Autonomous Soil Collection in Environments With Heterogeneous Terrain
Noblis(诺布利斯公司)
本研究开发了一种安装在移动机器人上的通用机械臂原型,用于在异构未开垦地形中自主区分并浸入正确的无定形材料,实现无需人工干预的土壤采集与分析,区别于传统土壤芯样采样器。
2024-07-15 cs.RO
Learning to Predict Mobile Robot Stability in Off-Road Environments
Department of Computer Science and Engineering University of Nevada Reno(计算机科学与工程系内华达大学里诺分校)
本文提出利用轻量级神经网络 IMUnet 从本体感觉数据直接估计越野移动机器人稳定性,并开发基于 ArUco 跟踪的 C3 分数作为训练信号,验证了该方法在多种地形和速度下的泛化能力。
2025-07-17 cs.RO
Acoustic tactile sensing for mobile robot wheels
McGill University(麦吉尔大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);TTI-Chicago(芝加哥丰田技术研究所)
本文提出一种基于轮载声波导和现成声学测距仪的移动机器人触觉感知架构,可实现全周地形识别、障碍物分类与碰撞接触定位,并支持多种建图任务。
2024-02-28 cs.RO
A Pin-Array Structure for Gripping and Shape Recognition of Convex and Concave Terrain Profiles
Department of Aerospace Engineering, Graduate School of Engineering, Tohoku University(航空航天工程系,工学研究生院,东京东京大学)
本文提出了一种针数组结构的夹具,用于移动机器人在极端环境中抓取和识别凸凹地形轮廓。
2026-01-13 cs.RO
Receding horizon estimation and control with structured noise blocking for mobile robot slip compensation
The University of Sydney(悉尼大学)
在变化和不确定的地形条件下的控制领域的机器人自主导航提出了一个挑战。在线估计的车轮-地面滑移特性是必不可少的,以产生准确的控制预测所需的跟踪轨迹在越野环境。滚动时域估计(RHE)提供了一个强大的框架约束估计,并结合滚动时域控制(RHC),产生一个自适应优化为基础的控制方法。目前,这种方法假设滑动是恒定的估计范围内,而我们提出的结构化阻塞方法放松了这一假设,从而改善了状态和参数估计。我们演示和比较这种方法在模拟中的性能,并提出了一个阻塞策略,以改善在滚动时域估计和控制(RHEC)上下文中应用噪声阻塞遇到的一些限制。
2018-10-10 cs.RO
Field Calibration of Hyperspectral Cameras for Terrain Inference
Electrical and Computer Engineering Department, Northeastern University(电气与计算机工程系,东北大学);Lincoln Laboratory, Massachusetts Institute of Technology(林肯实验室,麻省理工学院)
针对RGB难以识别含水量等地形类内差异的问题,本文提出移动机器人高光谱采集、配准与变光照反射率校准系统HYPER DRIVE,实现植被健康指数和土壤含水量计算。
2025-09-30 cs.RO eess.IV
Conv1D Energy-Aware Path Planner for Mobile Robots in Unstructured Environments
University of Surrey(萨里大学);UK Atomic Energy Authority(英国原子能管理局)
驱动能耗在移动机器人在具有挑战性的环境中的导航中起着重要作用,特别是如果它们在有限的车载电源下无人值守。本文报告的第一个结果的能量感知路径规划,它可以提供估计的驱动能量消耗和能量回收的机器人穿越复杂的不平坦的地形。利用自监督学习方法估计轨迹上的能量,其中机器人自主学习如何将感知的地形点云与能量消耗和恢复相关联。该方法的一个新的特点是使用一维卷积神经网络来分析地形顺序在相同的时间顺序,因为它会经历的机器人移动时。所提出的方法的性能进行评估,在模拟从真实的自然场景收集的数字地形模型,并与启发式的基于倾斜的能量模型进行比较。我们证明了我们的方法的好处,增加了66.8%的整体预测r2得分,并减少了5.5%的驾驶能源消耗超过规划的路径。
2021-04-04 cs.LG cs.RO
L-VITeX: Light-weight Visual Intuition for Terrain Exploration
Rajshahi University of Engineering & Technology (RUET)(拉杰沙希工程技术大学);Brac University(BRAC大学)
本文提出轻量级视觉直觉系统L-VITeX,基于FOMO tinyML架构在极低硬件资源下实现高精度近实时的感兴趣区域检测,并在多地形探索及3D建图中验证了其提升探索效率与决策能力的潜力。
2024-10-10 cs.RO
VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain
