Reinforcement Learning for Ballbot Navigation in Uneven Terrain
VimaLabs(维马实验室)
本文提出基于MuJoCo的开源Ballbot模拟器,展示了通过强化学习方法有效导航不平整地形的成果。
2026-01-30 cs.AI cs.LG cs.RO
Terrain-Aware Autonomous Planetary Exploration for Exteroceptive-Proprioceptive Mapping with Quadruped Scouts
Istituto Italiano di Tecnologia (IIT)(意大利理工学院)
本文提出一种结合外感受与本体感受建图的地形感知探索框架,用于四足机器人在月球类似环境中的自主导航,仿真表明该方法能有效扩展地图并降低运输成本。
2026-09-29 cs.RO
Pose Estimation of Vehicles Over Uneven Terrain
Ariel University(阿里尔大学)
提出了一种非公路车辆在不平坦地形上运动时的位姿估计方法。它确定了车轮和地面之间的接触点,假设任意数量的车轮和地面之间存在刚性接触。地形由3D点云表示,由B补丁插值以提供连续的地形表示。对于给定的车辆质心位置和给定的偏航角,将姿态估计问题表示为刚体接触问题。通过从地面上方的给定点释放车辆,直到车轮与地面之间的接触力和重力达到平衡,来确定车轮与地面之间的接触点。接触力的计算采用奇异值分解(SVD)推导的接触矩阵。所提出的方法是计算效率,允许实时的计算在运动过程中,在几个例子中证明。精确的位姿估计可用于运动规划、稳定性分析和不平坦地形上的可通过性分析。
2019-03-05 cs.RO
An Efficient Trajectory Planner for Car-like Robots on Uneven Terrain
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院);Xi’an Jiaotong University(西安交通大学);Hangzhou City University(浙大城市学院)
针对不平坦地形上类车机器人轨迹规划易保守或难跟踪的问题,提出地形姿态映射及轨迹优化框架,生成符合动力学且易跟踪的轨迹。
2023-09-12 cs.RO
Localization and Offline Mapping of High-Voltage Substations in Rough Terrain Using a Ground Vehicle
School of Electrical & Computer Engineering, National Technical University of Athens(雅典国立技术大学电气与计算机工程学院)
本文提出一种基于FAST-LIO2的混合定位与建图框架,结合激光雷达和惯性数据,使无人地面车辆能在崎岖地形的高压变电站中实现已知地图定位、未知场景探索与扩展建图,并支持地面可通行区域分析及视觉与热数据巡检。
2024-03-28 cs.RO
A Terrain-Adaptive epsilon-Constraint MPC for Uneven Terrain Kinodynamic Planning
Laboratório de Engenharia de Sistemas e Robótica, Universidade Federal da Paraíba(系统与机器人工程实验室,帕拉伊巴联邦大学);School of Computer Science, University of Lincoln(计算机科学学院,林肯大学)
本文提出了一种适应地形的epsilon约束MPC方法,用于解决车辆在不规则地形上同时优化路径效率和姿态稳定性的规划问题,通过动态调整epsilon界限来实时探索帕累托前沿,并通过半参数模型结合分析车辆动力学和稀疏高斯过程来捕捉车辆-地形动力学。
2026-09-01 cs.RO
A Genetic Approach to Gradient-Free Kinodynamic Planning in Uneven Terrains
Innopolis University(因诺波利斯大学);University of Lincoln(林肯大学)
针对三角网格建模不平坦地形中类车机器人的运动动力学规划问题,提出基于遗传算法的GAKD算法,通过滚动时域内启发式变异遗传优化轨迹,相比MPPI等方法通行成本提升20%,为复杂环境路径规划提供实用方案。
2025-04-17 cs.RO
ProNav: Proprioceptive Traversability Estimation for Legged Robot Navigation in Outdoor Environments
本研究提出ProNav方法,利用足式机器人本体感受信号估计地形可通行性,优化步态并预判碰撞,结合外部感受方法实现复杂户外导航,显著提升成功率并降低能耗。
2024-01-26 cs.RO
Terrain Inclination Aided Three Dimensional Localization and Mapping for an Outdoor Mobile Robot
Harbin Institute of Technology Shenzhen Graduate School(哈尔滨工业大学深圳研究生院);University of Utah(犹他大学)
本文提出了一种新的三维定位和地图绘制技术与地形倾斜辅助允许机器人识别其位置,并建立一个全球地图在室外环境。将迭代最近点定位算法与基于地形倾角的定位算法相结合,实现了精确快速的定位和地图绘制。机器人导航的地形的倾斜度用于在两次激光扫描之间的间隔期间实现局部定位。使用上述定位的结果作为初始条件,然后应用ICP算法来对准重叠的激光扫描地图,以更新悬垂障碍物,用于构建周围区域的全局地图。进行了全面的实验验证所提出的三维定位和映射技术。实验结果表明,该方法可以减少时间消耗,提高性能的准确性。
