Model Predictive Planner for UAV Navigation in Non-Convex Air Corridors
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；University of Bergamo（贝加莫大学）
研究无人机在非凸空中走廊的导航规划，核心方法是基于混合整数跟踪模型预测控制公式，嵌入特定成本与约束，主要贡献是生成满足约束且收敛目标的动态有效轨迹，无需外部全局规划。
2026-07-28 cs.RO cs.SY eess.SY
Nonlinear Model Predictive Control for Enhanced Navigation of Autonomous Surface Vessels
本文提出一种结合人工势场与非线性扰动观测器的NMPC方法，在考虑风浪流等环境扰动并遵守COLREGs规则的前提下，实现自主水面船舶的避碰、防搁浅与路径跟踪。
2024-03-27 cs.SY eess.SY
Robust Tube-based Model Predictive Control for Time-constrained Robot Navigation
School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（电气工程和计算机学院，皇家理工学院）
本文针对在受限工作空间中由不确定非线性非仿射动力学建模的机器人时间约束导航问题，提出了一种新型鲁棒反馈控制器，通过解决有限时间最优控制问题和离线调整的背stepping反馈法则，确保机器人轨迹始终在名义轨迹的有界超管内，并通过验证框架保证满足MITL的公式。
2019-09-03 cs.SY eess.SY math.OC
Decentralized Nonlinear Model Predictive Control-Based Flock Navigation with Real-Time Obstacle Avoidance in Unknown Obstructed Environments
本研究扩展了分布式NMPC框架，通过整合基于点云的局部避障约束，实现了未知障碍环境中机器人集群的实时避障导航，并通过3D仿真和硬件在环仿真验证了其有效性与实用性。
2025-05-15 cs.RO cs.SY eess.SY
Occlusion-Aware Consistent Model Predictive Control for Robot Navigation in Occluded Obstacle-Dense Environments
Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)（机器人与自主系统方向，香港科学与技术大学（广州））
本研究提出了一种具备遮挡意识的一致模型预测控制策略，用于提高机器人在遮挡障碍密集环境中的导航安全性与运动一致性。
2026-02-11 cs.RO cs.SY eess.SY
Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds
University of California, Berkeley（加州大学伯克利分校）
针对人群中机器人安全导航时人类运动预测不确定性难融入控制的问题，提出分布鲁棒机会约束MPC方法，用分布鲁棒条件风险价值近似实现实时计算，经真实行人数据验证可高效安全导航。
2024-03-08 cs.RO cs.SY eess.SY
Model Predictive Control for Crowd Navigation via Learning-Based Trajectory Prediction
Continental Automotive GmbH, Germany（德国Continental汽车有限公司）；Technical University of Berlin, Germany（柏林技术大学）；Free University of Berlin, Germany（柏林自由大学）
本研究在 Continental Corriere 机器人上评估了基于深度学习的 SI 预测器与 MPC 框架的集成，发现 SI-MPC 相比传统 CV 模型显著降低了预测误差并提升了导航安全性与平滑度，同时揭示了开环指标与闭环性能间的差异。
2025-08-09 cs.AI cs.RO cs.SY
Data-Driven Risk-sensitive Model Predictive Control for Safe Navigation in Multi-Robot Systems
Indian Institute of Technology (IIT) Kharagpur（印度理工学院卡拉格普尔分校）
安全导航是多机器人系统中的一个基本挑战，这是由于机器人未来轨迹的不确定性，这些机器人相互之间充当障碍物。在这项工作中，我们提出了一个原则性的数据驱动的方法，每个机器人反复解决有限的地平线优化问题，避免碰撞的约束，后者被制定为分布式强大的条件风险值（CVaR）的代理和多面体障碍几何之间的距离。具体而言，CVaR约束要求对所有接近经验分布的分布都成立，该经验分布是从执行期间收集的预测误差的观察样本构建的。该方法的一般性使我们能够鲁棒性地对抗在分布式和分散式设置中通常施加的假设下产生的预测误差。我们推导出易于处理的有限维近似这类约束，利用凸和极大极小对偶结果Wasserstein分布鲁棒优化问题。在Gazebo平台上实现的多无人机导航环境中说明了所提出方法的有效性。
