Safe Local Exploration for Replanning in Cluttered Unknown Environments for Micro-Aerial Vehicles
Autonomous Systems Lab, ETH Zürich(苏黎世联邦理工学院自主系统实验室)
为了使微型飞行器(MAV)能够在复杂、未知、非结构化的环境中提供帮助,它们必须能够在保证安全的情况下导航,即使面对它们事先不知道的混乱环境。虽然基于轨迹优化的局部规划器已被证明在这些情况下表现良好,但先前的工作要么没有解决如何处理优化问题中的局部最小值,要么通过使用乐观全局规划器来解决它。我们提出了一个保守的轨迹优化为基础的本地规划器,再加上本地探索策略,选择中间目标。我们进行了大量的模拟,以表明该系统的性能优于使用乐观的全球规划的标准方法,也优于做一个单一的探索步骤时,本地规划卡住。该方法是通过在各种高度杂乱的环境,包括茂密的森林实验验证。这些实验表明,完整的系统实时的运行完全机载MAV,映射和重新规划在4赫兹。
2018-03-12 cs.RO
Through the Clutter: Exploring the Impact of Complex Environments on the Legibility of Robot Motion
University of Nevada, Reno(内华达大学雷诺分校)
针对杂乱环境中机器人运动可读性问题,提出基于环境熵的杂乱度测量方法和基于势场的新型运动规划器,实验证明其在杂乱环境中显著提升了运动可读性并揭示了现有研究的不足。
2024-05-31 cs.RO
NMPP: Nonlinear Model Predictive Planning for Agile UAV Flight in Cluttered Environments
Czech Technical University in Prague(捷克理工大学)
针对杂乱环境中的敏捷无人机飞行,提出非线性模型预测规划(NMPP),将障碍物作为硬约束,提供全状态参考,显著降低跟踪误差并提高飞行成功率。
2026-10-07 cs.RO
Randomized Physics-based Motion Planning for Grasping in Cluttered and Uncertain Environments
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Institute of Industrial and Control Engineering(工业与控制工程研究所);Rice University(莱斯大学)
在杂乱和不确定的环境中规划抓取物体的运动是一项具有挑战性的任务,特别是当不存在无碰撞轨迹并且需要小心地抓取和移出阻挡道路的物体时。本文采取了不同的方法,并提出了解决这个问题,通过使用一个随机的基于物理的运动规划,允许机器人对象和对象对象之间的相互作用。其主要思想是避免一个明确的高层次推理的任务,提供一个物理引擎的运动规划器,以评估可能的复杂的多体动力学相互作用。该方法能够解决复杂情况下的问题,也考虑了对象的姿态和接触动力学的不确定性。这项工作增强了状态有效性检查器,控制采样器和树的探索策略的Kinodynamic运动规划称为KPIECE。增强算法,称为p-KPIECE,已在仿真和实际实验中得到验证。的结果进行了比较与本体物理为基础的运动规划和任务和运动规划的方法,导致规划时间,成功率和质量的解决方案路径方面的显着改善。
2017-11-27 cs.RO
Managing The Dynamics Of A Harmonic Potential Field-Guided Robot In A Cluttered Environment
Electrical Engineering Department, KFUPM(法赫德国王石油矿产大学电气工程系)
本文证明了谐波势场,HPF,规划方法产生一个良好的行为约束路径的机器人在混乱的环境中的二阶动力学的能力。结果表明,基于HPF的控制器可以开发完整以及非完整机器人,以有效地抑制惯性力对机器人轨迹的影响,同时保持一个纯粹的运动学HPF规划的所有有吸引力的功能。所建议的导航控制器的能力,证明使用仿真结果。比较还提供了用于转换的引导信号从一个纯粹的运动HPF规划器到导航控制信号的其他方法。
2016-08-21 cs.RO
Reinforcement Learning with Data Bootstrapping for Dynamic Subgoal Pursuit in Humanoid Robot Navigation
Mechanical and Aerospace Engineering, The Ohio State University(机械与航空航天工程,俄亥俄州立大学);Electrical and Computer Engineering, The Ohio State University(电气与计算机工程,俄亥俄州立大学);Computer Science and Engineering, The Ohio State University(计算机科学与工程,俄亥俄州立大学)
本文提出一种分层导航框架,结合高层强化学习子目标选择与低层MPC步态规划,并利用数据引导加速训练,在人形机器人杂乱环境导航中显著提升了成功率和适应性。
2025-06-02 cs.RO
AUV Rendezvous Online Path Planning in a Highly Cluttered Undersea Environment Using Evolutionary Algorithms
Flinders University(弗林德斯大学)
