Advancing Trajectory Optimization with Approximate Inference: Exploration, Covariance Control and Adaptive Risk
Technische Universität Darmstadt（达姆施塔特工业大学）
离散时间随机最优控制对于一般非线性系统仍然是一个具有挑战性的问题，实际的求解器通常依赖于确定性等价假设，重新规划和/或广泛的正则化。控制作为推理是一种将随机控制框架为等价推理问题的方法，并且已经证明了现有方法的理想品质，即在探索和正则化方面。我们专门着眼于输入推理控制（I2C）算法，并得出三个关键特性，使先进的轨迹优化：一个“专家”的线性高斯控制器，结合了开环优化和闭环方差减少的好处时，优化非线性系统，固有的自适应风险灵敏度的推理制定，和协方差控制功能，只有一个小的算法调整。
2021-03-10 cs.LG cs.RO cs.SY
Non-Gaussian Chance-Constrained Trajectory Planning for Autonomous Vehicles under Agent Uncertainty
Massachusetts Institute of Technology（麻省理工学院）
智能体行为可以说是自动驾驶车辆轨迹规划中最大的不确定性来源。这个问题激发了大量的工作，在行为预测社区学习丰富的分布的未来状态和行动的代理。然而，目前大多数关于代理或障碍物不确定性下的机会约束轨迹规划的工作要么假设高斯不确定性或线性约束，这是有限的，要么需要采样，这在计算上难以编码在优化问题中。在本文中，我们通过提出一种由具有潜在非高斯分量的多项式和混合模型定义的上限机会约束的方法来扩展最新技术水平。我们的方法实现了它的通用性，通过使用统计矩的分布在浓度不等式的上限约束违反的概率。通过这种方法，基于优化的轨迹规划器可以规划相对于代表智能体未来位置预测的广泛分布的机会约束的轨迹。在实验中，我们表明，由此产生的优化问题可以解决与国家的最先进的非线性规划求解器计划轨迹足够快，在线使用。
2020-07-15 cs.RO cs.SY eess.SY
Estimation-Aware Trajectory Optimization with Set-Valued Measurement Uncertainties
Department of Aeronautics and Astronautics（航空与航天系）；University of Washington（华盛顿大学）
针对状态依赖的集值测量不确定性，提出基于优化的估计感知轨迹生成框架，利用凹的集值可观测性测度和输出正则性进行规划，并通过视觉估计与非合作卫星交会示例验证有效性。
2025-05-10 cs.RO cs.SY eess.SY
Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction
Stanford University（斯坦福大学）；Toyota Research Institute（丰田研究所）
提出了一种基于风险敏感随机最优控制的在线安全人群-机器人交互框架，其中风险由熵风险度量建模。基于采样的模型预测控制依赖于模式插入梯度优化的风险措施，以及Trajectron++，一个国家的最先进的生成模型，产生多模式的概率轨迹预测多个相互作用的代理。我们的模块化方法将人群-机器人交互集成到基于学习的预测和基于模型的控制中，这与端到端的策略学习方法相比是有利的，因为它允许机器人在运行时间指定所需的行为。特别是，我们表明，机器人表现出不同的相互作用行为，通过改变风险敏感度参数。仿真研究和真实世界的实验表明，所提出的在线框架可以实现安全和高效的导航，同时避免与场景中超过50人的碰撞。
2020-09-12 cs.AI cs.LG cs.RO
Risk-Aware World Modeling with Flow-Guided Occupancy Evolution for Selective Trajectory Planning in Automated Driving
RWTH Aachen University（亚琛工业大学）；Monash University（莫纳什大学）；Technical University of Munich (TUM)（慕尼黑工业大学）
RiskWorld通过流引导占用演化融合风险场与视觉特征，实现共享占用预测和选择性轨迹替换，在3秒视界上取得最低碰撞率，并以11.5 FPS高效运行。
2026-09-17 cs.AI cs.ET cs.LG
Chance-Constrained Trajectory Planning with Multimodal Environmental Uncertainty
University of British Columbia（不列颠哥伦比亚大学）；Seoul National University（首尔大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
本文针对GMM多模态环境不确定性下的安全轨迹规划，提出混合整数锥近似和CVaR方法，并在自动驾驶数据上验证了其有效性。