2019-05-03 cs.RO
Enhancing Prosthetic Safety and Environmental Adaptability: A Visual-Inertial Prosthesis Motion Estimation Approach on Uneven Terrains
提出视觉-惯性假肢运动估计方法,通过深度相机与误差状态卡尔曼滤波融合实现不平整地形下假肢运动的准确跟踪,误差小于5 cm,提升截肢者安全性与适应性。
2024-04-29 cs.RO
Model Predictive Control for Aggressive Driving Over Uneven Terrain
University of Washington(华盛顿大学)
本文提出基于物理的MPC框架,通过并行化侧翻与沟渠穿越约束,在不平坦地形上实现安全且更快的激进自主驾驶,实验表明可比几何方法快22%。
2024-06-07 cs.RO
Leveraging Evolutionary Algorithms for Feasible Hexapod Locomotion Across Uneven Terrain
University of Central Florida(中佛罗里达大学)
优化足式机器人的步态稳定性是一个难题。即使在水平表面上,有效地穿越不同的纹理(例如,地毯)依赖于多维空间中的动态调谐参数。受生物学的启发,进化算法(EA)仍然是一个有吸引力的解决方案,可行地实现机器人运动与能源经济和快速参数收敛。在这里,我们利用这类算法来发展一个稳定的六足步态控制器,能够穿越不平坦的地形和障碍物。步态参数在由随机台阶场、线性障碍物和倾斜表面组成的8 × 3米障碍跑道上的刚体动力学模拟中演变。使用联合优化运动速度和稳定性的适应度函数,我们发现多个成功的步态参数演变为每条腿产生了专门的功能。特定的步态参数被确定为开发一个粗糙的地形步态的关键。
2022-03-29 cs.RO
Fast Footstep Planning on Uneven Terrain Using Deep Sequential Models
University of Pennsylvania(宾夕法尼亚大学)
实现足式机器人潜力的基本挑战之一是生成穿越具有挑战性地形的计划。必须仔细选择控制动作,使机器人不会崩溃或滑动。关节空间的高维性使得直接从板载感知规划低级动作变得困难,并且在规划中不考虑机器人的低级机制的控制栈不适合处理细粒度障碍物。处理此问题的一种方法是根据地形特征选择足迹位置。然而,将机器人动力学的脚步规划需要大量的计算,远远超过在准静态的情况下。在这项工作中,我们提出了一个基于LSTM的规划框架,该框架使用地形前瞻和机器人的动力学来学习可能的脚步位置的概率分布,并利用LSTM的顺序性质在线性时间内找到脚步。我们的框架也可以作为一个模块,以加快基于采样的规划。我们验证了我们的方法在一个模拟的单腿料斗在各种不平坦的地形。
2022-05-22 cs.RO
Adaptive Force-Based Control of Dynamic Legged Locomotion over Uneven Terrain
University of Southern California(南加州大学)
本文提出一种将自适应控制融入基于力控制器的四足机器人方法,以应对模型不确定性与未知地形冲击,使Unitree A1能承载高达自重50%的负载并在崎岖地形上动态小跑、跳跃。
2024-04-07 cs.RO
SEB-Naver: A SE(2)-based Local Navigation Framework for Car-like Robots on Uneven Terrain
State Key Laboratory of Industrial Control Technology, Zhejiang University(浙江大学工业控制技术国家重点实验室);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
本文提出SEB-Naver框架,通过GPU并行的SE(2)网格可通行性评估与基于微分平坦性的地形相关轨迹优化,解决类车机器人在非平坦地形上的局部导航难题。
2025-03-05 cs.RO
Dynamic Humanoid Locomotion over Uneven Terrain With Streamlined Perception-Control Pipeline
Korea Advanced Institute of Science and Technology(韩国科学技术院);Korea Atomic Energy Research Institute(韩国原子能研究院)
虽然双足运动提供了穿越非结构化环境的能力,但它需要仔细的规划和控制才能安全地走过而不会摔倒。这对机器人提出了感知、规划和控制其运动的综合挑战,特别是在动态运动中,机器人可能必须在飞行中调整其摆动腿轨迹,以便安全地将其脚放在不平坦的地形上。在本文中,我们提出了一个有效的几何脚步规划器和相应的步行控制器,使人形机器人动态步行通过不平坦的地形,速度高达0.3米/秒。作为动态运动,我们首先指的是连续的步行运动而不停止,其次是在飞行中重新规划的着陆脚步的位置在中间的摆动阶段,在机器人步态周期。这主要是通过一个有效的基于采样的规划器和强大的步行控制器之间的流线型集成。脚步规划器能够在5毫秒内生成可行的脚步,并且控制器能够生成新的相应摆动腿轨迹以及全身运动,以动态地平衡机器人到新更新的脚步。所提出的感知控制管道进行评估,并与真实的实验证明,使用一个全尺寸的人形穿越不平坦的地形特征的静态垫脚石,动态可移动的垫脚石,或狭窄的路径。
