Spatio-Temporal Transformer-Based Reinforcement Learning for Robot Crowd Navigation
针对社交机器人导航中时空特征利用不足和策略保守的问题,提出基于时空Transformer的强化学习算法,通过门控嵌入和对齐特征,结合自适应熵,降低保守性并提升导航性能。
2023-10-11 cs.RO
Multi-Mobile Robot Localization and Navigation based on Visible Light Positioning
South China University of Technology(华南理工大学)
我们展示了基于可见光定位(VLP)定位的多移动机器人导航。实验结果表明,该方法能够准确地定位机器人的位置。
2022-11-01 cs.RO
STEGNav: Spatio-Temporal Event Graph Reasoning for Multimodal Lifelong Object Navigation
State Key Laboratory of Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);School of Intelligence Science and Technology, Nanjing University(南京大学智能科学与技术学院);School of Artificial Intelligence, Nanjing University(南京大学人工智能学院)
针对现有多模态终身导航方法的局限,本文提出无训练框架STEGNav,通过时空事件图的双轴设计优化导航性能,在多个基准数据集上取得显著效果。
2026-08-31 cs.RO
Spatiotemporal Attention Enhances Lidar-Based Robot Navigation in Dynamic Environments
University of Bonn(波恩大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所)
针对动态室内环境中的低成本机器人导航问题,提出基于二维激光雷达的时空注意力流水线与动态障碍物状态表示,提升泛化性并实现真实机器人部署。
2024-02-28 cs.RO
History-Conditioned Spatio-Temporal Visual Token Pruning for Efficient Vision-Language Navigation
Department of Computer and Information Sciences at the University of Delaware(德克萨斯大学达勒姆分校计算机与信息科学系);University of Maryland’s Department of Computer Science(马里兰大学计算机科学系);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
提出一种无需训练的时空视觉令牌剪枝框架,通过空间令牌选择和时空压缩减少冗余计算,在保持导航精度的同时显著提升推理效率,并在真实机器人上验证了低延迟指令跟随导航。
2026-09-28 cs.RO
Towards navigation without precise localization: Weakly supervised learning of goal-directed navigation cost map
Zhejiang University(浙江大学);The University of Technology, Sydney(悉尼科技大学)
基于精确定位的自主导航在学术研究和实际应用中得到了广泛的发展。对定位精度的高要求对于安全的机器人规划和导航至关重要,同时它使当前的几何解决方案对环境变化的鲁棒性降低。端到端方法的最新研究以导航指令的形式处理原始传感器数据,并直接输出机器人控制命令。然而,中间语义的缺乏使得系统在实际使用中更加僵化和不稳定。为了探索这些问题,本文提出了一种创新的导航框架的基础上,GPS级定位,它采取的原始感知数据与公开访问的导航地图,以产生一个中间的导航成本地图,允许后续灵活的运动规划。在我们的方法中采用了一个确定性的条件对抗网络,以生成不同导航条件下的视觉目标导向路径。对抗性损失避免了像素级注释,并使弱监督训练策略能够隐式地学习图像感知中的交通语义和导航指令中的规划意图。然后,根据目标导向路径和同时收集的激光数据渲染导航成本地图,指示通往目的地的道路。在校园内的一辆实车上进行了综合实验,实验结果验证了所提出的导航系统对定位误差的鲁棒性。
2019-06-06 cs.RO
LiDAR-based Humanoid Navigation in Dynamic, Non-Convex Environments via Spatio-Temporal Safe Corridors
University of Delaware(特拉华大学)
本文提出一种人形机器人实时导航框架,通过激光雷达粒子表示构建时空安全走廊并耦合LIP规划与WBC,在仿真中实现96%的移动非凸障碍物导航成功率,且对干扰具有鲁棒性。
2026-10-14 cs.RO
NaviSTAR: Socially Aware Robot Navigation with Hybrid Spatio-Temporal Graph Transformer and Preference Learning
Purdue University(普渡大学);Beijing University of Chemical Technology(北京化工大学)
提出 NaviSTAR 社会感知导航基准,通过混合时空图 Transformer、偏好学习与离策略强化学习融合人群多模态信息,并在仿真和真实场景中验证其优于现有方法。
