Communication-aware Hierarchical Map Compression of Time-Varying Environments for Mobile Robots
University of Arizona（亚利桑那大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对移动机器人时变环境的地图压缩问题，本文提出基于信号压缩理论的通信感知分层框架，通过优化多分辨率编码器平衡地图质量与描述大小，无需知晓地图动态即可适配资源，仿真验证了其在静动态场景的实用性。
2025-04-14 cs.AI cs.MA cs.RO
Monocular 3D Occupancy Perception for Robots on Sidewalks via Hybrid 2D-3D Learning
University of California, Los Angeles（加州大学洛杉矶分校）；Zhejiang University（浙江大学）；Coco Robotics（Coco机器人）；Massachusetts Institute of Technology（麻省理工学院）
提出WalkOCC框架，通过混合射线行进单目3D占用感知，结合LiDAR-RGB配对数据与大规模无配对单目图像学习，提升人行道机器人导航的预测精度和泛化能力。
2026-09-30 cs.RO
Stochastic Occupancy Grid Map Prediction in Dynamic Scenes
Temple University（天普大学）
本文提出一种基于变分自编码器的随机预测算法，利用机器人运动、动态物体和静态几何信息，在模拟和真实数据集上实现更准确稳健的未来状态预测，并集成于不确定性感知规划器。
2023-10-13 cs.RO
Three-Dimensional Spectrum Occupancy Measurement using UAV: Performance Analysis and Algorithm Design
Beijing University of Posts and Telecommunications（北京邮电大学）；China Unicom（中国联通）；Peng Cheng Laboratory（鹏城实验室）
频谱共享作为第六代移动网络（6 G）时代显著提高频谱利用率的一种方式，受到了广泛关注。基于无线电环境地图的低复杂度频谱共享技术得到了广泛的研究，其中频谱占用测量是构建无线电环境地图的关键。随着6 G的发展，空间-空中-地面一体化网络成为支持频谱共享的重要手段。在本文中，我们分析了三维SOM的性能，以进一步研究在三维SOM的准确性和效率之间的权衡。我们发现，三维自组织映射的误差与许可网络的边界面面积、离散立方体的数目以及三维空间的边长有关。此外，本文设计了一种快速准确的三维SOM算法，该算法利用无人机（UAV）测量频谱占用，并考虑了UAV的路径规划，通过减少测量时间和UAV的飞行时间来提高测量效率。本文的理论结果揭示了描述三维自组织映射方法的本质依赖性，所提出的算法有利于提高三维自组织映射的效率。本文的理论结果和算法可以为频谱监测、频谱测量、网络测量、规划等领域提供指导。
2022-03-29 cs.RO
SCOPE: Stochastic Cartographic Occupancy Prediction Engine for Uncertainty-Aware Dynamic Navigation
Temple University（特拉华大学）
本文提出SCOPE随机制图占用预测引擎，可综合多因素预测动态环境未来状态，经优化后实时性与内存效率显著提升，在多数据集上预测更准确鲁棒，结合其构建的导航框架可提升现有控制策略的安全导航性能。
2025-06-04 cs.RO
Improving Indoor Localization Accuracy by Using an Efficient Implicit Neural Map Representation
Center for Robotics, University of Bonn（波恩大学机器人中心）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文提出一种隐式神经地图表示，结合轻量级神经网络，在蒙特卡洛定位框架中实现高精度、实时的室内全局定位，优于现有方法。
2025-03-30 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
LiDAR-based 4D Occupancy Completion and Forecasting
University of Toronto（多伦多大学）；Tsinghua University（清华大学）
提出统一场景补全与预测的 LiDAR 4D 占据任务 OCF，构建 OCFBench 数据集并评估相关及自有基线模型。
2024-09-10 cs.CV cs.RO
Cost-effective Mapping of Mobile Robot Based on the Fusion of UWB and Short-range 2D LiDAR
Singapore University of Technology and Design（新加坡科技设计大学）；Southwest University of Science and Technology（西南科技大学）；University of Turbat（图尔巴特大学）
