Learning Objective Functions Incrementally by Inverse Optimal Control
Purdue University(普渡大学)
本文提出了一种逆最优控制方法,使机器人增量学习控制目标函数的轨迹段的集合。通过增量地说,这意味着轨迹段的集合被扩大,因为随着时间的演变提供了附加的段。未知的目标函数被参数化为具有未知权重的特征的加权和。每个轨迹段是最优轨迹的一小段。所提出的方法表明,每个轨迹段,如果信息,可以构成一个线性约束的未知权重,因此,目标函数可以通过递增地将所有信息段学习。该方法的有效性示出了一个模拟的2连杆机械臂和6自由度机动四旋翼系统,在每一个只有小的演示部分。
2022-02-01 cs.RO
Multi-Objective Multi-Agent Planning for Jointly Discovering and Tracking Mobile Object
The University of Adelaide(阿德莱德大学);Curtin University(科廷大学)
我们认为具有挑战性的问题,在线规划的一个团队的代理自主搜索和跟踪的实际约束下的检测范围有限的车载传感器的移动对象的数量随时间变化。一个标准的POMDP与价值函数,鼓励发现或准确跟踪的移动对象是不足以同时满足搜索未发现的移动对象,同时保持跟踪发现的对象的冲突的目标。规划问题进一步复杂化的误检测或错误检测的范围有限的传感器和传感器测量固有的噪声引起的对象。我们制定了一个新的多目标POMDP基于信息论的标准,和一个在线多目标跟踪滤波器的问题。由于控制多智能体是一个众所周知的组合优化问题,分配控制行动的代理需要一个贪心算法。我们证明了我们提出的多目标价值函数是一个单调的次模集函数,因此,贪心算法可以实现(1-1/e)近似最大化的次模多目标函数。
2019-11-22 cs.MA cs.RO cs.SY
Learning to Play Trajectory Games Against Opponents with Unknown Objectives
Delft University of Technology(代尔夫特理工大学)
许多自主智能体,如智能车辆,本质上需要彼此交互。博弈论为机器人运动规划提供了一种自然的数学工具。然而,此类问题的易于处理的算法通常依赖于一个强有力的假设,即场景中所有玩家的目标都是已知的。为了使这些工具适用于自我为中心的规划,只有本地信息,我们提出了一个自适应模型预测游戏求解器,它联合推断其他玩家的目标在线和计算相应的广义纳什均衡(GNE)的战略。我们的方法的自适应性是通过一个可微的轨迹游戏求解器,其梯度信号用于对手的目标的最大似然估计(MLE)。我们的管道的这种可微性促进了与其他可微元素的直接集成,例如神经网络(NN)。此外,在现有的求解成本推理游戏相比,我们的方法不仅处理部分状态观测,但也一般不等式约束。在两个模拟的交通情况下,我们发现我们的方法优于现有的博弈论方法和非博弈论的模型预测控制(MPC)的方法的性能。我们还证明了我们的方法的实时规划能力和鲁棒性在两个硬件实验。
2023-03-22 cs.RO
Review of control algorithms for mobile robotics
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA(国家开放大学);UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA(哥伦比亚教育与技术大学)
本文综述了移动机器人控制算法,涵盖经典PID及现代深度学习等方法,聚焦导航、定位、建图与路径规划挑战,并讨论实际应用与挑战,为研究者提供全面参考。
2023-10-09 cs.RO
Path planning and Obstacle avoidance approaches for Mobile robot
Budapest University of Technology and Economics(布达佩斯技术与经济大学);Hanoi University of Science and Technology(河内科技大学)
提出并实现了一种新的移动机器人路径规划方法。一方面,基于从起点到目标点的最短路径,该路径规划器可以选择MR的最佳移动方向,这有助于尽快到达目标点。另一方面,智能避障,我们的方法可以找到目标点与近最短的路径长度,同时避免一些无限循环陷阱的多个障碍物在未知的环境。两种方法的结合有助于MR以非常可靠的算法到达目标点。此外,通过不断更新的车载传感器的信息,该方法可以生成的MR轨迹在静态和动态环境。在一些类似的研究环境中进行了大量的仿真,证明了所提出的路径规划算法的能力。
2016-09-07 cs.RO
General Optimization Framework for Recurrent Reachability Objectives
Masaryk University(马萨里克大学)
