Beyond Geometry: Efficient Topologically-Grounded Navigation in Complex 3D Environments
School of Integrated Circuits(集成电路学院)
本文提出了一种表面提取框架,通过强制地面支撑、头顶 clearance 和基于种子的连通性约束,构建了物理可达的站立位置的简化状态空间,从而在复杂3D环境中实现高效的拓扑导向导航。
2026-05-17 cs.RO
CropNav: a Framework for Autonomous Navigation in Real Farms
University of Illinois at Urbana-Champaign (UIUC)(伊利诺伊大学厄巴纳-香槟分校);EarthSense Inc.(EarthSense公司);University of São Paulo (USP)(圣保罗大学)
提出一种混合导航系统CropNav,通过在LiDAR行跟踪与航点跟踪间自动切换并实现失败检测与恢复,解决了冠层下GNSS不可靠的导航难题,显著提升了农场自主导航距离。
2024-11-17 cs.RO
GSplatVNM: Point-of-View Synthesis for Visual Navigation Models Using Gaussian Splatting
CyberAgent AI Lab(CyberAgent AI实验室);The Department of Mechanical Systems Engineering(机械系统工程系);Nagoya University(名古屋大学)
本文提出 GSplatVNM,将 3DGS 与视觉导航模型结合,通过合成中间视点弥补稀疏图像数据库间隙并降低存储开销,实验证明其提升导航效率且对不同稀疏度具有鲁棒性。
2025-07-26 cs.RO
SaferPath: Hierarchical Visual Navigation with Learned Guidance and Safety-Constrained Control
PEAK-Lab, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)的PEAK实验室)
SaferPath通过结合学习引导和安全约束控制,提升移动机器人在复杂环境中的视觉导航能力,有效减少碰撞并提高成功率。
2026-03-02 cs.RO
ForaNav: Insect-inspired Online Target-oriented Navigation for MAVs in Tree Plantations
Universiti Sains Malaysia(马来西亚理科大学);School of Aerospace Engineering(航空航天工程学院);School of Electrical and Electronic Engineering(电气与电子工程学院)
本文提出ForaNav,一种仿昆虫的种植园微型飞行器导航策略,通过增强HOG检测和动态路径调整,在无GPS先验下实现实时高效的目标树木自主导航。
2025-03-04 cs.RO cs.SY eess.SY
SAFER-Nav: Enhancing Safety for Visual Robot Navigation via Segmentation-Aware Fine-Tuning
Dept. of Electronic Engineering, Sogang University(西江大学电子工程系);Dept. of Computer Science, Rice University(莱斯大学计算机科学系);Vertical Labs, Co., Ltd.(Vertical Labs 有限公司)
提出SAFER-Nav方法,通过分割感知微调将障碍物边界和可通行空间结构直接融入导航策略,降低碰撞频率并保持目标到达性能。
2026-09-21 cs.RO
VERN: Vegetation-aware Robot Navigation in Dense Unstructured Outdoor Environments
Army Research Laboratory(美国陆军研究实验室)
我们提出了一种新的方法,自主足式机器人导航在密集的植被环境与各种柔韧/可穿越和非柔韧/不可穿越的植被。我们提出了一种新的少样本学习分类器,可以在几百个RGB图像上进行训练,以区分可以导航通过的植物群和必须绕过的植物群。使用植被分类和2D激光雷达扫描,我们的方法构建了一个植被感知的可通行性成本地图,准确地表示柔韧和非柔韧的障碍物,分别具有较低和较高的可通行性成本。我们的成本地图构建考虑了植被的错误分类,并进一步降低了导航过程中碰撞、冻结和陷入植被的风险。此外,我们提出完整的恢复行为的机器人的情况下,它冻结,或得到物理陷入密集,柔韧的植被。我们展示了我们的方法在真实世界的非结构化环境中的波士顿动力现货机器人与稀疏和密集的高草,灌木丛,树木等,我们观察到增加25-90%的成功率,10-90%的冷冻率下降,并高达65%的下降假阳性率相比,现有的方法。
2023-03-25 cs.RO
Walking = Traversable? : Traversability Prediction via Multiple Human Object Tracking under Occlusion
