Obstacle-aware Adaptive Informative Path Planning for UAV-based Target Search
Autonomous Systems Lab. (ASL), ETH Zürich(苏黎世联邦理工学院自主系统实验室);TU Delft(代尔夫特理工大学)
利用无人机(UAV)进行目标搜索是与许多场景相关的问题,例如,搜索和救援(SaR)。然而,一个关键的挑战是规划路径的最大搜索效率给定的飞行时间限制。为了解决这一问题,我们提出了障碍感知自适应信息路径规划(OA-IPP)算法,在杂乱的环境中使用无人机的目标搜索。我们的方法利用分层规划策略,使用高斯过程(GP)为基础的目标占用模型,在连续的3D空间中生成信息路径。在这个框架内,我们引入了一个自适应的重新规划方案,使我们能够权衡信息增益,现场覆盖,传感器性能和碰撞避免有效的目标检测。大量的模拟表明,我们的OA-IPP方法比国家的最先进的规划者表现更好,我们展示了它的应用在一个现实的城市SaR的情况。
2019-02-26 cs.RO
Evaluating UAV Path Planning Algorithms for Realistic Maritime Search and Rescue Missions
Faculty of Computer Science, University of Tuebingen(蒂宾根大学计算机科学学院)
针对现有无人机海上搜救路径规划方法未充分考虑目标位置与海洋动力不确定性的问题,本文构建评估框架对比多种规划策略,并提出兼顾精度与实用性的新型规划器。
2024-10-08 cs.RO
Cellular-enabled Collaborative Robots Planning and Operations for Search-and-Rescue Scenarios
i2CAT Foundation(i2CAT基金会);NEC Laboratories Europe GmbH(欧洲NEC实验室);Polytechnic University of Catalonia, UPC(加泰罗尼亚理工大学(UPC));Institut Català de Recerca i Estudis Avançats, ICREA(加泰罗尼亚高级研究所(ICREA))
针对SAR任务中蜂窝协作机器人能量受限问题,提出框架以区域面积、车队规模、能量、探索率和响应时间为输入,确定最少机器人数量及路径,并展示轮式与四足机器人的数量-面积-时间权衡。
2024-03-14 cs.NI cs.RO
Exploiting Null Space in Aerial Manipulation through Model-In-The-Loop Motion Planning
Faculty of Electrical and Computer Engineering, University of Zagreb(萨格勒布大学电气与计算机工程学院)
提出了一种在运动规划过程中考虑无人机动力学和机械臂零空间的飞行机械臂末端轨迹跟踪方法。所提出的方法分阶段进行。航迹规划首先不考虑欠驱动无人机系统的滚转角和俯仰角。其次,我们建议模拟这样的轨迹上的动力学,并通过模型获得无人机的姿态。以这种方式获得的完整的空中操纵器状态被进一步用于说明计划的和模拟的末端执行器状态的差异。最后,末端执行器位姿通过零空间的机械手,以匹配所需的末端执行器位姿轨迹规划中获得。此外,我们已经应用TOPP-RA的方法在无人机上调用微分平坦性原则。最后,通过实验测试验证了规划框架的有效性。
2022-04-28 cs.RO
Exploiting collisions for sampling-based multicopter motion planning
University of California, Berkeley(加州大学伯克利分校)
具有碰撞弹性设计的多旋翼飞行器可以在涉及碰撞的轨迹上运行。本文提出了一种基于采样的方法,可以利用碰撞更好的运动规划。该方法是建立在RRT* 算法的基础上,并利用快速运动基元生成和碰撞检查的多旋翼。它通过检测运动基元和障碍物之间的潜在交叉点来生成碰撞状态,并将这些状态与其他采样状态连接以形成包含碰撞的轨迹。我们表明,允许碰撞有助于提高基于采样的规划器在隧道等狭窄空间中的性能。最后,给出了一个跟踪碰撞包容规划器生成的轨迹的实验。
2020-11-08 cs.RO
Simulation Analysis of Exploration Strategies and UAV Planning for Search and Rescue
University of Turku(图尔库大学)
本文针对无人机搜索与救援中最优飞行模式设计难题,开发了基于ROS、Gazebo、PX4和YOLO的仿真环境,用于模拟不同SAR场景并评估飞行任务在最短时间内实现高召回率检测遇险者的效率。