本文研究了一类循环可达性目标下的移动机器人路径规划问题。这些目标通过从一个位置访问另一个位置所需的预期时间、该时间的预期平方以及两个相邻位置之间的移动频率来参数化。我们设计了一个有效的策略合成算法,经常性的可达性目标,并证明其功能的非平凡的情况下。
2022-05-27 cs.GT cs.RO
Adaptive Model Predictive Control of Wheeled Mobile Robots
University of California at Berkeley(加州大学伯克利分校)
本文提出了一种基于自适应模型预测控制(AMPC)框架的控制算法,用于引导具有未知惯量的两轮移动机器人到达期望点和方向。将两轮移动机器人建模为具有非完整运动学约束的刀刃或冰鞋,并采用拉格朗日方法推导了其动力学方程。在每个时刻的输入是从模型预测控制(MPC)获得的,其中具有使用递归最小二乘算法更新的一组标称参数。最后通过数值仿真验证了算法的有效性。
2022-01-03 cs.AI cs.RO cs.SY
Online Search-based Collision-inclusive Motion Planning and Control for Impact-resilient Mobile Robots
University of California, Riverside(加州大学河滨分校)
本文重点研究碰撞包容性运动规划和控制的冲击弹性移动机器人的新兴范式转变,并开发了一个统一的层次框架,在未知和部分可观察的混乱空间导航。在较低的水平,我们开发了一个变形恢复控制和轨迹重新规划策略,处理碰撞,可能会发生在运行时,本地。低级别系统主动检测碰撞(通过内置的-house中的移动机器人上的嵌入式霍尔效应传感器),使机器人能够从碰撞中恢复,并局部调整碰撞后的轨迹。然后,在更高的层次上,我们提出了一个基于搜索的规划算法,以确定如何最好地利用潜在的冲突,以提高某些指标,如控制能量和计算时间。我们的方法建立在具有跳跃点的A* 上。我们生成了一个新的启发式函数,碰撞检查和调整技术,从而使A* 算法收敛速度更快,通过开发和利用可能的碰撞达到目标。通过结合全局A* 算法和局部变形恢复和重新规划策略生成的整体分层框架,以及该框架的各个组件,在仿真和实验中进行了广泛的测试。消融研究将链接到相关的最先进的基于搜索的碰撞避免规划器(用于整体框架),以及基于搜索的碰撞避免和基于采样的碰撞包容性全局规划器(用于更高级别)。结果表明,我们的方法的碰撞包容性运动规划和控制在未知的环境中孤立的障碍物一类的冲击弹性机器人在2D操作的有效性。
2022-10-18 cs.RO cs.SY eess.SY
Material Mapping in Unknown Environments using Tapping Sound
Purdue University(普渡大学);University of Georgia(佐治亚大学)
在本文中,我们提出了一个自主探索和轻敲机制为基础的材料映射系统的移动机器人在未知环境中。所提出的系统的目标是集成同时定位与地图构建(SLAM)模块和基于声音的材料分类,使移动机器人自主探索未知的环境,并在同一时间识别环境中的各种物体和材料。这将创建一个材质地图,该地图将环境中的各种材质进行本地化,这对于搜索和救援场景具有潜在的应用。提出了一种基于机器学习技术的敲击机制和敲击音频信号处理方法,用于机器人识别物体和材料。我们通过实验证明了所提出的系统,使用移动机器人平台安装Velodyne激光雷达,线性螺线管,麦克风在一个类似探索的情况下,各种材料。实验结果表明,该系统可以在未知环境中创建有用的材质图。
2020-08-04 cs.RO
GM-PHD Filter for Searching and Tracking an Unknown Number of Targets with a Mobile Sensor with Limited FOV
Virginia Tech(弗吉尼亚理工大学);Massachusetts Institute of Technology(麻省理工学院);University of Maryland(马里兰大学)
我们研究的问题,搜索和跟踪一组移动目标使用一个有限的视野(FOV)传感器的机器人。环境中存在的目标的实际数量事先并不知道。我们提出了一个搜索和跟踪框架的基础上贝叶斯随机有限集(RFSs)的概念。具体而言,我们概括了高斯混合概率假设密度(GM-PHD)过滤器,这是以前应用于跟踪问题,允许同时搜索和跟踪有限的FOV传感器。提出的框架可以提取单个目标的轨迹,以及估计目标的数量和空间密度。我们还展示了如何使用高斯过程(GP)回归在这个框架中提取和预测非线性目标轨迹。我们证明了我们的技术的有效性,通过代表性的模拟和从空中机器人收集的真实数据。
2021-05-10 cs.RO
Multi-objective Compositions for Collision-Free Connectivity Maintenance in Teams of Mobile Robots