在这项研究中,一个单一的自主水下航行器(AUV)的目标是通过一个混乱和可变的操作领域与一个淹没的领导者回收车辆会合。将交会问题转化为非线性最优控制问题,并给出了数值解。采用罚函数法将边界条件、车辆和环境约束与最终交会时间这一性能指标结合起来,提出了四种基于进化的路径规划方法,即粒子群优化(PSO)、基于生物地理学的优化(BBO)、采用差分进化算法和萤火虫算法建立了反应式规划器模型,并对提出的NOCP进行了数值求解。本文的目标是通过一个综合的仿真研究来综合和分析上述方法的性能和能力,用于引导AUV从游荡点到会合地点。所提出的规划器模块需要一个启发式的改进路径,考虑到潜在环境的态势感知,包括静态和动态的障碍物淹没在时空电流矢量。这导致适应不可预见的变化,在经营领域如出现不可预测的障碍物或电流矢量场和湍流区域的变化。仿真结果表明,固有的鲁棒性和显着的效率,所提出的规划器在提高车辆的自主性,在使用电流的力量,应付不希望的电流干扰所需的交会目的。根据所得结果,提出了各种方法的优缺点。
2016-06-15 cs.RO
Contact-Prioritized Planning of Impact-Resilient Aerial Robots with an Integrated Compliant Arm
University of California, Riverside(加州大学河滨分校);Field AI
本文提出了一种配备柔顺臂的冲击弹性空中机器人s-ARQ,结合实时接触力估计器、非线性运动控制器和接触优先规划方法,实现在杂乱环境中高效处理碰撞并稳定机动。
2023-05-24 cs.RO
SanD-Planner: Sample-Efficient Diffusion Planner in B-Spline Space for Robust Local Navigation
SanD-Planner通过基于B样条空间的高效扩散方法,在有限样本下实现高鲁棒性的局部导航规划。
2026-01-31 cs.RO
Human-like Planning for Reaching in Cluttered Environments
University of Leeds(利兹大学);School of Computing, University of Leeds(利兹大学计算机学院);School of Psychology, University of Leeds(利兹大学心理学院);Centre for Immersive Technologies, University of Leeds(利兹大学沉浸式技术中心)
与机器人相比,人类非常善于在杂乱的环境中伸手去拿物体。现有最好的机器人规划器是基于配置空间的随机采样--随着对象数量的增加,配置空间变得过于高维。因此,大多数规划者往往无法有效地找到对象操纵计划在这样的环境中。我们通过识别人类的高级操作计划,并将这些技能转移给机器人规划者来解决这个问题。我们使用虚拟现实来捕捉人类参与者在布满障碍物的桌面上伸手去抓目标物体的场景。由此,我们设计了任务空间的定性表示来抽象决策,而不管障碍的数量。在此基础上,对人体示范进行分割,并用于训练决策分类器。使用这些分类器,我们的规划器在任务空间中产生了一个路径点列表。这些路点提供了一个高层次的计划,可以转移到一个任意的机器人模型,并用于初始化本地轨迹优化。我们通过对看不见的人类VR数据、基于物理的机器人模拟和真实机器人(数据集和代码是公开的)进行测试来评估这种方法。我们发现,这种类人规划器的性能优于最先进的标准轨迹优化算法,并且能够生成有效的快速规划策略--无论环境中有多少障碍物。
2020-03-03 cs.LG cs.RO
POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
提出可嵌入的 POA 规划器,通过识别可通行与不可通行障碍物,让两轮机器人在高度杂乱环境中穿越可通行障碍,并较 GVD、A*、RRT* 最多缩短路径 43%、时间 39%。
2023-07-16 cs.AI cs.RO
Motion Planning for Collision-resilient Mobile Robots in Obstacle-cluttered Unknown Environments with Risk Reward Trade-offs
University of California, Riverside(加州大学河滨分校)
在未知障碍物杂乱的环境中避免碰撞可能并不总是可行的。本文重点介绍了一种新的范式转变,即可以利用而不是完全避免与环境的潜在碰撞。为此,我们引入了一种新的基于采样的在线规划算法,可以明确地处理与环境碰撞的风险,并可以在碰撞避免和碰撞利用之间切换。规划者的能力的核心是一个新的联合优化功能,使用反射模型评估可能的碰撞的影响。通过这种方式,规划者可以做出与环境碰撞的深思熟虑的决定,如果这种碰撞有望帮助机器人朝着目标前进。为了使算法在线,我们提出了一个状态扩展修剪技术,显着减少了搜索空间,同时确保完整性。该算法的实验评估与内置的内部完整轮式机器人,可以承受碰撞。我们进行了广泛的参数研究,以调查(用户调整)的风险水平之间的权衡,故意碰撞决策,和轨迹统计,如时间,以达到目标和路径长度。
2020-09-04 cs.RO
Probabilistic Visibility-Aware Trajectory Planning for Target Tracking in Cluttered Environments
College of Engineering, Peking University(北京大学工学院);Beijing Institute for General Artificial Intelligence (BIGAI)(北京通用人工智能研究院)
本文提出一种实时非短视的轨迹规划器,通过引入信念空间检测概率(BPOD)和结合扩展卡尔曼滤波器,在系统不确定性下实现杂乱环境中目标跟踪的可见性感知与安全规划。
2024-08-27 cs.RO
