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
Adversarial Reinforcement Learning Framework for Benchmarking Collision Avoidance Mechanisms in Autonomous Vehicles
随着人们对自主导航的兴趣的迅速增长，关于运动规划和避碰技术的研究机构已经享受到了新的建议和发展的加速速度。然而，新技术的复杂性及其安全要求使得目前的大部分基准框架不足，从而使有效的比较技术的需要没有得到解决。这项工作提出了一种基于深度强化学习的新框架，用于在处理最佳对抗代理的最坏情况下对碰撞避免机制的行为进行基准测试，该代理经过训练以将系统驱动到不安全状态。我们描述了这个框架的架构和流程作为一个基准的解决方案，并通过一个实际的案例研究，比较两个避碰机制的可靠性，在故意碰撞尝试证明其有效性。
2018-06-04 cs.AI cs.RO
FM-Planner: Foundation Model Guided Path Planning for Autonomous Drone Navigation
School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学）
本文提出FM-Planner，利用基础模型（LLM和VLM）引导无人机路径规划，通过仿真基准测试和真实实验验证其可行性，为自主导航提供实际实现。
2025-05-27 cs.AI cs.RO
Arena 3.0: Advancing Social Navigation in Collaborative and Highly Dynamic Environments
Technical University Berlin (TUB)（柏林工业大学）；National University of Singapore (NUS)（新加坡国立大学）；Technical University Munich (TUM)（慕尼黑工业大学）
本文介绍Arena 3.0，一个专注于协作环境社交导航的综合软件栈，通过引入新的社会力模型和任务模式增强仿真真实性，并在三个仿真器上抽象功能，经广泛测试验证了其有效性。
2024-06-02 cs.RO
Enhancing Navigation Benchmarking and Perception Data Generation for Row-based Crops in Simulation
Politecnico di Torino（都灵理工大学）
本文针对精准农业自主导航开发受限于数据生成与田间验证的问题，提出一种包含合成数据集与虚拟场景集合的仿真框架，并开发自动参数化方法探索农田几何与特征，通过训练深度分割网络和基准测试验证了其有效性。
2023-06-27 cs.AI cs.RO
POPGym: Benchmarking Partially Observable Reinforcement Learning
强化学习（RL）的现实应用通常是部分可观察的，因此需要记忆。尽管如此，部分可观察性仍然在很大程度上被当代RL基准和库所忽视。我们介绍了部分可观察过程Gym（POPGym），这是一个由两部分组成的库，包含（1）15个部分可观察环境的不同集合，每个环境都有多个困难，以及（2）13个内存模型基线的实现-在单个RL库中最多。现有的部分可观察基准往往专注于3D视觉导航，这是计算昂贵，只有一种类型的POMDP。相比之下，POPGym环境是多样化的，产生更小的观察结果，使用更少的内存，并且通常在消费级GPU上训练两小时内收敛。我们在流行的RLlib框架之上实现了高级内存API和内存基线，为各种训练算法、探索策略和分布式训练范式提供了即插即用的兼容性。使用POPGym，我们执行了迄今为止最大的RL内存模型比较。POPGym可在https://github.com/proroklab/popgym上获得。
2023-03-03 cs.AI cs.LG cs.RO
Target Search and Navigation in Heterogeneous Robot Systems with Deep Reinforcement Learning
University of Hong Kong（香港大学）；Nanyang Technological University（南洋理工大学）
针对异构机器人协作搜救训练中协作奖励难获取的问题，提出多阶段强化学习框架与好奇心模块，可在目标位置未知的迷宫式矿井环境中完成搜索导航，且训练速度优于现有基线。
2023-08-01 cs.AI 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
Arena-Rosnav 2.0: A Development and Benchmarking Platform for Robot Navigation in Highly Dynamic Environments
Technical University Berlin (TUB)（柏林工业大学（TUB））；Technical University Munich (TUM)（慕尼黑工业大学（TUM））
