Control Strategies for Mobile Robot With Obstacle Avoidance
COMSATS Institute of Information Technology(COMSATS信息技术学院)
避障是机器人领域的一个重要课题,自主机器人的目标是在不发生碰撞的情况下到达目的地。已经提出了几种避障算法,具有缺点和优点。在这篇综述论文中,我们主要讨论了机器人避障导航的不同算法。本文还对现有的各种算法进行了比较,指出了它们的特点和优缺点,以便通过对各种算法的融合来选择最终的有效算法。提供了对比表,以证明关注领域的合理性
2013-06-05 cs.RO
HEPP: Hyper-efficient Perception and Planning for High-speed Obstacle Avoidance of UAVs
Department of Mechanical Engineering, The University of Hong Kong(机械工程系,香港大学);Northwestern Polytechnical University(西北工业大学);Harbin Institute of Technology(哈尔滨工业大学)
本文提出HEPP系统,通过增量建图、拓扑路径搜索和自适应轨迹生成,实现无人机在杂乱环境中高速避障,耗时显著降低。
2025-05-23 cs.RO
Safe Bimanual Teleoperation with Language-Guided Collision Avoidance
INRIA, Université de Lorraine, CNRS(INRIA、洛林大学、法国国家科学研究中心)
本文提出结合沉浸式VR控制与语音激活避碰的安全双手遥操作框架,通过语音指令构建三维障碍物网格并集成到全身控制器,在杂乱环境中显著提升操作安全性且不降低任务效率。
2025-07-07 cs.RO
Research on Stable Obstacle Avoidance Control Strategy for Tracked Intelligent Transportation Vehicles in Non-structural Environment Based on Deep Learning
Jilin University(吉林大学)
现有的智能驾驶技术往往在平衡平稳驾驶和快速避障方面存在问题,特别是当车辆处于非结构环境时,在紧急情况下容易出现不稳定。因此,本研究结合仿人驾驶的思想,提出了一种基于长短期记忆(Attention-LSTM)深度学习模型的能够有效保证车辆稳定性的自主避障控制策略。首先,设计了自主避障控制规则,保证了无人车的安全性。其次,结合特种车辆的稳定性分析,改进了自主避障控制策略。第三,我们通过实验构建了一个深度学习避障控制,这个系统的平均相对误差为15%。最后,通过数值计算和实验验证了该控制策略的稳定性和准确性.本研究所提出的方法可确保无人车在顺利行驶的同时,能成功避开障碍物。
2022-07-30 cs.RO
Semantically-Aware Strategies for Stereo-Visual Robotic Obstacle Avoidance
University of Minnesota–Twin Cities(明尼苏达大学双城分校)
移动机器人在非结构化、无地图环境中必须依靠避障模块来安全导航。标准的回避技术估计障碍物相对于机器人的位置,但不知道障碍物的身份。因此,机器人在决定如何导航时无法利用障碍物的语义信息。我们提出了一个避障模块,结合视觉实例分割与深度图分类和定位场景中的对象。该系统基于对象的身份有区别地避开障碍物:例如,该系统在响应不可预测的对象(例如人类)时更加谨慎。该系统还可以更接近无害的障碍物,并忽略不构成碰撞危险的障碍物,使其能够更有效地导航。我们验证我们的方法在两个模拟环境:一个陆地和水下。结果表明,我们的方法是可行的,可以使更有效的导航策略。
2021-07-13 cs.RO
Robust Vision-based Obstacle Avoidance for Micro Aerial Vehicles in Dynamic Environments
Delft University of Technology(代尔夫特理工大学)
在本文中,我们提出了一种基于视觉的方法来避免动态环境中的移动障碍物。我们的方法依赖于一个有效的障碍物检测和跟踪算法的基础上的深度图像对,它提供了估计的位置,速度和大小的障碍物。通过构造机会约束模型预测控制器(CC-MPC),使微型飞行器(MAV)与每个运动障碍物的碰撞概率小于给定阈值,实现了鲁棒避碰.该方法考虑了微型飞行器的动力学、状态估计和障碍物感知的不确定性。所提出的方法是在配备了立体摄像机的四旋翼机上实现的,并在各种环境中进行了测试,显示出有效的在线移动障碍物的碰撞避免。
2020-02-13 cs.RO
AvoidBench: A high-fidelity vision-based obstacle avoidance benchmarking suite for multi-rotors
Delft University of Technology(代尔夫特理工大学)
避障是无人机研究领域的一个重要课题。在选择避免算法时,有许多不同的选项可用,每个选项都有其优点和缺点。由于目前对测试方法没有共识,因此比较算法之间的性能是相当具有挑战性的。在本文中,我们提出了AvoidBench,一个基准测试套件,它可以评估基于视觉的避障算法的性能,使它们受到一系列的任务。由于RotorS的多旋翼动力学和Unity3D的虚拟场景的高保真度,AvoidBench可以实现逼真的模拟飞行实验。与目前的无人机模拟器相比,我们提出并实现了性能和环境指标,以揭示避障算法对不同复杂度环境的适用性。为了说明AvoidBench的用法,我们比较了三种算法:Ego-planner,MBPlanner和Agile-autonomy。观察到的趋势与现实世界的避障实验进行了验证。