2020-11-30 cs.RO
Perceptive Locomotion with Controllable Pace and Natural Gait Transitions Over Uneven Terrains
Institute for Infocomm Research, A*STAR(新加坡科技研究局资讯通信研究院);University College London(伦敦大学学院)
这项工作开发了一个学习框架的感知腿运动,结合视觉反馈,本体感受信息,和主动步态调节的脚-地面接触。感知只需要一个面向前的摄像头来获得高度图,并通过我们制定的基于CPG的高层次的脚-地面接触模仿步态步伐和行驶速度的主动调节。通过该框架,最终用户能够命令任务级输入,以根据不同地形的穿越来控制不同的行走速度和步态频率,这使得能够更可靠地与遇到的障碍物进行协商。结果表明,学习的感知运动策略遵循任务级控制输入与预期的行为,并且在存在看不见的地形和外力扰动的情况下是鲁棒的。视频演示可以在https://youtu.be/OTzlWzDfAe8上找到,代码库可以在https://github.com/jennyzzt/perceptual-locomotion上找到。
2023-01-30 cs.RO
Occlusion-Aware, Quasi-Static, Stability-Oriented Trajectory Planning on Uneven Terrain
University of Tartu(塔尔图大学);IIIT Hyderabad(印度海得拉巴国际信息技术学院);Czech Technical University(捷克理工大学)
针对不平地形上的四轮车辆,提出遮挡感知的准静态稳定性轨迹规划框架,通过不确定性传播与流匹配热启动,将失败率降至18.9%。
2026-10-01 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
CUTE-Planner: Confidence-aware Uneven Terrain Exploration Planner
Electrical and Computer Engineering and INHA Future Mobility IPCC, Inha University(电气与计算机工程及INHA未来移动IPCC,延世大学);Department of Mechanical Engineering, Kyung Hee University(机械工程系,庆熙大学)
针对行星探测机器人在复杂地形导航中高程不确定性的问题,提出集成安全路径生成、自适应置信度更新和置信度感知策略的CUTE-Planner,模拟实验中不确定性降低69%、任务成功率100%,提升探索安全性与地图可靠性。
2025-11-17 cs.RO
PUTN: A Plane-fitting based Uneven Terrain Navigation Framework
Tsinghua University(清华大学);Harbin Institute of Technology(哈尔滨工业大学);Southern University of Science and Technology(南方科技大学)
地面机器人的自主导航在室内结构化二维环境中得到了广泛的应用,但在室外三维非结构化环境中,尤其是在粗糙不平的地形中,仍然存在许多挑战。提出了一种基于平面拟合的不平坦地形导航框架(PUTN)。PUTN的实施分为三个步骤。首先,在快速探索随机树(RRT)的基础上,提出了一种改进的基于样本的平面拟合RRT*(PF-RRT*)算法来获得稀疏轨迹。每个采样点对应于点云上的自定义遍历性指数和拟合平面。这些平面串联连接以形成可横穿的条带。其次,高斯过程回归被用来生成密集轨迹的遍历性从稀疏轨迹内插,采样树被用作训练集。最后,使用非线性模型预测控制(NMPC)进行局部规划。通过在代价函数中加入可通过性指标和不确定性,在约束函数中加入由实时点云生成的障碍物,得到了一种速度平稳、鲁棒性强的安全运动规划算法。在真实场景中进行了实验,以验证该方法的有效性。现将源代码发布,供社区参考。
2022-09-27 cs.RO
Stabilized Adaptive Steering for 3D Sonar Microphone Arrays with IMU Sensor Fusion
University of Antwerp(安特卫普大学);Flanders Make Strategic Research Centre(弗拉芒制造战略研究中心)
本文提出一种基于软件的方法,通过融合实时IMU数据动态调整3D声纳阵列导向矩阵并引入增益补偿,解决了不平整地形导致的成像不准问题,实现了210ms实时运行且显著提升了声学图像时间一致性。
2024-06-10 cs.RO
Real-Time Gait Phase and Task Estimation for Controlling a Powered Ankle Exoskeleton on Extremely Uneven Terrain
University of Michigan(密歇根大学)
已经报道了在实验室环境中使用下肢外骨骼的积极生物力学结果,但是这些设备难以与人类步态同步地提供适当的辅助,因为在现实世界环境中任务或相位进展的速率发生变化。本文提出了一种用于踝关节外骨骼的控制器,该控制器使用数据驱动的运动学模型来连续地估计运动期间的相位、相位速率、步幅长度和地面倾斜状态,这使得能够实时的【形】适应扭矩辅助以匹配在10个健全受试者的多活动数据库中观察到的人类扭矩。我们在一个新的10名身体健全的参与者的现场实验中证明,控制器产生的相位估计与最先进的水平相当,同时也估计任务变量与最近的机器学习方法具有相似的精度。所实施的控制器成功地适应其援助,以响应不断变化的阶段和任务变量,无论是在受控跑步机试验(N=10,阶段RMSE:4.8 +- 2.4\%)和现实世界的压力测试与极不平坦的地形(N=1,阶段RMSE:4.8 +- 2.7\%)。