University of Fukui(福井大学)
针对室内机器人导航中遮挡区域可通行性预测问题,提出用观测机器人的第三人称单目相机、结合SLAM与MOT跟踪器的方法,实现复杂场景下的稳定预测,并扩展了可通行性地图质量指标。
2023-09-30 cs.CV cs.RO
Topomap: Topological Mapping and Navigation Based on Visual SLAM Maps
Autonomous Systems Lab, ETH Zurich(苏黎世联邦理工学院自主系统实验室)
视觉机器人导航在大规模,半结构化的环境中处理各种挑战,如计算密集的路径规划算法或对可穿越空间的知识不足。此外,许多国家的最先进的导航方法只在当地运作,而不是获得一个更概念性的了解规划目标。这限制了机器人可以完成的任务的复杂性,并使其更难处理实时机器人应用中存在的不确定性。在这项工作中,我们提出了拓扑图,一个框架,它简化了导航任务,通过提供一个地图的机器人,这是量身定制的路径规划使用。该方法将基于稀疏特征的地图从视觉同时定位与地图构建(SLAM)系统转换为三维拓扑地图。这分两步完成。首先,我们提取占用信息直接从噪声稀疏点云。然后,我们创建一组凸自由空间簇,这是拓扑映射的顶点。我们表明,这种表示提高了效率的全球规划,我们提供了一个完整的推导我们的算法。在真实世界数据集上的规划实验表明,我们实现了与RRT* 相似的性能,但计算时间和存储需求明显降低。最后,我们测试我们的算法在移动机器人平台上,以证明其优势。
2018-03-09 cs.RO
Lavender Autonomous Navigation with Semantic Segmentation at the Edge
Politecnico di Torino(都灵理工大学);University of Rome Tor Vergata(罗马第二大学)
本研究将基于分割的视觉不可知导航算法应用于薰衣草田,通过仿真和真实场景的大量实验验证了其在不同场景下的泛化能力和高度可靠性。
2023-09-13 cs.RO
G2-Nav: Grounded and Guarded Vision-Language Costmaps for Robot Social Navigation
研究针对机器人社交导航问题,提出G2-Nav框架,将VLM语义推理转化为视觉语言代价地图,经开放集感知评估区域和代理,结合语义验证与高频安全检查,实现非结构化环境下安全、高效且符合社会规范的自主导航。
2026-10-02 cs.RO
TRIP: Terrain Traversability Mapping With Risk-Aware Prediction for Enhanced Online Quadrupedal Robot Navigation
KAIST(韩国科学技术院)
针对腿式机器人在复杂环境中因地形信息有限导致可通行性估计困难的问题,提出TRIP方法,通过球面投影估计可踩踏性、T-BGK推理补全地形及马氏距离增强鲁棒性,提升四足机器人在线导航的地形重建和可通行性映射性能。
2024-11-26 cs.RO
TridentNetV2: Lightweight Graphical Global Plan Representations for Dynamic Trajectory Generation
University of California San Diego(加州大学圣地亚哥分校)
我们提出了一个自动导航的动态轨迹生成框架,它不依赖于高清地图作为底层表示。高清(HD)地图已成为大多数自动驾驶框架的关键组件,其中包括以厘米级注释的完整道路网络信息,包括可穿越的路点,车道信息和交通信号。相反,所提出的方法模型的分布可行的自我为中心的轨迹实时给定一个名义上的基于图形的全球计划和一个轻量级的场景表示。通过嵌入上下文信息,如人行横道,停车标志和交通信号,我们的方法实现了跨多个城市导航数据集,包括不同的交叉路口机动的低错误,同时保持实时性能和降低网络复杂性。所介绍的基本数据集可在网上查阅。
2022-03-26 cs.RO
A Hierarchical Graph-Based Terrain-Aware Autonomous Navigation Approach for Complementary Multimodal Ground-Aerial Exploration
Robotics & AI Team, Department of Computer, Electrical and Space Engineering, Luleå University of Technology(机器人与人工智能团队,计算机、电气与空间工程系,卢勒奥技术大学)
针对未知环境下地空机器人协同探索效率问题,提出基于分层图的地形感知导航方法,通过共享置信度指标协调部署,在地下场景中实现了更高效的互补式探索。
2025-05-20 cs.RO
A Map-Free LiDAR-Based System for Autonomous Navigation in Vineyards
Politecnico di Milano(米兰理工大学)
本文提出一种基于LiDAR和轮式编码器的无地图导航系统,利用葡萄园平行行结构实现行内、转弯和行端自主导航,并通过行端点检测弥补了现有研究对行端导航的忽视。