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种组合障碍函数来系统地组合多个移动机器人团队的目标。目标首先被编码为障碍函数,然后使用AND和OR逻辑运算符组合。这种方法的优点是组合障碍函数可以证明保证所有组合目标的同时满足。组合障碍函数的例子中,确保避免碰撞和静态/动态图形连接的移动机器人团队。由此产生的复合材料的安全性和连通性的障碍证书进行了实验验证的一个团队的四个移动机器人。
2016-08-24 cs.RO math.OC
Human-Robot Collaborative Carrying of Objects with Unknown Deformation Characteristics
Istituto Italiano di Tecnologia(意大利技术研究院)
在这项工作中,我们引入了一个自适应控制框架,用于人类与机器人协作运输具有未知变形行为的物体。建议的框架作为输入的触觉信息通过对象传输,和运动学信息的人体从运动捕捉系统获得的移动协作机器人上创建反应性全身运动。为了验证我们的框架实验,我们比较了它的性能与导纳控制器在一个部分可变形的物体的共同运输任务。我们还展示了框架的潜力,同时共同运输刚性(铝棒)和高度变形(绳)的对象。一个移动机械手,其中包括一个全方位的移动基地,协作机械臂,机械手被用作实验中的机器人合作伙伴。定量和定性的结果表明,该框架可以有效地处理对象的未知变形能力,并提供直观的援助,以人类的合作伙伴。
2022-07-21 cs.RO
Nonlinear Unknown Input and State Estimation Algorithm in Mobile Robots
College of Information Sciences(信息科学学院);School of Electrical Engineering(电气工程学院);GE Global Research(GE全球研究)
本文提出一种适用于非线性动态模型和随机噪声的移动机器人未知输入和状态估计算法,通过传感器数据和控制指令检测并量化传感器和执行器的异常。
2018-04-09 cs.RO cs.SY eess.SY
Fuzzy Logic Control for Indoor Navigation of Mobile Robots
Worcester Polytechnic Institute (WPI)(伍斯特理工学院)
本文针对移动机器人在未知动态杂乱室内环境中的导航问题,提出一种基于模糊逻辑控制器的实现方案,以传感器读数和期望运动方向为输入、车轮加速度为输出,实现避障并到达目标位置。
2024-09-04 cs.RO
Risk-Aware Navigation for Mobile Robots in Unknown 3D Environments
Université Clermont Auvergne(克莱蒙奥弗涅大学);Clermont Auvergne INP(克莱蒙奥弗涅国立综合理工学院);CNRS(法国国家科学研究中心);Institut Pascal(帕斯卡尔研究所);University of Toronto Institute for Aerospace Studies (UTIAS)(多伦多大学航空航天研究所)
针对传统3D未知环境导航仅关注避碰、忽略碰撞伤害差异的问题,提出含物理可解释风险函数的风险感知导航框架,可规划兼顾安全与环境交互风险的轨迹,拓展机器人适用场景。
2023-09-06 cs.RO
Reactive Informative Planning for Mobile Manipulation Tasks under Sensing and Environmental Uncertainty
University of Pennsylvania(宾夕法尼亚大学);Washington University in St. Louis(圣路易斯华盛顿大学)
在本文中,我们解决移动操作规划问题的存在感测和环境的不确定性。特别是,我们认为移动传感机械手在未知的几何形状和不确定的可移动物体的环境中工作,同时负责完成任务,需要抓住和释放对象的逻辑方式。现有的算法要么不能很好地扩展,要么忽略了传感和/或环境的不确定性。为了面对这些挑战,我们提出了一种混合控制架构,其中符号控制器生成高级操纵命令(例如,抓取物体),信息规划器设计路径以主动地减少感兴趣物体的不确定性,并且连续反应控制器跟踪包括信息路径的稀疏航路点,同时避免先验未知障碍物。整体架构可以在线处理环境和传感不确定性,因为机器人探索其工作空间。使用数值模拟,我们表明,所提出的架构可以处理任务的复杂性增加,同时响应意想不到的不利配置。
2022-05-12 cs.RO
Articulated Object Interaction in Unknown Scenes with Whole-Body Mobile Manipulation
ETH Zürich(苏黎世联邦理工学院);Vector Institute(矢量研究院);University of Toronto(多伦多大学);NVIDIA(英伟达公司)