2022-09-16 cs.RO cs.SY eess.SY
A Step-by-step Guide on Nonlinear Model Predictive Control for Safe Mobile Robot Navigation
department of Cognitive Robotics, Delft University of Technology（认知机器人系，代尔夫特理工大学）；Institute for Dynamic Systems and Control, ETH Zürich（动态系统与控制研究所，苏黎世联邦理工学院）
本报告提供了一种分步方法来实现非线性模型预测控制（NMPC）方案，以解决移动机器人在充满障碍物的环境中安全导航的问题，强调安全性和性能保证，旨在弥合理论NMPC公式与实际机器人应用之间的差距。
2025-08-09 cs.RO cs.SY eess.SY
Digital Twin of Autonomous Surface Vessels for Safe Maritime Navigation Enabled through Predictive Modeling and Reinforcement Learning
Norwegian University of Science and Technology（挪威科技大学）；SINTEF Digital（SINTEF数字研究院）
本文在现有ASV数字孪生框架上，结合AIS与合成Lidar目标跟踪、NMPC预测安全滤波器和Unity实现，赋予自主水面船预测、情景推演与最优控制决策能力，以提升海上导航安全。
2024-03-30 cs.RO cs.SY eess.SY
Dual-mode Dynamic Window Approach to Robot Navigation with Convergence Guarantees
Utah State University（犹他州立大学）
本文提出一种新型双模式模型预测控制框架，结合动态窗口导航方法与参考跟踪控制器，增强障碍物避障保证并支持复杂机器人模型，实现高速未知环境导航的收敛性。
2018-08-17 cs.SY eess.SY
Integrated Localization and Path Planning for an Ocean Exploring Team of Autonomous Underwater Vehicles with Consensus Graph Model Predictive Control
针对USV协调的AUV深海探测团队，本文提出将定位作为一致性图优化集成到滚动时域MPC路径规划中，实现节能、无碰撞且定位感知的协同规划，并用序列凸规划求解该NP难问题。
2025-05-12 cs.SY eess.SY
Koopman-Based Dynamic Environment Prediction for Safe UAV Navigation
Politecnico di Milano（米兰理工大学）；Chalmers University of Technology（查尔姆斯理工大学）
本研究提出基于Koopman的MPC框架，结合Koopman算子线性近似障碍物动力学与MPC轨迹规划，实现动态环境下无人机安全导航，经仿真和ROS2-Gazebo验证在噪声、延迟及不确定性下性能可靠。
2025-11-10 cs.SY eess.SY
VisioPath: Vision-Language Enhanced Model Predictive Control for Safe Autonomous Navigation in Mixed Traffic
System Engineering Program, Cornell University（Cornell大学系统工程项目）；School of Civil and Environmental Engineering, Cornell University（Cornell大学土木与环境工程学院）；School of Electrical and Computer Engineering, Cornell University（Cornell大学电气与计算机工程学院）
VisioPath结合视觉-语言模型与模型预测控制，利用鸟瞰视频和零样本VLM获取周围车辆信息，构建椭圆避碰势场并集成到最优控制中，通过微分动态规划求解，在SUMO仿真中优于传统MPC，实现安全轨迹规划。
2025-07-08 cs.RO cs.SY eess.SY
Trust-aware Safe Control for Autonomous Navigation: Estimation of System-to-human Trust for Trust-adaptive Control Barrier Functions
该研究提出一种信任感知自主导航安全控制系统，结合MPC、CBFs与行人信任估计调整约束，经CARLA仿真验证可根据行人注意力调整驾驶策略，提升自动驾驶的安全性与可靠性。
2023-07-24 cs.SY eess.SY