George Mason University(乔治梅森大学);University of Catania(卡塔尼亚大学)
该研究提出VertiAKD框架,可在几何与语义复杂地形上跨不同车辆迁移适配越野运动动力学知识,仅需一分钟新数据即可显著降低长 horizon 预测误差,实现鲁棒闭环轨迹跟踪。
2026-08-19 cs.RO
Real-time Neural Dense Elevation Mapping for Urban Terrain with Uncertainty Estimations
Hong Kong University of Science and Technology(香港科技大学);Clear Water Bay Institute of Autonomous Driving(清水湾自动驾驶研究院);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute(香港科技大学深圳研究院)
针对足式机器人等复杂地形下游任务需求,提出带不确定性估计的神经城市场地重建框架,结合新型点云预处理与Bayesian-GAN,实现实时高质量稠密高程建图,经仿真与实机验证可赋能足式机器人相关任务。
2024-03-12 cs.RO
Elevation State-Space: Surfel-Based Navigation in Uneven Environments for Mobile Robots
Norwegian University of Life Sciences(挪威生命科学大学);University of Lincoln(林肯大学)
本文介绍了一种新的方法,机器人运动规划和导航在不平坦的环境中,通过曲面表示的基础点云。所提出的方法通过将机器人的运动学和物理约束与标准运动规划算法(例如,来自开放式运动规划库的那些),从而使高效的基于采样的规划者能够在原始点云地图上挑战不平坦的地形导航。与基于数字高程地图(DEM)的技术不同,我们的新的基于表面的状态空间的制定和实施是基于原始点云地图,允许重叠的表面,如桥梁,桥墩和隧道的建模。实验结果表明,所提出的方法在真实和模拟的非结构化环境中的机器人导航的鲁棒性。所提出的方法还优化了规划者的性能,将其成功率提高到5倍,以应对具有挑战性的非结构化地形规划和导航,这要归功于我们基于冲浪者的方法的机器人约束感知采样策略。最后,我们提供了一个开源的实现所提出的方法,有利于机器人社区。
2022-08-17 cs.RO
Predictive Mapping of Spectral Signatures from RGB Imagery for Off-Road Terrain Analysis
Institute for Experiential Robotics, Northeastern University(东北大学体验式机器人研究所);Khoury College of Computer Sciences, Northeastern University(东北大学科里计算机科学学院)
针对越野机器人光谱传感器成本高、部署复杂的问题,提出RS-Net将RGB图像映射为光谱特征,并结合Co-Learning估计地形属性,验证了仅用RGB相机的可行性。
2024-05-08 cs.RO
Stochastic triangular mesh mapping: A terrain mapping technique for autonomous mobile robots
Stellenbosch University(斯泰伦博斯大学)
对于移动机器人在一般环境中自主操作,需要以密集度量地图的形式感知。为了这个目的,我们提出了随机三角网格(STM)映射技术:2.5-D表示的环境的表面使用三角形表面元素的连续网格,其中每个表面元素模型的平均平面和粗糙度的底层表面。与现有的映射技术相比,STM映射通过确保连续模型来对环境的结构进行建模,同时还能够以测量次数的线性计算成本进行增量更新。我们通过使用地标相对子地图来减少机器人姿态(位置和方向)的不确定性的影响。在测量和机器人姿态的不确定性占在地图更新过程中使用贝叶斯推理技术。我们证明了STM地图可以与生成点测量的传感器一起使用,例如光检测和测距(LiDAR)传感器和立体相机。我们表明,STM地图是一个更准确的模型比唯一可比的在线表面映射技术$\unicode{x2014}$一个标准的海拔地图$\unicode{x2014}$,我们也提供了定性的结果,在实际的数据集。
2020-02-28 cs.LG cs.RO stat.ML
A ROS2 Benchmarking Framework for Hierarchical Control Strategies in Mobile Robots for Mediterranean Greenhouses
Department of Informatics, CIESOL, ceiA3, Universidad de Almería(信息学院、CIESOL、ceiA3、阿尔梅里亚大学);Department of Computer Science and Automation, National University of Distance Education (UNED)(计算机科学与自动化系、远程教育国家大学(UNED));Department of Engineering, CIESOL, ceiA3, Universidad de Almería(工程学院、CIESOL、ceiA3、阿尔梅里亚大学)
本文提出了一种面向地中海温室移动机器人分层控制策略的ROS2基准评估框架,通过三维环境模型、物理模拟器和分层控制架构,实现模块化评估和真实场景下的控制策略比较。