2023-07-06 cs.RO
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
Passage-Aware Structural Mapping for RGB-D Visual SLAM
Interdisciplinary Centre for Security, Reliability, and Trust (SnT), University of Luxembourg(卢森堡大学安全、可靠性与信任跨学科研究中心);University of Luxembourg(卢森堡大学);Faculty of Science, Technology, and Medicine at the University of Luxembourg(卢森堡大学科学、技术与医学学院);Universidad Politécnica de Madrid(马德里理工大学)
本文提出一种通道感知的RGB-D视觉SLAM结构映射方法,通过融合几何、语义和拓扑信息检测门和可通行开口,提升场景图中房间连通性建模。
2026-04-27 cs.RO
Autonomous Navigation in Rows of Trees and High Crops with Deep Semantic Segmentation
Politecnico di Torino(都灵理工大学)
本文提出一种基于深度语义分割的自主导航方法,解决高树行和果园中GPS信号遮挡及天空不可见时的机器人引导问题,并在模拟树田和葡萄园实验中验证了其鲁棒性与竞争优势。
2023-04-18 cs.RO
STONE Dataset: A Scalable Multi-Modal Surround-View 3D Traversability Dataset for Off-Road Robot Navigation
Interdisciplinary Program in Artificial Intelligence, Seoul National University(人工智能交叉学科项目,首尔国立大学);Department of Electrical and Computer Engineering, Seoul National University(电气与计算机工程系,首尔国立大学)
STONE数据集通过大规模多模态数据和自动标注流程,为越野机器人导航中的3D可通行性预测提供了可扩展的地面真实值和基准测试平台。
2026-03-12 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
Learning to Drive on Mars: Visual Multimodal Traversability Estimation for Off-World Navigation
University of Southern California(南加州大学);Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室);Washington State University(华盛顿州立大学)
本文提出基于火星2020毅力号数据集的不确定性感知多模态可穿越性估计框架,在AUROC和F1上超越现有方法,并集成到路径规划器中。
2026-09-22 cs.RO
Toward Semantic Scene Understanding for Fine-Grained 3D Modeling of Plants
Carnegie Mellon University(卡内基梅隆大学)
本文利用高粱种子作为语义地标和特征,构建视觉SLAM系统并改善三维重建,显著提升高粱行距的建图覆盖率至78%。
2023-12-28 cs.RO
Visual Servoing-based Navigation for Monitoring Row-Crop Fields
University of Bonn(波恩大学)
自主导航是田间机器人完成精准农业任务的前提。通常,机器人必须在一个季节中多次穿过整个作物田,以监测植物,施用农用化学品或执行有针对性的干预行动。在本文中,我们提出了一个框架,专门用于导航中耕作物领域,利用常规作物行结构存在于该领域。我们的方法仅使用车载摄像机的图像,无需执行显式定位或维护田地地图,因此可以在没有农业自动化系统中常用的昂贵RTK-GPS解决方案的情况下运行。我们的导航方法允许机器人准确地跟随作物行,并在同一框架内无缝地处理到下一行的切换。我们使用C++和ROS实现了我们的方法,并在几个具有不同形状和大小的场的模拟环境中进行了彻底的测试。我们还演示了系统运行在一个实际的机器人上的测试行作物领域的帧速率。代码和数据已经发布。
2019-09-27 cs.RO
Towards Over-Canopy Autonomous Navigation: Crop-Agnostic LiDAR-Based Crop-Row Detection in Arable Fields
Robotics Institutes, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
本文提出一种基于LiDAR的与作物类型无关的冠层上方自主导航系统,可在无GPS条件下检测作物行并导航整个田地,平均横向误差3.55厘米。