针对未知动态环境中移动操作器与大型铰接物体自主交互的难题,提出物体中心规划加智能体中心最优控制的两阶段架构,在轮式、腿式平台的厨房场景中实现了更高成功率与更短执行时间,并完成硬件验证。
2022-03-18 cs.AI cs.RO
Visibility-Aware Mobile Grasping in Dynamic Environments
School of Computing, National University of Singapore(新加坡国立大学计算机学院);Smart Systems Institute, National University of Singapore(新加坡国立大学智能系统研究所)
本文提出一种统一的移动抓取系统,通过迭代低层全身规划器和基于行为树的高层规划器,提升动态环境中的抓取成功率和安全性。
2026-10-27 cs.RO
Learning control for transmission and navigation with a mobile robot under unknown communication rates
Technical University of Cluj-Napoca(克卢日-纳波卡技术大学);Université de Lorraine(洛林大学);Politehnica University of Timisoara(蒂米什瓦拉理工大学);CentraleSupelec(中央理工-高等电力学院);Univ. Paris Sud(巴黎第十一大学)
在测量或监控偏远地区等任务中,自主机器人必须移动,同时通过无线网络以未知的位置相关传输速率传输数据。对于这样的机器人,本文考虑的问题,在最短的时间内传输数据缓冲区,同时也可能朝着目标位置导航。提出了两种方法,每一种方法包括一个机器学习组件,估计从样本的速率函数;和一个最优控制组件,移动机器人给定的当前速率函数估计。对于没有目标位置的情况,执行简单的避障。在广泛的模拟,这些方法实现了竞争力的性能相比,已知的速率和未知的速率基线。提供了一个真实的室内实验,其中Parrot AR.Drone 2成功地学习传输缓冲区。
2020-11-18 cs.LG cs.RO cs.SY
On the Control of Mobile Ad-Hoc Agent Deployments in Partially Observed Space
McGill University(麦吉尔大学);Mila(米拉研究所);Université Paris-Saclay(巴黎萨克雷大学);CentraleSupélec(中央理工-高等电力学院)
本文研究未知正交环境中移动自组网的在线部署,提出CADENCE算法并证明其能以至多n/2+h-2个智能体实现完全覆盖和连通可见性图,同时评估了减少智能体数和部署时间的启发式方法。
2026-09-22 cs.RO
Reactive Navigation Framework for Mobile Robots by Heuristically Evaluated Pre-sampled Trajectories
Northeastern University(东北大学);Institute for Semantic Computing Foundation(语义计算基金会研究所)
本文描述并分析了一种用于未知环境中移动机器人的反应式导航框架。该方法不依赖于全局地图,仅考虑其以机器人为中心的3D网格结构中的局部占用。所提出的算法,使快速导航的启发式评估预采样轨迹上的飞行。在每个循环中,这些路径由加权成本函数评估,基于启发式特征,例如与目标的接近度,先前选择的轨迹和附近的障碍物。本文介绍了一种系统的方法来计算一个可行的姿态在选定的轨迹,然后将其发送到控制器的运动执行。定义了该框架的结构,给出了实现细节,并说明了如何调整其离线和在线参数。为了证明该算法在未知环境中的通用性和适应性,在各种地图上进行了基于物理的仿真。基准测试表明,该算法优于其以前的迭代和另一个国家的最先进的方法的性能。该算法的开源实现和基准测试数据可以在\url{https://github.com/RIVeR-Lab/tentabot}上找到。
2021-08-23 cs.RO
Behavior-based Navigation of Mobile Robot in Unknown Environments Using Fuzzy Logic and Multi-Objective Optimization
University of Engineering and Technology - Vietnam National University, Hanoi(河内越南国家大学工程技术大学)
本文提出BBFM架构,通过模糊控制器和多目标优化协调机器人在未知环境中避障和避开局部极小值的问题,提升了导航精度和效率。
2017-03-09 cs.AI cs.RO cs.SY
Collision avoidance and path finding in a robotic mobile fulfillment system using multi-objective meta-heuristics