2023-09-26 cs.RO
Vision-aided Localization and Navigation Based on Trifocal Tensor
National University of Defense Technology(国防科技大学)
提出了一种基于三焦点张量的视觉辅助导航新方法。所提出的方法的主要目标是提供位置估计GPS拒绝环境中的车辆配备了一个标准的惯性导航系统(INS)和一个单一的相机。我们将三焦点张量作为测量模型,只关心车辆状态,而不估计跟踪地标的位置。所提出的方法的性能证明使用模拟和实验数据。
2016-11-10 cs.RO
SuperMap: A Spatio-Temporal SLAM System for Visual-Language Navigation
The Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
本文提出SuperMap,一种结合几何SLAM与开放词汇感知的4D时空建图框架,用于视觉-语言导航,可稳定维护目标身份,经基准与真实机器人验证后开源。
2026-08-25 cs.RO
Development of an indoor localization and navigation system based on monocular SLAM for mobile robots
Bộ môn Kỹ thuật Robot, Khoa Điện tử - Viễn Thông Trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội(河内国家大学科技大学电子与通信工程学院机器人技术系)
本文提出一种基于单目SLAM的差速驱动机器人室内定位与导航系统,利用ORB_SLAM3提取特征提供位姿,结合A*和DWA进行路径规划,并在Gazebo中验证了其有效性。
2024-11-08 cs.RO
Cooperative UWB-Based Localization for Outdoors Positioning and Navigation of UAVs aided by Ground Robots
University of Turku(图尔库大学)
随着对航空数据的需求不断增加,无人机(UAV)变得越来越普遍。在许多工业应用中,精确的数据汇集所需的精确导航和定位通常依赖于RTK GNSS。这些系统能够达到厘米级精度,需要设置和校准过程,并且相对昂贵。研究了无人机协同定位的精确定位与导航问题。安装在无人机和支持地面机器人上的廉价超宽带(UWB)收发器可以实现厘米级的相对定位。该系统具有快速部署和广泛的设置灵活性,能够适应不同的环境,也可以在拒绝GNSS的环境中使用。通过广泛的模拟和测试场,我们评估了系统的准确性,并将其与多路径传输降低准确性的城市环境中的GNSS进行比较。为了完整性,我们在实验中包括视觉惯性测距和比较的性能与UWB为基础的合作定位。
2021-04-01 cs.RO
FORTE: Forecasting Occupancy for Spatiotemporal Risk-Aware Planning in Dynamic Environments
Ewha Womans University(梨花女子大学)
FORTE提出一种利用时空占用重叠与方向性的导航框架,结合潜在扩散模型实现非自回归OGM预测,无需目标检测即可规划,显著提升预测与导航性能。
2026-10-01 cs.RO
Cataglyphis ant navigation strategies solve the global localization problem in robots with binary sensors
Institute for Robotics and Cognitive Systems, University of Luebeck(吕贝克大学机器人与认知系统研究所)
低成本机器人,如真空吸尘器或割草机,采用简单的,往往是随机的导航策略。虽然存在大量复杂的定位和规划方法,但它们需要额外的传感器,如激光雷达传感器,相机或飞行时间传感器。在这项工作中,我们提出了一种全球定位方法,生物灵感来自简单的昆虫,如蚂蚁Cataglyphis,能够从遥远的地方返回到它在沙漠中的巢穴,没有任何或有限的感知线索。与Cataglyphis一样,我们定位方法的基本思想是首先使用陆地导航仅从亲视知觉传感器计算姿态估计,然后通过在粒子滤波器中进行系统搜索来改进估计,该粒子滤波器集成了罕见的视觉反馈。在多个环境中的模拟实验中,我们证明了这种生物启发的原则可以用来计算准确的姿态估计从二进制视觉线索。这种智能定位策略可以提高任何传感能力有限的机器人的性能,例如家用机器人或玩具。
2019-08-13 cs.RO
Autonomous Urban Localization and Navigation with Limited Information
Cornell University(康奈尔大学)
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差,全球定位信息(例如GPS信号)可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据,对该数据进行大量的后处理以获得地图,然后随着环境的变化而在地图上保持更新。本文通过研究算法和架构来解决城市环境中的自动驾驶问题,从而在有限的信息下实现全功能自动驾驶。开发了一种在很少或不依赖先验地图或GPS的情况下自主导航城市道路的算法。定位是用一个扩展的卡尔曼滤波器与里程计,罗盘,和稀疏的地标测量更新。导航是由基于罗盘的导航控制律。蒙特卡洛研究的关键结果显示了不同环境条件下城市导航的成功率。实验验证了模拟结果,并表明,对于给定的测试条件下,可以找到一个预期的范围内给定的成功率。
2018-10-09 cs.RO
SignLoc: Robust Localization using Navigation Signs and Public Maps
