Motion Planning and Control of A Morphing Quadrotor in Restricted Scenarios
Fudan University(复旦大学)
针对现有变形四旋翼规划未考虑形态调整导致的安全与动态可行性问题,提出含毫秒级时空轨迹优化器和非线性姿态控制器的统一规划控制框架,经实验验证其鲁棒性与有效性。
2023-12-12 cs.RO
Bubble Planner: Planning High-speed Smooth Quadrotor Trajectories using Receding Corridors
University of Hong Kong(香港大学);Harbin Institute of Technology(哈尔滨工业大学);Zhejiang University(浙江大学);Dji Co.(大疆创新科技有限公司)
四旋翼是灵活的平台。在人类专家的帮助下,它们可以在混乱的环境中进行极高速的飞行。然而,高速全自动飞行仍然是一个重大挑战。在这项工作中,我们提出了一个运动规划算法的基础上,约束的最小控制努力轨迹优化(MINCO)框架。具体来说,我们使用一系列重叠的球体来表示环境的自由空间,并提出了两种新的设计,使算法能够实时规划高速四旋翼轨迹。一种是基于采样的走廊生成方法,该方法生成两个相邻球体之间具有较大重叠区域(因此具有整体走廊大小)的球体。第二种是后退地平线走廊(RHC)策略,其中以前生成的走廊的一部分在每次重新规划中重复使用。这两种设计一起根据四旋翼的当前状态扩大了走廊空间,因此允许四旋翼以高速机动。我们的算法对其他国家的最先进的规划方法进行基准测试,以显示其在仿真中的优越性。本文还对这两种设计的必要性进行了全面的消融研究。所提出的方法最后在树林环境中的自主激光雷达导航四旋翼无人机上进行了评估,在没有任何环境或外部定位设施的情况下实现了超过13.7 m/s的飞行速度。
2022-09-14 cs.RO
Dynamic Free-Space Roadmap for Safe Quadrotor Motion Planning
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院);DJI(大疆创新)
面向自由空间的路线图通常会生成一系列凸几何图元,这些图元构成了运动规划的安全区域。然而,对于这种路线图,假设是静态环境。这一假设使其无法处理动态障碍,限制了其应用。在本文中,我们提出了一个动态的自由空间路线图,它提供了可行的空间和导航图的安全四旋翼运动规划。我们的路线图是通过不断播种和提取环境中的自由区域来构建的。为了使我们的地图适应动态障碍物的环境,我们逐步将与障碍物相交的多面体分解为无障碍区域,同时图形也通过我们精心设计的机制进行更新。大量的仿真和真实世界的实验表明,我们的方法是实用和有效的。
2022-04-20 cs.RO
Trajectory Planning and Tracking of Hybrid Flying-Crawling Quadrotors
East China University of Science and Technology(华东理工大学);Fudan University(复旦大学)
针对混合飞行-爬行四旋翼飞行器的混合运动需求,提出含考虑爬行限制的地空路径搜索、适配变形时间的轨迹跟踪的规划跟踪框架,经多场景仿真与实机实验验证性能优异。
2024-05-14 cs.RO
External Forces Resilient Safe Motion Planning for Quadrotor
Zhejiang University(浙江大学);University of Pennsylvania(宾夕法尼亚大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
对于复杂未知环境中的四旋翼飞行器,在不需要外界干扰先验知识的情况下进行自适应自主导航具有重要意义。考虑外部干扰的主流方法是实现干扰抑制控制和路径跟踪。然而,鲁棒控制,以补偿跟踪偏差没有很好地考虑到能源消耗,甚至参考路径将成为危险和棘手的干扰。随着最近外力估计的发展,可以结合实时力估计器来开发更强大和安全的规划框架。本文提出了一个系统的(重新)规划框架,可以弹性地产生安全的轨迹在动荡的条件下。首先,前端Kinodynamic路径搜索力偏置运动基元。然后,我们开发了一个非线性模型预测控制(NMPC)作为一个本地规划器与哈密尔顿-雅可比(HJ)前向可达性分析的误差动态外力。它保证避免碰撞的约束椭球的四旋翼机构扩展的前向可达集(FRS)内的安全凸多面体。我们的方法在模拟和现实世界的实验与不同的外力来源进行了验证。
2021-09-29 cs.RO
Interleaving Graph Search and Trajectory Optimization for Aggressive Quadrotor Flight
Carnegie Mellon University(卡内基梅隆大学)
四旋翼可以通过跟踪复杂的机动和快速改变方向来实现积极的飞行。利用轨迹优化来规划攻击性飞行可以是令人难以置信的快,即使在更高的维度中,并且可以考虑四旋翼的动力学,然而,仅提供局部最优解。另一方面,离散图搜索规划可以处理非凸空间,以保证最优性,但遭受指数复杂度与搜索的维度。我们介绍了一个积极的四旋翼轨迹生成与全球推理能力,结合了最好的轨迹优化和离散图搜索的框架。具体来说,我们开发了一种新的算法框架,交织这两种方法,以相互补充,并生成轨迹的完整性可证明的保证离散化。我们展示和定量分析我们的算法在具有挑战性的仿真环境中的性能,窄的差距,创造了严重的姿态约束和推动四旋翼的动态能力。实验表明,所提出的算法框架的好处,独立的轨迹优化和图形搜索为基础的规划技术,积极的四旋翼飞行。
2021-04-29 cs.RO
