A Collaborative Aerial-Ground Robotic System for Fast Exploration
The Hong Kong University of Science and Technology(香港科技大学);Beihang University(北京航空航天大学)
未知环境的自主探索已广泛应用于检查、监视、搜救等领域。在探测任务中,对机器人的基本要求是尽可能快地探测未知空间。在本文中,我们提出了一个自主的协作系统由一个空中机器人和地面车辆探索在未知的环境。将基于前沿面的方法与谐波场相结合生成路径,并针对地面机器人在障碍物中的安全性和动力学可行性,生成一条最小加加速度的分段Bezier曲线。对于空中机器人,采用运动基元法进行局部路径规划。我们实现了一个自主的协同空-地系统的建议框架。大量的现场实验以及模拟验证的方法,并证明其对每一个单一的车辆更高的效率。
2019-10-20 cs.RO
Multi-vehicle Dynamic Water Surface Monitoring
Czech Technical University(捷克技术大学)
针对动态水面目标的探索与持续监测,本文提出基于时空奖励状态和滚动时域模型预测控制的多车辆协同规划方法,提升了运动学及团队定向问题性能并经实验验证可行。
2023-08-14 cs.RO
A Deep Reinforcement Learning Driving Policy for Autonomous Road Vehicles
Technical University of Crete(克里特理工大学);University of Malta(马耳他大学)
这项工作是我们对自动驾驶汽车在高速公路上移动的路径规划问题的初步调查。我们通过提出一种基于强化学习的驱动策略来解决这个问题。所提出的政策,使最小的或没有假设的环境,因为没有先验知识的系统动态是必需的。我们比较了所提出的政策的性能对最优的政策,通过动态规划和对SUMO交通模拟器模拟人工驾驶。
2019-05-22 cs.RO
Vehicle Drift Emergence: Continuous Evolution from Grip Driving to the Handling Limit via Boundary Exploration Learning Model Predictive Control
School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械工程学院);Faculty of Engineering, The University of Hong Kong(香港大学工程学院)
该研究针对抓地到漂移的连续过渡问题,提出BE-LMPC方法,通过单圈优化使漂移在附着系数0.6时涌现,明确漂移是极限操控的条件性延续。
2026-09-01 cs.RO
A Novel Versatile Architecture for Autonomous Underwater Vehicle's Motion Planning and Task Assignment
Flinders University(弗林德斯大学)
随着水下场景和任务的不断扩展,对自主水下航行器(AUV)的鲁棒决策提出了更高的要求,设计一个有效的决策框架对于在有限时间内最大限度地提高任务效率至关重要。本文的重点是开发一种深思熟虑的无冲突任务分配架构,包括全球路线规划器(GRP)和本地路径规划器(LPP),以提供一致的运动规划,同时应对环境动态变化和地形的先验知识,以便在未知的水下环境中反应式引导AUV到达感兴趣的目标。该体系结构包括三个主要模块:顶层的GRP模块处理任务优先级分配、任务时间管理和大规模环境下起点和终点之间可行路径的确定。较低级别的LPP模块处理安全考虑,并生成所获得的全局路线中列出的每对特定航路点之间的无碰撞最佳轨迹。重新规划模块旨在提高AUV对环境变化的鲁棒性和反应能力。不同的模拟任务的实验结果表明,所提出的方案在提高车辆的自主性方面的任务生产力,任务时间管理和车辆安全性的固有的鲁棒性和显着的效率。
2016-06-15 cs.RO
Trajectory Planning for an Articulated Commercial Vehicle using Model Predictive Contouring Control
Department of Mechanical Engineering, Eindhoven University of Technology(埃因霍温理工大学机械工程系);Safety & Driver Controls Group, Vehicle Development, DAF Trucks N.V.(DAF卡车公司安全与驾驶控制组)
本文提出了一种基于模型预测轮廓控制的 articulated 商用车轨迹规划方法,通过引入场景依赖的锚点权重和道路边界约束,解决了 articulated 商用车在正反向行驶中的导航问题。
2026-04-27 cs.RO
An Efficient Hybrid Route-Path Planning Model For Dynamic Task Allocation and Safe Maneuvering of an Underwater Vehicle in a Realistic Environment
College of Science and Engineering, Flinders University(弗林德斯大学科学与工程学院);Centre for Maritime Engineering, Control and Imaging, Flinders University(弗林德斯大学海事工程、控制与成像中心);Seattle Children's Research Institute, University of Washington(华盛顿大学西雅图儿童研究所)
针对水下机器人在多变的近岸水域中的任务分配和管理问题,提出了一种混合路径规划模型。首先定义了分布在大规模地形中的几个优先任务;然后,考虑到任务时间、车辆电池、基础操作场的不确定性和可变性的限制,进行适当的任务定时和能量管理。所提出的目标是实现纳入一个路线规划,负责优先级的可用任务列表,根据可用的电池和路径规划,在较小的规模,以提供车辆的安全部署,对环境的突然变化。利用差分进化算法和萤火虫算法的特定组合,对任务分配-路径规划的同步过程进行了仿真。仿真结果表明,所提出的混合模型在完成最大数量的分配任务方面提供了高效的性能,同时完美地消耗了通过使用有利的电流提供的最小能量,并控制了相关的任务时间。为了进一步分析,还进行了Monte-Carlo检验。相应的结果表明,该模型对操作领域的不确定性和任务条件的变化显着的鲁棒性。