2023-01-18 cs.RO
Hybrid DDP in Clutter (CHDDP): Trajectory Optimization for Hybrid Dynamical System in Cluttered Environments
Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学);University of Washington(华盛顿大学)
我们提出了一个算法,以获得一个最优控制政策的混合动力系统在杂乱的环境。据我们所知,这是第一次尝试为这个特定的问题设置一个局部最优的解决方案。我们的方法扩展了混合动力系统的最优控制算法在无障碍物的情况下,有障碍物的环境。我们的方法不需要任何预设的模式序列或算法来修剪模式序列的指数搜索。通过首先解决获得无障碍的、动态可行的轨迹的放松问题,然后解决避障和最优性,我们可以生成平滑的、局部最优控制策略。我们展示了我们的算法的性能上推盒的例子在一些环境中对基线的随机采样模式和动作与Kinodynamic RRT。
2017-10-14 cs.RO
Waverider: Leveraging Hierarchical, Multi-Resolution Maps for Efficient and Reactive Obstacle Avoidance
Autonomous Systems Lab, ETH Zürich(苏黎世联邦理工学院自主系统实验室)
本文提出Waverider系统,结合wavemap分层地图与基于RMP的多分辨率避障算法,实现高效、低延迟(36ms)、大感知范围(30m)的避障,并在微型飞行器上验证,性能优于固定分辨率RMP和CHOMP。
2024-05-22 cs.RO
Dynamic Movement Primitives: Volumetric Obstacle Avoidance Using Dynamic Potential Functions
University of Verona(维罗纳大学)
DMPs的避障仍然是一个具有挑战性的问题。在我们以前的工作中,我们提出了一个框架的基础上超二次势函数来表示体积的避障。在这项工作中,我们扩展了我们以前的工作,包括在定义的潜在的轨迹的速度。我们的公式保证了相对于最先进的点状方法的更平滑的行为。此外,我们的新配方允许获得一个更平滑的行为,在附近的障碍物比使用静态(即速度无关)的潜力。我们验证了我们的框架避障在一个模拟的多机器人的情况下,并与不同的真实机器人:拾取和放置任务的工业机械手和手术机器人,以显示可扩展性;和导航与移动机器人在动态环境中。
2020-07-01 cs.RO
Differentiable Optimization Based Time-Varying Control Barrier Functions for Dynamic Obstacle Avoidance
New York University(纽约大学)
本文提出基于可微优化的时变控制障碍函数,将静态几何避障扩展到动态场景,并纳入测量噪声与执行器限制,通过仿真和7自由度Franka Research 3实验验证其有效性。
2024-01-24 cs.RO
Dynamical Systems based Obstacle Avoidance with Workspace Constraint for Manipulators
UBTECH Robotics, Inc.(优必选机器人有限公司)
基于动力系统理论,提出了一种考虑工作空间约束的串联机器人避障方法。分别在障碍物不与工作空间边界相交和障碍物与工作空间边界相交时,确定了考虑障碍物影响和机械手工作空间影响的两个调制矩阵。使用调制矩阵,原始DS变形。该方法可以保证根据变形DS计算的机械手轨迹既不穿透障碍物也不脱离工作空间。通过对UBTECH人形机器人左臂的仿真和实验,验证了该方法的有效性。
2020-12-29 cs.RO
Moving Obstacle Avoidance: a Data-Driven Risk-Aware Approach
California Institute of Technology(加州理工学院)
本文提出了一种新的结构化方法,移动代理预测的路径动态移动障碍物,并避免他们使用风险意识的模型预测控制(MPC)计划。给定先验未知障碍物轨迹的噪声测量,自举技术预测一组障碍物轨迹。自举预测纳入MPC优化使用的风险意识的方法,以提供概率保证避障。我们验证我们的方法使用模拟的三维多旋翼无人机,避免各种移动的障碍物,如抛出的球和空气阻力的飞盘。
2022-03-25 cs.RO
Collision Avoidance for Unmanned Aerial Vehicles in the Presence of Static and Moving Obstacles
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出了一种新的无人机在存在静态和运动障碍物的情况下的避碰方法。所提出的方法是基于一种新的形式的局部参数化的指导矢量场,称为避碰矢量场,产生平滑和直观的机动周围的障碍。机动遵循名义上的无碰撞路径,我们称之为流线的避碰矢量场。在多个障碍物的情况下,所提出的程序确定一个混合的矢量场,混合每个障碍物的防撞矢量场,并假定其形式,每当达到预定义的距离阈值。然后,根据计算的制导矢量场,不同的避碰控制器,产生无碰撞机动。此外,它表明,任何跟踪控制器的收敛保证可以使用的避免控制器跟踪的流线的碰撞避免矢量场。最后,数值模拟表明,所提出的方法的有效性和它的能力,以避免碰撞静态和移动弹出的威胁在三个不同的实际情况。