Department of Industrial Engineering, Clemson University(工业工程系,克莱姆森大学)
针对多智能体路径规划中AGV避障与任务分配问题,提出兼顾能耗与行驶时间的避障策略及两种多目标优化算法,性能优于现有方法。
2025-10-29 cs.RO math.OC
Anytime Metaheuristic Framework for Global Route Optimization in Expected-Time Mobile Search
Czech Technical University in Prague(捷克技术大学)
本文提出Milaps框架,通过任意时间元启发式方法提升ETS的全局路线优化性能,实现解质量和运行时间的最优平衡。
2025-12-23 cs.RO
Methods for Collision-Free Navigation of Multiple Mobile Robots in Unknown Cluttered Environments
自主车辆的导航和引导是机器人学的一个基本问题,近几十年来吸引了大量的研究。这份报告主要涉及可证明的碰撞避免多个自主车辆在未知的杂乱环境中运行,使用反应分散导航法,障碍物信息由一些传感器系统提供。最近,基于模型预测控制的导航系统的鲁棒和分散的变体已被应用于车辆导航问题。属性,如可证明的碰撞避免下的干扰和可证明的收敛到一个目标已被证明;然而,这些往往需要显着的计算和通信能力,不考虑传感器的约束,使实时使用有些困难。似乎还有机会在易处理性、最优性和鲁棒性之间进行更好的权衡。本文的主要工作如下:第一,将鲁棒模型预测控制概念与基于局部路径规划的反应式导航策略相结合,分别应用于具有加速度约束和扰动的完整和单一车辆模型;第二步,将模型预测控制类型的方法扩展到关于障碍物的信息仅限于离散射线的情况,基于传感器模型,可证明安全,收敛边界以下,可以显示;第三,新的约束条件的发展,允许分散协调多个车辆使用一个强大的模型预测控制型方法,其中一个单一的通信交换使用每个控制更新,车辆被允许同时执行规划,并避免一致性目标。
2014-01-27 cs.RO math.OC
A behavioural approach to obstacle avoidance for mobile manipulators based on distributed sensing
Seconda Università degli Studi di Napoli(那不勒斯第二大学)
提出了一种移动机械臂的反应式避障方法。开发的算法的目标是双重的。第一种方法是在移动机械手的位形空间中找到一条轨迹,使其能够在任务空间中跟踪给定的轨迹。第二个目标在于局部调整配置空间中的轨迹,以避免与潜在移动障碍物的碰撞以及在非结构化和动态环境中的自碰撞。感知完全基于分布在机器人机械结构上的一组接近传感器,并且不需要视觉信息。由于采用了这种邻近分布式感知,该方法不需要机器人的3D模型,并且允许在不需要传感器化环境的情况下实时避免碰撞。为了实现上述功能,一个基于行为的技术被称为零空间为基础(NSB)的方法已通过一些修改。一方面,总的伪能量的概念的基础上,从分布式传感器的信息已被引入。另一方面,提出了一种将不同任务组合的方法,以保证实时轨迹调整的平滑性。该方法的另一个显著特征是利用冗余自由度的基座和臂之间的严格协调,这是移动操作中的相关主题。
2015-02-09 cs.RO
SafeGuardPF: Safety Guaranteed Reactive Potential Fields for Mobile Robots in Unknown and Dynamic Environments
University of Notre Dame(圣母大学)
本文提出SafeGuardPF方法,通过将反应势场运动控制器建模为混合自动机,并利用微分动态逻辑形式化验证其安全性,确保机器人在动态环境中避免碰撞。
2016-09-22 cs.MA cs.RO cs.SY
OGM-CBF: Occupancy Grid Map-based Control Barrier Function for Safe Mobile Robot Control with Memory of out of View Obstacles
Faculty of Engineering and Natural Sciences, Tampere University(坦佩雷大学工程与自然科学学院)
本文提出OGM-CBF方法,结合占用网格地图与控制屏障函数,解决移动机器人在未知环境中对已离开视野的障碍物记忆问题,提升安全性。
2026-07-17 cs.RO
Multi-Objective Autonomous Exploration on Real-Time Continuous Occupancy Maps
Indiana University-Bloomington(印第安纳大学伯明顿分校);Wing, Alphabet Inc.(Alphabet公司Wing)