Homotopy-aware Multi-agent Navigation via Distributed Model Predictive Control
School of Advanced Manufacturing and Robotics, Peking University（先进制造与机器人学院，北京大学）；School of Computer Science and Engineering, Beihang University（计算机科学与工程学院，北航）
针对密集环境中多智能体穿越狭长走廊易死锁的问题，提出结合同伦感知全局路径规划与MPC局部轨迹优化的分布式框架，成功率提升至90%以上。
2025-07-26 cs.MA cs.RO cs.SY
Safe Robust Predictive Control-based Motion Planning of Automated Surface Vessels in Inland Waterways
Dept. of Mechanical Engineering, Clemson University（机械工程系，克莱姆森大学）
针对内河航道自主水面船舶导航面临的狭窄通道、高交通密度和水动力扰动挑战，提出结合鲁棒模型预测控制与控制屏障函数的运动规划方法，以安全约束确保碰撞避免，仿真验证了其有效性和安全性。
2025-09-08 cs.RO cs.SY eess.SY
Ground and Flight Locomotion for Two-Wheeled Drones via Model Predictive Path Integral Control
Nagoya Institute of Technology（名古屋工业大学）；Nagoya University（名古屋大学）
针对传统两轮无人机运动规划依赖梯度优化、难以处理任意形状障碍物的问题，提出基于MPPI控制的多模式运动规划方法，通过切换控制空间与引入辅助控制器解决模式切换不稳定问题，实现非结构化环境下的有效避障导航。
2025-03-20 cs.RO cs.SY eess.SY
Safety Critical Model Predictive Control Using Discrete-Time Control Density Functions
Clemson University（克莱姆森大学）
本文提出MPC-CDF方法，将控制密度函数融入模型预测控制框架，在离散时间下确保非线性系统的收敛与安全，并在水下航行器自主导航中验证了其避障与安全性能。
2025-09-16 cs.RO cs.SY eess.SY
Online Motion Planning based on Nonlinear Model Predictive Control with Non-Euclidean Rotation Groups
TU Dortmund University（多特蒙德工业大学）
提出了一种基于非线性模型预测控制的机器人在线运动规划方法。常见的方法依赖于纯欧几里德优化参数。然而，在机器人导航中，状态空间通常包括跨越非欧几里德旋转组的旋转分量。所提出的方法适用于非线性增量和差分算子在整个优化方案，明确考虑这些群体。实现包括但不限于二次型和时间最优目标。一个复杂的停车场景的运动自行车模型证明了该方法的有效性和实际意义。在更简单的机器人（例如差动驱动）的情况下，在层次规划设置中的比较分析揭示了可比的计算时间和性能。该方法可在模块化和高度可配置的开源C++软件框架中使用。
2020-06-05 cs.RO cs.SY eess.SY
MPPI Planning with Gaussian-Based Human Cost Function for Social Navigation
VJTI（维杰拉吉·鲁勒学院（VJTI））
该研究针对普通MPPI规划低估动态场景风险的问题，提出PGIF方法，结合高斯排斥场实现0%碰撞率，同时保持实时规划性能，适用于社交导航。
2026-08-12 cs.RO cs.SY eess.SY
2.5D Mapping, Pathfinding and Path Following For Navigation Of A Differential Drive Robot In Uneven Terrain
National Research University Higher School of Economics（国立研究型大学高等经济学院）
在不平坦地形中的安全导航是机器人研究中的一个重要问题。在本文中，我们提出了一个2.5维导航系统，其中包括高程地图建设，路径规划和局部路径跟踪与避障。对于局部路径跟踪，我们使用模型预测路径积分（MPPI）控制方法。我们为MPPI提出了新的成本函数，以便使其适应高程地图和不平坦运动。我们评估我们的系统在多个合成测试，并在模拟环境中，不同类型的障碍物和粗糙的表面。
2022-09-15 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
Orbit-Attitude Predictive Control in the Vicinity of Asteroids with In Situ Gravity Estimation
