出仅用合成数据训练的深度语义分割导航方法，并在仿真和真实葡萄园等场景验证其鲁棒性。
2024-04-08 cs.RO
Integration of a Graph-Based Path Planner and Mixed-Integer MPC for Robot Navigation in Cluttered Environments
The Pennsylvania State University（宾夕法尼亚州立大学）
针对部分已知环境，本文提出多层规划控制框架，用中轴图规划全局路径，并由混合整数MPC检测终端约束不可行性，进而通过删边触发高效全局重规划，且经实验验证。
2025-07-25 cs.RO cs.SY eess.SY
Sensor-based, time-critical mobility of autonomous robots in cluttered spaces: a harmonic potential approach
King Fahad University of Petroleum & Minerals（法赫德国王石油与矿产大学）
本文提出了一种用于在未知杂波环境中工作的无人地面车辆的组合导航系统。导航器支持时间关键的移动性，使得移动机器人可以从第一次尝试到达目标，而不需要专门的探索和映射阶段。机器人只使用必要的和足够的自我中心的本地传感器数据收集的途中的目标。导航结构的构建围绕着用于运动规划的谐波势场方法的关键属性。机器人的轨迹是良好的行为和直接的目标。它只包含最小数量的绕道，以适应传感器数据，并保持机器人在一个安全的，目标导向的状态。开发了导航结构，并解释了其理论基础。使用X80机器人平台对其属性和性能进行了广泛的实验验证
2018-08-26 cs.RO
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA（英伟达）；University of Southern California（南加州大学）；Amazon（亚马逊）
针对含交互动态障碍的杂乱环境，本文提出DREAM去中心化异步概率多机器人轨迹规划器，仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
Drones Guiding Drones: Cooperative Navigation of a Less-Equipped Micro Aerial Vehicle in Cluttered Environments
Multi-robot Systems Group, Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（多机器人系统组，控制系，电气工程系，捷克技术大学）
本文提出一种协同导航框架，由主无人机携带重传感器构建地图并规划路径，引导装备较少的次级无人机在杂乱GNSS拒止环境中自主导航，通过真实实验验证了其有效性。
2025-05-27 cs.RO
Managing The Dynamics Of A Harmonic Potential Field-Guided Robot In A Cluttered Environment
Electrical Engineering Department, KFUPM（法赫德国王石油矿产大学电气工程系）
本文证明了谐波势场，HPF，规划方法产生一个良好的行为约束路径的机器人在混乱的环境中的二阶动力学的能力。结果表明，基于HPF的控制器可以开发完整以及非完整机器人，以有效地抑制惯性力对机器人轨迹的影响，同时保持一个纯粹的运动学HPF规划的所有有吸引力的功能。所建议的导航控制器的能力，证明使用仿真结果。比较还提供了用于转换的引导信号从一个纯粹的运动HPF规划器到导航控制信号的其他方法。
2016-08-21 cs.RO
Geometry-Aware Safety-Critical Local Reactive Controller for Robot Navigation in Unknown and Cluttered Environments
The Hong Kong University of Science and Technology（香港科技大学）；Hong Kong Baptist University（香港浸会大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本研究针对未知杂乱环境下机器人导航问题，提出基于多项式优化与SOS近似的几何感知安全关键型局部反应控制器，通过凸化为SDP实现实时求解，验证了其安全性与跟踪性能优势。
2023-10-09 cs.RO cs.SY eess.SY
GP-guided MPPI for Efficient Navigation in Complex Unknown Cluttered Environments
Luddy School of Informatics, Computing, and Engineering, Indiana University（印第安纳大学拉迪信息、计算与工程学院）
针对未知杂乱环境下的机器人导航问题，提出GP-MPPI在线学习控制策略，利用SGP构建不确定性曲面生成最优子目标以引导MPPI局部规划，无需全局地图或离线训练，实现了安全避障并有效摆脱局部极小值。
2023-07-28 cs.AI cs.RO cs.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
Learning Model Predictive Controllers with Real-Time Attention for Real-World Navigation
Everyday Robots（日常机器人公司）；Hoku Labs（霍库实验室）；George Mason University（乔治梅森大学）
尽管经过数十年的研究，现有的导航系统在野外部署时仍然面临现实世界的挑战，例如，在杂乱的家庭环境中或在人类占据的公共空间中。为了解决这个问题，我们提出了一类新的隐式控制策略相结合的模仿学习的好处与强大的处理系统的约束条件，从模型预测控制（MPC）。我们的方法，称为Performer-MPC，使用一个学习的成本函数参数化的视觉上下文嵌入提供的表演者-一个低秩的隐式注意力Transformer。我们共同训练的成本函数，并构造控制器依赖于它，有效地解决了端到端的相应的双层优化问题。我们表明，由此产生的政策提高了标准MPC的性能，利用一些专家演示所需的导航行为在不同的挑战性的现实世界的情况下。与标准MPC策略相比，Performer-MPC在杂乱环境中实现的目标提高了>40%，在人类周围导航时，社交指标提高了>65%。
2022-09-24 cs.AI cs.LG cs.RO
Robot Navigation in Unknown and Cluttered Workspace with Dynamical System Modulation in Starshaped Roadmap
