Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文针对不确定动态障碍物环境下的机器人运动规划安全问题,提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案,以降低碰撞风险,并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
SEAL: Safety Enhanced Trajectory Planning and Control Framework for Quadrotor Flight in Complex Environments
针对四旋翼在风扰动和动态障碍物环境中的安全飞行问题,提出SEAL框架,通过广义比例积分观测器在规划与控制阶段同时估计风扰动,结合HJ可达性分析保证轨迹安全性,并采用NMPC控制器实现鲁棒跟踪。
2025-03-05 cs.SY eess.SY
Trajectory Planning Under Environmental Uncertainty With Finite-Sample Safety Guarantees
我们解决的问题,轨迹规划的环境中由一组障碍物与不确定的时变位置。使用广泛接受的高斯分布的不确定性建模,从而在一个机会约束的程序。然而,与以前的方法相反,我们不假设完美的知识的分布的时刻,而是通过有限的样本从传感器或过去的数据来估计它们。我们得到严格的浓度范围内的错误,这些估计,以充分收紧的机会约束程序。因此,我们提供了可证明的保证满足相应的机会约束的名义尚未未知的时刻。我们用两个自主车辆轨迹规划案例研究来说明我们的结果。
2021-08-13 cs.SY eess.SY math.OC
A Real-Time Control Barrier Function-Based Safety Filter for Motion Planning with Arbitrary Road Boundary Constraints
Department of Computer Science, RWTH Aachen University(鲁尔大学计算机科学系)
本文提出一种基于控制屏障函数的实时安全过滤器,用于在复杂道路边界条件下保证运动规划的安全性,通过直接整合任意形状的道路几何信息,实现高效且可靠的碰撞避免。
2026-03-24 cs.RO cs.SY eess.SY
Safety-driven Interactive Planning for Neural Network-based Lane Changing
Northwestern University(西北大学)
基于神经网络的驾驶规划器在提高自动驾驶的任务性能方面显示出巨大的前景。然而,确保具有基于神经网络的组件的系统的安全性是至关重要的,但也是非常具有挑战性的,特别是在密集和高度交互的交通环境中。在这项工作中,我们提出了一个安全驱动的交互式规划框架的神经网络为基础的车道变换。为了防止过于保守的规划,我们识别周围车辆的驾驶行为,并评估其侵略性,然后以交互的方式相应地调整自我车辆的规划轨迹。如果即使在预测的最坏情况下也存在安全规避轨迹,则自我车辆可以继续改变车道;否则,它可以停留在当前横向位置附近或返回到原始车道。我们定量地展示了我们的规划设计的有效性及其优势,通过广泛的模拟与不同的和全面的实验设置,以及在现实世界中收集的自动驾驶汽车公司的情况下,基线方法。
2022-09-18 cs.RO cs.SY eess.SY
Enabling Safety for Aerial Robots: Planning and Control Architectures
University of Michigan(密歇根大学);NASA Goddard Space Flight Center(美国国家航空航天局戈达德太空飞行中心)
本文针对空中机器人在动态环境、资源约束和对抗攻击下的安全挑战,提出规划与控制架构方面的解决方案,并通过硬件实验验证其有效性。
2025-04-11 cs.RO cs.SY eess.SY
Reliable and Real-Time Highway Trajectory Planning via Hybrid Learning-Optimization Frameworks
本文提出混合高速公路轨迹规划框架,结合学习方法的适应性和优化方法的正式安全保证,确保在多车交互复杂情况下实现高可靠性和实时性。
2026-04-13 cs.RO cs.SY eess.SY
Safety-aware time-optimal motion planning with uncertain human state estimation
Istituto di Sistemi e Tecnologie Industriali Intelligenti per il Manifatturiero Avanzato, Consiglio Nazionale delle Ricerche(意大利国家研究委员会先进制造智能工业系统与技术研究所);University of Brescia(布雷西亚大学)