2023-04-11 cs.RO
Exploiting Priors from 3D Diffusion Models for RGB-Based One-Shot View Planning
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院)
针对单样本视角规划需物体先验的问题,提出以3D扩散模型生成能力为先验的方法,仅用单张RGB图像即可实现规划,在仿真与真实实验中平衡了重建质量与移动成本。
2024-09-15 cs.CV cs.RO
GLIDE: A Coordinated Aerial-Ground Framework for Search and Rescue in Unknown Environments
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
提出GLIDE框架,通过两架无人机与一辆无人地面车协同,实现未知环境中的快速受害者定位和障碍物感知导航,利用角色分离和地形侦察提升救援效率。
2026-06-12 cs.RO
Trajectory Planning of Robotic Manipulator in Dynamic Environment Exploiting DRL
Lahore University of Management and Sciences(拉合尔管理科学大学);Speridian Technologies(斯佩里迪安技术公司)
本研究针对未知动态环境下机械臂的轨迹规划问题,应用DDPG算法控制7自由度机械臂避开随机移动障碍物完成拾放任务,并对比了密集与稀疏奖励下的模型效率。
2024-03-25 cs.RO cs.SY eess.SY
Approximate Inference-based Motion Planning by Learning and Exploiting Low-Dimensional Latent Variable Models
KAIST(韩国科学技术院)
这项工作提出了一种有效的框架来生成具有高自由度的机器人的运动计划(例如,人形机器人)。机器人配置空间的高维性通常导致难以利用广泛使用的运动规划算法,因为决策空间的体积随着维数呈指数级增加。为了处理复杂的决策空间,并有效地解决相应的运动规划问题,在这项工作中,采用了两个关键的概念:第一,高斯过程隐变量模型(GP-LVM)用于低维表示的原始配置空间。其次,使用近似推理算法,利用控制和估计之间的对偶性,探索决策空间,并计算出高质量的运动轨迹的机器人。利用GP-LVM和控制与估计之间的对偶性,我们构造了一个完全概率生成模型,将高维运动规划问题转化为一个易于处理的推理问题。最后,我们计算的运动轨迹通过近似推理算法的基础上的一个变种的粒子滤波。由此产生的运动可以在补充视频中查看。(https://youtu.be/kngEaOR4Esc)的网站上进行了介绍。
2018-08-01 cs.AI cs.RO
Multi-stage Planning for Multi-target Surveillance using Aircrafts Equipped with Synthetic Aperture Radars Aware of Target Visibility
Grupo de Tratamiento de Imágenes, Information Processing and Telecommunications Center, ETSI Telecomunicación, Universidad Politécnica de Madrid(图像处理与电信中心,理工大学马德里大学);Airbus Defence and Space(空客防务与航天)
本文提出多阶段规划系统,通过 waypoint 序列规划、神经网络预测最佳可见性飞行段及优化连接生成轨迹,实现多目标 SAR 监视的高质量成像与实时性能。
2026-04-18 cs.AI cs.RO
Adaptive grid-based decomposition for UAV-based coverage path planning in maritime search and rescue
针对海上搜救中无人机需快速完全覆盖搜索区域的问题,提出自适应网格分解(AGD)算法减少网格单元数,并结合混合整数规划(MIP)模型规划路径,实验显示其可减少最多20%的覆盖时间。
2024-12-01 cs.RO
Planning of efficient trajectories in robotized assembly of aerostructures exploiting kinematic redundancy
University of Salerno(萨莱诺大学)