环境映射是移动机器人执行导航和任务规划等任务的必要前提。随着低成本2D LiDAR的可用性，这种2D LiDAR在工业环境中的应用越来越多。然而，在未知和无特征的环境中使用这种低成本的2D LiDAR进行环境映射仍然是一个挑战。这一挑战主要来自于激光雷达的短距离和在这些环境中执行扫描匹配的复杂性。为了解决这些缺点，我们提出了超宽带（UWB）与二维激光雷达融合，以提高移动机器人的映射质量。基于优化的方法是利用UWB测距信息和里程的融合，首先优化的轨迹。然后，基于激光雷达的回路闭合，以提高轨迹估计的精度。最后，将优化的轨迹与LiDAR扫描相结合，以生成环境的占用地图。在一个尺寸为20 m * 20 m的室内无特征环境中对所提出的方法的性能进行了评估。实验结果表明，与传统的GMapping算法相比，该算法在短距离LiDAR（以Hokuyo URG-04 LX为例，最大距离为5.6m）下的映射误差降低了85.5%。
2021-06-07 cs.RO
Object-Oriented Grid Mapping in Dynamic Environments
School of Electrical Engineering, Aalto University（阿尔托大学电气工程学院）
针对现有栅格地图未利用物体层级单元相关性的问题，提出基于潜变量建模与语义聚类的泛化更新方法，扩展NDT-OM，在高动态环境的建图定位及终身地图更新中表现更优。
2024-08-30 cs.RO
Markov Localization for Mobile Robots in Dynamic Environments
Carnegie Mellon University（卡内基梅隆大学）；University of Freiburg（弗莱堡大学）
定位，即从传感器数据中估计机器人的位置，是移动机器人中的一个基本问题。本文提出了一个版本的马尔可夫定位，提供准确的位置估计，这是针对动态环境。马尔可夫定位的关键思想是保持机器人在其环境中的所有位置的空间上的概率密度。我们的方法表示这个空间度量，使用细粒度的网格近似密度。它能够从头开始全局定位机器人，并从定位失败中恢复。它对环境（例如占用网格地图）和噪声传感器（例如超声波传感器）的近似模型是鲁棒的。我们的方法还包括一个过滤技术，它允许移动机器人可靠地估计其位置，即使在人口稠密的环境中，人群阻挡机器人的传感器的时间延长。这里所描述的方法已经在移动机器人的几个实际应用中实现和测试，包括部署两个移动机器人作为交互式博物馆导游。
2011-06-01 cs.AI cs.RO
OMU: A Probabilistic 3D Occupancy Mapping Accelerator for Real-time OctoMap at the Edge
Harvard University（哈佛大学）；Peking University（北京大学）
自主机器（例如，车辆、移动机器人、无人机）需要复杂的3D映射来感知动态环境。然而，维护实时的【形】3D地图在计算和存储器需求方面都是昂贵的，特别是对于资源受限的边缘机器。ProbabilityMap是一种可靠且节省内存的3D密集地图模型，用于表示完整的环境，具有动态体素节点修剪和扩展能力。本文提出了第一个有效的加速器解决方案，即OMU，使实时的【形】概率3D映射的边缘。为了提高性能，通过并行PE单元更新输入标测图体素，以实现数据并行。在每个PE内，使用专门开发的数据结构将体素存储在并行存储体中。此外，修剪地址管理器被设计在每个PE单元内以重用修剪的存储器地址。建议的3D映射加速器的实施和评估使用商业12纳米技术。与Nvidia Jetson TX 2平台中的ARM Cortex-A57 CPU相比，所提出的加速器实现了高达62 $\times$的性能和708 $\times$的能效改进。此外，该加速器提供63 FPS吞吐量，比实时的【形】要求高出2 $\times$以上，从而实现3D映射的实时的【形】感知。
2022-05-06 cs.AR cs.RO
Grid-Centric Traffic Scenario Perception for Autonomous Driving: A Comprehensive Review
School of Vehicle and Mobility, Tsinghua University（清华大学车辆与 mobility学院）；Kargobot Inc.（卡戈机器人公司）；DiDi Chuxing（滴滴出行）
本文系统综述了自动驾驶中网格中心感知技术，梳理了从2D BEV网格、3D占用到4D占用预测的发展脉络，并总结了标签高效学习、系统集成及未来趋势。
2024-06-09 cs.CV cs.RO
OGM-CBF: Occupancy Grid Map-based Control Barrier Function for Safe Mobile Robot Control with Memory of out of View Obstacles
Faculty of Engineering and Natural Sciences, Tampere University（坦佩雷大学工程与自然科学学院）
本文提出OGM-CBF方法，结合占用网格地图与控制屏障函数，解决移动机器人在未知环境中对已离开视野的障碍物记忆问题，提升安全性。
2026-07-17 cs.RO
SocialNav-Map: Dynamic Mapping with Human Trajectory Prediction for Zero-Shot Social Navigation