Decentralized Deadlock-free Trajectory Planning for Quadrotor Swarm in Obstacle-rich Environments -- Extended version
Seoul National University(首尔国立大学);Automation and Systems Research Institute(自动化与系统研究院)
针对富障碍、通信受限环境下四旋翼集群轨迹规划易死锁的问题,提出结合基于栅格MAPP、子目标优化与LSC的去中心化MATP算法,经多场景仿真与10架真机验证,可实现无死锁安全规划且性能优于此前工作。
2023-05-01 cs.RO
End-to-End Motion Planning of Quadrotors Using Deep Reinforcement Learning
Nanyang Technological University(南洋理工大学);Aarhus University(奥胡斯大学)
在这项工作中,提出了一种新的,端到端的运动规划方法,在杂波环境中的四旋翼导航。与传统的导航算法相比,该方法避免了显式的传感-重建-规划。它使用从前置摄像头获得的原始深度图像,并以平滑运动基元的形式直接生成局部运动计划,通过避开障碍物将四旋翼机移动到目标。在AirSim模拟和配备英特尔实感D435的DJI F330四旋翼机的真实飞行中,展示了有前景的培训和测试结果。拟议的系统可以在https://youtu.be/pYvKhc8wrTM上找到。
2019-10-05 cs.AI cs.RO
RESC: A Reinforcement Learning Based Search-to-Control Framework for Quadrotor Local Planning in Dense Environments
Shanghai Jiao Tong University(上海交通大学)
针对密集环境下四旋翼敏捷飞行中规划与控制割裂、动力学利用不足的问题,提出融合可见性搜索与RL控制生成的RESC框架,提升了时间效率、激进机动能力及真实场景鲁棒性。
2025-07-28 cs.RO
QuadHand: A Compact Quadrotor Aerial Manipulator with MRC-SDF-Based Whole-Body Motion Planning
Nanyang Technological University(南洋理工大学);NTU–VinUni Joint Research Laboratory for Embodied AI and Robotics(南洋理工大学-维纳大学具身智能与机器人联合研究实验室);VinUniversity(维纳大学)
本文提出紧凑型四旋翼空中机械臂QuadHand,结合MRC-SDF多关节机器人中心符号距离场与时空全身轨迹优化,实现复杂环境下安全可执行的空中操作。
2026-09-29 cs.RO
Automatic Parameter Adaptation for Quadrotor Trajectory Planning
Zhejiang University(浙江大学);Huzhou institute of Zhejiang University(浙江大学湖州研究院)
在线轨迹规划器使四旋翼飞行器能够在未知的混乱环境中安全平稳地航行。然而,调整参数具有挑战性,因为现代规划者已经变得过于复杂,无法进行数学建模和预测它们与非结构化环境的相互作用。这项工作需要人类的循环,提出了一个规划参数自适应框架,制定目标成两个互补的类别,并异步优化它们。分别使用贝叶斯优化(BayesOpt)和粒子群优化(PSO)优化有和无轨迹执行的目标。通过将两类目标相结合,加快了黑箱优化的总收敛速度,同时增加了优化参数的维数。基准比较表明其优于其他策略的性能。通过对障碍物密度变化的测试,验证了其实时环境适应性,这是以前手动调整困难的。不同无人机平台、环境和规划者的真实飞行显示了所提出的框架的可扩展性和有效性。
2022-07-13 cs.RO
Search-based Motion Planning for Aggressive Flight in SE(3)
University of Pennsylvania(宾夕法尼亚大学);UC San Diego(加州大学圣迭戈分校)
具有大推重比的四旋翼能够跟踪具有急转弯和高加速度的攻击性轨迹。在这项工作中,我们开发了一种基于搜索的轨迹规划方法,利用四旋翼机动性在杂乱的环境中生成运动基元序列。我们将四旋翼机体建模为椭球体,并计算其沿轨迹的飞行姿态,以检查与障碍物的碰撞。椭圆体模型允许四旋翼以非零俯仰角或滚转角穿过小于其直径的间隙。在没有任何关于间隙位置和相关姿态约束的先验信息的情况下,我们的算法能够找到一个安全和最佳的轨迹,引导机器人尽可能快地到达目标。为了加速规划,我们首先执行一个低维搜索,并使用它作为一个启发式来指导最终的动态可行轨迹的生成。我们分析了关键的离散化参数的运动基元规划,并证明了在各种模拟和现实世界的实验中生成的轨迹的可行性。
2017-10-07 cs.RO
AMSwarm: An Alternating Minimization Approach for Safe Motion Planning of Quadrotor Swarms in Cluttered Environments
University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);Technical University of Munich(慕尼黑工业大学);Vector Institute for Artificial Intelligence(向量人工智能研究所);University of Tartu(塔尔图大学)
