Object Detection and Ranging for Autonomous Navigation of Mobile Robots
Daffodil International University(达卡国际大学);Saint Petersburg Electrotechnical University “LETI”(圣彼得堡国立电工大学)
近十年来,电子技术日新月异,方法论也应该更新.为了测距的目的,使用各种方法,例如无线电探测和测距(RADAR)、光探测和测距(LIDAR)以及声波导航和测距(SONAR)等。后来,通过适应早期的技术和进一步修改的目的,探测和测距导航,声波探测和测距(SODAR)技术被用于现代机器人。SODAR可以被定义为SONAR的一个孩子,也是Echo Sounder的孪生兄弟。回声测深仪仅用于测距。而声雷达是利用33kHz的低频声波来测量水下深度,同时也可以探测水下物体。因此,本论文的工作包括设计一个系统来评估移动机器人自主导航的目标检测和测距。
2021-06-24 cs.AR cs.RO
An algorithm for real-time restructuring of a ranging-based localization network
University of California, Berkeley(加州大学伯克利分校)
本文提出了一种方法,以提高定位精度的机器人工作在基于范围的定位网络。该方法是有利的,特别是当机器人在恶劣的环境中操作时,在恶劣的环境中,对鲁棒性和可靠的定位系统的访问是有限的。状态估计器用于使用惯性传感器以及超宽带(UWB)距离测量传感器的六个自由度的对象。该估计器被纳入到一个自适应算法,通过使用移动UWB测距传感器,其中移动锚移动,以提高定位质量的代理的定位质量。该算法实时的【形】重构定位网络,使协方差矩阵的行列式在最小二乘误差意义下最小。最后,在一个由一个移动和四个固定锚点组成的网络中对该算法进行了实验验证。
2018-04-25 cs.RO
Relative Localization of Mobile Robots with Multiple Ultra-WideBand Ranging Measurements
Singapore University of Technology and Design(新加坡科技设计大学);University of Jaffna(贾夫纳大学);Southwest University of Science and Technology(西南科技大学)
在没有基础设施的情况下,自主机器人之间的相对定位对于在许多应用中实现其导航、路径规划和编队是至关重要的,例如紧急响应,在这些应用中获取环境的先验知识是不可能的。传统的超宽带(UWB)的方法提供了一个很好的估计机器人之间的距离,但获得相对位姿(包括位移和方向)仍然是具有挑战性的。我们提出了一种方法来估计一组机器人之间的相对姿态,每个机器人配备多个UWB测距节点。我们确定两个机器人之间的姿态最小化的残余误差的测距测量从所有UWB节点。为了提高定位精度,我们建议通过基于滑动窗口的优化利用里程限制。最后将优化后的位姿与测距融合在粒子滤波算法中,实现移动机器人群的位姿跟踪。我们已经进行了大量的实验,以验证所提出的方法的有效性。
2021-07-30 cs.AI cs.RO
Moving Object Localization based on the Fusion of Ultra-WideBand and LiDAR with a Mobile Robot
Singapore University of Technology and Design(新加坡科技设计大学);Nanyang Technological University(南洋理工大学);Southwest University of Science and Technology(西南科技大学)
针对LiDAR在目标被遮挡时定位不准的问题,提出融合UWB测距与LiDAR的三模块方法,通过目标识别、方向估计及位姿图优化,提高移动目标定位精度。
2023-10-16 cs.RO
Learning-based Bias Correction for Ultra-wideband Localization of Resource-constrained Mobile Robots
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(Vector人工智能研究所)