Peng Cheng Laboratory（鹏城实验室）；Xiaomi EV（小米汽车）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；National University of Singapore（新加坡国立大学）
针对现有基于强化学习的社会导航方法训练成本高、泛化性差的问题，提出融合人体轨迹预测与动态占据建图的零样本框架SocialNav-Map，无需环境特定训练即可显著降低碰撞率，性能优于SOTA方法。
2025-11-18 cs.RO
ERPoT: Effective and Reliable Pose Tracking for Mobile Robots Using Lightweight Polygon Maps
ZJU-Hangzhou Global Scientific and Technological Innovation Center, Zhejiang University（浙江大学杭州全球科技创新中心）；State Key Lab of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室）；China Mobile (Zhejiang) Research & Innovation Institute（中国移动（浙江）研究院）；Beijing Fuyouhua Intelligent Technology Co., Ltd.（北京傅友华智能科技有限公司）；College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院）；School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）；Institute of Robotics and Automatic Information System (IRAIS), Tianjin Key Laboratory of Intelligent Robotics (TJKLIR), Nankai University（机器人与自动信息系统研究院，天津智能机器人重点实验室，南开大学）
针对大型环境中的移动机器人，提出基于轻量多边形先验地图的ERPoT位姿跟踪方法，通过点-多边形匹配代价函数实现纯LiDAR模式下的有效可靠跟踪，在公开和自采数据集上优于六种对比方法。
2025-05-23 cs.RO
Learning Hierarchical Object Maps Of Non-Stationary Environments with mobile robots
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）
构建机器人环境的模型或地图是一个非常活跃的研究领域;然而，大多数现有技术构建非结构化地图并假设静态环境。在本文中，我们提出了一种算法，学习对象模型的非静止对象中发现的办公室型环境。我们的算法利用了这样一个事实，即在办公室环境中发现的许多对象看起来都很相似（例如，椅子，回收箱）。它通过两级分层表示来实现这一点，该表示将各个对象与对象类的通用形状模板链接起来。我们推导出一个近似EM算法学习形状参数的层次结构的两个级别，使用局部占用网格图表示形状。此外，我们开发了一个贝叶斯模型选择算法，使机器人能够估计环境中的对象和对象模板的总数。使用一个真正的机器人配备了激光测距仪的实验结果表明，我们的方法在学习简单的办公环境中基于对象的地图表现良好。该方法优于以前开发的非分层算法，模型对象，但缺乏类模板。
2012-12-12 cs.LG cs.RO stat.ML
CDDT: Fast Approximate 2D Ray Casting for Accelerated Localization
Massachusetts Institute of Technology（麻省理工学院）
定位是自主机器人的重要组成部分。一个完善的本地化方法结合了光线投射与粒子滤波器，导致计算昂贵的算法，难以运行在资源受限的移动机器人。我们提出了一种新的数据结构，称为压缩方向距离变换加速光线投射在二维的占用网格地图。我们的方法允许在线地图更新，并接近恒定的时间射线投射性能为一个固定大小的地图，与其他方法相比，表现出最差的情况下的性能。我们的实验结果表明，该算法近似的性能特点，从三维查找表的光线投射的解决方案，同时需要两个数量级的内存和预计算读取。这导致粒子滤波算法可以保持2500个粒子，每个粒子在40 Hz下具有61个射线投射，使用移动机器人上的单个CPU线程。
2018-03-07 cs.DS cs.RO
Semantic2D: Enabling Semantic Scene Understanding with 2D Lidar Alone
School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学）；Department of Mechanical Engineering, Temple University（机械工程系， Temple大学）
Semantic2D通过仅使用2D激光雷达实现语义场景理解，提出首个公开数据集和细粒度分割算法，提升机器人导航性能。
2026-01-25 cs.RO
PanopticNDT: Efficient and Robust Panoptic Mapping
Technische Universität Ilmenau（伊尔梅瑙工业大学）
本文提出基于占用NDT映射的高效鲁棒全景映射方法PanopticNDT，在Hypersim和ScanNetV2上以更高细节层次实现移动机器人实时全景映射，并通过家庭应用验证其实用性。