PASSAGE: Scaling Scene-Aligned Motion Learning for Perceptive Humanoid Traversal in Cluttered Environments
Galbot;Shanghai Qi Zhi Institute(上海期智研究院);ShanghaiTech University(上海科技大学);Zhongguancun Academy(中关村学院);Shanghai Jiao Tong University(上海交通大学);National University of Singapore(新加坡国立大学);Tsinghua University(清华大学);Peking University(北京大学)
PASSAGE提出感知条件规划器-跟踪器框架,利用100小时场景对齐运动数据,通过条件流匹配与全身跟踪实现人形机器人在杂乱环境中的自主穿越,成功率提升至70.3%。
2026-09-17 cs.RO
DNFOMP: Dynamic Neural Field Optimal Motion Planner for Navigation of Autonomous Robots in Cluttered Environment
Skoltech(斯科尔科沃科学技术研究院)
本文提出DNFOMP方法,将已知移动障碍物嵌入神经场碰撞模型并引入时间剖析与非线性速度约束,在BeamNG.tech城市仿真中实现动态环境下的安全舒适运动规划。
2023-08-07 cs.RO
Efficient Obstacle Rearrangement for Object Manipulation Tasks in Cluttered Environments
Korea Institute of Science and Technology(韩国科学技术研究院);Hanyang University(汉阳大学)
我们提出了一种算法,产生一个计划,重新定位障碍物,以抓住一个目标在混乱的机器人机械手没有碰撞。我们考虑的配置中的对象是密集的人口在一个约束和密闭的空间。因此,不存在无碰撞路径的机械手没有重新定位的障碍物。由于规划对象重排的问题已被证明是NP难的,因此难以有效地执行可能频繁发生在服务域(例如,从架子或冰箱中取出目标)。我们提出的规划器采用了碰撞避免计划,已被广泛应用于移动机器人导航。规划者实时的确定要快速移除的障碍物。它还可以处理配置中的动态变化(例如,物体姿态的变化)。我们的方法被证明是完整的,并运行在多项式时间。在一个现实的模拟环境中的实验结果表明,我们的方法提高了31%的执行时间相比,其他竞争对手。
2019-02-19 cs.RO
Greedy Perspectives: Multi-Drone View Planning for Collaborative Perception in Cluttered Environments
Olin College of Engineering(奥林工程学院);Carnegie Mellon University(卡内基梅隆大学);Colorado School of Mines(科罗拉多矿业学院)
本文提出遮挡感知的多机器人多演员顺序贪婪视角规划器,在杂乱环境中协同拍摄动态人群,实验表明其可在避免机器人间碰撞的同时提升或保持视角奖励。
2024-09-10 cs.AI cs.RO
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA(英伟达);University of Southern California(南加州大学);Amazon(亚马逊)
针对含交互动态障碍的杂乱环境,本文提出DREAM去中心化异步概率多机器人轨迹规划器,仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
Histo-Planner: A Real-time Local Planner for MAVs Teleoperation based on Histogram of Obstacle Distribution
Sorbonne Universite(索邦大学);CNRS(法国国家科学研究中心);UMR 7222(7222号研究单位);Institut des Systemes Intelligents et de Robotique - ISIR(智能系统与机器人研究所);Isir.upmc.fr(ISIR-巴黎大学)
针对计算受限的杂乱环境下MAV遥操作实时避障需求,提出无需全局地图的Histo-Planner局部规划器,结合障碍物分布直方图规划算法与模式触发管理器,经仿真和室内实验验证有效并给出基准对比。
2025-05-21 cs.RO
Learning Adaptive Safety Margins for Visual Navigation
New York University Abu Dhabi(纽约大学阿布扎比分校)
研究针对室内机器人视觉导航中安全裕度校准问题,提出上下文条件安全评论家方法,通过分解的三个互补项学习自适应间隙偏好排序扩散提议,经训练和提炼后在导航任务中表现出色,还能转移到人形机器人。
2026-07-21 cs.AI cs.RO
Long-Range Indoor Navigation with PRM-RL
Robotics at Google(谷歌机器人部门)
长距离室内导航需要引导带有噪声传感器和控制器的机器人沿着跨越各种建筑物的路径穿过杂乱的环境。我们实现了这一点与PRM-RL,分层机器人导航方法,其中强化学习代理映射噪声传感器的机器人控制学习解决短程避障任务,然后基于采样的规划者地图,这些代理可以可靠地在模拟导航;这些路线图和代理,然后部署在机器人上,引导他们沿着代理可能成功的最短路径。在这里,我们使用概率路线图(PRM)作为基于采样的规划器,AutoRL作为室内导航环境中的强化学习方法。我们评估的方法在模拟运动学差动驱动和kinodynamic车一样的机器人在几个环境中,并在三个物理站点的差动驱动机器人。我们的研究结果表明,带有AutoRL的PRM-RL比几个基线更成功,对噪声具有鲁棒性,并且可以在模拟和机器人上面对噪声和障碍物引导机器人超过数百米,包括超过5.8公里的物理机器人导航。视频:https://youtu.be/xN-OWX5gKvQ