随着时间的推移,航空航天生产量不断增加,机器人解决方案已逐步引入航空装配线,以实现高质量标准,高生产率,灵活性和降低成本。机器人工作单元有时以安装在滑道上的机器人为特征,以增加机器人工作空间。滑动引入了额外的自由度,使系统在运动学上冗余,但该功能很少用于提高性能。本文提出了一种新的概念,在轨迹规划,利用冗余,以满足额外的要求。采用动态规划技术,计算优化的轨迹,最小化或最大化感兴趣的性能指标。该用例定义在LABOR(复合材料航空结构的精益自动化装配和控制)项目上,该项目采用安装在线性轴上的两个协作的六轴机器人来执行机身壁板的装配操作。考虑到该工作单元的需求,最大限度地减少了不必要的机器人运动以提高安全性,最大限度地提高了机械刚度以增加钻孔操作期间的稳定性,避免了碰撞,同时遵守了关节限制和可用的规划时间。在仿真环境中进行实验,在那里执行的最佳轨迹,突出显示所产生的性能和改进相对于非优化的解决方案。
2021-07-09 cs.RO
Situationally-aware Path Planning Exploiting 3D Scene Graphs
Automation and Robotics Research Group, Interdisciplinary Centre for Security, Reliability and Trust, University of Luxembourg(自动化与机器人研究组,安全、可靠与信任跨学科研究中心,卢森堡大学);Faculty of Science, Technology and Medicine, University of Luxembourg(科学、技术与医学学院,卢森堡大学)
本文提出S-Path路径规划器,利用室内3D场景图的度量-语义结构提升规划效率,通过两阶段流程生成可理解的高层路径,并通过并行子问题分解和重计划机制提高复杂场景下的效率和可解释性。
2026-04-23 cs.RO
P-ARC: Exploiting Subproblem Independence for Parallel Multi-Robot Motion Planning
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院Parasol实验室)
提出P-ARC并行算法,通过并行化ARC的三个阶段并采用OR并行多启动策略,在多机器人运动规划中实现近4倍加速。
2026-08-07 cs.DC cs.RO
Learning to Navigate: Exploiting Deep Networks to Inform Sample-Based Planning During Vision-Based Navigation
Georgia Institute of Technology(佐治亚理工学院)
最近将深度学习应用于导航已经产生了端到端导航解决方案,由此视觉传感器输入被映射到控制信号或运动基元。由此产生的视觉导航策略在避免碰撞方面工作得非常好,并且在实时操作时具有与传统反应式导航算法相匹配的性能。公认的是,这些解决方案不能提供与全球规划者相同的性能水平。然而,目前尚不清楚如何将这种端到端系统集成到完整的导航管道中。我们在完整的导航管道中评估典型的端到端解决方案,以暴露其弱点。这样做阐明了如何更好地将深度学习方法集成到导航管道中。特别是,我们表明,它们是一种有效的手段,提供知情的样本为基础的规划。控制仿真与传统的规划器比较表明,样本的数量可以减少一个数量级,同时保持导航性能。在移动机器人上的实现与模拟的性能结果相匹配。
2018-01-16 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
Enabling Robots to Autonomously Search Dynamic Cluttered Post-Disaster Environments
Delft University of Technology(代尔夫特理工大学)
针对灾后动态杂乱环境中的自主搜救机器人,提出集成启发式运动规划与鲁棒跟踪的控制框架,在保证安全无碰撞的同时实现最高42.3%的性能提升。
2025-05-06 cs.RO cs.SY eess.SY
From semantics to execution: Integrating action planning with reinforcement learning for robotic causal problem-solving
强化学习是在噪声条件下鲁棒地执行低级别机器人控制的适当且成功的方法。符号行动计划有助于解决因果依赖关系,并将因果关系复杂的问题分解为一系列更简单的高级行动。这两种方法的集成的一个问题是,行动规划是基于离散的高级动作和状态空间,而强化学习通常是由连续的奖励函数驱动。然而,强化学习的最新进展,特别是通用价值函数逼近器和事后经验重放,都集中在基于稀疏奖励的目标无关方法上。在本文中,我们建立在这些新方法的基础上,通过利用奖励稀疏性作为高级和低级状态和控制空间之间的桥梁,促进行动规划与强化学习的集成。因此,我们证明了集成的神经符号的方法是能够解决对象操作问题,涉及工具使用和非平凡的因果依赖关系在嘈杂的条件下,利用数据和知识。