2025-03-09 cs.RO cs.SY eess.SY
RALTPER: A Risk-Aware Local Trajectory Planner for Complex Environment with Gaussian Uncertainty
Southeast University（东南大学）
本研究针对高斯不确定性复杂环境下的自动驾驶车辆，提出风险感知局部轨迹规划器RALTPER，通过结合概率风险评估与非线性优化实现避碰，经多场景仿真验证其在狭窄区域等场景下的规划安全性与效率更优。
2024-08-11 cs.RO
Robust Trajectory Optimization over Uncertain Terrain with Stochastic Complementarity
Georgia Institute of Technology（佐治亚理工学院）
具有丰富接触行为的轨迹优化最近因在没有预先指定的地面接触序列的情况下产生不同的运动行为而受到关注。然而，这些方法依赖于机器人动力学和地形的精确模型，并且容易受到不确定性的影响。最近的工作试图处理系统模型中的不确定性，但很少有研究接触动力学中的不确定性。本文在接触隐式轨迹优化的框架下，对地形的不确定性进行建模，并设计相应的风险敏感目标。特别是，我们参数化的不确定性，从地形接触距离和摩擦系数使用概率分布，并提出了相应的预期剩余最小化成本的设计方法。我们评估我们的方法在三个简单的机器人的例子，包括腿跳跃机器人，我们基准我们的例子在模拟对一个强大的最坏情况下的解决方案。我们表明，我们的风险敏感的方法产生接触厌恶的轨迹，是强大的地形扰动。此外，我们证明了所产生的轨迹收敛到由传统的，非鲁棒的方法所产生的地形模型变得更加确定。我们的研究标志着一个完全强大的，接触隐式的方法，适合部署机器人在现实世界的地形上迈出了重要的一步。
2020-09-25 cs.RO cs.SY eess.SY
Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment
本文提出由径向基函数网络指导的运动规划框架，结合RBFN候选轨迹生成、碰撞概率评估与轨迹优化，在城市驾驶场景中提升风险感知并减少车辆限制违规，确保安全与可解释性。
2026-07-30 cs.RO
Representing the Unknown - Impact of Uncertainty on the Interaction between Decision Making and Trajectory Generation
Institute of Control Engineering（控制工程研究所）
本文探讨了不确定性对自动驾驶车辆运动规划问题参数和环境模型要求的影响，强调了决策制定与轨迹生成之间明确接口的重要性。
2018-08-07 cs.RO cs.SY eess.SY
Trajectory Optimization of Chance-Constrained Nonlinear Stochastic Systems for Motion Planning Under Uncertainty
California Institute of Technology（加州理工学院）；Jet Propulsion Laboratory（喷气推进实验室）
我们介绍gPC-SCP：基于广义多项式混沌序列凸规划计算连续时间机会约束随机非线性最优控制（SNOC）问题的次优解。该方法使机器人系统的运动规划的不确定性。gPC-SCP方法包括两个步骤。第一步是利用gPC展开和机会约束的分布鲁棒凸子集，推导出具有凸约束的\emph{deterministic}非线性最优控制（DNOC）的代理问题。第二步是使用序列凸规划来求解DNOC问题，以用于轨迹生成和控制。我们证明了在无约束的情况下，DNOC的最优值渐近收敛到SNOC的最优值，并且约束DNOC的任何可行解都是机会约束SNOC的可行解。我们还提出了预测-校正扩展（gPC-SCP $^\mathrm{PC}$）的实时运动轨迹生成随机不确定性的存在。在gPC-SCP $^\mathrm{PC}$方法中，我们首先使用gPC方法预测不确定性，然后优化运动计划以适应不确定性。我们经验性地证明了gPC-SCP和gPC-SCP $^\mathrm{PC}$方法对于以下两个测试用例的有效性：1）在致动和物理参数的不确定性下的碰撞检查和2）3DOF和6DOF机器人系统的随机障碍物模型的碰撞检查。在三自由度机器人航天器试验平台上验证了gPC-SCP方法的有效性。
2022-03-26 cs.AI cs.RO cs.SY
A Risk-aware Spatial-temporal Trajectory Planning Framework for Autonomous Vehicles Using QP-MPC and Dynamic Hazard Fields
School of Engineering, University of Glasgow（格拉斯哥大学工程学院）；School of Engineering, Cardiff University（卡迪夫大学工程学院）
