Roboat II: A Novel Autonomous Surface Vessel for Urban Environments
Amsterdam Institute for Advanced Metropolitan Solutions(阿姆斯特丹高级大都市解决方案研究所);SENSEable City Laboratory, Massachusetts Institute of Technology(麻省理工学院可感知城市实验室);Computer Science and Artificial Intelligence Lab (CSAIL), Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室)
本文介绍了一种新型的自主水面船舶(ASV),称为Roboat II的城市交通。Roboat II能够进行精确的同时定位与地图构建(SLAM)、滚动时域跟踪控制和估计以及路径规划。Roboat II旨在最大限度地利用内部空间进行运输,并可携带数倍于自身重量的有效载荷。此外,它能够进行完整运动,以促进船只之间的运输,对接和互连。所提出的SLAM系统接收来自3D LiDAR、IMU和GPS的传感器数据,并利用因子图来解决多传感器融合问题。为了应对水中复杂的动态,Roboat II采用了在线非线性模型预测控制器(NMPC),我们通过实验估计了船舶的动态模型,以实现卓越的跟踪控制性能。同时使用非线性滚动时域估计(NMHE)算法估计Roboat II的状态。实验表明,Roboat II能够成功地执行在线地图绘制和定位,规划其路径,并在封闭的河流中稳健地跟踪规划的轨迹,这意味着这种自主船舶有望在当今许多水道中运输人员和货物。
2020-08-24 cs.RO
Deep Reinforcement Learning Based Tracking Control of an Autonomous Surface Vessel in Natural Waters
Massachusetts Institute of Technology(麻省理工学院);Beijing University of Posts and Telecommunications(北京邮电大学);KU Leuven(鲁汶大学);Flanders Make(法兰德斯制造研究院)
由于环境的复杂动力学,自主海洋机器人的精确控制仍然是一个挑战。在本文中,我们提出了一种深度强化学习(DRL)方法来训练自主水面船舶(ASV)轨迹跟踪控制器,并将其性能与现实环境中的先进非线性模型预测控制器(NMPC)进行比较。考虑到环境干扰(例如,风、波浪和水流)、噪声测量以及物理ASV中存在的非理想致动器,仔细设计了用于DRL跟踪控制策略的几种有效的奖励函数。在具有不同跟踪轨迹和干扰的仿真环境中训练控制策略。的DRL控制器的性能进行了验证,并与NMPC在基于模型的环境干扰和在自然水域的模拟。仿真结果表明,DRL控制器的跟踪误差比NMPC控制器小53.33%。实验结果进一步表明,与NMPC相比,DRL控制器的跟踪误差降低了35.51%,表明DRL控制器在河流环境中比NMPC提供更好的干扰抑制。
2023-02-20 cs.RO
A Distributed Consensus Particle Filter for Target Tracking using Autonomous Surface Vessels
Brigham Young University(杨百翰大学);US Naval Research Lab(美国海军研究实验室)
针对间歇通信下多智能体海上目标跟踪中局部估计过于自信的问题,提出一种通过策略性分散粒子来增强经典粒子滤波的方法,并在湖上USV实验中验证了不降低标称性能且在某些边缘情况下有优势。
2026-09-09 cs.RO
Autonomous Passage Planning for a Polar Vessel
British Antarctic Survey(英国南极调查局)
我们介绍了一种方法,在极地地区的长距离海上航线规划,考虑到复杂的变化的环境条件。该方法允许优化路线的建设,描述了三个主要阶段的过程:离散建模的环境条件,使用非均匀网格,网格最佳路径的建设,和路径平滑。为了考虑不同的车辆属性,我们构建了一系列数据驱动的功能,可以应用到环境网格,以确定给定的船舶和网格单元的速度限制和燃料要求,这些数量的图形和地理空间。在描述我们的研究结果时,我们展示了极地研究船RRS Sir David Attenborough(SDA)的路线规划的示例用例,考虑了冰性能特征并验证了南极洲威德尔海地区的时空路线建设。我们展示了这种路线建设方法的多功能性,通过展示路线的变化取决于季节性海冰的变化,所使用的路线规划目标函数的差异,以及其他环境条件,如电流的存在。为了证明我们的方法的普遍性,我们提出了在北冰洋和波罗的海的例子。本手稿中概述的技术是通用的,因此可以应用于具有不同特征的船只。我们的方法可以有相当大的实用性,不仅仅是一个单一的船舶规划程序,我们概述了这个工作流程是如何适用于更广泛的社区,例如商业和客运。
2022-09-13 cs.RO
A COLREGs-Compliant Conflict Resolution Strategy for Autonomous Surface Vehicles
Manipal Institute of Technology(马尼帕尔理工学院);IISER Bhopal(博帕尔印度科学教育与研究院)
本研究针对多船舶环境下自主水面航行器的避碰需求,提出符合COLREGs的两阶段COMCORE冲突消解策略,可低成本生成无碰撞轨迹,具备高可扩展性,且经真实水域实验验证可行。
2023-12-13 cs.RO