2021-06-25 cs.RO
Fast Obstacle Avoidance Based on Real-Time Sensing
Swiss Federal School of Technology in Lausanne - EPFL(洛桑联邦理工学院);Massachusetts Institute of Technology(麻省理工学院)
人类擅长在动态和复杂的空间中导航和移动,例如拥挤的街道。对于机器人来说,要做到这一点,至关重要的是,它们具有高度反应性的避障能力,对局部和不良的感知具有鲁棒性。我们解决的问题,使避障稀疏和异步感知的基础上。所提出的控制方案结合了高层次的输入命令提供的规划者或人类操作员快速反应避障。基于采样的传感器数据可以与障碍物的分析重建相结合,用于实时的【形】碰撞避免。我们可以确保当障碍之间存在可行路径时,智能体不会卡住。该算法进行了实验评估静态激光数据从杂乱,室内办公室环境。此外,它还在洛桑市中心的一个动态和复杂的室外环境中以共享控制模式使用。所提出的控制方案成功地避免了在这两种情况下的冲突。在实验过程中,机载计算机上的控制器花了1毫秒来评估超过30000个数据点。
2022-05-10 cs.RO
GeoPro-VO: Dynamic Obstacle Avoidance with Geometric Projector Based on Velocity Obstacle
Zhejiang University(浙江大学);Cruise LLC(克鲁斯有限责任公司)
提出GeoPro-VO几何投影器,结合ALSPG算法将动态避障的MINLP转化为子优化问题,实现快速可靠的避障。
2024-03-15 cs.RO
Reactive Planning based Control for Mobile Robots in Obstacle-Cluttered Environments
Department of Automation, University of Science and Technology of China(自动化系,中国科学技术大学);School of Intelligence Science and Engineering, Harbin Institute of Technology Shenzhen(智能科学与工程学院,哈尔滨工业大学深圳);School of Control Science and Engineering, Dalian University of Technology(控制科学与工程学院,大连理工大学)
本文提出基于反应规划的控制策略,用于移动机器人在障碍物密集环境中避障和导航,通过局部修改参考轨迹实现安全运动。
2026-08-25 cs.RO
A Data-driven Model for Interaction-aware Pedestrian Motion Prediction in Object Cluttered Environments
ETH Zurich(苏黎世联邦理工学院)
本文报告了一种数据驱动的,交互感知的运动预测方法,用于静态障碍物杂乱的环境中的行人。当在与人类共享的空间中导航时,机器人需要准确预测周围行人的运动。人类的导航行为主要受到周围行人和附近静态障碍物的影响。本文介绍了一种基于长短期记忆(LSTM)神经网络的新模型,该模型能够从演示数据中学习人体运动行为。据我们所知,这是第一种使用LSTM的方法,它结合了静态障碍物和周围行人进行轨迹预测。作为模型的一部分,我们引入了一种新的方式编码周围的行人基于极角空间中的一维网格。我们通过与最先进的方法进行比较,评估了交互感知运动预测的好处以及在模拟和真实数据集上加入静态障碍物的附加值。结果表明,我们的新方法优于其他方法,同时计算效率非常高,考虑到运动预测的静态障碍物显着提高了预测精度,特别是在混乱的环境中。
2018-02-26 cs.RO
Efficient Obstacle Rearrangement for Object Manipulation Tasks in Cluttered Environments
Korea Institute of Science and Technology(韩国科学技术研究院);Hanyang University(汉阳大学)
我们提出了一种算法,产生一个计划,重新定位障碍物,以抓住一个目标在混乱的机器人机械手没有碰撞。我们考虑的配置中的对象是密集的人口在一个约束和密闭的空间。因此,不存在无碰撞路径的机械手没有重新定位的障碍物。由于规划对象重排的问题已被证明是NP难的,因此难以有效地执行可能频繁发生在服务域(例如,从架子或冰箱中取出目标)。我们提出的规划器采用了碰撞避免计划,已被广泛应用于移动机器人导航。规划者实时的确定要快速移除的障碍物。它还可以处理配置中的动态变化(例如,物体姿态的变化)。我们的方法被证明是完整的,并运行在多项式时间。在一个现实的模拟环境中的实验结果表明,我们的方法提高了31%的执行时间相比,其他竞争对手。
2019-02-19 cs.RO
Distributed Multi-Robot Obstacle Avoidance via Logarithmic Map-based Deep Reinforcement Learning
Zhejiang University(浙江大学);NetEase(网易)