2017-11-20 cs.RO
Estimation and Planning of Exploration Over Grid Map Using A Spatiotemporal Model with Incomplete State Observations
University of Nevada, Reno(内华达大学雷诺分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
时空模型上的路径规划可以应用于各种应用,如无人机搜索在山区蔓延的野火或部署在廉价的互联网服务的时变大气中的气球网络。这种应用中的一个值得注意的方面是动态变化的环境。然而,路径规划算法往往假设静态环境,只考虑车辆的动态探索环境。我们提出了一个时空模型,该模型使用互相关运算符来考虑时空依赖性。此外,我们提出了一个自适应状态估计器的路径规划。由于状态估计依赖于车辆的路径,路径规划需要考虑探索和利用之间的权衡。我们使用一个高层次的决策者来选择一个探索性的路径或一个剥削性的路径。整体提出的框架包括一个自适应状态估计器,短期路径规划器,和一个高层次的决策者。我们测试了框架的时空模型模拟,其中每个网格的状态从正常,潜在的,和火灾状态过渡。对于访问有火网格的任务目标,所提出的框架优于随机行走(基线)和一心一意的开发(或探索)路径。
2021-06-24 cs.RO
Comfortable Priority Handling with Predictive Velocity Optimization for Intersection Crossings
Honda Research Institute (HRI) Europe(本田欧洲研究院(HRI Europe));Honda Innovation Lab (HIL) Tokyo, Honda R&D Co., Ltd.(本田技研工业株式会社本田东京创新实验室(HIL Tokyo))
研究了具有通行权的四向交叉路口的运动规划问题。道路安全通常将责任分配给追尾碰撞中的跟随者和侧面碰撞中需要屈服的接近车辆。作为一种替代以前的模型的启发式状态机的基础上,我们提出了一个规划框架,根据给定的纵向或横向优先级规则改变其他汽车的预测模型(例如,他们的原型加速和减速)。结合最先进的轨迹优化方法ROPT(风险优化方法),这允许找到自我速度曲线,最大限度地减少曲线和所有相关车辆的风险,同时在监管条件下最大限度地提高效用(达到目标所需的时间)和舒适性(加速的变化和持续时间)。分析和统计评估表明,我们的方法是能够遵循的权利的方式为广泛的其他车辆的行为和路径几何。即使其他车辆以不符合优先级的方式行驶,ROPT也能实现良好的风险-舒适度权衡。
2023-03-14 cs.RO cs.SY eess.SY
Learning to Drift in Extreme Turning with Active Exploration and Gaussian Process Based MPC
State Key Laboratory of Industrial, Zhejiang University(工业-state重点实验室,浙江大学)
提出结合高斯过程回归与模型预测控制的模型校正漂移控制器,通过主动探索漂移速度来校正模型失配并最小化轨迹误差,仿真与实验证明其显著降低了横向与速度跟踪误差。
2025-06-01 cs.AI cs.RO cs.SY
Hybrid Terrain-Aware Path Planning: Integrating VD-RRT* Exploration and VD-D* Lite Repair
The Grainger College of Engineering, Electrical and Computer Engineering Department, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院);The Grainger College of Engineering, Industrial and Enterprise Systems Engineering Department, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院)
提出融合Bekker压力-沉陷模型与坡度惩罚的连续代价度量,结合精确转向原语,采用VD-RRT*全局探索与VD-D* Lite局部修复,实现毫秒级重规划,硬件试验验证软土与坡度环境实时导航。
2025-10-15 cs.RO cs.SY eess.SY
Model Predictive Contouring Control for Vehicle Obstacle Avoidance at the Limit of Handling Using Torque Vectoring
Delft University of Technology(代尔夫特理工大学);University of Surrey(萨里大学);University of Eindhoven(埃因霍温大学);Politecnico di Torino(都灵理工大学)
本研究提出一种结合扭矩矢量的非线性模型预测轮廓控制方法,通过优化转向角和四轮纵向力,在操控极限下实现车辆避障,兼顾跟踪精度与稳定性,仿真验证了其优于无扭矩矢量或避障优先级的基线方法。
2024-05-17 cs.RO cs.SY eess.SY
AUV trajectory optimization with hydrodynamic forces for Icy Moon Exploration
Universität Bremen(不来梅大学);Robotics Innovation Centre (RIC), DFKI GmbH(德国人工智能研究中心机器人创新中心);University of Bremen(不来梅大学)
针对冰卫星海洋探索中欠驱动 AUV 执行垂直对接和壁面检查的控制难题,本文为 DeepLeng 提出面向木卫二冰下海洋的航行控制策略并通过仿真验证。
