RAMP: Hierarchical Reactive Motion Planning for Manipulation Tasks Using Implicit Signed Distance Functions
Samsung AI Center NY(三星纽约人工智能中心)
提出RAMP分层运动规划器,结合MPPI与向量场控制,利用配置空间的SDF实现快速、安全的实时轨迹规划,速度提升30倍。
2023-07-31 cs.RO cs.SY eess.SY
Motion Planning using Reactive Circular Fields: A 2D Analysis of Collision Avoidance and Goal Convergence
本文针对反应式规划难以同时保证避碰与目标收敛的问题,严格分析基于CF的二维运动规划器,给出覆盖全算法的充要避碰条件、多障碍扩展及目标收敛充分条件,并通过非凸点云障碍仿真验证。
2023-11-03 cs.RO cs.SY eess.SY
SPOT: Spatio-Temporal Obstacle-free Trajectory Planning for UAVs in Unknown Dynamic Environments
Robotics Research Center, IIIT Hyderabad, India(IIIT海得拉巴机器人研究中心,印度);IIT-BHU, India(IIT-BHU,印度)
提出一种基于4维时空规划器、视觉安全飞行走廊生成和轨迹优化的无地图反应式运动规划方法,实现无人机在未知动态环境中的避障,并通过备份规划模块应对死锁。
2026-07-03 cs.RO cs.SY eess.SY
Hybrid Data-Driven Predictive Control for Robust and Reactive Exoskeleton Locomotion Synthesis
Department of Computation and Neural Systems, Caltech(计算与神经系统系,加州理工学院);Department of Mechanical and Civil Engineering, Caltech(机械与土木工程系,加州理工学院);Wandercraft;Department of Computing and Mathematical Sciences, Caltech(计算与数学科学系,加州理工学院);Department of Control and Dynamical Systems, Caltech(控制与动态系统系,加州理工学院)
本文提出混合数据驱动预测控制(HDDPC)框架,通过结合基于Hankel矩阵的系统建模、步间转换以及接触调度与轨迹规划的统一,实现了外骨骼鲁棒且反应性的双足行走。
2025-08-14 cs.RO
Physically-Feasible Reactive Synthesis for Terrain-Adaptive Locomotion
Georgia Institute of Technology(佐治亚理工学院);Cornell University(康奈尔大学)
针对四足动物在动态变化地形的运动规划问题,提出综合规划框架,结合反应式合成与混合整数凸规划,采用符号修复机制,经实验验证该框架能识别缺失技能并在关键环境有效响应。
2026-07-21 cs.RO
Multi-Modal MPPI and Active Inference for Reactive Task and Motion Planning
TU Delft(代尔夫特理工大学)
提出结合主动推断规划器与多模态模型预测路径积分控制器的反应式任务与运动规划方法,同时适应高层动作与底层运动,应对运行时不确定性,经仿真与真实场景验证。
2024-07-10 cs.RO
Deep 6-DoF Tracking of Unknown Objects for Reactive Grasping
University of Stuttgart(斯图加特大学);Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);TU Berlin(柏林工业大学)
机器人对未知物体的操作是一个重要的研究领域。实际应用发生在许多现实世界中,机器人需要与未知环境进行交互。我们提出了一种未知物体跟踪、抓取点采样和动态轨迹规划的方法来解决反应式抓取问题。我们的目标跟踪方法结合了Siamese网络和迭代最近点方法,用于点云配准到6-DoF未知目标跟踪的方法中。该方法不需要进一步的训练,并且对噪声和遮挡具有鲁棒性。我们提出了一个机器人操作系统,它能够抓住各种各样的以前看不见的对象,是强大的对象扰动和劣质抓点。
2021-03-25 cs.AI cs.RO
Persistent AUV Operations Using a Robust Reactive Mission and Path Planning (RRMPP) Architecture
School of Information Technology, Deakin University(迪肯大学信息技术学院)
提供更高水平的决策自主性和伴随的不确定环境的迅速变化是AUV自主操作的真正挑战。该方法引入了一个鲁棒的反应结构,在顶层适应AUV的任务规划,任务时间管理,并通过同步运动规划在较低的水平,包括环境变化。所提出的架构是在一个层次化的模块化的格式和一堆的进化算法,每个模块采用调查的效率和鲁棒性的结构在不同的任务场景,而水流数据,不确定的静态移动/运动障碍,车辆Kino-dynamic约束考虑。运动规划器通过在线重新规划能力来促进,以基于环境的局部变化来细化车辆的轨迹。一个小的计算负荷专门用于重新规划过程,因为上层任务规划器呈现了一个有效的概述的操作区域,AUV应该飞行通过。数值模拟进行了调查的鲁棒性和性能的架构在不同的情况下的真实世界的水下环境。仿真结果分析表明,该模型具有精确的任务时间威胁管理能力,同时保证了任务期间的安全部署。