在拥挤和狭窄的场景中为多个机器人开发安全,稳定和高效的避障策略具有挑战性。大多数现有的研究要么使用集中控制,要么需要与其他机器人进行通信。在本文中,我们提出了一种新的基于对数地图的深度强化学习方法,用于复杂和无通信的多机器人场景中的避障。特别是,我们的方法将激光信息转换为对数映射。作为提高训练速度和泛化性能的一步,我们的策略将在两个专门设计的多机器人场景中进行训练。与其他方法相比,对数地图能更准确地表示障碍物,提高避障成功率。最后,我们评估我们的方法在各种模拟和现实世界的情况下。实验结果表明,该方法在复杂的多机器人场景和行人场景中为机器人提供了一种更稳定、更有效的导航解决方案。有关视频,请访问https://youtu.be/r0EsUXe6MZE。
2022-09-14 cs.RO
Improved Obstacle Avoidance for Autonomous Robots with ORCA-FLC
Dept. of Electrical Engineering and Computer Science(电气工程与计算机科学系);University of North Dakota(北达科他大学)
针对ORCA算法在多智能体动态环境中的局限性,提出ORCA-FL方法,利用模糊逻辑控制器处理路径规划中的不确定性,并结合模糊Q强化学习优化控制器,实验证明其在高速场景下能显著减少碰撞次数。
2025-08-08 cs.RO
Modelling and Path Planning of Snake Robot in cluttered environment
Visvesvaraya National Institute of Technology(维斯瓦拉亚国家理工学院);Carnegie Mellon University(卡内基梅隆大学);Inbitorobotics(Inbitorobotics公司);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
研究蛇类机器人在杂乱环境中的运动一直是一项复杂的任务,因为运动模型是不连续的,由于与障碍物的物理接触,接触力不能单独确定的接触位置。我们提出了一个独特的数学模型的机器人与障碍物的接触力映射的基础上的粘性摩擦模型。还介绍了一种运动规划策略,该策略有助于导出最简单的路径,以确保机器人与到达目标位置所需的障碍物的足够数量的接触。数值模拟和实验结果验证了理论方法。
2018-05-15 cs.RO
Toward Verifiable Real-Time Obstacle Motion Prediction for Dynamic Collision Avoidance
University of Notre Dame(圣母大学)
下一代无人机(UAV)必须可靠地避开移动障碍物。现有的动态避碰方法在障碍物轨迹是线性的或已知的情况下是有效的,但是这样的限制对于许多现实世界的UAV应用是不准确的。我们提出了一种有效的方法,通过LSTM神经网络的在线训练,仅基于最近的观察来预测障碍物的运动。给定这样的预测,我们定义了一个非线性概率速度障碍(NPVO),它可以用来选择一个速度,是碰撞自由与给定的概率。我们采取了一个步骤,我们的方法的形式化验证,使用统计模型检验近似的概率,我们的系统将错误预测障碍物的运动。鉴于这样的概率,我们证明了在多智能体和互惠碰撞避免场景中的碰撞概率的上限。此外,我们在模拟中证明,我们的方法避免了最先进的方法失败的碰撞。
2019-03-11 cs.RO
Obstacle Avoidance in Dynamic Environments via Tunnel-following MPC with Adaptive Guiding Vector Fields
Chalmers University of Technology(查尔姆斯理工大学);Lund University(隆德大学)
本文提出了一种机器人在动态环境中的运动控制方案与凹障碍。一个模型预测控制器(MPC)被构造为驱动机器人朝向目标位置,同时确保避免碰撞,而不直接使用的障碍物信息的优化问题。这是通过保证一个适当设计的滚动时域路径的跟踪性能来实现的。该路径使用定义在自由工作空间的子空间中的引导向量场来计算,其中子空间中的每个点满足到所有障碍物的最小距离的标准。仿真结果表明了该控制方案的有效性。
2023-03-28 cs.RO
REBot: Reflexive Evasion Robot for Instantaneous Dynamic Obstacle Avoidance
School of Computing, National University of Singapore(计算学系,新加坡国立大学);Department of Electrical and Computer Engineering, National University of Singapore(电气与计算机工程系,新加坡国立大学)
针对四足机器人在快速动态障碍下轨迹重规划失效的问题,提出基于有限状态机集成规避与恢复策略的REBot控制框架,实现瞬时低延迟避障,显著提升成功率与鲁棒性。
2025-08-08 cs.RO
SwipeBot: DNN-based Autonomous Robot Navigation among Movable Obstacles in Cluttered Environments
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
本文提出SwipeBot方法,利用CNN分类RGB-D图像并选择最小侵入动作,推动可移动障碍物,在ROS中实现并通过仿真验证,使轮式机器人在杂乱环境中成功导航。
2023-05-08 cs.RO