Reinforcement Learning for Safe Autonomous Two Device Navigation of Cerebral Vessels in Mechanical Thrombectomy
提出一种安全的双器械强化学习算法,通过整合导丝尖端力保障患者安全,首次实现机械取栓术中微导管与微导丝向脑血管的自主导航,在未见病例中取得96%成功率且作用力远低于破裂阈值。
2025-03-31 cs.LG cs.RO
Safe Vessel Navigation Visually Aided by Autonomous Unmanned Aerial Vehicles in Congested Harbors and Waterways
Aarhus University(奥胡斯大学);Artificial Intelligence in Robotics Laboratory (Air Lab)(机器人学人工智能实验室(Air Lab))
在海事部门,船舶安全航行非常重要,特别是在拥挤的港口和水道。这项工作的重点是使用同伴无人机估计感兴趣的对象和潜在障碍物之间的距离。所提出的方法将GPS数据与远程航空图像融合。首先,我们使用语义分割DNN来使用原始图像数据区分感兴趣的血管、水和潜在的固体对象。该网络使用真实和图像进行训练,并从真实的AirSim仿真环境中自动标记。然后,使用一种新的GSD估计算法计算提取的船只和非水障碍物斑点之间的距离。据我们所知,这项工作是首次尝试从传统RGB相机和辅助绝对定位系统(如GPS)捕获的远程视觉数据中检测和估计未知物体的距离。仿真结果验证了该方法在无人机辅助船舶视觉辅助导航中的准确性和有效性。
2021-08-09 cs.CV cs.RO
Solgenia -- A Test Vessel Toward Energy-Efficient Autonomous Water Taxi Applications
Institute of System Dynamics, HTWG Konstanz(系统动力学研究所,HTWG康斯坦茨);Institute for Optical Systems, HTWG Konstanz(光学系统研究所,HTWG康斯坦茨)
Solgenia 是一个面向能源高效自主水 taxi 应用的测试平台,整合了自主系统、数值优化、非线性模型预测控制等关键技术,旨在提升城市水域交通的效率和可持续性。
2025-02-03 cs.RO cs.SY eess.SY
A Time and Place to Land: Online Learning-Based Distributed MPC for Multirotor Landing on Surface Vessel in Waves
Ingenuity Labs Research Institute(Ingenuity Labs 研究院)
针对波浪中无人水面艇倾斜运动导致多旋翼无人机着陆难的问题,提出基于高斯过程学习的分布式MPC框架,仅共享目标信息减少通信延迟,室内实验验证其着陆成功率较忽略倾斜的方法提升53%。
2024-10-29 cs.RO
A Guidance and Maneuvering Control System Design with Anti-collision Using Stream Functions with Vortex Flows for Autonomous Marine Vessels
University of Michigan(密歇根大学);Norwegian University of Science and Technology(挪威科技大学);Tsinghua University(清华大学)
预计自主海洋船舶将避免船舶之间的碰撞,并遵守国际安全航行条例。提出了一种基于流函数的分步路径规划方法。采用流体的动态流动作为引导模型,通过在汇流中应用圆形定理来实现静态环境中的碰撞避免。我们将这种方法扩展到动态环境中,通过在流场中加入涡流。流函数被递归地更新,以实现飞行中的路点决策。该船避免碰撞,并遵守《国际海上避碰规则公约》的若干规则。该方法在概念上和计算上都很简单,调整方便,但通用性强,可以处理具有多个动态障碍物的复杂和密集的海上交通。考虑到船舶动力学,通过使用Bézier曲线来生成具有可行曲率的足够光滑的路径。数值模拟进行了验证所提出的方法。
2022-04-16 cs.RO cs.SY eess.SY
Deep Learning Guided Autonomous Surgery: Guiding Small Needles into Sub-Millimeter Scale Blood Vessels
Johns Hopkins University(约翰斯·霍普金斯大学);Wilmer Eye Institute, Johns Hopkins University Hospital(约翰斯·霍普金斯医院威尔默眼科研究所)
提出一种基于深度学习与视觉伺服的自主视网膜静脉插管系统,实现亚毫米级精度导航与安全针插入,在猪眼实验中全部成功且优于人类操作员。
2023-06-16 cs.RO
Autonomous Exploration and General Visual Inspection of Ship Ballast Water Tanks using Aerial Robots
Norwegian University of Science and Technology (NTNU)(挪威科技大学);Equinor ASA(Equinor 公司);Altera Infrastructure Production AS(Altera 基础设施生产公司)
针对船舶压载水舱狭窄受限的检测难题,提出结合体积探索与视距约束视觉检测的空中机器人方案,经仿真、多舱任务及实船现场实验验证,还可生成语义分割网格支持直观分析。
2023-11-07 cs.RO
