Enhanced Probabilistic Collision Detection for Motion Planning Under Sensing Uncertainty
Department of Mechanical Engineering, National University of Singapore(国立新加坡大学机械工程系);University of Delaware(特拉华大学)
本文提出一种增强型概率碰撞检测方法,通过超二次曲面近似物体形状并同时考虑位置与方向估计误差,将碰撞概率建模为机会约束问题求解,显著提升了感知不确定性下运动规划的鲁棒性和效率。
2025-08-27 cs.RO
REVISE: Robust Probabilistic Motion Planning in a Gaussian Random Field
Massachusetts Institute of Technology(麻省理工学院);Draper(德雷珀公司)
REVISE提出一种基于采样的鲁棒协方差引导多查询算法,通过新型边缘控制器和可证明改善覆盖的边缘重连构建信念路线图,在6DoF系统中显著提升规划精度并降低成本。
2024-11-20 cs.RO cs.SY eess.SY
Probabilistic Trajectory Planning for Static and Interaction-aware Dynamic Obstacle Avoidance
University of Southern California(南加州大学)
无碰撞移动机器人导航是许多机器人应用的重要问题,特别是在杂乱的环境中。在这种环境中,障碍物可以是静态的或动态的。动态障碍物还可以是交互式的,即根据其他实体的行为改变其行为。机器人系统的感知和预测模块创建这种环境的概率表示和预测。在本文中,我们提出了一种新的预测表示的动态障碍物的交互行为。然后,我们提出了一个实时的轨迹规划算法,概率避免碰撞对静态和互动的动态障碍,并产生动态可行的轨迹。在决策过程中,我们的规划器模拟动态障碍物的互动行为,以响应规划机器人采取的行动。我们显式地减少碰撞概率对静态和动态的障碍物使用多目标搜索制定。然后,我们制定了一个二次规划,以安全地适应一个平滑的轨迹搜索结果,同时试图保持搜索过程中计算的碰撞概率。我们评估我们的算法广泛的模拟,以显示其在不同的环境和配置下使用78000随机生成的情况下的性能。我们比较其性能的静态和动态避障使用4500随机生成的情况下,一个国家的最先进的轨迹规划算法。我们表明,我们的算法实现了高达3.8倍的成功率,使用低至0.18倍的时间基线使用。我们实现了我们的算法的物理四旋翼,并显示其在现实世界中的可行性。
2023-02-24 cs.RO
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA(英伟达);University of Southern California(南加州大学);Amazon(亚马逊)
针对含交互动态障碍的杂乱环境,本文提出DREAM去中心化异步概率多机器人轨迹规划器,仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications
Department of Marine Technology, Norwegian University of Science and Technology(挪威科学技术大学海洋技术系)
本文提出一种混合风险感知导航架构,结合障碍物概率建模与平滑轨迹优化,提升自主水面 vessel 在动态环境中的安全性和自主性。
2026-03-24 cs.RO
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology(麻省理工学院)
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证,而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中,我们提出了概率Chekov(p-Chekov),一个快速反应的运动规划系统,可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性,而无需凸化障碍物。本文提供的全面的理论和实证分析表明,p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
Probabilistic Constraint Tightening Techniques for Trajectory Planning with Predictive Control