2024-06-29 cs.AI cs.LG cs.RO
ProxMaP: Proximal Occupancy Map Prediction for Efficient Indoor Robot Navigation
University of Maryland, College Park（马里兰大学帕克分校）
提出自监督占据预测技术ProxMaP，通过预测机器人近邻遮挡区域实现高效室内导航，仿真中较传统方法提升12.40%效率且具跨域泛化能力。
2023-08-03 cs.RO
What we see and What we don't see: Imputing Occluded Crowd Structures from Robot Sensing
Univ Rennes, Inria, CNRS, IRISA（雷恩大学、法国国家信息与自动化研究所、法国国家科学研究中心、雷恩第一大学计算机科学研究所）；CIMAT, A.C.（墨西哥数学研究中心）
我们认为，在拥挤的环境中的移动机器人的导航，其中车载传感的人群通常是有限的闭塞。我们解决的问题，推断人类占用的机器人周围的空间，在盲点，超出其传感能力的范围。这个问题是相当未探索的，尽管它对机器人人群导航的效率和安全性，这需要估计和预测周围的人群状态it.In这项工作中，我们提出了第一个解决方案的样本预测可能的人类存在的基础上的状态的一组较少的感知到的人周围的机器人以及以前的观察人群活动的重要影响。
2021-09-17 cs.CV cs.RO
Open Source Robot Localization for Non-Planar Environments
Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）；Rey Juan Carlos University（胡安·卡洛斯国王大学）
本文提出一种融合地面高程与倾斜信息的非平面环境机器人定位框架，采用Gridmaps和Octomaps并兼容Nav2，在真实机器人上验证了优于AMCL和3D SLAM的定位精度与鲁棒性。
2024-03-30 cs.RO
CODEI: Resource-Efficient Task-Driven Co-Design of Perception and Decision Making for Mobile Robots Applied to Autonomous Vehicles
本文提出CODEI框架，通过占用查询量化感知需求并结合整数线性规划，实现移动机器人感知与决策的硬件软件协同设计，并在自动驾驶案例中验证了资源优先级对传感器选择的影响。
2025-04-07 cs.AI cs.AR cs.CV
Tackling the Kidnapped Robot Problem via Sparse Feasible Hypothesis Sampling and Reliable Batched Multi-Stage Inference
School of Electrical Engineering, Southwest Jiaotong University（西南交通大学电子工程学院）
本文提出了一种被动的2D全局重定位框架，通过单个LiDAR扫描和占用网格地图在机器人静止时高效可靠地估计全局姿态，从而提高移动机器人的长期自主性。该框架将全局重定位问题转化为非凸问题，并通过多假设方案与分批多阶段推理和早期终止平衡完整性和效率。
2026-05-20 cs.RO
Towards Efficient Occupancy Mapping via Gaussian Process Latent Field Shaping
University of（大学）
针对移动机器人占据栅格地图构建需求，提出直接操控高斯过程潜函数、基于传感器视场整合自由空间先验的方法，区分自由与未知空间，在仿真中验证了方法有效性与竞争力。
2025-06-16 cs.RO
Enhanced Robot Planning and Perception through Environment Prediction
本论文提出多种基于学习的方法，使移动机器人能利用环境的几何、结构和时空模式进行预测，从而在未知环境中实现更高效的导航、物体重建与动态任务协调。
2024-10-11 cs.RO
Curating Long-term Vector Maps
College of Information and Computer Sciences, University of Massachusetts（马萨诸塞大学信息与计算机科学学院）
自主服务移动机器人需要在人类环境中一致，准确和鲁棒地定位，尽管随着时间的推移，这种环境会发生变化。情景非马尔可夫定位通过将观测分类为长期、短期或动态特征来解决在这种不断变化的环境中定位的挑战。然而，为了做到这一点，EnML依赖于不随时间变化的长期矢量图（LTVM）的估计。在本文中，我们引入了一个递归算法来建立和更新LTVM随着时间的推移，通过推理多个机器人部署观察到的对象的可见性约束。我们使用一个有符号的距离函数（SDF），从机器人的多次部署中过滤出短期和动态特征的观察。剩余的长期观测值用于通过鲁棒局部线性回归构建矢量图。在由此产生的LTVM的不确定性计算通过Monte Carlo响应所产生的长期功能的观测。通过将基于占用网格的SDF观测过滤与过滤观测的连续空间回归相结合，我们提出的方法随着时间的推移构建，更新和修正LTVM，推理环境中所有机器人部署的所有观测。我们目前的实验结果表明，从几个长期的机器人数据集提取的LTVM的准确性，鲁棒性和紧凑的性质。
2020-07-30 cs.RO
Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping
Technical University of Munich（慕尼黑工业大学）；Imperial College London（伦敦帝国理工学院）
提出紧耦合 LiDAR-视觉-惯性 SLAM 与三维占据建图框架，利用基于占据场梯度的无对应概率残差和局部子图因子图优化，实现高精度位姿估计与全局一致的大规模建图。
2024-03-04 cs.RO
RTISSLAM: In-air Imaging Sonar SLAM using a Robust Pose Graph and Occupancy Grid Mapping
University of Antwerp（安特卫普大学）；Flanders Make Strategic Research Centre（佛兰德斯制造战略研究中心）
RTISSLAM是一种仅用声呐的SLAM系统，结合BatSLAM 2.0后端与占据栅格，可降低轮式里程计轨迹误差，解决室内声呐镜面反射问题，在模拟环境中表现优于激光雷达风格栅格SLAM。
2026-10-14 cs.RO
Robust Lifelong Indoor LiDAR Localization using the Area Graph
ShanghaiTech University（上海科技大学）；School of Information Science and Technology (SIST)（信息科学与技术学院）；Key Laboratory of Intelligent Perception and Human-Machine Collaboration（智能感知与人机协同重点实验室）
本文提出基于 Area Graph 的终身室内 3D LiDAR 定位方法，通过语义建筑特征、点云滤波及加权点到线 ICP 实现鲁棒全局定位与位姿跟踪。
2024-12-04 cs.RO
osmAG-Nav: A Hierarchical Semantic Topometric Navigation Stack for Robust Lifelong Indoor Autonomy
ShanghaiTech University（上海科技大学）
本文提出osmAG-Nav导航栈，通过分层语义拓扑地图实现大空间多层环境中的高效导航，降低规划延迟并提升长期定位稳定性。
2026-03-30 cs.RO
OpenOcc: Open Vocabulary 3D Scene Reconstruction via Occupancy Representation
Fudan University（复旦大学）
本文提出OpenOcc框架，结合神经辐射场与占据表示，并通过体渲染蒸馏开放词汇模型，实现零样本3D场景重建与理解。
2024-08-09 cs.CV cs.RO
Hallucinating robots: Inferring Obstacle Distances from Partial Laser Measurements
Aalto University（阿尔托大学）
许多移动机器人依靠二维激光扫描仪进行定位、绘图和导航。然而，这些传感器不能正确地提供到障碍物（例如玻璃面板和桌子）的距离，这些障碍物的实际占用在传感器正在测量的高度处是不可见的。在这项工作中，我们提出了一种直接从原始2D激光数据估计距离的方法，而不是从更丰富的传感器读数（如3D激光或RGBD传感器）估计到障碍物的距离。为了学习从原始2D激光距离到障碍物距离的映射，我们将问题框定为学习任务，并训练形成为自动编码器的神经网络。提出了一种新的网络超参数配置，并在测试集上进行了定量验证。最后，我们在Care-O-bot 4上实时的定性地证明，经过训练的网络可以成功地从部分2D激光读数中推断出障碍物距离。
2018-07-29 cs.RO eess.SP stat.ML
Robotic Mapping with Polygonal Random Fields
Stanford University（斯坦福大学）
两种类型的概率地图是流行的移动机器人文学：占用网格和几何地图。占有网格具有简单和快速的优点，但它们只表示一类有限的映射，并且它们做出了不正确的独立性假设。另一方面，目前的几何方法，描述的环境特征，如线段，可以表示复杂的环境。然而，他们没有明确的理由占用，运动规划的必要性，而且，他们缺乏一个完整的概率模型的环境结构。在本文中，我们提出了一种基于多边形随机场（PRF）的概率映射技术，它结合了这两种方法的优点。我们的方法明确表示占用使用的几何表示，它是基于一致的概率分布的环境，避免了不正确的独立假设占用网格。我们展示了如何采样技术的PRF可以应用到本地化的激光和声纳数据，我们展示了显着的改善占用网格的映射性能。
2012-07-04 cs.AI cs.RO
ERASOR: Egocentric Ratio of Pseudo Occupancy-based Dynamic Object Removal for Static 3D Point Cloud Map Building
Robotics Program at KAIST（韩国科学技术院机器人学项目）