Fusion of Indirect Methods and Iterative Learning for Persistent Velocity Trajectory Optimization of a Sustainably Powered Autonomous Surface Vessel
University of Michigan(密歇根大学)
针对太阳能ASV长期信息收集与持续可行性问题,本文用障碍函数收紧荷电状态约束,并结合间接最优控制与迭代学习得到无需太阳预报的闭式速度控制律。
2025-03-13 cs.RO
Model Predictive Path Integral Docking of Fully Actuated Surface Vessel
Indian Institute of Technology Madras(马德拉斯印度理工学院)
针对水面船舶自主靠泊难题,提出融合MPPI概率轨迹优化、多目标代价函数与实时LiDAR船坞检测的控制框架,并在高保真物理仿真中验证其安全性、精度与平稳性。
2025-01-16 cs.RO
Digital Twin-based Out-of-Distribution Detection in Autonomous Vessels
Simula Research Laboratory(Simula研究实验室);University of Oslo(奥斯陆大学)
本文提出基于数字孪生的ODDIT方法,利用机器学习预测自主船舶的未来状态并检测分布外状态,实现主动干预,在模拟实验中AUROC和TNR@TPR95达99%。
2025-04-28 cs.LG cs.RO cs.SE
Vision-Based Autonomous Navigation for Unmanned Surface Vessel in Extreme Marine Conditions
Khalifa University(哈利法大学);Abu Dhabi University(阿布扎比大学);Beijing Institute of Technology(北京理工大学)
本文针对极端海洋条件下USV视觉导航受低能见度影响的问题,提出一种结合GAN去噪增强与YOLOv5检测的自主视觉跟踪框架,并在MBZIRC仿真数据集的沙尘暴和浓雾场景中验证其优于现有去雾方法。
2023-08-08 cs.CV cs.RO
Invariant Extended Kalman Filtering with Partial Orientation Measurement Integration: Theoretical Derivations and Application to Autonomous Surface Vessels
Brigham Young University;Carnegie Mellon University
本文提出融合部分姿态测量的InEKF框架,结合地平线横滚俯仰与双天线GPS航向测量,经对比实验验证其在开阔海域自主水面船舶状态估计中有效且鲁棒。
2026-07-30 cs.RO
Continuous Control with Deep Reinforcement Learning for Autonomous Vessels
Memorial University of Newfoundland(纽芬兰纪念大学)
海上自主运输在世界经济全球化中发挥了至关重要的作用。深度强化学习(DRL)已被应用于自动路径规划,以模拟公海中的船舶避碰情况。直接从输入中学习复杂映射的端到端方法在不同环境中达到目标的泛化能力很差。在这项工作中,我们提出了一种新的策略,称为状态动作旋转,以提高代理的性能在看不见的情况下,通过旋转获得的经验(状态动作状态),并将它们保存在重放缓冲区。我们设计了基于深度确定性策略梯度、局部视图生成器和规划器的模型。我们的代理使用两个深度卷积神经网络来估计策略和动作-价值函数。拟议的模型在蒙特利尔和哈利法克斯等城市的真实地图上进行了详尽的训练和海上场景测试。实验结果表明,CVN上的状态-动作旋转一致地将到达目的地的速率(RATD)提高了11.96%,相对于具有计划器和局部视图的血管导航器(VNPLV),并且在不可见映射中实现了高达30.82%的卓越性能。当在新环境中进行测试时,我们提出的方法在鲁棒性方面表现出优势,支持了可以通过使用状态-动作旋转来实现泛化的想法。
2021-06-27 cs.AI cs.RO
Digital Twin for Autonomous Surface Vessels: Enabler for Safe Maritime Navigation
Norwegian University of Science and Technology(挪威科技大学);SINTEF Digital(SINTEF数字研究院)
本文提出针对自主水面船舶的数字孪生框架方法论,涵盖0至5级分类,通过实时数据更新提升安全导航与决策能力。
2024-11-05 cs.RO cs.SY eess.SY
This is the Way: Mitigating the Roll of an Autonomous Uncrewed Surface Vessel in Wavy Conditions Using Model Predictive Control
Ingenuity Labs Research Institute(Ingenuity Labs 研究院)
本文针对波浪条件下的无人水面艇,提出了一种基于船舶动力学和波浪模型的非线性模型预测控制(NMPC)系统,通过调整成本函数权重最小化平均横摇,实验证明其能减少39%的平均横摇,为实时规划与控制奠定了基础。
2024-08-27 cs.RO cs.SY eess.SY
