Informative Path Planning for Active Field Mapping under Localization Uncertainty
ETH Zürich(苏黎世联邦理工学院);University of Technology Sydney(悉尼科技大学)
信息收集算法在释放机器人在广泛应用中进行高效数据汇集的潜力方面发挥着关键作用。然而,大多数现有的策略忽略了机器人姿势不确定性的基本问题,这是一个隐含的要求,创建强大的,高质量的地图。为了解决这个问题,我们引入了一个信息丰富的规划框架,主动映射,明确占在映射和规划任务的构成不确定性。我们的策略利用高斯过程(GP)模型来捕捉目标环境场的输入上的不确定性。对于规划,我们制定了一个新的效用函数,耦合的本地化和字段映射目标在基于GP的映射方案的原则性的方式,而不依赖于任何手动调整的参数。大量的模拟表明,我们的方法优于现有的策略,减少了平均姿态的不确定性和地图误差。我们还提出了一个室内温度映射方案的概念证明。
2019-12-15 cs.RO
Limited Visibility and Uncertainty Aware Motion Planning for Automated Driving
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
不利的天气条件和城市环境中的遮挡导致感知受损。不确定性在自动车辆的不同模块中处理,范围从传感器水平到情况预测直到运动规划。本文主要研究在具有遮挡的不确定环境模型下的运动规划问题。我们提出了一种方法,以保持碰撞自由的最坏情况下的演变给定的场景。我们定义的标准,衡量可用的利润率的碰撞,同时考虑到可见性和相互作用,并因此集成的条件,将这些标准应用到一个基于优化的运动规划。我们通过在几个不同的城市场景中验证我们的方法的一般性。
2018-10-30 cs.RO
Inspection planning under execution uncertainty
针对城市环境中定位误差导致的执行不确定性影响巡检规划性能的问题,提出基于IRIS框架、结合蒙特卡洛采样的IRIS-U²算法,可提供覆盖率、路径长度和碰撞概率的统计保证,经桥梁巡检案例验证有效,且有界次优解可在保保证的同时减耗时。
2024-04-10 cs.RO
Sampling-based Task and Kinodynamic Motion Planning under Semantic Uncertainty
Kevin T. Crofton Department of Aerospace and Ocean Engineering, Virginia Tech(弗吉尼亚理工大学凯文·T·克罗夫顿航空航天与海洋工程系);Smead Department of Aerospace Engineering Sciences, University of Colorado Boulder(科罗拉多大学博尔德分校斯米德航空航天工程科学系)
本文研究了在不确定环境中集成任务和运动学动态运动规划问题,提出了一种结合决策技术和采样运动规划的 anytime 算法,证明了算法的正确性和渐进最优性。
2026-04-01 cs.RO
Real-Time Online Re-Planning for Grasping Under Clutter and Uncertainty
University of Leeds(利兹大学)
我们考虑在杂乱中抓取的问题。虽然近年来已经开发了运动规划器来解决这个问题,但这些规划器大多是针对开环执行而定制的。然而,在这个领域中的开环执行可能会失败,因为不可能以足够的精度对多体多接触物理系统的动力学进行建模,也不可能期望机器人知道物体的确切物理特性,例如摩擦,惯性和几何特性。因此,我们提出了一个在线重新规划的方法,通过杂波抓取。主要挑战是该领域需要较长的规划时间,这使得快速重新规划和流畅执行难以实现。为了解决这个问题,我们提出了一个容易并行化的随机轨迹优化算法,产生一系列的最优控制。我们表明,通过运行此优化器,只有少量的迭代,它是可能的执行实时的重新规划周期,以实现反应性的操作混乱和不确定性。
2018-10-09 cs.RO
Learning-based Near-optimal Motion Planning for Intelligent Vehicles with Uncertain Dynamics
National University of Defense Technology(国防科技大学);Hunan University(湖南大学)
本文提出GP-SKRL算法,结合稀疏高斯过程回归与稀疏核策略迭代,在不确定动力学下实现智能车辆在线自适应近最优运动规划,并通过仿真与实车实验验证其优越性。
2023-08-09 cs.RO
Chance-Constrained Trajectory Optimization for High-DOF Robots in Uncertain Environments
Massachusetts Institute of Technology(麻省理工学院)
机器人技术的许多实际应用需要系统能够在不确定性的情况下安全运行。在运动规划的背景下,两种类型的不确定性是特别重要的规划安全的机器人轨迹时。第一个是环境不确定性-附近障碍物位置的不确定性,源于传感器噪声或(在障碍物未来位置的情况下)预测误差。第二类不确定性是机器人自身状态的不确定性,通常由跟踪或估计误差引起。为了实现高水平的安全性,机器人有必要考虑这两个不确定性来源。在本文中,我们提出了一种风险有界的轨迹优化算法,称为具有风险优化的顺序凸优化(SCORA),以解决机会约束的运动规划问题,尽管存在环境不确定性和跟踪误差。通过模拟实验,我们证明了SCORA显着优于国家的最先进的风险意识的运动规划者在规划时间和所产生的轨迹的安全。
2023-01-31 cs.RO
Stochastic Implicit Neural Signed Distance Functions for Safe Motion Planning under Sensing Uncertainty
Rice University(莱斯大学)
针对高维机器人在感知不确定性下的安全运动规划问题,提出融合随机符号距离函数隐式神经模型与分层优化规划器的方法,可显式界定风险并在复杂环境中生成安全、高质量路径。
2023-09-28 cs.RO
Is it Worth to Reason about Uncertainty in Occupancy Grid Maps during Path Planning?