2022-10-06 cs.RO
Robust Humanoid Walking on Compliant and Uneven Terrain with Deep Reinforcement Learning
CNRS-AIST JRL (Joint Robotics Laboratory) IRL, National Institute of Advanced Industrial Science and Technology (AIST), Japan(日本国家先进工业科学与技术研究院(AIST));University of Tsukuba(筑波大学);Department of Computer Science, Stanford University(斯坦福大学计算机科学系)
本文针对仿人机器人在柔性不平地形的鲁棒行走问题,提出基于模拟到现实的深度强化学习方法,通过随机地形训练课程和本体感受反馈实现真实机器人鲁棒行走,并提出可变步频控制策略提升鲁棒性。
2025-04-18 cs.RO
TASG-Explore: Traversability-Aware Sector-Guided Exploration for Ground Robot on Uneven Terrain
Shenyang Institute of Automation, Chinese Academy of Sciences(中国科学院沈阳自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Hohai University(河海大学)
TASG-Explore提出可通行性感知的扇区引导探索框架,通过分层地形分析和动态拓扑规划,在崎岖地形上实现高效安全探索,效率提升51%,覆盖率最高提升2.95倍。
2026-09-30 cs.RO
Stoch BiRo: Design and Control of a low cost bipedal robot
Indian Institute of Science (IISc)(印度科学学院)
本研究设计了低成本模块化双足机器人Stoch BiRo,采用每条腿3自由度配置与基于学习的线性策略控制器,无需外部传感器即可自主应对地形扰动,经MuJoCo训练后完成硬件行走验证,兼具适应性与成本优势。
2023-12-11 cs.RO
Towards Safe Locomotion Navigation in Partially Observable Environments with Uneven Terrain
Georgia Institute of Technology(佐治亚理工学院)
本研究针对部分可观测环境下具有多层次安全保障的动态移动,提出一种整合任务与运动规划的方法。该分层规划框架由高级符号任务规划器和低级相空间运动规划器组成。在任务规划级的信念抽象,使信念估计的动态障碍物的位置,并保证航行安全与避免碰撞。高级任务规划器,即,一个两级的导航规划,采用线性时序逻辑的反应性游戏合成之间的机器人和它的环境,同时将低级别的安全关键帧策略到正式的任务规范设计。合成的任务规划器命令一系列的运动动作,包括步行步长,步高,和航向角的变化,到底层的关键帧决策器,这进一步确定机器人的质心顶点速度关键帧。低级别的相空间规划器使用降阶运动模型来生成满足直线和转向行走的平衡安全标准的非周期性轨迹。这些标准的特点是运动关键帧状态的约束,并用于定义关键帧过渡策略,通过可行性内核。由Agility Robotics设计的Cassie双足机器人的仿真结果展示了在由动态障碍物和不平坦地形组成的三维、部分可观察的环境中的运动操纵。
2020-09-10 cs.RO
Fast Online Optimization for Terrain-Blind Bipedal Robot Walking with a Decoupled Actuated SLIP Model
Imperial College London(帝国理工学院)
我们提出了一个高度反应控制器,使双足机器人盲目地走过各种不平坦的地形,同时抵抗推动。高级运动规划器使用解耦致动弹簧加载倒立摆(aSLIP)模型对脚步位置和质心(CoM)高度进行快速在线优化。解耦的aSLIP模型简化了原始aSLIP,在水平状态下具有线性倒立摆(LIP)动力学,在垂直状态下具有弹簧动力学。运动规划可以用离散时间模型预测控制(MPC)来表示,并在1 k ~HZ的频率下求解。使用降阶模型的运动规划器的输出被馈送到基于逆动力学的全身控制器中以用于在机器人上执行。该控制器的一个关键结果是机器人的脚是顺应性的,这进一步扩展了机器人对未观察到的地形变化的鲁棒性的能力。我们评估我们的方法在模拟与双足机器人SLIDER。实验结果表明,该机器人能够在斜坡、波浪场和楼梯等各种不平坦地形上实现盲走。它也可以抵抗推,而走在不平坦的地形。
2021-09-20 cs.RO
Terrain-perception-free Quadrupedal Spinning Locomotion on Versatile Terrains: Modeling, Analysis, and Experimental Validation
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)(深圳市人工智能与机器人研究院);Institute of Robotics and Intelligent Manufacturing (IRIM), The Chinese University of Hong Kong (CUHK)(香港中文大学机器人与智能制造研究院);George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology(佐治亚理工学院乔治·W·伍德拉夫机械工程学院);Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院)