本文提出Arena-Rosnav 2.0平台，通过重构架构、提供统一API、引入更真实的仿真与行人行为，为高度动态环境中的机器人导航方法的开发与基准测试提供支持，并通过用户研究和集成多种先进方法验证了其可行性与易用性。
2023-07-31 cs.AI 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
A short methodological review on social robot navigation benchmarking
Department of Artificial Intelligence and Robotics, Aston University（人工智能与机器人系，阿斯顿大学）；Department of Computer and Communication Technology, Universidad de Extremadura（计算机与通信技术系，埃斯特雷马杜拉大学）
本综述聚焦2020年1月至2025年7月社会机器人导航基准测试趋势，分析了85篇论文，涵盖指标、算法、人类调查及结论推导，旨在填补该领域缺乏统一基准标准的空白。
2025-10-25 cs.RO
Benchmarking Classic and Learned Navigation in Complex 3D Environments
Czech Technical University（捷克技术大学）；Intel Labs（英特尔实验室）
随着基于学习的方法的出现，导航研究正在吸引新的兴趣。然而，这一新的工作路线在很大程度上与成熟的经典导航方法脱节。在本文中，我们采取了一个步骤，协调这两个方向的研究。我们在常见的模拟环境中建立了经典的和基于学习的导航系统，并在不同复杂度的室内空间中对其进行了彻底的评估，并获得了不同的感官模式。此外，我们还在相同的环境中衡量人类的表现。我们发现，一个经典的管道，如果调整得当，可以在复杂的混乱的环境中表现得很好。另一方面，学习系统可以在有限的传感器套件下更鲁棒地运行。总的来说，这两种方法都远远没有达到人类的水平。
2019-03-28 cs.AI cs.CV cs.LG
Arena 4.0: A Comprehensive ROS2 Development and Benchmarking Platform for Human-centric Navigation Using Generative-Model-based Environment Generation
Technical University Berlin (TUB)（柏林工业大学）；National University of Singapore (NUS)（新加坡国立大学）；Technical University Munich (TUM)（慕尼黑工业大学）
Arena 4.0是面向以人为本导航的ROS2平台，利用生成模型动态创建复杂环境，提供可扩展3D资产库，并迁移至ROS2，经用户研究验证其可用性和效率显著提升。
2024-09-19 cs.AI cs.RO
IndoorUAV: Benchmarking Vision-Language UAV Navigation in Continuous Indoor Environments
IndoorUAV通过构建室内无人机视觉-语言导航基准，结合多模态推理和任务分解，为长视距和短视距导航提供高质量数据与模型支持。
2025-12-22 cs.AI cs.RO
MultiON: Benchmarking Semantic Map Memory using Multi-Object Navigation
IIT Kanpur（印度理工学院坎普尔分校）；Simon Fraser University（西蒙弗雷泽大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
真实感3D环境中的导航任务具有挑战性，因为它们需要在部分可观测性下进行感知和有效规划。最近的研究表明，地图般的记忆是有用的长视野导航任务。然而，尚未进行地图对不同复杂性的导航任务的影响的集中调查。我们提出了multiON任务，它需要在现实环境中导航到特定场景的对象序列。MultiON概括了ObjectGoal导航任务，并明确测试导航代理定位先前观察到的目标对象的能力。我们进行了一组multiON实验，以研究各种代理模型如何在导航任务复杂性的频谱上执行。我们的实验表明：i）导航性能随着任务复杂性的升级而显著降低; ii）简单的语义映射代理相对于更复杂的神经图像特征映射代理表现得令人惊讶地好;以及iii）甚至Oracle映射代理也实现相对较低的性能，这表明在使用映射训练具身导航代理方面的未来工作的潜力。视频摘要：https://youtu.be/yqTlHNIcgnY
2020-12-07 cs.AI cs.CV cs.LG
Traversability-Aware Legged Navigation by Learning from Real-World Visual Data