准确的室内定位是许多机器人应用的关键技术,从仓库管理到监控任务。超宽带(UWB)测距是一种很有前途的解决方案,与诸如同时定位与地图构建的替代的最先进的方法相比,其低成本、重量轻并且计算上便宜,使得其特别适合于资源受限的空中机器人。然而,许多商业上可用的超宽带无线电提供不准确的、有偏差的距离测量。在这篇文章中,我们提出了一个偏差校正框架兼容双向测距和到达时间差超宽带定位。我们的方法包括两个步骤:(i)统计离群值拒绝和(ii)基于学习的偏差校正。这种方法是可扩展的,并且足够节俭,可以部署在纳米四轴飞行器的微控制器上。以前的研究主要集中在双向测距偏差校正,并没有实现闭环,也没有使用资源受限的机器人。实验结果表明,使用我们的方法,定位误差减少了~18.5%和48%(TWR和TDoA,分别),和四轴飞行器可以准确地跟踪轨迹与位置信息仅从UWB。
2020-03-20 cs.LG cs.RO cs.SY
An IMM-based Decentralized Cooperative Localization with LoS and NLoS UWB Inter-agent Ranging
University of California Irvine(加州大学欧文分校)
本文研究了一组通信移动代理(例如,第一响应者或探索机器人)经由超宽带(UWB)代理间测距辅助航位推算。我们提出了一个松散耦合的合作定位算法,作为一个增强顶部的本地航位推算系统的每个移动代理。只有当代理想要处理它所采取的相对测量时,这种增强才变得活跃。本文的主要贡献是解决的挑战,在适当的处理UWB范围测量的框架下,一个松散耦合的合作定位。尽管UWB在视距(LoS)测距中提供了分米级的精度,但由于测量中的显著未知正偏差,其精度在非视距(NLoS)中显著降低。因此,UWB LoS和NLoS测距条件的测量模型是不同的,并且NLoS测量的适当处理需要偏置补偿措施。我们还表明,在实践中,测量模式鉴别器决定UWB距离测量的类型应该是概率性的。考虑到概率性质的NLoS标识符处理UWB代理间测距反馈时,我们采用了交互多模型(IMM)估计在我们的本地化过滤器。我们还提出了一个偏置补偿方法的NLoS超宽带测量。我们的合作定位的有效性证明了通过一组行人谁使用UWB相对距离测量自己之间,以提高他们的鞋安装INS的地理定位实验。
2020-12-30 cs.RO eess.SP
Learning Deep Generative Spatial Models for Mobile Robots
University of Washington(华盛顿大学)
我们提出了一个新的概率框架,允许移动机器人自主学习深度,生成模型的环境,跨越多个层次的抽象。与将工程模型结合用于低级别特征、几何和语义的传统方法不同,我们的方法利用了和积网络(SPN)和深度学习的最新进展来学习机器人空间环境的单一通用模型。我们的模型是完全概率和生成的,并代表了一个联合分布的空间信息,从低层次的几何语义解释。一旦学会,它就能够解决各种各样的任务:从地方的语义分类,不确定性估计和新颖性检测,到基于语义信息生成地方外观和预测部分观测中的缺失数据。对移动机器人激光测距数据的实验表明,所提出的通用模型的性能优于针对一个特定任务进行微调的最新模型,如生成对抗网络(GANs)或SVM。
2017-12-28 cs.RO
Near-Field Perception for Safety Enhancement of Autonomous Mobile Robots in Manufacturing Environments
Department of Mechanical Engineering, University of Michigan, MI 48109, USA;Materials \& Manufacturing Systems Research, General Motors R \& D, Warren, MI 48092, USA
本文提出三级近场感知框架,通过光断续检测、光位移测量和计算机视觉分类,提升自主移动机器人在制造环境中的安全性能。
2025-12-15 cs.RO
Simulation Framework for Mobile Robots in Planetary-Like Environments
University of Padova(帕多瓦大学);DLR(德国航空航天中心)
在本文中,我们提出了一个仿真框架的机器人平台的导航和定位性能的评估。该模拟器基于ROS(机器人操作系统)Gazebo,目标是一个类似行星的研究车辆,可以测试特定环境条件下的各种感知和导航方法。模拟任意传感器设置的可能性,包括相机,LiDAR(光探测和测距)和IMU,使Gazebo成为快速原型制作的优秀资源。在这项工作中,我们评估了各种开源的视觉和激光雷达SLAM(同时定位与地图构建)算法在模拟火星环境。数据集是通过驾驶漫游车和记录传感器输出以及地面实况来捕获的,用于精确的性能评估。
2020-06-17 cs.RO
Innovative Integration of Visual Foundation Model with a Robotic Arm on a Mobile Platform