2019-12-08 cs.AI cs.LG cs.RO
UAV Path Planning using Global and Local Map Information with Deep Reinforcement Learning
Technical University of Munich(慕尼黑工业大学);EURECOM(欧洲通信学院)
自主无人机(UAV)的路径规划方法通常是针对一种特定类型的任务而设计的。提出了一种基于深度强化学习(DRL)的无人机自主路径规划方法,该方法可应用于多种任务场景。具体来说,我们比较了覆盖路径规划(CPP),其中无人机的目标是调查数据收集(DH)的感兴趣区域,其中无人机从分布式物联网(IoT)传感器设备收集数据。通过利用环境的结构化地图信息,我们训练具有相同架构的双深度Q网络(DDQN)在两个明显不同的任务场景中做出运动决策,平衡各自的任务目标与导航约束。通过引入一种新的方法,利用一个压缩的全球地图的环境相结合的裁剪,但未压缩的本地地图显示附近的无人机代理,我们证明了所提出的方法可以有效地扩展到大型环境。我们还扩展了以前的结果,推广控制策略,不需要再培训时,场景参数的变化,并提供了一个详细的分析关键的地图处理参数的路径规划性能的影响。
2021-10-21 cs.LG cs.RO
Exploiting Euclidean Distance Field Properties for Fast and Safe 3D planning with a modified Lazy Theta*
Service Robotics Lab (SRL) University Pablo de Olavide Seville, Spain(服务机器人实验室(SRL) 奥林匹克大学 塞维利亚,西班牙)
本文提出了一种基于EDF的改进懒惰Theta*算法,用于快速生成安全且平滑的3D路径,通过优化成本函数和邻居选择机制提升计算效率和安全性。
2026-01-15 cs.RO cs.SY eess.SY
Motion and Force Planning for Manipulating Heavy Objects by Pivoting
Stony Brook University(石溪大学)
通过利用物体与环境的接触来操纵物体可以提高机器人操作器的灵活性和有效载荷能力。操纵超过机器人的有效载荷能力的重物的常见方式是使用一系列枢转运动,其中,物体移动,同时物体和支撑表面之间的一些接触点保持固定。本文的目标是开发一种算法方法,自动生成计划的对象操作与一系列的枢转运动。一个计划,用于操纵一个沉重的对象包括一系列的关节角度的机械手,相应的对象的姿势,以及所需的关节力矩移动的对象。在操作过程中保持物体与地面接触的约束导致机器人位形空间中的非线性约束,这对运动规划算法是具有挑战性的。利用枢转运动对应于刚体运动组SE(3)的子组中的运动这一事实,我们提出了一种新的基于任务空间的规划方法,用于在满足接触约束的同时计算机械手和物体的运动计划。我们还结合了我们的运动规划算法与把握力合成算法,以确保在接触和致动器扭矩约束的摩擦约束得到满足。我们提出了一个双臂巴克斯特机器人的仿真结果来证明我们的方法。
2021-04-25 cs.RO
Exploiting Transformer in Sparse Reward Reinforcement Learning for Interpretable Temporal Logic Motion Planning
University of Science and Technology of China(中国科学技术大学)
本文提出双 Transformer 引导的 T2TL 框架,结合 LTL progression 与环境无关预训练,将复杂时序逻辑任务分解为可学习子目标,提升稀疏奖励强化学习运动规划性能。
2023-07-17 cs.AI cs.LO cs.RO
3D Trajectory Planning for UAV-based Search Missions: An Integrated Assessment and Search Planning Approach
KIOS Research and Innovation Centre of Excellence(KIOS卓越研究与创新中心);University of Cyprus(塞浦路斯大学)