城市环境的扫描数据通常包括诸如车辆、行人等动态对象的表示。然而，当涉及到构建具有扫描数据的顺序累积的3D点云地图时，动态对象经常在地图中留下不需要的痕迹。这些动态物体的痕迹充当障碍物，从而阻碍移动车辆实现良好的定位和导航性能。针对这一问题，本文提出了一种新的静态地图构建方法ERASOR，即基于自我中心的动态物体去除方法，该方法具有快速性和对运动模糊的鲁棒性。我们的方法将注意力集中在城市环境中大多数动态物体的性质上，这些物体不可避免地与地面接触。据此，我们提出了伪占有率的概念来表示单位空间的占有率，从而区分不同占有率的空间。最后，采用区域式地平面拟合（R-GPF）来区分潜在包含动态点的候选箱中的静态点和动态点。实验验证SemanticKITTI，我们所提出的方法产生有前途的性能对国家的最先进的方法克服了现有的光线追踪为基础的和可行性为基础的方法的局限性。
2021-03-07 cs.CV cs.RO
Planning Robot Placement for Object Grasping
Hochschule Bonn-Rhein-Sieg（波恩-莱茵-锡格应用科学大学）；University of Bremen（不来梅大学）
本文提出先筛选无碰撞且可抓取的机器人放置位置再评估最优候选的方法，利用可达性、RGB-D图像和占用栅格地图，在服务机器人流程中通过实验验证优于固定导航基线。
2024-05-26 cs.CV cs.RO
Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering
University of Maryland, College Park（马里兰大学帕克分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
研究序列式具身问答中不同内存架构表现，发现仅保留现有记忆不足，短视情节数据训练的智能体有时间不匹配问题。强调结构化、基于空间记忆的必要性，实验表明其能打破准确性-效率权衡，对真实机器人连续智能操作至关重要。
2026-07-24 cs.RO
Accurate Pose Prediction on Signed Distance Fields for Mobile Ground Robots in Rough Terrain
Technical University of Darmstadt（达姆施塔特工业大学）
本文提出一种基于有符号距离场的迭代几何方法，用于精确预测崎岖地形中带主动鳍板移动机器人的三维位姿，在仿真和真实平台上验证了其高精度与在线规划能力，并优于现有高度图方法。
2024-05-03 cs.RO
Multi-Resolution 3D Mapping with Explicit Free Space Representation for Fast and Accurate Mobile Robot Motion Planning
Smart Robotics Lab, Imperial College London（伦敦帝国理工学院智能机器人实验室）；SLAMcore Ltd.（SLAMcore有限公司）
针对高质量重建与移动机器人运动规划的衔接问题，提出结合八叉树的自适应分辨率体素建图系统，采用对数几率占据概率表示显式自由空间，通过深度图多尺度池化实时选分辨率，实现了更快的碰撞查询与更优的高分辨率场景性能。
2021-01-30 cs.RO
Situation Aware Locomotion for Dual Mobile Cobots in Shared Environments
Robotics and AI Lab, Technological University of Uruguay（乌拉圭科技大学机器人与人工智能实验室）
本文提出一种情境感知运动框架，通过感知、理解与投影建模，结合负载、机械臂及共享区域状态预测冲突，使双移动协作机器人在共享环境中实现100%任务成功率，优于基线方法。
2026-09-23 cs.RO
Autonomous Mobile Robot Navigation in Uneven and Unstructured Indoor Environments
The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
机器人越来越多地在为人类设计并与人类共享的室内环境中工作。然而，在不均匀和非结构化环境中安全自主工作的机器人仍然面临巨大挑战。许多现代室内环境的设计都考虑到了轮椅无障碍性。这为轮式机器人提供了一个机会，可以在避开楼梯的同时通过倾斜的区域。在本文中，我们提出了一个集成软件和硬件系统的自主移动机器人导航在不均匀和非结构化的室内环境。这种模块化和可重用的软件框架集成了感知和导航功能。我们的机器人首先使用车轮里程计，2D激光和RGB-D数据为不平坦的环境构建3D地图表示。然后，我们将多层2D占用图从XNUMX Map投影，以生成基于层差异的可遍历图。安全可穿越地图用作高效自主导航的输入。此外，我们采用了可变步长快速探索随机树，可以自动调整步长，消除调整步长根据环境。我们在模拟和现实世界中进行了广泛的实验，证明了我们的系统的有效性和效率。
2017-10-28 cs.RO
Robot Navigation with Map-Based Deep Reinforcement Learning
University of Science and Technology of China（中国科学技术大学）
提出了一种端到端的深度强化学习方法，用于移动机器人导航和动态避障。使用在模拟环境中收集的经验，卷积神经网络（CNN）进行训练，以预测适当的转向动作的机器人从其自我中心的本地占用地图，其中容纳各种传感器和融合算法。然后将训练好的神经网络传输到一个真实的移动机器人上，指导其局部路径规划。新的方法进行了评估，定性和定量的仿真和现实世界的机器人实验。结果表明，基于地图的端到端导航模型易于部署到机器人平台上，对传感器噪声具有鲁棒性，在多项指标上优于现有的基于DRL的导航模型.