Clemson University(克莱姆森大学);Huawei(华为)
为了使自动移动车辆在现实世界中以最小的碰撞风险导航,其规划算法必须考虑来自测量和环境干扰的不确定性。在本文中,我们认为,在这种不确定性的存在下,两个机器人车辆之间的相互碰撞概率的保守近似的解析解。在那里,我们提出了两种方法,我们称之为单一的缩放和主轴旋转,解耦的二元积分的有效近似的两辆车之间的碰撞概率,包括方向的影响。我们比较这些方法的保守性分析和数值。通过关闭一个控制回路,通过模型预测制导方案,我们观察到,通过蒙特卡罗模拟,直接实施防撞约束的保守近似仍然是不可行的实时规划。然后,我们提出并实现了一个凸化方法的基础上收紧碰撞约束,显着提高了计算效率和鲁棒性的预测制导方案。
2022-12-15 cs.RO cs.SY eess.SY
Tight Collision Probability for UAV Motion Planning in Uncertain Environment
The University of Hong Kong(香港大学);Zhejiang University(浙江大学)
针对动态障碍、外部扰动、定位与建模误差,本文提出融合多源不确定性的无人机机会约束运动规划框架,并用碰撞概率紧致上界降低轨迹保守性。
2023-09-28 cs.RO
Receding Horizon Motion Planning for Multi-Agent Systems: A Velocity Obstacle Based Probabilistic Method
NUS Graduate School for Integrative Sciences and Engineering(新加坡国立大学综合科学与工程研究生院);National University of Singapore(新加坡国立大学);University of California, Berkeley(加州大学伯克利分校);Temasek Laboratories(淡马锡实验室)
在本文中,一种新颖的和创新的方法,可行的运动规划的多智能体系统的发展。基于速度障碍物的特性,在滚动时域控制(RHC)问题中引入机会约束,并利用碰撞锥的几何信息为宿主智能体生成速度可行域.通过这种方法,运动规划在速度级而不是位置级进行。因此,它保证了多智能体系统,特别是具有高速移动的智能体的系统的一个更安全的无碰撞的轨迹。此外,在运动规划过程期间可以满足潜在碰撞的概率阈值。为了验证该方法的有效性,不同的情况下,多个代理进行了调查,仿真结果清楚地表明,该方法可以有效地避免潜在的冲突与碰撞概率小于一个特定的阈值。
2021-03-24 cs.MA cs.RO cs.SY
Superfast Configuration-Space Convex Set Computation on GPUs for Online Motion Planning
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Toyota Research Institute(丰田研究所);Woven by Toyota(丰田编织)
本研究提出一种基于GPU大规模并行计算的配置空间凸集构建算法,集成到运动规划流水线中,在动态环境下实现快速可靠的高质量轨迹优化,在基准测试中速度提升17.1倍、可靠性提升27.9%。
2025-04-15 cs.CG cs.RO
dPMP-Deep Probabilistic Motion Planning: A use case in Strawberry Picking Robot
Politecnico di Milano(米兰理工大学);Edge Hill University(边山大学);Lincoln Institute for Agri-food Technology, University of Lincoln(林肯大学林肯农业食品技术研究所)
本文提出了一种新的概率方法,深度机器人学习从示范(LfD)。深度运动基元(DMPs)是将视觉信息直接映射到机器人轨迹的确定性LfD模型。本文扩展了DMP,并提出了一个深概率模型,将视觉信息映射到有效的机器人轨迹的分布。的架构,导致最高水平的轨迹精度,并与现有的方法进行比较。此外,本文介绍了一种新的训练方法学习特定领域的潜在特征。我们展示了所提出的概率方法和新的潜在空间学习的优越性,在实验室的真正的机器人任务草莓收获。实验结果表明,潜在空间学习可以显着提高模型的预测性能。所提出的方法允许从分布中采样轨迹,并优化机器人轨迹以满足次要目标,例如避免碰撞。
2022-08-18 cs.RO
Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment
本文提出由径向基函数网络指导的运动规划框架,结合RBFN候选轨迹生成、碰撞概率评估与轨迹优化,在城市驾驶场景中提升风险感知并减少车辆限制违规,确保安全与可解释性。
2026-07-30 cs.RO
RL-Guided PAC-NMPC for Probabilistically-Safe Perception-Based Navigation in Unknown Environments
本文提出RL引导的PAC-NMPC方法,结合随机模型预测控制与强化学习,通过概率模型和硬约束实现未知环境中基于感知导航的概率安全,仿真和硬件实验验证了其安全性与扩展性。
2026-10-01 cs.RO
A Levy Flight based Narrow Passage Sampling Method for Probabilistic Roadmap Planners
TCS Research & Innovations Lab(塔塔咨询服务公司研究与创新实验室)
基于采样的概率路径规划器(PRM)在具有较高自由度的机器人运动规划中取得了成功,但在具有关键狭窄通道的场景中可能无法捕获配置空间的连通性。在本文中,我们提出了一种基于Levy Flights的新技术,在配置空间的狭窄区域中生成关键样本,当与PRM相结合时,可以提高规划器的完整性。该技术以最小的额外计算为代价显著提高了样本质量,然而,当与基于纯随机游走的方法相比时,在冲突调用的数量、计算开销和样本质量方面,仍然优于现有技术的随机桥构建方法。该方法对与狭窄通道的结构相关的参数的变化是鲁棒的,因此提供了额外的一般性。大量的二维和三维运动规划仿真结果表明了该方法的有效性。
2021-07-02 cs.RO
Evaluating Trajectory Collision Probability through Adaptive Importance Sampling for Safe Motion Planning
Stanford University(斯坦福大学)
本文提出了一种工具,用于解决在许多算法规划机器人轨迹的不确定性的关键组成部分:评估的机器人的行动是由一个闭环反馈政策附近的标称规划轨迹的安全性。我们描述了一个自适应的重要性采样蒙特卡罗框架,使一个给定的控制策略的概率避碰约束的满意度的评估,也提供了相关的证书的准确性(在置信区间的形式)。特别是这种自适应技术非常适合于解决复杂的刚体碰撞检查应用于非线性机器人动力学。作为一种蒙特卡罗方法,它适合于并行计算的易处理性,并且通常适用于广泛的可模拟系统,包括替代噪声模型。数值实验证明了自适应重要性采样程序的有效性,并进行了讨论。
2017-06-01 cs.RO
Intelligent Collision Management in Dynamic Environments for Human-Centered Robots
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
在此背景下,本论文的一个主要重点是无意碰撞,其中一个直接的目标是消除伤害的用户和路人的通过实时传感和控制系统。一个不太明显的重点是将碰撞响应与运动规划中的工具相结合,以产生智能安全行为,确保多个人或物体的安全。然而,一个更具挑战性的问题是预测未来机器人外部物体之间的碰撞,并让机器人进行干预以防止即将发生的事故。在这篇论文中,我们研究了所有这些复杂的碰撞反应和干预。我们深入研究了与移动机器人和机器人操纵器在人类环境中操作的碰撞和安全相关的多个关键和有趣的主题。总的来说,我们从许多角度深入研究碰撞,并开发技术,借用和有助于机电设计,传感器处理,反馈控制,运动规划和概率推理方法的领域。这项研究的结果是一套关键的实验和指导方针,以处理碰撞的移动机器人和机器人机械手。这项研究旨在影响未来对机器人现场操作的研究,并在不影响我们安全的情况下,加速先进机器人在我们日常环境中的应用。
2017-11-07 cs.RO
Growing Convex Collision-Free Regions in Configuration Space using Nonlinear Programming
Harvard University(哈佛大学)
配置空间中的运动规划的最困难部分之一是确保轨迹不会与环境中的任务空间障碍物碰撞。在配置空间中生成凸的且无碰撞的区域可以将碰撞检查的计算负担与运动规划分离。为此,我们提出了对IRIS(半定规划迭代区域膨胀)[5]的扩展,允许它在配置空间中操作。我们的算法IRIS-NP(半定和非线性规划的迭代区域膨胀)使用非线性优化来添加分离的超平面,从而支持更一般的非线性约束。IRIS-NP与Amice等人[1]并行开发,IRIS-NP将严格的区域无冲突认证与概率认证相交换,并在配置空间坐标中更快地生成区域。IRIS-NP还为C-IRIS提供了可靠的初始化,以减少认证所需的迭代次数。我们证明了IRIS-NP可以扩展到双臂机械手,并可以使用相同的机械处理额外的非线性约束。最后,我们展示了我们实现的元素的消融,以证明它们的重要性。