VORRT-COLREGs: A Hybrid Velocity Obstacles and RRT Based COLREGs-Compliant Path Planner for Autonomous Surface Vessels
University of Nevada Reno(内华达大学里诺分校)
本文介绍了VORRT-COLREG,一种混合技术,结合速度障碍(VO)和快速探索随机树(RRT),以生成安全的轨迹自主水面船只(ASV),同时遵循航海规则的道路。RRT生成一组路径点,速度障碍方法确保路径点之间的安全行驶。我们还确保ASV的行动不违反海上碰撞准则。早期的工作分别使用RRT和VO来生成ASV的路径。然而,RRT不能很好地处理高度动态的情况,并且VO似乎最适合作为本地路径规划器。结合这两种方法,VORRT-COLREG是一个全局路径规划器,它使用联合正向仿真来确保生成的路径在情况变化时保持有效和无冲突。实验是在不同类型的碰撞情况下进行的,并使用了不同数量的ASV。结果表明,VORRT-COLREGS生成碰撞规则(COLREG)投诉路径在开放的海洋场景。此外,VORRT-COLREGS成功地在交通分离方案中生成了符合要求的路径。这些结果表明,我们的技术在不同的碰撞情况下生成ASV的路径的适用性。据我们所知,这是第一个结合速度障碍和RRT为ASV产生安全和COLREG投诉路径的工作。
2021-09-02 cs.AI cs.RO
Real-Time Navigation for Autonomous Surface Vehicles In Ice-Covered Waters
University of Waterloo(滑铁卢大学);National Research Council Canada(加拿大国家研究委员会)
针对冰覆盖水域中自主水面舰艇的实时导航问题,提出一种基于栅格和滚动时域规划的框架,通过最小化碰撞与航程代价,并结合新型启发式方法,在模拟与真实实验中验证了其在不同冰浓度下的有效性。
2023-02-24 cs.RO
Hybrid Navigation Acceptability and Safety
CNRS IRL 2010 CROSSING(法国国家科学研究中心国际联合研究实验室CROSSING);ENSTA Bretagne(法国国立高等先进技术布列塔尼分校);Flinders University(弗林德斯大学);University of South Australia(南澳大利亚大学);University of Adelaide(阿德莱德大学)
本文探讨自主船舶遵守COLREGs的挑战,强调需开发可信赖的控制与制导系统,以应对与有人船舶的复杂相遇,确保航行安全。
2024-04-18 cs.RO cs.SY eess.SY
Intelligent Sailing Model for Open Sea Navigation
University of California, Berkeley(加州大学伯克利分校);Technical University of Munich(慕尼黑技术大学)
提出首个智能航行模型(ISM),模拟遵守海上交通规则的船舶,结合模型预测控制实现航点跟踪,在交互仿真中达到约97%的目标到达率且无碰撞。
2026-06-16 cs.RO cs.SY eess.SY
The Coastline as a Structural Constraint: Harnessing Scene Geometry for Autonomous Surface Vessel Localization
Brigham Young University(杨百翰大学)
本研究提出两种利用海岸几何的自主水面船定位框架,经多数据集验证,LiDAR管线提升轨迹精度,单目架构控制长期漂移,且零样本基础模型可可靠提取海岸线观测,为无GPS海上定位提供新方案。
2026-08-24 cs.CV cs.RO
Autonomous Robotic Suction to Clear the Surgical Field for Hemostasis using Image-based Blood Flow Detection
University of California San Diego(加州大学圣地亚哥分校)
自主机器人手术在过去十年中取得了重大进展,其目的是减少外科医生的疲劳,提高手术的一致性,也许有一天会接管手术本身。然而,自动化尚未应用于控制组织和血管出血的关键外科任务-即止血。止血的任务涵盖一系列出血源和一系列血液速度、轨迹和体积。在极端情况下,不受控制的血管会使手术区域充满流动的血液。在这项工作中,我们提出了第一个自动化的止血解决方案,通过开发一种新的概率血流检测算法和轨迹生成技术,引导自主吸引工具汇集血液。在模拟场景和涉及甲状腺切除术期间发生出血的真实创伤场景中测试血流检测算法。完整的解决方案在物理实验室环境中使用达芬奇研究套件(dVRK)和模拟手术腔进行测试,以供血液流过。结果表明,我们的自动化解决方案具有准确的检测,快速的反应时间,并有效地去除流动的血液。因此,所提出的方法是清理手术区域的有力工具,外科医生或未来的机器人自动化开发可以遵循这些工具来闭合血管破裂。
2021-01-18 cs.RO
Digital Twin of Autonomous Surface Vessels for Safe Maritime Navigation Enabled through Predictive Modeling and Reinforcement Learning
Norwegian University of Science and Technology(挪威科技大学);SINTEF Digital(SINTEF数字研究院)
本文在现有ASV数字孪生框架上,结合AIS与合成Lidar目标跟踪、NMPC预测安全滤波器和Unity实现,赋予自主水面船预测、情景推演与最优控制决策能力,以提升海上导航安全。