2020-02-11 cs.RO
Learning Topometric Semantic Maps from Occupancy Grids
今天的移动机器人预计将在与人类共享的复杂环境中运行。为了实现直观的人机协作，机器人需要在语义分类实例方面对其周围环境有类似人类的理解。在本文中，我们提出了一种新的方法，纯粹从占用网格派生这种基于实例的语义地图。我们采用深度学习技术的组合来从随机大小的地图中检测、分割和提取门假设。提取之后是一个后处理链，以进一步提高我们的方法的准确性，以及三个类房间，门和走廊的位置分类。所有检测到的和分类的实体被描述为在一个共同的坐标系中指定的实例，而拓扑图是派生来捕捉它们的空间链接。为了训练我们的两个神经网络用于检测和地图分割，我们贡献了一个模拟器，自动创建和注释所需的训练数据。我们进一步提供洞察哪些功能学习检测门口，以及如何模拟训练数据可以被增强到训练网络上的直接应用程序在现实世界的网格地图。我们评估我们的方法在几个公开的真实世界的数据集。尽管所使用的网络仅在模拟数据上进行训练，但我们的方法在各种真实室内环境中表现出高度的鲁棒性和有效性。
2020-01-10 cs.CV cs.RO
Collision-Free Navigation of Mobile Robots via Quadtree-Based Model Predictive Control
Electrical Engineering, Chalmers University of Technology（电子工程系，查尔姆斯理工大学）
本文提出面向自主移动机器人的集成导航框架，结合基于四叉树的无碰撞区域生成与模型预测控制，整合全流程模块，在复杂环境中实现了优于基线方法的可靠无碰撞导航。
2025-11-17 cs.RO cs.SY eess.SY
Path Planning using Instruction-Guided Probabilistic Roadmaps
CyberAgent, Inc.（CyberAgent公司）
本文提出指令引导概率路线图（IG-PRM），利用大语言模型将自然语言指令转为嵌入向量，预测成本地图并构建路线图，实现移动机器人按指令导航，实验验证其在合成及真实室内环境中的有效性。
2025-02-23 cs.RO
StereoVoxelNet: Real-Time Obstacle Detection Based on Occupancy Voxels from a Stereo Camera Using Deep Neural Networks
Institute for Experiential Robotics, Northeastern University（东北大学体验机器人研究所）；Khoury College of Computer Sciences, Northeastern University（东北大学胡里计算机学院）；Department of Electrical and Computer Engineering, Northeastern University（东北大学电气与计算机工程系）
障碍物检测是机器人导航中的一个安全关键问题，其中立体匹配是一种流行的基于视觉的方法。虽然深度神经网络在计算机视觉中已经显示出令人印象深刻的结果，但大多数先前的障碍物检测工作仅利用传统的立体匹配技术来满足实时的【形】反馈的计算约束。本文提出了一种计算效率高的方法，该方法采用深度神经网络直接从立体图像中检测占用。我们的方法不是从立体数据中学习点云对应关系，而是基于体积表示提取紧凑的障碍物分布。此外，我们修剪的安全无关空间的计算，在一个由粗到细的方式的基础上产生的解码器的八叉树。因此，我们在机载计算机（NVIDIA Jetson TX 2）上实现了实时的【形】性能。我们的方法可以在32米范围内准确检测障碍物，并实现更好的IoU（Intersection over Union）和CD（Chamfer Distance）分数，而计算成本仅为最先进的立体模型的2%。此外，我们验证了我们的方法的鲁棒性和现实世界的可行性，通过自主导航实验与真正的机器人。因此，我们的工作有助于缩小机器人感知中基于立体的系统与计算机视觉中最先进的立体模型之间的差距。为了应对高质量的真实室内立体数据集的稀缺性，我们使用移动机器人收集了1.36小时的立体数据集，用于微调我们的模型。有关数据集、代码和更多详细信息（包括其他可视化），请访问https://lhy.xyz/stereovoxelnet
2023-03-04 cs.CV cs.RO
Directional grid maps: modeling multimodal angular uncertainty in dynamic environments
The University of Sydney（悉尼大学）
机器人经常需要应对在动态和有时不可预测的环境中运行的挑战。虽然环境的占用地图足以在静态环境中导航移动机器人或利用机器人臂进行操纵任务，但在动态环境中操作的机器人需要更丰富的信息来提高鲁棒性、效率和安全性。例如，在路径规划中，重要的是要知道动态对象在环境的各个位置处的运动方向，以实现更安全的导航或人机交互。在本文中，我们引入方向统计机器人映射模型的圆形数据。首先，在抵押品占用网格地图，我们提出了方向网格地图，以代表整个位置的长期角运动的环境。由于具有高度的代表性，这定义了一个概率测度场，而不是一个标量场或向量场。与此同时，我们进一步展示了如何相同的理论可以用来模拟在空间域，时间域，时空域的角度变化。我们进行了一系列实验，以验证所提出的模型，使用各种机器人具有不同的传感器，如RGB相机和激光雷达在室内和室外环境中的模拟和真实世界的设置。
2018-09-03 cs.RO
Efficient and Robust Semantic Mapping for Indoor Environments
Technische Universität Ilmenau（伊尔默瑙工业大学）