Shanghai Hrstek Co., Ltd(上海赫斯克机器人有限公司)
本文提出将Segment Anything model (SAM)视觉基础模型与移动平台机械臂集成,通过深度相机实现动态物体分割、跟踪与抓取,并支持多模态用户交互,在仿真和真实环境中验证了其有效性与广泛应用潜力。
2024-04-29 cs.RO
Bridging the Indoor-Outdoor Gap: Cross-Technology Ranging for Seamless Robot Navigation
Institute of Traffic Telematics, TUD Dresden University of Technology(交通遥感研究所,德累斯顿技术大学)
本文研究了室内外机器人定位问题,通过融合GNSS、UWB、FTM和BLE等技术实现无缝导航,揭示了不同技术在室内外环境中的互补性及过渡区域的挑战。
2026-04-28 cs.RO eess.SP
Extrinsic Calibration of Multiple LiDARs for a Mobile Robot based on Floor Plane And Object Segmentation
Sony Group Corporation(索尼集团公司)
针对视场无重叠的多LiDAR外参标定难题,提出一种基于累积地面与目标点云的无靶标标定方法,搭配考虑扫描模式的去噪模块,在仿真与真实机器人实验中均优于传统方法,可构建一致三维地图。
2024-09-13 cs.RO
Experimental Comparison of Global Motion Planning Algorithms for Wheeled Mobile Robots
University of Southern California(南加利福尼亚大学);Robert Bosch GmbH(罗伯特·博世股份有限公司)
规划轮式移动机器人的平稳和节能运动是从自动驾驶到服务和内部物流机器人应用的中心任务。在过去的几十年里,针对此类非完整系统提出了各种各样的运动规划器、转向函数和路径改进技术。为了比较各种最先进的运动规划技术,我们为轮式移动机器人引入了一种新的开源运动规划基准,其场景类似于现实世界的应用程序(如导航仓库,在混乱的城市或停车),并提出了规划效率和路径质量的指标。我们的基准易于使用和扩展,因此允许从业者和研究人员轻松评估新的运动规划算法,场景和指标。我们使用我们的基准来突出几个常见的最先进的运动规划器的优点和缺点,并提供何时应该使用它们的建议。
2020-03-07 cs.AI cs.RO
2D vs. 3D LiDAR-based Person Detection on Mobile Robots
RWTH Aachen(亚琛工业大学);Visual Computing Institute(视觉计算研究所)
人体检测是移动机器人在人群环境中导航的一项重要任务。LiDAR传感器由于其精确的深度测量和大视场而有望完成这项任务。存在两种类型的LiDAR传感器:扫描单个平面的2D LiDAR传感器和扫描多个平面从而形成体积的3D LiDAR传感器。它们在人员检测任务中的表现如何?为了回答这个问题,我们进行了一系列实验,使用公共的大规模JackRabbot数据集和最先进的基于2D和3D LiDAR的人员检测器(分别为DR-SPAAM和CenterPoint)。我们的实验包括多个方面,从基本的性能和速度比较,更详细的分析定位精度和鲁棒性的距离和场景杂波。这些实验的见解突出了2D和3D LiDAR传感器作为人员检测源的优势和劣势,对于设计将在接近周围人类的地方运行的移动机器人(例如服务或社交机器人)特别有价值。
2022-07-25 cs.CV cs.RO
AgentWorld: An Interactive Simulation Platform for Scene Construction and Mobile Robotic Manipulation
Tencent Robotics X(腾讯机器人X);Shanghai Jiao Tong University(上海交通大学)
AgentWorld 是一个面向家庭移动机器人操作的交互式仿真平台,集成自动化场景构建与双模式遥操作数据收集系统,并提供多任务数据集,通过广泛基准测试验证了其在 sim-to-real 迁移中的有效性。
2025-08-13 cs.RO
UWB/LiDAR Fusion For Cooperative Range-Only SLAM
Nanyang Technological University(南洋理工大学)