在过去的几十年里,在粗糙地形上的动态四足运动显示出显着的进步。小型四足机器人具有足够的灵活性和适应性,可以沿矢状方向穿越不平坦的地形,如斜坡和楼梯。为了在复杂环境中实现自主运动导航,旋转是足式机器人的一项基本而不可缺少的功能。然而,四足机器人在不平坦地形上的旋转行为往往表现出位置漂移。出于这个问题,本研究提出了一种算法方法,使不平坦的地形上准确的自旋运动和约束的质心(CoM)的自旋半径被限制在一个小范围内,以尽量减少漂移的风险。提出了一种改进的球形足运动学表示法,以改进四足动物的足运动学模型和滚动动力学。提出了一种基于投影稳定裕度的CoM规划器来生成稳定的自旋运动。采用线性二次型调节器(LQR)实现精确的运动跟踪,以抑制旋转运动中的位置漂移。在小型四足机器人上进行了实验,并在平坦地面、楼梯和斜坡等多种地形上验证了该方法的有效性。
2021-10-26 cs.RO
HTRON:Efficient Outdoor Navigation with Sparse Rewards via Heavy Tailed Adaptive Reinforce Algorithm
University of Maryland, College Park(马里兰大学帕克分校)
我们提出了一种新的方法来提高基于深度强化学习(DRL)的户外机器人导航系统的性能。大多数现有的DRL方法都是基于精心设计的稠密奖励函数,这些函数学习环境中的有效行为。我们通过只使用稀疏奖励(这很容易设计)来规避这个问题,并提出了一种新的自适应重尾增强算法,用于户外导航,称为HTRON。我们的主要思想是利用重尾政策参数化隐含地诱导稀疏奖励设置中的探索。我们评估了HTRON在三种不同的户外场景中对Reinforce,PPO和TRPO算法的性能:达到目标,避障和不平坦的地形导航。我们观察到平均增加了34.41%的成功率,减少了15.15%,达到目标所需的平均时间步骤,并降低了24.9%的高程成本相比,通过其他方法获得的导航政策。此外,我们证明了我们的算法可以直接转移到Clearpath哈士奇机器人在现实世界中的场景进行户外地形导航。
2022-10-10 cs.RO
A Generalized Mixed-Integer Convex Program for Multilegged Footstep Planning on Uneven Terrain
Simón Bolívar University(西蒙·玻利瓦尔大学)
机器人脚步规划策略可以分为两种主要方法:离散搜索和连续优化。虽然离散搜索已被广泛应用,连续优化方法已被限制为人形平台。本文介绍了一种广义的连续优化方法,多腿的脚步规划,可以适应不同的平台,无论腿的数量和几何形状。这种方法利用混合凸规划来考虑代表足迹旋转和避障的非凸约束。规划问题被制定为一个优化问题,考虑机器人的几何形状和可达性与线性约束,并可以有效地解决使用优化软件。为了证明规划器的功能和适应性,在BH3R六足动物和LittleDog四足动物上进行了一组测试,这些测试在几分之一秒内有效地解决了离散搜索无法轻松处理的情况。据作者所知,这项工作代表了第一次成功实施的连续优化为基础的多腿的脚步规划。
2017-01-04 cs.RO
Cloud Hopping; Navigating in 3D Uneven Environments via Supervoxels and Control Lyapunov Function
提出了一种新的反馈运动规划方法,用于移动机器人在三维不平坦地形中的导航。我们利用点云的\textit{supervoxel}表示,这使得点云地图上的可遍历区域的紧凑连接图。鉴于此图的可通行区域,我们的方法导航机器人的任何可达到的目标姿态使用控制李雅普诺夫函数(CLF)和导航功能。cLf确保所生成的运动计划的运动动力学可行性和目标收敛性,而导航功能优化所得到的反馈运动计划。我们进行了导航实验,在真实和模拟的三维不均匀地形。在所有情况下,实验结果表明,我们的方法表现优于基线,证明该方法的效率和适应性,以导航机器人在具有挑战性的不均匀的3D地形。所提出的方法还可以导航具有特定目标的机器人,例如,最短距离或最小倾斜的计划。我们将我们的方法与成熟的基于采样的运动规划器进行了比较,其中我们的方法在执行时间和产生的路径长度方面优于所有其他规划器。最后,我们提供了所提出方法的开源实现,以使机器人社区受益。
2023-01-29 cs.RO
2.5D Mapping, Pathfinding and Path Following For Navigation Of A Differential Drive Robot In Uneven Terrain
National Research University Higher School of Economics(国立研究型大学高等经济学院)
在不平坦地形中的安全导航是机器人研究中的一个重要问题。在本文中,我们提出了一个2.5维导航系统,其中包括高程地图建设,路径规划和局部路径跟踪与避障。对于局部路径跟踪,我们使用模型预测路径积分(MPPI)控制方法。我们为MPPI提出了新的成本函数,以便使其适应高程地图和不平坦运动。我们评估我们的系统在多个合成测试,并在模拟环境中,不同类型的障碍物和粗糙的表面。
2022-09-15 cs.RO cs.SY eess.SY
Capsizing-Guided Trajectory Optimization for Autonomous Navigation with Rough Terrain