2020-02-22 cs.AI cs.LG cs.RO
A Tactile-based Interactive Motion Planner for Robots in Unknown Cluttered Environments
Shanghai Research Institute for Intelligent Autonomous Systems(上海智能自主系统研究院);State Key Laboratory of Autonomous Intelligent Unmanned Systems(自主智能无人系统国家重点实验室);Frontiers Science Center for Intelligent Autonomous Systems(智能自主系统前沿科学中心);College of Electronics and Information Engineering, Tongji University(同济大学电子与信息学院)
本文提出了一种基于触觉的交互式运动规划框架,通过多模态触觉感知实时构建接触模型,从而在未知杂乱环境中安全扩展自由运动空间。
2026-03-23 cs.RO cs.SY eess.SY
HE-Nav: A High-Performance and Efficient Navigation System for Aerial-Ground Robots in Cluttered Environments
University of Hong Kong(香港大学);Peng Cheng Laboratory(鹏城实验室);Huazhong University of Science and Technology(华中科技大学)
针对现有空地机器人导航系统在严重遮挡杂乱环境中性能与效率不足的问题,提出HE-Nav系统,通过轻量感知网络与节能规划器实现高效导航,能耗降为1/7且仿真规划成功率达98%。
2024-10-07 cs.RO
A Model Predictive Path Integral Method for Fast, Proactive, and Uncertainty-Aware UAV Planning in Cluttered Environments
University of Virginia(弗吉尼亚大学)
针对杂乱环境中无人机跟踪误差导致碰撞的问题,提出基于模型预测路径积分(MPPI)的运动规划框架,结合数据驱动的风险函数,减少所需样本数,实验证明该方法能主动适应障碍物并完全消除碰撞。
2023-08-02 cs.RO
AirSplan: Risk-Aware Motion Planning for Quadrotors in Cluttered 3D Gaussian Splats
University of Michigan(密歇根大学)
AirSplan提出一种结合归一化3D高斯溅射场景表示与基于可达性运动规划器的系统,利用微分平坦性计算紧致碰撞约束,在杂乱环境中实现高成功率(81.2%)的四旋翼无碰撞路径规划。
2026-09-21 cs.RO
A Generalized Continuous Collision Detection Framework of Polynomial Trajectory for Mobile Robots in Cluttered Environments
The University of Hong Kong(香港大学);Baidu Research(百度研究院)
在本文中,我们介绍了一种广义连续碰撞检测(CCD)框架的移动机器人沿多项式轨迹在杂乱的环境中,包括各种静态障碍物模型。具体来说,我们发现,机器人和障碍物之间的碰撞条件可以转化为一组多项式不等式,其根可以有效地解决所提出的求解器。此外,我们测试了不同类型的移动机器人与各种运动学和动力学的约束,在我们的广义CCD框架,并验证它允许可证明的碰撞检查,并可以计算准确的时间的影响。此外,我们结合我们的架构与导航系统中的路径规划器。受益于我们的CCD方法,移动机器人能够安全地工作在一些具有挑战性的场景。
2022-06-27 cs.RO
Receding Horizon Navigation and Target Tracking for Aerial Detection of Transient Radioactivity
University of Delaware(特拉华大学)
针对四旋翼\ac{mav}在复杂的未知动态环境中进行被动导航和拦截运动目标的问题,提出了一种滚动时域规划与控制策略。利用在相对窄且短的\ac{fov}内生成点云的轻量级短程传感器以及在\ac{mav}上运行的基于\acs{ssd} -MobileNet的深度神经网络,所提出的运动规划和控制策略在传感器\acs{fov}内产生安全且动态可行的\ac{mav}轨迹,车辆使用该轨迹来自主导航、追踪和拦截其移动目标。该任务的完成不依赖于全局规划器或关于环境或移动目标的先验信息。在最大速度为4.5 ~ 5 m/s的复杂室内和室外环境中,数值和实验结果表明了该规划器的有效性。
2022-06-04 cs.RO
Kinodynamic Motion Planning for a Team of Multirotors Transporting a Cable-Suspended Payload in Cluttered Environments
Faculty of Electrical Engineering and Computer Science, Technical University of Berlin(柏林工业大学电机工程与计算机科学学院);New York University(纽约大学)