我们配备了一个超宽带(UWB)节点和一个二维激光雷达传感器a.k.a.移动机器人上的2D激光测距仪,并将UWB信标节点放置在未知环境中的未知位置。所有UWB节点可以互相测距,从而形成一个合作的传感器网络。我们建议将UWB节点和激光扫描信息之间测量的点对点范围(即机器人与附近物体/障碍物之间测量的范围)融合,用于机器人,所有UWB信标和LiDAR映射的同时定位。该融合受到两个事实的启发:1)LiDAR可以提高仅UWB定位精度,因为它给出了周围环境的更精确和全面的图片; 2)另一方面,UWB测距测量可以消除基于LiDAR的SLAM算法中积累的误差。我们的实验表明,UWB/LiDAR融合,使无漂移SLAM实时测距测量的基础上。
2018-11-07 cs.RO
Empowering Embodied Manipulation: A Bimanual-Mobile Robot Manipulation Dataset for Household Tasks
JD Explore Academy(京东探索研究院);Beijing Institute of Technology(北京理工大学)
针对双臂移动机器人家务操作数据匮乏问题,提出BRMData数据集,涵盖10项多样化家务任务并引入操作效率评分MES指标,以推动双臂移动操作技术发展。
2024-06-06 cs.RO
Cost-effective Mapping of Mobile Robot Based on the Fusion of UWB and Short-range 2D LiDAR
Singapore University of Technology and Design(新加坡科技设计大学);Southwest University of Science and Technology(西南科技大学);University of Turbat(图尔巴特大学)
环境映射是移动机器人执行导航和任务规划等任务的必要前提。随着低成本2D LiDAR的可用性,这种2D LiDAR在工业环境中的应用越来越多。然而,在未知和无特征的环境中使用这种低成本的2D LiDAR进行环境映射仍然是一个挑战。这一挑战主要来自于激光雷达的短距离和在这些环境中执行扫描匹配的复杂性。为了解决这些缺点,我们提出了超宽带(UWB)与二维激光雷达融合,以提高移动机器人的映射质量。基于优化的方法是利用UWB测距信息和里程的融合,首先优化的轨迹。然后,基于激光雷达的回路闭合,以提高轨迹估计的精度。最后,将优化的轨迹与LiDAR扫描相结合,以生成环境的占用地图。在一个尺寸为20 m * 20 m的室内无特征环境中对所提出的方法的性能进行了评估。实验结果表明,与传统的GMapping算法相比,该算法在短距离LiDAR(以Hokuyo URG-04 LX为例,最大距离为5.6m)下的映射误差降低了85.5%。
2021-06-07 cs.RO
Development of control algorithms for mobile robotics focused on their potential use for FPGA-based robots
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA(国立开放与远程教育大学);UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA(哥伦比亚师范大学)
本文研究移动机器人控制算法在FPGA上的实现与优化,涵盖PID和深度学习等方法,提升导航与避障性能,并指出标准化评估需求,为自主性改进提供方向。
2024-03-14 cs.AR cs.RO
Mobile Node Localization via Pareto Optimization: Algorithm and Fundamental Performance Limitations
University of Perugia(佩鲁贾大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
网络节点的位置的准确估计是必要的,例如,在定位、地理路由和车辆网络中。不幸的是,基于测距或基于速度和角度测量的典型定位技术固有地受到限制。为了克服特定定位技术的局限性,多个和异构传感器信息的融合是一个有吸引力的策略。在本文中,我们研究了移动节点的位置的多个测量的线性融合的基本性能,并提出了一种新的分布式递归位置估计器。的Cramér-Rao下界的参数和后验的情况下进行了研究。该估计器结合了来自测距,速度和角度测量,这是联合融合的帕累托优化问题的平均值和方差的定位误差同时最小化的信息。该方法的一个突出特点是,它假设一个非常简单的动态模型的移动性,因此它是适用于大量的情况下提供良好的性能。主要的挑战是表征所需的统计信息模型的Fisher信息矩阵和帕累托优化问题。所提出的分析验证蒙特卡罗模拟,和性能进行比较,几个卡尔曼滤波器,通常用于定位和传感器融合。仿真结果表明,在不对运动模型作任何假设的情况下,该估计器的性能优于传统的基于扩展卡尔曼滤波器的估计器。在这种情况下,通过所提出的方法实现了更好的性能,但是以增加的计算复杂性为代价。
