Fast and Agile Vision-Based Flight with Teleoperation and Collision Avoidance on a Multirotor
Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人研究所）
我们提出了一种多旋翼体系结构，能够在非结构化，GPS拒绝的环境中进行积极的自主飞行和无碰撞的遥操作。该系统通过整合视觉惯性状态估计和遥操作的最新进展，使攻击性和安全的自主飞行杂波周围。我们的遥操作框架映射到平滑和动态可行的运动原语的用户输入。通过查询从面向前方的深度观测增量构建的局部一致地图来确保无碰撞轨迹。我们的系统使非专业操作员能够以10 m/s的速度安全地驾驶多旋翼机绕过障碍物。我们在一系列室外实地实验中实现了速度超过12 m/s、加速度超过12 m/s^2的自主飞行，验证了我们的方法。
2019-05-31 cs.RO
Iterative Convex Optimization with Control Barrier Functions for Obstacle Avoidance among Polytopes
Boston University（波士顿大学）；University of Maryland（马里兰大学）
针对多面体机器人与障碍物的避碰问题，提出一种迭代凸MPC-DCBF框架，通过精确最近点计算导出支撑超平面构建线性DCBF约束，实现快速在线安全控制。
2026-06-23 cs.RO
A Novel Optimization-Based Collision Avoidance For Autonomous On-Orbit Assembly
针对基于优化的在轨组装运动规划中避碰约束非凸不可微的难题，提出利用凸优化生成可微非保守避碰约束的技术，经狭窄场景验证可生成最优轨迹，且可推广至通用避碰运动规划。
2024-04-15 cs.RO cs.SY eess.SY
Whole-Body Planning for Humanoids Navigating Confined Spaces via Self-Collision Avoidance References
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出三阶段全身规划框架，结合可微分自碰撞规避与可达性约束，在Unitree G1人形机器人上实现Cr<1.5的受限空间导航，生成复杂接触轨迹并训练出鲁棒在线跟踪策略。
2026-08-12 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
Where Should I Look? Optimised Gaze Control for Whole-Body Collision Avoidance in Dynamic Environments
Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
随着机器人在日益复杂和动态的环境中运行，快速运动重新规划已成为一个广泛探索的研究领域。在现实世界的部署中，我们通常缺乏随时全面观察环境的能力，这就带来了在不断更新的运动计划下确定如何最好地感知环境的挑战。我们提供了第一次调查到一个“智能”控制器的视线控制，提供有效的感知环境中的障碍物规避和运动规划在动态和未知的环境。我们详细介绍了新的问题，确定最佳的头部摄像头的行为时，移动机器人的轨迹约束。此外，我们提出了一个贪婪的基于优化的解决方案，使用体素化的奖励和运动原语的组合。我们证明了我们的方法在2D和3D环境中优于基准方法，在探索局部环境的能力方面，以及在寻找无碰撞轨迹的卓越成功率方面-我们的方法显示出提供7.4倍更好的地图探索，同时始终实现更高的成功率生成无碰撞轨迹。我们使用GPU加速感知框架验证了我们在物理丰田人类支持机器人（HSR）上的研究结果。
2022-02-05 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 Neural Policy for Occlusion-Aware Target Tracking
针对杂乱动态环境下目标跟踪的遮挡与碰撞风险问题，提出结合CVAE生成建模与可微优化层的端到端概率神经策略，在遮挡/碰撞规避、计算时间上优于现有SOTA，可在资源受限硬件上实时运行。
2024-06-20 cs.RO
Geometry-Aware Control Barrier Functions for Collision Avoidance via Bernstein Polynomial Approximations
GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）；Department of Computer Science, University of Illinois Chicago（伊利诺伊大学芝加哥分校计算机科学系）；Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系）
提出一种基于Bernstein多项式符号距离场的几何感知控制障碍函数，统一表示障碍物与机器人，利用多项式可微性实现闭环控制约束，保证单机器人和异构多机器人碰撞避免的安全性与效率。
2026-10-16 cs.RO cs.SY eess.SY
Differentiable Collision Detection for a Set of Convex Primitives