2024-09-18 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
Splatblox: Traversability-Aware Gaussian Splatting for Outdoor Robot Navigation
University of Maryland, College Park(马里兰大学帕克分校)
Splatblox通过融合RGB图像和LiDAR点云,构建了具有几何和语义信息的可通行性感知ESDF,实现户外复杂环境下的实时自主导航,实验表明其在可通行性判断和路径规划方面优于现有方法。
2026-04-08 cs.CV 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
MaAST: Map Attention with Semantic Transformersfor Efficient Visual Navigation
SRI International(SRI国际);Arizona State University(亚利桑那州立大学)
自主智能体的视觉导航是计算机视觉和机器人学领域的核心任务。基于学习的方法,如深度强化学习,有可能优于为这项任务开发的经典解决方案;然而,它们的计算负荷显着增加。通过这项工作,我们设计了一种新的方法,专注于表现更好或与现有的基于学习的解决方案相当,但在明确的时间/计算预算。为此,我们提出了一种方法来编码重要的场景语义,如遍历路径,未探索的领域,并观察到的场景对象-旁边的原始视觉流,如RGB,深度,和语义分割面具-到一个语义通知,自上而下的自我中心的地图表示。此外,为了使这些信息的有效利用,我们引入了一种新的2-D地图注意力机制,成功的多层Transformer网络的基础上。我们进行实验3-D重建室内PointGoal视觉导航和证明我们的方法的有效性。我们表明,通过使用我们新的注意力模式和辅助奖励来更好地利用场景语义,我们的表现优于仅用原始输入或隐式语义信息训练的多个基线,同时代理的经验减少了80%。
2021-03-21 cs.CV cs.RO
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
Interactive Navigation in Environments with Traversable Obstacles Using Large Language and Vision-Language Models
The Chinese University of Hong Kong(香港中文大学);Technical University of Munich(慕尼黑工业大学)
本文提出利用GPT-3.5和Grounding DINO构建动作感知成本地图,实现机器人穿越可穿越障碍物的交互式导航,无需微调,实验验证了其有效性和适应性。
2024-03-13 cs.AI cs.RO
Watching Grass Grow: Long-term Visual Navigation and Mission Planning for Autonomous Biodiversity Monitoring
Mobile Robotics Group (MRG)(移动机器人小组(MRG));Oxford Robotics Institute(牛津机器人研究所);Department of Biology, University of Oxford(牛津大学生物学系)
本文提出一种面向动态草地生态系统的长期视觉导航与任务规划方法,通过反复示教路线克服外观剧烈变化对定位的影响,并在6周气候变化实验中验证了自主生物多样性监测能力。
2024-05-01 cs.RO
TEA-AgriVLN: Traversability Estimation Alarm for Agricultural Vision-and-Language Navigation
针对农业场景可通行性模糊问题,提出TEA模块并集成至AgriVLN构建TEA-AgriVLN,在A2A基准上将SR提至0.54、NE降至2.70米,实现农业VLN-CE领域最优性能。
2026-07-31 cs.RO
LeCropFollow: Latent Space Planning for Navigation in Unstructured Crop Fields
University of São Paulo(圣保罗大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出LeCropFollow框架,利用自监督语义热图和基于模型的强化学习规划器在潜在流形中优化轨迹,无需几何建模,实现从简化模拟到真实世界的零样本迁移,在玉米田间隙中语义故障减少2.4倍。
2026-07-01 cs.AI cs.RO
GSAT: Geometric Traversability Estimation using Self-supervised Learning with Anomaly Detection for Diverse Terrains
Inha University(仁荷大学)
GSAT通过自监督学习与异常检测,在潜在空间中构建正超球体,实现对不同地形的可通行性估计,提升自主导航的可靠性。