School of Control Science and Engineering, Shandong University(控制科学与工程学院,山东大学);State Key Laboratory of Industrial Control Technology and Institute of Cyber-Systems and Control, Zhejiang University(工业控制技术状态重点实验室和控制系统研究所,浙江大学)
针对崎岖地形下机器人自主导航的翻车风险,提出感知倾覆的轨迹规划器CAP,通过定义可通行方向并构建倾覆安全约束优化轨迹,显著提升了不平坦地形上的导航性能与安全性。
2025-08-11 cs.RO
SL1M: Sparse L1-norm Minimization for contact planning on uneven terrain
The University of Edinburgh(爱丁堡大学);Ewha Womans University(梨花女子大学);LAAS-CNRS(法国国家科学研究中心分析与系统结构实验室);Université de Toulouse(图卢兹大学);University of Trento(特伦托大学)
在复杂环境中规划腿运动的主要挑战之一是组合接触选择问题。最近的贡献建议使用整数变量来表示选择的接触面,然后依靠现代的混合整数(MI)优化求解器来处理这个组合问题。为了减少MI的计算成本,我们利用L1范数最小化技术的稀疏性,放松接触规划问题成一个可行的线性规划。我们的方法考虑了质心(COM)和接触效应器的运动学可达性。我们确保存在一个准静态COM轨迹限制我们的计划准平面接触。对于规划10个步骤,每个阶段的潜在接触面少于10个,我们的方法比MI方法快50到100倍,这表明在线接触重新规划的潜在应用。该方法在仿真中证明了与人形机器人HRP-2和Talos在各种情况下。
2019-09-19 cs.RO
Multi-Resolution Planar Region Extraction for Uneven Terrains
Southern University of Science and Technology(南方科技大学);University of Birmingham(伯明翰大学)
本文提出一种多分辨率平面区域提取策略,通过逐点分类和八叉树分割平衡边界精度与计算效率,在非平坦地形中实现实时且鲁棒的平面提取。
2023-11-21 cs.CV cs.RO
Real-Time Planning with Primitives for Dynamic Walking over Uneven Terrain
Australian Centre for Field Robotics(澳大利亚现场机器人中心);University of Sydney(悉尼大学)
本文提出一种基于有限运动原语的实时运动规划算法,利用虚拟holonomic约束构建闭式解和二叉搜索树,提升动态步行规划效率。
2013-10-26 cs.RO cs.SY eess.SY
Humans plan for the near future to walk economically on uneven terrain
University of Calgary(卡尔加里大学)
人类在不平坦的地形上行走时,步态会出现微小的波动。波动偏离了稳定的,能量最小化的水平行走模式,没有明显的组织。但人类在行走时经常向前看,并可能计划地形的预期波动。只有当这种规划服务于某种客观目的时才是明智的,例如保持恒定的速度或减少能源消耗,这在有限的规划能力内也是可以实现的。在这里,我们表明,人类计划和执行最佳控制策略在不平坦的地形。他们不是保持恒定的速度,而是有目的地进行预期的速度调整,以最大限度地减少能量消耗。一个简单的最优控制模型预测经济的速度波动,与人类(N = 12)在七种不同地形剖面上行走的实验(与模型ro=0.55+-0.11,P<0.05所有地形)吻合得很好。参与者在每个地形特征前大约6到8步开始进行可重复的速度波动(每步最多+-7.5厘米的高度差,最多16个连续的特征)。更近的特征更重要,因为能量随着每一次与地面的碰撞而消散,阻止了动量无限期地持续下去。因此,一个有限的连续展望视野和电机工作空间足以对任何长度的地形进行实际优化。人类在不久的将来会行走,以规划复杂的最佳控制序列。
2022-11-24 cs.RO cs.SY eess.SY
Adaptive Diffusion Terrain Generator for Autonomous Uneven Terrain Navigation
Indiana University(印第安纳大学)
提出自适应扩散地形生成器(ADTG),利用去噪扩散概率模型动态生成适应策略的复杂地形,显著提升机器人不平坦地形导航性能。
2024-10-14 cs.AI cs.CV cs.RO
Efficient Autonomous Navigation of a Quadruped Robot in Underground Mines on Edge Hardware
Department of Mining and Explosive Engineering, Missouri University of Science and Technology(采矿与爆炸工程系,密苏里科技大学)
本研究提出了一种在边缘硬件上运行的四足机器人自主导航系统,无需GPU和网络连接,实现了在地下矿井中高效、可靠的自主导航。
2026-03-04 cs.RO
MorphoLander: Reinforcement Learning Based Landing of a Group of Drones on the Adaptive Morphogenetic UAV
Skoltech(斯科尔科沃科技学院)
本文提出MorphoLander异构无人机群系统,通过强化学习算法实现无人机在静止或移动领航机上的精确着陆,在平坦和不平坦地形下分别达到0.5厘米和2.35厘米的着陆精度,提升了复杂环境下的任务效率。
2023-07-28 cs.RO