2024-03-30 cs.RO cs.SY eess.SY
Clarity-Driven Adaptive Mission Planning for a Solar-Powered Autonomous Surface Vessel
University of Michigan(密歇根大学);North Carolina State University(北卡罗来纳州立大学)
本文针对太阳能自主水面艇,提出清晰度驱动的自适应任务规划方法,通过清晰度驱动的遍历搜索,结合在线调整的目标清晰度图与ASV速度限制,经仿真与实验验证了其有效性。
2026-10-16 cs.RO cs.SY eess.SY
Distributed Motion Control for Multiple Connected Surface Vessels
SENSEable City Laboratory, Massachusetts Institute of Technology(麻省理工学院可感知城市实验室);Computer Science and Artificial Intelligence Lab (CSAIL), Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室);Department of Aeronautics and Astronautics, Stanford University(斯坦福大学航空航天系)
我们提出了一种可扩展的合作控制方法,协调一组刚性连接的自主水面船舶跟踪所需的轨迹在平面水环境作为一个单一的浮动模块化结构。我们的方法利用隐含的信息结构的运动力和扭矩分配没有明确的机器人之间的通信。在我们的系统中,领导者机器人通过根据结构与期望轨迹的偏差调整其力和扭矩来引导整个组,而跟随者机器人运行基于分布式共识的控制器来匹配它们的输入,以放大领导者的意图,仅使用板载传感器作为反馈。为了应对复杂和高度耦合的系统动力学在水中,领导者机器人采用非线性模型预测控制器(NMPC),在那里我们实验估计的浮动模块化结构的动力学模型,以实现卓越的性能,领导者跟随控制。我们的方法在当今许多现有水道中运输人员和货物方面具有广泛的潜在应用。我们进行了轨迹和方向跟踪实验的硬件与三个定制的自主模块化机器人船,称为Roboat,这是能够完整的运动和板载状态估计。多达65个机器人的仿真结果也证明了我们所提出的方法的可扩展性。
2020-07-24 cs.RO
Aerial Maritime Vessel Detection and Identification
针对无GNSS环境下无人机海上目标识别问题,提出基于YOLOv8检测、特征匹配与色调直方图分析的目标船舶定位方法,并在MBZIRC2023竞赛中验证了其有效性。
2025-07-09 cs.AI cs.CV cs.RO
Field trial on Ocean Estimation for Multi-Vessel Multi-Float-based Active perception
University of Technology Sydney(悉尼科技大学);Australian Centre for Field Robotics, University of Sydney(悉尼大学澳大利亚现场机器人中心)
海洋载具已被用于各种科学任务,其中收集有关感兴趣的特征的信息。为了最大限度地提高在大搜索空间上收集信息的效率,我们应该能够部署大量的自动驾驶汽车,这些汽车根据对环境中目标特征的最新了解做出决定。在我们以前的工作中,我们已经提出了一个分层框架的多船多浮(MVMF)的问题,水面船舶下降,并拿起欠驱动的浮子在时间最小的方式。在本文中,我们提出了现场试验结果使用的框架与一些漂移和浮动。我们发现了一些重要的方面,需要考虑在拟议的框架,并提出了潜在的方法来应对挑战。
2021-06-17 cs.RO
Collision Avoidance for Autonomous Surface Vessels using Novel Artificial Potential Fields
Indian Institute of Technology (IIT) Madras(印度理工学院马德拉斯分校)
针对自主水面船舶避碰问题,提出基于调和函数改进的新型人工势场方法,在遵守COLREGs的前提下有效规避动态障碍物,并在模拟拥挤环境的Monte Carlo实验中展现出优于传统势场和速度障碍方法的鲁棒性。
2023-10-09 cs.CE cs.RO cs.SY
Ocean Plume Tracking with Unmanned Surface Vessels: Algorithms and Experiments
Stevens Institute of Technology(斯蒂文斯理工学院);Naval Postgraduate School(海军研究生院);University of Hawaii at Manoa(夏威夷大学马诺阿分校)
由于污染羽流对环境的不利影响和相关的金钱损失,使用自动驾驶车辆进行污染羽流监测是重要的。利用对流扩散羽流扩散模型,我们提出了一个控制律设计跟踪动态浓度水平曲线。我们还提出了一个梯度和发散估计方法,使该控制律从浓度测量。然后,我们提出了控制法的现场测试结果,以跟踪浓度水平曲线在使用罗丹明染料作为污染替代品在近岸海洋环境中产生的羽流。这些羽流然后使用配备有荧光计传感器的无人水面船只自动跟踪。现场实验结果显示,以评估控制器的性能,并在现实世界的海洋环境中的现场实验的复杂性进行了讨论。
2018-04-23 cs.RO eess.SP
Contact-aware Path Planning for Autonomous Neuroendovascular Navigation