2026-03-08 cs.RO
Fast Traversability Estimation for Wild Visual Navigation
ETH Zurich(苏黎世联邦理工学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Oxford(牛津大学)
提出仅依赖视觉的在线自监督系统WVN,通过实时监督生成和视觉Transformer特征,在5分钟内实现地形分割,解决野外复杂环境机器人导航问题。
2023-05-16 cs.CV cs.LG cs.RO
Online Refinement of a Scene Recognition Model for Mobile Robots by Observing Human's Interaction with Environments
Toyohashi University of Technology(丰桥技术科学大学)
本文介绍了一种在线细化的机器人导航场景识别模型的方法,考虑可穿越的植物,灵活的植物部分,机器人可以推到一边,而移动。在场景识别系统中,考虑可穿越的植物生长出的路径,误分类可能会导致机器人卡住,由于可穿越的植物识别为障碍物。然而,在任何估计方法中,错误分类是不可避免的。在这项工作中,我们提出了一个框架,允许精炼的语义分割模型飞行在机器人的操作。我们引入了一个基于权重印记的Few-Shot分割方法,用于在线模型细化而无需微调。训练数据通过观察人与植物部分的交互来收集。我们提出了新的强大的重量印记,以减轻噪音的影响,包括在由相互作用产生的掩模。所提出的方法进行了评估,通过实验使用真实世界的数据,并显示出优于普通的重量印迹,并提供有竞争力的结果,微调与模型蒸馏,同时需要更少的计算成本。
2022-08-13 cs.CV cs.RO
SE(2) Navigation Mesh
Robotic Systems Lab, ETH Zurich(苏黎世联邦理工学院机器人系统实验室)
提出SE(2)导航网格,通过编码偏航依赖的可通行性,支持非圆形机器人在复杂多层环境中的高效路径规划,并开发了A*-拉绳-A*分层路径搜索策略。
2026-07-03 cs.RO
PIGEON: VLM-Driven Object Navigation via Points of Interest Selection
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Beijing Academy of Artificial Intelligence (BAAI)(北京人工智能研究院);Peking University(北京大学);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
提出PIGEON框架,将物体导航建模为基于原始观测的稀疏决策问题,通过兴趣点(PoI)作为视觉决策单元,结合VLM选择关键点,实现零样本SOTA性能并迁移至主动具身问答。
2026-06-11 cs.CV cs.RO
To Go or Not To Go? A Near Unsupervised Learning Approach For Robot Navigation
Stanford AI Lab., Computer Science, Stanford University(斯坦福大学计算机科学系斯坦福人工智能实验室)
当机器人在动态环境中导航时,能够决定它们是否可以通过空间是很重要的。这种能力可以帮助他们避免受伤或严重损坏,例如,由于撞到人和障碍物,被卡住,或从边缘掉下来。为此,我们提出了一个无监督和近无监督的方法的基础上生成的生成对抗网络(GAN)的分类场景作为遍历或不基于视觉数据。我们的方法受到了最近在计算机视觉问题和异常检测上成功的数据驱动方法的启发,并减少了在训练时对大量负面示例的需求。由于碰撞,收集指示机器人不应该穿过空间的负面数据通常是困难和危险的,而收集正面数据可以基于机器人自己的旅行经验自动化和安全地完成。我们验证了所提出的方法的通用性和有效性的测试数据集收集在一个以前看不见的环境与移动机器人。此外,我们表明,我们的方法可以用来建立costmaps(我们称之为“GoNoGo”costmaps)的机器人路径规划,只使用视觉数据。
2017-09-16 cs.CV cs.RO
Towards Autonomous Pipeline Inspection with Hierarchical Reinforcement Learning
University of Twente(特文特大学);Jönköping University(延雪平大学)
检测和维护是工业管道设备的两个关键方面。虽然机器人技术在管道检测机器人的机械设计方面取得了巨大的进步,但由于执行器数量多和所需的复杂操纵,这种机器人的自主控制仍然是一个巨大的挑战。为了解决这个问题,我们研究了深度强化学习的使用,以实现复杂拓扑结构的管道网络中的管道机器人的自主导航。此外,我们引入了一个分层的策略分解的基础上分层强化学习学习强大的高层次的导航技能。我们表明,在政策中引入的层次结构是通过管道解决导航任务的基础,实现导航性能优于人类水平的控制是必要的。
2021-07-08 cs.AI cs.RO
Learning Semantic Traversability with Egocentric Video and Automated Annotation Strategy