本文提出一种集成模型学习的预测控制方案，通过无迹卡尔曼滤波同时估计状态与重力参数，实现小行星附近航天器轨道-姿态保持，并利用星座任务加速模型识别，提高控制精度。
2025-01-22 cs.SY eess.SY
WayFAST: Navigation with Predictive Traversability in the Field
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；EarthSense Inc.（EarthSense公司）；DEVCOM Army Research Lab（DEVCOM陆军研究实验室）
我们提出了一个自我监督的方法来学习预测轮式移动机器人，需要良好的牵引力导航的可通行路径。我们的算法，称为WayFAST（无航点自主系统的可通行性），使用RGB和深度数据，以及导航经验，在户外非结构化环境中自主生成可通行的路径。我们的主要灵感是，牵引力可以估计滚动机器人使用kinodynamic模型。使用在线滚动时域估计器提供的牵引估计，我们能够以自监督的方式训练可通过性预测神经网络，而不需要以前的方法所使用的算法。我们通过在不同环境中进行广泛的现场测试来证明WayFAST的有效性，从干燥的沙滩到森林树冠和积雪覆盖的草地。我们的研究结果清楚地表明，WayFAST可以学习避开几何障碍物以及不可穿越的地形，如积雪，这对于仅提供几何数据的传感器（如LiDAR）来说是很难避免的。此外，我们表明，我们基于在线牵引力估计的训练管道比其他基于统计学的方法更有效。
2022-08-01 cs.AI cs.CV cs.LG
Perceptual Attention-based Predictive Control
Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种新的信息处理架构，用于安全的深度学习视觉导航系统，通过模型预测控制（MPC）、卷积神经网络（CNNs）和不确定性量化方法，实现基于感知注意力的预测控制算法，提高了系统对不安全状况的快速检测能力。
2019-10-16 cs.CV cs.LG cs.RO
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
Future-Oriented Navigation: Dynamic Obstacle Avoidance with One-Shot Energy-Based Multimodal Motion Prediction
Chalmers University of Technology（查尔姆斯理工大学）
本文提出一种集成单次能量多模态运动预测与模型预测控制的动态避障方法，通过无监督分组障碍物并在仓库场景中验证其优于现有方法。
2025-06-04 cs.LG cs.RO cs.SY
Aggressive Perception-Aware Navigation using Deep Optical Flow Dynamics and PixelMPC
Georgia Institute of Technology（佐治亚理工学院）
最近，基于视觉的控制通过利用机器学习的力量而获得了牵引力。在这项工作中，我们耦合到一个模型预测控制（MPC）框架的可视化管道。我们引入了深度光流（DOF）动力学，它是光流和机器人动力学的结合。使用DOF动态，MPC明确地将相关像素的预测移动并入机器人的规划轨迹中。我们实现的自由度是内存效率，数据效率，计算成本低，使它可以在MPC框架中使用的实时计算。建议的像素模型预测控制（PixelMPC）算法控制机器人完成高速比赛任务，同时保持重要功能（门）的可见性。这提高了基于视觉的定位估计器的可靠性，并最终导致安全的自主飞行。所提出的算法进行了测试，在真实感仿真与高速无人机赛车任务。
2020-01-07 cs.CV cs.LG cs.RO
Autonomous Wheel Loader Navigation Using Goal-Conditioned Actor-Critic MPC
Tampere University（坦佩雷大学）
本文提出一种将Actor-Critic强化学习的评论家网络作为代价函数融入MPC的自主轮式装载机控制方法，实现了高效且优于轨迹优化的目标位姿导航，并在仿真和真实场景中验证了其有效性。
2025-04-05 cs.RO cs.SY eess.SY
Polygonal Obstacle Avoidance Combining Model Predictive Control and Fuzzy Logic
RPTU University Kaiserslautern-Landau（凯泽斯劳滕-兰道RPTU大学）
本文针对占据栅格地图与MPC连续可微约束不兼容的问题，提出将障碍物表示为多边形半空间交集，并利用模糊逻辑将包含逻辑算子的避障约束转化为标准MPC不等式约束，成功在仿真中实现了轨迹规划。
2025-07-14 cs.RO cs.SY eess.SY
Autonomous Vehicle Speed Control for Safe Navigation of Occluded Pedestrian Crosswalk
Dynamic Design Lab（动态设计实验室）
本文提出基于部分可观测马尔可夫决策过程的速度控制方法，用于安全通过遮挡人行横道，通过动态规划计算控制策略以应对感知限制。