Towards Monocular Vision based Obstacle Avoidance through Deep Reinforcement Learning
University of Oxford(牛津大学)
避障是在现实世界中运行并与现实世界互动的自主机器人的基本要求。当感知仅限于单目视觉时,由于缺乏3D信息,避免碰撞变得更具挑战性。传统的避障路径规划器需要调整许多参数,并且不具有直接受益于大型数据集和连续使用的能力。本文提出了一种基于决斗结构的深度双Q网络(D3QN),用于避障,仅使用单目RGB视觉。基于决斗和双Q机制,D3QN可以有效地学习如何避免模拟器中的障碍物,即使从RGB图像预测的深度信息非常嘈杂。大量的实验表明,与普通的深度Q网络相比,D3QN能够实现两倍的学习加速,并且仅在虚拟环境中训练的模型可以直接转移到真实的机器人上,从而很好地推广到具有以前看不见的动态对象的各种新环境。
2017-06-29 cs.RO
Flow Synthesis Based Visual Servoing Frameworks for Monocular Obstacle Avoidance Amidst High-Rises
IIIT Hyderabad(海得拉巴国际信息技术学院);Toshiba Europe(东芝欧洲)
提出了一种新的基于流综合的视觉伺服框架,使微型飞行器(MAV)在摩天大楼之间飞行时能够实现远距离避障。最近基于深度学习的框架使用光流来进行高精度视觉伺服。在本文中,我们探讨的问题:我们可以为这些高精度的视觉伺服方法,这导致避障设计一个代理流?我们重新审视了显着性的概念,以确定高层建筑/接近攻击线之间的其他竞争的摩天大楼和建筑物作为碰撞障碍。一个合成的流被用来取代显着的对象分割掩模。该流量的计算使得视觉伺服控制器操纵MAV安全地绕过障碍物。在这种方法中,我们使用多步交叉熵方法(CEM)的伺服控制,以实现流量收敛,从而避免障碍物。我们使用这种新颖的管道成功地和持续地操纵高层建筑,并在模拟和照片般逼真的真实世界场景中达到目标。我们进行了广泛的实验,并比较我们的方法与光流和短距离基于深度的避障方法,以证明所提出的框架的优点。其他可视化可以在https://sites.google.com/view/monocular-obstacle/home上找到
2022-07-07 cs.RO
Learning Generalisable Coupling Terms for Obstacle Avoidance via Low-dimensional Geometric Descriptors
Edinburgh Centre for Robotics(爱丁堡机器人中心);University of Edinburgh(爱丁堡大学);Heriot-Watt University(赫瑞-瓦特大学)
在机器人需要协助的现实环境中,经常会发生不可预见的事件,这就需要快速重新规划执行中的策略,以保证系统和环境的安全。受人类避障和路径选择行为研究的启发,本文提出了一个分层框架,通过多层分析产生反应性但有界的避障行为。该框架利用学习技术的优势和动态运动基元的多功能性,通过环境的低维几何描述符有效地统一感知,决策和行动水平。合成环境和一个真正的拟人机械手的实验评估证明,所提出的方法的鲁棒性和泛化能力,无论避障方案,使其适合在现实世界的环境中的机器人系统。
2019-06-24 cs.RO
Exploration, Path Planning with Obstacle and Collision Avoidance in a Dynamic Environment
Universidade da Beira Interior(贝拉内政大学)
如果我们给机器人一个任务,将物体从当前位置移动到未知环境中的另一个位置,机器人必须探索地图,识别所有类型的障碍物,然后确定完成任务的最佳路线。我们提出了一个数学模型,以找到一个最佳的路径规划,避免碰撞的所有静态和移动的障碍物,并具有最小的完成时间和最小的行驶距离。该模型不考虑障碍物和机器人周围的限界框,使机器人可以非常接近障碍物而不与其发生碰撞。我们考虑了两种类型的障碍物:确定性障碍物,包括所有静态障碍物,如不移动的墙壁和所有移动障碍物,其移动具有固定的模式,以及非确定性障碍物,包括所有障碍物,其移动可以在任何时间以某种概率分布在任何方向发生。我们还考虑了机器人的加速度和减速度,以提高避碰。
2022-08-19 cs.RO
Global-State-Free Obstacle Avoidance for Quadrotor Control in Air-Ground Cooperation
针对空地协同中CoNi-MPC框架缺乏环境信息难以避障的问题,提出无需全局状态的CoNi-OA算法,仅用单帧LiDAR数据生成调制矩阵调速避障,计算快且适配静动态未知场景。
2025-10-28 cs.RO
Reactive Navigation of an Unmanned Aerial Vehicle with Perception-based Obstacle Avoidance Constraints
Luleå University of Technology(吕勒奥理工大学)
在这篇文章中,我们提出了一个反应式约束导航方案,嵌入式避障无人机(UAV),使导航在障碍物密集的环境。提出的导航体系结构是基于非线性模型预测控制(NMPC),并利用机载2D激光雷达检测障碍物和在线翻译的关键几何信息的环境中的NMPC的参数约束,约束的可用位置空间的无人机。本文还重点介绍了所提出的反应式导航方案的真实实现和实验验证,并将其应用于多个具有挑战性的实验室实验中,并与相关的反应式避障方法进行了比较。在所提出的方法中使用的求解器是优化引擎(OpEn)和近端平均牛顿最优控制(PANOC)算法,其中的惩罚方法被施加到适当地考虑障碍物和输入约束在导航任务。所提出的新方案允许快速解决方案,同时使用有限的机载计算能力,这是UAV的整体闭环性能所需的特征,并且应用于多个实时场景。内置的避障和实时适用性的组合,使所提出的反应式约束导航方案的一个优雅的框架,无人机,能够执行快速非线性控制,本地路径规划和避障,所有嵌入在控制层。