Carnegie Mellon University（卡内基梅隆大学）；Stanford University（斯坦福大学）
针对现有碰撞检测不可微限制梯度优化的问题，提出完全可微的 DCOL 框架，通过将碰撞检测表述为凸优化问题，求解凸基元相交前的最小均匀缩放，返回检测指标与接触点，并在轨迹优化等机器人问题中验证了有效性。
2023-05-18 cs.RO
Control Barrier Functions for Collision Avoidance Between Strongly Convex Regions
UC Berkeley（加州大学伯克利分校）；Tsinghua-Berkeley Shenzhen Institute (TBSI)（清华-伯克利深圳学院）
本文提出基于强凸映射的状态依赖凸集最小距离控制障碍函数方法，利用KKT解ODE快速更新距离导数，并通过二次规划实现无过度近似的实时碰撞避免。
2025-02-04 cs.RO cs.SY eess.SY
A Learning-Based Control Barrier Function for Car-Like Robots: Toward Less Conservative Collision Avoidance
RWTH Aachen University（亚琛工业大学）
本文提出一种基于学习的控制屏障函数，通过神经网络近似考虑机器人朝向和形状的不可微安全裕度，并引入相对动力学概念，在类车机器人碰撞避免中显著降低保守性。
2025-11-09 cs.MA cs.RO cs.SY
Optimization-Based Collision Avoidance
Model Predictive Control Laboratory, Department of Mechanical Engineering, University of California, Berkeley, USA（加州大学伯克利分校机械工程系模型预测控制实验室）；Automatic Control Laboratory, Department of Information Technology and Electrical Engineering, ETH Zurich, Switzerland（苏黎世联邦理工学院信息科技与电气工程系自动控制实验室）
本文提出一种将非光滑避障约束转化为光滑非线性约束的方法，利用凸优化的强对偶性。该方法适用于在n维空间中移动的受控物体，能处理一般障碍物和可表示为有限凸集并集的受控物体，并结合了传统轨迹生成算法中常用的有号距离概念。
2018-06-10 cs.RO cs.SY eess.SY
A Differentiable Signed Distance Representation for Continuous Collision Avoidance in Optimization-Based Motion Planning
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出了一套新的条件，以准确地表示碰撞避免的约束条件内的优化为基础的运动规划算法。这些条件是连续可微的，因此适合与标准非线性优化求解器一起使用。该方法表示凸形状使用的支持函数表示，因此是相当普遍的。对于涉及多面体或椭球形状的碰撞避免，所提出的方法引入了更少的变量和约束比现有的方法。此外，所提出的方法可以用来严格地确保连续的碰撞避免作为车辆之间的离散姿态之间的转换所确定的运动规划算法。数值例子表明，这可以用来防止切角和通过障碍物时可能发生的碰撞避免只在离散的时间步长执行的问题。
2023-02-20 cs.RO cs.SY eess.SY
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
A Temporal Barrier Framework for Collision Avoidance in Multi-Agent Autonomous Aerial Vehicles
Massachusetts Institute of Technology（麻省理工学院）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
该研究针对多自主飞行器避障问题，提出对抗性碰撞时间嵌入控制屏障函数的aTTC-CBF方法，经仿真验证其在提升航路点推进速度的同时降低了碰撞率。
2026-08-17 cs.RO cs.SY eess.SY
Constrained Probabilistic Movement Primitives for Robot Trajectory Adaptation
Volkswagen Machine Learning Research Lab（大众机器学习研究实验室）
将机器人置于受控条件之外需要多功能的运动表示，使机器人能够学习新任务并使其适应环境变化。在工作空间中引入障碍物或放置额外的机器人，由于故障或运动范围限制而修改关节范围是适应能力对于安全执行机器人任务起关键作用的典型情况。概率运动基元（ProMPs）已被提出用于表示适应性运动技能，其被建模为轨迹上的高斯分布。这些都是易于分析的，可以从少量的演示中学习。然而，原始ProMP公式和随后的方法都仅提供特定运动适应问题的解决方案，例如，障碍避免和一个通用的，统一的，概率的适应方法是缺失的。在本文中，我们开发了一个通用的概率框架，以适应ProMP。我们统一了以前的适应技术，例如，各种类型的避障，通过点，相互回避，在一个单一的框架，并结合它们来解决复杂的机器人问题。此外，我们得到新的适应技术，如时间上未绑定的通过点和相互回避。我们制定适应作为一个受约束的优化问题，我们最大限度地减少Kullback-Leibler分歧之间的适应分布和原始原始的分布，而我们约束的概率质量与不希望的轨迹是低的。我们在模拟平面机器人手臂和双机器人手臂设置中的7自由度Franka-Emika机器人上展示了我们解决几个自适应问题的方法。