针对自动驾驶轨迹规划现有方法计算成本高、动态环境性能不稳等问题，提出融合动态危险场的QP-MPC框架，通过时空协同规划与多目标优化，在多场景下实现了优于基准方法的效率、稳定性与舒适性。
2025-08-31 cs.RO cs.SY eess.SY
Cooperative Trajectory Planning in Uncertain Environments with Monte Carlo Tree Search and Risk Metrics
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
自动驾驶汽车需要与人类合作的能力，以顺利融入当今的交通。虽然合作的概念是众所周知的，开发一个强大的和有效的合作轨迹规划方法仍然是一个挑战。这一挑战的一个方面是由于传感器精度有限而导致的环境状态的不确定性。这种不确定性可以用部分可观测马尔可夫决策过程来表示。我们的工作解决了这个问题，通过扩展现有的合作轨迹规划方法的基础上连续动作空间的蒙特卡罗树搜索。它通过以根信念状态的形式显式地建模不确定性来实现这一点，从根信念状态开始对树的开始状态进行采样。在用蒙特卡罗树搜索构造树之后，使用核回归将它们的结果聚合成收益分布。我们应用两个风险指标进行最终选择，即置信下限和条件风险值。可以证明，在最终选择策略中集成风险度量在不确定的环境中始终优于基线，从而生成相当安全的轨迹。
2022-11-12 cs.AI cs.MA cs.RO
From Cues to Horizons: Dynamic Risk Horizon Profiling for Trajectory Prediction
Department of Civil and Urban Engineering, New York University（纽约大学土木与城市工程系）；Department of Civil Engineering Technology and Environmental Management Safety, Rochester Institute of Technology（罗切斯特理工学院土木工程技术与环境安全管理系）
提出风险视界剖面（RHP）模块，通过连续可学习的势场模型对未来风险分布进行建模，以提升轨迹预测的准确性，在highD和SHRP2数据集上分别降低5秒RMSE 25.0%和5秒minFDE 29.1%。
2026-05-30 cs.AI cs.RO
Trajectory Optimization Under Stochastic Dynamics Leveraging Maximum Mean Discrepancy
University of Tartu（塔尔图大学）
本文研究随机动力学下风险感知导航的基于采样的轨迹优化问题，提出一种利用RKHS和MMD将大规模扰动展开统计信息蒸馏至小样本集的算法及碰撞风险代理，在低样本量下生成比CVaR基线更安全的轨迹。
2025-04-10 cs.RO
Trajectory Planning Under Stochastic and Bounded Sensing Uncertainties Using Reachability Analysis
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
不确定环境下的轨迹规划是一个非常活跃的研究课题。以前的工作预测状态和状态估计不确定性沿轨迹检查碰撞安全。他们假设随机或有界的传感不确定性。然而，GNSS伪距通常被建模为在城市环境中包含具有附加偏差的随机不确定性。因此，给定偏差的界限，规划者需要考虑随机和有界的传感不确定性。在我们以前的工作中，我们提出了一个可达性分析，预测状态和状态估计的不确定性下的随机和有界的不确定性。然而，我们忽略了这些不确定性之间的相关性，导致状态不确定性的不完美近似。在本文中，我们通过预测状态不确定性作为独立量的函数来改进我们的可达性分析。我们设计了一个度量的预测不确定性比较候选轨迹在规划过程中。最后，对基于GNSS的固定翼无人机城市导航规划器进行了验证。
2020-12-17 cs.RO
Chance-Constrained Trajectory Optimization for High-DOF Robots in Uncertain Environments
Massachusetts Institute of Technology（麻省理工学院）
机器人技术的许多实际应用需要系统能够在不确定性的情况下安全运行。在运动规划的背景下，两种类型的不确定性是特别重要的规划安全的机器人轨迹时。第一个是环境不确定性-附近障碍物位置的不确定性，源于传感器噪声或（在障碍物未来位置的情况下）预测误差。第二类不确定性是机器人自身状态的不确定性，通常由跟踪或估计误差引起。为了实现高水平的安全性，机器人有必要考虑这两个不确定性来源。在本文中，我们提出了一种风险有界的轨迹优化算法，称为具有风险优化的顺序凸优化（SCORA），以解决机会约束的运动规划问题，尽管存在环境不确定性和跟踪误差。通过模拟实验，我们证明了SCORA显着优于国家的最先进的风险意识的运动规划者在规划时间和所产生的轨迹的安全。
2023-01-31 cs.RO
CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction
University of Connecticut（康涅狄格大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
本文提出 CUQDS 框架，结合学习型高斯过程回归与统计型共形 P 控制，在分布偏移下对现有轨迹预测模型进行在线不确定性量化，并同时提升预测精度、降低估计不确定性。
2025-02-04 cs.LG cs.RO
Let's Make a Splan: Risk-Aware Trajectory Optimization in a Normalized Gaussian Splat
University of Michigan（密歇根大学）
本文提出SPLANNING，一种在高斯溅射模型中通过严格碰撞概率上界和归一化重表述实现风险感知轨迹优化的方法，在杂乱环境中优于现有技术，并已在真实机器人上验证。
2025-04-25 cs.RO
Distribution-Free Risk-Aware Planning and Control Under Uncertainty Using Conformal Spectral Risk Control
Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系）
提出一种免分布的风险感知模型预测控制框架，通过扩展共形风险控制到谱风险度量，生成预测集以在不确定性下保证风险低于用户指定阈值，并在车辆避障仿真中验证了安全性和效率提升。
2026-06-02 cs.RO
CorrRisk-WM: Corridor-Conditioned Risk World Modeling for Safety-Critical Trajectory Planning
Texas A&M University（德克萨斯A&M大学）
本文提出CorrRisk-WM，一种面向规划的局部世界模型，通过耦合环境演化与候选走廊监督预测，在Waymo数据集上实现高精度入侵与近失风险预测，并降低开环碰撞率。
2026-09-17 cs.RO
SURE: Safe Uncertainty-Aware Robot-Environment Interaction using Trajectory Optimization
Technical University of Munich (TUM)（慕尼黑技术大学）；New York University (NYU)（纽约大学）；Carnegie Mellon University (CMU)（卡内基梅隆大学）
提出SURE框架，通过分支轨迹处理接触时间不确定性，在轨迹优化中实现鲁棒性，在推车杆平衡和机器人抓蛋任务中分别提升21.6%和40%的成功率。
2026-06-23 cs.RO
An Ethical Trajectory Planning Algorithm for Autonomous Vehicles
Institute of Automotive Technology, Technical University of Munich（慕尼黑工业大学汽车技术研究所）；Institute for Ethics in Artificial Intelligence, Technical University of Munich（慕尼黑工业大学人工智能伦理研究所）
随着人工智能和自动化的兴起，道德决策正在被交给以前属于人类的算法。在自动驾驶中，各种具有道德影响的决策是由行为和轨迹规划算法做出的。因此，我们提出了一个道德的轨迹规划算法的框架，旨在道路使用者之间的风险公平分配。我们的实施结合了五个基本的道德原则：最大限度地降低整体风险，优先考虑最差的人，平等对待人，责任和最大可接受的风险。据作者所知，这是第一个符合欧盟委员会专家组20条建议的自动驾驶汽车轨迹规划道德算法，并普遍适用于各种交通情况。我们展示了我们的算法在选定的场景中的道德行为，并提供了2000个场景中的道德原则的实证分析。本研究中使用的代码可作为开源软件获得。
2022-12-16 cs.CY cs.RO
LaPlaSS: Latent Space Planning for Stochastic Systems
Massachusetts Institute of Technology（麻省理工学院）
针对动力学模型未知的随机系统智能体的风险有界轨迹规划需求，提出基于VAE潜空间线性动力学的“生成-检验”式LaPlaSS方法，实现高效且风险有界的规划，效率较前沿方法高一个数量级。
2024-04-10 cs.AI cs.RO
Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning
Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系）；Department of Mathematical and Computational Sciences, University of Toronto（多伦多大学数学与计算科学系）
本文提出了一种新的损失函数，通过核密度估计校准高斯轨迹预测器的不确定性，以提高安全规划性能。