机器人运动规划中的人类感知对于与人类的无缝交互至关重要。许多现有的技术减慢、停止或局部改变机器人的轨迹,以避免与人类碰撞。虽然在路径规划阶段使用关于人的状态的信息可以减少未来对人的移动的干扰并且使安全停止不那么频繁,但是这样的方法不太普遍。本文提出了一种新的方法来嵌入人体模型的机器人的路径规划。该方法明确地解决了最小化路径执行时间的问题,包括由于人类接近而导致的减速和停止。为此,它将安全速度限制转换为驱动路径优化的配置空间成本函数。可以基于观察到的或预测的人类状态来更新成本图。该方法可以处理人类状态的确定性和概率表示,是独立的预测算法。工业协作单元上的数值和实验结果表明,所提出的方法一致地减少了机器人的执行时间,避免了不必要的安全速度降低。
2022-10-21 cs.RO cs.SY eess.SY
Real-time trajectory planning for automated vehicle safety and performance in dynamic environments
高性能自动车辆在静态和移动障碍物环境中的安全轨迹规划是一个具有挑战性的问题。挑战的一部分是开发一种可以实时求解的公式,同时包括以下一组规格:最短的目标时间,动态车辆模型,最小的控制工作,静态和移动避障,速度和转向的同时优化,以及短的执行范围。本文提出了一种基于非线性模型预测控制的轨迹规划公式,适合于大型,高速无人地面车辆,其中包括上述一组规格。本文还评估了NLOptControl的能力,以解决这一制定在实时与KNITRO非线性规划问题求解器; NLOptControl是我们的开源,直接配置为基础的,最优控制问题求解器。该制剂采用不同的质量标准进行检测。特别是,一个参数的研究有关的执行地平线和障碍物的速度,表明移动避障规范是不需要的安全时,规划者有一个小的执行地平线($\leq0.375\;s$)和障碍物移动缓慢($\leq2.11\frac{m}{s}$)。然而,当障碍物移动得更快时,需要移动障碍物回避规范,并且该规范通过$6.73$($p=2.2\times10^{-16}$)的因子提高了整体安全性,而在大多数情况下不增加求解时间。总体而言,结果表明:(1)高性能自动驾驶车辆的安全轨迹规划器应包括上述整套规范,除非静态或低速环境允许不太全面的规划器;(2)NLOptControl可以实时求解公式。
2020-01-28 cs.SY eess.SY
Communication-Aware and Safety-Aware UAV Control via Predictive Latent Models
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心)
提出CRPL框架,结合联合嵌入预测架构与概率通信和安全约束,通过递归多步预测优化无人机运动与传输功率,在有限带宽下降低终端误差和中断时间。
2026-07-02 cs.SY eess.SY
Safety-Aware Dimension Selection for Reduced-Order Model Predictive Control
NC State University(北卡罗来纳州立大学);UNC/NC State Joint Department of Biomedical Engineering, NC State University(UNC/北卡罗来纳州立大学生物医学工程联合系)
本文提出安全感知维度选择框架,结合动态主动子空间与有限时域误差界,为降阶MPC选择满足安全约束的最小预测阶次,保障安全并降低计算负担。
2026-10-14 cs.SY eess.SY
Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning
Australian Centre for Robotics(澳大利亚机器人中心);School of Aerospace, Mechanical and Mechatronic Engineering(航空航天、机械与机电工程学院)
本文提出了一种基于学习的全对运动规划方法,通过双 Lipschitz 双射构造平滑的目标条件神经ODEs,理论结果表明该模型在任意目标位置下能保证全局指数稳定性与安全性,且提供了收敛速率、跟踪误差和向量场大小的显式界。
2026-09-23 cs.RO cs.SY eess.SY
A Risk and Comfort Optimizing Motion Planning Scheme for Merging Scenarios
考虑测量和预测不确定性的合并场景的运动规划是自动驾驶道路上的一个主要挑战。经典方法将运动规划分为行为规划和轨迹规划,从而缩小了解集。在这项工作中,我们提出了一个规划方案,通过探索所有可能的决策选项,解决行为和轨迹规划在一起。实施安全策略,并且使违反安全约束的风险最小化,并且使加加速度最小化,以具有风险和舒适度最优轨迹。为了减轻噪声注入到实际轨迹中,推导出一种新的解析轨迹生成方法,并证明了其最优性。通过Monte-Carlo仿真对决策能力进行了评估。此外,计算时间进行评估,显示我们的方法的实时能力。