2022-01-05 cs.RO
Learning-Based Measurement-Robust Control Barrier Functions for Obstacle Avoidance under State Estimation Error
Massachusetts Institute of Technology（麻省理工学院）
本文针对状态估计误差下避障的安全控制问题，提出DMR-CBF与NMR-CBF两种新型CBF，经理论分析、数值实验与Unitree Go2部署验证，其在保障安全性的同时降低了保守性与计算成本。
2026-08-24 cs.RO cs.SY eess.SY
GJK-CBF: Control Barrier Functions for Convex Rigid Body Collision Avoidance on SE(3)
University of Maryland（马里兰大学）；Boston University（波士顿大学）；Nanyang Technological University（南洋理工大学）
本文提出GJK-CBF，利用GJK算法获取见证对并直接构造梯度，无需可微优化，实现SE(3)上凸刚体的高效碰撞避免，并在多机器人交换、狭缝导航及机械臂场景中验证了其无碰撞性和低保守性。
2026-10-06 cs.RO cs.SY eess.SY
Zero-Shot Metric Depth Estimation via Monocular Visual-Inertial Rescaling for Autonomous Aerial Navigation
Robotics Institute, School of Computer Science, Carnegie Mellon University（机器人研究所、计算机科学学院、卡内基梅隆大学）
本文提出利用视觉惯性导航系统生成的稀疏3D特征图，通过轻量级零样本重缩放策略（最佳为单调样条拟合）将单目相对深度转换为度量深度，在计算受限的四旋翼上实现15Hz机载估计并成功用于碰撞避免。
2025-09-09 cs.AI cs.RO
U-OBCA: Uncertainty-Aware Optimization-Based Collision Avoidance via Wasserstein Distributionally Robust Chance Constraints
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（自动化与智能感知学院，上海交通大学）；Institute of Medical Robotics, Shanghai Jiao Tong University（医学机器人研究所，上海交通大学）；Key Laboratory of System Control and Information Processing, Ministry of Education of China（教育部系统控制与信息处理重点实验室）；Shanghai Engineering Research Center of Intelligent Control and Management, Shanghai（智能控制与管理上海工程研究中心）
U-OBCA通过引入Wasserstein分布鲁棒机会约束，提升机器人在狭窄环境中的导航效率和轨迹规划的保守性
2026-03-05 cs.RO cs.SY eess.SY
Differentiable Motion Manifold Primitives for Reactive Motion Generation under Kinodynamic Constraints
Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院）
针对高维系统运动动力学约束下的实时运动生成问题，提出DMMP神经网络，通过离线学习约束满足轨迹流形并在线快速搜索，实现连续可微轨迹生成，且在7自由度机械臂动态投掷中性能优于既有方法。
2025-07-24 cs.AI cs.RO
Whole-Body Control for Velocity-Controlled Mobile Collaborative Robots Using Coupling Dynamic Movement Primitives
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)（深圳人工智能与机器人研究院（AIRS））；Harbin Institute of Technology（哈尔滨工业大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
在本文中，我们提出了一个统一的全身控制框架速度控制移动协作机器人，可以分配任务运动到手臂和移动基地根据特定的任务要求，通过调整加权因子。我们的框架侧重于解决全身协调中的两个挑战性问题：1）移动基座和手臂的不同动态特性; 2）避免违反安全和配置约束。此外，我们的控制器还包括耦合动态运动基元，以实现协作和交互应用的基本功能，例如避障、人工教学和合规控制。在此基础上，我们设计了一个自适应的运动模式，直观的物理人机交互，通过调整的权重因子。所提出的控制器是在封闭的形式，因此相当计算效率。在一个实际的移动协作机器人上进行的几个典型的实验验证了所提出的控制器的有效性。