2015-03-10 cs.IT cs.RO math.IT
An Integrated Approach to Goal Selection in Mobile Robot Exploration
Czech Institute of Informatics, Robotics, and Cybernetics(捷克信息学、机器人学与控制论研究所);Czech Technical University in Prague(捷克布拉格技术大学)
研究了移动机器人在未知二维环境中的自主导航问题,以尽可能有效地探索环境。我们假设一个地面移动机器人配备了测距传感器,具有有限的范围和360度的视野。探索过程的关键部分被制定为d-Watchman路线问题,它包括两个耦合的任务-候选目标生成和通过目标的子集找到最佳路径-这是解决在每个探索步骤。后者已被定义为广义旅行商问题的一个受约束的变种,并使用进化算法解决。提出了一种基于间接表示和最近邻构造过程的进化算法来解决该问题。在这种进化算法中进化的个体并不直接编码问题的解决方案。相反,它们表示构造可行解的指令序列。有效地产生可行的解决方案时,通常会出现传统的进化算法约束优化问题的问题,消除这种方式。在三张地图上的模拟环境中对拟议的探索框架进行了评估,并将探索整个环境所需的时间与最先进的探索方法进行了比较。实验结果表明,我们的方法优于比较的环境中的低密度的障碍物高达12.5%,而它是在办公室一样的环境中最多4.5%略差。该框架还被部署在一个真正的机器人上,以证明所提出的解决方案与真正的硬件的适用性。
2020-07-20 cs.RO
eNavi: Event-based Imitation Policies for Low-Light Indoor Mobile Robot Navigation
本文提出eNavi,通过结合RGB和事件数据的多模态策略提升低光环境下机器人导航的鲁棒性,实验显示融合模型在未见低光条件下表现更优。
2026-03-15 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
Robust Recognition of Simultaneous Speech By a Mobile Robot
CSIRO ICT Centre(澳大利亚联邦科学与工业研究组织信息与通信技术中心);Université de Sherbrooke(舍布鲁克大学);Kyoto University(京都大学);HONDA Research Institute Japan Co., Ltd(本田日本研究所)
本文介绍了一个系统,使移动机器人的能力,执行自动语音识别与同时发言人。麦克风阵列与几何声源分离的实时实现和后滤波器一起使用,该后滤波器进一步减少了来自其他源的干扰。后置滤波器还用于估计光谱特征的可靠性并计算缺失特征掩模。该掩模用于基于缺失特征理论的语音识别系统中,以在人形机器人的背景下识别来自同时日语说话者的语音。识别率为三个同时扬声器位于2米的机器人。该系统进行了评估,在不同的方位角之间的来源,从10到90度的200字的词汇。与单独使用麦克风阵列声源分离相比,我们证明了后滤波器的相对识别出错率平均降低了24%,而当缺失特征方法与后滤波器相结合时,相对识别错误率平均降低了42%。我们证明了我们的多源麦克风阵列后置滤波器的有效性和改进,它提供了与丢失的功能理论结合使用时。
2016-02-20 cs.RO cs.SD
Behavioral Repertoires for Soft Tensegrity Robots
Union College(联合学院)
移动软体机器人在从城市搜索和救援到行星探索等领域提供了引人注目的应用。软机器人控制的一个关键挑战是,软材料施加的非线性动力学往往会导致复杂的行为是违反直觉的,难以建模或预测。因此,移动软体机器人的大多数行为都是通过经验试错和手动调整发现的。第二个挑战是,软材料很难以高保真度进行模拟,这导致在尝试发现或优化新行为时存在显著的现实差距。在这项工作中,我们采用了质量多样性算法运行模型上的物理软张拉整体机器人,自主生成的行为剧目没有先验知识的机器人动力学,和最小的人为干预。由此产生的行为剧目显示了独特的机车步态的多样性,适用于各种任务。这些结果有助于提供一个路线图,通过现实世界的自动化增加移动软体机器人的行为能力。
2020-11-25 cs.AI cs.RO
Implementation of Augmented Reality in Autonomous Warehouses: Challenges and Opportunities