The Chinese University of Hong Kong（香港中文大学）；University of California, Berkeley（加州大学伯克利分校）
针对四足机器人复杂地形导航中能量成本与机动性平衡的挑战，提出基于机器人移动控制器值函数的可通行性估计器，并将其集成到多阶段训练的RGBD导航框架中，利用真实世界多模态数据实现高效学习与泛化。
2024-11-12 cs.RO
Towards Data-Driven Metrics for Social Robot Navigation Benchmarking
Aston University（阿斯顿大学）；Logical Robotics（逻辑机器人公司）；University of California Berkeley（加州大学伯克利分校）；TOYOTA Motor North America（丰田北美公司）；Princeton University（普林斯顿大学）；LAAS-CNRS（LAAS-CNRS研究所）；George Mason University（乔治·梅森大学）
致力于开发数据驱动的社交机器人导航指标以促进地面机器人基准测试和策略优化，介绍方法动机、数据集格式等，给出首个全面的学习社交机器人导航指标及相关结果。
2026-07-07 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
Arena-Web -- A Web-based Development and Benchmarking Platform for Autonomous Navigation Approaches
Berlin Institute of Technology（柏林工业大学）
近年来，移动机器人导航方法已变得越来越重要，由于各种应用领域，从医疗保健到仓库物流。特别是，深度强化学习方法已经在机器人导航中得到了普及，但非专家不易访问，开发起来也很复杂。近年来，已作出努力，使这些先进的方法，以更广泛的受众。在本文中，我们提出了Arena的Web，基于Web的开发和评估套件，用于开发，培训和测试基于DRL的导航规划器，用于各种机器人平台和场景。该界面的设计是直观和吸引人的，以吸引非专家，并使技术可供更广泛的受众使用。使用Arena-Web及其界面，训练和开发深度强化学习代理可以简化，并且无需一行代码。该网络应用程序可免费使用，并可通过补充材料中所述的链接公开获取。
2023-02-06 cs.AI cs.HC cs.LG
Metrics vs Surveys: An Analysis for Human-Aligned Benchmarking in Social Robot Navigation
Department of Electronics and Telecommunications, Politecnico di Torino（理工学院电子与电信系）；School of Engineering, Pablo de Olavide University（奥尔塔维德大学工程学院）
本研究分析社交机器人导航中数值指标与以人为中心调查的关系，发现现有指标未充分体现主观因素，需开发新指标，为人类对齐基准测试提供参考。
2026-07-31 cs.RO
Task-driven SLAM Benchmarking For Robot Navigation
School of Electrical and Computer Engineering, and Institute of Robotics and Intelligent Machines, Georgia Institute of Technology（电气与计算机工程学院，机器人与智能机器研究所，佐治亚理工学院）；School of Mechanical Engineering and the School of Electrical and Computer Engineering, Georgia Institute of Technology（机械工程学院，电气与计算机工程学院，佐治亚理工学院）
针对现有SLAM基准忽视精度的问题，提出任务驱动的TaskSLAM-Bench，以精度为核心指标，结合模拟与真实测试，发现被动立体SLAM在室内精度堪比LiDAR SLAM，并公开代码支持自定义环境测试。
2025-08-07 cs.RO
Benchmarking Metric Ground Navigation
University of Texas at Austin（得克萨斯大学奥斯汀分校）
公制地面导航解决的问题，自主移动机器人从一个点到另一个在障碍物占据的平面环境中的碰撞自由的方式。它是智能移动机器人最基本的能力之一。本文提出了一个标准化的测试平台，一组环境和指标基准的难度不同的情况下，不同的公制地面导航系统的性能。目前的基准集中在移动机器人导航的各个组成部分，如感知和状态估计，但导航性能作为一个整体很少测量系统和标准化的方式。因此，导航系统通常以特别的方式进行测试和比较，例如在一个或两个手动选择的环境中。引入的基准提供了一个通用的测试平台，地面机器人导航在公制世界。自主机器人导航基准（BARN）数据集包括300个导航环境，这些环境按照一组难度指标进行排序。导航性能可以在这些环境中以系统和客观的方式进行测试和比较。该基准可用于预测新环境的导航难度，比较导航系统，并可能作为基于规划和基于学习的导航系统的成本函数和课程。我们已经在www.cs.utexas.edu/~xiao/BARN/BARN.html上发布了我们的数据集和源代码，以生成不同机器人足迹的数据集。