2026-02-16 cs.RO
Tele-Traversability: Rethinking Traversability for Teleoperated Ground Robots in Terrain Navigation
Beijing Institute of Technology(北京理工大学);University of Auckland(奥克兰大学);University of Science and Technology Beijing(北京科技大学);Tsinghua University(清华大学)
本文提出远程穿越性概念,将穿越性评估从机器人中心扩展至人类中心,考虑操作员认知状态,以解决遥操作中人机穿越性判断不一致的问题。
2026-09-18 cs.RO
Temporally Consistent Unsupervised Segmentation for Mobile Robot Perception
Oden Institute for Computational Engineering & Sciences, University of Texas at Austin(德纳学院,德克萨斯大学奥斯汀分校);DEVCOM Army Research Laboratory, Adelphi, MD, United States(陆军研究实验室,阿德菲,马里兰州,美国);Department of Electrical and Computer Engineering, University of Massachusetts Dartmouth(电气与计算机工程系,马萨诸塞大学达特茅斯分校)
针对现有无监督分割方法缺乏时间一致性的问题,提出基于DINOv2特征聚类与帧间时间约束的Frontier-Seg方法,实现移动机器人视频流的无监督地形分割,在多个越野基准数据集上验证了有效性。
2025-07-29 cs.CV cs.RO
A Survey of Traversability Estimation for Mobile Robots
University of Texas at Arlington(德克萨斯大学阿灵顿分校);NCSR Demokritos(希腊国家科学研究中心德谟克利特)
可通行性说明了驾驶通过特定区域的难度,并包括基于其物理特性(如坡度和粗糙度、表面状况等)的地形对穿越的适用性。在本次调查中,我们强调了可通行性估计技术发展中所有主要步骤的优点和局限性,包括不可训练和机器学习方法,导致了最近深度学习文献的激增。我们讨论了深度学习的诞生如何为可遍历性估计的根本改进创造了机会。最后,我们讨论了自监督学习如何帮助满足深度方法对大规模数据集日益增长的需求(获取和标记具有挑战性)。
2022-04-22 cs.RO
Verti-Arena: A Controllable and Standardized Indoor Testbed for Multi-Terrain Off-Road Autonomy
University of Pennsylvania(宾夕法尼亚大学);George Mason University(乔治·梅森大学);University of Catania(卡塔尼亚大学)
本文提出可重构室内测试平台 Verti-Arena,通过标准化多地形环境、精确真值测量和远程网页接口,解决越野自主系统缺乏可控真实测试条件的问题,支持可复现实验与算法比较评估。
2025-11-08 cs.RO
Lower Gravity Demonstratable Testbed for Space Robot Experiments
Tohoku University(东北大学)
本文提出一种节省空间的室内测试平台,利用带配重的三维目标跟踪机制(主动xy和被动z),可模拟陡坡、不平坦地形和低重力,用于空间机器人性能评估与可重复实验。
2023-10-23 cs.RO
DeepTerramechanics: Terrain Classification and Slip Estimation for Ground Robots via Deep Learning
Massachusetts Institute of Technology(麻省理工学院);robonity: worldwide tech consulting(robonity:全球技术咨询)
地面力学在地面车辆和地面移动机器人领域起着至关重要的作用,因为理解和估计影响车辆-地面相互作用的变量可能意味着整个任务的成功或失败。这项研究将深度学习中最先进的算法应用于两个关键问题:估计车轮打滑和对地面机器人穿越的地形进行分类。采用地面机器人平台(MIT单轮测试台,MSL Currency Rover和履带式机器人Fitorobot)收集的三个数据集,以比较传统机器学习方法(即支持向量机(SVM)和多层感知器(MLP))对深度神经网络(DNN)和卷积神经网络(CNN)的性能。这项工作还显示了某些调整参数和网络架构(MLP,DNN和CNN)对这些方法性能的影响。本文还深入讨论了DNN和CNN实施过程中的经验教训,以及如何将这些方法扩展到解决其他问题。
2018-06-12 cs.CV cs.RO
Self-Supervised Visual Terrain Classification from Unsupervised Acoustic Feature Learning
University of Freiburg(弗莱堡大学);Toyota Research Institute(丰田研究院)