Cornell University(康奈尔大学);Massachusetts Institute of Technology(麻省理工学院)
本文研究了在路径规划过程中的障碍物的不确定性存在的推理的有用性,这通常源于使用概率占用网格地图表示的环境时,通过一个嘈杂的传感器,如立体相机映射。传统的规划模式规定使用一个硬阈值的占用概率来宣布一个细胞是一个障碍,并相应地规划一个单一的路径,同时对待未知的空间作为自由。我们将这种方法与一种新的不确定性感知规划器进行比较,该规划器规划两种不同的路径假设,然后将其初始轨迹段合并为一个以“下一个最佳视图”姿势结束的单一轨迹段。在这个信息视图被采取后,计划者承诺其中一个假设,或者如果碰撞即将发生,则承诺一个全新的假设。仿真结果表明,该规划器与传统规划器相比,具有更好的规划效果。结果表明存在规划方案-如当环境包含死胡同,或当目标被放置在障碍物附近-其中推理的不确定性可以显着减少机器人的行驶距离,并增加达到目标的机会。新的规划器也在一个真正的Clearpath Jackal机器人上进行了验证,该机器人配备了ZED 2立体摄像机。
2022-05-27 cs.RO
Probabilistic Framework for Constrained Manipulations and Task and Motion Planning under Uncertainty
University 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)
逻辑几何规划(Logic-Geometric Programming,LGP)是一种功能强大的运动和操纵规划框架,它使用描述问题离散方面的逻辑规则来表示分层结构,例如,触摸、抓握、击打或推动,并求解所得到的平滑轨迹优化。逻辑的表达能力允许LGP处理复杂的,大规模的顺序操作和工具使用规划问题。在本文中,我们将LGP公式推广到随机域。基于控制推理的对偶性,我们解释LGP在随机域拟合高斯混合后验路径分布,其中每个逻辑配置文件定义一个单一的高斯路径分布。该框架使机器人能够优先考虑各种交互模式,并获得有趣的行为,如接触开发的不确定性减少,最终提供一个复合控制方案,是反应的干扰。补充视频可以在https://youtu.be/CEaJdVlSZyo上找到
2020-03-09 cs.RO
Robust-RRT: Probabilistically-Complete Motion Planning for Uncertain Nonlinear Systems
Stanford University(斯坦福大学);Technion(以色列理工学院)
鲁棒运动规划需要计算在所有可能的不确定性实现下都是安全的全局运动计划,无论是在系统动态中,机器人的初始位置,还是相对于外部干扰。目前的鲁棒运动规划方法要么缺乏理论保证,要么对系统动力学和不确定性分布进行限制性假设。在本文中,我们提出了强大的快速探索随机树(Robust-RRT)算法,该算法将前向可达性分析直接集成到基于采样的控制轨迹合成,以解决这些限制。我们证明了Robust-RRT是概率完备的(PC)的非线性Lipschitz连续动力系统的有界不确定性。换句话说,Robust-RRT最终找到在所有可能的不确定性实现下可行的鲁棒运动计划,假设存在这样的计划。我们的分析甚至适用于不稳定的系统,只承认短期可行的计划,这是因为我们明确考虑可达集沿控制轨迹的时间演化。由于在我们的分析中明确考虑了时间依赖性,PC适用于不稳定系统。据我们所知,这是最普遍的PC证明鲁棒采样为基础的运动规划,在类型的不确定性和动力系统,它可以处理。考虑到可达集的精确计算对于某些动力系统来说可能是计算昂贵的,我们将基于采样的可达性分析纳入Robust-RRT中,并在非线性、欠驱动和混合动力系统上展示了我们的鲁棒规划器。
2022-11-01 cs.RO
Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering
Chair of Automatic Control Engineering(自动控制工程教授会)
本文提出一种结合随机模型预测控制与分支结构的方法,用于在多模态不确定性下进行运动规划,通过场景聚类提高实时计算性能并减少保守性。
2026-05-21 cs.RO
Path Planning Under Uncertainty to Localize mmWave Sources
Nanyang Technological University(南洋理工大学);New York University(纽约大学);University of British Columbia(不列颠哥伦比亚大学);Harvard University(哈佛大学)
在本文中,我们研究了移动机器人需要定位毫米波无线信号的导航问题。利用信号的方向性,我们提出了一种估计和路径规划算法,可以有效地在杂乱的室内环境中导航。我们制定扩展的卡尔曼滤波器的情况下,接收到的信号在视线或反射后的辐射源位置估计。然后,我们建议规划运动轨迹的基础上的信念空间动力学,以最大限度地减少位置估计的不确定性。相关的非线性优化问题的解决是一个国家的最先进的约束iLQR求解器。特别是,我们提出了一种方法,可以处理大量的障碍物(~300)与合理的计算时间。我们验证的方法在一个广泛的模拟。我们表明,我们的估计可以帮助提高导航成功率和规划,以减少估计的不确定性,可以提高整体任务的完成速度。
2023-03-08 cs.RO