KAIST(韩国科学技术院);Neuromeka(纽罗梅卡公司)
本文提出利用行人第一人称视频和基于图像分割基础模型的自动化标注策略训练语义可通行性估计器,在多个国家和城市的实验中验证了其高可扩展性、泛化能力及在真实机器人导航中的高精度和轻量适用性。
2024-09-28 cs.AI cs.RO
HERO: Hierarchical Traversable 3D Scene Graphs for Embodied Navigation Among Movable Obstacles
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
HERO通过构建分层可通行3D场景图,重新定义可通行性以提升在复杂环境中的导航效率和可达性。
2025-12-17 cs.AI cs.CL cs.CV
Wild Visual Navigation: Fast Traversability Learning via Pre-Trained Models and Online Self-Supervision
University of Oxford(牛津大学);ETH Zurich(苏黎世联邦理工学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
针对自然环境中机器人导航易出现障碍物感知误差的问题,提出WVN在线自监督视觉可通行性学习系统,利用预训练模型高维特征与在线监督生成方案,仅需短时间野外训练即可实现复杂陌生户外地形导航。
2024-04-10 cs.CV cs.LG cs.RO
Computer-Vision Based Real Time Waypoint Generation for Autonomous Vineyard Navigation with Quadruped Robots
Istituto Italiano di Tecnologia(意大利技术研究院)
本研究针对葡萄园劳动力短缺问题,提出基于计算机视觉的四足机器人导航架构,通过状态机控制实现精准航点生成与葡萄藤修剪作业,实验验证了高可靠性,为果园自动化提供新方案。
2023-05-02 cs.RO
Sim-to-Real Strategy for Spatially Aware Robot Navigation in Uneven Outdoor Environments
University of Maryland, College Park(马里兰大学帕克分校)
深度强化学习(DRL)由于逼真的模拟环境的可用性而获得了巨大的成功。然而,在模拟到现实世界的传输过程中的性能下降仍然是一个具有挑战性的问题,在模拟环境中训练的政策。为了缩小这种模拟到真实的差距,我们提出了一种新的混合架构,利用一个完全训练的注意力DRL政策的中间输出作为户外导航的导航成本地图。我们的注意力DRL网络结合了以机器人为中心的海拔地图,IMU数据,机器人的姿势,以前的行动和目标信息作为输入,以计算导航成本地图,突出显示不可穿越的区域。我们计算成本地图上的最低成本航点,并利用动态窗口方法(DWA)与高成本区域的速度约束,以遵循高度不均匀的室外环境中的航点。我们的配方产生动态可行的速度沿稳定,遍历区域,以达到机器人的目标。与端到端DRL方法和复杂室外环境中的最先进方法相比,我们观察到成功率提高了5%,平均机器人振动降低了13.09%,平均速度降低了19.33%。我们评估我们的方法使用Clearpath哈士奇机器人在模拟和现实世界的不均匀环境中的好处。
2022-05-18 cs.RO
Multi-Sensor Fusion based Robust Row Following for Compact Agricultural Robots
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);EarthSense Co.(EarthSense公司);University of Sao Paulo(圣保罗大学)
提出了一种基于激光雷达的冠下农业机器人自主导航系统。冠层下农业导航一直是一个具有挑战性的问题,因为GNSS和其他定位传感器由于作物叶片和茎引起的衰减和多路径而容易出现重大误差。通过使用LiDAR测量检测作物行的反应式导航是GPS的更好替代方案,但由于树冠下的叶子遮挡而面临挑战。我们的系统通过在低成本硬件上使用扩展卡尔曼滤波器框架融合IMU和LiDAR测量来解决这一挑战。此外,一个本地目标生成器被引入到提供本地最优的参考轨迹的板载控制器。我们的系统在真实世界的现场环境中进行了广泛的验证,超过50.88公里的距离,在不同的现场条件下,在不同的位置上的多个机器人。我们报告了最先进的干预结果之间的距离,表明我们的系统能够在没有作物行中没有显著间隙的田地中安全导航平均386.9米,在生产田地中为56.1米,在有间隙的田地中为47.5米(行两侧没有植物的空间为1米)。
2021-06-28 cs.RO
RECAST: Recasting Vision-Language Semantics into an Actionable Cost Map for Robot Navigation
RECAST提出一种机器人导航框架,结合视觉语言模型推理与视觉基础模型空间锚定,构建可执行代价地图,显著提升仿真和真实场景的导航成功率并降低碰撞率。