2022-11-06 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
Obstacle Avoidance using Dynamic Movement Primitives and Reinforcement Learning
Institute of Industrial and Control Engineering, Universitat Politècnica de Catalunya（工业与控制工程研究所，巴塞罗那理工大学）；Department of Computer Science, University of Innsbruck（计算机科学系，因斯布鲁克大学）；Roboception GmbH（Roboception公司）
本文提出一种从单个人工示范出发，结合动态运动基元与策略强化学习生成多样化轨迹数据，并训练神经网络实现快速避障规划的方法，在仿真和真实实验中优于RRT-Connect基线。
2025-10-10 cs.AI cs.RO
Single-Level Differentiable Contact Simulation
Stanford University（斯坦福大学）；Google（谷歌）
我们提出了一个可微的制定刚体接触动力学的对象和机器人表示为组成的凸图元。现有的基于优化的方法模拟凸图元之间的接触依赖于一个双层配方，分离碰撞检测和接触模拟。这些方法在现实的接触模拟场景中是不可靠的，因为隔离碰撞检测问题会引入接触位置的非唯一性。我们的方法结合接触模拟和碰撞检测到一个统一的单级优化问题。这以物理信息的方式消除了冲突检测问题的歧义。与以前的微分模拟方法相比，我们的配方功能提高了模拟的鲁棒性和计算复杂性减少了一个数量级以上。我们说明了接触和碰撞微分的机器人操作任务，需要通过接触优化。我们提供了一个数值上有效的实现我们的配方在朱莉娅语言称为Silico.jl。
2023-01-03 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
Automated Process Planning for Hybrid Manufacturing
Palo Alto Research Center (PARC)（帕洛阿尔托研究中心）
混合制造（HM）技术结合了增材制造和减材制造（AM/SM）能力，利用AM在制造复杂几何形状方面的优势以及SM的精度和质量来生产成品零件。我们提出了一个系统的方法来自动化的计算机辅助工艺规划（CAPP）HM，可以识别非平凡的，定性不同的，成本最优的AM/SM模式的组合。多模态HM工艺计划由AM和SM制造基元的有限布尔表达式表示，使得该表达式评估为“如制造的”工件。我们表明，尊重空间约束，如可访问性和避免碰撞的原语可以通过解决逆配置空间问题的“设计”的工件和制造工具。基元生成有限布尔代数（FBA），其枚举用于规划的整个搜索空间。FBA的规范交集项（即，“原子”）提供完整的域分解，以将可制造性分析和工艺规划重新构建为纯粹的符号推理，一旦发现原子的子集与设计目标可互换。该方法将单峰（全AM或全SM）工艺规划作为特殊情况。我们证明了我们的框架的实用潜力和计算效率时，应用到复杂的3D零件的过程规划有显着不同的AM和SM仪器。
2018-05-18 cs.AI cs.CG cs.GR
Differentiable Compliant Contact Primitives for Estimation and Model Predictive Control
Fraunhofer IPK（弗劳恩霍夫生产设备与设计技术研究所）；DGIST（大邱庆北科学技术院）；Politecnico di Milano（米兰理工大学）；Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达莱莫勒人工智能研究所（IDSIA））；Scuola Universitaria Professionale della Svizzera Italiana (SUPSI)（瑞士意大利语区应用科学大学（SUPSI））；Università della Svizzera Italiana (USI)（瑞士意大利语区大学（USI））
针对富接触操作控制需已知先验接触几何与动力学的问题，提出可微分柔顺接触基元框架，支持在线估计接触模型，可应用于参数拟合、状态估计与MPC，经机器人验证有效。
2023-10-07 cs.RO
JPPD: Joint Prediction_Planning Diffusion with Differentiable Safety Guidance for Dynamic Obstacle Avoidance in Intelligent Transportation Systems
The University of Hong Kong（香港大学）；Guangzhou College of Commerce（广州商学院）
提出联合预测-规划扩散框架，将参与者预测与机器人规划视为条件轨迹生成问题，通过可微安全势引导和条件流匹配提升共享空间中的安全性与效率。
2026-06-23 cs.AI cs.RO
Differentiable Task Assignment and Motion Planning
ETH（苏黎世联邦理工学院）；University of Haifa（海法大学）
针对传统 TAMP 依赖显式任务原语导致离散切换的问题，本文提出完全可微方法，将动作隐式编码为非线性优化解，并在多机器人抓取放置仿真中验证其有效性。