在未知的城市环境中运行的移动机器人遇到了广泛的复杂地形,他们必须适应其规划的轨迹安全和有效的导航。大多数现有的方法利用监督学习从外感受或本体感受传感器模态对地形进行分类。然而,这需要为每个新遇到的地形以及由变化的环境条件引起的地形变化进行大量的手动标记工作。在这项工作中,我们提出了一种新的地形分类框架,利用一个无监督的本体感受分类器,从车辆-地形交互的声音学习自我监督的外感受分类器的图像像素明智的语义分割。为此,我们首先学习一个判别嵌入空间的车辆与地形的相互作用的声音从三元组的音频剪辑形成的视觉特征的相应的地形补丁和集群所产生的嵌入。随后,我们使用这些集群标记的视觉地形补丁,通过投影到相机图像的机器人遍历的轨道。最后,我们使用稀疏标记的图像以弱监督的方式训练我们的语义分割网络。我们提出了广泛的定量和定性结果表明,我们的本体感受地形分类器超过了最先进的无监督方法和我们的自我监督外感受语义分割模型实现了相当的性能与手动标记的数据监督学习。
2019-12-06 cs.CV cs.LG cs.RO
Tracking error learning control for precise mobile robot path tracking in outdoor environment
Massachusetts Institute of Technology(麻省理工学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出了一种跟踪误差学习控制(TELC)算法,用于越野环境下移动机器人的精确路径跟踪。传统的基于跟踪误差的控制方法中,反馈和前馈控制器都是基于标称模型设计的,无法捕捉不确定性、干扰和工作条件的变化,无法保证在室外环境下精确的路径跟踪性能。在TELC算法中,前馈控制动作的更新,通过使用跟踪误差动态和对象模型失配问题,从而放弃。因此,一旦移动机器人已经在轨道上,前馈控制器就逐渐从系统的控制中消除反馈控制器。除了证明稳定性外,还证明了代价函数不存在局部极小值,从而TELC算法中的系数保证达到全局极小值。实验结果表明,TELC算法的路径跟踪性能优于传统的跟踪误差控制方法。TELC算法控制的移动机器人在越野环境下能够精确地跟踪目标路径,误差小于$10$ cm。
2021-03-21 cs.RO cs.SY eess.SY
Automatic Navigation Map Generation for Mobile Robots in Urban Environments
Politecnico di Milano(米兰理工大学)
本文提出一种利用单个顶部安装3D LiDAR自动生成城市环境移动机器人导航地图的算法,能识别正负障碍物及不同地形,经实验验证对多种不确定性具有鲁棒性。
2024-03-20 cs.RO
Visual-Inertial Localization for Skid-Steering Robots with Kinematic Constraints
Zhejiang University(浙江大学);Alibaba-Zhejiang University Joint Institute of Frontier Technologies(阿里巴巴-浙江大学前沿技术联合研究院)
虽然视觉定位或SLAM在过去的几十年里取得了很大的进展,但在实际应用中,当将其部署在移动机器人上时,很少有工作在设计状态估计器时明确考虑真实机器人系统的运动学(或动力学)约束。为了促进当前国家的最先进的视觉惯性定位算法的实际部署,在这项工作中,我们提出了一个低成本的运动学约束定位系统,特别是一个滑移转向移动机器人。特别是,我们推导出一个原则的方式的机器人的运动学约束的基础上的瞬时旋转中心(ICR)模型,并将它们以紧密耦合的方式集成到基于滑动窗口光束法平差(BA)的视觉惯性估计。由于ICR模型参数是随时间变化的,例如,轨道与地形的相互作用和地形粗糙度,我们估计这些运动学参数在线随着导航状态。为此,我们进行深入的可观测性分析,并确定运动条件下的状态/参数估计是可行的。所提出的运动学约束的视觉-惯性定位系统已经在不同的地形场景中得到了广泛的验证。
2019-11-13 cs.CV cs.RO
Parameter-Dependent LMI Synthesis for Semi-Global Differential ISS Trajectory Tracking of Nonholonomic Mobile Robots Under Multiplicative Wheel Slip
University of Genoa(热那亚大学);Shiraz University(设拉子大学)
本文提出依赖参数的LMI框架,结合滑移干扰界等分析,使非完整移动机器人在可变地形的轨迹跟踪误差显著降低,具备良好稳定性与计算可行性。
2026-11-17 cs.RO cs.SY eess.SY
Deep Learning Traversability Estimator for Mobile Robots in Unstructured Environments
University of Surrey(萨里大学);UK Atomic Energy Authority(英国原子能管理局)
地形可穿越性分析在确保机器人在非结构化环境中的安全导航方面起着重要作用。然而,实时约束经常限制在线测试的准确性,特别是在现实的机器人-地形交互建模复杂的场景中。在这种情况下,我们提出了一个深度学习框架,它以端到端的方式从高程图和轨迹中训练,以估计故障事件的发生。该网络首先在OpenSimplex算法生成的合成地图上进行模拟训练和测试。深度学习框架的预测性能通过能够在30%的计算时间内保留原始模拟器的94%以上的召回率来说明。最后,该网络的传输和测试的SEEKER财团在智利阿塔卡马沙漠的火星探测器测试试验期间收集的真实海拔地图。我们证明了,与应用程序无关的预训练模型的传输和微调比在几乎不可用的真实数据上唯一训练保留了更好的性能。
2021-07-24 cs.CV cs.LG cs.RO