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对未知杂乱环境下机器人导航问题，提出基于动态构建星形路标与动态系统调制（DSM）的运动规划与控制框架，通过分段多项式生成自由空间星形表示、增量路标搜索及反应式控制，提升导航成功率并缩短行驶时间。
2025-02-11 cs.RO
Egocentric Conformal Prediction for Safe and Efficient Navigation in Dynamic Cluttered Environments
Seoul National University（首尔大学）
提出一种基于 egocentric score functions 和自适应 CP 机制的导航框架，仅响应安全关键的预测误差，在动态杂乱环境中兼顾安全性与成本效率。
2025-04-01 cs.RO cs.SY eess.SY
RoboNav-Arm: Agentic AI-Driven Navigation and Obstacle Avoidance for Robotic Manipulator in Cluttered Environments
Centre for Artificial Intelligence and Robotics (CAIR), Indian Institute of Technology Mandi（人工智能与机器人中心（CAIR），印度曼迪理工学院）
针对杂乱环境中机器人操纵器面临的挑战，提出含环境、中央协调和规划模块的安全任务执行框架，能实时检测与定位障碍物，依环境选算法规划轨迹并优化，在Gazebo Classic中评估，展现动态场景鲁棒性。
2026-07-14 cs.RO
Learning Monocular Reactive UAV Control in Cluttered Natural Environments
Institute for Computer Graphics and Vision（计算机视觉研究所）；Graz University of Technology（格拉茨技术大学）
本文使用单目相机和模仿学习训练控制器，使小型四旋翼飞行器能在自然森林环境中以1.5m/s速度自主避障导航。
2012-11-07 cs.CV cs.LG cs.RO
RDA: An Accelerated Collision Free Motion Planner for Autonomous Navigation in Cluttered Environments
Southern University of Science and Technology（南方科技大学）；The University of Hong Kong（香港大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Sifakis Research Institute for Trustworthy Autonomous Systems（可信自主系统西法克斯研究院）
本文提出加速无碰撞运动规划器RDA，通过正则化对偶交替方向乘子法求解非凸MPC运动规划问题，支持避碰约束并行计算以显著减少计算时间，实验证明其能快速生成平滑无碰撞轨迹且在杂乱环境中表现稳健。
2023-04-05 cs.RO
Model Predictive Path Integral Control Framework for Partially Observable Navigation: A Quadrotor Case Study
Université Côte d’Azur（蔚蓝海岸大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；I3S（蔚蓝海岸大学与法国国家科学研究中心联合研究所）
近年来，模型预测路径积分（MPPI）控制算法已被广泛应用于自主导航任务，其中大多数假设成本地图是已知的，并且仅执行2D导航任务。在本文中，我们提出了一个通用的MPPI控制框架，可用于2D或3D自主导航任务，在完全或部分可观察的环境中，这是最普遍的机器人应用。该框架直接利用从机载传感系统获取的3D体素网格进行无碰撞导航。我们测试的框架，在现实的RotorS为基础的模拟，在一个混乱的环境中，完全和部分可观察的情况下，目标导向的四旋翼导航任务。初步结果表明，所提出的框架工作完美，部分可观测性下，在二维和三维杂乱的环境。
2020-10-14 cs.RO cs.SY eess.SY
Corridor-based Adaptive Control Barrier and Lyapunov Functions for Safe Mobile Robot Navigation
University of Virginia（弗吉尼亚大学）
本文提出一种结合CLF与CBF的MPCC框架，利用自由空间走廊约束并通过SAC动态调整参数，实现未知杂乱环境下的安全导航。
2025-07-19 cs.RO cs.SY eess.SY
Navigation in the Presence of Obstacles for an Agile Autonomous Underwater Vehicle
Vassar College（瓦萨学院）；University of South Carolina（南卡罗来纳大学）
水下航行传统上是通过与障碍物保持安全距离来完成的，从而导致感兴趣区域的“飞越”。自主水下航行器（AUV）在复杂空间（如沉船或装饰洞穴）中的运动是一个极具挑战性的问题，过去尚未解决。本文提出了一种新的导航框架，利用增强版的Trajopt的快速三维路径优化规划的AUV。基于采样的校正程序确保规划不受局部最小值的约束，从而能够在狭窄的空间中导航。提出了两种不同的模式：规划与已知的地图的结果在有效的轨迹通过杂乱的空间;在未知的环境中操作利用点云从视觉特征检测到有效地导航，同时避免检测到的障碍物。所提出的方法进行了严格的测试，无论是在模拟和在池中的实验，证明是足够快，使安全的实时三维自主导航的AUV。
2020-05-11 cs.RO
Learning Perception-Aware Agile Flight in Cluttered Environments
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；Czech Technical University in Prague（捷克布拉格技术大学）
最近，神经控制策略已经优于现有的基于模型的规划和控制方法，用于在最短时间内自主导航四旋翼通过杂乱的环境。然而，它们没有感知意识，这是基于视觉的导航的一个关键要求，因为相机的视野有限，四旋翼机的驱动不足。我们提出了一个基于学习的系统，实现感知感知，敏捷的飞行在混乱的环境中。我们的方法通过利用特权作弊学习框架将模仿学习与强化学习（RL）相结合。使用强化学习，我们首先训练一个感知感知的教师政策与完整的状态信息飞行在最短的时间内通过杂乱的环境。然后，我们使用模仿学习将其知识提炼成基于视觉的学生策略，该策略仅通过相机感知环境。我们的方法将感知和控制紧密结合，在计算速度（快10倍）和成功率方面表现出显着优势。我们使用硬件在环仿真演示了闭环控制性能。
2023-03-03 cs.AI cs.RO