2019-10-16 cs.RO
On the Synthesis of Reactive Collision-Free Whole-Body Robot Motions: A Complementarity-based Approach
Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)(慕尼黑机器人与机器智能研究所、慕尼黑工业大学);GE global research(通用电气全球研究中心);Boston University(波士顿大学);University of Nottingham(诺丁汉大学);Stony Brook University(石溪大学)
针对高自由度机器人全身碰撞规避的实时运动规划难题,提出基于快速线性二次互补性的FLIQC规划器,通过新型运动模型保障无穿透,经对比实验验证可在协作机器人上实现1 kHz的连续反应式规划。
2024-10-29 cs.RO
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology(麻省理工学院)
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证,而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中,我们提出了概率Chekov(p-Chekov),一个快速反应的运动规划系统,可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性,而无需凸化障碍物。本文提供的全面的理论和实证分析表明,p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
DeepQ Stepper: A framework for reactive dynamic walking on uneven terrain
New York University (NYU)(纽约大学);Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
由于非线性动力学模型的捕获区域计算困难,机器人的反应式步进和推力恢复通常仅限于平坦地形。在本文中,我们通过使用强化学习来近似学习此类系统的3D捕获区域来解决这一限制。我们提出了一种新的3D反应步进器,DeepQ步进器,它使用由动作-价值函数近似的3D捕获区域来计算以不同速度行走的最佳步骤位置。我们证明了学习的方法,一个简化的三维摆模型和一个完整的机器人动力学步进的能力。此外,步进器在学习近似捕获区域时实现了更高的性能,同时考虑到在基于简化模型的现有反应式步进器中经常被忽略的机器人的整个动态。DeepQ步进器可以处理带有障碍物的非凸地形,在像垫脚石这样的受限表面上行走,并以恒定的计算成本从外部干扰中恢复。
2020-10-28 cs.RO
Fast UAV Trajectory Optimization using Bilevel Optimization with Analytical Gradients
XYZ Robotics Inc.(XYZ机器人公司);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Duke University(杜克大学)
我们提出了一个有效的优化框架,解决了轨迹优化问题的解耦状态变量的时间变量,从而分解成两个更容易的子问题的一个具有挑战性的非线性规划(NLP)问题。在定时固定的情况下,可以使用凸优化来有效地优化状态变量,并且可以在单独的NLP中优化定时变量,这形成了两层优化问题。通过参数NLP的灵敏度分析解决了获得时间变量梯度的挑战。精确的解析梯度计算从对偶解作为副产品,而现有的有限差分技术需要额外的优化。双层优化框架有效地优化了时间和状态变量,这是证明在生成轨迹的无人机。数值实验表明,双层优化收敛显着更可靠的比一个标准的NLP求解器,和分析梯度优于有限差分计算速度和精度。物理实验表明,它的实时反应目标跟踪任务的适用性。
2021-04-27 cs.RO
Complete Decentralized Method for On-Line Multi-Robot Trajectory Planning in Valid Infrastructures
FEL, CTU in Prague(布拉格捷克理工大学电气工程学院);iRobot Inc.(iRobot公司)
我们考虑一个由多个移动机器人组成的系统,在该系统中,用户可以在任何时候发出搬迁任务,命令其中一个机器人从其当前位置移动到给定的目的地位置。在本文中,我们处理的问题,找到一个轨迹为每个这样的搬迁任务,避免与其他机器人的碰撞。所选择的机器人规划其轨迹,以避免与执行先前发布的任务的其他机器人发生碰撞。我们证明,如果所有可能的目的地的搬迁任务满足所谓的有效的基础设施属性,那么这种机制是保证总是成功的,并提供一个轨迹的机器人到达目的地,而不会与任何其他机器人碰撞。在固定的空间时间离散化的方法的时间复杂度是二次的机器人的数量。我们证明了所提出的方法在几个现实世界的地图上的适用性,并将其性能与一种流行的反应性方法进行比较,该方法试图在本地解决冲突。除了死锁自由,所提出的方法生成的轨迹是显着更快(高达48%的改善)比轨迹产生的局部碰撞避免。
2015-01-30 cs.RO
Reactive Locomotion Decision-Making and Robust Motion Planning for Real-Time Perturbation Recovery
Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们研究的问题,推动恢复双足机器人运动,并提出了一个反应性的决策和鲁棒规划框架运动弹性外部扰动。拒绝扰动是一个基本的能力,双足机器人,并已被广泛研究的运动文献。然而,对抗性干扰和侵略性转向可导致负的横向步长(即,交叉腿场景)具有不稳定运动和自碰撞风险。这些运动规划问题在计算上是困难的,并且还没有在分层集成的任务和运动规划方法下进行探索。我们探讨了一个规划和决策框架,紧密联系的线性时间逻辑为基础的反应合成与轨迹优化,结合机器人的全身动力学,运动学和腿部碰撞避免的限制。在高层次的离散符号决策和低层次的连续运动规划之间,行为树作为一个反应接口来处理运动过程中任何时候发生的扰动。我们的实验结果表明,我们的方法在产生弹性恢复行为响应于不同的扰动从任何方向与有界的幅度的有效性。
2022-03-02 cs.RO cs.SY eess.SY
PaaS: Planning as a Service for reactive driving in CARLA Leaderboard
针对端到端自动驾驶决策黑箱问题,提出PaaS规划模块,在Frenet坐标系下用带可控风格因子的启发式代价函数选最优轨迹,在CARLA排行榜驾驶得分排第三且违规处罚表现更优。
2023-06-14 cs.RO
Nonlinear Model Predictive Control for Multi-Micro Aerial Vehicle Robust Collision Avoidance
ETH Zurich(苏黎世联邦理工学院);TU Delft(代尔夫特理工大学)
多旋翼微型飞行器共享同一空域,需要一种可靠、鲁棒的防撞技术。本文研究了多MAV反应式避碰问题。采用基于模型的控制器同时实现参考轨迹跟踪和避碰。此外,我们还考虑了状态估计器的不确定性和其他代理的位置和速度的不确定性,以实现更高程度的鲁棒性。所提出的方法是分散的,不需要碰撞的参考轨迹和帐户的完整MAV的动态。我们在仿真和实验中验证了我们的方法。
2017-03-03 cs.RO
ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control
The Chinese University of Hong Kong(香港中文大学);Shanghai AI Laboratory(上海人工智能实验室)
提出ReactiveBFM,一种实时闭环规划控制框架,通过调度前缀采样课程和异步重规划机制,解决生成式运动规划器与高频跟踪之间的延迟不匹配和暴露偏差问题,实现人形机器人全身协调和零样本反应式运动。
2026-10-23 cs.AI cs.CV cs.RO
Goal-Oriented Reactive Simulation for Closed-Loop Trajectory Prediction
University of Wuppertal(伍珀塔尔大学)
本文提出一种闭环训练范式,通过引入基于Transformer的场景解码器,提升高频率重规划下的碰撞避免能力,实验显示在nuScenes和密集DeepScenario交叉口的碰撞率降低显著。
2026-09-21 cs.RO
ATHLETE: Learning Reactive Humanoid Tennis via Trajectory-Guided Motion Matching
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
ATHLETE是从通用运动数据和网球视频中学习反应式人形机器人网球的框架,通过TGMM构建参考,经师生学习与PPO微调,在真实机器人上实现90.00%正手、86.67%反手命中率及多回合对打。
2026-10-12 cs.RO
DPMPC-Planner: A real-time UAV trajectory planning framework for complex static environments with dynamic obstacles
Carnegie Mellon University(卡内基梅隆大学)
由于环境结构复杂、动态障碍物、测量噪声和不可预测的移动障碍物行为等不确定性,无人机的安全导航具有挑战性。虽然最近的大量工作实现了复杂的静态环境中的安全导航与复杂的映射算法,如占用地图和ESDF地图,这些方法不能可靠地处理动态环境中由于移动障碍物的映射限制。为了解决这个问题,本文提出了一个轨迹规划框架,以实现安全导航,考虑复杂的静态环境与动态障碍。为了可靠地处理动态障碍物,我们将环境表示分为静态映射和动态对象表示,这可以通过计算机视觉方法来获得。我们的框架首先生成一个静态轨迹的基础上提出的迭代走廊收缩算法。然后,反应机会约束模型预测控制与时间目标跟踪应用于避免动态障碍物的不确定性。在各种环境下的仿真结果表明,我们的算法在复杂的静态环境中的动态障碍物的安全导航的能力。
2022-03-12 cs.AI cs.RO
Model Checking for Closed-Loop Robot Reactive Planning
University of Glasgow(格拉斯哥大学)
本文利用模型检验为差速驱动轮式机器人实时生成多步避障规划,通过新颖的LiDAR数据离散化和前向深度优先搜索实现,优于单步反应式代理,展现出在自动驾驶中安全透明轨迹规划的潜力。
2023-11-16 cs.AI cs.LO cs.RO
Supercomputing for High-speed Avoidance and Reactive Planning in Robots
Ingenuity Labs Research Institute(创新实验室研究机构);Queen’s University(女王大学)