Deep Spatiotemporal Models for Robust Proprioceptive Terrain Classification
SAGE Publications(SAGE出版公司);SAGE UK(SAGE英国)
地形分类是任何自主移动机器人系统在未知的真实世界环境中运行的关键组成部分。多年来,已经引入了几种本体感受地形分类技术,以提高鲁棒性或作为传统的基于视觉的方法的后备。然而,由于各种因素,包括准确性不足,鲁棒性和运行时间缓慢,它们缺乏广泛的适应性。在本文中,我们使用车辆-地形交互声音作为本体感受模态,并提出了一种基于深度长短期记忆(LSTM)的递归模型,该模型可以捕获此类问题的空间和时间动态,从而克服了这些过去的局限性。我们的模型由一个新的卷积神经网络(CNN)架构组成,该架构可以学习深度空间特征,并辅以学习复杂时间动态的LSTM单元。在两个广泛的数据集上进行的实验表明,与现有技术相比,在各种室内和室外地形上使用不同的麦克风收集的数据集具有最先进的性能。我们还评估了在环境噪声较高的不利声学条件下的性能,并提出了一种噪声感知训练方案,该方案能够学习更通用的模型,这些模型对于鲁棒的现实部署至关重要。
2018-04-02 cs.LG cs.RO cs.SD
Real-Time Freespace Segmentation on Autonomous Robots for Detection of Obstacles and Drop-Offs
在室内和室外环境中导航的移动机器人必须能够识别和避免不安全的地形。虽然在检测直立障碍物(固体障碍物)方面已经做了大量的工作,但是在检测负面障碍物(例如,下坡、壁架、向下的楼梯)方面没有做太多的工作。我们提出了一种使用深度卷积网络的地形安全分割方法。我们的自定义语义分割架构使用单个摄像机作为输入,并创建区分安全地形和障碍物的自由空间地图。然后,我们展示了如何使用这个自由空间地图的室内机器人的实时的【形】导航。实验结果表明,该系统具有较好的通用性,适合于实时的【形】操作,在一个由低功耗嵌入式GPU驱动的小型室内机器人上运行速度约为55 fps。
2019-02-03 cs.CV cs.RO
Mobile Robot Exploration Without Maps via Out-of-Distribution Deep Reinforcement Learning
Virginia Commonwealth University(弗吉尼亚联邦大学)
本文提出一种分布外深度强化学习方法,使移动机器人在无先验地图的动态环境中实现自主导航,通过加速模拟训练和内在探索行为,在紧凑的神经网络中实现高效的空间推理,减少仿真与现实物理差异,提升执行效率。
2026-03-27 cs.RO
Deployment-Ready UWB Localization for Industrial Ground Robots with Automatic Anchor Calibration and Terrain-Aware Fusion
AGILOX Services GmbH(阿吉洛克斯服务有限公司);University of Klagenfurt(克拉根福大学)
研究工业地面机器人UWB定位问题,提出结合自动锚定校准与通用多传感器估计器的端到端管道,经实验验证该方法能在减少人工的同时保持定位精度,且可转移到其他平台,还公开了仓库数据集。
2026-08-04 cs.RO
W-RIZZ: A Weakly-Supervised Framework for Relative Traversability Estimation in Mobile Robotics
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Coordinated Science Laboratory(协调科学实验室)
本文提出弱监督框架W-RIZZ,通过少量点对标注估计相对可通过性,结合跨图像标注策略和损失函数,在减少标注成本的同时提升移动机器人在非结构化环境中的地形理解能力。
2024-06-04 cs.RO
Online Learning Based Mobile Robot Controller Adaptation for Slip Reduction
University of California, Berkeley(加州大学伯克利分校)
滑移是轮式移动机器人系统中一种非常普遍的现象。它具有不希望的后果,例如浪费能量和阻碍系统稳定性。为了解决移动机器人在湿滑条件下的轨迹跟踪的挑战,我们提出了一个分层的框架,学习和适应增益的跟踪控制器同时在线。具体而言,强化学习(RL)模块用于自动调整横向预测控制器和纵向速度PID控制器中的参数。实验表明,同步增益调整的必要性,并已证明,我们的在线框架优于最好的基线控制器使用固定的增益。通过利用在线增益自适应,我们的框架实现了强大的跟踪性能,拒绝滑动和减少跟踪误差时,移动机器人通过各种地形。
2023-01-30 cs.RO cs.SY eess.SY
"RollRoller" Novel Spherical Mobile Robot Basic Dynamical Analysis and Motion Simulations
Automatic Control & Systems Engineering(自动控制与系统工程)