FuTURE Lab, Department of Robotics Engineering, Worcester Polytechnic Insitute (WPI)(沃思彻斯特理工学院未来实验室);Department of Computer Science, University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校计算机科学系);UMass Memorial Medical Center(马萨诸塞州纪念医疗中心)
本文提出了一种高效的接触意识路径规划方法,用于自主神经内血管导航,实现了快速且精确的路径计算,具有亚毫米级的跟踪精度。
2026-01-12 cs.RO
Autonomous Navigation in Complex Environments with Deep Multimodal Fusion Network
Imperial College London(帝国理工学院);AIOZ Pte Ltd(AIOZ私人有限公司)
复杂环境中的自主导航是灾难响应或搜索和救援等时间敏感场景中的关键任务。然而,复杂的环境对自主平台的导航提出了重大挑战,因为它们具有挑战性的特性:狭窄的通道受限,碎片和障碍物的不稳定路径,或不规则的地质结构和恶劣的照明条件。在这项工作中,我们提出了一个多模态融合的方法来解决在复杂的环境,如倒塌的城市,或自然洞穴的自主导航问题。我们首先在基于物理的仿真引擎中模拟复杂环境,并收集大规模数据集进行训练。然后,我们提出了一个导航多模态融合网络(NMFNet),它有三个分支,有效地处理三种视觉模态:激光,RGB图像,点云数据。广泛的实验结果表明,我们的NMFNet优于最近的最先进的公平利润率,同时实现实时性能。我们进一步表明,在复杂的环境中,使用多种形式的自主导航是必不可少的。最后,我们成功地将我们的网络部署到模拟和真实的移动机器人。
2020-07-31 cs.RO
Multi-Modal Sensor Fusion and Object Tracking for Autonomous Racing
Technical University of Munich(慕尼黑工业大学)
提出一种基于扩展卡尔曼滤波器的模块化多模态传感器融合与跟踪方法,通过延迟补偿提升高速场景下目标跟踪精度,在自动驾驶赛车挑战赛中验证,无需标注数据,位置残差低于0.1米。
2023-10-12 cs.RO
AURA-CVC: Autonomous Ultrasound-guided Robotic Assistance for Central Venous Catheterization
Johns Hopkins University(约翰霍普金斯大学);Siemens Healthineers(西门子医疗);University of Maryland(马里兰大学);Penn State University(宾夕法尼亚州立大学)
AURA-CVC提出了一种自主超声引导的机器人辅助中心静脉置管系统,实现了从扫描初始化到针头插入的全流程自动化,通过深度学习和运动规划技术在高保真度仿真人体上验证,展示了其在临床应用中的潜力。
2026-01-11 cs.RO
Multi Sensor Fusion for Navigation and Mapping in Autonomous Vehicles: Accurate Localization in Urban Environments
University of Turku(图尔库大学)
来自多个传感器的数据的组合,也称为传感器融合或数据融合,是自主机器人设计中的一个关键方面。特别是,能够适应传感器融合技术的算法能够提高准确性,并且对单个传感器的故障更具弹性。自主导航、地图绘制和定位算法的发展在过去二十年中取得了巨大进步。尽管如此,在开发强大的解决方案以在密集的城市环境中进行准确定位方面仍然存在挑战,在密集的城市环境中发生所谓的最后一英里交付。在这些场景中,局部运动估计与实时数据与详细的预构建地图的匹配相结合。在本文中,我们利用收集的数据与自主交付机器人比较不同的传感器融合技术和评估的算法提供最高的精度取决于环境。本文分析和提出的技术利用3D激光雷达数据、惯性数据、GNSS数据和车轮编码器读数。我们展示了激光雷达扫描匹配与其他传感器数据相结合,可以用来提高机器人定位的准确性,因此,它的导航。此外,我们提出了一种策略,以减少对导航性能的影响时,在环境中的变化,使地图数据无效或部分可用的地图被损坏。
2021-03-25 cs.RO
A 2D Image Feedback-Based Autonomous Endovascular Navigation Method: A Perception and Control Framework
Beijing Institute of Technology(北京理工大学);Advanced Institute for Ocean Research, Southern University of Science and Technology(南方科技大学海洋科学与工程研究院);Shenzhen Institute of Advanced Biomedical Robot Company Limited(深圳先进生物医学机器人有限公司);Southern University of Science and Technology(南方科技大学);School of Mechanical, Electronic and Control Engineering, Beijing Jiaotong University(北京交通大学机械与电子控制工程学院);Aerospace Center Hospital(航天中心医院)