在自然和人为灾害期间,在具有挑战性和复杂的环境中有效规划和执行搜索任务的能力至关重要。在许多紧急情况下,障碍物之间的精确导航和围绕3D结构的高效搜索对于寻找幸存者至关重要。在这项工作中,我们提出了一个综合的评估和搜索规划方法,它允许一个自主的无人机(无人机)代理计划和执行无碰撞搜索轨迹在3D环境中。更具体地说,拟议的搜索规划框架旨在整合和自动化前两个阶段(即,评估阶段和搜索阶段)。在第一阶段,称为评估规划,我们的目标是找到一个高层次的评估计划,无人机代理可以执行,以访问一组兴趣点。该阶段生成的计划引导UAV飞越感兴趣的物体,从而提供对当前情况的第一次评估。在第二阶段,称为搜索规划,UAV轨迹被进一步微调以允许UAV在3D中搜索(即,在所有面)幸存者感兴趣的对象。所提出的方法的性能证明通过广泛的仿真分析。
2023-02-24 cs.RO cs.SY eess.SY
Batch and Incremental Kinodynamic Motion Planning using Dynamic Factor Graphs
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种kinodynamic运动规划器,能够产生能量有效的运动,考虑到整个机器人的动力学,并利用重力,惯性和动量,以减少努力。给定机器人的特定目标状态,我们使用因子图和数值优化来求解最优轨迹,该轨迹不仅满足避碰要求,而且满足所有运动学和动力学约束,如速度,加速度和扭矩限制。通过利用因子图中的稀疏性,我们可以有效地解决运动动力学运动规划问题,与现有的最优控制方法相媲美,并使用增量消除技术来实现一个数量级更快的重新规划。
2020-06-15 cs.RO
Model Predictive Fuzzy Control: A Hierarchical Multi-Agent Control Architecture for Outdoor Search-and-Rescue Robots
Department of Control and Operations, Delft University of Technology(控制与运营系,代尔夫特理工大学)
本文提出模型预测模糊控制(MPFC)架构,将集中式MPC与局部FLC相结合,用于多机器人搜救任务规划,在保持与集中式MPC相当性能的同时显著降低计算资源需求。
2025-05-06 cs.RO cs.SY eess.SY
On the Application of Model Predictive Control to a Weighted Coverage Path Planning Problem
针对加权覆盖路径规划问题,提出带覆盖约束的新型模型预测控制方法,结合TSP启发式初始化可提升效果,仿真验证其性能优于朴素MPC。
2025-10-01 cs.MA cs.RO cs.SY
Search-based Motion Planning for Quadrotors using Linear Quadratic Minimum Time Control
University of Pennsylvania(宾夕法尼亚大学)
在这项工作中,我们提出了一种基于搜索的规划方法来计算动态可行的轨迹飞行在障碍物杂乱的环境中的四旋翼。我们的方法搜索平滑,最短的时间轨迹探索地图使用一组短时间的运动原语。通过求解一个最优控制问题产生的原语,并在状态空间上引入有限格离散化,可以使用图搜索算法进行探索。所提出的方法能够生成分辨率完整(即,最优的离散空间),安全,动态可行的轨迹有效地利用显式解决方案的线性二次最小时间问题。它不假设悬停的初始条件,因此,适合于快速在线重新规划,而机器人正在移动。四旋翼导航与在线重新规划证明了使用所提出的方法在仿真和物理实验和比较轨迹生成的基础上,最先进的二次规划。
2017-09-15 cs.RO
Semantic Map Sharing and Capability-Aware Coverage Planning for AI-Native 6G Robotic Coordination
University of Leicester(莱斯特大学)
针对搜索救援中异构机器人覆盖规划问题,提出边缘中心语义感知框架,通过语义网格地图共享和能力感知路径分配,实现91.5%覆盖率且无不可行分配,并大幅降低通信载荷。
2026-09-30 cs.AI cs.RO
PDDLStream: Integrating Symbolic Planners and Blackbox Samplers via Optimistic Adaptive Planning
Computer Science and Artificial Intelligence Laboratory(计算机科学与人工智能实验室);Massachusetts Institute of Technology(麻省理工学院)
许多规划应用程序涉及定义在高维连续变量上的复杂关系。例如,机器人操作需要规划涉及机器人配置、对象姿态和机器人轨迹的运动学、碰撞、可见性和运动约束。这些约束通常需要专门的过程来采样满足值。我们扩展PDDL,以支持这些过程的通用,声明性规范,将其实现视为黑盒。我们提供域独立的算法,减少PDDLStream问题的一系列有限的PDDL问题。我们还介绍了一个算法,动态平衡探索新的候选计划和利用现有的。这使得算法能够在参数绑定的空间中进行全局搜索,以更快地解决严格约束的问题,并进行局部优化以产生低成本的解决方案。我们评估我们的算法在三个模拟机器人规划域以及几个现实世界的机器人任务。
