Risk-Averse RRT* Planning with Nonlinear Steering and Tracking Controllers for Nonlinear Robotic Systems Under Uncertainty
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
我们提出了一个两阶段的风险规避结构控制随机非线性机器人系统。我们提出了风险规避非线性转向RRT*(RANS-RRT*)作为RRT* 的变体,通过求解非线性规划(NLP)来结合非线性动力学,并通过近似状态分布和执行分布鲁棒(DR)碰撞检查来考虑风险,以促进安全规划。生成的计划被用作低级别跟踪控制器的参考。我们演示三个控制器:有限时域线性二次型调节器(LQR)具有围绕参考轨迹的线性化动态,具有鲁棒性促进乘性噪声项的LQR,以及非线性模型预测控制律(NMPC)。我们证明了我们的算法的有效性,在一个混乱的环境中,在重尾拉普拉斯过程噪声下使用单稳态动力学。
2021-09-03 cs.RO
Performance Comparison of Classical and Neural Sampling Algorithms for Robotic Navigation
dept. of Economics Oran2 Mohamed BenAhmed University(经济系奥兰2莫哈梅德·本·阿赫迈德大学)
本文在含凸凹障碍物的环境中比较了RRT*、Neural RRT*和Neural Informed RRT*三种算法,发现神经引导规划器能生成更短(最多14%)和更平滑(55-75%)的路径,其中Neural Informed RRT*综合性能最优。
2026-05-24 cs.AI cs.RO
Mixed Observable RRT: Multi-Agent Mission-Planning in Partially Observable Environments
Stanford University(斯坦福大学);KTH Royal Institute of Technology(KTH皇家理工学院);California Institute of Technology(加州理工学院)
本文考虑了异构多智能体系统的集中式任务规划问题,目标是定位隐藏目标。我们提出了一个混合的可观察设置,包括一个完全可观察的状态空间和一个部分可观察的环境,使用隐马尔可夫模型。首先,我们构建快速探索随机树(RRT),引入混合可观察RRT寻找合理的任务计划给每个代理的路点。利用这个结构,我们提出了一个路径选择策略的基础上的动态规划方法,占部分观测的不确定性,并最大限度地减少预期成本。最后,我们结合高层次的计划与模型预测控制算法,评估的方法组成的四足机器人和无人机的实验装置。它表明,代理能够做出智能决策,有效地探索该地区,并通过合作行动来定位目标。
2022-11-11 cs.RO
Zonal RL-RRT: Integrated RL-RRT Path Planning with Collision Probability and Zone Connectivity
Purdue University(普渡大学);Northeastern University(东北大学);Sharif University of Technology(谢里夫理工大学)
提出分区RL-RRT算法,利用kd-tree分区和强化学习实现高层规划,在复杂环境中显著提升时间效率并保持成功率,性能优于多种现有方法。
2026-09-15 cs.AI cs.RO
Non-Holonomic RRT & MPC: Path and Trajectory Planning for an Autonomous Cycle Rickshaw
Technical University of Munich (TUM)(慕尼黑工业大学);University of Sarajevo(萨拉热窝大学)
提出了一种基于快速探索随机树(RRT)进行全局规划和基于模型预测控制(MPC)进行局部规划的分层运动规划方法。该方法的目标是用于共享空间中的自主城市交通的三轮自行车(三轮车)。由于车辆的性质,算法必须进行调整,以遵守非完整的运动学约束,使用运动学单轨模型。该车辆旨在为共享环境中的人员和货物提供运输,例如道路,人行道,自行车道以及经常被其他交通参与者占用的开放空间。因此,本文提出的算法需要预测和避免动态障碍物,如行人或自行车,但也要足够快,以便实时工作,使其能够适应环境的变化。我们的方法使用了RRT的变种,已被修改为单轨道运动学和改进,利用死端节点的全球规划。这使我们能够在非结构化环境中非常快速地计算全局路径。在第二步中,我们的基于MPC的本地规划器利用全局路径来计算车辆的轨迹,同时将动态障碍物,如行人和其他道路使用者。我们的方法已被证明在模拟和第一次现实生活中的测试,可以很容易地扩展到更复杂的行为。
2021-03-10 cs.RO
Immersive Robot Programming Interface for Human-Guided Automation and Randomized Path Planning
University of New Mexico(新墨西哥大学)
本研究提出一个将人类纳入随机路径规划的AR机器人编程接口,利用RRT*、SLERP和SQP算法生成无碰撞路径,通过用户基于直觉选择最优路径来减少随机性,并在七自由度机械臂上验证了其有效性与人在环价值。
2024-06-04 cs.HC cs.RO