本文提出一种基于二维图像反馈的自主血管内导航感知与控制框架,经65次闭环实验验证其路径级性能,仅3.1%实验触发预设失败规则,后续需评估临床图像及更广解剖结构。
2026-10-16 cs.RO
Risk-Aware Wasserstein Distributionally Robust Control of Vessels in Natural Waterways
University of Seville(塞维利亚大学);Seoul National University(首尔国立大学)
针对自然内河航道中自主船舶航行的不确定性挑战,本研究提出了一种风险感知的Wasserstein分布鲁棒模型预测控制方法,通过随机多面体建模和最坏情况风险约束有效避免搁浅事故,提升了有限数据下的航行安全性与鲁棒性。
2023-10-21 cs.RO cs.SY eess.SY
An End-to-End Learning-Based Multi-Sensor Fusion for Autonomous Vehicle Localization
DiDi Autonomous Driving(滴滴自动驾驶);DiDi Chuxing(滴滴出行)
提出一种基于端到端高阶神经网络特征的多传感器融合方法,消除了不确定性估计与参数微调,在真实自动驾驶场景中实现了更高的定位准确性与鲁棒性。
2025-03-07 cs.RO
Autonomous Port Navigation With Ranging Sensors Using Model-Based Reinforcement Learning
University of Antwerp(安特卫普大学);imec(比利时微电子研究中心);University of Ghent(根特大学)
针对港口中不广播位置的动态障碍物,提出基于模型的强化学习导航算法,利用测距传感器和环境随机化实现未见场景泛化,并优于动态窗口法与无模型强化学习基准。
2023-11-17 cs.AI cs.RO
Target Tracking via LiDAR-RADAR Sensor Fusion for Autonomous Racing
Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB), Politecnico di Milano(电子、信息与生物工程系(DEIB),米兰理工大学)
针对自主赛车中精准车辆检测与动力学估计的需求,提出基于延迟感知EKF的LiDAR-RADAR融合多目标跟踪算法,结合传感器特性与赛道先验知识处理失序测量,在275 km/h下完成自主超车验证。
2025-11-12 cs.RO
A2DO: Adaptive Anti-Degradation Odometry with Deep Multi-Sensor Fusion for Autonomous Navigation
Fudan University(复旦大学)
针对SLAM在传感器退化场景下性能下降的问题,提出端到端多传感器融合里程计A2DO,通过注意力机制动态缓解退化,经模拟预训练和真实微调,实验验证了其高精度与鲁棒性。
2025-02-28 cs.RO
Sim2Sea: Sim-to-Real Policy Transfer for Maritime Vessel Navigation in Congested Waters
Institute of Automation, CAS(中国科学院自动化研究所);School of Artificial Intelligence, UCAS(中国科学院大学人工智能学院);Zhongguancun Academy(中关村学院);University College London(伦敦大学学院)
Sim2Sea通过GPU加速模拟器、双流时空策略和领域随机化方案,实现了拥挤水域中船舶自主导航的仿真到现实策略迁移。
2026-03-04 cs.AI cs.RO
Brief Industry Paper: The Necessity of Adaptive Data Fusion in Infrastructure-Augmented Autonomous Driving System
PerceptIn(PerceptIn公司);The University of Texas at Dallas(德克萨斯大学达拉斯分校);South China University of Technology(华南理工大学);University of Sydney(悉尼大学)
本文是第一个提供一个全面的系统设计概述,以及融合方法的选择标准的现实世界的合作自动驾驶系统,命名为结构增强自动驾驶或IAAD。我们提出了一个深入的介绍IAAD的硬件和软件的路边和车侧的计算和通信平台。我们广泛地描述了IAAD系统在现实世界的部署场景的背景下,并观察到,沿道路波动的网络条件是目前合作自动驾驶的主要技术障碍。为了解决这一挑战,我们提出了新的融合方法,被称为“帧间融合”和“规划融合”,以补充目前最先进的“帧内融合”。我们证明了每种融合方法都有自己的优点和约束。
2022-07-02 cs.DC cs.RO
Safe Robust Predictive Control-based Motion Planning of Automated Surface Vessels in Inland Waterways
Dept. of Mechanical Engineering, Clemson University(机械工程系,克莱姆森大学)
针对内河航道自主水面船舶导航面临的狭窄通道、高交通密度和水动力扰动挑战,提出结合鲁棒模型预测控制与控制屏障函数的运动规划方法,以安全约束确保碰撞避免,仿真验证了其有效性和安全性。
2025-09-08 cs.RO cs.SY eess.SY