2023-09-26 cs.RO
Collaborative motion planning for multi-manipulator systems through Reinforcement Learning and Dynamic Movement Primitives
Department of Mechanical & Aerospace Engineering, University of Virginia（机械与航空航天工程系，弗吉尼亚大学）
针对多机械臂协作任务中碰撞避免与状态空间复杂性问题，提出结合强化学习与动态运动基元的多层次方法，利用演示库生成自适应实时轨迹，并在PyBullet仿真中验证其有效性。
2025-03-05 cs.RO
Simple but Stable, Fast and Safe: Achieve End-to-end Control by High-Fidelity Differentiable Simulation
Shanghai Jiao Tong University（上海交通大学）；Kunshan Duke University（昆山杜克大学）
本文提出一种端到端策略，通过可微模拟直接将深度图像映射为低级身体速率指令，提升四旋翼飞行器的避障能力与稳定性。
2026-04-16 cs.RO
On-line collision avoidance for collaborative robot manipulators by adjusting off-line generated paths: An industrial use case
University of Coimbra（科英布拉大学）；Arts et Métiers（法国国立高等工程技术学院）
人机碰撞避免是协作机器人和工业4.0框架中的关键。它对于实现安全标准，同时使人类和机器在非结构化和时变环境中并肩工作起着重要作用。本研究将机械手的在线碰撞避免引入到一个实际的工业应用中，该应用实现了典型的传感器和常用的协作工业机械手KUKA iiwa。在所提出的方法中，人类的同事和机器人表示的几何图元（胶囊）。当人/障碍物在附近时，使用假设的排斥和吸引向量的概念，计算它们之间的最小距离和相对速度。通过耦合这一概念与机器人的运动学的数学表示，实现了具有碰撞避免能力的任务级控制。因此，离线生成的工业任务的标称路径在运行中被修改，使得机器人能够安全地避免与同事碰撞，同时能够完成工业操作。为了保证在不同任务之间切换时的运动连续性，引入了排斥向量整形的概念。在汽车工业装配机器人单元上的试验表明，通过调整离线生成的标称路径，机器人运动平稳，成功避免了碰撞。
2019-09-11 cs.RO
Smoothly Differentiable and Efficiently Vectorizable Contact Manifold Generation
University of Tübingen（图宾根大学）；Idiap Research Institute（Idiap研究机构）；EPFL（瑞士联邦理工学院）
本文提出了一种高效且可微的接触流形生成框架，通过平衡凸原形方法与障碍方法，实现高效且光滑的接触模拟。
2026-02-23 cs.RO
Decoupling Collision Avoidance in and for Optimal Control using Least-Squares Support Vector Machines
Department of Mechanical Engineering, Faculty of Engineering Science, KU Leuven（机械工程系，工程科学学院，比利时鲁汶大学）
本研究针对最优控制中的非凸避碰约束问题，提出将分离超平面定理转化为分类问题的双层算法，实现约束线性化，显著提升了拥挤环境下的运动规划计算效率。
2025-05-16 cs.RO math.OC
Non-differentiable Reward Optimization for Diffusion-based Autonomous Motion Planning
Department of Mechanical Engineering, KAIST（韩国科学技术院机械工程系）；Department of Electrical Engineering and Computer Science, DGIST（韩国科学技术院电子工程与计算机科学系）
本文针对扩散运动规划模型难以直接优化安全性和有效性等非可微目标的问题，提出基于强化学习的训练方案，并设计奖励加权动态阈值算法，在CrowdNav和ETH-UCY等行人数据集上取得了优于现有方法的安全有效运动规划性能。
2025-07-17 cs.RO
Constrained Differentiable Policy Learning for Safe Quadrotor Navigation
National University of Singapore（新加坡国立大学）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）
本文提出一种面向安全四旋翼无人机导航的约束可微分策略学习方法，通过原始-对偶梯度下降-上升法结合有界 clearance 约束函数与 LME 聚合，实现安全与性能的平衡，策略可零样本迁移至实体四旋翼。
2026-10-14 cs.RO
CSSDF-Net: Safe Motion Planning Based on Neural Implicit Representations of Configuration Space Distance Field