A POMDP-based hierarchical planning framework for manipulation under pose uncertainty
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对视觉受限环境下的位姿不确定性操作问题,提出基于POMDP的分层信念表示与闭环规划框架,利用3D体积空间与粒子集结合降低计算量,在真实世界实现93%成功率并显著提升解质量。
2024-09-27 cs.RO
NR-RRT: Neural Risk-Aware Near-Optimal Path Planning in Uncertain Nonconvex Environments
The Chinese University of Hong Kong(香港中文大学);Georgia Institute of Technology(佐治亚理工学院);Southern University of Science and Technology(南方科技大学);Shenzhen Research Institute of The Chinese University of Hong Kong(香港中文大学深圳研究院)
在不确定环境下,如何平衡安全性和效率之间的关系对于路径规划具有重要意义。许多具有风险意识的路径规划器已经被开发出来,以明确限制碰撞的概率在不确定的环境中的可接受的范围。然而,凸障碍或高斯不确定性通常假设,使问题易于在现有的方法。这些假设限制了路径规划器在现实世界中的推广和应用。在这篇文章中,我们提出将深度学习方法应用于基于采样的规划器,开发了一种新的风险有界近优路径规划算法,称为神经风险感知RRT(NR-RRT)。具体而言,一个确定性的风险轮廓图保持感知概率非凸障碍,并提出了一个神经网络采样器来预测下一个最有希望的安全状态。此外,递归分治规划和双向搜索策略的使用,以加快收敛到一个近最优解,保证有界风险。最坏情况下的理论保证也可以证明,由于备用的安全保证计划,利用均匀的抽样分布。仿真实验表明,该算法在具有不确定性和非凸约束的可见和不可见环境中寻找风险有界的低成本路径的性能明显优于现有算法.
2022-05-14 cs.RO
Secure Minimum Time Planning Under Environmental Uncertainty: an Extended Treatment
网络物理系统(CPS)正变得无处不在,并影响着物理世界,但安全性很少是其设计的最前沿。机器人控制算法尤其如此,它们很少考虑网络攻击对任务目标和成功的影响。这项工作提出了一种安全的最优控制算法,在面对网络攻击的机器人的知识的环境。这项工作的重点是网络攻击,但结果推广到不完整或过时的信息的环境。这项工作融合了鲁棒控制,最优控制和基于传感器的规划的思想,提供了一个概括的停车距离在3D。该规划器在仿真中实现,并分析其性能。
2018-03-06 cs.RO
Path Planning Considering Time-Varying and Uncertain Movement Speed in Multi-Robot Automatic Warehouses: Problem Formulation and Algorithm
The University of Hong Kong(香港大学);Geekplus Technology Co., Ltd.(极智嘉科技有限公司);University of California Berkeley(加州大学伯克利分校)
多机器人系统中的路径规划是指为每个机器人计算一组动作,这些动作将使每个机器人移动到其目标而不与其他机器人冲突。最近,该研究课题因其广泛的应用而受到极大的关注,例如机场地面,无人机群和自动仓库。尽管这些现有的研究成果,大多数现有的调查都与机器人的情况下,一个固定的运动速度,而不考虑不确定性。因此,在这项工作中,我们研究了多机器人自动化仓库的路径规划问题,它考虑了时变和不确定的机器人的运动速度。具体地说,路径规划模块根据传统的冲突概率分布计算交通代价,并结合经典的A* 算法,为单个智能体搜索冲突尽可能少的路径。然而,这种基于概率的方法并不能消除所有的冲突,速度的不确定性会不断引起新的冲突。作为补充,我们提出了其他两个模块。冲突检测与重规划模块根据设计的规则,周期性地从不同类型的冲突中选择需要重规划路径的对象。此外,在每个步骤中,调度模块填充代理的保留队列,并决定当同一元素同时分配给两个代理时谁具有更高的优先级。最后,我们将所提出的算法与学术界和工业界的其他算法进行了比较,结果表明,所提出的方法是最好的性能。
2022-12-01 cs.RO
Autonomous search of real-life environments combining dynamical system-based path planning and unsupervised learning
San Diego State University(圣地亚哥州立大学)
针对混沌覆盖路径规划器在现实环境应用中的避障、轨迹扩散和覆盖计算问题,开发ROS框架内的新型应用框架,其性能与传统最优路径规划器相当,经多环境仿真与实测试证。
2024-11-27 cs.AI cs.RO
Uncertainty-Aware Motion Planning for Autonomous Driving in Mixed Traffic Environment
Central South University(中南大学);City University of Macau(澳门城市大学)