本文提出了一种可扩展的在线算法来生成安全和运动学上可行的四旋翼机群轨迹。现有的方法依赖于线性化基于欧几里得距离的碰撞约束和运动约束的轴向解耦,以将每个四旋翼的轨迹优化问题减少到二次规划(QP)。这种保守的近似在杂乱的环境中常常找不到解决方案。我们提出了一种新的替代方案,处理碰撞约束,而不线性化和运动学约束的二次形式,同时仍保留QP形式。我们实现了这一点,通过重新制定的限制,在一个极形式和应用交替最小化算法产生的问题。通过大量的仿真结果,我们证明,与顺序凸规划(SCP)基线相比,我们的方法平均成功率提高了72%,任务时间减少了36%,每个代理的计算时间加快了42倍。我们还表明,来自离散时间障碍函数(BF)的碰撞约束可以被纳入,导致不同的安全行为,而无需显着的计算开销。此外,我们的优化器在处理BF约束方面优于最先进的最优控制求解器ACADO,每个代理的计算时间平均快31倍,任务时间平均减少44%。我们实验验证了我们的方法上Crazyflie四旋翼群多达12个四旋翼。现将守则及补充资料和录像公布,以供参考。
2023-03-08 cs.RO
Optimal Smooth Coverage Trajectory Planning for Quadrotors in Cluttered Environment
Guangdong Power Grid Co. Ltd.(广东电力电网公司);Shenzhen Institute of Artificial Intelligence(深圳人工智能与机器人研究院)
针对电网场景下杂乱环境中的无人机覆盖任务,提出前端GA求解TSP、后端非线性最小二乘优化平滑性、耗时与避障的两阶段轨迹规划算法,并通过仿真验证其有效性。
2025-10-03 cs.RO
AirSplan: Risk-Aware Motion Planning for Quadrotors in Cluttered 3D Gaussian Splats
University of Michigan(密歇根大学)
AirSplan提出一种结合归一化3D高斯溅射场景表示与基于可达性运动规划器的系统,利用微分平坦性计算紧致碰撞约束,在杂乱环境中实现高成功率(81.2%)的四旋翼无碰撞路径规划。
2026-09-21 cs.RO
Safe Interval Motion Planning for Quadrotors in Dynamic Environments
University of Pennsylvania(宾夕法尼亚大学)
针对动态环境下四旋翼轨迹生成的非凸挑战,提出含前端图搜索、后端梯度优化的安全区间运动规划框架,通过动态连通可见性图、UTVD等保障性能,实验成功率超95%,优于现有方法。
2025-03-18 cs.RO
Robust Trajectory Generation and Control for Quadrotor Motion Planning with Field-of-View Control Barrier Certification
Department of Computer Science, Brown University(计算机科学系,布朗大学);Department of Sciences and Methods for Engineering, University of Modena and Reggio Emilia(工程科学与方法系,摩德纳和雷吉奥艾米利亚大学)
提出一种由控制障碍函数认证的实时无通信分布式导航算法,通过建模和控制机载感知行为以在有限视场内保持邻居位置估计,对临时跟踪丢失具有鲁棒性,并贡献了连续时间鲁棒轨迹生成与控制方法及MPC-CBF离散优化求解方案。
2025-11-02 cs.RO
Perception-Aware Time-Optimal Planning for Quadrotor Waypoint Flight
University of Toronto Institute for Aerospace Studies (UTIAS)(多伦多大学航空航天研究所在加拿大);Robotics and Perception Group(机器人与感知组)
本文提出了一种感知意识时间最优轨迹优化框架,结合动力学、视觉约束和环境几何,提升四旋翼飞行的感知可靠性与效率。
2026-03-04 cs.RO
Safety Assurance for Quadrotor Kinodynamic Motion Planning
Department of Mechanical and Aerospace Engineering, University of Houston, Houston TX, 77004 USA(机械与航空航天工程系,休斯顿大学,休斯顿 TX,77004 USA)
针对动力学运动规划可能违反系统安全运行约束的问题,本文提出运行时安全保障方法,结合基于采样的几何规划器与LQR控制输入安全滤波器,并在Crazyflie 2.0三维仿真中验证。
2025-07-23 cs.RO
Fast Trajectory Planning for Multiple Quadrotors using Relative Safe Flight Corridor
Seoul National University(首尔国立大学)
提出了一种在障碍物密集环境下多旋翼飞行器的轨迹规划方法。提出了一种相对安全飞行走廊(RSFC)模型来描述智能体之间的安全区域,并利用相对Bernstein多项式的凸包性质生成线性约束以避免碰撞.我们的方法采用了基于图的多智能体寻路算法来生成一个初始轨迹,这是用来构建一个安全的飞行走廊(SFC)和RSFC。我们表示的轨迹作为一个分段伯恩斯坦多项式和制定的轨迹规划问题转化为一个二次规划问题,使用线性约束SFC和RSFC。所提出的方法可以在一秒钟内计算出16个智能体的无碰撞轨迹,在一分钟内计算出64个智能体的无碰撞轨迹,并通过仿真和室内飞行试验进行了验证。
2019-09-06 cs.RO cs.SY eess.SY