Neuromorphic Reinforcement Learning for Quadruped Locomotion Control on Uneven Terrain
School of Electrical Engineering and Computer Science(电气工程与计算机科学学院)
提出基于平衡传播的PPO框架,结合CPG策略与残差调整策略,通过局部学习实现四足机器人在不平地形上的高效运动控制,性能与反向传播相当,GPU内存效率提升4.3倍。
2026-06-09 cs.NE cs.RO
Autonomous Off-road Navigation over Extreme Terrains with Perceptually-challenging Conditions
Jet Propulsion Laboratory (JPL), California Institute of Technology (Caltech)(加州理工学院喷气推进实验室(JPL));Swiss Federal Institute of Technology, Zurich(苏黎世联邦理工学院);Massachusetts Institute of Technology(麻省理工学院)
我们提出了一个框架,在感知上具有挑战性的未知环境中进行弹性自主导航,这些环境具有移动性应力元素,例如不平坦的岩石和巨石表面,陡峭的斜坡,悬崖和洞穴等负面障碍,以及狭窄的通道。环境是GPS拒绝和感知退化与可变照明从黑暗到照亮和遮蔽物(灰尘,雾,烟雾)。没有事先的地图和降级的通信消除了事先或非机载计算或操作员干预的可能性。这需要使用噪声传感器数据进行实时机载计算。为了解决这些挑战,我们提出了一个弹性的架构,利用冗余和异质性的传感方式。通过在故障时触发恢复行为来实现进一步的恢复能力。我们提出了一个快速解决算法,以产生强大的多保真度遍历性估计实时。所提出的方法被部署在多个物理系统上,包括滑移转向和履带式机器人,高速RC车和足式机器人,作为CoSTAR团队在DARPA地下挑战赛中努力的一部分,该团队分别在隧道和城市赛道中获得第二名和第一名。
2021-01-26 cs.AI cs.RO cs.SY
Gaussian Process-based Traversability Analysis for Terrain Mapless Navigation
Indiana University(印第安纳大学)
本文提出一种结合稀疏高斯过程局部地图与RRT*规划器的无地图崎岖地形导航框架,通过构建可通行性地图实现安全高效的自主导航。
2024-03-27 cs.RO
NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain
Harbin Institute of Technology(哈尔滨工业大学)
针对非平坦地形移动机器人路径规划效率问题,提出NNPP启发式模型,通过学习最优路径示例生成像素级路径概率分布以缩小搜索空间,可加速Astar等算法在新地图上的最优路径规划。
2024-06-20 cs.AI cs.RO
Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual Observations
University of Edinburgh(爱丁堡大学);University College London(伦敦大学学院)
为了主动导航和穿越各种地形,积极使用视觉感知变得不可或缺。我们的目标是研究在以人为中心的环境中使用稀疏视觉观察来实现一系列常见地形(台阶,坡道,间隙和楼梯)的感知运动的可行性和性能。我们制定了一个选择稀疏的视觉输入适合在感兴趣的地形运动,并提出了一个学习框架,整合外感受和本体感受状态。我们专门设计了状态观测和培训课程,以在一系列不同的地形上有效地学习反馈控制策略。我们广泛验证和基准的学习政策在各种任务:全方位走在平地上,并向前运动的各种障碍,显示出很高的成功率的可通行性。此外,我们研究外感受性消融和评估政策的推广,通过增加不同程度的噪音和测试新的看不见的地形。我们展示了自主感知运动的能力,可以通过仅使用来自直接深度测量的稀疏视觉观察来实现,这些观察可以很容易地从激光雷达或RGB-D传感器获得,显示出在20 cm高的高楼梯上的稳健上升和下降,即,50%的腿长,以及对噪音和看不见的地形的鲁棒性。
2022-05-26 cs.CV cs.LG cs.RO
Bi-level Trajectory Optimization on Uneven Terrains with Differentiable Wheel-Terrain Interaction Model
Institute of Technology, University of Tartu(塔尔图大学理工学院);RRC, IIIT Hyderabad(印度国际信息技术研究院研究中心)
本文提出一种仅依赖数字高程信息的纯模型化双层轨迹优化方法,将轮地交互与六自由度位姿预测建模为可微分的非线性最小二乘问题,从而在不平坦地形上高效生成平滑稳定的行驶轨迹。
2024-11-22 cs.RO cs.SY eess.SY
Whole-Body Control With Terrain Estimation of A 6-DoF Wheeled Bipedal Robot
School of Intelligent Systems Engineering, Sun Yat-sen University(中山大学智能系统工程学院);Direct Drive Technology Limited(直接驱动技术有限公司);Suzhou Nuclear Power Research Institute Co., Ltd(苏州核电研究所有限公司)
针对轮式双足机器人忽略腿部动力学限制运动潜力及不平坦地形通过挑战,为新型6自由度轮式双足机器人开发完整动力学模型,设计带地形估计的全身控制框架,经仿真和实机实验验证了地形估计算法性能及算法鲁棒性与不平坦地形通过能力。