提出不确定性感知运动规划(UAMP),通过量化人类意图不确定性并引入不确定性校准值学习,提升自动驾驶在混合交通中的安全性和舒适性。
2026-06-08 cs.AI cs.RO
Graduated Fidelity Lattices for Motion Planning under Uncertainty
Centro Singular de Investigación en Tecnoloxías da Información (CiTIUS)(信息技术卓越研究中心(CiTIUS));Universidade de Santiago de Compostela(圣地亚哥德孔波斯特拉大学)
提出了一种基于状态格的移动机器人运动规划新方法。碰撞概率的可靠估计考虑到机器人的形状,和保真度适应环境的复杂性,提高规划效率,同时保持性能。安全和最优路径发现的知情搜索算法,提出了一种新的多分辨率启发式。不同的场景和机器人形状的结果,显示所提出的方法的有效性。
2019-05-31 cs.AI cs.RO
LEADER: Learning Attention over Driving Behaviors for Planning under Uncertainty
Oregon State University(俄勒冈州立大学);Shanghai Jiao Tong University(上海交通大学);National University of Singapore(新加坡国立大学)
人类行为的不确定性对拥挤的城市环境中的自动驾驶提出了重大挑战。部分可观测马尔可夫决策过程(POMDPs)为不确定性下的规划提供了一个原则性框架,通常利用蒙特卡洛采样来实现复杂任务的在线性能。然而,采样也会因可能遗漏关键事件而引起安全问题。为了解决这个问题,我们提出了一种新的算法,学习注意力驾驶bEADER(LEADER),学会参加关键的人类行为在规划。LEADER学习一个神经网络生成器,以在实时情况下对人类行为提供关注。它将注意力整合到一个信念空间规划器中,使用重要性采样来使推理偏向关键事件。为了训练算法,我们让注意力生成器和规划器形成一个最小-最大博弈。通过解决最小-最大博弈,LEADER学会了在没有人类标签的情况下执行风险感知规划。
2022-10-29 cs.LG cs.RO
Convex Risk Bounded Continuous-Time Trajectory Planning in Uncertain Nonconvex Environments
MIT(麻省理工学院)
在本文中,我们解决的轨迹规划问题,在不确定的非凸静态和动态环境中,包含概率位置,大小和几何形状的障碍物。为了解决这个问题,我们提供了一个风险有界的轨迹规划方法,寻找连续时间的轨迹,保证有界的风险在规划时间范围内。风险被定义为与不确定障碍物发生碰撞的概率。现有的方法来解决风险有界的轨迹规划问题要么是有限的高斯不确定性和凸障碍或依赖于基于采样的方法,需要不确定性样本和时间离散化。为了解决风险有界的轨迹规划问题,我们利用风险轮廓的概念,将风险有界的规划问题转化为一个确定性的优化问题。风险等值线是不确定环境中具有有界风险的所有点的集合。所得到的确定性优化,在一般情况下,非线性和非凸时变优化。我们提供了基于平方和优化的凸方法来有效地解决所得到的非凸时变优化问题,并获得连续时间的风险有界的轨迹,而无需时间离散化。所提供的方法处理任意概率不确定性,非凸和非线性,静态和动态的障碍,并适用于在线轨迹规划问题。
2021-06-10 cs.RO cs.SY eess.SY
PODDP: Partially Observable Differential Dynamic Programming for Latent Belief Space Planning
自主智能体观察世界状态的能力有限。部分可观测马尔可夫决策过程(POMDPs)对世界状态不确定性下的规划问题进行了形式化建模,但具有连续动作和非线性动力学特性的POMDPs适合于机器人应用,其求解具有挑战性。在本文中,我们提出了一个有效的差分动态规划(DDP)算法的信任空间规划POMDP的不确定性在一个离散的潜在状态,连续的状态,行动,观察,和非线性动力学。这种表示允许规划的动态轨迹是敏感的离散的潜在世界状态的结构化不确定性。我们开发了动态规划技术,以优化一个可能的观测和信念空间轨迹树的应急计划,并得出一个层次版本的算法。我们的方法适用于成本或回报函数不确定的问题(例如,目标或障碍的配置),动态的不确定性(例如,混合系统的动态模式),以及交互的不确定性,其中其他代理的行为取决于潜在的意图。基准测试表明,我们的算法优于流行的启发式方法规划下的不确定性,从一个自主变道任务的结果表明,我们的算法可以合成强大的互动轨迹。
2019-12-14 cs.AI cs.RO
PO-PDDL: Learning Symbolic POMDPs from Visual Demonstrations for Robot Planning Under Uncertainty
Shanghai Jiao Tong University(上海交通大学);Shanghai Innovation Institute(上海创新研究院)
提出PO-PDDL符号化POMDP框架,通过从机器人执行视频中重建潜在状态轨迹、识别部分可观测性并学习随机转移与观测模型,实现不确定性下的鲁棒任务规划。
2026-08-21 cs.AI cs.RO
Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty
University of Genoa(热那亚大学)
计算无碰撞轨迹对于安全航行至关重要。我们提出了一种方法来计算碰撞概率高斯分布的运动和传感器的不确定性与机器人和静态障碍物的形状近似为椭球。碰撞条件被制定为椭球体之间的距离,与以前的方法不同,我们提供了一种方法来计算准确的碰撞概率。此外,我们提供了一个严格的上限,可以更快地计算在线规划。还提供了与其他最先进的方法的比较。在不同的配置和障碍物的数量下,所提出的方法进行了评估模拟。
2021-10-12 cs.AI cs.RO
Tru-POMDP: Task Planning Under Uncertainty via Tree of Hypotheses and Open-Ended POMDPs
Shanghai Jiao Tong University(上海交通大学);Shanghai Innovation Institute(上海创新研究院);East China Normal University(华东师范大学);Beijing University of Posts and Telecommunications(北京邮电大学)
Tru-POMDP通过结合LLM生成的信念与开放性POMDP规划,有效应对任务规划中的不确定性,提升规划效率与鲁棒性。
2026-03-01 cs.AI cs.RO
Partially Observable Task and Motion Planning with Uncertainty and Risk Awareness
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
针对传统TAMP完全可观测、动作确定的假设局限,提出具备不确定性与风险感知的TAMPURA策略,在任务和控制器层进行不确定性推理,实验表明其性能优于确定性规划等方法,并在真实机器人问题中得到验证。
2024-10-06 cs.AI cs.RO
Unsupervised Path Regression Networks
University of Cambridge(剑桥大学);Imperial College London(帝国理工学院)
我们证明了具有挑战性的最短路径问题可以通过直接样条回归从神经网络,在无监督的方式训练(即不需要地面实况最佳路径的训练)。为了实现这一点,我们推导出一个几何相关的最优成本函数,其最小值保证无碰撞的解决方案。我们的方法击败了最短路径规划的最先进的监督学习基线,具有更可扩展的训练管道,以及推理时间的显着加速。
2021-03-09 cs.CV cs.LG cs.RO
Two-stage stochastic programming approach for path planning problems under travel time and availability uncertainties
Wayne State University(韦恩州立大学);Virginia Tech(弗吉尼亚理工大学);U.S. Army CCDC Ground Vehicle Systems Center(美国陆军CCDC地面车辆系统中心);Aptiv(安波福)
传感、机器人技术和无线网络的重大进步使得自主空中、地面和水下航行器能够在各种应用中协同使用。然而,为了成功地利用这些无人地面车辆(UGV)在国土安全行动中的好处,有效地解决UGV路径规划问题是至关重要的,这是这些行动的核心。此外,在UGV的实际应用中,这些操作会遇到不确定性,例如关于目标地点、行驶时间以及车辆、传感器和燃料的可用性的不完整信息。本研究论文的重点是开发基于代数的建模框架,以实现车辆团队的成功部署,同时解决行驶距离和UGV任务可用性的不确定性。
2019-10-08 cs.RO math.OC
Uncertainty-Aware Decision-Making and Planning for Autonomous Forced Merging
Linköping University(林雪平大学);Imperial College London(帝国理工学院);Lund University(隆德大学)
针对强制汇入场景,提出通过在线估计周围车辆加速度边界预测非保守前向占据,并将其融入决策与运动规划,以提升参考轨迹的安全性和韧性。
2024-10-27 cs.RO cs.SY eess.SY
Vision-Based Uncertainty-Aware Motion Planning based on Probabilistic Semantic Segmentation
Technical University of Munich(慕尼黑工业大学)
本文针对不确定环境下的机器人安全运动规划问题,提出结合大规模数据增强的深度语义分割集成与基于场景的概率路径规划方法,并通过速度调度保证跟踪误差下的安全性,实验验证了其优于现有方法。
2023-12-01 cs.RO cs.SY eess.SY
Convex Risk Bounded Continuous-Time Trajectory Planning and Tube Design in Uncertain Nonconvex Environments
MIT, Computer Science;Artificial Intelligence Laboratory. These authors contributed equally to the paper.