2022-07-04 cs.RO
Event-Enhanced Multi-Modal Spiking Neural Network for Dynamic Obstacle Avoidance
Dalian University of Technology(大连理工大学);Princeton University(普林斯顿大学);National University of Singapore(新加坡国立大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对现有SNN避障方法难以处理动态场景的问题,提出融合事件相机与激光数据的EEM-SAN网络,通过无监督表示学习提取运动信息、可学习阈值实现多模态融合,显著提升动态避障性能。
2023-10-03 cs.RO
A New Concept for an Obstacle Avoidance System for the AUV "SLOCUM Glider" Operation under Ice
本文提出了一种基于SLOCUM水下滑翔机的冰下自主水下机器人控制系统的概念。将介绍项目概念、今后一年半的单独工作任务和初步成果。在这种情况下,避障系统的结构和模拟器结构与传感器和环境模拟以及接口的滑翔机硬件将被讨论。作为主要研究的第一个结果,将描述用于时变环境(可变海洋场、移动障碍物)中的路径规划的基于图的算法。
2017-02-26 cs.RO
Multi-UAV Deployment in Obstacle-Cluttered Environments with LOS Connectivity
Peking University(北京大学)
针对障碍物密集环境中多无人机通信受限问题,提出基于最小边RRT$^\star$的约束搜索方法构建少无人机的生成树拓扑,结合含视距连接约束的分布式模型预测控制实现运动协调,经仿真和硬件实验验证了有效性与动态适应性。
2023-08-23 cs.RO
Task Space Planning with Complementarity Constraint-based Obstacle Avoidance
在本文中,我们提出了一个基于任务空间的本地运动规划器,它结合了避免碰撞和约束末端执行器的运动在执行任务。我们的主要技术贡献是开发了一种新的机器人运动状态演化模型,其中碰撞避免被编码为互补约束。我们表明,避免碰撞的运动状态演化可以表示为线性互补问题(LCP)。使用LCP模型以及SE(3)中的螺旋线性插值(ScLERP),我们表明,即使存在与障碍物的潜在碰撞,也可以通过直接从开始移动到目标姿势来计算两个给定任务空间姿势之间的路径。的可扩展性的规划证明了使用物理机器人的实验。我们目前的模拟和实验结果与碰撞避免和任务限制,以显示我们的方法的有效性。
2021-04-16 cs.RO
Motion Planning for Collision-resilient Mobile Robots in Obstacle-cluttered Unknown Environments with Risk Reward Trade-offs
University of California, Riverside(加州大学河滨分校)
在未知障碍物杂乱的环境中避免碰撞可能并不总是可行的。本文重点介绍了一种新的范式转变,即可以利用而不是完全避免与环境的潜在碰撞。为此,我们引入了一种新的基于采样的在线规划算法,可以明确地处理与环境碰撞的风险,并可以在碰撞避免和碰撞利用之间切换。规划者的能力的核心是一个新的联合优化功能,使用反射模型评估可能的碰撞的影响。通过这种方式,规划者可以做出与环境碰撞的深思熟虑的决定,如果这种碰撞有望帮助机器人朝着目标前进。为了使算法在线,我们提出了一个状态扩展修剪技术,显着减少了搜索空间,同时确保完整性。该算法的实验评估与内置的内部完整轮式机器人,可以承受碰撞。我们进行了广泛的参数研究,以调查(用户调整)的风险水平之间的权衡,故意碰撞决策,和轨迹统计,如时间,以达到目标和路径长度。
2020-09-04 cs.RO
Zero-Shot Reactive Obstacle Avoidance for Generative Robot Policies
Rice University(莱斯大学);Ken Kennedy Institute at Rice University(莱斯大学肯·肯尼迪研究所)
提出NUDGE,一种无需训练的零样本避障方法,通过注入符号距离场梯度到扩散或流匹配策略中,支持多种动作参数化,实时反应式避障且保持任务分布。
2026-09-30 cs.RO
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA(英伟达);University of Southern California(南加州大学);Amazon(亚马逊)
针对含交互动态障碍的杂乱环境,本文提出DREAM去中心化异步概率多机器人轨迹规划器,仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
Joint Vision-Based Navigation, Control and Obstacle Avoidance for UAVs in Dynamic Environments