IRMV Lab, Department of Automation, Shanghai Jiao Tong University（IRMV实验室，自动化系，上海交通大学）
本文提出CSSDF-Net，通过学习配置空间中的连续签名距离场，实现统一的安全性几何概念，结合安全约束轨迹优化和递推预测控制，支持零样本泛化和高效避障。
2026-03-19 cs.RO
Constrained Dynamic Movement Primitives for Safe Learning of Motor Skills
Brown University（布朗大学）；Mitsubishi Electric Research Labs（三菱电机研究实验室）
动态运动基元被广泛用于学习技能，这些技能可以由熟练的人或控制器向机器人演示。虽然它们的泛化能力和简单的公式使它们非常有吸引力，但它们没有强有力的保证来满足任务的操作安全约束。在本文中，我们提出了受约束的动态运动基元（C），它可以让约束满足的机器人工作空间。我们提出了一个非线性优化的配方，扰动的局部加权回归回归的强制权，承认归零障碍函数（ZBF），这证明工作空间约束满足。我们证明了建议的Cynomial在不同的约束下的末端执行器的运动，如避障和工作空间的物理机器人的限制。一个视频显示了在不同环境中使用不同的操纵器实现所提出的算法，可以在这里找到https://youtu.be/hJegJJkJfys。
2022-09-28 cs.AI cs.RO
Differentiable Composite Neural Signed Distance Fields for Robot Navigation in Dynamic Indoor Environments
Purdue University（普渡大学）
提出一种基于神经SDF的组合框架，通过双模式轨迹优化流程结合机器人本体SDF与场景SDF，在动态室内环境中实现高效导航，成功率较基线提升14.4%。
2025-03-06 cs.RO
Seeing Through Pixel Motion: Learning Obstacle Avoidance from Optical Flow with One Camera
Shanghai Jiao Tong University（上海交通大学）
提出一种基于单目光流的端到端四旋翼避障系统，利用可微分模拟器、中心流注意力和主动感知策略，在仿真和真实环境中实现高达6米/秒的敏捷鲁棒飞行。
2025-04-19 cs.RO
pdSTL: Probabilistic Differentiable Signal Temporal Logic for Stochastic Systems
Oklahoma State University（俄克拉荷马州立大学）
提出pdSTL框架，将概率语义与可微鲁棒性结合，通过区间值概率语义和LSTM式展开实现线性时间可微监控，在障碍物规避、换道和真实四旋翼飞行实验中优于确定性可微STL。
2026-06-19 cs.RO cs.SY eess.SY
Efficient Collision-Avoidance Constraints for Ellipsoidal Obstacles in Optimal Control: Application to Path-Following MPC and UAVs
Institute of Engineering and Computational Mechanics, University of Stuttgart（工程与计算力学研究所，斯图加特大学）；Chair of Systems Modeling and Simulation, Saarland University（系统建模与仿真教授团，萨尔兰大学）；Department of Mechanical Engineering, LUT University（机械工程系，卢霍斯大学）
针对无人机三维避障需求，提出含高效连续可微椭球碰撞检测条件与两阶段优化的模块化最优控制框架，应用于路径跟踪MPC，经仿真和Crazyflie实物实验验证，为同类MPC首次无人机三维硬件验证。
2025-10-30 cs.RO cs.SY eess.SY
Learning Sampling Distribution and Safety Filter for Autonomous Driving with VQ-VAE and Differentiable Optimization
University of Tartu（塔尔图大学）
本文提出利用 VQ-VAE 学习多模态轨迹采样分布，并结合可微优化安全过滤器进行轨迹修正，在密集交通场景中显著降低了碰撞率且保持了行驶速度竞争力。
2024-04-25 cs.RO
Efficient optimization-based trajectory planning
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）；Chalmers University of Technology（查尔姆斯理工大学）
本文提出统一的基于优化的轨迹规划框架，利用凸集分离与包含约束处理避碰问题，并在自主泊车和弯道超车中验证了其计算效率优势。
2024-07-07 cs.RO
SoGuDiff: Socially Guided Diffusion for Steerable, Norm-Grounded Robot Navigation