本文提出一种面向多无人机缆绳悬挂载荷运输的动力学运动规划方法,通过分层几何采样与约束轨迹优化,在杂乱环境中显著降低跟踪误差和能耗,并提升狭窄空间队形变换场景的成功率。
2024-10-01 cs.MA cs.RO
Towards Contact-Aided Motion Planning for Tendon-Driven Continuum Robots
University of Toronto(多伦多大学);Technion(以色列理工学院)
针对单分段腱驱动连续体机器人在杂乱环境中的导航问题,本文提出一种利用环境接触实现多曲率的搜索式运动规划器,并通过专用启发式函数显著提升规划成功率至约80%。
2024-02-21 cs.RO
Computationally Efficient Obstacle Avoidance Trajectory Planner for UAVs Based on Heuristic Angular Search Method
Hong Kong Polytechnic University(香港理工大学);The University of Hong Kong(香港大学)
为了在具有挑战性的环境中完成各种任务,在避免意外障碍物的同时完全自主导航的能力是无人机在实际应用中最关键的要求。在本文中,我们提出了这样一个计算效率高的避障轨迹规划器,可用于在混乱的未知环境。由于无人机上单个深度摄像机的视场较窄,周围障碍物的信息非常有限,难以实现最短的整条路径。因此,我们专注于轨迹规划器的时间成本和安全性,而不是其他因素。该规划器主要由点云处理器、基于启发式角度搜索的航路点发布器和基于最小加速度优化的运动规划器组成。此外,我们提出了几种技术,以提高安全性,使找到一个可行的轨迹尽可能大的可能性。所提出的方法被实现为实时运行在船上,并在仿真中进行了广泛的测试,迭代步骤的平均控制输出计算时间小于18 ms。
2020-12-28 cs.RO
aUToPath: Unified Planning and Control for Autonomous Vehicles in Urban Environments Using Hybrid Lattice and Free-Space Search
提出 aUToPath 统一在线框架,通过混合格网与自由空间搜索生成可行驶走廊,并以 SCP-MPC 联合优化轨迹和控制,仿真与实车实验验证了安全性和高成功率。
2025-05-14 cs.RO
Prediction of Bottleneck Points for Manipulation Planning in Cluttered Environment using a 3D Convolutional Neural Network
BITS Pilani(pilani大学);BITS Pilani, Dubai Campus(pilani大学迪拜校区)
工业机器人的最新研究旨在使人类机器人的无缝协作成为可能。为此,工业机器人被期望在非结构化和杂乱的环境中工作,因此感知驱动的运动规划的主题起着至关重要的作用。对于具有实时的约束的高维运动规划问题,基于采样的运动规划器被证明是最有效的。随机采样器存在“窄通道”或瓶颈区域现象,需要有针对性的采样来提高收敛速度。在各种规划问题中识别这些瓶颈区域也是一项挑战。在本文中,试图解决这两个问题,设计了一个智能的“瓶颈引导”启发式的快速探索随机树星(RRT*)的规划者,这是基于相关的背景下提取的规划方案,使用3D卷积神经网络,它也证明了所提出的技术推广到看不见的问题实例。本文基准的技术(瓶颈引导RRT*)对10%的目标偏向RRT星规划,规划时间和内存的要求显着改善,并使用ABB 1410工业机械手作为平台的植入和验证的结果。
2019-11-12 cs.AI cs.DS cs.LG
Bubble Explorer: Fast UAV Exploration in Large-Scale and Cluttered 3D-Environments using Occlusion-Free Spheres
University of Hong Kong(香港大学);Harbin Institute of Technology(哈尔滨工业大学)
提出Bubble Explorer方法,利用无遮挡球体生成低成本视点,结合贪婪策略与全局优化,实现大规模杂乱3D环境中UAV的快速高效探索。
2023-04-03 cs.RO
Fast-Tracker: A Robust Aerial System for Tracking Agile Target in Cluttered Environments
Zhejiang University(浙江大学)
本文提出了一种系统的解决方案,使用无人机(UAV)积极和安全地跟踪一个敏捷的目标。该解决方案能够正确处理无人机未知目标意图和密集环境的挑战性情况。我们的工作分为两部分:目标运动预测和跟踪轨迹规划。目标运动预测方法利用目标观测值来可靠地预测考虑动态约束的目标的未来运动。跟踪轨迹规划器遵循传统的分层工作流程,前端采用基于目标信息的运动动力学搜索方法,主动搜索安全的跟踪轨迹。然后,后端优化器将其细化为时空最佳和无冲突的轨迹。所提出的解决方案被集成到机载四旋翼系统中。在实际跟踪任务中对该系统进行了测试,并通过基准测试验证了该方法在时间效率和跟踪效果上优于现有的方法。
2020-11-08 cs.RO
Contact-Aware Non-prehensile Robotic Manipulation for Object Retrieval in Cluttered Environments
Tsinghua University(清华大学)