2018-02-18 cs.AI cs.RO cs.SY
Trajectory Planning with Model Predictive Control for Obstacle Avoidance Considering Prediction Uncertainty
Institute of Electromobility, RPTU University Kaiserslautern-Landau（电磁移动研究所，科隆-兰道大学）；Institute of Wireless Communications and Navigation, RPTU University Kaiserslautern-Landau（无线通信与导航研究所，科隆-兰道大学）
本文提出一种基于MPC和ROS2/Nav2框架的新型动态避障轨迹规划器，利用随机VAR模型预测障碍物未来位置，并通过马氏距离约束实现考虑预测不确定性的避障，显著提升了机器人在动态环境中的避障能力。
2025-04-27 cs.RO cs.SY eess.SY
Onboard Vision and MPC Navigation for Underwater Robots: An Open BlueROV2 Platform for Multi-Robot Experiments & Docking
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出一个集成机载视觉与非线性模型预测控制的开源BlueROV2平台，实现水下自主导航与对接，并提供仿真工具与物理对接站，实验验证了感知、估计、跟踪与对接性能。
2026-10-01 cs.RO cs.SY eess.SY
Digital Twin for Autonomous Surface Vessels: Enabler for Safe Maritime Navigation
Norwegian University of Science and Technology（挪威科技大学）；SINTEF Digital（SINTEF数字研究院）
本文提出针对自主水面船舶的数字孪生框架方法论，涵盖0至5级分类，通过实时数据更新提升安全导航与决策能力。
2024-11-05 cs.RO cs.SY eess.SY
A Nonlinear Model Predictive Control Scheme for Cooperative Manipulation with Singularity and Collision Avoidance
KTH Royal Institute of Technology（瑞典皇家理工学院）；National Technical University of Athens（雅典国立技术大学）
本文提出了一种非线性模型预测控制方案，用于在存在障碍物的有限工作空间中安全导航被N个机器人代理抓取的物体，同时避免碰撞和奇异配置。
2017-11-12 cs.RO cs.SY eess.SY
SkyVLN: Vision-and-Language Navigation and NMPC Control for UAVs in Urban Environments
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
SkyVLN将视觉-语言导航与非线性模型预测控制结合，利用大语言模型解析指令，提升无人机在城市环境中的导航准确性与鲁棒性。
2025-07-09 cs.AI cs.RO cs.SY
STEP: Stochastic Traversability Evaluation and Planning for Risk-Aware Off-road Navigation
University of Tokyo（东京大学）；California Institute of Technology（加州理工学院）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
虽然地面机器人自主性在结构化和受控环境中得到了广泛的应用，但在未知和越野地形中的自主性仍然是一个难题。极端、越野和非结构化的环境，如未开发的荒野、洞穴和瓦砾，给自主导航带来了独特而具有挑战性的问题。为了解决这些问题，我们提出了一种方法来评估可穿越性和规划一个安全的，可行的，快速的轨迹实时。我们的方法，我们命名为STEP（随机可通行性评估和规划），依赖于：1）快速的不确定性感知映射和可通行性评估，2）尾部风险评估使用的条件风险值（CVaR），和3）有效的风险和约束感知运动规划使用基于序列二次规划（SQP）模型预测控制（MPC）。我们分析了我们的方法在模拟和验证其有效性轮式和腿式机器人平台探索极端地形，包括废弃的地铁和地下熔岩管。
2021-06-25 cs.AI cs.RO cs.SY
Competency-Aware Planning for Probabilistically Safe Navigation Under Perception Uncertainty
Department of EECS, UC Berkeley（电子工程与计算机科学系，伯克利大学）
本文提出PaRCE方法，通过估计模型对输入图像的整体和局部熟悉度，提升在感知不确定性下的导航安全性与效率。
2025-07-26 cs.AI cs.CV cs.RO