2023-03-26 cs.RO
Stochastic Optimal Control for Modeling Reaching Movements in the Presence of Obstacles: Theory and Simulation
Ben-Gurion University of the Negev(本-古里安大学)
在许多人在回路机器人应用中,例如机器人辅助手术和远程遥控操作,预测人类操作员的预期运动对于成功实现共享控制、引导虚拟夹具和预测控制可能是有用的。开发人体运动的计算模型是这种运动预测框架的关键基础。有了这个动机,我们提出了一个计算框架,在障碍物的存在下,达到运动建模。我们提出了一个随机最优控制框架,该框架由概率碰撞避免约束和成本函数,权衡之间的努力和最终状态方差的存在下,信号相关的噪声。首先,我们提出了一系列的重新制定原来的非线性和非凸最优控制转化为一个参数二次规划问题。我们表明,可以调整参数来模拟各种防撞策略,从而捕捉到与人体运动相关的典型变化。然后,我们提出了一个模拟研究,演示了复杂的相互作用之间的避免策略,控制成本,和避免碰撞的概率。所提出的框架可以使各种需要在杂乱空间中进行远程操作的应用受益,包括机器人辅助手术。此外,它也可以被看作是一种新的优化器,产生光滑和概率安全的轨迹依赖于信号的噪声。
2018-03-26 cs.RO
CCO-VOXEL: Chance Constrained Optimization over Uncertain Voxel-Grid Representation for Safe Trajectory Planning
IIIT Hyderabad(印度海得拉巴国际信息技术学院);University of Tartu(塔尔图大学)
我们提出CCO-VOXEL:这是第一个机会约束优化(CCO)算法,可以直接在世界的体素网格表示上实时计算具有概率安全保证的轨迹计划。CCO-VOXEL将到最近障碍物的距离上的分布映射到碰撞约束违反的分布,并计算最小化违反概率的最佳轨迹。重要的是,与现有的作品,我们从来没有假设的传感器的不确定性或由此产生的碰撞约束违反的概率分布的性质。我们利用Hilbert空间嵌入分布和最大平均离散度(MMD)的概念来计算原始机会约束优化问题的易处理的代理,并采用基于A* 的图搜索和交叉熵方法的组合来获得其最小值。我们表现出有形的性能增益碰撞避免和轨迹平滑的结果,我们的概率公式与国家的最先进的规划方法,不考虑这种非参数噪声。最后,我们还展示了如何结合低维特征嵌入和预缓存的内核矩阵的MMD使我们能够实现实时性能的模拟,以及在实现上的商品硬件,控制四旋翼飞行
2022-04-05 cs.RO
Scenario-Based Motion Planning with Bounded Probability of Collision
TU Delft(代尔夫特理工大学)
提出Safe Horizon MPC方法,通过场景优化和预测控制显式约束运动规划周期内与所有障碍物碰撞的联合概率,有效减少保守性并保证概率安全。
2023-07-03 cs.RO
Velocity Obstacle Based Risk-Bounded Motion Planning for Stochastic Multi-Agent Systems
NUS Graduate School for Integrative Sciences and Engineering(新加坡国立大学综合科学与工程研究生院);National University of Singapore(新加坡国立大学);The Hong Kong University of Science and Technology(香港科技大学);University of California, Berkeley(加州大学伯克利分校)
在本文中,我们提出了一个创新的风险有界的运动规划随机多智能体系统的方法。对于这种方法,干扰,噪声和模型的不确定性被认为是和速度障碍的方法是用来制定避碰约束的速度空间。利用静态障碍物和速度障碍物的几何信息,建立了随机多智能体系统的概率机会约束分布式优化问题。因此,在规定的碰撞风险界限下生成无碰撞轨迹。由于概率约束和析取约束的存在,通过引入二进制变量,将分布式机会约束优化问题转化为混合整数规划,提高了计算效率.因此,这种方法使得可以在速度空间而不是位置空间中执行运动规划任务,这导致多智能体系统的更平滑的无碰撞轨迹和更高的计算效率。此外,潜在碰撞的风险与这种鲁棒的运动规划方法有界。为了验证该方法的有效性,不同的情况下,多个代理人进行了调查,仿真结果清楚地表明,该方法可以生成高质量的轨迹下预定义的碰撞风险的界限,并有效地避免潜在的碰撞在速度空间。