介绍了一种新型气动球形机器人--“RollRoller”。RollRoller机器人由两个基本部分组成:覆盖有外壳作为框架的管和对应运动的机械控制部分。RollRoller被认为是探索和救援任务机器人的高潜力替代品,因为机器人通过所有可能的推导方法(重力,扭矩和角动量力)利用其运动。首先,说明了每个组件和功能的特性和作用。接下来,为了确定这个机器人的独特性,通过提出它们自己的算法运动来显示已知的和其他额外的可能运动。为了说明该机器人的主运动是数学模型所固有的,推导了其在平面上的正向动力学行为。此外,使用Matlab Simulink绘制结果,以验证分数和非分数地形的行为。最后,在Solidworks程序中完成机器人模型的设计后,利用Adams/View可视化软件(机器人仿真形式)对Matlab Simulink仿真结果进行验证,展示了机器人更详细完整的运动形式,包括正向运动和圆周运动。
2016-10-19 cs.RO
Development of Implicit-Explicit Control Based Amphibious Centipede-Type Robot and Evaluation of its Mobile Performance
eng.u-hyogo.ac.jp(京都大学)
本研究开发了一种基于隐式-显式控制理念的两栖千足虫型机器人,通过巧妙设计腿部结构,实现水陆环境的高效移动性能评估。
2025-10-29 cs.RO
Mobility Analysis of Screw-Based Locomotion and Propulsion in Various Media
University of California San Diego(加州大学圣地亚哥分校)
机器人“在野外”遇到并必须穿越各种各样的地形,从固体地面到沙子等颗粒状材料,再到充满液体的地形。存在许多方法,包括轮式和足式机器人,每种方法都在特定领域表现出色。基于螺旋的运动是一种很有前途的多域移动方法,用于探索性机器人设计,包括两栖车辆和蛇机器人。然而,与其他形式的运动,有一个有限的探索模型,参数的影响,和效率的多地形阿基米德螺旋运动。在这项工作中,我们目前的工作对这一缺失的组件在理解基于螺钉的运动:全面的实验结果和性能分析在不同的媒体。我们设计了一个室内和室外实验的移动测试床来收集这些数据。除了定量显示基于螺旋运动的多域移动性之外,我们设想未来的研究人员和工程师使用所提出的结果来设计有效的基于螺旋的运动系统。
2023-03-07 cs.RO
Intelligent Navigation and Obstacle-Aware Fabrication for Mobile Additive Manufacturing Systems
The Pennsylvania State University(宾夕法尼亚州立大学);Arizona State University(亚利桑那州立大学)
本文提出一种结合导航与制造的移动打印平台,通过实时控制框架实现安全运动和路径稳定性,提升动态制造环境中的灵活性和适应性。
2026-03-26 cs.RO
Terrain-Adaptive Mobile 3D Printing with Hierarchical Control
Department of Electrical and Computer Engineering, University of Washington, USA(电气与计算机工程系,华盛顿大学);Department of Applied Mathematics, University of Washington, USA(应用数学系,华盛顿大学)
本研究提出了一种结合人工智能与分层控制的地形自适应移动三维打印框架,通过多传感器融合和闭环控制实现高精度打印与移动性平衡。
2026-01-15 cs.RO
Trajectory Tracking Control of Skid-Steering Mobile Robots with Slip and Skid Compensation using Sliding-Mode Control and Deep Learning
本文提出了一种针对户外滑移转向移动机器人的轨迹跟踪控制方法,结合滑模控制与深度学习模型实现实时滑移和侧滑补偿,使轨迹跟踪系统性能提升超27%。
2023-10-23 cs.AI cs.RO cs.SY
Neural Scene Representation for Locomotion on Structured Terrain
ETH Zürich(苏黎世联邦理工学院);NVIDIA(英伟达);Caltech(加州理工学院)
我们提出了一种基于学习的方法来重建移动机器人穿越城市环境的局部地形。使用来自机载摄像机的一系列深度测量和机器人的轨迹,该算法估计机器人附近的地形。这些相机的原始测量是嘈杂的,只提供部分和闭塞的意见,在许多情况下不显示地形的机器人standson.Therefore,我们提出了一个3D重建模型,忠实地重建场景,尽管嘈杂的测量和大量的丢失数据来自相机的盲点安排。该模型由点云上的4D全卷积网络组成,该网络学习几何先验以从上下文和自回归反馈中完成场景,以利用时空一致性并使用过去的证据。该网络可以单独使用合成数据进行训练,并且由于广泛的增强,它在现实世界中是鲁棒的,如在四足机器人ANYmal上的验证所示,穿越具有挑战性的设置。我们运行的管道上的机器人的板载低功耗计算机使用一个有效的稀疏张量实现,并表明所提出的方法优于经典的地图表示。
2022-06-16 cs.AI cs.CV cs.LG
Terrain Inclination Aided Three Dimensional Localization and Mapping for an Outdoor Mobile Robot
Harbin Institute of Technology Shenzhen Graduate School(哈尔滨工业大学深圳研究生院);University of Utah(犹他大学)