2026-07-14 cs.RO
Provably Safe Trajectory Optimization in the Presence of Uncertain Convex Obstacles
Massachusetts Institute of Technology（麻省理工学院）
现实世界的环境本质上是不确定的，为了在这些环境中安全运行，机器人必须能够围绕这种不确定性进行规划。在运动规划的上下文中，我们希望系统能够在机器人移动时保持可接受的安全水平，即使不知道附近障碍物的确切位置。在本文中，我们解决这个机会约束运动规划问题，使用顺序凸优化框架。为了约束碰撞的风险所产生的计划运动，我们采用几何对象称为$ε$ -阴影计算机器人和不确定的障碍物之间的碰撞风险的上限。我们使用这些$ε$阴影为基础的估计约束的非线性轨迹优化问题，然后我们解决迭代线性化的非凸风险约束。这种顺序优化方法可以快速找到完成所需运动的轨迹，同时保持用户指定的碰撞风险限制。我们的方法可以应用于具有任意凸几何形状的机器人和环境;即使在复杂的环境中，它也能在不到一秒的时间内运行，并为规划轨迹的安全性提供可证明的保证，从而实现在现实环境中快速，反应和安全的机器人运动。
2020-03-17 cs.RO
Hilbert Space Embedding-based Trajectory Optimization for Multi-Modal Uncertain Obstacle Trajectory Prediction
IIIT-Hyderabad（海得拉巴国际信息技术学院）；University of Tartu（塔尔图大学）
针对多模态障碍物轨迹预测，提出基于RKHS嵌入的轨迹优化器，通过样本选择和分布匹配实现安全高效规划，并在真实数据上验证改进。
2023-10-12 cs.RO
Hybrid control trajectory optimization under uncertainty
TU Darmstadt（达姆施塔特工业大学）；Aalto University（阿尔托大学）；Carnegie Mellon University（卡内基梅隆大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Lincoln（林肯大学）
轨迹优化是机器人学中的一个基本问题。虽然连续控制轨迹的优化得到了很好的发展，但许多应用需要离散和连续两者，即，混合动力，控制。由于离散控制组合的指数爆炸，找到混合控制的最佳序列是具有挑战性的。我们的方法，基于微分动态规划（DDP），绕过这个问题，将离散行动内DDP：我们首先优化连续的离散行动的混合物，并随后迫使混合物完全离散的行动。此外，我们展示了如何我们的方法可以扩展到部分可观测马尔可夫决策过程（POMDPs）的轨迹规划下的不确定性。我们验证的方法，在汽车驾驶问题中，机器人必须切换离散齿轮和在一个盒子推的应用程序中，机器人可以切换的一方的盒子推。推盒的姿态和摩擦参数最初是未知的，只能间接观察。
2017-03-02 cs.RO
SURESTEP: An Uncertainty-Aware Trajectory Optimization Framework to Enhance Visual Tool Tracking for Robust Surgical Automation
University of California San Diego（加利福尼亚大学圣迭戈分校）
SURESTEP框架通过建模工具跟踪的运动与观测不确定性，并最小化最终工具分布熵的上界来优化轨迹，在dVRK真实缝合针重新抓取任务中显著优于未优化基线，提升了手术自动化的鲁棒性。
2024-03-29 cs.RO
Safe Autonomous Lane Changing: Planning with Dynamic Risk Fields and Time-Varying Convex Space Generation
Waseda University（早稻田大学）；James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）
本文提出基于动态风险场和时间变化凸空间的轨迹规划方法，通过整合风险感知与碰撞避免，实现安全高效的自动驾驶变道。
2026-03-06 cs.HC cs.RO
Mind the Uncertainty: Risk-Aware and Actively Exploring Model-Based Reinforcement Learning
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Tübingen（图宾根大学）
提出一种基于轨迹采样的模型强化学习方法，通过概率安全约束及分离认知与偶然不确定性来平衡乐观与悲观，有效管理风险，在不确定及安全关键的控制环境中表现优异。
2023-09-11 cs.AI cs.LG cs.RO
Fast and Scalable Game-Theoretic Trajectory Planning with Intentional Uncertainties