2024-06-14 cs.RO cs.SY eess.SY
Autonomous Reactive Mission Scheduling and Task-Path Planning Architecture for Autonomous Underwater Vehicle
Flinders University of South Australia(南澳大利亚弗林德斯大学)
自主水下航行器(AUV)需要在有限的时间内完成复杂的任务。由于现有的AUV电池容量和续航能力有限,它们应该自主管理任务时间和资源,以便在更长的任务中执行有效的持续部署。任务分配需要根据资源约束做出决策,而任务分配的成本和/或价值是预先预算的。任务分布在一个特定的操作区,并通过一个航路点覆盖的网络映射。因此,设计一个有效的路由任务优先级分配框架,考虑车辆的可用性和属性是必要的,以提高任务的生产率和按时完成任务。这在很大程度上取决于任务的顺序和优先级,这些任务位于操作网络中的节点状航路点之间。另一方面,AUV在不熟悉的水下动态环境中自主操作并对突发环境变化做出快速响应是一个复杂的过程。水流的不稳定性会使潜水器偏转到不希望的方向,并干扰AUV的安全。车辆对强烈环境变化的鲁棒性对于其在不确定和动态环境中的安全和最佳操作至关重要。为此,AUV需要在顶层对环境进行总体概述,以执行自主动作选择(任务选择)和较低级别的本地运动规划器,以成功地处理不断变化的情况。本研究涉及开发一种新的反应控制体系结构,提供了更高层次的决策自主权的AUV操作,使一个单一的车辆,以完成多个任务,在一个单一的任务,面对周期性的干扰,在动荡和高度不确定的环境。
2017-06-13 cs.AI cs.RO
Error Tolerant Path Planning for Swarms of Micro Aerial Vehicles with Quality Amplification
Carleton University(卡尔顿大学);Institut Polytechnique de Paris(巴黎综合理工学院);Telecom SudParis(南巴黎电信学院);University of Campinas(坎皮纳斯大学)
提出了一种适用于微型飞行器群的容错路径规划算法。我们假设导航没有类似GPS的技术。MAV使用传感器和摄像机找到它们的路径,识别并跟随一系列视觉地标。视觉地标引导微型飞行器前往目的地。假设MAV不知道地形和地标的位置。它们拥有关于地标的先验信息,其解释容易出错。错误有两种类型,承认或建议。识别错误来自于对感测数据或先验信息的错误解释,或者对象的混淆,例如,由于传感器故障。建议错误是关于地标的过时或错误信息的后果,例如,因为天气原因我们的路径规划算法是合作的。MAV通过无线方式进行通信和信息交换,以尽量减少识别和建议错误的数量。因此,放大了导航决策过程的质量。我们的解决方案成功地实现了自适应容错导航系统。质量放大相对于MAV的数量被参数化。我们验证了我们的方法与理论证明和数值模拟。
2021-06-03 cs.RO cs.SY eess.SY
Autonomous Exploration with Terrestrial-Aerial Bimodal Vehicles
Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University(控制科学与工程学院计算机系统与控制研究所,浙江大学)
针对自主探索中的能量与时间约束问题,提出面向陆空双模车辆的分层探索框架,通过扩展蒙特卡洛树搜索优化模式选择与视点排序,结合运动规划器构建完整感知系统,经仿真与真实平台验证有效。
2025-07-28 cs.RO
Enhancing Multi-Robot Exploration Using Probabilistic Frontier Prioritization with Dirichlet Process Gaussian Mixtures
Institute for Systems and Robotics / LARSyS and Instituto Superior Técnico, Universidade de Lisboa(系统与机器人研究所 / LARSyS 和里斯本大学理工学院);Instituto de Telecomunicações and Instituto Superior Técnico, Universidade de Lisboa(电信研究所和里斯本大学理工学院)
本文提出了一种基于概率前沿优先级和狄利克雷过程高斯混合模型的改进方法,以提升多机器人探索的效率,通过在两种先进的多智能体探索算法中集成该方法,实现了在不同环境复杂度、通信限制和团队规模下的性能提升,实验结果表明平均性能提升了10%至14%。
2026-06-04 cs.RO
Rapidly-Exploring Random Graph Next-Best View Exploration for Ground Vehicles
Technical University Bergakademie Freiberg(弗赖贝格工业大学);Nuremberg Institute of Technology Georg Simon Ohm(纽伦堡应用技术大学乔治·西蒙·欧姆)
在本文中,介绍了一种新的方法,利用快速探索随机图,以提高采样为基础的自主探索未知环境的无人地面车辆相比,目前的最先进的。其预期用途是在救援场景中的大型室内和地下环境中的遥操作能力有限。局部和全局采样用于提高大环境下的探测效率。节点被选择为下一个勘探目标的基础上的收益-成本比来自假设的3D地图覆盖在特定的节点和距离它。所提出的方法的特点是一个连续构建的图形与解耦计算的节点增益使用计算效率高的光线追踪方法。在机器人追求目标的同时评估下一个最佳视图,这消除了在达到先前目标后等待增益计算的需要,并显著加快了探索速度。此外,网格地图用于确定图中节点之间的可遍历性,同时还提供用于朝向选定目标导航的全局计划。仿真比较所提出的方法,国家的最先进的勘探算法,并证明其优越的性能。
2021-09-14 cs.RO
Priority-based coordination of autonomous and legacy vehicles at intersection
本文提出一种基于优先级的协调方法,支持传统车辆安全通过交叉口,同时保持无碰撞和死锁特性。