SHARP通过HPC实现机器人毫秒级避障与反应规划,展示高并发计算在实时机器人中的可行性及混合控制架构的应用。
2026-01-07 cs.DC cs.RO
Reactive Trajectory Generation in an Unknown Environment
The George Washington University(乔治华盛顿大学)
随着无人机越来越多产,未知环境中无人机的自主轨迹生成一直是一个重要的研究领域。我们定义了一个轨迹生成算法的车辆在一个未知的环境与风的干扰,只依赖于车辆的车载距离传感器和通信与其他车辆在有限的区域内生成一个平滑的,无碰撞的轨迹的四阶导数。所提出的轨迹生成算法可以与高级规划器和低级运动控制器结合使用。该算法保证轨迹不会违反车辆的推力限制、传感器约束或用户定义的其他车辆和障碍物周围的间隙半径。四旋翼飞行器在未知环境中带运动障碍物运动的仿真结果验证了该方法的轨迹生成性能。
2017-07-20 cs.RO math.OC
Reactive Planning based Control for Mobile Robots in Obstacle-Cluttered Environments
Department of Automation, University of Science and Technology of China(自动化系,中国科学技术大学);School of Intelligence Science and Engineering, Harbin Institute of Technology Shenzhen(智能科学与工程学院,哈尔滨工业大学深圳);School of Control Science and Engineering, Dalian University of Technology(控制科学与工程学院,大连理工大学)
本文提出基于反应规划的控制策略,用于移动机器人在障碍物密集环境中避障和导航,通过局部修改参考轨迹实现安全运动。
2026-08-25 cs.RO
Adaptive Gaussian Process based Stochastic Trajectory Optimization for Motion Planning
Zhejiang University(浙江大学)
针对危险环境下机器人的最优运动规划(OMP)算法,提出了一种新的基于自适应高斯过程的随机轨迹优化(AGP-STO)算法。该算法首先利用重新估计的Lipschitz常数(L-reAGD)重新开始加速梯度下降,提高计算效率,只需要一阶动量。然而,它仍然不能推断的全局最优的非凸问题,由高斯过程(GP)和障碍的先验信息通知。因此,该算法将自适应随机轨迹优化(ASTO)方法引入到L-重估计过程中,通过加速移动平均(AMA)算法学习重要样本的GP先验。此外,我们引入增量最优运动规划(iOMP)的AGP-STO升级到iAGP-STO。它在先前优化的航路点之间增量地插入轨迹,以确保时间连续的安全性。最后,我们将iAGP-STO与数值(CHOMP,TrajOpt,GPMP)和采样(STOMP,RRT-Connect)方法进行基准测试,并进行关键参数的调整实验,以显示L-reAGD,ASTO和iOMP的集成如何提高计算效率和可靠性。此外,在LBR-iiwa,多AGV和Rethink-Baxter上实施iAGP-STO展示了其在操纵,协作和辅助方面的应用。
2021-12-30 cs.RO math.OC
Vision-Based Reactive Planning and Control of Quadruped Robots in Unstructured Dynamic Environments
University of Science and Technology of China(中国科学技术大学);Guangdong University of Technology(广东工业大学)
针对四足机器人现有方法难以适配动态部分可观测环境的问题,提出含离线预规划、在线反应调整的V-RPC框架,结合视觉感知实现动态环境下的反应式规划控制。
2023-07-17 cs.RO
REALM: A Coarse-to-Fine Generative Framework for Embodied Reactive Listening
REALM提出一种从粗到细的音频驱动反应式聆听框架,通过门控融合与随机残差细化,在ViCo和L2L上提升运动质量,并成功部署于Ameca机器人。
2026-09-29 cs.RO
Fast Trajectory End-Point Prediction with Event Cameras for Reactive Robot Control
Istituto Italiano di Tecnologia(意大利理工学院)
预测技能对于机器人行动时间或关节驱动功率有限的任务的成功至关重要。在这种情况下,具有固定的、可能过低的采样率的视觉系统可能导致信息点的丢失,从而减慢预测收敛并降低准确度。在本文中,我们建议利用低延迟,运动驱动的采样,和数据压缩属性的事件相机,以克服这些问题。作为一个用例,我们使用Panda机器人手臂来拦截在桌子上弹跳的球。为了预测拦截点,我们采用了一个有状态的LSTM网络,这是一个没有固定输入长度的特定LSTM变体,它非常适合事件驱动的范例和手头的问题,其中轨迹的长度没有定义。我们在仿真中对网络进行训练,以加快数据集的获取,然后根据实际轨迹对模型进行微调。实验结果表明,如何使用密集的空间采样(即事件相机)显着增加拦截轨迹的数量相比,固定的时间采样(即基于帧的相机)。
2023-02-27 cs.CV cs.RO