2022-02-20 cs.MA cs.RO
Stochastic Neural Signed Swept Volume for Real-time Chance-Constrained Trajectory Optimization
Purdue University(普渡大学)
本文提出将扫描体积的符号距离函数建模为概率场,以量化不确定性并纳入感知噪声,从而集成到机会约束轨迹优化中,在仿真和真实硬件上验证了高维操作问题的有效性。
2026-09-21 cs.RO
SwarmPRM: Probabilistic Roadmap Motion Planning for Large-Scale Swarm Robotic Systems
College of Engineering, Peking University(北京大学工学院)
本文提出SwarmPRM,一种分层可扩展的基于采样的运动规划方法,利用GMM表示集群宏观状态并构建高斯路线图,结合CVaR增强风险意识,通过线性规划优化轨迹,显著提升大规模集群机器人的计算效率、可扩展性与轨迹质量。
2024-10-13 cs.RO
Learning Configuration Space Belief Model from Collision Checks for Motion Planning
Carnegie Mellon University(卡内基梅隆大学)
对于高维构形空间中的运动规划,一个重要的计算瓶颈是碰撞检测。我们的目标是通过使用碰撞测试的结果创建配置空间的信念模型来减少碰撞检查的预期数量。我们假设机器人的配置空间是一个连续的环境空间,相邻的点往往共享相同的碰撞状态。这使我们能够制定一个概率模型,分配给未评估的配置是无碰撞的信念估计。我们已经提出了一个详细的比较分析的各种kNN方法和距离度量用于评估C-空间的信念。我们还提出了一个加权矩阵在C空间,以提高性能的kNN方法。此外,我们提出了一种拓扑方法,利用C空间的高阶结构来生成一个信念模型。我们的研究结果表明,我们提出的拓扑方法优于kNN方法,实现更高的模型精度,同时计算效率。
2019-02-10 cs.AI cs.RO
Risk Aware Adaptive Belief-dependent Probabilistically Constrained Continuous POMDP Planning
Technion - Israel Institute of Technology(以色列理工学院)
虽然风险意识是一个在线操作代理的基础,但在具有挑战性的连续域和部分可观测性下,它受到的关注较少。本文提出了一种新的公式和解决方案的风险厌恶的信念依赖的概率约束连续POMDP。我们解决了一个苛刻的设置依赖于信念的奖励和约束算子。概率置信度参数使我们的公式真正规避风险,比最先进的机会约束更灵活。我们严格的分析表明,在最严格的概率置信度的情况下,我们的配方是非常接近的机会约束。然而,我们的概率公式允许更快,更准确的自适应接受或修剪的行动履行或违反约束。此外,在任意置信参数下,我们没有找到与我们的方法类似的任何方法。我们提出了算法的解决方案,我们的配方在连续域。我们还使用重要性采样将机会约束方法提升到连续环境中。此外,我们提出的所有算法都可以使用粒子表示的参数和非参数信念。最后,我们给出了机会约束连续POMDP的一个近似,并对其进行了严格的分析和模拟。仿真结果表明,我们的算法表现出前所未有的celebrations相比,基线,在碰撞方面具有相同的性能。
2023-02-21 cs.AI cs.RO
Probabilistic Symmetry for Multi-Agent Dynamics
University of California, San Diego(加州大学圣地亚哥分校);Northeastern University(东北大学);Hong Kong Polytechnic University(香港理工大学)
针对多智能体动力学预测中量化不确定性的需求,提出利用旋转等变性的深度模型PECCO,通过建模联合速度分布并引入Energy Score评估,显著提升了轨迹预测的准确性与不确定性校准。
2023-05-18 cs.AI cs.LG cs.RO
Neural Collision Clearance Estimator for Batched Motion Planning