2019-11-05 cs.SY eess.SY
Iterative Planning for Multi-agent Systems: An Application in Energy-Aware UAV-UGV Cooperative Task Site Assignments
本文提出一种多智能体迭代规划框架,利用转换系统和多求解器持续优化方案,并在能量感知的UGV-UAV任务分配中验证了其有效性与实时性。
2024-03-19 cs.SY eess.SY
Reactive motion planning with probabilistic safety guarantees
California Institute of Technology(加州理工学院)
多智能体环境中的运动规划对于许多重要的自主应用(如自主车辆和辅助机器人)至关重要。研究了受控智能体与多个不受控智能体共享环境的运动规划问题。首先,训练不受控制的代理的预测模型,以基于场景在短时间内预测所有可能的轨迹。然后将预测馈送到基于模型预测控制的运动规划模块。我们使用三种不同的方法,后膨胀,支持向量机(SVM),和共形分析,所有能够生成随机保证的预测模型的预测的正确性证明了泛化界。所提出的方法在模拟自动驾驶公路的情况下进行了仿真。
2020-11-26 cs.LG cs.RO cs.SY
Learning How to Trade-Off Safety with Agility Using Deep Covariance Estimation for Perception Driven UAV Motion Planning
Istanbul Technical University(伊斯坦布尔理工大学);Turkish-German University(土耳其-德国大学)
针对敏捷无人机导航任务,研究了如何利用预测模型选择基于感知不确定性估计的运动规划策略。虽然有各种各样的运动规划和感知算法,这样的任务,感知的不确定性的影响是没有明确地处理在许多当前的运动算法,这导致在现实生活中的情况下,测量往往是嘈杂的,由于外部干扰的性能损失。我们开发了一个新的框架嵌入感知不确定性的高层次运动规划管理,以选择最好的可用运动规划方法,目前估计的感知不确定性。我们使用深度神经网络(CovNet)来估计视觉输入的不确定性,该深度神经网络明确预测当前测量的协方差。接下来,我们训练一个高级机器学习模型,用于在给定协方差的当前估计以及UAV状态的情况下预测最低成本的运动规划算法。我们证明了现实生活中的数据和无人机竞赛模拟,我们的方法,命名为不确定性驱动的运动规划切换器(UDS)产生的最安全和最快的轨迹之间比较的替代品。此外,我们表明,开发的方法学习如何权衡安全与敏捷性切换到运动规划,导致更敏捷的轨迹时,估计的协方差是高的,反之亦然。
2020-12-11 cs.RO cs.SY eess.SY
Safety-Aware Preference-Based Learning for Safety-Critical Control
California Institute of Technology(加州理工学院);University of Michigan(密歇根大学);Argo AI(Argo AI公司)
将动态机器人带入野外需要在性能和安全性之间保持微妙的平衡。然而,设计用于提供鲁棒安全保证的控制器通常会导致保守的行为,并且调整这些控制器以找到性能和安全性之间的理想权衡通常需要领域专业知识或精心构造的奖励函数。这项工作提出了一个设计范例,系统地实现平衡性能和强大的安全性的行为,通过集成安全意识的基于偏好的学习(PBL)与控制障碍功能(CBF)。融合这些概念-安全意识学习和安全关键控制-提供了一种强大的手段,以实现复杂的机器人系统在实践中的安全行为。我们证明了这种设计模式的能力,以实现安全和高性能的感知为基础的自主操作的四足机器人在模拟和实验上的硬件。
2022-04-11 cs.RO cs.SY eess.SY
Safety-Oriented Dynamic Path Planning for Automated Vehicles
Department of Aerospace Engineering, University of the Bundeswehr Munich(航空航天工程系,联邦国防军大学穆恩市)
针对动态环境下自动驾驶的安全路径规划问题,提出含NMPC主回路与备用回路的双层控制框架,结合同伦约束松弛与障碍物时变投影,提升了规划的实时性、鲁棒性与安全性。
2025-10-04 cs.RO cs.SY eess.SY
Agile Decision-Making and Safety-Critical Motion Planning for Emergency Autonomous Vehicles