Quad-LCD: Layered Control Decomposition Enables Actuator-Feasible Quadrotor Trajectory Planning
School of Engineering and Applied Science, University of Pennsylvania(工程与应用科学学院,宾夕法尼亚大学);EPFL(瑞士联邦理工学院)
针对四旋翼电机饱和导致失控坠毁的问题,本文提出Quad-LCD,通过控制分解并从仿真轨迹数据学习跟踪惩罚,显著降低激进机动坠毁率并在Crazyflie上验证可行性。
2025-05-15 cs.RO cs.SY eess.SY
KinoJGM: A framework for efficient and accurate quadrotor trajectory generation and tracking in dynamic environments
Imperial College London(伦敦帝国理工学院)
未映射的区域和空气动力学干扰使四旋翼的自主导航极具挑战性。为了安全有效地飞行,轨迹规划器和跟踪器必须能够实时导航具有不可预测的空气动力学效应的未知环境。当遇到诸如强风的空气动力学效应时,用于四旋翼轨迹规划和跟踪的大多数当前方法将不会试图偏离确定的计划,即使这是有风险的,希望任何空气动力学干扰可以被鲁棒控制器抵抗。提出了一种新的自主四旋翼飞行器轨迹规划与跟踪系统框架。我们提出了一个Kinodynamic跳跃空间搜索(Kino-JSS),以产生一个安全和有效的路线在未知的环境与空气动力学干扰。采用实时高斯过程对气动干扰的影响进行建模,然后将其与模型预测控制器相结合,以实现高效准确的轨迹优化和跟踪。我们证明了我们的系统,以提高在未知环境中的轨迹生成的效率高达75\%的情况下测试,与最近的国家的最先进的。我们还证明了我们的系统提高了在选定的环境中的跟踪精度与不可预测的空气动力学效应。
2022-03-12 cs.RO
Control and Dynamic Motion Planning for a Hybrid Air-Underwater Quadrotor: Minimizing Energy Use in a Flooded Cave Environment
University of Maryland, College Park(马里兰大学帕克分校)
我们提出了一种动态路径规划算法,通过一个凹的时不变障碍物领域,同时试图最大限度地减少能源的使用,两栖旋翼船导航。我们建立了一个非线性四元数状态模型,代表了旋翼机动力学以上和以下的水。在分层架构中使用6自由度动力学来生成车辆遵循的运动路径和所需的控制输入。旋翼飞行器具有其周围环境的三维地图,该三维地图通过当前介质(空气或水)内的有限范围机载传感器读数来更新。路径规划通过PRM和D* Lite完成。
2023-01-03 cs.RO cs.SY eess.SY
Meta-Learning Augmented MPC for Disturbance-Aware Motion Planning and Control of Quadrotors
KTH Royal Institute of Technology(瑞典皇家理工学院);Caltech(加州理工学院);Uppsala University(乌普萨拉大学)
针对自主飞行中的未知扰动问题,提出一种由扰动感知运动规划器和收缩控制跟踪控制器组成的框架,结合预测控制与在线学习的扰动模型,在强风等仿真中验证了安全性。
2024-12-17 cs.RO cs.SY eess.SY
Learning Minimum-Time Flight in Cluttered Environments
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
我们解决的问题,最小时间飞行的四旋翼通过一系列的航路点的存在下的障碍物,同时利用完整的四旋翼动力学。早期的工作依赖于简化的动力学或多项式轨迹表示,没有充分利用四旋翼的致动器潜力,因此,导致次优的解决方案。最近的工作可以计划最短时间的轨迹,然而,轨迹执行的控制方法,不考虑障碍物。因此,这种轨迹的成功执行容易由于模型失配和飞行中干扰而产生误差。为此,我们利用深度强化学习和经典的拓扑路径规划来训练鲁棒的神经网络控制器,以便在混乱的环境中进行最短时间的四旋翼飞行。由此产生的神经网络控制器表现出更好的性能高达19\%,超过国家的最先进的方法。更重要的是,学习的政策解决规划和控制问题,同时在线占干扰,从而实现更高的鲁棒性。因此,所提出的方法实现了100%的成功率飞行的最小时间的政策,而传统的规划和控制方法只能达到40%。所提出的方法在仿真和现实世界中都得到了验证,四旋翼速度高达42 km/h,加速度为3.6 g。
2022-06-17 cs.RO
Nonlinear Model Predictive Control for Cooperative Transportation and Manipulation of Cable Suspended Payloads with Multiple Quadrotors
New York University(纽约大学)
提出一种非线性模型预测控制方法,使多四旋翼无人机群能在6个自由度上协同操纵缆线悬挂的刚体负载,利用系统冗余实现避障等附加任务,并通过轻量级状态参数化满足实时计算需求。
2024-01-09 cs.RO
Whole-Body Integrated Motion Planning for Aerial Manipulators
School of Intelligent Systems Engineering, Sun Yat-sen University(中山大学智能系统工程学院);Differential Robotics Technology Co., Ltd.(差分机器人技术有限公司)