本文提出了一种新的三维定位和地图绘制技术与地形倾斜辅助允许机器人识别其位置,并建立一个全球地图在室外环境。将迭代最近点定位算法与基于地形倾角的定位算法相结合,实现了精确快速的定位和地图绘制。机器人导航的地形的倾斜度用于在两次激光扫描之间的间隔期间实现局部定位。使用上述定位的结果作为初始条件,然后应用ICP算法来对准重叠的激光扫描地图,以更新悬垂障碍物,用于构建周围区域的全局地图。进行了全面的实验验证所提出的三维定位和映射技术。实验结果表明,该方法可以减少时间消耗,提高性能的准确性。
2019-05-03 cs.RO
SMUG Planner: A Safe Multi-Goal Planner for Mobile Robots in Challenging Environments
本文提出SMUG安全多目标规划器,融合分层状态有效性检查、LazyPRM*知情采样与迭代动态规划,可在数秒内安全规划访问十余个目标的路径,并在ANYmal上实现崎岖地形自主多目标导航。
2023-06-08 cs.RO
Controlling Robot Morphology from Incomplete Measurements
Czech Technical University in Prague(捷克布拉格技术大学)
针对复杂形态机器人在城市搜索与救援任务中的地形穿越需求,提出通过自主控制处理不完整数据并确保安全性的方法。
2016-12-08 cs.AI cs.LG cs.RO
Change of Scenery: Unsupervised LiDAR Change Detection for Mobile Robots
University of Toronto(多伦多大学);University of Toronto Robotics Institute(多伦多大学机器人研究所)
本文提出RangeNetCD,一种基于3D LiDAR的无监督深度变化检测方法,将语义分割重构为二值变化检测,无需标签即可训练,在挑战性地形上mIoU达67.4%-82.2%,运行速度超10Hz,并已集成至机器人自主导航系统。
2024-04-29 cs.RO
Learning Surface Terrain Classifications from Ground Penetrating Radar
The University of Michigan(密歇根大学)
针对视觉地形分类易受光照和遮挡影响的问题,提出利用探地雷达结合机器学习进行地表地形分类的方法,构建新数据集验证有效性,并集成至多模态语义建图框架,拓展了探地雷达在机器人上的应用场景。
2024-04-13 cs.RO
Gaussian Process Distance Fields Obstacle and Ground Constraints for Safe Navigation
UTS Robotics Institute(UTS机器人研究所);Faculty of Engineering and IT, University of Technology Sydney(悉尼科技大学工程与信息技术学院)
针对地面机器人在三维复杂场景中的安全导航问题,提出融合两个高斯过程距离场与四叉树多分辨率地图的轨迹优化方法,可处理不平地形、台阶及悬空障碍。
2024-10-23 cs.RO
Open Source Robot Localization for Non-Planar Environments
Universidad Rey Juan Carlos(胡安·卡洛斯国王大学);Rey Juan Carlos University(胡安·卡洛斯国王大学)
本文提出一种融合地面高程与倾斜信息的非平面环境机器人定位框架,采用Gridmaps和Octomaps并兼容Nav2,在真实机器人上验证了优于AMCL和3D SLAM的定位精度与鲁棒性。
2024-03-30 cs.RO
A Probabilistic Motion Model for Skid-Steer Wheeled Mobile Robot Navigation on Off-Road Terrains
Institute for Experiential Robotics, Northeastern University(东北大学体验式机器人研究所)
针对滑移转向轮式机器人越野高速转弯时的滑移问题,提出融合 GPR 与 Sigma-Point 变换的概率动态运动模型,并通过凸优化实现未见地形泛化,显著提升位姿预测精度。
2024-02-29 cs.RO
Bayesian Optimisation for Safe Navigation under Localisation Uncertainty
The University of Sydney(悉尼大学)
在室外环境中,移动机器人需要在具有不同特征的地形中导航,其中一些特征可能会显著影响平台的完整性。理想情况下,机器人应该能够根据自己对环境的感知来识别安全的导航区域,同时避免对自己造成伤害。贝叶斯优化(BO)已成功地应用于任务的学习模型的地形可穿越性,同时引导机器人通过更多的可穿越的地区。然而,一个问题是,定位的不确定性最终可能会将机器人引导到不安全的区域,并扭曲正在学习的模型。在本文中,我们解决这个问题,并提出了一种新的方法,允许BO考虑本地化的不确定性,通过应用高斯过程模型作为先验的不确定输入。我们评估所提出的方法在模拟和实验中与一个真正的机器人在崎岖的地形航行,并比较它对标准BO方法。
2018-02-17 cs.AI cs.LG cs.RO
Distributed Learning of Decentralized Control Policies for Articulated Mobile Robots
Carnegie Mellon University(卡内基梅隆大学);The Hong Kong Polytechnic University(香港理工大学)