Smart Systems Institute, National University of Singapore(新加坡国立大学智能系统研究所);Northeastern University(东北大学)
提出 SignLoc 全局定位方法,通过导航标志与楼层平面图、OSM 图匹配,在无预先传感器建图的情况下实现鲁棒拓扑-语义定位。
2025-08-29 cs.RO
Robust Distributed Control within a Curve Virtual Tube for a Robotic Swarm under Self-Localization Drift and Precise Relative Navigation
Beihang University(北京航空航天大学)
本文针对机器人集群在曲线虚拟管内移动时存在自定位漂移和精确相对导航的条件,引入集群算法减少漂移影响,提出包含五个控制项的改进向量场控制器,并通过仿真和实验验证了方法的有效性。
2022-05-27 cs.RO
Low-level Active Visual Navigation: Increasing robustness of vision-based localization using potential fields
Instituto Superior Técnico(里斯本高等理工学院);Universidade de Lisboa(里斯本大学)
针对移动机器人视觉定位问题,提出了一种低层视觉导航算法。该算法基于人工势场,将当前图像帧中的每个特征与有吸引力或中性势能相关联,其目的是生成将车辆朝向目标驱动的控制动作,同时仍然有利于局部范围内的特征丰富区域,从而提高定位性能。所提出的方法的一个关键特性是,它不依赖于映射,因此它是一个轻量级的解决方案,可以部署在小型化的空中机器人,其中内存和计算能力是主要的限制。仿真和实际的实验结果表明,该方法可以有效地驱动车辆到指定的目标,通过路径,防止定位失败。
2018-03-23 cs.RO
Technology Report : Robotic Localization and Navigation System for Visible Light Positioning and SLAM
The Hong Kong University of Science and Technology(香港科技大学)
可见光定位(VLP)技术是一种很有前途的技术,因为它可以基于现有的照明基础设施提供高精度定位。然而,现有的方法通常需要密集的照明分布。此外,由于复杂的室内环境,开发鲁棒的VLP仍然具有挑战性。在这项工作中,我们提出了松散耦合的多传感器融合方法的基础上VLP和同时定位与地图构建(SLAM),与光探测和测距(LiDAR),里程计,和卷帘快门相机。我们的方法可以提供准确和强大的机器人定位和导航LED短缺,甚至停电的情况。大量的实时实验验证了该方案的有效性。实验结果表明,该算法的平均精度为2 cm,在低成本嵌入式平台上的平均计算时间为50 ms。
2021-09-03 cs.RO
Offline Vision-Language Navigation with Geometric Goal Localization for Outdoor Environments
研究针对户外环境下的离线视觉语言导航,通过对17个可边缘部署的SLM与4个在线API进行基准测试,提出轻量级混合语义几何目标定位框架并集成到Edge-BehAV中,提升了性能,降低目标距离误差,实现无网络连接下的有效导航。
2026-07-27 cs.RO
Multi Sensor Fusion for Navigation and Mapping in Autonomous Vehicles: Accurate Localization in Urban Environments
University of Turku(图尔库大学)
来自多个传感器的数据的组合,也称为传感器融合或数据融合,是自主机器人设计中的一个关键方面。特别是,能够适应传感器融合技术的算法能够提高准确性,并且对单个传感器的故障更具弹性。自主导航、地图绘制和定位算法的发展在过去二十年中取得了巨大进步。尽管如此,在开发强大的解决方案以在密集的城市环境中进行准确定位方面仍然存在挑战,在密集的城市环境中发生所谓的最后一英里交付。在这些场景中,局部运动估计与实时数据与详细的预构建地图的匹配相结合。在本文中,我们利用收集的数据与自主交付机器人比较不同的传感器融合技术和评估的算法提供最高的精度取决于环境。本文分析和提出的技术利用3D激光雷达数据、惯性数据、GNSS数据和车轮编码器读数。我们展示了激光雷达扫描匹配与其他传感器数据相结合,可以用来提高机器人定位的准确性,因此,它的导航。此外,我们提出了一种策略,以减少对导航性能的影响时,在环境中的变化,使地图数据无效或部分可用的地图被损坏。
2021-03-25 cs.RO
SparseLoc: Sparse Open-Set Landmark-based Global Localization for Autonomous Navigation
IIIT Hyderabad(海得拉巴国际信息技术学院);The University of Texas, Austin(德克萨斯大学奥斯汀分校);MIT(麻省理工学院);Ati Motors
本文提出SparseLoc框架,利用视觉-语言基础模型零样本构建稀疏语义-拓扑度量地图,并结合延迟优化的Monte Carlo定位,以极低点云开销实现高精度全局定位。
2025-07-28 cs.RO
Factor-Graph-Based Passive Acoustic Navigation for Decentralized Cooperative Localization Using Bearing Elevation Depth Difference