University of Hong Kong, Department of Mechanical Engineering(香港大学机械工程系);National University of Singapore, Department of Civil and Environmental Engineering(新加坡国立大学土木与环境工程系)
本文提出集成敏捷决策与安全关键运动规划系统(IDEAM),通过LSGM算法生成路径并评估速度与风险,结合基于Frenet的MPC框架和DCBFs、DHOCBFs建模约束,使紧急自动驾驶车辆在密集交通中兼顾效率与安全。
2025-06-02 cs.RO cs.SY eess.SY
Reachable Sets-based Trajectory Planning Combining Reinforcement Learning and iLQR
针对现有轨迹规划忽略驾驶风险场影响的问题,提出融合风险场的可达集结合安全强化学习与约束iLQR的轨迹规划方法,可在保障舒适性与效率的同时提升高速换道场景下的行驶安全性。
2025-05-21 cs.RO cs.SY eess.SY
Dynamic High-Order Control Barrier Functions with Diffuser for Safety-Critical Trajectory Planning at Signal-Free Intersections
The Hong Kong Polytechnic University(香港理工大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Washington(华盛顿大学);Southeast University(东南大学)
针对无信号交叉口多任务安全轨迹规划问题,提出DSC-Diffuser框架,结合动态高阶控制障碍函数与扩散模型,从专家演示中学习多任务行为,动态调整约束以降低保守性,确保安全性与效率。
2025-03-31 cs.LG cs.RO cs.SY
Safe and Robust Motion Planning for Dynamic Robotics via Control Barrier Functions
University of Southern California(南加州大学)
控制障碍函数(CBF)被广泛应用于非线性系统的安全临界约束。最近,这些功能被纳入到一个路径规划框架,设计安全关键路线规划。然而,这些方法未能提供一个现实的路径,同时考虑到算法的运行时的复杂性和执行的安全关键的约束。本文提出了一种新的运动规划方法,使用著名的快速探索随机树(RRT)算法,强制CBF和机器人Kinodynamic约束,以产生一个安全的关键路线。该算法还输出相应的控制信号,导致无障碍路径。该方法还允许考虑模型的不确定性,将鲁棒CBF约束到所提出的框架。因此,所得到的路径没有任何障碍物,并考虑了来自机器人动力学和感知的模型不确定性。结果分析表明,所提出的方法优于传统的基于RRT的路径规划器,保证了安全的关键路线以最小的计算开销。我们提出了数值验证的算法上的CNOV7机器人车,一个微型自主无人地面车辆,执行动态导航的障碍重重的路径与各种不确定性的感知噪声和机器人动力学。
2021-10-22 cs.RO cs.SY eess.SY
Planning, Fast and Slow: A Framework for Adaptive Real-Time Safe Trajectory Planning
本文提出一种自适应实时安全轨迹规划框架,通过元规划实现不同在线规划器的安全切换,以应对未知环境和障碍物。
2018-03-06 cs.GT cs.SY eess.SY
Towards Fast and Safety-Guaranteed Trajectory Planning and Tracking for Time-Varying Systems
University of Melbourne(墨尔本大学);Simon Fraser University(西蒙菲莎大学)
针对时变动力学与扰动下的自主系统,本文提出离线安全控制器结合在线轨迹重规划的跟踪方法,并将有限时域方案扩展至周期系统,通过自主水下航行器仿真验证。
2024-12-05 cs.RO cs.SY eess.SY
Risk-Aware Safety Filters with Poisson Safety Functions and Laplace Guidance Fields
Department of Mechanical and Civil Engineering, Caltech(加州理工学院机械与土木工程系);Department of Computing and Mathematical Sciences, Caltech(加州理工学院计算与数学科学系);Department of Mechanical Engineering, Tufts University(塔夫茨大学机械工程系)