Adaptive Entropy-Driven Sensor Selection in a Camera-LiDAR Particle Filter for Single-Vessel Tracking
Cyprus Marine and Maritime Institute(塞浦路斯海洋与航海研究所);Technical University of Denmark(丹麦技术大学)
研究单船跟踪问题,提出含相机-激光雷达融合的粒子滤波器及信息增益自适应传感策略,在实际海事部署中验证,该策略能依信息增益切换模态,实现精度与连续性平衡,提供实用基线。
2026-07-07 cs.LG cs.RO cs.SY
Atlas Fusion -- Modern Framework for Autonomous Agent Sensor Data Fusion
Brno University of Technology(布尔诺理工大学);CEITEC(中欧技术研究所)
在本文中,我们提出了我们的软件传感器融合框架的自动驾驶汽车和其他自主机器人。我们已经设计了我们的框架作为一个通用的和可扩展的平台,用于建立一个强大的3D模型的代理的周围环境,融合了广泛的各种传感器到数据模型,我们可以使用作为决策和规划算法的基础。我们的软件目前涵盖RGB和热成像相机、3D LiDAR、3D IMU和GNSS定位的数据融合。该框架涵盖了从数据加载、过滤、预处理、环境模型构建、可视化和数据存储的完整管道。该架构允许社区修改现有的设置或使用新的想法扩展我们的解决方案。整个软件与ROS(机器人操作系统)完全兼容,这使得框架可以与其他基于ROS的软件合作。源代码在MIT许可证下作为开源完全可用。请参阅https://github.com/Robotics-BUT/Atlas-Fusion。
2022-04-20 cs.RO eess.SP
Exploring Adversarial Robustness of LiDAR-Camera Fusion Model in Autonomous Driving
Zhejiang University(浙江大学)
本研究评估LiDAR-camera融合模型在3D目标检测中的对抗鲁棒性,提出通过在车上方添加少量物理约束对抗点即可仅凭LiDAR通道欺骗模型,并分析了多种因素对攻击成功率的影响。
2024-01-09 cs.AI cs.RO
Design and Implementation of a Dual Uncrewed Surface Vessel Platform for Bathymetry Research under High-flow Conditions
University of California - Davis(加利福尼亚大学戴维斯分校)
本文设计并实现了两个互补的无人水面艇系统(NAC-USV和BEP-USV),分别用于高流速环境下的自主导航控制研究与水深测量数据评估后处理,并开源设计且验证了其有效性。
2025-05-01 cs.LG cs.RO cs.SY
Risk-based implementation of COLREGs for autonomous surface vehicles using deep reinforcement learning
Norwegian University of Science and Technology(挪威科技大学);Equinor(挪威国家石油公司);Technical University of Munich(慕尼黑工业大学);Oklahoma State University(俄克拉荷马州立大学)
自主系统正在变得无处不在,并在海洋部门获得动力。由于交通运输的电气化正在同时发生,自主海洋船舶可以减少对环境的影响、降低成本并提高效率。虽然仍需要密切监控以确保安全,但最终目标是完全自主。一个重要的里程碑是开发一个控制系统,该系统具有足够的通用性,可以处理任何天气和遭遇,同时也是强大和可靠的。此外,控制系统必须遵守国际海上避碰规则(COLREG),以便与人类水手成功互动。由于COLREG是为人类大脑解释而写的,它们是用模棱两可的散文写的,因此不能机器可读或验证。由于这些挑战和各种各样的情况下,要解决的,经典的基于模型的方法证明是复杂的实施和计算量大。在机器学习(ML)中,深度强化学习(DRL)已显示出广泛应用的巨大潜力。DRL的无模型和自学习特性使其成为自主船舶的一个有前途的候选者。在这项工作中,一个子集的COLREG被纳入基于DRL的路径跟踪和避障系统,使用碰撞风险理论。由此产生的自主智能体动态插值路径跟踪和COLREG兼容的碰撞避免在训练方案,孤立的遭遇情况下,和基于AIS的模拟现实世界的情况。
2021-11-30 cs.AI cs.RO
SimpleVSF: VLM-Scoring Fusion for Trajectory Prediction of End-to-End Autonomous Driving
IEIT Systems(IEIT系统)
针对端到端自动驾驶复杂场景决策不佳的问题,提出融合传统评分与VLM增强评分的SimpleVSF框架,通过权重融合与VLM上下文决策实现规划优化,在ICCV 2025 NAVSIM v2挑战赛中取得领先性能。
2025-10-28 cs.AI cs.RO
Probabilistic Ship Trajectory Forecasting using Transformer Models on AIS Data
Technical University of Denmark(丹麦技术大学)
该研究针对受限水域船舶轨迹预测问题,采用经KDE生成、CNN编码的局部热图辅助,训练Transformer与Performer模型,大幅提升了预测性能。
2026-10-12 cs.LG cs.RO