TrajGen: Generating Realistic and Diverse Trajectories with Reactive and Feasible Agent Behaviors for Autonomous Driving
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);University of Science and Technology Beijing(北京科技大学);Baidu Inc.(百度公司)
具有反应性和可行性代理行为的真实和多样化的仿真场景可用于自动驾驶系统性能的验证和验证,而无需依赖昂贵且耗时的真实世界测试。现有的模拟器依赖于基于抽象的背景车辆行为模型,无法捕捉真实场景中复杂的交互行为。为了弥合仿真和现实世界之间的差距,我们提出了TrajGen,一个两阶段的轨迹生成框架,它可以直接从人类演示捕获更真实的行为。特别是,TrajGen由多模态轨迹预测阶段和基于强化学习的轨迹修改阶段组成。在第一阶段,我们提出了一种新的辅助RouteLoss的轨迹预测模型,以产生多模态的不同轨迹在可驾驶区域。在第二阶段,使用强化学习来跟踪预测轨迹,同时避免碰撞,这可以提高生成轨迹的可行性。此外,我们开发了一个数据驱动的模拟器I-Sim,可用于并行训练强化学习模型的基础上自然驾驶数据。I-Sim中的车辆模型可以保证TrajGen生成的轨迹满足车辆运动学约束。最后,我们给出了全面的指标来评估模拟场景中生成的轨迹,这表明TrajGen在保真度,反应性,可行性和多样性方面优于轨迹预测或逆强化学习。
2022-03-31 cs.AI cs.RO
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
Trajectory Advancement for Robot Stand-up with Human Assistance
Italian Institute of Technology(意大利理工学院)
物理交互是人机协作任务中不可避免的一部分,协作机器人需要具有直观的行为,而不是对人类交互表现出简单的反应行为。本文提出了一种轨迹推进方法,通过利用人机协作过程中有用的交互扳手的帮助,促进沿参考轨迹推进。我们验证了我们的方法,通过与iCub仿真实验。
2019-10-14 cs.RO
An Architecture for Reactive Mobile Manipulation On-The-Move
Queensland University of Technology(昆士兰科技大学);LYRO Robotics(LYRO机器人公司)
我们提出了一个通用的反应式移动操作的架构,而机器人的基地是在运动中的下一个目标,在一个高层次的任务。通过在移动中执行任务,与操作过程中底座暂停的方法相比,总体周期时间缩短。机械手的反应式控制能够以不可预测的运动抓取物体,同时与开环的基于随机性的规划方法相比,提高了对感知误差、环境干扰和不准确的机器人控制的鲁棒性。我们提出了一个示例实现的架构,并调查了一系列的拾取和放置任务的静态和动态对象的性能,并比较基线方法的性能。我们的方法在现实世界中的成功率超过99%,在使用物理机器人系统的120次尝试中只有一次失败。该结构在其他移动机械手平台上进行了仿真验证。与现有的移动操作架构相比,我们的方法将任务时间减少了48%,同时还提高了可靠性,可预测性和可预测性。有关补充材料,请参见https://benburgesslimerick.github.io/ManipulationOnTheMove。
2022-12-14 cs.RO
NEO: A Novel Expeditious Optimisation Algorithm for Reactive Motion Control of Manipulators
Australian Centre for Robotic Vision (ACRV)(澳大利亚机器人视觉中心);Queensland University of Technology(昆士兰科技大学)
我们提出了NEO,一个快速和纯粹的反应式运动控制器的机械手,可以避免静态和动态的障碍物,同时移动到所需的末端执行器的姿态。此外,我们的控制器最大限度地提高了机器人在轨迹过程中的可操作性,同时避免了关节位置和速度限制。NEO被包装成一个严格的凸二次规划,考虑到障碍物,关节限制,和7度的自由度机器人的可操作性,一般是在几毫秒内解决。虽然NEO不是为了取代国家的最先进的运动规划,我们的实验表明,它是一个可行的替代方案,具有中等复杂的场景,同时也能够反应控制。对于更复杂的场景,NEO更适合作为反应式局部控制器,与全局运动规划器结合使用。我们比较近地天体运动规划的标准基准模拟,并说明和验证其操作的物理机器人在动态环境中。我们提供了一个实现我们的控制器的开源库。
2021-02-03 cs.RO
An Efficient Locally Reactive Controller for Safe Navigation in Visual Teach and Repeat Missions
University of Oxford(牛津大学)
为了实现成功的现场自治,移动机器人需要自由地适应环境的变化。视觉导航系统,如视觉示教和重复(VT&R)通常假设参考轨迹周围的空间是自由的,但如果环境被阻挡,路径跟踪可能会失败,或者机器人可能会与以前看不见的障碍物碰撞。在这项工作中,我们提出了一个本地反应控制器的VT&R系统,允许机器人安全地导航,尽管物理环境的变化。我们的控制器使用本地高程图来计算矢量表示,并以10 Hz的频率输出用于导航的扭曲命令。它们被组合在一个黎曼运动策略(RMP)控制器中,该控制器在CPU上运行需要<2 ms。我们将控制器与ANYmal C机器人上的VT&R系统集成在一起,并在室内杂乱空间和大型地下矿井中进行了测试。我们表明,我们的本地反应控制器保持机器人的安全时,发生物理遮挡或丢失的视觉跟踪,如当靠近墙壁,穿越门口,或穿越狭窄的走廊。视频:https://youtu.be/G_AwNec5AwU