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
带有移动式货架搬运机器人的自动仓库开始变得普遍,亚马逊的Kiva和瑞仕格的CarryPick等系统已经在功能仓库中实施。然而,这样的仓库仍然需要人工干预来进行物体拾取和维护。在欧洲项目SafeLog中,我们正在开发一种安全背心,用于移动机器人的安全关键测距和停止,一种改进的规划器,可以处理大量的异构代理以及AR交互系统,以在这种自动化环境中导航和支持人类工作人员。在这里,我们介绍了AR交互模式,即在撰写本文时开发的导航,AR拾取和一般系统交互,以及整体系统概念和计划的未来工作。
2018-06-01 cs.HC cs.RO
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
Robust Fusion of LiDAR and Wide-Angle Camera Data for Autonomous Mobile Robots
Institute for Digital Technologies, Loughborough University(拉夫堡大学数字技术研究所)
协助人类完成日常生活任务的自主机器人正变得越来越受欢迎。自主移动机器人通过感知和感知周围环境来做出准确的驾驶决策。利用几种不同传感器的组合,例如LiDAR、雷达、超声波传感器和相机,来感测自动驾驶车辆的周围环境。这些异构传感器同时捕获环境的各种物理属性。这种多模态和冗余感测需要积极利用可靠和一致的感知环境通过传感器数据融合。然而,这些多模态传感器数据流在许多方面彼此不同,例如时间和空间分辨率、数据格式和几何对齐。对于后续的感知算法,利用多模态传感提供的多样性,数据流需要在空间上,几何上和时间上彼此对齐。在本文中,我们解决的问题,融合输出的光探测和测距(LiDAR)扫描仪和广角单目图像传感器的自由空间探测。LiDAR扫描仪和图像传感器的输出具有不同的空间分辨率,并且需要彼此对准。一个几何模型是用来空间对齐的两个传感器的输出,然后由高斯过程(GP)的回归为基础的分辨率匹配算法来插值缺失的数据与量化的不确定性。结果表明,所提出的传感器数据融合框架显着帮助后续的感知步骤,如不确定性感知的自由空间检测算法的性能改善所示
2018-08-23 cs.CV cs.RO
Integration of UWB Radar on Mobile Robots for Continuous Obstacle and Environment Mapping
Department of Information Technology, Ghent University - imec - IDLab(信息科技系,根特大学 - imec - IDLab)
本文提出了一种基于UWB雷达的移动机器人环境建图方法,通过三步处理流程实现高精度障碍物检测,适用于无视觉特征和无固定锚点的未知环境。
2026-03-03 cs.RO
Enhancing Continuous Control of Mobile Robots for End-to-End Visual Active Tracking
University of Perugia(佩鲁贾大学)
在过去的几十年里,视觉目标跟踪一直是机器人研究界的主要研究兴趣之一。深度学习技术的最新进展使视觉跟踪方法的开发在从汽车到监控和人类辅助的各种应用中变得有效和可行。然而,大多数现有的工作仅仅集中在被动视觉跟踪上,即,通过假设不能采取任何动作来使摄像机位置适应被跟踪实体的运动来跟踪图像序列中的元素。相反,在这项工作中,我们解决视觉主动跟踪,其中跟踪器必须主动搜索和跟踪一个指定的目标。当前最先进的方法使用深度强化学习(DRL)技术来以端到端的方式解决问题。然而,出现了两个主要问题:i)大多数贡献仅关注离散动作空间,而考虑连续控制的贡献没有达到相同的性能水平; ii)如果没有适当调整,DRL模型可能具有训练的挑战性,导致学习进度相当缓慢,最终性能较差。为了解决这些挑战,我们提出了一种新的基于DRL的视觉主动跟踪系统,提供连续的行动政策。为了加速训练和提高整体性能,我们引入了额外的目标函数和启发式轨迹生成器(HTG)来促进学习。通过大量的实验,我们证明了我们的方法可以达到并超过其他最先进的方法的性能,并证明,即使只在模拟中训练,它也可以成功地在真实场景中进行视觉主动跟踪。
2020-09-28 cs.RO
PoseINN: Realtime Visual-based Pose Regression and Localization with Invertible Neural Networks
University of Pennsylvania(宾夕法尼亚大学)