Brigham Young University
针对水下多智能体定位难题,提出融合方位、仰角、深度差的因子图协同定位框架,经HoloOcean仿真验证精度优于航位推算,同时指出需引入鲁棒异常值剔除技术提升声信号定位可靠性。
2025-06-17 cs.RO
GLST: Global-Local Spatio-Temporal Memory Decomposition Framework for Online Chained-Goal Navigation
Stanford University(斯坦福大学);University of California, Berkeley(加利福尼亚大学伯克利分校);NVIDIA(英伟达公司)
针对在线链式目标导航的记忆需求冲突问题,提出GLST记忆分解框架,结合目标条件奖励平衡探索与利用,经仿真和真实机器人实验验证性能优于基线方法。
2026-10-14 cs.AI cs.RO
STRNet: Visual Navigation with Spatio-Temporal Representation through Dynamic Graph Aggregation
Sun Yat-sen University(中山大学);Insta360 Research(Insta360 研究院);Wuhan University(武汉大学)
本文提出一种统一的时空表示框架,通过融合图像序列和目标观测,提升机器人导航的视觉编码能力,改进导航性能并提供通用的视觉骨干网络。
2026-04-03 cs.CV cs.RO
USS-Nav: Unified Spatio-Semantic Scene Graph for Lightweight UAV Zero-Shot Object Navigation
School of Aeronautic Science and Engineering, Beihang University, Beijing 100191, China(北京航空航天大学航空科学与工程学院);State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou 310027, China(浙江大学工业控制技术状态重点实验室);Differential Robotics, Hangzhou 311121, China(杭州差分机器人)
USS-Nav通过构建一体化空间语义场景图,实现轻量级无人机在未知环境中的高效零样本物体导航,提升计算效率和实时更新能力。
2026-02-03 cs.RO
VL-MemKnG: Hybrid Memory with a Spatio-Temporal Knowledge Graph for Question Answering over Long Egocentric Navigation Trajectories
Mobile Robotics Laboratory, Artificial Intelligence Center(移动机器人实验室,人工智能中心);Skoltech(斯科尔科沃科学技术学院);Intelligent Multimodal Vision Analysis Group, Department of Engineering, Universitat Pompeu Fabra(智能多模态视觉分析组,工程系,庞培法布拉大学);Independent Researcher(独立研究员)
提出VL-MemKnG混合记忆框架,结合时空知识图谱与片段级上下文记忆,通过混合检索推理模块提升长程自我中心视频导航问答的准确性和效率。
2026-06-17 cs.RO
A Robust and Rapidly Deployable Waypoint Navigation Architecture for Long-Duration Operations in GPS-Denied Environments
Stevens Institute of Technology(史蒂文斯理工学院)
针对GPS拒止环境下多批次作业的定位误差累积问题,提出结合公开软件包的多批次航点导航架构,实现数小时内从建图到自主导航的快速部署。
2023-08-10 cs.RO
A Localization and Navigation Method for an In-pipe Robot in Water Distribution System through Wireless Control towards Long-Distance Inspection
Texas A&M University(德克萨斯A&M大学)
在本文中,我们提出了一个操作程序,我们以前开发的管道机器人系统,用于水质监测在供水系统(WDS)。所提出的操作程序是一个开发的无线通信系统,适用于土壤,水和岩石的恶劣环境与多相控制算法。新的无线控制算法有利于智能导航和近实时的无线数据传输过程中,我们在管道机器人在白龙会的操作。智能导航使机器人能够通过不同配置的管道,具有长时间检查能力,其中电池安装在机器人上。为此,我们将操作过程分为五个步骤,分配一个特定的运动控制阶段和无线通信任务的机器人。我们在本文中描述了每个步骤和与该步骤相关的算法。建议的机器人系统定义的配置类型在每个管道与预编程的管道地图,是给机器人之前的操作和无线通信系统。无线通信系统包括在操作过程中执行双向通信的一些中继节点。开发的无线机器人系统以及操作程序有助于机器人在BDS中进行远程检查的定位和导航。
2021-05-21 cs.RO
LIDAR-based Stabilization, Navigation and Localization for UAVs Operating in Dark Indoor Environments
Faculty of Electrical Engineering, Czech Technical University in Prague(捷克技术大学电气工程学院)