在现实世界中导航的机器人系统需要对其环境的语义理解,以正确确定安全操作。这项工作旨在开发这种表示的数学基础-具体来说,目标是开发具有风险意识的安全过滤器。为此,我们采取了两个步骤的方法:通过泊松方程编码环境的理解,并通过拉普拉斯指导领域的相关风险。也就是说,我们首先解决泊松方程的Dirichlet问题,以生成一个安全函数,将系统安全性编码为其0-超水平集。然后,我们单独解决拉普拉斯方程的狄利克雷问题,以合成一个安全的\textit{guidance field},它通过强制执行可调通量边界条件来编码障碍物周围的可变谨慎级别。然后,将安全功能和引导字段组合以定义安全约束,并用于合成风险感知安全过滤器,给定对具有环境特征的相关联风险等级的环境的语义理解,该安全过滤器在优先避免较高风险障碍物的同时保证安全。我们演示了这种方法在模拟和讨论如何\textit{a priori}的障碍风险的理解可以直接纳入安全过滤器,以产生安全的行为,是风险意识。
2025-10-29 cs.RO cs.SY eess.SY
Enhance Planning with Physics-informed Safety Controller for End-to-end Autonomous Driving
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
本文提出FusionAssurance框架,将势场与模型预测控制结合,为端到端自动驾驶提供物理信息安全保障,并在CARLA基准上验证其在分布外场景中的有效性。
2024-05-05 cs.RO cs.SY eess.SY
Safety-aware Model Predictive Path Integral Control with Signal Temporal Logic
University of Southern California(南加州大学);University of Michigan(密歇根大学);Toyota Motor North America R&D(丰田北美研发中心);ETH Zürich(苏黎世联邦理工学院)
本文提出safety-aware-stl-mppi框架,将STL公式编码为CBF并集成到MPPI控制器,经火星车与四旋翼实验验证,可在复杂约束下实现高安全与效率的运动规划。
2026-08-26 cs.RO cs.SY eess.SY
On Infusing Reachability-Based Safety Assurance within Planning Frameworks for Human-Robot Vehicle Interactions
Stanford University(斯坦福大学);Simon Fraser University(西蒙弗雷泽大学)
行动预期、意图预测和主动行为都是交互式场景中自动驾驶策略的理想特征。然而,最重要的是确保道路安全--这样做的一个关键挑战是在不过度影响规划者表现的情况下考虑人类驾驶员行为的不确定性。本文介绍了一种在自主车辆控制栈内操作的最小干预安全控制器,其作用是确保与外部控制的(例如,人驱动的)对应物,同时考虑诸如道路边界墙的静态障碍物。我们利用可达性分析来构建一个实时(100 Hz)控制器,该控制器具有双重作用:(i)使用模型预测控制从更高级别的规划算法跟踪输入轨迹,以及(ii)通过保持无碰撞逃逸机动的可用性作为持久约束来确保安全性,而不管其他汽车未来采取什么行动。一个全尺寸的线控转向平台用于进行交通交织实验,其中两辆车,最初并排,必须在有限的时间和距离内交换车道,模拟汽车合并到/关闭高速公路。我们证明,通过我们的控制堆栈,自动驾驶汽车能够避免碰撞,即使另一辆车违背规划者的期望并采取危险行动,无论是不小心还是有意碰撞,否则偏离计划轨迹的程度最小,以保持安全。
2020-12-06 cs.RO cs.SY eess.SY
Limiting Computation Levels in Prioritized Trajectory Planning with Safety Guarantees
RWTH Aachen University(亚琛工业大学);University of the Bundeswehr Munich(慕尼黑联邦国防军大学)
针对并行优先级规划难保证安全、顺序规划计算层级随车辆数增长的问题,本文结合可达性分析与图划分选择部分车辆顺序规划,在保证无碰撞和求解质量的同时将计算层级降低约64%。
2024-09-08 cs.MA cs.RO cs.SY
Safety-Critical Control and Planning for Obstacle Avoidance between Polytopes with Control Barrier Functions
UC Berkeley(加州大学伯克利分校)