2020-03-23 cs.AI cs.RO
DDM: Fast Near-Optimal Multi-Robot Path Planning using Diversified-Path and Optimal Sub-Problem Solution Database Heuristics
Rutgers, the State University of New Jersey(罗格斯大学新泽西州立大学)
我们提出了一种新的集中和解耦算法,DDM,解决多机器人路径规划问题的网格图,针对按需和自动化仓库一样的设置。研究了两种设置:一种是传统的,其目标是尽可能快地将一组机器人从它们各自的初始顶点移动到目标顶点,另一种是动态的,其需要频繁地重新规划以适应目标配置调整。在其他技术中,DDM主要通过利用两个创新的算法来实现:路径多样化和最优子问题解决方案数据库。这两种算法攻击基于并行的规划器的两个不同阶段:路径多样化允许更有效地利用整个工作空间进行机器人旅行,最佳子问题解决方案数据库有助于快速解决局部路径冲突。广泛的评估表明,DDM实现了高水平的可扩展性和高水平的解决方案的最优性。
2019-12-15 cs.RO
Exploiting a Fleet of UAVs for Monitoring and Data Acquisition of a Distributed Sensor Network
Deakin University(迪肯大学);Murdoch University(莫道克大学)
本研究提出了一种有效的数据汇集策略,利用一组无人机(UAV)来监测和收集通常用于环境监测,气象,农业和可再生能源应用的大型分布式传感器网络的数据。该研究开发了一个协同任务规划系统,使无人机团队能够进行和完成传感器的数据汇集任务,同时考虑到现有的无人机有效载荷和电池容量的限制。建议的任务规划系统采用差分进化(DE)优化算法,使无人机最大限度地提高了传感器的优先级,并避免冗余收集传感器的数据的访问传感器节点的数量。建议的任务规划器进行评估,通过广泛的仿真和比较分析。仿真结果验证了该任务规划器用于分布式传感器网络监测和数据汇集的有效性和准确性。
2021-01-11 cs.RO
BiConMP: A Nonlinear Model Predictive Control Framework for Whole Body Motion Planning
Tandon School of Engineering, New York University(纽约大学坦登工程学院);Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
足式机器人的全身运动规划是具有挑战性的,由于在机器人动力学固有的非线性。在这项工作中,我们提出了一个非线性MPC框架,BiConMP,它可以有效地利用机器人动力学的结构在线生成全身轨迹。BiConMP用于在真实的四足机器人上生成各种循环步态,并在不同地形上评估其性能,对抗不可预见的推动并在不同步态之间在线过渡。此外,能力的BiConMP产生非平凡的非循环的全身动态运动的机器人。同样的方法也被用来产生各种动态运动的MPC上的人形机器人(Talos)和另一个四足机器人(AnYmal)的仿真。最后,一个广泛的实证分析的影响,规划水平和频率的非线性MPC框架的报告和讨论。
2022-09-15 cs.RO
Hybrid Map-Based Path Planning for Robot Navigation in Unstructured Environments
National University of Defense Technology(国防科技大学)
快速准确的路径规划对于地面机器人在非结构化户外环境中实现安全高效的自主导航至关重要。然而,大多数利用2D或2.5D地图的现有方法都难以平衡地面机器人在这种具有挑战性的场景中导航的效率和安全性。在本文中,我们提出了一种新的混合地图表示融合的2D网格和2.5D数字高程图。在此基础上,提出了一种新的路径规划方法,它考虑了机器人的位姿在可通过性估计。通过这样做,我们的方法显式地将安全性作为规划约束,使机器人能够顺利地在非结构化环境中导航。所提出的方法已经在模拟数据集和真实机器人平台上进行了评估。实验结果证明了该方法的有效性和实用性。与最先进的基线方法相比,所提出的方法始终为机器人在不同的非结构化户外环境中生成更安全,更容易的路径。我们的方法的实现可在https://github.com/nubot-nudt/T-Hybrid-planner公开获得。
2023-03-09 cs.RO
Comparing Reconstruction- and Contrastive-based Models for Visual Task Planning