提出一种面向四旋翼空中机械臂的全身一体化运动规划框架,通过灵活航点约束、时空优化与模仿学习,实现复杂任务下的安全可行轨迹生成,并经仿真和真机验证九项操作技能。
2025-09-29 cs.RO
Online Distributed Trajectory Planning for Quadrotor Swarm with Feasibility Guarantee using Linear Safe Corridor
Seoul National University(首尔大学);Automation and Systems Research Institute(自动化与系统研究所)
本文提出了一种新的在线多智能体轨迹规划算法,保证在混乱的环境中生成安全,动态可行的轨迹。该算法利用线性安全走廊(LSC)将分布式轨迹优化问题转化为仅含可行约束的问题,避免了采用松弛变量或软约束来避免优化失败。我们采用一种基于优先级的目标规划方法来防止死锁,而不需要额外的过程来决定哪个机器人让步。该算法可以计算60代理的轨迹平均15.5毫秒每个代理与英特尔i7笔记本电脑,并显示了类似的飞行距离和距离相比,基线的基础上软约束。验证了所提方法在随机森林和室内空间均能无死锁地达到目标,并通过迷宫环境下10个四旋翼飞行器的实际飞行试验验证了所提方法的安全性和可操作性。
2022-01-03 cs.RO cs.SY eess.SY
PAMPC: Perception-Aware Model Predictive Control for Quadrotors
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
我们提出了第一个感知感知模型预测控制框架,统一控制和规划方面的行动和感知目标的四旋翼。我们的框架利用数值优化来计算满足系统动力学的轨迹,并需要在平台的限制内的控制输入。同时,它通过最大化感兴趣点的可见性并最小化其在图像平面中的速度来优化感知目标,以实现鲁棒和可靠的感测。考虑感知和动作目标的运动规划和控制是具有挑战性的,由于其各自的要求可能产生的冲突。例如,对于跟踪参考轨迹的四旋翼,它需要旋转以使其推力与期望加速度的方向对准。然而,感知目标可能需要最小化这种旋转以最大化感兴趣点的可见性。因此,一个基于模型的优化框架,能够考虑感知和行动目标,并通过系统动力学耦合它们,是必要的。我们的感知感知模型预测控制框架通过迭代求解非线性优化问题以滚动时域方式工作。它能够实时运行,完全机载我们的轻量级,小型四旋翼使用低功耗ARM计算机,以与视觉惯性里程计管道。我们在实验中验证了我们的方法,证明了(I)感知和行动目标之间的矛盾,以及(II)在极具挑战性的照明条件下改善了行为。
2018-07-10 cs.RO
Efficient and Robust Time-Optimal Trajectory Planning and Control for Agile Quadrotor Flight
Beijing Institute of Technology(北京理工大学);Beijing Institute of Technology Chongqing Innovation Center(北京理工大学重庆创新中心);Tongji University(同济大学)
针对敏捷四旋翼时间最优轨迹规划计算慢、跟踪易受扰动的问题,提出固定航点节点+区间独立采样的快速规划方法,结合时间自适应模型预测控制提升跟踪鲁棒性,并通过仿真和动态航点实验验证了性能。
2023-05-04 cs.RO cs.SY eess.SY
Cooperative Control of Multi-Quadrotors for Transporting Cable-Suspended Payloads: Obstacle-Aware Planning and Event-Based Nonlinear Model Predictive Control
Toronto Metropolitan University(多伦多都会大学);University of Alberta(阿尔伯塔大学)
本文提出多四旋翼协同运输悬挂载荷的障碍感知规划与事件触发NMPC方法,结合A*全局路径规划与实时地图更新,显著提升安全性与导航效率。
2025-03-24 cs.MA cs.RO
MC-Swarm: Minimal-Communication Multi-Agent Trajectory Planning and Deadlock Resolution for Quadrotor Swarm
AI Institute of Seoul National University(首尔国立大学人工智能研究所);Carnegie Mellon University(卡内基梅隆大学);Department of Mechanical System Design Engineering, Seoul National University of Science and Technology (SEOULTECH)(首尔科学技术大学机械系统设计工程系)
提出MC-Swarm分布式四旋翼集群轨迹规划算法,仅初始阶段通信,借助协调状态更新与轨迹优化实现异步避碰和无死锁,并通过仿真与真实实验验证。
2025-05-13 cs.RO cs.SY eess.SY
Temporal Cascading of Planning and Control for Quadrotor MPC
University of Zurich(苏黎世大学);University of Toronto(多伦多大学)
研究四旋翼空中任务规划与控制问题,提出UNIQUE架构,以时间级联取代分层堆叠,将规划问题作为多阶段MPC的第二尾视野求解,对齐成本、推导约束并引入过渡约束,提升了闭环跟踪性能。
2026-09-30 cs.RO cs.SY eess.SY