多面体间的避障问题是最优控制和基于优化的轨迹规划问题中的一个具有挑战性的课题。现有的工作要么解决这个问题,通过混合整数优化,依赖于简化的系统动力学,或通过模型预测控制与双变量使用距离约束,需要长的视野避障。在任何一种情况下,解决方案只能作为离线规划算法应用。在本文中,我们利用的属性,一个较小的地平线是足够的避障,通过使用离散时间控制障碍函数(DCBF)的约束,我们提出了一种新的优化配方与双变量的基础上DCBF生成一个无碰撞的动态可行的轨迹。所提出的优化公式具有较低的计算复杂性相比,现有的工作,可以作为一个快速的在线算法的控制和规划一般的非线性动力系统。我们验证了我们的算法不同的机器人形状,使用数值模拟与运动自行车模型,从而成功地通过迷宫环境中的多面体障碍物导航。
2022-05-31 cs.RO cs.SY eess.SY
DEC-LOS-RRT: Decentralized Path Planning for Multi-robot Systems with Line-of-sight Constrained Communication
University of California at Berkeley(加州大学伯克利分校)
多智能体系统的分散规划,例如搜索和救援行动中的机器人舰队,通常受到智能体如何相互通信的限制。一个这样的限制是当代理只能在视线(LOS)中时才能彼此通信的情况。在这种情况下,开发分散的规划方法来保证安全是很困难的,因为相互封闭的代理可能无法通信,直到为时已晚才能避免违反安全规定。在本文中,我们开发了一个分散的规划方法,明确避免的情况下,缺乏其他代理的可见性将导致不安全的情况。建立在现有的快速探索随机树(RRT)为基础的方法之上,我们的方法保证在每次迭代的安全性。仿真研究表明,我们的方法的有效性,并比较性能退化方面的千里眼分散规划算法,代理可以进行通信,尽管没有在LOS的对方。
2022-03-04 cs.RO cs.SY eess.SY
RRT-CBF Based Motion Planning
本文提出RRT-CBF运动规划方法,结合RRT算法与MPC动态更新约束施加控制屏障函数,在模型不确定性下实现静态与动态障碍物及多机器人间的安全避碰,并首次将其应用于非线性机器人手臂模型。
2024-10-01 cs.RO cs.SY eess.SY
Sandwich Approach for Motion Planning and Control
University of Arizona(亚利桑那大学)
本文提出一种受流体力学启发的运动规划与控制方法,通过将含障碍物的运动空间变换为无障碍规划空间并进行A*搜索以生成更短路径,同时采用带安全约束的MPC实现轨迹跟踪。
2024-01-11 cs.RO cs.SY eess.SY
On Infusing Reachability-Based Safety Assurance within Probabilistic Planning Frameworks for Human-Robot Vehicle Interactions
Department of Aeronautics and Astronautics(航空与航天系);Department of Mechanical Engineering(机械工程系);School of Computing Science(计算科学学院)
本文提出一种最小干预的安全控制器,用于确保自动驾驶车辆与外部控制车辆的碰撞自由交互,通过实时控制器实现轨迹跟踪和安全保证,展示了在交通交织实验中自动驾驶车辆在对手车辆违反规划预期时仍能避免碰撞。
2018-12-29 cs.RO cs.SY eess.SY
Safe Hierarchical Model Predictive Control and Planning for Autonomous Systems
Otto von Guericke University(奥托·冯·格里克大学);German Aerospace Center (DLR)(德国航空航天中心(DLR));Technical University of Darmstadt(达姆施塔特工业大学)
自动驾驶车辆的规划和控制通常是分层分离的。然而,不断提高的性能要求和在高度动态的环境中运行需要频繁地重新评估规划,并将控制和规划紧密集成,以确保安全。我们提出了一个集成的分层预测控制和规划方法来应对这一挑战。规划器和控制器是基于滚动时域最优控制问题的重复求解。该规划器可以选择不同的低层控制器模式,以增加灵活性和性能,而不是使用一个单一的控制器与大的安全裕度下的不确定性避免碰撞。规划是基于简化的系统动力学和安全性,但灵活的操作是通过基于混合整数线性规划公式的约束收紧来确保的。基于循环时域管的模型预测控制器保证了对不同控制模式和干扰的约束满足。这种模式的例子是具有高精度的低速运动和具有大的不确定性界限的高速运动。允许不同的控制模式减少了保守性,而问题的分层分解降低了计算成本,并使实时实现。我们推导出递归可行性的条件,以确保约束满足和避障,以保证安全,并确保层和模式之间的兼容性。仿真结果验证了所提出的分层策略的有效性和适用性。