Driving Context-guided Model Predictive Planning and Control for Autonomous Car Racing at the Limit and Beyond
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);Hipert S.r.l.(Hipert 有限责任公司)
本文提出一种基于模型预测控制的赛车运动规划与控制流水线,通过成本混合状态机适应超车、正常驾驶和反向转向等情境,并在Superformula EAV-25赛车上验证,圈速接近人类最佳成绩的2%以内。
2026-09-14 cs.RO cs.SY eess.SY
Reachability-Guided Sequential Quadratic Programming-Guarded Model Predictive Path Integral for Safe Nonlinear Predictive Control
ETH Zurich(苏黎世联邦理工学院);University of California, Los Angeles(加州大学洛杉矶分校);Seoul National University(首尔大学);University of California, Berkeley(加州大学伯克利分校)
提出ReSQ-MPPI,结合可达性分析与序列二次规划精炼,提升采样型模型预测控制在安全非线性环境中的安全性与性能。
2026-10-06 cs.RO cs.SY eess.SY
Robust-Sub-Gaussian Model Predictive Control for Safe Ultrasound-Image-Guided Robotic Spinal Surgery
Balgrist University Hospital(巴尔格里斯特大学医院);University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);OR-X Translational Center for Surgery(OR-X转化外科中心)
针对高维数据状态估计误差分布未知导致的安全保证难题,提出基于有界均值次高斯噪声的鲁棒MPC框架,结合基于集合的鲁棒方法与方差代理传播,在超声引导机器人脊柱手术流程中实现了闭环安全保证。
2025-08-08 cs.RO cs.SY eess.SY
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
VLM-RRT: Vision Language Model Guided RRT Search for Autonomous UAV Navigation
KIOS Research and Innovation Centre of Excellence (KIOS CoE)(KIOS研究中心卓越创新中心);Department of Computer Science, University of Cyprus(计算机科学系,塞浦路斯大学)
针对传统RRT路径规划在复杂环境中搜索效率低、路径次优和收敛慢的问题,提出VLM-RRT方法,利用视觉语言模型提供初始方向引导以偏向采样可行路径区域,显著提升了无人机路径规划的采样效率与质量。
2025-05-29 cs.AI cs.RO
Model Predictive Trajectory Optimization With Dynamically Changing Waypoints for Serial Manipulators
Technische Universität Wien (TUW)(维也纳技术大学);AIT Austrian Institute of Technology GmbH(奥地利技术研究院有限公司)
针对短时域在线轨迹优化难以纳入动态路点的问题,提出路点模型预测控制(wMPC),通过分割规划时域并缩短时域长度,实现低计算负载的实时重规划,实验验证其性能与离线RRT型规划器相当。
2024-02-07 cs.RO
Multi-Tree Guided Efficient Robot Motion Planning
Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong(香港中文大学);Shenzhen Research Institute, The Chinese University of Hong Kong(香港中文大学深圳研究院)
运动规划是机器人完成不同任务所必需的。快速探索随机树(RRT)及其变体由于其在状态空间中的快速搜索而被广泛应用于机器人运动规划中。然而,它们在许多复杂环境中表现不佳,因为运动规划需要同时考虑几何约束和微分约束。在这篇文章中,我们提出了一种新的机器人运动规划算法,利用多树来指导探索和开发。该算法首先维护两棵以上的树来搜索状态空间。每棵树都会探索当地的环境。从根开始的树会逐渐收集其他树的信息并向目标状态生长。这种同时勘探和开采的方法可以快速找到可行的轨迹。我们比较了所提出的算法与其他流行的运动规划算法。实验结果表明,我们的算法实现了最好的性能在不同的评价指标。
2022-05-18 cs.RO
Multi-step manipulation task and motion planning guided by video demonstration