Trajectory and Morphology Planning for Morphing Quadrotors in Ultra-Narrow Passages using Limited Perception
Department of Civil & Environmental Engineering, Texas A&M University(土木与环境工程系,德克萨斯农工大学)
本文提出一种运动规划框架,用于在极端受限环境中为变形四旋翼规划形态和轨迹。通过开发一种新颖的障碍物避障成本函数,使四旋翼能够在有限的2D激光雷达感知下导航通过极狭窄的缝隙。
2026-11-04 cs.RO cs.SY eess.SY
Learning Agile Flight Maneuvers: Deep SE(3) Motion Planning and Control for Quadrotors
National University of Singapore(新加坡国立大学);ST Engineering(新加坡科技工程有限公司)
本文提出一种基于深度强化学习的四旋翼敏捷飞行方法,通过DNN参数化模型预测控制参考,结合强化-模仿训练和二分搜索,实现动态窄门穿越,仿真验证鲁棒性。
2026-09-15 cs.RO cs.SY eess.SY
MINER-RRT*: A Hierarchical and Fast Trajectory Planning Framework in 3D Cluttered Environments
Southern University of Science and Technology(南方科技大学);Hong Kong University of Science and Technology(香港科技大学);Shandong University(山东大学)
本文提出MINER-RRT*分层轨迹规划框架,通过神经网络加速采样路径规划并结合微分平坦最优条件构建多项式轨迹,在三维杂乱环境中以更少时间和内存生成高质量四旋翼飞行轨迹。
2024-06-14 cs.RO
DR-IPC: Disturbance-Resilient Integrated Planning and Control for LiDAR-Based Quadrotor Navigation
Southeast University(东南大学);Xiamen University of Technology(厦门理工学院)
DR-IPC提出一种集成规划与控制方法,结合路径引导与NMPC直接生成控制量,在扰动下显著提升四旋翼导航任务完成率并降低高度误差。
2026-10-05 cs.RO cs.SY eess.SY
An Online Optimization-Based Trajectory Planning Approach for Cooperative Landing Tasks
Institute of Engineering and Computational Mechanics, University of Stuttgart(斯图加特大学工程与计算力学研究所);Department of Mechanical Engineering, LUT University(卢托拉大学机械工程系)
本文提出了一种基于在线优化的协作着陆轨迹规划方法,通过互补约束实现多机器人自主协调,提升着陆任务的安全性和效率。
2025-02-19 cs.RO
Towards Model Predictive Control for Acrobatic Quadrotor Flights
Arizona State University(亚利桑那州立大学)
本研究针对四旋翼特技翻转机动需求,提出一种考虑动力学约束与环境变量的模型预测控制实时轨迹规划方法,经仿真与真机实验验证有效,可提升自主空中机器人的任务能力。
2024-01-30 cs.RO
Perception-Aware Motion Planning via Multiobjective Search on GPUs
Stanford University(斯坦福大学)
在本文中,我们描述了一个框架,通过感知感知的运动规划问题,我们寻求一个低成本的运动计划,对感知定位质量的单独约束计算本地化,强大的运动计划。为了解决这个问题,我们引入了多目标感知感知规划(MPAP)算法,通过多目标搜索探索状态空间,同时考虑成本和感知启发式。这个框架可以容纳大范围的解释学,允许那些捕捉本地化漂移的历史依赖性和代表复杂的现代感知方法。我们提出了两个这样的算法,一个来自机器人感知的简化模型,第二个来自地面实况传感器误差,我们证明能够预测一个国家的最先进的感知系统的性能。然后,通过蒙特卡罗方法验证这种基于启发式搜索的解决方案轨迹是本地化和鲁棒的。感知感知规划的额外计算负担被GPU大规模并行化所抵消。通过数值实验表明,该算法可以在大约一秒钟内找到局部化良好的鲁棒解。最后,我们使用Google Tango进行本地化,在四旋翼飞行感知感知和感知不可知计划上演示MPAP,发现四旋翼每次都安全地执行感知感知计划,而由于本地化丢失,超过20%的感知不可知运行会崩溃。
2017-12-06 cs.RO
Adaptive Tracking and Perching for Quadrotor in Dynamic Scenarios
Zhejiang University(浙江大学);Huzhou Institute, Zhejiang University(浙江大学湖州研究院);DJI Technology Co.(大疆创新科技有限公司);Hong Kong University of Science and Technology(香港科技大学)
本文提出一种四旋翼自适应动态跟踪与栖息方案,通过弹性可见性规划、末端调整与SE(3)轨迹优化实现与移动平台的紧密集成,并在真实车辆实验中验证了高速及倾斜栖息能力。
2024-01-18 cs.RO