使用移动机器人在未知环境中进行自主探索是许多机器人应用的支柱。现有的探索框架要么选择最近的几何边界,要么选择最近的信息论边界。然而,仅仅因为边界本身是信息化的,并不一定意味着机器人在到达该边界后将处于信息化区域。为了填补这一空白,我们建议使用一个多目标的变体蒙特卡罗树搜索,提供了一个非近视的帕累托最优动作序列,导致机器人的未知区域发现的最大程度的前沿。我们还采用贝叶斯希尔伯特映射(BHM)的连续占用映射,使其更适用于实时的【形】任务。
2021-10-29 cs.RO
Corridor-based Adaptive Control Barrier and Lyapunov Functions for Safe Mobile Robot Navigation
University of Virginia(弗吉尼亚大学)
本文提出一种结合CLF与CBF的MPCC框架,利用自由空间走廊约束并通过SAC动态调整参数,实现未知杂乱环境下的安全导航。
2025-07-19 cs.RO cs.SY eess.SY
Improving Generalization in Aerial and Terrestrial Mobile Robots Control Through Delayed Policy Learning
Universidad Tecnologica del Uruguay(乌拉圭技术大学);Universidade Federal de Rio Grande(里奥格兰德联邦大学);Universidade Federal de Santa Maria(圣玛丽亚联邦大学);University of Tsukuba(筑波大学);VersusAI(维瑟斯人工智能公司)
本文针对空中与地面移动机器人DRL控制中泛化能力差的问题,探讨了延迟策略更新(DPU)技术,发现其能显著减少泛化不足并加速智能体学习,提升在多样任务与未知场景中的效率。
2024-06-04 cs.AI cs.RO
Portable Multi-Hypothesis Monte Carlo Localization for Mobile Robots
Rey Juan Carlos University(胡安·卡洛斯国王大学);Universidad de León(莱昂大学)
自定位是移动机器人导航系统的一项基本功能,它可以利用地图从一个点移动到另一个点。因此,定位精度的任何增强对于执行精细的灵巧性任务至关重要。本文介绍了一种新的位置,保持几个种群的粒子使用蒙特卡罗定位(MCL)算法,总是选择最好的一个作为系统的输出。作为创新,我们的工作包括一个多尺度匹配匹配算法,以创建新的MCL人口和一个指标,以确定最可靠的。它也有助于国家的最先进的实现,提高恢复时间从错误的估计或未知的初始位置。该方法在与Nav2完全集成的模块中在ROS2中进行了评估,并与当前最先进的自适应ACML解决方案进行了比较,获得了良好的精度和恢复时间。
2022-09-15 cs.RO
Robust Motion Control for Mobile Manipulator Using Resolved Acceleration and Proportional-Integral Active Force Control
提出了一种基于分解加速度控制(RAC)和比例积分主动力控制(PIAFC)的移动机械手鲁棒运动控制方法,该移动机械手由差动驱动的轮式移动平台和安装在平台顶部的两连杆平面臂组成.该研究强调了集成的运动学和动力学控制策略,其中RAC用于操纵运动部件,而PIAFC用于补偿包括有界已知/未知干扰和不确定性在内的动态效应。所提出的方案的有效性和鲁棒性进行了研究,通过严格的模拟研究,后来补充了实验结果,通过一些实验在实验室环境中进行了充分开发的工作原型。为了评估系统的性能,故意在系统中引入了一些振动和冲击力形式的干扰。调查清楚地表明,所提出的控制方案相比,在研究中考虑的其他系统的极端鲁棒性功能。
2006-01-14 cs.RO
Intelligent Indoor Mobile Robot Navigation Using Stereo Vision
Amrita Vishwa Vidyapeetham(阿姆里塔 Vishwa Vidyapeetham 大学)
大多数现有的机器人导航系统,便于使用激光测距仪,声纳传感器或人工地标,有能力在未知的环境中定位自己,然后建立相应的环境地图。立体视觉,虽然仍然是一个快速发展的技术在自主移动机器人领域,目前不太可取的,由于其高的实施成本。本文旨在描述一种实验方法的立体视觉系统的建设,帮助机器人,以避免障碍物和导航通过室内环境,并在同一时间保持非常高的成本效益。本文讨论了立体视觉和超声波传感器的融合技术,有助于成功地通过不同类型的复杂环境的导航。来自传感器的数据使机器人能够创建未知环境的二维的拓扑图,立体视觉系统能够对同一环境的三维模型进行建模。
2014-09-10 cs.AI cs.CV cs.RO
Online Efficient Safety-Critical Control for Mobile Robots in Unknown Dynamic Multi-Obstacle Environments