CIIRC, Czech Technical University in Prague(捷克技术大学普拉格分校智能信息研究中心);LAAS-CNRS, Universite de Toulouse, CNRS, Toulouse(图卢兹大学CNRS实验室);INRIA, Paris(巴黎国家信息与自动化研究所)
本文扩展 RRT,融合教学视频中的接触状态与三维物体位姿,实现多机器人上的多步操作任务与运动规划及真实部署。
2025-05-13 cs.CV cs.RO cs.SY
MP-MPPI: A Motion Primitive Guided Sampling-Based Optimizer for Model Predictive Control
Norwegian University of Science and Technology(挪威科技大学)
提出MP-MPPI方法,通过运动原语扩展MPPI进行结构化采样,增强收敛。在实时采样优化循环中评估相关序列,解决路径规划局限。在四旋翼模拟器及导航任务中测试,增强控制空间探索且保持实时控制特性。
2026-07-08 cs.RO
Walking-by-Logic: Signal Temporal Logic-Guided Model Predictive Control for Bipedal Locomotion Resilient to External Perturbations
Georgia Institute of Technology(佐治亚理工学院)
本文首次将信号时序逻辑引导的模型预测控制用于双足运动推挤恢复,生成同时满足任务规范并最大化鲁棒性的安全轨迹,在交叉腿动作和踏脚石选择等任务中优于现有控制器。
2023-09-22 cs.RO
Deep Reinforcement-Learning-Guided Model Predictive Control for Preventing Overtakes in Autonomous Racing
University of Michigan(密歇根大学);National University of Singapore(新加坡国立大学)
研究自主赛车防御性阻挡问题,通过分层强化学习引导的模型预测控制框架,将防御转化为空间占用调节问题。在仿真中提升平均超车时间,减少对手前进距离,使车辆有效利用轮胎力,且求解时间短,支持实时高速对抗。
2026-07-24 cs.RO
LASMP: Language Aided Subset Sampling Based Motion Planner
University at Albany(奥尔巴尼大学);GE Aerospace Research(GE航空航天研究院)
LASMP 利用 RoBERTa 语言模型解析自然语言指令来引导 RRT 采样,将节点数减少 55%、采样查询减少 80%,在复杂室内环境中实现更高效安全的机器人运动规划。
2024-10-01 cs.AI cs.HC cs.LG
Visually Guided Model Predictive Robot Control via 6D Object Pose Localization and Tracking
CIIRC, Czech Technical University in Prague(捷克理工大学CIIRC);LAAS-CNRS, Universite de Toulouse, CNRS, Toulouse(图卢兹大学LAAS-CNRS)
本研究针对动态物体6D位姿引导的机器人操作需求,提出融合学习式定位器与模型式跟踪器的高速高精度视觉感知模块,结合力矩型模型预测控制实现稳定鲁棒的机械臂控制,并通过基准测试与真实7自由度机器人实验验证了方法有效性。
2023-11-09 cs.RO
Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control
Continental AG(大陆集团)
本文提出将多模态预测器与分支模型预测控制相结合的框架,通过拓扑与碰撞风险引导的场景选择和自适应决策推迟策略,在交通交叉口和高速公路合流场景中提升自动驾驶的实时性、舒适性与安全性。
2024-05-06 cs.RO cs.SY eess.SY
Stability-Guided Exploration for Diverse Motion Generation
Technische Universität Berlin(技术大学柏林);LAAS-CNRS;Robotics Institute Germany (RIG)(德国机器人研究所)
本文提出一种基于黑盒模拟的稳定性引导探索方法,用于发现多样化的机器人操纵策略,适用于不同机器人形态,无需任务特定指导。
2026-03-06 cs.RO
Digital-Twin Evaluation for Proactive Human-Robot Collision Avoidance via Prediction-Guided A-RRT*
Department of Mechanical and Aerospace Engineering, Tandon School of Engineering, New York University(1 机械与航空航天工程系,工程学院,纽约大学)
针对人机协作主动避碰需求,提出融合细粒度人体运动预测、A-RRT*规划与数字孪生验证的安全框架,在试验中实现100%避碰、高安全间距与快速重规划,性能优于传统运动学规划器。
2025-10-03 cs.RO