Connectivity Maintenance and Recovery for Multi-Robot Motion Planning
Brown University(布朗大学)
本文提出了一种基于贝塞尔曲线的实时运动规划算法,用于多机器人系统中维持和恢复连通性,提升在障碍物环境中导航的成功率。
2026-07-20 cs.RO
Deep Learning for Optimization of Trajectories for Quadrotors
University of Pennsylvania(宾夕法尼亚大学)
本文提出一种结合二次规划与深度学习的四旋翼轨迹规划框架,通过神经网络学习分段轨迹的时间分配,并利用隐式优化层与惩罚函数提升训练效率和成功率,实现杂乱环境中的实时轨迹生成。
2023-12-03 cs.RO
Multi-Robot Trajectory Planning with Feasibility Guarantee and Deadlock Resolution: An Obstacle-Dense Environment
Peking University(北京大学)
提出了一种多机器人轨迹规划方法,既保证了优化的可行性,又解决了障碍物密集环境下的死锁问题。该方法是通过制定一个递归优化问题,其中一个新的安全走廊在线生成,以确保避障轨迹规划。动态优先级机制与右手规则相结合,以处理由于静态障碍而难以解决的潜在死锁。与其他国家的最先进的结果进行比较,以验证提高安全性和成功率。额外的硬件实验进行了多达八个纳米四旋翼在各种混乱的情况下。
2023-02-22 cs.RO
Event-Triggered Nonlinear Model Predictive Control for Cooperative Cable-Suspended Payload Transportation with Multi-Quadrotors
Toronto Metropolitan University(多伦多都会大学);University of Alberta(阿尔伯塔大学)
针对多四旋翼吊挂载荷协同运输中的非线性耦合等挑战,提出一种事件触发分布式NMPC方法,通过轻量级状态参数化在SE(3)流形上规划轨迹,在保证轨迹跟踪与避障的同时显著降低计算与通信开销。
2025-03-26 cs.RO cs.SY eess.SY
Teach-Repeat-Replan: A Complete and Robust System for Aggressive Flight in Complex Environments
Hong Kong University of Science and Technology(香港科技大学)
在本文中,我们提出了一个完整的和强大的运动规划系统的自主四旋翼的侵略性飞行。所提出的方法是建立在一个经典的教学和重复的框架,这是广泛采用的基础设施检查,空中运输,搜索和救援。对于这些应用,人的意图是至关重要的,以决定无人机的飞行轨迹的拓扑结构。然而,不良的教学轨迹和不断变化的环境阻止了一个简单的教和重复系统被灵活和稳健地应用。在本文中,而不是命令无人机精确地遵循教学轨迹,我们提出了一种方法来自动转换一个人类驾驶的轨迹,这可以是任意的颠簸,拓扑等价的。生成的轨迹保证是平滑的,安全的,和kinodynamically可行的,与人类优选的侵略性。此外,为了避免在飞行过程中的未映射或动态障碍物,滑动窗口的本地感知和重新规划方法引入到我们的系统,以生成安全的本地轨迹板载。我们将我们的系统命名为teach-repeat-replan。它可以捕获用户的飞行任务的意图,将任意颠簸的教学路径转换为平滑的重复轨迹,并生成安全的局部重新规划,以避免未映射或移动的障碍物。建议的规划系统集成到一个完整的自主四旋翼与全球和本地的感知和定位子模块。我们的系统通过在具有挑战性的室内/室外环境中进行激进的飞行进行验证。我们将四旋翼系统中的所有组件作为开源的ros-packages发布。
2019-07-01 cs.RO
Data-Driven MPC for Quadrotors
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
气动力使四旋翼的精确高速轨迹跟踪极具挑战性。这些复杂的空气动力学效应在高速时成为显着的干扰,引入很大的位置跟踪误差,并且极难建模。为了在高速下飞行,反馈控制必须能够实时地考虑这些空气动力学效应。这就需要一个既准确又有效的评估建模程序。因此,我们提出了一种方法,模型的空气动力学效应,使用高斯过程,我们将其纳入模型预测控制器,以实现高效和精确的实时反馈控制,导致高达70%的轨迹跟踪误差在高速减少。我们通过与最先进的线性阻力模型在合成和真实世界的实验中进行广泛的比较来验证我们的方法,速度高达14 m/s,加速度超过4g。
2021-03-03 cs.RO
PolyFly: Polytopic Optimal Planning for Collision-Free Cable-Suspended Aerial Payload Transportation
University of California Berkeley, Department of Electrical Engineering and Computer Sciences(加州大学伯克利分校电子工程与计算机科学系);Worcester Polytechnic Institute, Robotics Engineering(沃思黑德技术学院机器人工程)
PolyFly通过多面体最优规划实现无碰撞缆悬空空载运输,提升飞行效率和环境适应性。
2026-01-19 cs.RO
AMSwarmX: Safe Swarm Coordination in CompleX Environments via Implicit Non-Convex Decomposition of the Obstacle-Free Space