用于强化学习的最先进的分布式算法依赖于多个独立的代理,这些代理在并行环境中同时学习,同时异步更新公共的共享策略。此外,分散控制架构(例如,CPG)可以协调关节式机器人的空间分布部分以实现系统级目标。在这项工作中,我们研究分布式学习和分散控制之间的关系,通过学习分散控制政策的关节式机器人在具有挑战性的环境中的运动。为此,我们提出了一种方法,利用异步优势演员-评论家(A3 C)算法的结构,提供一个自然的手段,学习分散控制政策上一个关节式机器人。我们的主要贡献表明,A3 C算法中的个体代理可以由机器人身体的独立控制部分定义,从而实现单个机器人的分布式学习,以实现高效的硬件实现。我们提出的结果,闭环运动在非结构化地形上的蛇和六足机器人,使用分散控制器离线和在线学习。该论文的预印本于2018年10月提交给IEEE Transactions in Robotics(T-RO)杂志,并于2019年5月作为常规论文发表。
2019-06-09 cs.RO
Millimeter-Wave Sensing for Avoidance of High-Risk Ground Conditions for Mobile Robots
Heriot-Watt University(赫瑞-瓦特大学);The University of Manchester(曼彻斯特大学);Nagasaki University(长崎大学)
近年来,移动机器人自主性取得了重大进展,导航算法得到了很好的开发,并在某些定义明确的环境中(如仓库)得到了商业应用。使用场景中的共同环节是机器人使用的环境具有高度的确定性。操作环境通常被设计为机器人友好的,例如增强现实标记被策略性地放置,并且地面通常是光滑、水平且没有碎片的。为了使机器人在更广泛的环境中发挥作用,特别是在未经消毒的环境中使用,机器人必须能够处理不确定性。这就要求机器人整合新的传感器和信息源,并能够使用这些信息来做出有关导航和整体任务的决策。当在非结构化和定义不明确的环境中使用自主移动机器人时,例如在自然灾害现场或农村环境中,地面条件至关重要,并且是故障的常见原因。例如,由于地下水水位高、隐藏的空洞或材料边界失效而导致牵引力损失。为了评估非接触式传感方法来减轻这些风险,调频连续波(FMCW)雷达与无人地面车辆(UGV)集成,代表FMCW的新应用,以检测机器人自主系统(RAS)导航的新被测对象,提供地形完整性信息,并增加最先进的传感技术,以优化自主路径规划。本文首先在桌面环境中评估FMCW,以确定其在预期地面条件下的性能。然后将FMCW固定到UGV上,并在包含具有显著地下水饱和度的区域的代表性环境中测试和验证传感器系统。
2022-03-30 cs.RO
Elevation Mapping for Locomotion and Navigation using GPU
ETH Zurich(苏黎世联邦理工学院)
感知周围环境对于自主移动机器人至关重要。高程图为地面机器人提供了一种节省内存、简单而强大的几何表示。机器人可以使用这些信息在未知环境中进行导航或在粗糙地形上进行感知运动控制。根据应用程序的不同,可能会包含各种后处理步骤,例如平滑、修复或平面分割。在这项工作中,我们提出了一个高程映射管道,利用GPU进行快速有效的处理,并具有导航和运动的附加功能。我们证明了我们的映射框架,通过广泛的硬件实验。我们的绘图软件在DARPA地下挑战赛期间成功部署用于地下勘探和四足动物运动的各种实验。
2022-04-27 cs.RO
Hyper-Drive: Visible-Short Wave Infrared Hyperspectral Imaging Datasets for Robots in Unstructured Environments
1 Institute for Experiential Robotics;Computer Engineering Department\ University, Boston, Massachusetts, USA
本文提出Hyper-Drive机器人高光谱系统,构建覆盖660–1700 nm、含500多个标注数据立方体的公路与越野地形数据集,验证HSI对地形分类和场景理解的价值。
2023-08-15 cs.RO
Learning Visuo-Motor Behaviours for Robot Locomotion Over Difficult Terrain
The Queensland University of Technology(昆士兰科技大学)
随着移动机器人在复杂的现实环境中执行日常任务变得越来越有用,它们必须能够穿越一系列困难的地形类型,例如楼梯,垫脚石,间隙,跳跃和狭窄的通道。这项工作研究穿越这些类型的环境与双足机器人(模拟实验),和跟踪机器人(现实世界)。开发一个传统的单片控制器穿越所有的地形类型是具有挑战性的,大型物理机器人需要现实的测试设施,必须确保安全。另一种选择是一套简单的行为控制器,可以组合以实现复杂的任务。这项工作有效地训练了复杂的行为,使移动机器人能够穿越困难的地形。随着新行为的出现,通过最大限度地减少再训练,机器人能够穿越越来越复杂的地形,从而导致可扩展行为库的发展。
2023-03-02 cs.RO
Accurate Pose Prediction on Signed Distance Fields for Mobile Ground Robots in Rough Terrain
Technical University of Darmstadt(达姆施塔特工业大学)
本文提出一种基于有符号距离场的迭代几何方法,用于精确预测崎岖地形中带主动鳍板移动机器人的三维位姿,在仿真和真实平台上验证了其高精度与在线规划能力,并优于现有高度图方法。
2024-05-03 cs.RO