Signal Temporal Logic-Guided Model Predictive Control for Robust Bipedal Locomotion Resilient to Runtime External Perturbations
Georgia Institute of Technology(佐治亚理工学院)
本文提出一种基于信号时序逻辑引导的模型预测控制框架,通过编码任务规范生成具有形式化保证的最优控制序列,有效解决双足机器人在不可预见外部扰动下的恢复与运动稳定性问题。
2023-10-17 cs.RO
Q-Guided Stein Variational Model Predictive Control via RL-informed Policy Prior
University of Sydney(悉尼大学);NVIDIA(英伟达)
Q-SVMPC通过结合RL引导的策略先验和Stein变分方法,提升轨迹优化的样本效率、稳定性和鲁棒性。
2026-09-09 cs.AI cs.LG cs.RO
Reduced-Order Model Guided Contact-Implicit Model Predictive Control for Humanoid Locomotion
California Institute of Technology(加州理工学院)
针对人形机器人高维混合动力学控制难题,提出结合HLIP降阶模型与CI-MPC的控制框架,在24自由度机器人Achilles仿真中实现多种复杂运动能力,且支持50Hz实时运行。
2025-02-21 cs.RO
Robust-Locomotion-by-Logic: Perturbation-Resilient Bipedal Locomotion via Signal Temporal Logic Guided Model Predictive Control
Georgia Institute of Technology(佐治亚理工学院)
本文首次将信号时序逻辑引导的模型预测控制用于双足运动,通过解析稳定性度量和数据驱动碰撞约束实现抗平移与旋转扰动的鲁棒恢复,并在Cassie机器人上完成仿真与硬件验证。
2024-11-19 cs.RO
Guided Time-optimal Model Predictive Control of a Multi-rotor
Shenyang Institute of Automation, Chinese Academy of Sciences(中国科学院沈阳自动化研究所);Institute for Robotics and Intelligent Manufacturing, Chinese Academy of Sciences(中国科学院机器人与智能制造创新研究院);University of Chinese Academy of Sciences(中国科学院大学)
针对多旋翼飞行器时间最优控制难题,本文提出推力极限最优分解方法生成时间最优引导轨迹,并据此构造二次代价函数,将原问题转化为MPC问题求解,实验验证了方法的可行性与有效性。
2024-01-08 cs.RO
Learning-Guided Force-Feedback Model Predictive Control with Obstacle Avoidance for Robotic Deburring
LAAS-CNRS, Universite de Toulouse, CNRS, Toulouse, France(法国国家科学研究中心LAAS实验室,图卢兹大学,法国图卢兹);Inria, AUCTUS team, Talence, France(法国国家信息与自动化研究所AUCTUS团队,法国塔朗斯);Image and Pervasive Access Laboratory (IPAL), CNRS-UMI, 2955, Singapore(图像与普适接入实验室(IPAL),法国国家科学研究中心-国际联合实验室2955,新加坡);Artificial and Natural Intelligence Toulouse Institute, France(图卢兹人工智能与自然智能研究所,法国)
本文提出结合力反馈MPC与扩散运动先验的框架,解决机器人去毛刺任务中力控制、碰撞避免和复杂运动的问题,通过实验验证其在工业场景下的可靠性与有效性。
2026-04-07 cs.RO
Optimizing H-Graph Hybridization for Diffusion-Guided RRT
本文针对扩散引导的RRT运动规划,提出两种推理时多样化策略并通过H-Graph混合,在AntMaze任务中显著提升轨迹质量与长度指标。
2026-09-29 cs.AI cs.LG cs.RO
Guided Riemannian Optimization (GuRO): Bridging Model Predictive Control and Decision Transformers
The University of Manchester(曼彻斯特大学)
本研究提出GuRO框架,将MPC与RL整合到序列决策框架,利用黎曼优化解决非凸损失问题,在四足机器人控制任务上优于TRPO等基准方法。
2026-08-26 cs.RO
Stein Variational Guided Model Predictive Path Integral Control: Proposal and Experiments with Fast Maneuvering Vehicles
Nagoya University(名古屋大学)