无人机在封闭环境中的自主操作需要精确和可靠的姿态估计,该姿态估计可以在不使用外部定位系统(例如GNSS)的情况下稳定无人机。在这项工作中,我们关注的是估计的姿态从激光扫描产生的廉价和轻便的激光雷达。我们提出了一个定位系统的轻量级(下200克)激光雷达传感器在任意环境中,其他方法失败的高可靠性。所提出的方法的一般性质允许在广泛的应用中部署。此外,不同类型的环境之间的无缝转换是可能的。LIDAR定位的优点是它对不良照明具有鲁棒性,这对于在黑暗的室内环境中以及在室内和室外环境之间过渡的情况下基于相机的解决方案来说通常是具有挑战性的。我们的方法允许在照明不足的室内位置(如历史建筑和仓库)以及在紧凑的室外环境(如森林)中执行任务,其中基于视觉的方法由于场景的对比度大而失败,并且由于空间有限而无法部署大型装备精良的无人机。
2023-02-03 cs.RO
Visual SLAM-based Localization and Navigation for Service Robots: The Pepper Case
Universidad de Chile(智利大学);Advanced Mining Technology Center(先进采矿技术中心);Delft University of Technology(代尔夫特理工大学)
提出了一种基于Visual-SLAM的服务机器人定位导航系统。我们的系统是建立在ORB-SLAM单目系统的顶部,但通过在估计过程中加入车轮里程计来扩展。作为一个案例研究,所提出的系统进行了验证,使用胡椒机器人,其短程激光雷达和RGB-D相机不允许机器人在大环境中进行自定位。定位系统在两种不同的环境中使用Pepper进行导航任务测试:中型实验室和大型大厅。
2018-11-20 cs.CV cs.RO
Sparse Image based Navigation Architecture to Mitigate the need of precise Localization in Mobile Robots
Addverb Technologies(Addverb科技公司)
传统的同时定位与地图构建(SLAM)方法主要研究在环境和传感器不确定性条件下机器人的定位问题。然而,本文的重点是减轻需要精确定位的移动机器人追求自主导航使用稀疏的图像集。所提出的方法包括一个模型架构- RoomNet,无监督学习,导致在一个粗略的识别环境和一个单独的本地导航政策,本地识别和导航。前者学习和预测场景的基础上看到的机器人的短期图像序列,以及使用长期图像序列的过渡图像场景。后者使用稀疏图像匹配来验证在映射和训练阶段机器人所看到的帧的相似性。创建图像序列的稀疏图,然后将其用于纯粹基于视觉目标进行鲁棒导航。所提出的方法进行了评估,两个机器人在测试环境中,并证明了在动态环境中的地标模糊和经典的定位方法失败的导航能力。
2022-03-29 cs.CV cs.RO
Decentralized and Fully Onboard: Range-Aided Cooperative Localization and Navigation on Micro Aerial Vehicles
Learning Systems and Robotics Lab(学习系统与机器人实验室);Technical University of Munich(慕尼黑技术大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);University of Toronto Robotics Institute(多伦多大学机器人研究所);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所);Vector Institute for Artificial Intelligence(人工智能向量研究所)
本文提出了一种去中心化的基于距离的协作定位与导航方法,通过块坐标下降和因子图推断实现编队控制,适用于微航空器在复杂环境中的自主导航。
2026-02-19 cs.RO
VGP-Nav: Metric-Aware Visual Geometric Perception for Robot Navigation
Southern University of Science and Technology(南方科技大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);Shenzhen University(深圳大学);SpatialTemporal AI(时空人工智能)
提出VGP-Nav,一种仅依赖单目RGB输入的框架,通过地面平面几何约束解决尺度模糊,实现度量定位与障碍物感知的统一。
2026-06-08 cs.RO
AI and Machine Learning Driven Indoor Localization and Navigation with Mobile Embedded Systems
Colorado State University(科罗拉多州立大学)
该文综述室内导航因GPS失效而依赖WiFi与传感器的现状,分析前沿方案挑战,并说明移动嵌入式系统上的AI算法如何实现定位与导航。
2024-08-09 cs.AI cs.LG cs.RO
VLPG-Nav: Object Navigation Using Visual Language Pose Graph and Object Localization Probability Maps
Amazon Lab126(亚马逊Lab126);University of Maryland(马里兰大学)
本研究提出VLPG-Nav视觉语言导航方法,通过构建视觉语言位姿图与目标定位概率图,结合目标居中调整策略,提升了家庭场景下机器人目标定位、绕障及目标居中的性能。
2024-08-15 cs.RO
Neural-Geometric Tunnel Traversal: Localization-free UAV Flight with Tilted LiDARs