Sapienza University of Rome(罗马大学);IT+Robotics S.r.l.(IT+Robotics有限公司)
本文研究了基于视觉的无人机导航系统与鲁棒避障能力的耦合问题。前一个问题通过最大化兴趣点的可见性来解决,而后者则通过椭球排斥区域来建模。整个问题被转化为一个最优控制问题(OCP),并利用最先进的数值优化在几毫秒内解决。由此产生的轨迹非常适合到达指定的目标位置,同时以安全裕度避开障碍物,并最大限度地减少与感兴趣目标失去路线的可能性。将该技术与适当的椭圆体成形(即,通过与障碍物速度或与障碍物检测不确定性成比例地增大形状)导致鲁棒的障碍物回避行为。我们在广泛的模拟实验中验证了我们的方法,这些实验显示了即使在具有挑战性的条件下也能满足所有约束的有效能力。我们发布了本文的开源实现。
2019-11-05 cs.RO
Predictive Angular Potential Field-based Obstacle Avoidance for Dynamic UAV Flights
University of Bonn(波恩大学)
近年来,无人机(UAV)被用于许多检查和视频捕获任务。然而,在障碍物附近手动控制无人机具有挑战性,并且存在很高的碰撞风险。即使是自主飞行,全球导航规划也可能太慢,无法对新发现的障碍物做出反应。风等干扰可能导致偏离计划轨迹。在这项工作中,我们提出了一种快速预测避障方法,不依赖于更高级别的定位或映射,并保持无人机的动态飞行能力。它直接对LiDAR距离图像进行实时的运算,通过计算距离图像内的角势场来调整当前飞行方向。随后基于轨迹预测和接触时间估计来确定速度大小。我们的方法进行评估,使用硬件在环仿真。它使无人机与障碍物保持安全距离,同时允许比以前直接基于传感器数据的反应式避障方法更高的飞行速度。
2022-08-11 cs.RO
Obstacle avoidance using raycasting and Riemannian Motion Policies at kHz rates for MAVs
ETH Zürich(苏黎世联邦理工学院)
在本文中,我们提出了一种新的方法,使用黎曼运动策略的体积地图,在避障的微型飞行器(MAVs)的例子。虽然采样或基于优化的规划器被广泛用于体积地图的避障,但它们在计算上是昂贵的,并且通常具有不灵活的单片架构。黎曼运动策略是一种模块化的、可并行化的、高效的导航范式,但与广泛使用的基于体素的环境表示一起使用具有挑战性。我们建议使用GPU光线投射和大量的并发政策,提供直接避障使用黎曼运动策略体素化的地图,而不需要平滑或预处理的地图。此外,我们还介绍了相同的方法如何直接在LiDAR扫描上进行规划,而无需中间地图。我们展示了这种反应式方法与传统的规划方法相比是如何有利的,并且能够以千赫兹的速率使用数千条射线进行规划。我们成功地证明了规划器上一个真正的MAV的静态和动态障碍。所提出的计划是作为一个开源的软件包。
2023-01-19 cs.RO
Active Learning-augmented Intention-aware Obstacle Avoidance of Autonomous Surface Vehicles in High-traffic Waters
Dartmouth College(达特茅斯学院);IQT Labs(IQT实验室)
本文提出一种主动学习增强的意图感知避障方法,通过拓扑建模和LSTM分类障碍物通过意图,结合多目标优化,在蒙特卡洛模拟和真实实验中验证了高交通密度水域的安全导航能力。
2024-11-01 cs.RO
DRQN-based 3D Obstacle Avoidance with a Limited Field of View
School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院)
在本文中,我们提出了一种基于地图的端到端DRL方法的三维(3D)避障在部分观察的环境中,这是适用于实现自主导航的室内移动机器人使用深度相机具有狭窄的视野。我们首先在移动机器人的3D模拟器中训练具有LSTM单元的神经网络,以逼近双DRQN中的Q-价值函数。我们还使用课程学习策略来加速和稳定培训过程。然后,我们将训练好的模型部署到一个真实的机器人上,在其导航中执行3D避障。我们评估所提出的方法在模拟环境中,并在现实世界中的机器人。实验结果表明,该方法具有高效、易于部署的特点,在窄视角下具有良好的避障性能,成功率比现有的DRL模型高15.5%。
2021-08-12 cs.RO
Evaluating Dynamic Environment Difficulty for Obstacle Avoidance Benchmarking
Delft University of Technology(代尔夫特理工大学)
本文提出四种动态环境难度量化指标,通过超150万次模拟试验验证生存率指标与成功率呈强单调关系,为避障基准测试和方法改进提供支持。
2024-04-23 cs.RO
Multisensor Data Fusion for Reliable Obstacle Avoidance
University of Engineering and Technology, Vietnam National University(越南国立大学工程技术大学);Fulbright University Vietnam(越南富布赖特大学)