2020-11-03 cs.RO eess.SP
SidewalkBench: Benchmarking Visual Navigation on Urban Sidewalks
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Coco Robotics
针对城市人行道视觉导航缺乏统一基准的问题，提出SidewalkBench，基于NVIDIA Isaac Sim构建高保真仿真环境，评估9种模型，发现行人交互和长距离鲁棒性是关键瓶颈。
2026-10-19 cs.RO
NavIsaacLab: Generating Realistic Crowd via Parallel Robot Learning for Benchmarking Human-aware Navigation
Southern University of Science and Technology（南方科技大学）；National University of Singapore（新加坡国立大学）；Peng Cheng Laboratory（鹏城实验室）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）
提出NavIsaacLab框架，利用基于物理和照片级真实感的仿真，结合轨迹扩散模型和对抗运动学习控制器生成逼真人群，用于训练和评估人感知导航策略。
2026-06-26 cs.RO
RobustNav: Towards Benchmarking Robustness in Embodied Navigation
Georgia Tech（佐治亚理工学院）；Allen Institute of AI（艾伦人工智能研究所）；University of Washington（华盛顿大学）
作为一种尝试对评估的鲁棒性的具身导航代理，我们提出RobustNav，一个框架，量化的性能时，暴露于各种各样的视觉影响RGB输入-和动态-影响过渡动态-腐败的具身导航代理。视觉导航的最新努力通常集中在推广到具有相似外观和动态特性的新目标环境。与RobustNav，我们发现，一些标准的具身导航代理显着表现不佳（或失败）的视觉或动态腐败的存在。我们系统地分析了这种代理人在腐败情况下的行为所表现出的特质。最后，对于RobustNav中的视觉损坏，我们表明，虽然提高鲁棒性的标准技术（如数据增强和自监督自适应）提供了一些zero-shot阻力和导航性能的改善，但相对于干净的“非损坏”设置，在恢复丢失的性能方面还有很长的路要走，需要在这个方向上进行更多的研究。我们的代码可在https://github.com/allenai/robustnav上获得
2021-06-08 cs.CV cs.RO
Bench-NPIN: Benchmarking Non-prehensile Interactive Navigation
Bench-NPIN是首个非抓取交互导航的开源基准测试，提供多种模拟环境、评估指标和基线方法演示，用于提升可重复性和跨环境比较。
2026-02-05 cs.RO
NavVerse: Benchmarking Indoor-to-Outdoor Embodied Navigation in Continuous Robot Simulation
University of Michigan（密歇根大学）；Tsinghua University（清华大学）
研究针对机器人在连续场景中从室内到室外的导航问题，引入NavVerse基准，涵盖多种场景和任务。通过可执行接口用多指标评估智能体，零样本实验显示当前智能体在跨上下文导航上差距大，适应是主要瓶颈。
2026-07-23 cs.CV cs.RO
Image-Based Path-Planning for Navigation of Soft-Growing Robots in the Spinal Sub-Arachnoid Space
针对软增长机器人在脊髓蛛网膜下腔的导航需求，提出扩展A*的基于图像的三维路径规划算法，经高度详细的SSS模型评估可生成安全高效路径并建立转向锚点。
2026-10-12 cs.RO cs.SY eess.SY
CapNav: Benchmarking Vision Language Models on Capability-conditioned Indoor Navigation
University of Washington（华盛顿大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