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科学与技术大学深圳-香港协同创新研究院）
针对多智能体意图不确定性导致博弈论轨迹规划计算负担重、可扩展性差的问题，提出将其建模为贝叶斯博弈并转化为势博弈，利用基于双重共识ADMM的分布式算法并行求解，实现了高效且可扩展的实时交互轨迹规划。
2025-07-16 cs.MA cs.RO
Risk-Aware Rulebooks for Multi-Objective Trajectory Evaluation under Uncertainty
Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学）
本文提出一种考虑风险的正式主义，用于在系统与环境不确定交互下评估轨迹。通过建模轨迹对环境的影响，系统地处理复杂的关系，确保一致性并防止循环偏好。
2026-04-25 cs.RO cs.SY eess.SY
Real-Time Risk-Bounded Tube-Based Trajectory Safety Verification
Computer Science and Artificial Intelligence Laboratory (CSAIL)（计算机科学与人工智能实验室（CSAIL））；Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））
研究了自治系统在不确定时变非线性安全约束条件下的连续时间状态轨迹的实时的【形】风险有界安全验证问题.风险被定义为不满足不确定安全约束的概率。现有的解决不确定性下安全验证问题的方法要么局限于特定类别的不确定性和安全约束，例如，高斯不确定性和线性约束，或者依赖于基于采样的方法。在本文中，我们提供了一个快速的凸算法，有效地评估概率非线性安全约束的存在下，任意的概率分布和长的规划视野在实时的【形】，不需要不确定性样本和时间离散化。所提供的方法验证了给定的状态轨迹及其邻域（管）的安全性，以考虑执行的不确定性和风险。在所提供的方法中，我们首先使用的不确定性的概率分布的时刻转换成一组确定性的安全约束的概率安全约束。然后，我们使用基于平方和多项式的凸方法来验证在整个规划时间范围内获得的确定性安全约束，而无需时间离散化。为了说明所提出的方法的性能，我们将所提供的方法应用于自动驾驶车辆和自主飞行器的安全验证问题。
2021-10-01 cs.RO cs.SY eess.SY
Stabilization and Trajectory Control of a Quadrotor with Uncertain Suspended Load
Colorado School of Mines（科罗拉多矿业学院）；National Renewable Energy Laboratory（国家可再生能源实验室）
本文研究四旋翼搭载不确定悬挂负载时的稳定与轨迹控制问题，通过比较三种控制器性能，发现负载质量不确定性主要影响稳定而非轨迹跟踪，提出关键运动质量概念并验证鲁棒控制器的有效性。
2016-12-13 cs.RO cs.SY eess.SY
Vehicle Trajectory Prediction based Predictive Collision Risk Assessment for Autonomous Driving in Highway Scenarios
本文提出一种基于CSP-GAN-LSTM轨迹预测模型的高速公路自动驾驶碰撞风险评估方法，结合TTC和MDM构建时间连续风险函数，并在公开数据集和仿真中验证了其优于SOTA方法的预测精度与评估有效性。
2023-04-12 cs.RO
QuaDUE-CCM: Interpretable Distributional Reinforcement Learning using Uncertain Contraction Metrics for Precise Quadrotor Trajectory Tracking
Imperial College London（帝国理工学院）
精度和稳定性是四旋翼轨迹跟踪系统的共同要求。设计一个精确和稳定的跟踪控制器仍然具有挑战性，特别是在未知的和动态的环境中，复杂的气动干扰。我们提出了一种基于分位数近似的分布增强不确定性估计（ADDUE），以准确地识别气动干扰的影响，即，真实和估计的控制收缩率之间的不确定性。从收缩理论中获得灵感，并将不确定性的ESDUE整合在一起，我们的新的基于CCM的轨迹跟踪框架精确地跟踪任何可行的参考轨迹，同时保证指数收敛。更重要的是，分布式强化学习的收敛性和训练加速分别从理论上得到了保证和分析。我们还展示了我们的系统在未知的和不同的空气动力。在大空气动力（> 2 m/s^2）下，与经典的数据驱动方法相比，我们的QuaDUE-CCM在跟踪误差方面至少提高了56.6%。与基于RL的分布式方法MANDRED MPC相比，MANDUE CCM在收缩率上至少提高了3倍。
2022-07-15 cs.RO cs.SY eess.SY
Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios
Tsinghua University（清华大学）；Nanyang Technological University（南洋理工大学）
针对现有轨迹预测忽视安全关键场景的问题，本文提出风险感知轨迹预测框架，通过风险融合编码、端点风险意图查询及辅助风险预测任务，在安全关键数据集上显著优于SOTA模型，提升碰撞规避能力。
2024-07-18 cs.AI cs.RO
Intention-based and Risk-Aware Trajectory Prediction for Autonomous Driving in Complex Traffic Scenarios
Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）
针对自动驾驶轨迹预测中认知不确定性与缺乏风险意识的问题，提出融合交互、意图与风险评估模块的轨迹预测模型，在DeepAccident数据集上显著优于现有算法。
2024-09-24 cs.RO
An Integrating Comprehensive Trajectory Prediction with Risk Potential Field Method for Autonomous Driving
Northwestern Polytechnical University（西北工业大学）；Research Center for Intelligent Robotics（智能机器人研究中心）；School of Astronautics（航天学院）；National Key Laboratory of Aerospace Flight Dynamics（航天飞行动力学国家重点实验室）
本文提出TRTP轨迹预测模型与风险势场相结合的方法，将预测不确定性融入MPCC目标函数，在CARLA中验证了兼顾安全与效率的自动驾驶规划性能。
2024-04-01 cs.RO
Risk-aware Trajectory Sampling for Quadrotor Obstacle Avoidance in Dynamic Environments
Shanghai Jiaotong University（上海交通大学）
四旋翼飞行器在动态环境中的避障问题仍然是一个非常开放的问题。目前的工作通常利用传统的静态地图来表示静态障碍物和运动目标的检测和跟踪（DATMO）的方法来建模动态障碍物分开。检测模块需要预先训练，动态障碍物只能建模为特定形状，如圆柱或椭球。本文利用双结构的基于粒子（DSP）的动态占有地图同时表示任意形状的静态障碍物和动态障碍物，并提出一种有效的基于风险感知采样的局部轨迹规划器，实现在此地图上的安全飞行。通过对状态空间中生成的运动基元进行采样来规划轨迹。每个运动基元分为两个阶段：具有严格风险限制的短期阶段和旨在避免高风险区域的相对长期阶段。风险评估与预测的颗粒形式的未来占用状态，考虑时间维度。该规划器通过对任意全局轨迹的拆分和合并，也可用于具有预先规划的全局轨迹的任务。对比实验表明，由DSP地图和我们的规划器组成的避障系统在动态环境中的性能最好。在现实测试中，我们的四旋翼在运动捕捉系统下达到6 m/s的速度，在低价单板计算机上运行时达到2.5 m/s的速度。
2022-02-15 cs.RO
OmniRisk: Omnidirectional Trajectory-Risk Learning for Agile Quadrotor Dynamic Avoidance
Differential Robotics（微分机器人）；Zhejiang University（浙江大学）
OmniRisk提出全向轨迹风险学习框架，通过离线学习风险场和双分支卷积网络预测，实现四旋翼在高速动态障碍物环境中的高效机载避障，无需在线累积风险。
2026-09-22 cs.RO
Multi-vessel Interaction-Aware Trajectory Prediction and Collision Risk Assessment
Faculty of Computer Science, Dalhousie University, Halifax, Canada（计算机科学学院，达尔豪斯大学，加拿大哈利法克斯）；Computer Science Department, University of São Paulo, São Carlos, Brazil（计算机科学系，圣保罗大学，巴西萨昂卡尔）
本文提出基于 transformer 的多 vessel 轨迹预测框架，结合碰撞风险分析，提升海上态势感知与安全决策
2025-09-01 cs.AI cs.LG cs.RO
Risk-aware Trajectory Prediction by Incorporating Spatio-temporal Traffic Interaction Analysis
Oxford University（牛津大学）
提出一种风险感知轨迹预测方法，通过分析数据中高风险交互的位置和速度进行重新加权训练，提升高风险情境下的预测性能。
2024-07-15 cs.AI cs.CV cs.RO
Adaptive Prescribed Performance Trajectory Tracking for Uncertain Autonomous Underwater Vehicles With Input Saturation