University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);Technical University of Munich(慕尼黑工业大学);Vector Institute for Artificial Intelligence(向量人工智能研究所);University of Tartu(塔尔图大学)
本文提出AMSwarmX,一种基于交替最小化的四旋翼蜂群规划方法,通过隐式非凸分解自由空间,统一处理静态与动态碰撞,显著提升成功率、降低任务时间与计算开销,并在多达12架Crazyflie上验证。
2023-10-13 cs.RO
Probabilistic Collision Constraint for Motion Planning in Dynamic Environments
University of Genoa(热那亚大学)
无碰撞轨迹的在线生成对于自主导航至关重要。动态环境、机器人运动和传感不确定性给防撞系统带来了进一步的挑战。本文提出了一种动态环境中,机器人和障碍物的状态不确定性的避碰方法。我们推导出了机器人与障碍物碰撞概率的严格上界,并将其表示为一个运动规划约束,该约束可实时的求解。所提出的方法进行了测试,在考虑移动机器人以及四旋翼的仿真,以证明成功的碰撞避免是在实时的应用。我们还提供了我们的方法与几个国家的最先进的方法的比较。
2021-04-04 cs.RO
Disturbance-Aware Flight for Aerial Robots in Narrow Space
School of Robotics and Automation, Nanjing University(南京大学机器人与自动化学院)
针对无人机在狭窄空间自主飞行因干扰和空间受限面临的挑战,提出干扰感知规划与控制框架DAPCF,通过双环观测器估计干扰、引入干扰风险函数及设计MDNMPC,使四旋翼能穿越狭窄隧道,性能优于人类飞行员。
2026-07-21 cs.RO
Perching on Moving Inclined Surfaces using Uncertainty Tolerant Planner and Thrust Regulation
Shanghai Jiao Tong University(上海交通大学)
四旋翼能够停在移动的倾斜表面上,可以节省能源,并通过利用地面车辆延长行驶距离。实现动态驻留对SE(3)中的轨迹规划性能和终端状态精度提出了很高的要求。然而,在停留过程中,目标表面预测,跟踪控制和外部干扰的不确定性可能会导致轨迹规划失败或导致不可接受的终端误差。为了解决这些挑战,我们首先提出了一个轨迹规划器,考虑适应目标预测和跟踪控制中的不确定性。为了方便这项工作,四旋翼的状态的可达集首先进行了分析。最优航路点定义为可达集对不确定目标具有最大覆盖概率的状态。在此基础上,提出了一种针对静态和运动不确定目标的局部最优航路点搜索方法。在此基础上,提出了一种基于优化航路点的实时航迹规划器。其次,推力调节也实施在终端姿态跟踪阶段,以应对外部干扰。当四旋翼的姿态被命令与目标表面对准时,推力被优化以最小化终端误差。这使得终端位置和速度以闭环方式被控制。因此,提高了抗干扰性和终端精度。大量的仿真实验表明,我们的方法可以提高终端状态的不确定性的准确性。与没有推力调节的两端规划器相比,成功率大约增加了$50\%$。栖息在汽车的后窗也实现了使用我们提出的异构合作系统户外。这验证了我们的方法的可行性和实用性。
2022-12-21 cs.RO
Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);University of Michigan(密歇根大学);Johns Hopkins University(约翰斯·霍普金斯大学)
针对一类具有未知非线性随机欠驱动动力学的系统,提出了一种综合规划与控制的运行时安全性和目标可达性的统计保证方法.具体来说,给定一个动态数据集,我们的方法联合学习一个平均动态模型,一个空间变化的扰动界,它捕获噪声和模型失配的影响,以及一个基于收缩理论的反馈控制器,它稳定了学习的动态。我们提出了一个基于采样的规划器,使用平均动态模型,同时通过一个学习的干扰界的闭环跟踪误差的界限。我们采用极值理论(EVT)的技术来估计,到一个指定的置信水平,几个常数的特征学习组件和管理的跟踪误差界的大小。这确保了计划在运行时被安全地跟踪。我们验证,我们的保证转化为经验安全的模拟10 D四旋翼,并在现实世界中的物理CrazyFlie四旋翼和Clearpath豺狼机器人,而基线,忽略模型误差和随机性是不安全的。
2022-12-13 cs.LG cs.RO
Integrating Fast Regional Optimization into Sampling-based Kinodynamic Planning for Multirotor Flight
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院);The University of Hong Kong(香港大学)
对于实时多旋翼运动动力学运动规划,基于采样的方法的效率通常受到难以采样的同伦类(如狭窄通道)的阻碍。在本文中,我们解决这个问题的混合计划。我们首先提出了一个快速的区域优化器,利用局部环境的信息,然后将其集成到一个全局采样过程,以确保更快的收敛。在不同的基于采样的方法上结合局部优化,在各种具有挑战性的环境中显着提高了成功率和减少了规划时间。我们还提出了一个细化模块,充分调查所产生的轨迹的全球采样,大大提高了其平滑性,可以忽略不计的计算工作。基准测试结果表明,与最先进的方法相比,我们提出的方法可以更好地利用以前的轨迹。应用该规划方法生成了一个仿真的四旋翼系统的轨迹,并在实时应用中验证了其能力。
2021-03-09 cs.RO