CapNav基准测试评估VLMs在不同移动约束下室内导航能力，发现其性能随约束增加而下降，且先进模型仍难以处理空间推理任务。
2026-02-20 cs.CV cs.RO
SONG: A Photorealistic 3D Gaussian Simulation Platform for Benchmarking Social Navigation
School of Computer Science & Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）
研究针对社会导航模拟平台不足的问题，介绍了基于3D高斯点云渲染的SONG平台，利用其进行场景和化身表示等，还策划了SONG-Bench及评估套件，通过评估发现相关问题，证明微调数据可提高现实环境成功率，为研究提供测试平台。
2026-07-29 cs.RO
IR-SIM: A Lightweight Declarative Simulator for Navigation Learning and Benchmarking
The University of Hong Kong（香港大学）；Shenzhen Institutes of Advanced Technology（深圳先进技术研究院）；Southern University of Science and Technology（南方科技大学）；University of Michigan（密歇根大学）；University of Macau（澳门大学）
提出轻量级技能原生导航模拟器IR-SIM，通过YAML配置完全定义场景，支持文本提示生成与修改，用于导航算法基准测试和训练数据自动生成，并桥接高保真模拟器和真实部署。
2026-09-30 cs.LG cs.RO
POINav: Benchmarking and Enhancing Final-Meters Arrival in Real-World Vision-Language Navigation
Amap CV Lab, Alibaba Group（阿里集团阿里的Amap视觉实验室）
针对真实世界POI导航的“最后几米”挑战，提出首个闭环评估基准POINav-Bench，并设计脑-动作框架结合70K真实标志-入口数据对，实现高保真度导航。
2026-05-27 cs.CV cs.RO
FlightBench: Benchmarking Learning-based Methods for Ego-vision-based Quadrotors Navigation
Tsinghua University（清华大学）；Shanghai Qi Zhi Institute（上海启智研究院）
本文提出FlightBench基准，评估基于学习的无人机第一视角导航方法，发现其在高速飞行和推理速度上占优，但在急转弯和视野遮挡场景中表现不佳，并验证了难度标准与性能的相关性。
2025-05-19 cs.RO
ARCGym: Benchmarking Deep Reinforcement Learning in Autonomous Robotic Colonoscopy
University of Copenhagen（哥本哈根大学）
ARCGym是用于自主机器人结肠镜检查的强化学习环境与基准，支持多种柔性内窥镜，实验表明自主导航仍具挑战性，近端插入致动是开放问题。
2026-09-22 cs.RO
Demonstrating Arena 5.0: A Photorealistic ROS2 Simulation Framework for Developing and Benchmarking Social Navigation
Technical University Berlin (TUB)（柏林工业大学）；National University of Singapore (NUS)（新加坡国立大学）；Technical University Munich (TUM)（慕尼黑工业大学）
本文介绍开源的 Arena 5.0 框架，该框架集成 NVIDIA Isaac Gym 实现 photorealistic 仿真，通过基准测试和用户研究验证其在社会导航开发与基准测试中较旧版本可用性、效率显著提升。
2026-10-09 cs.RO
EvoNav-Bench: Benchmarking Lifelong Navigation in Evolving Environments
State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室（BIGAI））；Tsinghua University（清华大学）
提出EvoNav-Bench基准，在演化环境中扩展终身导航任务，通过引入环境修改评估现有方法，并比较三种启发式策略以分析智能体适应场景变化的能力。
2026-09-15 cs.RO
NavTrust: Benchmarking Trustworthiness for Embodied Navigation