提出SVG-MPPI方法,利用改进SVGD估计目标模态并嵌入MPPI,以闭式寻模方式解决多模态最优动作分布问题,并在快速车辆仿真与实车实验中验证其更优的跟踪和避障性能。
2024-03-01 cs.IT cs.RO math.IT
Transformer-Enhanced Motion Planner: Attention-Guided Sampling for State-Specific Decision Making
Harbin Institute of Technology(哈尔滨工业大学)
本文提出TEMP深度学习运动规划框架,通过EISE语义编码与MPT注意力引导采样提升路径质量、搜索效率及跨任务泛化能力。
2024-04-30 cs.AI cs.RO
Uncertainty Guided Exploratory Trajectory Optimization for Sampling-Based Model Predictive Control
Robotics, Sensing and Networks Laboratory (RSN)(机器人、感知与网络实验室);University of Minnesota(明尼苏达大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出UGE-TO算法,通过生成分离样本提升配置空间覆盖,结合动态影响增强轨迹多样性,进一步集成到UGE-MPC中,实验证明在复杂环境中具有更高的探索效率和更快的收敛速度。
2026-04-13 cs.RO
Grasp-MPC: Closed-Loop Visual Grasping via Value-Guided Model Predictive Control
Applied AI Lab, Oxford Robotics Institute, University of Oxford(应用人工智能实验室、牛津机器人研究所、牛津大学);NVIDIA, USA(NVIDIA公司)
针对杂乱环境中的物体抓取,提出闭环6自由度视觉抓取策略Grasp-MPC,结合价值函数与模型预测控制,在仿真和真实环境中分别提升成功率32.6%和33.3%。
2025-09-07 cs.AI cs.LG cs.RO
Efficient Trajectory Planning and Control for USV with Vessel Dynamics and Differential Flatness
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
无人水面舰艇广泛应用于海洋勘探和环境保护领域。为了保证无人艇能够顺利完成任务,轨迹规划和运动跟踪是两项最关键的技术。本文提出了一种基于最优化理论的无人艇轨迹生成与跟踪方法。具体地说,USV的动力学模型描述与微分平坦,使轨迹可以产生动态RRT* 的线性不变系统的表达形式下的最佳边界值的目标。为了减少样本数,提高效率,我们调整轨迹通过局部优化。在优化过程中考虑了动力学约束,使生成的轨迹符合欠驱动船体的运动学特性,便于跟踪。最后,在序列二次规划问题下加入模型预测控制进行运动跟踪。实验结果表明,规划的轨迹更符合无人艇的运动学特性,跟踪精度保持较高水平。
2022-09-07 cs.RO
Batch Informed Trees (BIT*): Sampling-based Optimal Planning via the Heuristically Guided Search of Implicit Random Geometric Graphs
Carnegie Mellon University(卡内基梅隆大学);Canadian Space Agency(加拿大航天局);Defence Research and Development Canada(加拿大国防研究与发展部);Massachusetts Institute of Technology(麻省理工学院);National Aeronautics and Space Administration(美国国家航空航天局);Northern Centre for Advanced Technology Inc.(北方先进技术中心公司);Ontario Drive and Gear Ltd.(安大略传动与齿轮有限公司);Office of Naval Research(美国海军研究办公室);University of Toronto(多伦多大学);University of Waterloo(滑铁卢大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所)
在本文中,我们提出了批通知树(BIT*),规划算法的基础上统一的图形和采样为基础的规划技术。通过认识到一组样本描述了一个隐式随机几何图(RGG),我们能够将基于图的技术(如A*)的有效有序性质与基于采样的算法(如快速探索随机树(RRT))的随时可扩展性相结合。BIT* 使用启发式算法有效地搜索一系列越来越密集的隐式RGG,同时重用以前的信息。它可以被看作是一个扩展的增量图搜索技术,如终身规划A*(LPA*),连续的问题域,以及现有的采样为基础的最优规划。它表明,它是概率完全和渐近最优的。我们演示了BIT* 在$\mathbb{R}^2$和$\mathbb{R}^8$中的模拟随机世界上的实用性,以及CMU的HERB(14自由度双臂机器人)上的操纵问题。在这些问题上,BIT* 比RRT、RRT*、知情RRT* 和快速行进树(FMT*)更快地找到更好的解决方案,并且更快地随时收敛到最优值,特别是在高维中。