针对视觉自体位姿估计中SOTA模型计算成本高的问题,提出基于可逆神经网络和normalizing flows的PoseINN,利用低分辨率合成数据学习图像隐空间与位姿映射,在保持精度的同时提升训练速度并提供不确定性估计,且已在移动机器人上完成实时部署验证。
2024-05-07 cs.CV cs.RO
RobotIQ: Empowering Mobile Robots with Human-Level Planning for Real-World Execution
Democritus University of Thrace(德谟克利特色雷斯大学);The Centre for Research & Technology Hellas(希腊研究与技术中心)
本文提出基于ROS架构的RobotIQ框架,通过大型语言模型实现自然语言交互,赋予移动机器人人类级规划能力,支持多任务推理与跨环境知识迁移,经家庭服务场景验证有效并开源。
2025-02-18 cs.RO cs.SY eess.SY
Crowdsourcing Ubiquitous Indoor Localization with Non-Cooperative Wi-Fi Ranging
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出PeepLoc,一种仅依赖现有Wi-Fi设备和基础设施的室内定位方案,通过非合作ToF测距与基于PDR和众包的锚点引导机制,在4栋校园建筑中实现平均3.41米、中位3.06米的定位精度,优于现有室内系统并媲美室外GPS。
2025-07-05 cs.HC cs.NI cs.RO
Design of Outdoor Autonomous Moble Robot
National Sun Yat-Sen University(国立中山大学)
本研究设计一个六轮户外自主式移动机器人。我们的机器人的主要设计目标是增加其在户外移动时的适应性和灵活性。这个六轮机器人平台配备了一些传感器,如全球定位系统(GPS),高清(HD)网络摄像头,光探测和测距(LiDAR)和旋转编码器。采用个人移动计算机和86Duino ONE单片机作为算法计算平台。在控制方面,使用差分GPS或摄像机来检测结构化和非结构化道路边界,以计算机器人的横向偏移和头部角度偏移。横向偏移和头部角度偏移被馈送到模糊控制器。控制输入通过左右轮转速差的Q学习来设计。这使得机器人跟踪参考路线,以便它可以留在自己的车道上。2D LiDAR还用于测量与前方障碍物的相对距离。当机器人与障碍物之间的距离小于特定的安全距离时,机器人会立即停止以避免碰撞。一个定制设计的摇臂使机器人能够爬上一个低台阶。当机器人改变位姿时,通过控制摇臂的角度来保持身体平衡。自主移动机器人已被用于我们的校园道路上的交付服务,通过集成上述系统功能。
2022-01-29 cs.RO cs.SY eess.SY
Smart Prism with Tilt Compensation for CAN bus on Mobile Machinery Using Robotic Total Stations
Technical University of Munich, Germany(慕尼黑技术大学);Munich Institute of Robotics(慕尼黑机器人与机器智能研究所)
本文提出一种具备倾斜补偿的智能棱镜,通过IMU实现动态环境下高精度参考轨迹验证。
2026-02-27 cs.RO cs.SY eess.SY
Self-Organizing Edge Computing Distribution Framework for Visual SLAM
Tampere university(坦佩雷大学)
针对资源受限移动机器人运行SLAM的算力瓶颈及传统客户端-服务器边缘辅助方案的故障敏感问题,提出一种三层结构、设备无关、抗网络故障的自组织分布式边缘辅助SLAM框架,基于单目ORB SLAM3验证其在协同执行下精度与资源利用率与单体方案相当。
2025-01-15 cs.CV cs.DC cs.RO
RaGNNarok: A Light-Weight Graph Neural Network for Enhancing Radar Point Clouds on Unmanned Ground Vehicles
Department of Electrical and Computer Engineering, Duke University(电气与计算机工程系,杜克大学)
针对低成本室内移动机器人中毫米波雷达点云稀疏、噪声和误检测问题,本文提出轻量级图神经网络框架RaGNNarok,在Raspberry Pi 5上仅需7.3毫秒推理时间即可实时增强雷达点云,并在定位、SLAM和自主导航任务中验证了其可靠性和泛化能力。
2025-07-01 cs.AR cs.CV cs.LG