Technical University of Munich(慕尼黑工业大学);University of Science and Technology Beijing(北京科技大学)
本文提出基于LiDAR的在线安全控制框架,通过DBSCAN聚类、最小包围椭圆和卡尔曼滤波在线构建动态控制屏障函数,并引入缓冲区减少激活数量,实现未知动态多障碍环境中的高效安全导航。
2024-02-26 cs.AI cs.RO
Combining Planning and Diffusion for Mobility with Unknown Dynamics
Massachusetts Institute of Technology(麻省理工学院)
针对动力学未知的长时程机器人移动操作难题,提出将高层障碍感知运动规划与短时程相对运动扩散策略结合的分层算法,在Spot机器人推拉办公椅任务中成功率更优且可零额外训练泛化到新场景。
2024-10-09 cs.AI cs.RO
Input-Constrained Spatiotemporal Tubes for Safe Navigation of Unknown Euler-Lagrange Systems in Dynamic Environments
Department of Cyber-Physical Systems(网络物理系统系);Indian Institute of Science(印度科学研究院)
针对未知欧拉 - 拉格朗日系统在动态环境中安全导航难题,提出实时控制框架,通过扩展时空管框架纳入输入约束,推导可行性条件,经模拟和硬件实验验证,实现满足执行器约束的安全导航。
2026-07-10 cs.RO cs.SY eess.SY
Mobile Wireless Network Infrastructure on Demand
University of Pennsylvania(宾夕法尼亚大学);Tampere University(坦佩雷大学);U.S. Army Research Laboratory(美国陆军研究实验室)
在这项工作中,我们介绍了移动无线基础设施的需求:一个框架,提供无线连接到多机器人团队通过自主重新配置的ad-hoc网络。在许多情况下,以前的多智能体系统要么假设现有的通信基础设施的可用性,要么需要创建一个网络,除了完成他们的目标。相反,我们的系统明确承担责任,创建和维持一个无线网络,能够满足端到端的通信要求的一个团队的代理,称为任务组,执行任意的目标。为了实现这一目标,我们提出了一个联合优化框架,交替寻找最佳的网络路由,以支持任务代理之间的数据流和提高网络的性能,通过重新定位的移动中继节点的集合被称为网络团队。我们证明了我们的方法与模拟和实验,其中无线连接提供给巡逻任务代理。
2020-03-24 cs.RO cs.SY eess.SY
On Mobile Ad Hoc Networks for Coverage of Partially Observable Worlds
McGill University Computer Science Department and MILA Institute(麦吉尔大学计算机科学系和MILA研究所);L2S at the University Paris-Saclay, CentraleSupélec(巴黎萨克雷大学L2S及CentraleSupélec)
本文提出两种算法,用于在部分可观测环境中实现移动代理的覆盖与连通性,通过几何抽象提升通信驱动探索的性能。
2025-12-10 cs.CG cs.MA cs.RO
Dynamic object goal pushing with mobile manipulators through model-free constrained reinforcement learning
HHCM lab, IIT(IIT基因瓦实验室);DIBRIS, University of Genoa(热那亚大学DIBRIS学院);RSL, ETH Zürich(苏黎世联邦理工学院机器人实验室);NVIDIA(NVIDIA公司)
针对未知物体动态推送难题,提出无模型约束强化学习控制器,使带臂四足机器人仅凭物体位姿即可自适应选择推点与方向,并在仿真和硬件上实现高成功率与鲁棒性。
2025-10-21 cs.LG cs.RO cs.SY
VINet: Visual and Inertial-based Terrain Classification and Adaptive Navigation over Unknown Terrain
Baidu USA(百度美国);University of Maryland, College Park(马里兰大学帕克分校)