Trustworthy Autonomous Systems Laboratory at the University of California, Riverside（加州大学河滨分校可信自主系统实验室）；University of Michigan（密歇根大学）；Workday；University of Southern California（南加州大学）；Texas A&M University（德克萨斯A&M大学）；Lehigh University（莱斯大学）
NavTrust通过系统性地对输入模态进行腐蚀，评估体感导航性能的鲁棒性，揭示了现有方法在真实环境中的性能缺陷，并提出改进策略。
2026-08-07 cs.AI cs.CV cs.LG
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
Benchmarking local motion planners for navigation of mobile manipulators
Chalmers University of Technology（查尔姆斯理工大学）；University College London（伦敦大学学院）
移动机械手的轨迹规划方法多种多样。由于硬件的差异、任务和目标的不同以及测量和操作环境的不确定性，在类似情况下比较它们的性能往往具有挑战性。在本文中，我们提出了一个仿真框架来评估本地轨迹规划器的性能，以产生平滑的，动态和运动学上可行的轨迹移动机械手在同一环境中。我们专注于本地规划器，因为它们是关键部件，可以在承载时提供平滑的轨迹，对动态障碍物做出反应并避免碰撞。我们评估两个突出的本地轨迹规划，动态窗口方法（DWA）和时间弹性带（TEB）使用的指标，我们介绍。此外，我们的软件解决方案适用于机器人操作系统（ROS）框架中使用的任何其他本地规划器，而无需额外的编程工作。
2022-11-03 cs.RO cs.SY eess.SY
SocialNav-SUB: Benchmarking VLMs for Scene Understanding in Social Robot Navigation
Department of Computer Science, The University of Texas at Austin（德克萨斯大学计算机科学系）；Army Research Laboratory（陆军研究实验室）；Sony AI（索尼人工智能）
提出SocialNav-SUB基准，用于评估视觉语言模型在社交机器人导航场景中的空间、时空和社交推理能力，发现当前VLM虽表现尚可，但仍不及规则方法和人类基线。
2025-09-10 cs.CV cs.RO
Closed-Loop Benchmarking of Stereo Visual-Inertial SLAM Systems: Understanding the Impact of Drift and Latency on Tracking Accuracy
Georgia Institute of Technology（佐治亚理工学院）
视觉惯性SLAM对于GPS拒绝环境中的机器人导航至关重要，例如室内，地下。传统上，视觉惯性SLAM的性能评估与开环分析，重点是SLAM系统的漂移水平。在本文中，我们提出的问题，在闭环导航任务，如精确的轨迹跟踪的视觉估计延迟的重要性。为了了解漂移和延迟对视觉惯性SLAM系统的影响，进行闭环基准测试仿真，其中使用来自视觉惯性估计的反馈命令机器人遵循期望的轨迹。通过广泛评估代表性的最先进的视觉惯性SLAM系统的轨迹跟踪性能，我们揭示了这些系统的视觉估计模块的延迟减少的重要性。研究结果表明，未来的改进方向的视觉惯性SLAM。
2020-03-07 cs.RO
Simultaneous Mapping and Target Driven Navigation
George Mason University（乔治梅森大学）
这项工作提出了一个模块化的架构，同时映射和目标驱动的导航在室内环境中。通过卷积神经网络从RGB图像、语义分割和对象检测器的输出中提取存储在2.5维地图中的语义和外观。给定这种表示，映射模块学习本地化代理并在地图中注册连续的观察。导航任务，然后制定为一个问题，学习的政策，达到语义目标，使用当前的观察和最新的地图。我们证明了语义信息的使用提高了定位精度，存储空间语义地图的能力有助于目标驱动的导航策略。这两个模块分别在Active Vision Dataset和Matterport3D环境中进行了评估，证明了定位和导航任务的性能有所改善。
2019-11-18 cs.CV cs.RO
Arena-Bench: A Benchmarking Suite for Obstacle Avoidance Approaches in Highly Dynamic Environments
Berlin Institute of Technology（柏林工业大学）