2026-09-29 cs.AI cs.RO
CA-Cut: Crop-Aligned Cutout for Data Augmentation to Learn More Robust Under-Canopy Navigation
Learning and SEnsing Research (LaSER) laboratory at Kennesaw State University(学习与感知研究(LaSER)实验室,肯纳邦大学)
针对冠层下导航训练数据不足与遮挡问题,提出 CA-Cut 增强方法,通过在作物行附近分布遮罩模拟遮挡,提升语义关键点预测的精度、鲁棒性与跨环境泛化能力。
2025-07-24 cs.CV cs.RO
Deep learning-based Crop Row Detection for Infield Navigation of Agri-Robots
University of Lincoln(林肯大学);Beijing Institute of Basic Medical Sciences(北京基础医学研究所)
本文提出一种基于深度学习的作物行检测算法,利用低成本相机和新型中央作物行选择算法,在包含11种田间变化的甜菜数据集及仿真导航中实现稳健检测并优于基线。
2023-08-10 cs.AI cs.CV cs.RO
How to Relieve Distribution Shifts in Semantic Segmentation for Off-Road Environments
Department of Electrical and Communication Engineering, Seoul National University(电子与通信工程系,首尔国立大学)
提出ST-Seg框架,通过风格扩展和纹理正则化缓解越野场景中源-目标域差异和传感器退化导致的分布偏移,提升语义分割鲁棒性。
2026-08-17 cs.CV cs.RO
AdaCropFollow: Self-Supervised Online Adaptation for Visual Under-Canopy Navigation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Bonn(波恩大学);University of Oxford(牛津大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所)
本文提出一种自监督在线自适应方法,利用视觉基础模型、几何先验和伪标签适应语义关键点表示,使林冠下机器人在无需人工干预下实现跨田地和作物的完全自主沿行导航。
2024-10-16 cs.CV cs.RO
AutoInspect: Towards Long-Term Autonomous Industrial Inspection
Oxford Robotics Institute, University of Oxford(牛津大学机器人研究所);Remote Applications in Challenging Environments (RACE), United Kingdom Atomic Energy Authority(英国原子能局远程应用在恶劣环境中(RACE))
AutoInspect通过基于ROS的系统实现长期自主工业检测,结合稳健映射与任务调度,在49天和35天的长期部署中展示了高效自主执行能力。
2024-04-23 cs.RO
Cloud Hopping; Navigating in 3D Uneven Environments via Supervoxels and Control Lyapunov Function
提出了一种新的反馈运动规划方法,用于移动机器人在三维不平坦地形中的导航。我们利用点云的\textit{supervoxel}表示,这使得点云地图上的可遍历区域的紧凑连接图。鉴于此图的可通行区域,我们的方法导航机器人的任何可达到的目标姿态使用控制李雅普诺夫函数(CLF)和导航功能。cLf确保所生成的运动计划的运动动力学可行性和目标收敛性,而导航功能优化所得到的反馈运动计划。我们进行了导航实验,在真实和模拟的三维不均匀地形。在所有情况下,实验结果表明,我们的方法表现优于基线,证明该方法的效率和适应性,以导航机器人在具有挑战性的不均匀的3D地形。所提出的方法还可以导航具有特定目标的机器人,例如,最短距离或最小倾斜的计划。我们将我们的方法与成熟的基于采样的运动规划器进行了比较,其中我们的方法在执行时间和产生的路径长度方面优于所有其他规划器。最后,我们提供了所提出方法的开源实现,以使机器人社区受益。
2023-01-29 cs.RO
Learned Visual Navigation for Under-Canopy Agricultural Robots
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);EarthSense Inc.(EarthSense公司)
本文提出一种用于林下农业机器人的模块化视觉自主导航系统CropFollow,利用机器学习进行单目RGB图像感知和模型预测控制,在25公里测试中平均485米/次干预,优于基于LiDAR的系统。
2021-07-06 cs.AI cs.CV cs.LG