我们提出了一个视觉和惯性为基础的地形分类网络(VINet)的机器人导航在不同的可穿越的表面。我们使用一种新的基于导航的标记方案的地形分类和概括未知的表面。我们提出的感知方法和自适应调度控制框架可以根据地形导航特性进行预测,并在已知和未知表面上的地形分类和导航控制上都有更好的性能。我们的VINet在已知地形上的监督设置下的准确率可以达到98.37%,与以前的方法相比,在未知地形上的准确率提高了8.51%。我们部署VINet的移动跟踪机器人的轨迹跟踪和导航在不同的地形,我们证明了10.3%的改进相比,基线控制器的RMSE。
2023-03-01 cs.CV cs.RO
Key-Scan-Based Mobile Robot Navigation: Integrated Mapping, Planning, and Control using Graphs of Scan Regions
Eindhoven University of Technology(埃因霍温理工大学);Eindhoven AI Systems Institute(埃因霍温人工智能系统研究所)
本文提出一种基于关键扫描的移动机器人导航框架,利用星凸扫描区域位姿图设计局部导航策略与反馈运动规划方法,并引入桥接和前沿扫描概念实现未知环境下的集成建图与安全导航。
2024-09-20 cs.RO cs.SY eess.SY
Tire Wear Aware Trajectory Tracking Control for Multi-axle Swerve-drive Autonomous Mobile Robots
Nanyang Technological University(南洋理工大学)
本文针对多轴全向驱动自主移动机器人提出一种考虑轮胎磨损最小化的模型预测控制方法,通过分层控制器和简化动力学模型实现实时求解,实验证明可在保持跟踪精度的同时显著降低轮胎磨损。
2025-06-05 cs.RO math.OC
Causal Policy Gradient for Whole-Body Mobile Manipulation
The University of Texas at Austin(德克萨斯大学奥斯汀分校);SonyAI(索尼人工智能)
针对移动操作中动作空间大、多目标耦合及人工分解依赖问题,提出Causal MoMa强化学习框架,利用动作与奖励项的因果依赖和因果策略梯度降低方差,并实现仿真到真实机器人的全身控制迁移。
2023-09-28 cs.AI cs.LG cs.RO
Empirical Pedestrian Safety Assessment in a Mobile Robot Using a Predictive Social Force Model
National Cheng Kung University(国立成功大学)
研究移动机器人与行人共享人行道时的安全评估,通过整合预测社会力向量引入PSFM和PTSFM,在非完整移动机器人上实验,证实PTTC集成可提升安全指标,预测贡献有限,单行人场景中预测带来的额外好处不多。
2026-07-13 cs.RO cs.SY eess.SY
Proofs of the Technical Results Justifying an Algorithm of Reactive 3D Navigation for a Surface Scan by a Nonholonomic Mobile Robot
Saint Petersburg State University(圣彼得堡国立大学);University of New South Wales(新南威尔士大学)
一个单一的非完整欠驱动移动机器人与有界的控制范围内的三维工作空间。该工作空间还拥有一个具有平滑边界的紧凑未知域。机器人可以访问到该域的水平距离和空间中的某个方向(通常是垂直方向),以及该方向上的坐标(通常是高度)。我们提出了一个新的导航法,驱动机器人到所需的距离域,并确保随后的全扫描其表面在所需的范围内的“高度”。所提出的策略是计算成本低,并实现了全扫描在最低的控制水平,通过生成电流控制作为一个简单的,反射式的反应,目前的观察。本文提出并证明了数学上严格的分析和理由所提出的指导方法的关键技术事实。
2016-05-09 cs.RO math.OC
Bounded Distributed Flocking Control of Nonholonomic Mobile Robots
University of Nevada, Reno(内华达大学里诺分校);Georgia Institute of Technology(佐治亚理工学院);Ton Duc Thang University(孙德胜大学)
本文提出基于有界反馈的非holonomic移动机器人分布式编队控制方法,解决动态特性带来的挑战,实现速度一致性、避障和聚拢维持。
2017-05-11 cs.RO cs.SY eess.SY
Adjacency-Based Spectral Proxy Control of Mobile Communication Agents
针对异构移动智能体网络,提出用邻接矩阵主导特征向量替代Fiedler向量的A-Fiedler方法,提升分布式估计鲁棒性,为分布式网络控制提供更简单路径。
2026-08-17 cs.LG cs.MA cs.RO