针对含概率障碍物的不确定非凸动静环境,本文利用风险等值线将规划转化为确定性优化,并通过平方和凸优化实现无时间离散化的连续时间风险有界轨迹及最大安全管设计。
2023-06-04 cs.AI cs.RO math.OC
Planning with SiMBA: Motion Planning under Uncertainty for Temporal Goals using Simplified Belief Guides
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出一种多层运动规划算法,利用系统简化模型的轨迹在组合任务和信念空间中引导基于采样的搜索树,解决线性时序逻辑规范下的运动与感知不确定性问题,避免了构建精细有限抽象,显著加速了复杂规范下的规划。
2023-04-09 cs.FL cs.RO cs.SY
Efficient Belief Road Map for Planning Under Uncertainty
Georgia Institute of Technology(佐治亚理工学院)
本文提出一种基于高效协方差控制的信念路图方法,通过输出状态反馈调控节点不确定性并构建无碰撞均值轨迹边,实现控制代价与不确定性平衡的路径搜索,实验验证了其有效性。
2023-09-17 cs.RO cs.SY eess.SY
Path Planning Problem under non-probabilistic Uncertainty
KU Leuven(鲁汶大学)
本文考虑了非概率不确定性下路径规划问题的理论解,该理论解用于不确定性下的旅行商问题。不确定性是在城市之间的路径上作为流动推销员问题中的节点。在两个节点/站之间存在至少一条路径,其中节点之间的行进时间不是精确已知的。这可能是由于环境影响,如道路上的拥挤(高峰期),电池的充电状态,天气条件,或考虑行驶时的路线安全性。在这项工作中,我们考虑了两种不同的先进的不确定性模型(i)概率精确的不确定性模型:概率分布和(ii)非概率不精确的不确定性模型:区间。我们研究什么样的理论结果可以得到两个不同的最优性标准:最大和最大的流动推销员问题。
2022-12-01 cs.RO math.OC math.PR
Cooperative Trajectory Planning in Uncertain Environments with Monte Carlo Tree Search and Risk Metrics
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
自动驾驶汽车需要与人类合作的能力,以顺利融入当今的交通。虽然合作的概念是众所周知的,开发一个强大的和有效的合作轨迹规划方法仍然是一个挑战。这一挑战的一个方面是由于传感器精度有限而导致的环境状态的不确定性。这种不确定性可以用部分可观测马尔可夫决策过程来表示。我们的工作解决了这个问题,通过扩展现有的合作轨迹规划方法的基础上连续动作空间的蒙特卡罗树搜索。它通过以根信念状态的形式显式地建模不确定性来实现这一点,从根信念状态开始对树的开始状态进行采样。在用蒙特卡罗树搜索构造树之后,使用核回归将它们的结果聚合成收益分布。我们应用两个风险指标进行最终选择,即置信下限和条件风险值。可以证明,在最终选择策略中集成风险度量在不确定的环境中始终优于基线,从而生成相当安全的轨迹。
2022-11-12 cs.AI cs.MA cs.RO
Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments
Daniel Guggenheim School of Aerospace Engineering(丹尼尔·古根海姆航空航天工程学院);Georgia Institute of Technology(佐治亚理工学院)
针对自主空间探索中环境交互与感知系统的不确定性导致的安全规划问题,提出结合AO-RRT采样规划与序列凸规划的风险感知动力学运动规划方法,可将轨迹风险降低约97%。
2026-08-12 cs.RO cs.SY eess.SY
Chance-Constrained Trajectory Planning with Multimodal Environmental Uncertainty
University of British Columbia(不列颠哥伦比亚大学);Seoul National University(首尔大学);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
本文针对GMM多模态环境不确定性下的安全轨迹规划,提出混合整数锥近似和CVaR方法,并在自动驾驶数据上验证了其有效性。
2025-03-09 cs.RO cs.SY eess.SY
Robust Predictive Motion Planning by Learning Obstacle Uncertainty
Linköping University(林雪平大学);Imperial College London(帝国理工学院);Lund University(隆德大学)
针对动态环境中不确定障碍物导致规划保守的问题,提出在线学习障碍物控制集以计算非保守可达集,并设计鲁棒模型预测控制器生成安全轨迹,经仿真与硬件实验验证。
2025-01-20 cs.RO cs.SY eess.SY
Online Planning of Uncertain MDPs under Temporal Tasks and Safe-Return Constraints
Peking University(北京大学);College of Engineering, Peking University(北京大学工学院)
研究了移动机器人在复杂高层任务下的在线运动规划问题。由于初始知识有限,机器人运动被建模为不确定的马尔可夫决策过程(MDP),而任务被指定为线性时序逻辑(LTL)公式。该框架使机器人能够探索和更新系统模型的贝叶斯方式,同时优化的渐近成本,满足复杂的时间任务。为综合外出策略和安全策略提供了理论保证。更重要的是,而不是贪婪的探索下的经典遍历性假设,安全返回的要求是强制执行,使机器人总是可以返回到家的状态,具有很高的概率。通过数值模拟验证了整体方法的有效性。