安全自主导航的能力，特别是在动态环境中，对移动机器人来说至关重要。近年来，DRL方法在动态避障方面表现出优越的性能。然而，这些基于学习的方法通常是在专门设计的仿真环境中开发的，并且很难与传统的规划方法进行测试。此外，这些方法到真正的机器人平台的集成和部署尚未完全解决。在本文中，我们提出了阿里纳板凳，一个基准套件训练，测试和评估导航规划在不同的机器人平台上的三维环境。它提供了设计和生成高度动态评估世界、场景和自主导航任务的工具，并完全集成到机器人操作系统中。为了展示我们的套件的功能，我们在我们的平台上训练了一个DRL代理，并将其与各种现有的基于模型和基于学习的导航方法进行了比较。最后，我们部署了真实机器人的方法，并证明了结果的可重复性。该代码可在github.com/ignc-research/arena-bench上公开获取。
2022-07-11 cs.RO cs.SY eess.SY
Benchmarking Interaction-Oriented Aerial Mobility across Heterogeneous Environments
Zhejiang University（浙江大学）；Differential Robotics（差分机器人学机构）
本研究提出CrossFly基准，用于评估智能体跨异构环境的面向交互的空中移动性，实验发现室内↔室外设置更具挑战性，最高成功率达9.7%，可推进空中具身智能发展。
2026-10-14 cs.RO
Towards bio-inspired unsupervised representation learning for indoor aerial navigation
Ghent University（根特大学）；imec（微电子研究中心）
在没有GPS的室内环境中进行空中导航仍然是一个公开的挑战。无人机可以从更丰富的视角感知环境，同时具有比其他自主平台更严格的计算和能源约束。为了解决这个问题，这项研究展示了一种生物启发的深度学习算法，用于同时定位与地图构建（SLAM）及其在无人机导航系统中的应用。我们提出了一种无监督的表示学习方法，产生低维的潜在状态描述符，减轻感知混淆的敏感性，并在节能，嵌入式硬件上工作。在室内仓库环境中收集的数据集上对所设计的算法进行了评估，初步结果表明了鲁棒室内空中导航的可行性。
2021-06-17 cs.AI cs.RO
Autonomous Navigation System from Simultaneous Localization and Mapping
Clarkson University（克拉克森大学）
本文提出了一种基于同时定位与地图构建（SLAM）的自主导航系统的研制。这项研究的动机是找到一种自主导航内部空间的解决方案。内部导航是具有挑战性的，因为它可以永远发展。解决这个问题对于许多服务来说是必要的，例如清洁，健康行业和制造业。本文的重点是描述的基于SLAM的软件体系结构，为这个建议的自治系统。评估了该系统针对智能轮椅的潜在应用。目前的内部导航解决方案需要某种引导线，比如地板上的黑线。有了这个建议的解决方案，内部不需要翻新，以适应这个解决方案。此应用程序的源代码已开放源代码，以便它可以重新用于类似的应用程序。此外，这个开源项目预计将由广泛的开源社区在过去的现状下进行改进。
2021-12-14 cs.CV cs.RO
SGoLAM: Simultaneous Goal Localization and Mapping for Multi-Object Goal Navigation
Seoul National University（首尔大学）
我们提出了SGoLAM，简称同步目标定位和映射，这是一个简单而有效的多目标导航算法。给定一个配备RGB-D相机和GPS/指南针传感器的代理，我们的目标是让代理在现实的3D环境中导航到一系列目标对象。我们的管道充分利用了经典视觉导航方法的优势，将问题分解为两个关键部分：映射和目标定位。映射模块将深度观察转换成占用图，并且目标定位模块标记目标对象的位置。代理的策略是使用由两个模块提供的信息来确定的：如果找到当前目标，则朝着目标进行计划，否则，执行探索。由于我们的方法不需要对神经网络进行任何训练，因此可以以现成的方式使用，并且可以在新的、不可见的环境中快速推广。尽管如此，我们的方法与最先进的基于学习的方法不相上下。SGoLAM在CVPR 2021 MultiON（多目标导航）挑战赛中排名第二。我们已经在\emph{https://github.com/eunsunlee/SGoLAM}上公开了我们的代码。
2021-10-14 cs.CV cs.RO
Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning
University of California, Irvine（加利福尼亚大学欧文分校）；University of Verona（维罗纳大学）
针对非平稳环境对DRL的挑战，提出基于游戏引擎的Aquatic Navigation基准测试环境，结合PPO、curriculum learning及可学习超参数等先进训练技术，验证了其能有效提升策略的泛化能力与安全性。
2024-05-30 cs.LG cs.RO
Evaluating Robot Influence on Pedestrian Behavior Models for Crowd Simulation and Benchmarking