非弹性操纵方法通常使用简单的末端执行器,一根单独的杆来操纵物体。与抓取方法相比,这样的末端执行器是紧凑和灵活的,因此它可以在受约束的工作空间中执行任务;作为权衡,它具有相对较少的自由度(DoF),导致在规划和控制的复杂约束下的致动不足问题。本文提出了一种新的非易失性操作方法,在混乱的环境中的目标检索任务,使用棒状推杆。具体来说,首先在一个混乱的环境中产生的候选轨迹与改进的快速探索随机树(RRT)规划器,然后,模型预测控制(MPC)计划被施加到稳定滑块的姿态,通过必要的接触障碍物。与现有方法不同的是,该方法具有接触感知的特点,能够实现主动清除障碍物、回避行为和切换接触面的综合效果,提高灵巧性。从而大大提高了任务的可行性和效率。所提出的方法的性能进行了验证,在一个平面的对象检索任务,其中的目标对象,周围有许多固定或可移动的障碍物,被操纵和隔离。仿真和实验结果。
2023-03-07 cs.RO
Efficient and Safe Trajectory Planning for Autonomous Agricultural Vehicle Headland Turning in Cluttered Orchard Environments
ZJU-Hangzhou Global Scientific and Technological Innovation Center, Zhejiang University(浙江大学ZJU-杭州全球科技创新中心);University of California, Davis(加州大学戴维斯分校);College Of Biosystems Engineering And Food Science, Zhejiang University(浙江大学生物系统工程与食品科学学院)
针对杂乱果园中自主农业车辆地头转向的挑战,提出一种结合高效前端算法与高性能后端优化的新型轨迹规划器,提升了安全性与效率,并优于现有方法。
2025-01-18 cs.RO
Optimization-based Trajectory Tracking Approach for Multi-rotor Aerial Vehicles in Unknown Environments
Innopolis University(Innopolis大学)
本文的目标是开发一种基于连续优化的参考轨迹的细化,以“推”出的障碍物占据的空间在全球阶段的多旋翼飞行器在未知的环境中。我们提出的方法包括两个规划者:一个全球规划者和本地规划者。全局规划器在轨迹经过障碍物或接近障碍物时对初始参考轨迹进行细化,并让局部规划器计算接近最优控制策略。全局规划器包括两种凸规划方法:第一种方法有助于细化参考轨迹,第二种方法有助于在第一种方法未能细化时恢复参考轨迹。全局规划器主要关注实时性能和避障,而所提出的基于约束非线性模型预测控制的局部规划器的公式确保了安全性、动态可行性和低速机动的参考轨迹跟踪精度,条件是局部规划器和全局规划器的平均计算时间分别为0.06 s(15 Hz)和0.05 s(20 Hz)。NVIDIA Jetson Xavier NX计算机我们的实验结果证实,在杂乱的环境中,所提出的方法优于其他三种方法:基于采样的寻路其次是轨迹生成,本地规划器,基于图形的寻路其次是轨迹生成。
2022-02-12 cs.RO
LAMP: Long-Horizon Adaptive Manipulation Planning for Multi-Robot Collaboration in Cluttered Space
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
提出LAMP框架,结合学习生成的操作模型与两种规划器(LAMPA*和LAMP-Lazy),实现多机器人在密集杂乱环境中的长时域协作操作规划,解决现有方法无法处理的复杂任务。
2026-07-09 cs.RO
Extended Abstract: Motion Planners Learned from Geometric Hallucination
University of Texas at Austin(德克萨斯大学奥斯汀分校)
学习运动规划器将机器人以无碰撞的方式在障碍物占据的空间内从一个点移动到另一个点需要大量的数据或高质量的演示。这一要求是由以下事实引起的:在机器人可以执行的各种机动中,如果没有多次试错或已经能够这样做的专家,很难找到单一的最佳计划。然而,给定在无障碍空间中执行的计划,找到该计划最优的障碍几何形状相对容易。我们认为这个“双重”的经典运动规划的问题,并命名为幻觉的过程中找到适当的障碍物的几何形状。在这项工作中,我们提出了两种不同的方法来幻觉(1)最受约束和(2)最小的障碍空间,其中在完全安全的无障碍环境中的探索阶段执行的给定计划仍然是最佳的。然后,我们训练一个端到端的运动规划器,它可以在部署过程中产生通过现实障碍物的运动。这两种方法都在现实世界的杂乱环境中的物理移动机器人上进行了测试。
2020-10-19 cs.RO
Contact Planning for the ANYmal Quadruped Robot using an Acyclic Reachability-Based Planner
University of Oxford(牛津大学);Sabanci University(萨班哲大学);CNRS(法国国家科学研究中心)
尽管四足机器人在过去十年中取得了巨大的进步,但在高度不均匀和混乱的环境中选择良好的接触点(立足点)仍然是一个公开的挑战。本文建立在一种已成功用于人形机器人的最先进方法的基础上,并将其应用于我们的机器人平台;四足机器人ANY-mal。所提出的算法将问题分解为两个子问题:首先生成机器人的引导轨迹,然后沿着该轨迹创建接触。这两个子问题都依赖于需要调整的近似和算法。这项工作的主要贡献是解释该算法如何被重新调整到与任何故障一起工作,并在现实的动态模拟中显示该方法与各种测试的相关性。
2019-04-17 cs.RO