Centro Universitario de la Defensa, Zaragoza(萨拉戈萨国防大学中心);Instituto de Investigación en Ingeniería de Aragón(阿拉贡工程研究院);University of Zaragoza(萨拉戈萨大学);Investigación en Ingeniería de Aragón(阿拉贡工程研究院)
本文提出一种基于几何和机器学习算法的无人机导航方法,利用倾斜激光雷达信息实现无定位的隧道飞行,通过深度神经网络确定无人机姿态并计算安全路径。
2026-04-29 cs.RO
Input-Constrained Spatiotemporal Tubes for Safe Navigation of Unknown Euler-Lagrange Systems in Dynamic Environments
Department of Cyber-Physical Systems(网络物理系统系);Indian Institute of Science(印度科学研究院)
针对未知欧拉 - 拉格朗日系统在动态环境中安全导航难题,提出实时控制框架,通过扩展时空管框架纳入输入约束,推导可行性条件,经模拟和硬件实验验证,实现满足执行器约束的安全导航。
2026-07-10 cs.RO cs.SY eess.SY
UIVNAV: Underwater Information-driven Vision-based Navigation via Imitation Learning
Maryland Robotics Center (MRC), University of Maryland(马里兰大学机器人中心(MRC));Woods Hole Oceanographic Institution (WHOI)(伍兹霍尔海洋研究所(WHOI))
针对水下自主导航的定位依赖问题,提出基于模仿学习的端到端解决方案UIVNav,通过中间表示训练域不变导航策略,在不同域和OOI中实现高效信息收集,相同距离下比全覆盖方法多勘测36%牡蛎且可实时部署。
2024-04-16 cs.RO
SGoLAM: Simultaneous Goal Localization and Mapping for Multi-Object Goal Navigation
Seoul National University(首尔大学)
我们提出了SGoLAM,简称同步目标定位和映射,这是一个简单而有效的多目标导航算法。给定一个配备RGB-D相机和GPS/指南针传感器的代理,我们的目标是让代理在现实的3D环境中导航到一系列目标对象。我们的管道充分利用了经典视觉导航方法的优势,将问题分解为两个关键部分:映射和目标定位。映射模块将深度观察转换成占用图,并且目标定位模块标记目标对象的位置。代理的策略是使用由两个模块提供的信息来确定的:如果找到当前目标,则朝着目标进行计划,否则,执行探索。由于我们的方法不需要对神经网络进行任何训练,因此可以以现成的方式使用,并且可以在新的、不可见的环境中快速推广。尽管如此,我们的方法与最先进的基于学习的方法不相上下。SGoLAM在CVPR 2021 MultiON(多目标导航)挑战赛中排名第二。我们已经在\emph{https://github.com/eunsunlee/SGoLAM}上公开了我们的代码。
2021-10-14 cs.CV cs.RO
TAPNAV: Humanoid Navigation through Tactile Active Perception
Harvey Mudd College(哈维穆德学院);Georgia Institute of Technology(佐治亚理工学院);Walton High School(沃尔顿高中)
本文提出TAPNAV触觉主动感知框架,通过结合不确定性感知全局路径规划与信息增益驱动局部探测,使人形机器人在无视觉环境中实现导航,其状态估计误差更低、任务完成率更高。
2026-10-09 cs.RO
Improved Planetary Rover Inertial Navigation and Wheel Odometry Performance through Periodic Use of Zero-Type Constraints
West Virginia University(西弗吉尼亚大学)
我们提出了一种方法,以提高轮式行星探测车航位推算定位性能,利用零型约束方程的导航滤波器。在没有外部辅助的情况下,惯性导航解决方案固有地表现出立方误差增长。此外,对于正在穿越各种类型的地形的行星漫游车,由于车轮打滑,车轮里程计在定位中的使用通常是不可靠的。对于当前的火星漫游者,每当存在定位误差的高可能性时,通常使用基于计算机视觉的方法;然而,这些策略需要额外的计算能力、能量资源,并且显著减慢漫游者的移动速度。为此,我们提出了一种导航方法,该方法通过提供可靠的导航解决方案来补偿里程计误差的高可能性,该解决方案利用非完整车辆约束以及状态感知伪测量(例如,零速度和零角速率)在周期性停止期间更新。通过使用这一点,可以不经常执行计算上昂贵的基于视觉的校正。与基于GPS的定位的实验测试,比较被用来证明所提出的方法的准确性。与论文相关的源代码、后处理脚本和示例数据集发布在公共存储库中。
2019-09-23 cs.RO
SASRA: Semantically-aware Spatio-temporal Reasoning Agent for Vision-and-Language Navigation in Continuous Environments
Georgia Institute of Technology(佐治亚理工学院);SRI International(SRI国际)