2025-11-09 cs.RO
Elevation State-Space: Surfel-Based Navigation in Uneven Environments for Mobile Robots
Norwegian University of Life Sciences(挪威生命科学大学);University of Lincoln(林肯大学)
本文介绍了一种新的方法,机器人运动规划和导航在不平坦的环境中,通过曲面表示的基础点云。所提出的方法通过将机器人的运动学和物理约束与标准运动规划算法(例如,来自开放式运动规划库的那些),从而使高效的基于采样的规划者能够在原始点云地图上挑战不平坦的地形导航。与基于数字高程地图(DEM)的技术不同,我们的新的基于表面的状态空间的制定和实施是基于原始点云地图,允许重叠的表面,如桥梁,桥墩和隧道的建模。实验结果表明,所提出的方法在真实和模拟的非结构化环境中的机器人导航的鲁棒性。所提出的方法还优化了规划者的性能,将其成功率提高到5倍,以应对具有挑战性的非结构化地形规划和导航,这要归功于我们基于冲浪者的方法的机器人约束感知采样策略。最后,我们提供了一个开源的实现所提出的方法,有利于机器人社区。
2022-08-17 cs.RO
Dynamic Walking of Bipedal Robots on Uneven Stepping Stones via Adaptive-frequency MPC
University of Southern California(南加州大学)
本文提出了一种新的自适应频率MPC框架的双足运动在不均匀的踏脚石地形。详细地说,我们打算实现自适应的脚的位置和步态周期的双足周期性步行步态与此MPC,以穿越地形的不连续性而不减速。我们将这种自适应频率MPC与运动动力学轨迹优化配对,以获得最佳步态周期、质心(CoM)轨迹和足部放置。我们使用全身控制(WBC)以及自适应频率MPC来跟踪离线优化的最佳轨迹。在数值验证中,我们的自适应频率MPC优化框架已显示出优于固定频率MPC。所提出的框架可以控制双足机器人穿越不均匀的踏脚石地形与扰动石头的高度,宽度和表面形状,同时保持平均速度为1.5米/秒。
2022-09-18 cs.RO cs.SY eess.SY
Predicting Energy Consumption and Traversal Time of Ground Robots for Outdoor Navigation on Multiple Types of Terrain
Graz University of Technology(格拉茨技术大学)
本文提出数据驱动的代价表示方法,基于ResNet模型预测地面机器人在多种户外地形的能耗与通行时间,误差在11%以内,优于基线方法。
2023-08-30 cs.RO
TRAIN: Terrain-Aware Interactive Navigation for Quadruped Robots via Reinforcement Learning
Department of Robotics, Graduate School of Engineering, Tohoku University(东邦大学机器人学系);Laboratory for Intelligent Decision and Autonomous Robots, Woodruff School of Mechanical Engineering, Georgia Institute of Technology(佐治亚理工学院智能决策与自主机器人实验室)
提出一个名为TRANS的两阶段深度强化学习框架,通过三个DRL流水线(TRANS-Loco、TRANS-Nav和统一TRANS)实现四足机器人在非结构化地形上的社交导航,克服了传统方法中运动规划与运动控制分离、缺乏地形感知以及假设静态环境等局限。
2026-10-19 cs.RO
Dynamics and Domain Randomized Gait Modulation with Bezier Curves for Sim-to-Real Legged Locomotion
Northwestern University(西北大学);Carnegie Mellon University(卡内基梅隆大学)
我们提出了一个模拟到真实的框架,使用动态和域随机离线强化学习,以提高开环步态的足式机器人,使他们能够穿越不平坦的地形,而不感脚的影响。我们的方法,D $^2$ -随机步态调制与贝塞尔曲线(D $^2$ -GMBC),使用增强随机搜索与随机动力学和地形训练,在仿真中,修改的参数和输出的开环贝塞尔曲线步态发生器的四足机器人的政策。该策略,仅使用惯性测量,使机器人穿越未知的粗糙地形,即使机器人的物理参数不匹配的开环模型。我们比较由此产生的政策,手动调整贝塞尔曲线步态和训练没有随机化的政策,无论是在模拟和一个真正的四足机器人。使用D $^2$ -GMBC,在未观察到的和未知的不平坦地形上进行的各种实验中,机器人比手动调整步态或在没有域随机化的情况下学习的步态走得更远。此外,使用D $^2$ -GMBC,机器人可以横向行走和旋转,而在崎岖的地形,即使它只被训练为向前行走。
2020-10-22 cs.RO
Multi-Agent-Based Simulation of Archaeological Mobility in Uneven Landscapes
"Athena" Research Centre(“雅典娜”研究中心);German Archaeological Institute(德国考古研究所)
本文提出了一种多智能体建模框架,用于模拟不规则地形中的考古移动性,通过强化学习实现高效动态适应,展示了地形感知追捕和运输分析的应用。
2026-03-03 cs.AI cs.RO