2022-01-11 cs.RO
A Holistic Approach to Reactive Mobile Manipulation
QUT Centre for Robotics(昆士兰科技大学机器人中心)
我们提出了一个可分配任务的反应式移动操作系统的设计和实现。与相关工作相反,我们将手臂和基座的自由度视为一个整体结构,这大大提高了所产生的运动的速度和流动性。这种方法的核心是一个强大的和反应式的运动控制器,它可以实现所需的末端执行器的姿态,同时避免关节位置和速度限制,并确保移动机械手在整个轨迹的机动性。这可以支持基于传感器的行为,例如闭环视觉抓取。由于在我们的方法中不涉及规划,机器人永远不会静止地思考下一步该做什么。我们展示了我们的整体运动控制器的多功能性,通过实施一个拾取和放置系统,使用行为树,并证明了这项任务的9度的自由移动机械手。此外,我们提供了一个开源的实现我们的运动控制器的非完整和全向移动机械手可在jhavl.github.io/holistic。
2022-02-02 cs.RO
Reactive and Safety-Aware Path Replanning for Collaborative Applications
Institute of Intelligent Industrial Technologies and Systems, National Research Council of Italy(意大利国家研究理事会智能工业技术与系统研究所);Dipartimento di Elettronica, Informazione e Bioingegneria, Politecnico di Milano(米兰理工学院电子、信息与生物工程系);Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University Munich(慕尼黑技术大学机器人与智能机器研究所);Mohamed Bin Zayed University of Artificial Intelligence, Masdar City, Abu Dhabi, UAE(阿布扎克马斯达尔城人工智能大学);Dipartimento di Ingegneria Meccanica e Industriale, University of Brescia(布雷西亚大学机械与工业工程系)
针对人机协作中现有规划器难应对人类不可预测行为、安全措施限制效率的问题,提出结合反应式路径重规划与安全感知代价函数的方法,在保安全的同时提效,实验显示效率最高提升60%。
2025-06-11 cs.RO
WARPD: World model Assisted Reactive Policy Diffusion
University of Southern California(南加州大学);Google(谷歌);Intrinsic LLC(Intrinsic 公司)
WARPD通过直接生成闭环策略,提高了机器人任务中长动作时间跨度和鲁棒性的性能,同时显著降低了推理成本。
2025-12-12 cs.AI cs.LG cs.RO
Reactive Aerobatic Flight via Reinforcement Learning
State Key Laboratory of Industrial Control Technology(工业控制技术国家重点实验室);Zhejiang University(浙江大学);Huzhou Institute(湖州研究院)
针对四旋翼特技飞行因欠驱动和机动复杂导致传统方法受限的问题,提出基于强化学习的端到端框架,结合自动课程学习与域随机化,实现零样本仿真到现实迁移,首次完成无人机自主连续倒飞并反应式穿越移动门。
2025-05-30 cs.RO
Provably Safe and Deadlock-Free Execution of Multi-Robot Plans under Delaying Disturbances
Massachusetts Institute of Technology(麻省理工学院)
多机器人系统中的一个长期挑战是在机器人受到干扰的环境中可靠地协调多个机器人的运动的能力。我们考虑的干扰,迫使机器人暂时停止,并延迟其沿其计划轨迹的前进,可用于建模,例如,路过的人类,机器人必须屈服。虽然反应式避碰方法经常用于这种情况下,它们可能会导致机器人之间的死锁。我们设计了一个多机器人的控制策略,执行协调的轨迹计算的多机器人轨迹规划器,并给出了一个证明,该策略是安全的,无死锁,即使机器人受到延迟干扰。我们的模拟结果表明,所提出的策略规模显着更好的干扰强度比天真的活力保持方法。实验结果进一步证实了所提出的方法是更可靠的,也更有效的比国家的最先进的反应技术。
2016-03-28 cs.RO
Reactive Navigation Framework for Mobile Robots by Heuristically Evaluated Pre-sampled Trajectories
Northeastern University(东北大学);Institute for Semantic Computing Foundation(语义计算基金会研究所)