Collapse and Collision Aware Grasping for Cluttered Shelf Picking
Dubai Future Labs(迪拜未来实验室);Birla Institute of Technology and Science, Pilani, Dubai Campus(比拉理工科学与 Pilani 学院迪拜校区)
针对仓库堆叠物品取回中的碰撞与坍塌问题,提出集成物理仿真的抓取规划器,通过重建三维场景评估策略,显著提升效率与成功率。
2025-03-28 cs.RO
Fast Obstacle Avoidance Motion in SmallQuadcopter operation in a Cluttered Environment
Indian Institute of Science(印度科学学院)
小型四轴飞行器在未知的复杂环境中高速自主飞行是一项具有挑战性的任务。目前文献中的工作将其表述为感知与避免(SAA)问题,并通过开发新的传感功能或小型处理器来解决该问题。然而,SAA,与高速操作,仍然是一个悬而未决的问题。由于计算延迟而产生显著的复杂性,这对于快速移动的四轴飞行器至关重要。本文提出了一种新的快速避障运动(FOAM)算法来执行SAA操作。FOAM是一种基于感知的低延迟算法,它使用单目相机和2-D LIDAR的多传感器融合。生成感测区域的2-D概率占用图以估计用于避开障碍物的自由空间。此外,本地规划器用于将高速四轴飞行器朝向给定目标位置导航,同时避开障碍物。在Gazebo和AIRSIM的模拟环境中对FOAM的性能评估进行了评估。已经在室外环境中使用以$4.5$ m/s的速度操作的定制设计的四轴飞行器提出了相同的实时实现。FOAM算法在低成本计算设备上实现,以证明其有效性。结果表明,FOAM使小型四轴飞行器能够在杂乱环境中高效地高速运行。
2021-09-19 cs.RO
Automatic Parameter Adaptation for Quadrotor Trajectory Planning
Zhejiang University(浙江大学);Huzhou institute of Zhejiang University(浙江大学湖州研究院)
在线轨迹规划器使四旋翼飞行器能够在未知的混乱环境中安全平稳地航行。然而,调整参数具有挑战性,因为现代规划者已经变得过于复杂,无法进行数学建模和预测它们与非结构化环境的相互作用。这项工作需要人类的循环,提出了一个规划参数自适应框架,制定目标成两个互补的类别,并异步优化它们。分别使用贝叶斯优化(BayesOpt)和粒子群优化(PSO)优化有和无轨迹执行的目标。通过将两类目标相结合,加快了黑箱优化的总收敛速度,同时增加了优化参数的维数。基准比较表明其优于其他策略的性能。通过对障碍物密度变化的测试,验证了其实时环境适应性,这是以前手动调整困难的。不同无人机平台、环境和规划者的真实飞行显示了所提出的框架的可扩展性和有效性。
2022-07-13 cs.RO
Autonomous Navigation of Underactuated Bipedal Robots in Height-Constrained Environments
UC Berkeley(加州大学伯克利分校)
针对双足机器人在低矮杂乱环境中的通行难题,提出融合三层规划、vSLIP轨迹优化与可变步行高度控制的端到端框架,并在Cassie上验证其安全避障与自主导航能力。
2023-07-13 cs.AI cs.RO cs.SY
Integrating Active Sensing and Rearrangement Planning for Efficient Object Retrieval from Unknown, Confined, Cluttered Environments
Purdue University(普渡大学)
针对未知受限杂乱环境中的目标提取问题,提出集成基于启发式的主动感知与基于MCTS的提取规划方法,通过组件间反馈优化感知与规划,在成功率及时间消耗上显著优于基线方法。
2024-11-18 cs.RO
Topology-Guided Path Integral Approach for Stochastic Optimal Control in Cluttered Environment
KAIST(韩国科学技术院)
本文将不确定性条件下的机器人运动规划与控制问题转化为连续时间、连续空间的随机最优控制问题,提出了一种拓扑引导的路径积分控制方法。的路径积分控制框架,它形成了所提出的方法的骨干,重写的Hamilton-Jacobi-Bellman方程作为一个统计推断问题,由此产生的推理问题是解决的采样过程,计算控制轨迹的分布轨迹周围的被动动力学。然而,对于高度杂乱的环境中的机器人的运动控制,这种采样可以很容易地被困在一个局部最小值,除非样本大小是非常大的,因为局部最小值的全局最优性取决于不确定性的程度。因此,同源嵌入式采样为基础的规划,确定许多(潜在的)本地最小轨迹在不同的同源类的开发,以帮助采样过程。结合滚动时域的最优控制,该方法产生了一个动态可行的和无碰撞的运动计划,而不会陷入局部最小值。合成玩具问题和复杂障碍物场中四旋翼飞行器控制问题的数值算例验证了该方法的有效性。
2018-08-01 cs.RO
Fast High-Quality Tabletop Rearrangement in Bounded Workspace
Rutgers University(罗格斯大学);Cornell University(康奈尔大学)
在本文中,我们研究的问题,重新安排许多对象在一个杂乱的设置使用上手掌握在桌面上。有效的解决方案,捕捉我们每天解决的常见任务,对于实现真正的智能机器人操作至关重要。在给定的实例中,对象可能需要被放置在临时位置(“缓冲区”)以完成重新布置,但是在杂乱的环境中分配这些缓冲区位置可能是非常具有挑战性的。为了解决这一挑战,首先开发了两步基线规划器,该基线规划器基于由对象的起始和目标姿态引起的固有组合约束生成原始规划,然后在原始规划的帮助下选择缓冲器位置。然后,我们采用了“懒惰”的规划,在树搜索框架,这是进一步加快了适应一种新的预处理例程。仿真实验表明,我们的方法可以快速生成高质量的解决方案,并在解决大规模的情况下比现有的国家的最先进的方法更强大。资料来源:github.com/arc-l/TRLB