在这项工作中,我们提出了一种新的方法,结合来自多个传感器的数据进行可靠的避障。传感器包括两个深度相机和一个LiDAR,它们可以捕获机器人前面的整个3D区域及其周围的2D幻灯片。为了融合这些传感器的数据,我们首先使用外部相机作为参考,将来自两个深度相机的数据结合起来。然后引入投影技术将相机的3D点云数据转换为其2D对应关系。基于动态窗口法提出了一种避障算法。已经进行了一些实验来评估我们提出的方法。结果表明,该机器人在不同的环境中能有效地避开不同形状和大小的静态和动态障碍物。
2022-12-26 cs.RO
E2DRL: End-to-End Differentiable Reinforcement Learning for 3D Obstacle Avoidance in Quadruped Robots
National University of Singapore(新加坡国立大学)
本研究提出E2DRL算法,通过软可微障碍物交互公式解决梯度破坏问题,结合SAPO、DAgger等技术实现四足机器人3D避障,在仿真中性能优于PPO等方法并完成了仿真到真实场景的验证。
2026-10-15 cs.RO
Non-Conservative Obstacle Avoidance for Multi-Body Systems Leveraging Convex Hulls and Predicted Closest Points
Eindhoven University of Technology(埃因霍温理工大学);Philips IGT Systems Mechatronics(飞利浦IGT机电系统公司)
本文提出一种将未来最近点预测与凸包结合并集成到避障控制器距离约束中的新方法,有效解决了最近点突变问题,降低了碰撞风险,并在Image Guided Therapy机器人上验证了其能提升轨迹平滑度与导航安全性。
2024-10-16 cs.RO
Integrated Decision Control Approach for Cooperative Safety-Critical Payload Transport in a Cluttered Environment
Indian Institute of Science(印度科学学院)
研究了在复杂环境中多无人机协同运输重型载荷的问题。有效载荷被建模为刚体,并假设跟踪预先计算的从起点到目标点的全局飞行轨迹。由于环境中存在局部动态障碍物,无人机必须确保有效载荷与这些障碍物之间不发生碰撞,同时确保有效载荷的振荡保持最小。提出了一种集成决策控制器(IDC),它将集中式模型预测控制器给出的最优跟踪控制律与指数控制障碍函数提供的安全关键约束相结合。整个有效载荷-UAV系统被安全的凸包边界包围,IDC确保没有障碍物进入该边界。为了评估IDC的性能,数值模拟的结果,以及高保真Gazebo模拟。烧蚀研究进行分析的鲁棒性建议IDC对实际的特性,如噪声状态值,相对障碍物的安全裕度,有效载荷质量的不确定性。结果清楚地表明,IDC成功地实现了轨迹跟踪和避障,同时将有效载荷振荡限制在安全范围内。
2022-01-31 cs.RO
Swarm Intelligence in Collision-free Formation Control for Multi-UAV Systems with 3D Obstacle Avoidance Maneuvers
University of Oklahoma(俄克拉荷马大学)
本研究受罗非鱼和鸽子集体行为启发,提出一种结合集中式与分布式控制器的多无人机无碰撞编队控制框架,并扩展至三维避障机动,在二维和三维场景中验证了其有效性。
2024-12-17 cs.RO
From Obstacle Avoidance To Motion Learning Using Local Rotation of Dynamical Systems
在机器人技术中,运动通常从外部角度描述,即,我们以相对于特定(通常是惯性)参考系的数学方式给出关于障碍物运动的信息。在目前的工作中,我们建议描述的机器人运动相对于机器人本身。就像我们给彼此指示一样(直走,然后在几米后向左移动,然后向右急转弯),我们给机器人的指令是相对旋转。我们首先介绍一个避障框架,允许避免星形障碍物,同时试图保持接近初始(线性或非线性)动力系统。局部旋转的框架扩展到运动学习。自动聚类定义了局部稳定区域,精确的动态是单独学习的。该框架已被应用到LASA手写数据集,并显示出可喜的成果。
2022-10-26 cs.RO
NMPP: Nonlinear Model Predictive Planning for Agile UAV Flight in Cluttered Environments
Czech Technical University in Prague(捷克理工大学)
针对杂乱环境中的敏捷无人机飞行,提出非线性模型预测规划(NMPP),将障碍物作为硬约束,提供全状态参考,显著降低跟踪误差并提高飞行成功率。
2026-10-07 cs.RO
HOTICE: Whole-Body Humanoid Object Transportation in Cluttered Environments
University of Southern California(南加州大学)
HOTICE提出全身人形学习框架,通过解耦势场和双智能体强化学习,结合专家到通才蒸馏,实现杂乱环境中物体的鲁棒运输与避碰。
2026-09-23 cs.RO
S-RRT*-based Obstacle Avoidance Autonomous Motion Planner for Continuum-rigid Manipulator
The University of Tokyo(东京大学)
本文提出基于S-RRT*的连续体-刚体混合机械臂运动规划方法,结合逆瞬时运动学与零空间技术实现路径跟踪和避障,并在复杂环境中验证了路径质量与计算时间优势。
2024-09-27 cs.RO