本文描述并分析了一种用于未知环境中移动机器人的反应式导航框架。该方法不依赖于全局地图,仅考虑其以机器人为中心的3D网格结构中的局部占用。所提出的算法,使快速导航的启发式评估预采样轨迹上的飞行。在每个循环中,这些路径由加权成本函数评估,基于启发式特征,例如与目标的接近度,先前选择的轨迹和附近的障碍物。本文介绍了一种系统的方法来计算一个可行的姿态在选定的轨迹,然后将其发送到控制器的运动执行。定义了该框架的结构,给出了实现细节,并说明了如何调整其离线和在线参数。为了证明该算法在未知环境中的通用性和适应性,在各种地图上进行了基于物理的仿真。基准测试表明,该算法优于其以前的迭代和另一个国家的最先进的方法的性能。该算法的开源实现和基准测试数据可以在\url{https://github.com/RIVeR-Lab/tentabot}上找到。
2021-08-23 cs.RO
Distributed Timed Elastic Band (DTEB) Planner: Trajectory Sharing and Collision Prediction for Multi-Robot Systems
Technische Universität Dortmund(多特蒙德工业大学)
移动机器人的自主导航是机器人学中的一个研究热点。然而,导航任务变得具有挑战性时,多机器人系统必须合作导航动态环境与死锁倾向的布局。我们提出了一个分布式定时弹性带(DTEB)规划,结合优先级规划与在线TEB轨迹规划,以扩展后者的能力,多机器人系统。拟议的规划器能够在复杂环境中导航时,反应性地避免即将发生的碰撞,并预测性地解决机器人团队之间潜在的僵局。我们的模拟结果表明,在不同的环境设置的规划器的可靠性能和通用性。我们的方法的代码和测试可以在线获得。
2023-03-20 cs.RO
Hierarchical Policy Blending as Inference for Reactive Robot Control
Technische Universität Darmstadt(达姆施塔特工业大学);German Research Center for AI (DFKI)(德国人工智能研究中心);Centre for Cognitive Science(认知科学中心)
针对杂乱动态环境中运动生成的安全性与性能权衡问题,提出一种基于概率推断的分层运动生成方法,结合反应式策略与规划优势,在平面导航和6DoF操作实验中优于现有反应式控制器和在线重规划方法。
2024-07-29 cs.LG cs.RO
Multi 3D Camera Mapping for Predictive and Reflexive Robot Manipulator Trajectory Estimation
University of Oslo(奥斯陆大学);Oslo University Hospital(奥斯陆大学医院)
随着技术的进步,机器人操纵器和视觉环境传感器变得越来越便宜和广泛。然而,机器人控制仍然是更好地适应这些技术的一个限制因素。机器人操作器在结构化的机器人中表现得很好,但不能很好地适应意外的变化,比如人们进入工作空间。我们提出了一种方法,结合3D摄像机的工作空间映射,和一个预测和自反的机器人操作器的轨迹估计,以允许更有效和更安全的操作在动态仿真。在一个真正的UR5机器人的实验中,我们的方法已被证明可以提供更短,更平滑的轨迹相比,反应轨迹规划器在相同的条件下。此外,机器人通过初始化自反运动成功地避免了任何接触,即使当障碍物意外接近机器人时也是如此。我们工作的主要目标是使操作在非结构化动态调度中更加灵活,不仅要避开障碍物,还要在不久的将来与人类执行协作任务时进行适应。
2016-10-12 cs.RO
DREAM-Chunk: Reactive Action Chunking with Latent World Model
Purdue University(普渡大学);Stanford University(斯坦福大学)
提出DREAM-Chunk方法,通过轻量级潜在世界模型在测试时采样多个候选动作分块并选择最优执行,提升动作分块策略在随机动态下的鲁棒性。
2026-06-18 cs.RO
CoPlanner: An Interactive Motion Planner with Contingency-Aware Diffusion for Autonomous Driving
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
CoPlanner提出一种应急感知扩散规划器,通过枢轴条件扩散与多场景评分联合建模多智能体交互轨迹生成和运动规划,在nuPlan闭环实验中显著提升安全性与舒适性。
2025-09-21 cs.RO
Forward Invariance in Trajectory Spaces for Safety-critical Control
KTH Royal Institute of Technology(瑞典皇家理工学院);Digital Futures(数字未来机构)
本文提出轨迹空间中的前向不变性(FITS),将安全滚动时域控制提升到轨迹空间,利用控制障碍函数框架合成满足安全约束的轨迹,在保证安全性的同时不牺牲性能。
2024-07-17 cs.RO
Autonomous Reactive Masonry Construction using Collaborative Heterogeneous Aerial Robots with Experimental Demonstration
本文提出并实验验证了一种使用异构无人机进行全自主空中砌体施工的框架,通过反应式任务规划、动态任务分配和机载视觉系统,实现了砖块的精确放置与粘合材料施加,为自主空中机器人施工奠定了基础。
2025-10-16 cs.RO
Constraining Streaming Flow Models for Adapting Learned Robot Trajectory Distributions