2023-02-10 cs.RO cs.SY eess.SY
Learning How to Trade-Off Safety with Agility Using Deep Covariance Estimation for Perception Driven UAV Motion Planning
Istanbul Technical University(伊斯坦布尔理工大学);Turkish-German University(土耳其-德国大学)
针对敏捷无人机导航任务,研究了如何利用预测模型选择基于感知不确定性估计的运动规划策略。虽然有各种各样的运动规划和感知算法,这样的任务,感知的不确定性的影响是没有明确地处理在许多当前的运动算法,这导致在现实生活中的情况下,测量往往是嘈杂的,由于外部干扰的性能损失。我们开发了一个新的框架嵌入感知不确定性的高层次运动规划管理,以选择最好的可用运动规划方法,目前估计的感知不确定性。我们使用深度神经网络(CovNet)来估计视觉输入的不确定性,该深度神经网络明确预测当前测量的协方差。接下来,我们训练一个高级机器学习模型,用于在给定协方差的当前估计以及UAV状态的情况下预测最低成本的运动规划算法。我们证明了现实生活中的数据和无人机竞赛模拟,我们的方法,命名为不确定性驱动的运动规划切换器(UDS)产生的最安全和最快的轨迹之间比较的替代品。此外,我们表明,开发的方法学习如何权衡安全与敏捷性切换到运动规划,导致更敏捷的轨迹时,估计的协方差是高的,反之亦然。
2020-12-11 cs.RO cs.SY eess.SY
Robustified Time-optimal Point-to-point Motion Planning and Control under Uncertainty
KU Leuven(鲁汶大学)
本文提出一种鲁棒化的两阶段最优控制方法,通过同时优化轨迹、反馈增益和协方差,实现不确定条件下的时间最优点到点运动规划,并采用重规划策略与迭代算法保证实时可行。
2025-01-24 cs.RO cs.SY eess.SY
Robust Motion Planning in the Presence of Estimation Uncertainty
University of Pennsylvania(宾夕法尼亚大学)
运动规划是一个基本的问题,重点是寻找控制输入,使机器人到达目标区域,同时安全地避开障碍物。然而,在许多情况下,系统的状态可能是未知的,而是仅使用例如卡尔曼滤波器来估计。这导致了一种新的运动规划问题,其中在存在状态估计不确定性的情况下必须确保安全性。以前的方法,这个问题是保守的或整合状态估计乐观,导致非鲁棒性的解决方案。乐观的解决方案需要频繁的重新规划,以免危及系统的安全。我们提出了一个新的配方,这个问题的目的是强大的状态估计错误,而不是过于保守。特别是,我们制定了一个随机最优控制问题,包含鲁棒风险意识的安全约束,将鲁棒性利润占状态估计错误。我们提出了一种新的基于采样的方法,建立探索高斯分布,捕获在状态估计和未来的测量不确定性的可达空间的树。我们提供了鲁棒性保证,并表明,无论是在理论和模拟,诱导的鲁棒性利润构成保守性和鲁棒性之间的权衡估计不确定性下的规划,允许控制频率的重新规划。
2021-08-26 cs.RO cs.SY eess.SY
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文针对不确定动态障碍物环境下的机器人运动规划安全问题,提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案,以降低碰撞风险,并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
Real-time Uncertainty-Aware Motion Planning for Magnetic-based Navigation
University of Florida(佛罗里达大学);Air Force Research Lab(空军研究实验室)
本文提出一种用于磁导航的实时不确定性感知运动规划算法,通过机载磁力计和信息驱动方法根据定位置信度调整轨迹,在路线效率与降低定位不确定性间取得平衡,提升了复杂环境下导航的精度与可靠性。
2024-07-26 cs.RO cs.SY eess.SY
Risk-Averse Planning Under Uncertainty
California Institute of Technology(加州理工学院);NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室)
研究了具有动态一致风险目标的部分可观测马尔可夫决策过程的策略设计问题。为POMDP合成风险规避最优策略需要无限的内存,因此是不可判定的。为了克服这个困难,我们提出了一种基于有界策略迭代的方法来设计随机但有限状态(记忆)控制器,它利用了标准的凸优化方法。给定一个内存预算和最优性准则,该方法修改随机有限状态控制器,导致次优解具有较低的相干风险。
2019-09-27 cs.AI cs.RO math.OC
A Closed-Loop Linear Covariance Framework for Vehicle Path Planning in a Static Uncertain Obstacle Fiel
Air Force Institute of Technology(空军理工学院)
不确定环境下的路径规划是实现车辆真正自主的关键。在过去的二十年中,已经开发了许多方法来解决车辆路径中的错误,同时导航复杂且通常不确定的环境。这种规划的一个重要功能是预测车辆分散协方差的候选path. This工作开发了一个新的闭环线性协方差(CL-LinCov)的框架,适用于广泛的自治系统架构。所开发的框架的重要特征包括:(1)从低级控制中分离高级制导,(2)支持具有内部状态、动态和输出的输出反馈控制器,以及(3)用于导航状态传播、制导和反馈控制的多用途连续传感器。该框架的闭环性质保留了系统动力学、外生干扰和制导、导航和控制算法之间的重要耦合。所开发的框架被应用到一个简化的模型的无人机,并通过比较,通过蒙特卡罗分析进行验证。CL-LinCov信息的效用说明了其应用程序的路径规划在一个静态的,不确定的障碍领域通过修改后的版本的快速探索随机树算法。