2014-09-26 cs.RO cs.SY eess.SY
PALCAS: A Priority-Aware Intelligent Lane Change Advisory System for Autonomous Vehicles using Federated Reinforcement Learning
School of Computing, Wichita State University(维斯科大学计算学院);Department of Computer Science, University of Memphis(孟菲斯大学计算机科学系)
本文提出基于多智能体联邦强化学习的优先级感知智能变道建议系统PALCAS,用于自动驾驶车辆,通过引入新的优先级感知安全变道奖励函数,提升变道决策的合理性和交通效率。
2026-04-29 cs.AI cs.RO
Variable-Resolution Virtual Maps for Autonomous Exploration with Unmanned Surface Vehicles (USVs)
Department of Mechanical Engineering, University College London, London, UK(伦敦大学学院机械工程系);Department of Mechanical Engineering, Stevens Institute of Technology, Hoboken, NJ, USA(新泽西州霍博肯斯坦福理工学院机械工程系);Department of Computer Science, Dartmouth College, Hanover, NH, USA(达特茅斯学院计算机科学系)
本文提出可变分辨率虚拟地图方法,通过自适应四叉树和双变量高斯虚拟地标,有效解决GNSS退化环境下自主探索中的定位和地图不确定性问题,提升计算效率和安全性。
2026-09-23 cs.RO
Virtualization & Microservice Architecture for Software-Defined Vehicles: An Evaluation and Exploration
Technical University of Munich(慕尼黑工业大学);University of Bamberg(班贝格大学)
本研究针对软件定义汽车场景,在多架构平台上评估容器化与虚拟化技术的性能,验证其对Autoware框架的影响,并发现微服务架构可优化启动时间。
2024-12-13 cs.RO
Return-to-Home Feasible Micro-Aerial Vehicle Exploration for 3D Gaussian Splatting Reconstruction
Fujitsu Research(富士通研究所)
提出拓扑优先的主动重建框架,解耦3DGS高保真渲染与导航,利用TSDF/占据栅格支架和Voronoi路线图,在飞行时间预算内实现安全可返回基地的室内探索重建,性能优于或媲美现有基线。
2026-10-06 cs.RO
Revolutionizing Underwater Exploration of Autonomous Underwater Vehicles (AUVs) and Seabed Image Processing Techniques
Alliance University(联盟大学)
本文是一篇综述,梳理了自主水下航行器(AUVs)技术与海底图像处理技术的最新进展,探讨了二者对海洋探索方式的变革作用及对海洋科学未来的潜在影响。
2023-11-22 cs.CV cs.RO
Depth-CUPRL: Depth-Imaged Contrastive Unsupervised Prioritized Representations in Reinforcement Learning for Mapless Navigation of Unmanned Aerial Vehicles
Universidade Federal do Rio Grande - FURG(里奥格兰德联邦大学(FURG));Universidade Federal de Santa Maria - UFSM(圣玛丽亚联邦大学(UFSM));Technological University of Uruguay(乌拉圭技术大学)
强化学习(RL)通过原始像素成像和连续控制任务在视频游戏中表现出令人印象深刻的性能。然而,RL在高维观测(如原始像素图像)方面表现不佳。人们普遍认为,基于物理状态的RL策略(如激光传感器测量)比像素学习更有效。本文提出了一种从深度图估计中提取信息的新方法,用于训练强化学习智能体实现无人机的无地图导航。我们提出了深度图像对比无监督优先表示强化学习(深度CUPRL),估计与优先重放记忆的图像的深度。我们使用RL和对比学习的组合来解决基于图像的RL问题。从与无人机(UAV)的结果的分析,可以得出结论,我们的深度CUPRL方法是有效的决策,并优于国家的最先进的基于像素的方法在无地图导航能力。
2022-07-01 cs.AI cs.RO
Parallel Distributional Prioritized Deep Reinforcement Learning for Unmanned Aerial Vehicles
Federal University of Rio Grande(里奥格兰德联邦大学);University of Tsukuba(筑波大学);VersusAI;Technological University of Uruguay(乌拉圭理工大学);Federal University of Santa Maria(圣玛丽亚联邦大学)
本研究提出基于软演员-评论家的并行分布式优先深度强化学习(PDSAC),用于无人机三维无地图导航,相比传统SAC方法在相同训练步数下显著提升导航能力。
2023-09-01 cs.RO
Autonomous Driving with Priority-Ordered STL Specifications Under Multimodal Uncertainty
Eindhoven University of Technology(埃因霍温理工大学)
提出一种不确定性感知的轨迹规划框架,通过信号时序逻辑的词典序优先级处理冲突目标,并结合模型预测路径积分控制实现,在仿真中验证了有效性。