2015-08-13 cs.RO
Combined Aerial Cooperative Tethered Carrying and Path Planning for Quadrotors in Confined Environments
Luleå University of Technology(吕勒奥理工大学);University of Patras(帕特雷大学)
本文提出一种组合式空中协同系留搬运与路径规划框架,通过组合机构简化自由度并生成动态体封装四旋翼-绳索系统,实现RRT无碰撞路径规划,并经MPC控制实验验证有效性。
2025-04-01 cs.RO
Unified Generation-Refinement Planning: Bridging Guided Flow Matching and Sampling-Based MPC for Social Navigation
University of Washington(华盛顿大学);NVIDIA(英伟达)
本文提出一种结合奖励引导条件流匹配与模型预测路径积分的统一生成-细化框架,以提升社交导航中安全、任务性能和计算时间的平衡。
2026-03-22 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
Sampling-based Motion Planning via Control Barrier Functions
Boston University(波士顿大学)
机器人运动规划是现实世界自主应用的核心,例如自动驾驶汽车,持续监控和机械臂操纵。运动规划中的一个挑战是生成用于非线性系统的控制信号,其导致通过动态环境的无障碍路径。针对动态环境下的连续时间非线性系统,提出了一种基于采样的运动规划算法--控制障碍函数引导的快速探索随机树算法(CBF-RRT)。该算法侧重于两个目标:有效地产生可行的控制,引导系统向目标区域,并处理环境中的动态障碍物在连续的时间。我们制定的控制综合问题作为一个二次规划(QP),强制执行控制障碍函数(CBF)的约束,以实现避障。此外,CBF-RRT在采样时不需要最近邻或冲突检查,与标准RRT变体相比,这大大减少了运行时开销。
2019-07-15 cs.RO
Learning Orientation Field for OSM-Guided Autonomous Navigation
University of Macau(澳门大学);Singapore Management University(新加坡管理大学);University of Michigan(密歇根大学);Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学)
针对OSM数据噪声和传感器观测不全导致的导航轨迹偏差问题,提出融合LiDAR与OSM学习OrField的两阶段框架,结合改进的两种规划器实现复杂噪声场景下的精准自主导航。
2025-03-24 cs.RO
BarrierFormer: Transformer-Guided Predictive Barrier Enforcement for Safe Robot Control
Arizona State University(亚利桑那州立大学)
针对CBF短视和MPC计算昂贵的问题,提出BarrierFormer,一种障碍监督的Transformer框架,通过预测性滚动编码CBF约束学习无模型安全策略,实现实时安全导航,并在安全率和延迟上超越现有方法。
2026-11-03 cs.RO cs.SY eess.SY
HorizonNav: Geometry-Guided Video Diffusion for Anticipatory 3D Robot Navigation
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
HorizonNav 是几何引导视频扩散的机器人导航框架,通过对齐阶段提升 3D 环境几何一致性,实验显示其规划可行场景、RRT 成功率均提升,可暴露无激光雷达时的重建失败模式。
2026-10-12 cs.RO
WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers
University of Science and Technology of China(中国科学技术大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);East China University of Science and Technology(华东理工大学);Zhejiang University(浙江大学);Northwestern Polytechnical University(西北工业大学);TeleAI
提出WOLF框架,利用循环世界模型预测未来观测并生成预测前沿,引导无人机激光雷达探索,显著提升效率和覆盖率。
2026-09-22 cs.RO
GPU-Accelerated Barrier-Rate Guided MPPI Control for Tractor-Trailer Systems
Toyota Motor North America, Research & Development(丰田美国电机公司研发部)
本文提出基于障碍率引导的MPPI控制方法,用于解决拖车-拖车系统在复杂环境中的导航问题,通过在路径积分更新中嵌入控制屏障函数约束,提高轨迹鲁棒性和探索能力。