School of Computer Science, The University of Sydney, Australia(计算机科学学院,悉尼大学,澳大利亚);School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney, Australia(航空航天、机械与机电工程学院,悉尼大学,澳大利亚);Australian Center For Robotics, The University of Sydney, Australia(机器人研究中心,悉尼大学,澳大利亚);College of Connected Computing, Vanderbilt University, TN, USA(连接计算学院,范德比尔特大学,美国)
CASF通过约束感知流式流模型在实时中适应机器人轨迹,确保安全性和可行性,优于传统方法。
2026-02-17 cs.RO
Multi-Vehicle Trajectory Optimisation On Road Networks
Rio Tinto Centre for Mining Automation(力拓矿业自动化中心);Australian Centre for Field Robotics(澳大利亚野外机器人中心);Faculty of Engineering and IT, University of Sydney(悉尼大学工程与信息技术学院)
本文研究了多个合作智能体在静态道路网络中沿指定路径规划时间最优轨迹的问题。车辆在交叉口的相互作用产生了重要的决策,并对后续的相互作用产生了复杂的流动效应。一个全局最优的,最小的时间轨迹,发现所有车辆使用混合线性规划(MILP)。通过使用迭代应用的目标碰撞约束和有效的目标约束最小化二进制变量来提高计算性能。在露天采矿的情况下,模拟结果比较所提出的方法对快速探试法和反应式方法的基础上,现场的做法。启发式的规模更好地与问题的大小,而MILP是能够避免局部极小值。
2018-10-05 cs.MA cs.RO
Goal-conditioned dual-action imitation learning for dexterous dual-arm robot manipulation
The University of Tokyo(东京大学)
针对长时程灵巧操作可变形物体(如剥香蕉)的难题,提出目标条件双动作模仿学习方法,通过局部与全局动作结合防止复合误差,并在真实双臂机器人上成功完成剥香蕉任务。
2025-05-21 cs.CV cs.RO
Trajectory Advancement during Human-Robot Collaboration
Istituto Italiano di Tecnologia(意大利理工学院);University of Genova(热那亚大学);University of Manchester(曼彻斯特大学)
随着技术的进步,人类和机器人共存之间的障碍正在慢慢消除。人类和机器人之间的物理交互对于协作和合作的重要性将是不可否认的事实。不是对人类交互表现出简单的反应行为,而是期望赋予机器人利用人类交互成功完成任务的增强能力。为了实现这一目标,在本文中,我们提出了一种轨迹推进方法,在该方法中,我们从数学上推导出的条件,促进推进沿参考轨迹利用援助,从有用的交互扳手存在于人机协作。我们验证我们的方法,通过实验进行的iCub人形机器人在模拟和真实的机器人。
2019-07-31 cs.RO cs.SY eess.SY
Geometry-Aware Safety-Critical Local Reactive Controller for Robot Navigation in Unknown and Cluttered Environments
The Hong Kong University of Science and Technology(香港科技大学);Hong Kong Baptist University(香港浸会大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本研究针对未知杂乱环境下机器人导航问题,提出基于多项式优化与SOS近似的几何感知安全关键型局部反应控制器,通过凸化为SDP实现实时求解,验证了其安全性与跟踪性能优势。
2023-10-09 cs.RO cs.SY eess.SY
Trajectory First: A Curriculum for Discovering Diverse Policies
TU Berlin(柏林技术大学);Robotics Institute(机器人研究所)
本文提出一种两阶段课程,通过轨迹先验生成多样化高奖励行为,再蒸馏为反应式策略,提升任务性能与行为多样性。
2026-08-14 cs.LG cs.RO
Composable Energy Policies for Reactive Motion Generation and Reinforcement Learning
TU Darmstadt(达姆施塔特工业大学);University of Washington(华盛顿大学);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所)
反应性运动生成问题通常通过将动作计算为策略的总和来解决。然而,这些策略是相互独立的,因此,当将它们的贡献加在一起时,它们可能会有冲突的行为。我们介绍了可组合能源政策(CEP),一个新的框架模块化反应运动生成。CEP通过对一组随机策略的乘积进行优化来计算控制动作。这种策略的产物将为满足所有组件的那些行动提供高概率,而为其他组件提供低概率。优化策略的产品避免了策略之间的冲突行为的有害影响,选择满足所有目标的行为。此外,我们表明CEP自然适应强化学习问题,使我们能够以分层的方式整合任何分布作为先验,从多峰分布到非光滑分布,并学习新的策略。
2021-05-11 cs.LG cs.RO