University of Torontoland(多伦托兰大学);Googol ShallowMind(古戈尔浅智公司);University of Edenborrow(伊登伯罗大学)
学习状态表示使机器人能够直接从原始观察(如图像)进行规划。大多数方法通过利用基于从低维潜在空间重构原始观测的损失来学习状态表示。图像空间中的观测之间的相似性通常被假设并用作估计系统的基本状态之间的相似性的代理。然而,观测通常包含与任务无关的变化因素,这些因素对于重建来说仍然很重要,例如变化的照明和不同的相机视点。在这项工作中,我们定义了相关的评估指标,并进行了深入的研究不同的损失函数的状态表示学习。我们发现,利用任务先验的模型,如具有简单对比损失的连体网络,在视觉任务规划中优于基于重建的表示。
2021-09-14 cs.LG cs.RO
Unsupervised Active Visual Search with Monte Carlo planning under Uncertain Detections
University of Verona(维罗纳大学);University of Genoa (UniGe)(热那亚大学);Istituto Italiano di Tecnologia (IIT)(意大利技术研究院);Fondazione Bruno Kessler (FBK)(布鲁诺·凯塞勒基金会)
针对仅知二维平面图的主动视觉搜索问题,提出无需训练的 POMP-BE-PD,通过信念更新、检测器失效概率建模和蒙特卡洛 POMDP 规划,显著提升成功率并缩短路径。
2023-03-06 cs.RO
Exploiting Local Observations for Robust Robot Learning
Aalto University(阿尔托大学);University of Turku(图尔库大学);ETH Zurich(苏黎世联邦理工学院)
该研究系统探究了局部观测下的多智能体强化学习相较于集中式控制在机器人系统中的鲁棒性优势,通过理论推导与实验验证了其性能相当且抗扰性更强,为复杂机器人控制提供了实用替代方案。
2025-07-31 cs.RO
Human-in-the-loop Robotic Manipulation Planning for Collaborative Assembly
Osaka University(大阪大学);University of California, Santa Cruz(加州大学圣克鲁兹分校)
提出了一种面向人机协同装配的机器人操作规划器。与以往研究一个独立的、完全配备人工智能的自主系统的方法不同,本文探讨了机器人和人之间的子任务分配,并研究了一个用于协同装配的人在回路机器人系统。该系统通过利用机器人和人类的优势,避免他们的缺点,分配装配的子任务。系统中的机器人将执行拾取和放置任务,并为人类提供工件。人类合作者将工作的精细操作,如对齐,固定,拧,等约束为基础的增量操作规划方法,提出了产生的机器人的运动。所提出的系统的性能证明,要求一个人和双臂机器人协作组装一个内阁。实验结果表明,所提出的系统和规划器是有效的,高效的,可以帮助人类舒适地完成装配任务。
2019-09-25 cs.RO
Embodied Lifelong Learning for Task and Motion Planning
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
该研究针对家庭服务机器人的终身学习问题,提出面向任务与运动规划的具身终身学习新范式,通过混合生成模型与基于辅助任务的在线模型选择机制,在2D及BEHAVIOR领域实现规划成功率的显著提升。
2023-11-06 cs.AI cs.LG cs.RO
Energy-Aware Predictive Motion Planning for Autonomous Vehicles Using a Hybrid Zonotope Constraint Representation
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出一种基于MPC的无人飞行器耦合运动与能量规划策略,利用约束和混合zonotope表示约束,并在混合整数二次规划求解器中实现实时规划。
2024-11-15 cs.RO cs.SY eess.SY
Research on Robot Path Planning Based on Reinforcement Learning
本项目基于 Visual SLAM 构建了可稠密建图的 ORB-SLAM3 系统,将其点云图转换为轻量级栅格地图,并对比验证了 Q-learning、DQN 和 SARSA 算法在路径规划中的性能,证明 DQN 在高维复杂环境中表现最优。
2024-04-22 cs.CV cs.RO