University of Waterloo（滑铁卢大学）；McMaster University（麦克马斯特大学）
提出SoGuDiff扩散导航框架，通过连续风格轴在部署时调谐社会行为，并用可行性投影层分离社会学习与碰撞避免，单轴扫描严格优于固定基线，真实世界演示验证了风格差异。
2026-09-28 cs.RO
Velocity Obstacle for Polytopic Collision Avoidance for Distributed Multi-robot Systems
Zhejiang University（浙江大学）
本文扩展速度障碍原理至多面体形状机器人，提出无需优化的VO构建方法及分布式多机器人导航方法，在完成率、死锁率和平均行驶距离等指标上优于现有方法。
2024-06-10 cs.RO cs.SY eess.SY
Real-Time and Accurate Collision-Free Teleoperation via Differentiable Constraint-Based Trajectory Planning
FZI - Forschungszentrum Informatik（FZI 信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对遥操作中自碰撞与环境碰撞问题，提出基于对偶可微碰撞约束的轨迹规划方法，采用胶囊体与多面体建模，实现更低计算时间和更精确障碍物建模，保证平滑无碰撞遥操作。
2026-06-07 cs.RO cs.SY eess.SY
A Neuromorphic Approach to Obstacle Avoidance in Robot Manipulation
Bonn-Rhein-Sieg University（波恩-莱茵-锡格大学）；University of Groningen（格罗宁根大学）；University of Bonn（波恩大学）
本文提出在机械臂避障中结合事件视觉、卷积SNN与动态运动基元的神经形态方法，实验证明其在仿真和真实场景中均优于非自适应基线。
2024-04-08 cs.LG cs.NE cs.RO
Time-to-Collision Based Dynamic Obstacle Avoidance Using Pretrained Vision Models for Robots in Unstructured Environments
研究非结构化环境中机器人动态避障问题，利用预训练视觉模型UniDepth，通过扩展特征对应管道等计算关键点TTC，实现避障。该方法数据效率高，无需模型训练，在真实数据上评估有较好表现，能在不同障碍物类型中保持可解释和可推广性。
2026-07-10 cs.AI cs.CV cs.RO
Reward Conditioned Neural Movement Primitives for Population Based Variational Policy Optimization
Bogazici University（海峡大学）
本文的目的是在监督学习方法中研究基于奖励的策略探索问题，使机器人能够在具有挑战性的奖励设置和搜索空间中形成复杂的运动轨迹。为此，机器人的经验可以从演示的轨迹中引导，用于训练一个新的基于神经过程的深度网络，该网络从其潜在空间中采样并生成所需的轨迹，给出所需的奖励。我们的框架可以通过从高奖励景观中采样来生成逐步改进的轨迹，逐渐增加奖励。变分推理被用来创建一个随机的潜在空间，以在给定目标奖励的情况下生成轨迹的种群中对不同的轨迹进行采样。我们受益于进化策略，并提出了一种新的交叉操作，这是应用在自组织的潜在空间的个人政策，允许混合的个人，可能会解决不同的因素在奖励功能。使用一些需要连续到达多个点或通过对象之间的间隙的任务，我们表明，与许多最先进的机器人强化学习方法相比，我们的方法提供了稳定的学习进度和显著的样本效率。最后，我们通过实际的机器人执行避障显示我们的方法在现实世界中的适用性。
2020-11-09 cs.AI cs.LG cs.RO
BPMP-Tracker: A Versatile Aerial Target Tracker Using Bernstein Polynomial Motion Primitives
Seoul National University（首尔大学）；Seoul National University of Science and Technology (SEOULTECH)（首尔科学技术大学）；Samsung Research（三星研究院）
本文提出BPMP-Tracker空中目标跟踪器，基于Bernstein多项式运动基元和采样-检查-选择策略，实现复杂环境下多目标跟随的快速轨迹预测与规划，并通过仿真和硬件实验验证其有效性。
2024-08-08 cs.RO cs.SY eess.SY
Sparse Compositional Flow Matching by geometric assembly from motion primitives
Tsinghua Shenzhen Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳研究生院，清华大学，深圳，中国）；School of AI, Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）人工智能学院）
提出一种通过运动基元字典学习和几何约束的稀疏流匹配框架，直接在物理轨迹空间进行组合生成，实现状态最优精度并显著降低FDE/ADE比。
2026-05-22 cs.AI cs.RO