本文提出了一种新的方法,在连续的三维环境中的视觉和语言导航(VLN)任务,这需要一个自主智能体遵循自然语言指令在看不见的环境。现有的基于端到端学习的VLN方法在这一任务中苦苦挣扎,因为它们主要集中在利用原始视觉观察,缺乏语义时空推理能力,这对于推广到新环境至关重要。在这方面,我们提出了一个混合变换递归模型,重点是结合经典的语义映射技术与基于学习的方法。我们的方法创建一个时间语义记忆,通过建立一个自上而下的本地自我为中心的语义地图,并执行跨模态接地对齐地图和语言模态,使有效的学习VLN政策。在照片般逼真的长视野仿真环境中的实证结果表明,所提出的方法优于各种最先进的方法和基线,在先前看不见的环境中SPL的相对改善超过22%。
2021-08-26 cs.CL cs.CV cs.RO
Localization and Navigation System for Indoor Mobile Robot
University of Michigan(密歇根大学)
视障人士通常发现很难在许多公共场所,如机场和购物中心独立旅行,由于避障和引导到所需位置的问题。因此,在高度动态的室内环境中,如何提高室内导航机器人的定位和导航精度,使其能够很好地引导视障者成为一个难题。一种方法是使用视觉SLAM。然而,典型的视觉SLAM要么假设静态环境,这可能导致动态环境中的不太准确的结果,要么假设目标都是动态的,并去除了上面的所有特征点,从而在很大程度上牺牲了可用计算能力的计算速度。本文旨在探讨边缘定位和导航系统的室内导航机器人。该系统的目的是提高定位和导航精度在高度动态的环境中,通过识别和跟踪潜在的移动对象,并使用矢量场直方图的本地路径规划和避障。该系统已在一个公共室内RGB-D数据集上进行了测试,结果表明,新系统提高了准确性和鲁棒性,同时减少了高动态室内场景的计算时间。
2022-12-13 cs.RO cs.SY eess.SY
Robot Localization and Navigation through Predictive Processing using LiDAR
Radboud University(拉德堡德大学)
了解机器人在世界上的位置对于导航至关重要。如今,贝叶斯滤波器,如卡尔曼滤波器和基于粒子的滤波器,是移动机器人中的标准方法。最近,端到端学习已经允许扩展到高维输入和改进的泛化。然而,提供可靠的激光导航仍然存在局限性。在这里,我们展示了一个概念验证的预测处理启发的方法,感知应用于定位和导航使用激光传感器,而不需要里程计。我们通过自监督学习学习激光器的生成模型,并通过变分自由能界上的随机梯度下降进行在线状态估计和导航。我们评估了一个移动机器人(TIAGo基地)与激光传感器(SICK)在凉亭的算法。结果表明,改进的状态估计性能相比,一个国家的最先进的粒子滤波器在没有里程计。此外,相反,标准的贝叶斯估计方法,我们的方法也使机器人导航时,提供所需的目标,通过推断的行动,最大限度地减少预测误差。
2021-09-09 cs.AI cs.RO
Autonomous Navigation System from Simultaneous Localization and Mapping
Clarkson University(克拉克森大学)
本文提出了一种基于同时定位与地图构建(SLAM)的自主导航系统的研制。这项研究的动机是找到一种自主导航内部空间的解决方案。内部导航是具有挑战性的,因为它可以永远发展。解决这个问题对于许多服务来说是必要的,例如清洁,健康行业和制造业。本文的重点是描述的基于SLAM的软件体系结构,为这个建议的自治系统。评估了该系统针对智能轮椅的潜在应用。目前的内部导航解决方案需要某种引导线,比如地板上的黑线。有了这个建议的解决方案,内部不需要翻新,以适应这个解决方案。此应用程序的源代码已开放源代码,以便它可以重新用于类似的应用程序。此外,这个开源项目预计将由广泛的开源社区在过去的现状下进行改进。
2021-12-14 cs.CV cs.RO
ST-Booster: An Iterative SpatioTemporal Perception Booster for Vision-and-Language Navigation in Continuous Environments
Robotics and Control Laboratory, the School of Advanced Manufacturing and Robotics, and the State Key Laboratory of Turbulence and Complex Systems, Peking University(机器人与控制实验室、先进制造与机器人学院、湍流与复杂系统国家重点实验室,北京大学);Defense Innovation Institute, Academy of Military Sciences(国防创新研究院,军事科学院);Tianjin Artificial Intelligence Innovation Center(天津人工智能创新中心);Harbin Institute of Technology(哈尔滨工业大学)
ST-Booster通过多粒度感知和指令感知推理提升连续环境中视觉-语言导航的性能。
2025-12-02 cs.CV cs.RO
End-to-End UAV Simulation for Visual SLAM and Navigation
The Hong Kong Polytechnic University(香港理工大学)
多旋翼无人机(UAV)在未知环境中的视觉同时定位与地图构建(v-SLAM)和导航在研究和教育中越来越受欢迎。然而,由于复杂的硬件设置,安全预防措施和电池限制,广泛的物理测试可能是昂贵和耗时的。作为一种替代解决方案,仿真工具降低了在现场试验之前进行算法测试和验证的障碍。在这封信中,我们对ROS-Gazebo-PX4仿真器进行了深度定制,为无人机v-SLAM和导航研究提供了端到端的仿真解决方案。一套定位,地图和路径规划套件也集成到模拟平台。在我们的模拟中,各个方面,包括复杂的环境和机载传感器,可以同时与我们的导航框架进行交互,以实现特定的监视任务。在此端到端的仿真中,实现了点击即飞的无人机水平自主导航。源代码对研究社区开放。