2026-08-11 cs.RO
Online Exploration and Coverage Planning in Unknown Obstacle-Cluttered Environments
University of California, Riverside(加州大学河滨分校)
在线覆盖规划在现场监测和搜索救援等应用中非常有用。在没有环境的先验信息的情况下,考虑到常用车辆中的非完整移动性约束(例如,轮式机器人)仍然是一个挑战。在本文中,我们提出了一个分层的,十六进制分解为基础的覆盖规划算法,未知的,障碍物杂乱的环境。所提出的方法确保了分辨率完全覆盖,可以调整以实现快速探索,并为Dubins车辆规划平滑的路径以实时匀速行驶。露台模拟和硬件实验与非完整轮式机器人表明,我们的方法可以成功地权衡覆盖范围和探索速度,并可以优于现有的在线覆盖算法的总覆盖面积或探索速度,根据它是如何调整。
2020-06-30 cs.RO
TritonZ: A Remotely Operated Underwater Rover with Manipulator Arm for Exploration and Rescue Operations
Department of Computer Science and Engineering, United International University(计算机科学与工程系,国际联合大学);Department of Computer Science and Engineering, BRAC University(计算机科学与工程系,BRAC大学)
本文提出了一种配备机械臂的半无线遥控水下探测器TritonZ,通过搭载多种传感器和实时视频传输,实现了高效的水下探索与救援任务,并在实验中验证了其13.5cm/s的平均速度与低延迟性能。
2025-06-27 cs.RO
RACER: Rapid Collaborative Exploration with a Decentralized Multi-UAV System
Hong Kong University of Science and Technology(香港科技大学)
尽管多架无人机(UAV)的使用在快速自主探索方面具有巨大的潜力,但它受到的关注太少了。在本文中,我们提出了RACER,一个快速的协作探索方法,使用分散的无人机舰队。为了有效地调度无人机,一个成对的互动的基础上在线hgrid空间分解。它确保所有无人机同时探索不同的区域,只使用异步和有限的通信。此外,我们优化未知空间的覆盖路径,并平衡分配给每个无人机的工作量与容量限制车辆路径问题(CVRP)制定。给定任务分配,每个无人机不断更新覆盖路径,并逐步提取关键信息,以支持勘探规划。分层规划器依次发现探索路径、细化局部视点和生成最短时间轨迹,以实现对未知空间的灵活、安全探索。实验结果表明,该方法具有较高的探测效率、可扩展性和对有限通信的鲁棒性.此外,我们第一次在现实世界中实现了与多个无人机的完全分散的协作探索。我们将以开源包的形式发布我们的实现。
2022-09-18 cs.RO
STEM: Semantic Target Search and Exploration using MAVs in Cluttered Environments
Department of Cognitive Robotics(认知机器人学系);Delft University of Technology(代尔夫特理工大学);CIIRC(捷克技术大学布拉格分校智能信息研究中心)
提出一种基于语义引导视点规划器的框架,利用MAV在非结构化3D环境中最小化目标搜索与探索时间,通过组合规划器和主动感知管道实现高效语义探索。
2026-05-30 cs.RO
Lo-MARVE: A Low Cost Autonomous Underwater Vehicle for Marine Exploration
School of Computer Science(计算机科学学院);University of Galway(戈尔韦大学);School of Engineering(工程学院)
本文提出了一种名为Lo-MARVE的低成本自主水下航行器,采用模块化设计与低成本传感器,总成本约500欧元,并在真实浅水环境中验证了其自主导航与数据采集能力。
2024-11-13 cs.AI cs.RO
Learning Semantic Priorities for Autonomous Target Search
Delft University of Technology(代尔夫特理工大学);Czech Technical University in Prague(捷克理工大学)
本文提出利用专家输入训练语义优先级模型,通过组合优化提升机器人在未知环境中的目标搜索效率与鲁棒性。
2026-03-31 cs.RO
Exploration of lane-changing duration for heavy vehicles and passenger cars: a survival analysis approach
Tongji University(同济大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
车道变换(LC)行为描述了车辆在前进时从当前车道到目标车道的横向移动。在众多的研究方向中,LC持续时间(LCD)度量车辆从当前车道行驶到目标车道所花费的总时间,是表征LC行为不可或缺的指标。虽然现有的研究已经取得了一定的成果,但对重型汽车液晶显示器的研究较少。因此,本文旨在进一步探讨重型汽车和客车之间的液晶显示器。LC轨迹是从新发布的HighD数据集中提取的,该数据集包含16.5小时的测量和超过11,000辆汽车。估算了液晶显示器的生存函数,分析了其特性。随后,引入加速失效时间模型来探讨影响因素。结果表明,客车和重型车的MST值分别为5.51s和6.08s。重型车辆在执行LC时,与前车保持较长的时距和时距。然而,这两个因素并没有显着影响重型车辆的液晶显示器。最后,对结果和建模意义进行了讨论。希望本文的研究能为我们进一步了解重型汽车和乘用车的LC行为做出贡献。
2021-08-08 cs.PF cs.RO cs.SY
Learning to Explore Indoor Environments using Autonomous Micro Aerial Vehicles