2025-08-07 cs.RO cs.SY eess.SY
Vector Field-Guided Learning Predictive Control for Motion Planning of Mobile Robots with Uncertain Dynamics
College of Intelligence Science and Technology, National University of Defense Technology(智能科学与技术学院,国防科技大学);School of Robotics, Hunan University(机器人学院,湖南大学)
本文提出两级向量场引导学习预测控制方法,结合运动动力学GVF、深度库普曼算子与稀疏高斯过程,提升移动机器人在障碍物密集环境中的安全机动能力。
2025-09-22 cs.RO
SpecFuse: A Spectral-Temporal Fusion Predictive Control Framework for UAV Landing on Oscillating Marine Platforms
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
SpecFuse通过融合频谱与时间域的预测控制方法,实现无人机在振荡海洋平台上的高精度着陆,显著提升预测精度和鲁棒性。
2026-02-17 cs.RO
Forecast-aware Gaussian Splatting for Predictive 3D Representation in Language-Guided Pick-and-Place Manipulation
KTH Royal Institute of Technology(皇家理工学院)
本文提出Forecast-GS框架,通过预测3D状态提升语言引导的机器人操作性能,实验显示其在抓取与放置任务中优于基线方法,表明明确预测任务完成状态有助于更可靠的行动评估。
2026-05-11 cs.RO
PAVE: Predictive Alignment and Value-Guided Evolution for World-Action Policies
East China Normal University(华东师范大学);EBKernel Shanghai Artificial Intelligence Laboratory(上海人工智能实验室EBKernel)
本研究提出PAVE策略,通过多时间步转换对齐与分布价值评论者优化,在三个模拟基准中实现最优性能,同时保留在线直接动作生成路径。
2026-09-21 cs.AI cs.RO
VLM-MPC: Vision Language Foundation Model (VLM)-Guided Model Predictive Controller (MPC) for Autonomous Driving
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出 VLM-MPC 闭环自动驾驶控制器,将视觉语言模型的高层推理与模型预测控制的实时优化相结合,在 nuScenes 多环境中验证了其安全性、平顺性与环境理解能力。
2024-10-03 cs.RO
AcousticDiffusion: Semantically Conditioned Audio-Guided Diffusion Policy for Search-and-Rescue Assistance
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
提出AcousticDiffusion,一种语义条件音频引导扩散策略,利用声学观测和贝叶斯置信场生成航点轨迹,在仿真和实物上显著提升搜救机器人导航至呼叫者的精度与效率。
2026-09-21 cs.RO
Model predictive altitude and velocity control in ergodic potential field directed multi-UAV search
Faculty of Engineering, University of Rijeka(里耶卡大学工程学院)
本研究提出一种结合二维ergodic搜索与模型预测控制的多无人机高度和速度控制方法,以提高复杂地形中的搜索效率。
2024-01-05 cs.MA cs.RO math.OC
Value-guided action planning with JEPA world models
École Polytechnique(巴黎高等理工学院);ENS Paris(巴黎高等师范学院);New York University(纽约大学)
本文提出了一种基于JEPA世界模型的价值引导动作规划方法,通过塑造表示空间提升规划性能。
2025-12-28 cs.AI cs.LG cs.RO
Learning Physics-Guided Residual Dynamics for Deformable Object Simulation
UIUC(伊利诺伊大学厄巴纳 - 香槟分校);Columbia University(哥伦比亚大学)
研究针对可变形物体模拟中动力学预测难的问题,提出物理引导残差动力学(PGRD)框架,结合物理与学习方法优势,采用特定架构和公式,在多物体模拟上结果更准,还展示了其在操作规划和交互式模拟中的应用效用。
2026-07-16 cs.AI cs.CV cs.RO