2021-10-24 cs.RO
A Learning-Based Framework for Collision-Free Motion Planning
针对杂乱环境无碰撞运动规划问题,本文提出基于学习的CF规划器扩展框架,用深度神经网络从深度图像推断最优增益,无需手动调参即可实时规划,在仿真和Franka Emika Panda机器人上验证了其任务完成能力与更优泛化性。
2025-11-14 cs.RO
SCAN-Planner: Spatial Collision-Aware Local Planning for Route-Guided Long-Range Quadruped Navigation
Shanghai Jiao Tong University(上海交通大学)
提出SCAN-Planner框架,通过偏航感知双圆柱足迹和投影A*搜索实现空间碰撞感知的局部规划,在密集杂乱、3D非结构化环境和远程导航中生成安全平滑轨迹。
2026-06-19 cs.RO
NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning
Purdue University(普渡大学)
神经运动规划(NMPs)已成为解决机器人导航任务在复杂环境中的一个很有前途的工具。然而,这些方法通常需要专家数据进行学习,这将其应用限制在数据生成耗时的场景中。最近的发展也导致了能够表示复杂动态偏微分方程(PDE)的物理学深度神经模型。受这些发展的启发,我们提出了神经时间场(NTFields)的机器人运动规划在混乱的情况下。我们的框架代表了一个波传播模型,生成连续的到达时间,以找到由一个称为Eikonal方程的非线性一阶PDE通知的路径解决方案。我们评估我们的方法在各种杂乱的3D环境中,包括吉布森数据集,并证明其有能力解决运动规划问题的4-DOF和6-DOF的机器人机械手,传统的基于网格的Eikonal规划者往往面临的灾难的维度。此外,结果表明,我们的方法具有较高的成功率和显着较低的计算时间比国家的最先进的方法,包括NMP,需要训练数据从经典的规划。
2023-03-01 cs.LG cs.RO
ImpedanceDiffusion: Diffusion-Based Global Path Planning for UAV Swarm Navigation with Generative Impedance Control
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology(智能空间机器人实验室,数字工程中心,斯克尔科夫科学与技术研究所)
ImpedanceDiffusion通过结合扩散模型和人工势场跟踪,实现无人机群在复杂环境中的可靠路径规划与自适应阻抗控制。
2026-03-10 cs.RO
Rectangular Pyramid Partitioning using Integrated Depth Sensors (RAPPIDS): A Fast Planner for Multicopter Navigation
University of California, Berkeley(加州大学伯克利分校)
我们介绍RAPPIDS:一种用于多旋翼飞行器的新型碰撞检查和规划算法,该算法能够在给定来自机载相机的单个深度图像的情况下快速找到局部无碰撞轨迹。这项工作的主要贡献是一个新的基于空间分割的方法,使候选轨迹和环境之间的快速碰撞检测。通过利用我们的碰撞检查方法的效率,我们展示了本地规划算法如何在计算受限的硬件上以高速率运行,在毫秒内评估数千个候选轨迹。该算法的性能进行比较,现有的碰撞检查方法在模拟中,显示我们的方法是能够评估的数量级更多的轨迹每秒。实验结果显示,四轴飞行器快速导航以前看不见的杂乱的环境中运行的ODROID-XU 4在30 Hz的算法。
2020-08-28 cs.RO
Hierarchical Planning with Annotated Skeleton Guidance
Texas A&M University(德克萨斯农工大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治技术研究所)
我们提出了一个分层的机器人引导运动规划算法来指导移动机器人。一个好的骨架映射了包含重要自由度的c空间子空间的连通性,并且能够指导规划者快速找到所需的解决方案。然而,有时骨架并不紧密地代表自由c空间,这经常误导当前的骨架引导规划者。随着C空间被采样,分层的信标引导的规划策略逐渐放松其对工作空间骨架的依赖,从而递增地返回次优路径,这是标准信标引导算法中不能保证的特征。实验比较标准的导航规划器和其他懒惰的规划策略显示显着改善路线图建设运行时间,同时保持多查询问题在混乱的环境中的路径质量。
2022-06-23 cs.RO
Coverage First Next Best View for Inspection of Cluttered Pipe Networks Using Mobile Manipulators
Manchester Centre for Robotics and AI, The University of Manchester(曼彻斯特机器人与人工智能中心,曼彻斯特大学);The University of Tokyo(东京大学)
本文提出了一种基于下一步最佳视角的规划方法,用于在受限环境中同时进行探索和利用,通过信息增益重新表述覆盖路径规划问题,实现了对管道网络的自主覆盖检查。
2026-03-17 cs.RO