2022-03-27 cs.RO cs.SY eess.SY
Interaction-Dynamics-Aware Perception Zones for Obstacle Detection Safety Evaluation
NVIDIA(英伟达)
为了实现安全的自主车辆(AV)操作,至关重要的是AV的障碍物检测模块能够可靠地检测构成安全威胁的障碍物(即,安全性至关重要)。因此,期望感知系统的评估度量捕获对象的安全关键性。遗憾的是,现有的感知评估指标往往对对象进行强假设,忽略了代理之间的动态交互,因此无法准确捕获现实中的安全风险。为了解决这些缺点,我们引入了一个相互作用的动态感知障碍物检测评价指标,占自我车辆和场景中的障碍物之间的闭环动态相互作用。通过借用现有的理论从最优控制理论,即汉密尔顿-雅可比可达性,我们提出了一个计算上易于处理的方法来构建一个"安全区“:一个区域的状态空间,定义安全关键的障碍在于定义安全度量的目的。我们提出的安全区是数学上完整的,可以很容易地计算,以反映各种安全要求。使用nuScenes检测挑战排行榜中的现成检测算法,我们证明了我们的方法是计算量小的,并且可以比基线方法更好地捕获安全关键感知错误。
2022-06-24 cs.RO cs.SY eess.SY
Dynamic Tube MPC: Learning Tube Dynamics with Massively Parallel Simulation for Robust Safety in Practice
California Institute of Technology(加州理工学院);Georgia Institute of Technology(佐治亚理工学院)
本文提出动态管道MPC方法,利用大规模并行仿真学习跟踪性能与规划动作的关系,在实时优化中权衡性能与安全,并在3D跳跃机器人ARCHER上验证了敏捷安全导航能力。
2024-11-22 cs.LG cs.RO cs.SY
CaRT: Certified Safety and Robust Tracking in Learning-based Motion Planning for Multi-Agent Systems
Jet Propulsion Laboratory(喷气推进实验室)
本文提出分层分布式 CaRT 框架,通过安全滤波器认证学习策略并由鲁棒滤波器跟踪安全轨迹,在确定性与随机扰动下保证多智能体非线性系统的安全及误差指数有界。
2023-08-13 cs.LG cs.MA cs.RO
Geometry-Aware Predictive Safety Filters on Humanoids: From Poisson Safety Functions to CBF Constrained MPC
Department of Mechanical and Civil Engineering, California Institute of Technology(机械与土木工程系,加州理工学院)
针对腿式机器人非对称几何的安全轨迹规划问题,提出基于泊松安全函数和CBF约束MPC的几何感知预测安全滤波器,实现实时在线安全导航。
2025-08-15 cs.RO cs.SY eess.SY
Energy Aware and Safe Path Planning for Unmanned Aircraft Systems
Technical University of Darmstadt(达姆施塔特工业大学)
本文提出一种基于模型预测控制和混合整数线性规划的多智能体无人飞行器系统能量感知与安全路径规划算法,通过优化能耗、低电量自主返航及动态可行区域防障,实现高效安全的搜索区域覆盖。
2025-04-04 cs.RO cs.SY eess.SY
Autonomy Architectures for Safe Planning in Unknown Environments Under Budget Constraints
Department of Robotics, University of Michigan(机器人学系,密歇根大学);Department of Aerospace Engineering, University of Michigan(航空航天工程系,密歇根大学)
本文提出ReRoot框架,通过在线生长反向RRT*树从更新集出发,在未知环境中同时满足安全与预算约束,并在GNSS拒绝环境下用固定翼无人机仿真验证了其有效性。
2025-10-08 cs.RO cs.SY eess.SY
Interaction-Aware Trajectory Prediction and Planning in Dense Highway Traffic using Distributed Model Predictive Control
Chalmers University of Technology(查尔姆斯理工大学)