University of Pennsylvania(宾夕法尼亚大学);Hebrew University of Jerusalem(耶路撒冷希伯来大学);Technion - Israel Institute of Technology(以色列理工学院)
本文提出一种基于DL和DRL的室内探索框架,通过预测未见环境地图并规划安全导航目标,在SWaP约束下使微型飞行器高效探索未知环境,效率较现有方法提升50-60%。
2023-09-13 cs.RO
Servos for Local Map Exploration Onboard Nonholonomic Vehicles for Extremum Seeking
Department of Mechanical Engineering, San Diego State University(机械工程系,圣地亚哥州立大学)
本文将极值搜索控制的扰动从正弦函数扩展到有界周期或几乎周期函数,给出多变量映射任意阶导数估计的充要条件,并将其应用于非完整车辆伺服传感器源搜索,实验证明可加快收敛。
2025-09-19 cs.RO cs.SY eess.SY
Optimal Energy Management of Plug-in Hybrid Vehicles Through Exploration-to-Exploitation Ratio Control in Ensemble Reinforcement Learning
University of Birmingham(伯明翰大学);Tsinghua University(清华大学)
开发具有高度适应性和优越性的智能能量管理系统对混合动力汽车具有重要意义。提出了一种基于学习自动机模块(LAM)的集成学习方法来提高汽车能效。两个并行的基础学习器的两个探索开发比(E2E)的方法来产生一个最优的解决方案,并最终的行动是共同确定的LAM使用三个集成方法。基于强化学习的传统指数衰减(EXD)函数,分别提出了“基于倒数函数的衰减”(RBD)和“基于步长的衰减”(SBD)算法来生成E2E比率轨迹。此外,考虑到三种衰减函数的不同性能,采用RBD,SBD和EXD的最佳组合来确定最终作用。在软件在环(SiL)和硬件在环(HiL)中进行了实验,以验证在四个预定义周期下的潜在节能性能。SiL测试表明,集成学习系统的最佳组合可以实现1.09 $\%$更高的车辆能源效率比一个单一的Q学习策略与EXD功能。在HiL测试中,具有最优组合的集成学习系统在预定义的真实驾驶条件下比基于EXD函数的单个Q学习方案节省超过1.04 $\%$。
2023-03-15 cs.RO cs.SY eess.SY
Towards Safer Planetary Exploration: A Hybrid Architecture for Terrain Traversability Analysis in Mars Rovers
Polytechnic of Turin(都灵理工大学)
针对火星车在崎岖行星地形中的自主导航风险,本文融合语义分割、像素级粗糙度分类与几何危险检测,构建可生成混合成本地图的ROS2架构,并经Unity仿真验证其在线可通行性分析能力。
2024-10-23 cs.RO
Multi-vehicle Platoon Overtaking Using NoisyNet Multi-Agent Deep Q-Learning Network
Xiangtan University(湘潭大学)
随着车对车通信技术的最新进步,自动驾驶汽车能够在队列中连接和协作,最大限度地降低事故风险,成本和能源消耗。车辆编队的显著优点已经从自动化和人工智能领域获得越来越多的关注。然而,很少有研究集中在排超车。针对这一问题,本文提出了NoisyNet多智能体深度Q-学习算法,利用NoisyNet提高了对环境的探索能力。综合考虑超车、车速、碰撞、车头时距和跟车等因素,提出了一种基于领域定制的奖励函数,以实现高速安全排队超车。仿真结果表明,该方法在不同交通密度情况下均能成功超车.
2023-03-05 cs.RO
REAL: Rapid Exploration with Active Loop-Closing toward Large-Scale 3D Mapping using UAVs
KAIST (Korea Advanced Institute of Science and Technology)(韩国科学技术院)
在不与障碍物碰撞的情况下探索未知环境是自动驾驶车辆执行各种任务的基本要素之一,例如结构检查,救援,交付等。因此,快速、敏捷且具有高自由度的无人机(UAV)已经被广泛使用。然而,以前的方法有两个局限性:a)首先,它们可能不适合探索大规模环境,因为它们主要依赖于基于随机采样的路径规划,这会导致不必要的移动。b)其次,他们假设姿态估计足够准确,这是获得准确地图的最关键因素。为了快速、准确地探测和绘制未知大规模环境,提出了一种新的探测方法,该方法将预先计算的孔雀轨迹与基于图的全局探测和主动闭环相结合。由于采用了考虑无人机运动学的两步轨迹,因此可以保证以滚动时域的方式避障。此外,考虑边界的局部探索和基于图的全局探索通过最小化不必要的重访来最大化探索的速度。此外,通过基于似然性主动地闭合环路,姿态估计性能得到改善。所提出的方法的性能进行了验证,通过探索与国家的最先进的方法相比,三维仿真环境。最后,在一个真实世界的实验中,所提出的方法进行了验证。
2021-08-05 cs.RO
Tactile-based Exploration, Mapping and Navigation with Collision-Resilient Aerial Vehicles
School of Manufacturing Systems and Networks, Ira A. Fulton Schools of Engineering, Arizona State University(制造系统与网络学院,伊拉·A·福尔顿工程学院,亚利桑那州立大学)
该研究提出被动可变形无人机XPLORER及快速外力估计算法,设计三种触觉运动基元实现未知环境高效探索导航,验证了其在接触密集型任务中的应用潜力。
2025-04-01 cs.RO cs.SY eess.SY