2021-10-05 cs.RO cs.SY eess.SY
Formal-language-theoretic Optimal Path Planning For Accommodation of Amortized Uncertainties and Dynamic Effects
Department of Mechanical Engineering, The Pennsylvnaia State University, University Park, 16802(机械工程系,宾夕法尼亚州立大学,University Park)
提出基于形式语言定量测度理论的全局最优路径规划方法,通过引入概率不可控转移建模不确定性,并采用无搜索组合优化最大化概率正则语言测度,实现机器人导航中目标到达概率最大化与障碍碰撞概率最小化。
2010-08-23 cs.RO cs.SY eess.SY
Non-Gaussian Chance-Constrained Trajectory Planning for Autonomous Vehicles under Agent Uncertainty
Massachusetts Institute of Technology(麻省理工学院)
智能体行为可以说是自动驾驶车辆轨迹规划中最大的不确定性来源。这个问题激发了大量的工作,在行为预测社区学习丰富的分布的未来状态和行动的代理。然而,目前大多数关于代理或障碍物不确定性下的机会约束轨迹规划的工作要么假设高斯不确定性或线性约束,这是有限的,要么需要采样,这在计算上难以编码在优化问题中。在本文中,我们通过提出一种由具有潜在非高斯分量的多项式和混合模型定义的上限机会约束的方法来扩展最新技术水平。我们的方法实现了它的通用性,通过使用统计矩的分布在浓度不等式的上限约束违反的概率。通过这种方法,基于优化的轨迹规划器可以规划相对于代表智能体未来位置预测的广泛分布的机会约束的轨迹。在实验中,我们表明,由此产生的优化问题可以解决与国家的最先进的非线性规划求解器计划轨迹足够快,在线使用。
2020-07-15 cs.RO cs.SY eess.SY
Improving Safety in Deep Reinforcement Learning using Unsupervised Action Planning
Georgia Institute of Technology(佐治亚理工学院);Pacific Northwest National Laboratory(太平洋西北国家实验室)
深度强化学习(deep RL)的关键挑战之一是确保训练和测试阶段的安全性。在这项工作中,我们提出了一种新的无监督的行动规划技术,以提高安全性的政策上的强化学习算法,如信任区域策略优化(TRPO)或近端策略优化(PPO)。我们设计了我们的安全意识强化学习,通过存储所有的历史“恢复”行动,拯救代理从危险的情况下到一个单独的“安全”缓冲区,并找到最好的恢复行动时,代理遇到类似的状态。由于此功能需要算法查询相似的状态,我们实现了建议的安全机制,使用无监督学习算法,k-均值聚类。我们评估所提出的算法上的六个机器人控制任务,包括导航和操作。我们的研究结果表明,所提出的安全RL算法可以实现更高的回报相比,多个基线在离散和连续控制问题。补充视频可以在https://youtu.be/AFTeWSohILo上找到。
2021-09-29 cs.AI cs.RO
MIGU: Multimodal Instruction Grounding under Uncertainty for Manipulation Planning
National University of Singapore(新加坡国立大学);University of California, Los Angeles(加州大学洛杉矶分校)
MIGU通过融合几何与语义不确定性,实现多模态指令接地,提升操作规划性能,在真实基准上优于基线。
2026-09-22 cs.RO
Real-Time Planning Under Uncertainty for AUVs Using Virtual Maps
Stevens Institute of Technology(史蒂文斯理工学院);United States Naval Academy(美国海军学院);Anyware Robotics(Anyware Robotics公司)
本文提出一种利用虚拟地图进行实时不确定性规划的方法,通过SLAM图与占据栅格构建代价地图,避免信念传播,实现大规模特征稀疏水下环境中AUV的高效导航,并平衡目标到达与不确定性降低。
2024-03-07 cs.RO
DeepSemanticHPPC: Hypothesis-based Planning over Uncertain Semantic Point Clouds
Cornell University(康奈尔大学)
非结构化环境中的规划是具有挑战性的-它依赖于传感,感知,场景重建和对各种不确定性的推理。我们提出了DeepSemanticHPPC,一种新的不确定性感知的基于假设的规划器,用于非结构化环境。我们的算法管道包括:一个深贝叶斯神经网络,它分割表面的不确定性估计;一个灵活的点云场景表示;一个下一个最佳视图规划器,它最大限度地减少了场景语义的不确定性,使用稀疏的视觉测量;和一个基于假设的路径规划器,提出多个运动学上可行的路径与不断发展的安全信心下一个最佳视图测量。我们的管道迭代地降低了规划路径的语义不确定性,以高置信度过滤掉不安全的路径。我们表明,我们的框架计划在现实世界的环境中,现有的路径规划通常失败的安全路径。
2020-03-06 cs.RO
Planning under Uncertainty to Goal Distributions
University of Utah Robotics Center and School of Computing(犹他大学机器人中心和计算机学院);NVIDIA Corporation(英伟达公司)
本文提出了一种在不确定性下面向目标分布的规划新方法,将其构建为“规划即推断”实例,并推导出常见规划目标为其特例,实验验证了概率分布在多种机器人任务中的灵活性与优势。
2025-06-27 cs.RO