自主移动机器人执行高级任务必须具备的一个关键能力是对其环境的深刻理解。这涉及关于存在什么类型的对象、它们在哪里、它们的空间范围是什么以及如何到达它们的信息，即，关于自由空间的信息也是至关重要的。语义地图是提供此类信息的有力工具。然而，应用语义分割和构建具有高空间分辨率的3D地图是具有挑战性的有限资源的移动机器人。在本文中，我们将语义信息有效占用正态分布变换（NDT）地图，使移动机器人的实时语义映射。在公开的数据集Hypersim上，我们表明，由于其子体素精度，语义无损检测地图优于其他方法。我们比较他们的最新国家的最先进的方法的基础上体素和语义贝叶斯空间核推理~（S-BKI），并在本文中得到的优化版本。提出的语义NDT地图可以表示语义相同的细节水平，而映射速度是2.7至17.5倍。对于相同的网格分辨率，它们的性能明显更好，而映射速度最多可快5倍以上。最后，我们证明了语义无损检测地图的实际应用与定性结果在国内的应用。
2022-03-11 cs.RO
OctoSplat: Hybrid OctoMap-Gaussian Splatting for Active Semantic Mapping and Phenotyping with Horticultural Robots
the Siebel School of Computing and Data Science（塞比尔计算与数据科学学院）；the Department of Agricultural and Biological Engineering（农业与生物工程系）；National Center for Supercomputing Applications at University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校国家超级计算中心）
本文提出利用移动机械臂和高斯点云进行园艺环境主动3D重建，提升重建精度与效率，实现水果计数和体积估算。
2026-08-17 cs.RO
Deep Network Uncertainty Maps for Indoor Navigation
School of Electrical Engineering, Aalto University（阿尔托大学电气工程学院）
大多数室内使用的移动机器人依靠2D激光扫描仪进行定位、绘图和导航。然而，这些传感器无法检测透明表面或测量复杂物体（如桌子）的完全占用。最近提出了深度神经网络，通过学习估计对象占用来克服这一限制。然而，这些估计数具有不确定性，因此，评估其可信度是这些措施对自主导航和绘图有用的一个重要问题。在这项工作中，我们从两个方面来处理这个问题。首先，我们讨论了深度模型中的不确定性估计，提出了一种基于全卷积神经网络的解决方案。所提出的架构不受不确定性遵循高斯模型的假设的限制，如在用于深度模型不确定性估计的许多流行解决方案的情况下，例如蒙特卡罗丢弃。我们目前的结果表明，障碍物距离的不确定性，实际上是更好地模拟拉普拉斯分布。然后，我们提出了一种基于深度神经网络不确定性模型构建地图的新方法。特别是，我们提出了一种算法来建立一个地图，其中包括信息的障碍物距离估计，同时考虑到在每个估计的不确定性水平。我们展示了如何构建的地图可以用来提高全球导航安全规划轨迹，避免高度不确定性的区域，使移动机器人在室内设置更高的自主性。
2019-09-04 cs.LG cs.RO eess.SP
NavTopo: Leveraging Topological Maps For Autonomous Navigation Of a Mobile Robot
Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院“计算机科学与控制”联邦研究中心）
提出基于拓扑地图和两级路径规划的NavTopo导航流水线，通过神经网络描述符与点云2D投影匹配定位，大幅降低内存消耗并在大型室内仿真环境中性能显著优于RTAB-MAP等度量地图方法。
2024-10-15 cs.AI cs.CV cs.RO
Active Exploration and Mapping via Iterative Covariance Regulation over Continuous $SE(3)$ Trajectories
UC San Diego（加州大学圣迭戈分校）
本文提出了一种新的方法\emph{iterative Covariance Regulation}（iCR），用于主动探索和地图的移动机器人配备了车载传感器。该问题是作为最优控制的$SE(3)$姿态运动学的机器人，以最小化的微分熵的地图条件的潜在的传感器的观察。我们引入了一个可微的视野配方，并通过梯度下降方法迭代更新连续空间中的开环控制序列，使地图估计的协方差最小化，从而获得iCR。我们展示了自主探索和不确定性减少在模拟占用网格环境。
2021-03-10 cs.RO math.OC
Unified Linear Parametric Map Modeling and Perception-aware Trajectory Planning for Mobile Robotics
School of Information Science and Engineering, Shenyang University of Technology（沈阳理工大学信息科学与工程学院）；State Key Laboratory of Synthetic Automation for Process Industries, Northeastern University（东北大学过程工业综合自动化重点实验室）；State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所机器人重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）
针对移动机器人建图负担重、感知受限等挑战，提出RMRP线性参数化地图与RPATR规划框架，统一ESDF建图并利用泛化预测，实现高效、安全的自主导航。
2025-08-07 cs.LG cs.RO