InDRiVE: Intrinsic Disagreement based Reinforcement for Vehicle Exploration through Curiosity Driven Generalized World Model
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校)
InDRiVE 在 Dreamer 框架下用基于世界模型集成内在分歧的奖励替代任务特定外在奖励,实现任务无关探索,在更少训练步数下取得优于 DreamerV2/V3 的驾驶成功率与更少违规。
2025-03-07 cs.AI cs.ET cs.LG
Safe Reinforcement Learning on Autonomous Vehicles
Honda Research Institute USA(美国本田研究所)
强化学习已经取得了许多进展,但学习过程的典型不受约束的探索阻止了这些方法在许多安全关键应用中的采用。安全强化学习的最新工作使用理想化模型来实现其保证,但这些模型不容易适应现实世界系统的随机性或高维性。我们研究了预测如何为约束探索提供一个通用和直观的框架,并展示了它如何用于安全地学习自动驾驶汽车上的交叉路口处理行为。
2019-09-27 cs.AI cs.LG cs.RO
A Grammar for the Representation of Unmanned Aerial Vehicles with 3D Topologies
UC Berkeley(加州大学伯克利分校);Washington University in St. Louis(圣路易斯华盛顿大学)
我们提出了一个上下文敏感的语法系统的探索3D机器人的拓扑结构的设计空间,特别是无人机。它定义了产生式规则,用于将元件添加到在三维网格上建模的不完整设计拓扑中。规则是地方性的。语法很简单,但能够建模大多数现有的无人机以及新的。它可以很容易地推广到其他机器人平台。它可以被认为是任何设计探索和优化算法的构建块。
2023-02-27 cs.AI cs.FL cs.RO
Large-Scale Exploration of Cave Environments by Unmanned Aerial Vehicles
Czech Technical University in Prague(捷克布拉格技术大学);Brno University of Technology(布尔诺理工大学)
本文提出了一个独立的系统,强大的利用空中机器人在洞穴环境的自主探索,以帮助人类探险家,急救人员和洞穴学家。所提出的系统通常适用于一个未知的和非结构化的地下环境中的任意勘探任务和互连关键的机器人子系统,以提供完全自主的机器人。这些子系统主要包括地图绘制、路径和轨迹规划、定位、控制和决策。由于自然洞穴环境的多样性,复杂性和结构的不确定性,所提出的系统允许使用任何任意的探索策略,为单个机器人,以及为一个合作的团队。提出了一种多机器人协作策略,该策略最大限度地提高了每个空中机器人有限的飞行时间,用于勘探和搜索救援场景,其中不需要所有部署的机器人返回初始位置。整个系统在一个全面的实验分析中得到验证,该实验分析包括在真实世界洞穴环境中的飞行时间小时,以及在为DARPA地下挑战机器人竞赛开发的最先进的虚拟测试平台上进行数百小时的测试。除此之外,实验结果包括在一个苛刻的未知洞穴环境中,用一块电池进行超过470米的多个真实世界探索飞行。
2023-03-06 cs.MA cs.RO cs.SY
SEER: Safe Efficient Exploration for Aerial Robots using Learning to Predict Information Gain
University of Pennsylvania(宾夕法尼亚大学)
本文提出SEER框架,通过学习预测未见空间占据与信息增益并规划信息轨迹,使受载荷和功率限制的微型飞行器能在室内安全高效探索,实验显示其路径长度较现有方法缩短24%且成功率更高。
2023-08-13 cs.RO
CORTEX-AVD: A Framework for CORner Case Testing and EXploration in Autonomous Vehicle Development
University of São Paulo(圣保罗大学)
本文提出开源框架 CORTEX-AVD,集成 CARLA 与 Scenic,利用遗传算法和多因素适应度函数从文本自动生成并优化自动驾驶高风险角例场景,显著提升角例发生率并减少无效仿真。
2025-04-09 cs.AI cs.RO
Trajectory tracking control of a Remotely Operated Underwater Vehicle based on Fuzzy Disturbance Adaptation and Controller Parameter Optimization
Purdue University(普渡大学)
针对冰下探索中ROV精确轨迹跟踪需求,提出融合模糊自适应扰动抑制与PSO参数优化的MIMO非线性控制器,经仿真验证性能优于基线方法,助力冰下探索技术发展。
2024-05-16 cs.RO cs.SY eess.SY
AquaFeL-PSO: A Monitoring System for Water Resources using Autonomous Surface Vehicles based on Multimodal PSO and Federated Learning
Universidad Loyola(洛约拉大学);Liverpool John Moores University(利物浦约翰摩尔斯大学);Technical School of Engineering of Seville(塞维利亚工程技术学院)
近几十年来,水资源的保护、监测和控制一直是一个重大挑战。必须不断监测水资源,以了解水的污染程度。为了实现这一目标,本文提出了一种水监测系统,使用自主水面车辆,配备了水质传感器,基于多模态粒子群优化,和联邦学习技术,高斯过程作为一个代理模型,AquaFeL-PSO算法。拟议的监测系统分为两个阶段,即勘探阶段和开发阶段。在探测阶段,车辆检查水资源的表面,并且利用由水质传感器获取的数据,在中央服务器中估计第一水质模型。在开发阶段,使用勘探阶段估计的模型将该地区划分为行动区,以便更好地开发污染区。为了获得水资源的最终水质模型,将两个阶段中获得的模型相结合。结果表明,所提出的路径规划器在获得污染区的水质模型,与其他路径规划器相比,有14 $\%$的改进,整个水资源,获得400 $\%$更好的模型,以及在检测污染峰值,在本案例研究中的改进是4,000 $\%$。还证明了通过应用联邦学习技术获得的结果与集中式系统的结果非常相似。