Robotics Institute, Athena Research Center（雅典娜研究中心机器人研究所）；University of Patras（帕特雷大学）；University of Thessaly（塞萨利大学）
针对不确定自主水下航行器的输入饱和问题，提出低复杂度自适应规定性能控制器，经仿真和水池实验验证，可在输入限制下保持轨迹跟踪的规定性能，实现稳定跟踪。
2026-10-16 cs.RO cs.SY eess.SY
Wasserstein Distributionally Robust Chance Constrained Trajectory Optimization for Mobile Robots within Uncertain Safe Corridor
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；School of Data Science, City University of Hong Kong（香港城市大学数据科学学院）
针对基于安全走廊的轨迹优化未考虑感知不确定性的问题，提出分布鲁棒安全走廊约束并集成到Bernstein基多项式轨迹优化框架中，证明其等价于凸二次规划，提升了不确定环境下的导航安全性，并通过微型UAV和Unitree A1验证。
2023-08-31 cs.RO
Trajectory Adaptive Prediction for Moving Objects in Uncertain Environment
University of South China（南华大学）
现有的轨迹预测方法难以准确描述复杂不确定环境下的运动目标轨迹。针对这一问题，提出了一种动态环境下基于变分高斯混合模型的运动目标自适应轨迹预测方法。首先，在传统混合高斯模型的基础上，在模型训练过程中，采用近似变分贝叶斯推理方法对混合高斯分布进行处理。其次，采用变分贝叶斯期望最大化迭代学习模型参数，并利用先验信息得到更精确的预测模型。最后，对于输入轨迹，采用参数自适应选择算法自动调整参数组合。实验结果表明，ESATP方法在实验中表现出较高的预测精度，并保持了较高的时间效率。该模型可应用于移动车辆定位产品中。
2022-12-13 cs.NI cs.RO
Collision Risk Quantification and Conflict Resolution in Trajectory Tracking for Acceleration-Actuated Multi-Robot Systems
Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳））；Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies（广东省新型安全智能技术重点实验室）；Southern University of Science and Technology（南方科技大学）；University of Oulu（奥卢大学）
针对大规模加速度驱动多机器人系统，本文提出同步避障与轨迹跟踪方法，并通过辅助速度及预防近零速度的决策机制实现非保守、安全高效的死锁消解。
2025-01-07 cs.RO
SwarmDiff: Swarm Robotic Trajectory Planning in Cluttered Environments via Diffusion Transformer
Department of Advanced Manufacturing and Robotics, College of Engineering, Peking University（先进制造与机器人系，工程学院，北京大学）；Department of Computer Science, The University of Hong Kong（计算机科学系，香港大学）
针对杂乱环境中群体机器人轨迹规划的效率、扩展性与安全挑战，提出分层生成框架SwarmDiff，结合PDF建模、条件扩散、CVaR和DiT实现高效安全的轨迹规划，性能优于现有方法。
2025-05-21 cs.MA cs.RO
GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates
University of Illinois at Chicago (UIC)（伊利诺伊大学芝加哥分校）
提出轨迹一致的不确定性估计方法GroundControl，通过卡尔曼滤波建模距离变化并结合轨迹特征，有效预测导航失败，在选择性风险-覆盖评估中优于基线。
2026-06-19 cs.RO
Uncertainty-Aware Diffusion Model for Multimodal Highway Trajectory Prediction via DDIM Sampling
本文提出cVMDx模型，通过DDIM采样提升效率和鲁棒性，实现高效多模态轨迹预测并增强不确定性估计能力。
2026-02-24 cs.CV cs.LG cs.RO