针对密集交通中自动驾驶车辆的最优轨迹规划问题,提出一种结合分布式模型预测控制、耦合多智能体环境下轨迹预测与规划的新型框架,经仿真验证,其局部最优解优于解耦的预测规划方法。
2023-08-24 cs.RO cs.SY eess.SY
Planning with Learned Dynamics: Probabilistic Guarantees on Safety and Reachability via Lipschitz Constants
University of Michigan(密歇根大学)
我们提出了一种方法,反馈运动规划系统的未知动态提供概率保证的安全性,可达性和目标稳定性。为了找到一个域,在这个域中,可以信任真实动态的学习控制仿射近似,我们估计真实动态和学习动态之间的差异的Lipschitz常数,并确保估计在给定的概率下是有效的。提供的系统至少有尽可能多的控制状态,我们还推导出存在条件的一步反馈法,可以保持真正的系统在一个小范围内的标称轨迹规划与学习动态。我们的方法将反馈律的存在作为基于采样的规划器中的约束,该规划器返回围绕标称规划的反馈策略,确保如果Lipschitz常数估计有效,则真实系统在计划执行期间是安全的,达到目标,并且最终在关于目标的小集合中是不变的。我们通过使用6D四旋翼和7DOF Kuka臂的学习模型进行规划来演示我们的方法。我们表明,使用相同的学习动力学进行规划而不考虑误差范围或反馈法的存在的基线可能无法稳定在计划周围并变得不安全。
2021-10-19 cs.LG cs.RO cs.SY
Do Androids Dream of Electric Fences? Safety-Aware Reinforcement Learning with Latent Shielding
Imperial College London(伦敦帝国理工学院);University College London(伦敦大学学院);Apricity
新兴的强化学习系统进入现实世界应用的趋势日益增长,伴随着对其安全性和鲁棒性的日益关注。近年来,已经提出了各种方法来解决安全意识强化学习的挑战;然而,这些方法通常需要预先提供手工制作的环境模型,或者环境相对简单且低维。我们提出了一种新的方法,安全意识的深度强化学习在高维环境中称为潜在的屏蔽。潜在屏蔽利用基于模型的代理学习的环境的内部表示来“想象”未来的轨迹,并避免那些被认为不安全的轨迹。我们的实验表明,这种方法导致改善遵守正式定义的安全规范。
2021-12-21 cs.LG cs.LO cs.NE
Enhancing Lattice-based Motion Planning with Introspective Learning and Reasoning
Linköping University(林雪平大学)
基于格的运动规划是一种混合规划方法,其中由离散动作同时组成的规划是物理上可行的轨迹。规划考虑离散和连续方面,例如动作先决条件和配置空间中的无冲突动作持续时间。安全运动规划依赖于用于碰撞检查的校准良好的安全裕度。轨迹跟踪控制器还必须能够在该安全裕度内可靠地执行运动,以便执行是安全的。在这项工作中,我们关注的是随着时间的推移对控制器性能的内省学习和推理。不同动作的正常控制器执行是使用可靠的和不确定性感知的机器学习技术来学习的。通过校正执行偏差,我们设法大大减少运动动作的安全裕度。进行推理以验证学习的模型保持安全,并通过使用具有较小安全裕度的更准确的执行预测来提高运动规划器中的碰撞检查有效性。所提出的方法允许在正常情况下控制器性能的明确意识,并在异常情况下及时检测不正确的性能。采用仿真方法对四轴飞行器的非线性动力学进行了三维评估。视频:https://youtu.be/STmZduvSUMM
2021-12-06 cs.AI cs.LG cs.RO
SAFE--MA--RRT: Multi-Agent Motion Planning with Data-Driven Safety Certificates
Department of Mechanical Engineering, Michigan State University(机械工程系,密歇根州立大学)
针对无显式模型的共享空间多智能体运动规划问题,提出SAFE--MA--RRT框架,通过数据驱动生成不变椭球安全证书,结合采样规划与时空预留表实现可证明安全的动态可行轨迹,仅用数据和凸优化即可完成多智能体同步安全规划。
2025-09-04 cs.LG cs.MA cs.RO
Safety-Aware Multi-Agent Learning for Dynamic Network Bridging
Duquesne University(杜肯大学);Institute for Human and Machine Cognition(人机认知研究所)
针对安全关键环境下部分可观测的多智能体协作问题,提出基于控制理论安全过滤器的动态网络桥接方法,通过将过滤器激活编码为边级特征改善多智能体强化学习的协调效果,实现局部安全与去中心化学习的有效结合。
2025-04-03 cs.AI cs.LG cs.MA