2022-11-28 cs.LG cs.RO
Informed sampling-based trajectory planner for automated driving in dynamic urban environments
Netherlands Organisation for Applied Scientific Research(荷兰应用科学研究组织);Eindhoven University of Technology(埃因霍温理工大学)
城市环境是自动驾驶汽车最困难的领域之一。车辆必须能够在具有挑战性的道路布局上,在各种动态交通参与者(如车辆,骑自行车者和行人)以及各种环境条件下规划安全路线。挑战仍然是拥有计算速度快的运动规划器,并主动考虑其他道路使用者的未来运动。本文介绍了一种计算效率高的采样为基础的轨迹规划器,在城市环境中的安全和舒适的驾驶。该规划器改进了Stable-Sparse-RRT算法,根据道路布局信息在搜索树中添加初始探索分支,并重复以前的解决方案。此外,轨迹规划器考虑了其他交通参与者的预测运动,以允许在城市交通中安全驾驶。仿真研究表明,规划器是能够规划无碰撞,舒适的轨迹在几个城市交通场景。添加基于领域知识的探索分支提高了高度感兴趣区域的探索效率,从而提高了总体规划性能。
2022-10-05 cs.RO math.OC
Design and Simulation of an Autonomous Quantum Flying Robot Vehicle: An IBM Quantum Experience
Indian Institute of Science Education and Research, Berhampur(贝兰布尔印度科学教育与研究学院);National Institute of Science Education and Research, HBNI(霍米·巴巴国家研究所国家科学教育与研究学院);Bikash’s Quantum (OPC) Pvt. Ltd.(比卡什量子私人有限公司)
量子计算和信息在机器人技术中的应用最近引起了研究人员的注意。机器人领域一直致力于使机器人占用的空间最小化,并使机器人更聪明。“机器人的智能是它对周围环境和用户输入的敏感性,以及它对它们做出理想反应的能力。机器人中的量子现象使得机器人占用的空间更小,量子计算的能力使机器人能够有效地处理大量的信息,从而使机器人变得更聪明。Braitenberg车辆是一个简单的电路机器人,根据其传感器接收的输入移动。在此基础上,我们提出了一种量子机器人车辆,它“智能”到足以理解复杂的情况,而不是简单的Braitenberg车辆,并根据存在的障碍物进行导航。它可以检测无障碍路径,并相应地进行导航。当有多个可用的自由路径时,它还接受用户的输入。当在地面上没有选择时,它可以将自己空运离地面。由于这些飞行器会对周围的条件做出某种反应,因此这个想法可以用于建造人工生命和遗传算法,太空探索和深地探测探测器,以及国防和情报服务的方便工具。
2022-06-01 cs.RO quant-ph
Safe and Efficient Intersection Control of Connected and Autonomous Intersection Traffic
Daniel Felix Ritchie School of Engineering and Computer Science(丹尼尔·费利克斯·里奇工程与计算机科学学院)
本文提出DICA算法,用于协调自动驾驶车辆在交叉口的安全高效通行,同时通过Reactive DICA算法优化紧急车辆通行优先级,确保应急车辆快速通过而最小化其他车辆的行程影响。
2018-01-29 cs.RO cs.SY eess.SY
Comparison of Dynamic and Kinematic Model Driven Extended Kalman Filters (EKF) for the Localization of Autonomous Underwater Vehicles
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
自主水下航行器(AUV)和遥控潜水器(ROV)用于与勘探和科学研究有关的各种任务。这些系统的成功导航需要良好的定位系统。基于卡尔曼滤波器的定位技术自20世纪60年代初以来一直很流行,并且在开发和设计中使用它们进行了广泛的研究。已经发现,在卡尔曼滤波器中使用动态模型(而不是运动学模型)可以导致更准确的预测,因为动态模型考虑了作用在AUV上的力。提出了一种基于简化动力学模型的水下机器人运动预测扩展卡尔曼滤波器(EKF)。首先建立了水下机器人的动力学模型,然后对该模型进行了简化,该机器人是一种用于简单水下勘探、海底结构物、管道和沉船检测的潜水器。该滤波器在一个名为UUV模拟器的开源海洋车辆模拟器中用模拟车辆实现,并将结果与地面实况进行比较。结果表明,动态滤波器具有良好的预测精度,但在EKF可以实时使用之前需要改进。一些观点和讨论的实际实施,以显示这一概念所需的后续步骤。
2021-05-26 cs.RO cs.SY eess.SY
Harnessing ADAS for Pedestrian Safety: A Data-Driven Exploration of Fatality Reduction
Department of Engineering, South Carolina State University(南卡罗来纳州立大学工程系);Department of Computational Engineering and Data Science, North Carolina A\&T State University(北卡罗来纳州A&T州立大学计算工程与数据科学系)
本研究针对美国行人死亡率上升的问题,基于FARS数据开展分析,量化PAEB、FCW、LDW等ADAS功能的降亡效果,发现其效果受低光照、恶劣天气等条件制约,为优化ADAS部署提供参考。
2025-08-24 cs.CY cs.RO