University of Bonn（波恩大学）；The Lamarr Institute（拉玛尔研究所）；Center for Robotics（机器人中心）
提出基于Social Robot Force Model (SRFM)的仿真框架，利用JRDB数据集学习参数，客观测量并基准测试不同导航算法驱动机器人对行人轨迹的偏离，验证了客观测量行人反应的可行性并用于训练评估RL策略。
2024-09-23 cs.RO
Simultaneous Control and Trajectory Estimation for Collision Avoidance of Autonomous Robotic Spacecraft Systems
Georgia Institute of Technology（佐治亚理工学院）
我们提出了因子图优化的同时规划，控制和轨迹估计的无碰撞导航的自主系统在移动物体的环境中。提出的在线概率运动规划和轨迹估计导航技术生成最佳的无碰撞状态和控制轨迹的自主车辆时，障碍物运动模型是未知的和已知的。我们评估该算法的实用性，以支持未来的自主机器人空间任务。
2022-04-28 cs.RO
End-to-End UAV Simulation for Visual SLAM and Navigation
The Hong Kong Polytechnic University（香港理工大学）
多旋翼无人机（UAV）在未知环境中的视觉同时定位与地图构建（v-SLAM）和导航在研究和教育中越来越受欢迎。然而，由于复杂的硬件设置，安全预防措施和电池限制，广泛的物理测试可能是昂贵和耗时的。作为一种替代解决方案，仿真工具降低了在现场试验之前进行算法测试和验证的障碍。在这封信中，我们对ROS-Gazebo-PX4仿真器进行了深度定制，为无人机v-SLAM和导航研究提供了端到端的仿真解决方案。一套定位，地图和路径规划套件也集成到模拟平台。在我们的模拟中，各个方面，包括复杂的环境和机载传感器，可以同时与我们的导航框架进行交互，以实现特定的监视任务。在此端到端的仿真中，实现了点击即飞的无人机水平自主导航。源代码对研究社区开放。
2020-12-01 cs.RO
Real-time Identification and Simultaneous Avoidance of Static and Dynamic Obstacles on Point Cloud for UAVs Navigation
Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
在未知场景中采用有效的飞行策略避开混合障碍物是无人机应用的关键挑战。在本文中，我们介绍了一个更强大的技术来区分和跟踪动态障碍物从静态的，只有点云输入。然后，为了实现动态回避，我们提出了禁止金字塔的方法来解决所需的车辆速度与一个有效的基于采样的方法在迭代。运动基元是通过求解一个以期望速度和航路点为约束的非线性优化问题来生成的。此外，我们提出了几种技术来处理接近物体的位置估计误差，变形物体的错误，和不同的子模块之间的时间间隔。所提出的方法被实现为实时的【形】运行在船上，并在仿真和硬件测试中得到了广泛的验证，证明了我们在跟踪鲁棒性，能量成本和计算时间的优势。
2021-10-20 cs.RO
GRL-SNAM: Geometric Reinforcement Learning with Path Differential Hamiltonians for Simultaneous Navigation and Mapping in Unknown Environments
University of Texas at Austin（德克萨斯大学奥斯汀分校）
GRL-SNAM通过局部能量优化实现未知环境中的同时导航与建图，利用受控哈密顿优化提升导航质量。
2025-12-31 cs.LG cs.RO
MIDGARD: A Simulation Platform for Autonomous Navigation in Unstructured Environments
University of Catania（卡塔尼亚大学）；University of Edinburgh（爱丁堡大学）
我们提出了MIDGARD，一个开源的仿真平台，自主机器人在户外非结构化环境中导航。MIDGARD被设计成能够训练自主智能体（例如，无人驾驶地面车辆）在逼真的3D环境中，并通过训练场景的变化来支持基于学习的代理的泛化技能。MIDGARD的主要功能包括可配置、可扩展和难度驱动的程序化景观生成管道，以及基于虚幻引擎的快速逼真场景渲染。此外，MIDGARD内置了对OpenAI Gym的支持，OpenAI Gym是一种用于功能扩展的编程接口（例如，集成新类型的传感器，定制暴露的内部仿真变量），以及各种仿真代理传感器（例如，RGB、深度和实例/语义分割）。我们评估MIDGARD的能力，作为机器人导航的基准工具，利用一组最先进的强化学习算法。结果表明，MIDGARD的适合作为一个模拟和培训环境，以及我们的程序生成方法在控制场景的难度，这直接反映在精度指标的有效性。MIDGARD构建、源代码和文档可在https://midgardsim.org/上获得。
2022-09-20 cs.RO