2020-12-01 cs.RO
Range-Visual-Inertial Sensor Fusion for Micro Aerial Vehicle Localization and Navigation
Technical University of Munich(慕尼黑工业大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);University of Toronto Robotics Institute(多伦多大学机器人研究所);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所);Vector Institute for Artificial Intelligence(向量人工智能研究所)
提出一种基于双固定延迟平滑器的测距与视觉惯性传感器融合架构,为微型飞行器在杂乱室内环境中的闭环控制提供轻量级、高精度的状态估计与高频位姿生成。
2024-01-04 cs.RO
A Topological Representation with Object-Path Graphs for Open-Vocabulary Instance Navigation
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
提出对象-路径图统一开放词汇语义推理与拓扑导航,实现无需稠密度量地图的全局规划与局部执行,在HM3D和Replica上验证有效。
2026-09-22 cs.RO
Infrastructure Node-based Vehicle Localization for Autonomous Driving
GRASP Lab, University of Pennsylvania(宾夕法尼亚大学GRASP实验室);Ford Autonomous Vehicles LLC(福特自动驾驶汽车有限责任公司)
车辆定位对于自动驾驶汽车(AV)导航和高级驾驶员辅助系统(ADAS)至关重要。精确的车辆定位通常通过昂贵的惯性导航系统或通过采用计算密集型视觉处理(LiDAR/相机)来增强低成本和噪声的惯性传感器来实现。在这里,我们已经开发了一个框架,用于将从智能基础设施节点(ix节点)获得的信息与自动驾驶汽车车载定位引擎融合,以估计即使使用廉价的惯性传感器也能实现自我车辆的鲁棒和准确姿态。智能ix节点通常用于增强自动驾驶车辆的感知能力,特别是当自动驾驶车辆的车载感知传感器被环境中的动态和静态物体阻挡从而使其无效时。在这项工作中,我们利用这种感知输出从一个ix节点,以增加AV的定位精度。IX节点感知输出与车辆低成本惯性传感器的融合使我们能够执行可靠的车辆定位,而无需依赖昂贵的惯性导航系统或AV上的计算密集型视觉处理。所提出的方法已在密歇根州安娜堡的测试轨道上收集的真实数据集上进行了测试。实验结果的详细分析表明,将ix节点的数据提高定位性能。
2021-09-21 cs.RO
Zutu: A Platform for Localization and Navigation of Swarm Robots Using Virtual Grids
SRM Institute of Science and Technology(SRM科学技术学院)
本文提出Zutu平台,利用单个中央摄像头实现集群机器人的低成本定位与导航,并验证了其在研究、教育和工业领域的应用潜力。
2024-03-17 cs.RO
Asynchronous Collaborative Localization by Integrating Spatiotemporal Graph Learning with Model-Based Estimation
Colorado School of Mines(科罗拉多矿业学院);Toyota Motor North America(丰田汽车北美公司)
协作定位是一组机器人(如联网车辆)从多个角度协作估计对象位置的基本能力。为了实现协作定位,必须解决四个关键挑战,包括对观察对象之间的复杂关系建模,融合来自任意数量的协作机器人的观察,量化定位不确定性,以及解决机器人通信的延迟。在本文中,我们介绍了一种新的方法,集成了不确定性感知时空图学习和基于模型的状态估计的机器人团队协作定位对象。具体来说,我们引入了一个新的不确定性感知图学习模型,学习时空图来表示每个机器人随时间观察到的对象的历史运动,并提供对象定位的不确定性。此外,我们提出了一种新的方法,集成学习和基于模型的状态估计,融合异步观测从任意数量的机器人协作定位。我们评估我们的方法在两个合作的对象定位的情况下,在模拟和真实的机器人。实验结果表明,我们的方法优于以往的方法,并实现了最先进的性能异步协作定位。
2021-11-05 cs.AI cs.RO
MarineFormer: A Spatio-Temporal Attention Model for USV Navigation in Dynamic Marine Environments
Laboratory for AI, Robotics and Automation, Department of Mechanical and Aerospace Engineering, University of California-Davis, CA 95616 USA(人工智能、机器人与自动化实验室,机械与航空航天工程系,加州大学戴维斯分校);Computer Science Department, University of California-Davis(计算机科学系,加州大学戴维斯分校)
针对海洋动态环境中的USV导航难题,提出融合空间与时间注意力的Transformer策略MarineFormer,利用流场测量提升成功率近23%并缩短路径。
2025-07-09 cs.AI cs.RO