Google(谷歌)
我们提出了一个神经网络碰撞检测启发式,ClearanceNet,和规划算法,CN-RRT。ClearanceNet学习预测相对于工作空间的分离距离(机器人与工作空间之间的最小距离)。然后,CN-RRT通过利用ClearanceNet的三个关键功能有效地计算运动计划。首先,CN-RRT通过同时扩展多个节点来探索空间,处理数千个冲突检查的批次。第二,CN-RRT自适应地放宽了对更困难问题的清除要求。第三,为了修复错误,CN-RRT在ClearanceNet的梯度方向上移动其节点,并使用传统RRT修复任何剩余错误,从而保持理论上的概率完整性保证。在多达30个自由度的配置空间中,ClearanceNet实现了比传统碰撞检测方法高845倍的加速,而CN-RRT将运动规划的速度提高了42%,并将路径查找效率提高了36%。在一个11自由度的机器人在一个混乱的环境中的实验证实了该方法的可行性在真实的机器人。
2020-07-15 cs.LG cs.RO
On Infusing Reachability-Based Safety Assurance within Probabilistic Planning Frameworks for Human-Robot Vehicle Interactions
Department of Aeronautics and Astronautics(航空与航天系);Department of Mechanical Engineering(机械工程系);School of Computing Science(计算科学学院)
本文提出一种最小干预的安全控制器,用于确保自动驾驶车辆与外部控制车辆的碰撞自由交互,通过实时控制器实现轨迹跟踪和安全保证,展示了在交通交织实验中自动驾驶车辆在对手车辆违反规划预期时仍能避免碰撞。
2018-12-29 cs.RO cs.SY eess.SY
AM-RRT*: Informed Sampling-based Planning with Assisting Metric
University of Oxford(牛津大学);Ocado Technology(奥卡多科技公司)
在本文中,我们提出了一种新的算法,扩展RRT* 和RT-RRT* 的在线路径规划在复杂的,动态的环境。基于采样的方法通常在具有狭窄通道的环境中表现不佳,这是移动机器人的许多室内应用以及计算机游戏的共同特征。我们的方法扩展了基于RRT的采样方法,使辅助距离度量的使用,以提高在有障碍物的环境中的性能。该辅助度量可以是在视线被阻挡时具有比欧几里德度量更好的属性的任何度量,该辅助度量与标准欧几里德度量结合使用,使得算法可以从辅助度量中获益,同时保持先前RRT变体的期望属性-即树覆盖的概率完整性和路径长度的渐近最优性。我们还介绍了一种新的方法,有针对性的重新布线,旨在缩短搜索时间和路径长度的任务,目标反复变化。我们证明,我们的方法提供了相当大的改进,现有的多查询规划,如RT-RRT* 时,使用扩散距离作为辅助度量,找到接近最佳的路径,减少了几个数量级的搜索时间。实验结果表明,规划时间减少了99.5%,路径长度减少了9.8%,比现有的实时RRT规划器在各种环境中。
2021-09-09 cs.AI cs.RO
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
Decentralized Probabilistic Multi-Robot Collision Avoidance Using Buffered Uncertainty-Aware Voronoi Cells
Delft University of Technology(代尔夫特理工大学)
针对多机器人系统,提出了一种分散的、无通信的避碰方法,该方法同时考虑了机器人定位和传感不确定性。该方法依赖于计算的不确定性感知的安全区域,每个机器人之间的其他机器人和静态障碍物的环境中,高斯分布的不确定性的假设下,导航。特别是,在每个时间步,我们构建一个机会约束缓冲不确定性感知Voronoi细胞(B-UAVC)为每个机器人给定一个指定的碰撞概率阈值。通过将每个机器人的运动约束在其相应的B-UAVC内来实现概率碰撞避免,即机器人与障碍物之间的碰撞概率保持在指定阈值以下。该方法具有分散性、无通信、可扩展性和对机器人定位和感知不确定性的鲁棒性。我们将该方法应用于单积分器,双积分器,差分驱动机器人,和一般的非线性动力学的机器人。大量的模拟和实验与地面车辆,四旋翼,和异构机器人团队进行分析和验证所提出的方法。
2022-01-11 cs.RO
Probabilistic Risk Assessment for Chance-Constrained Collision Avoidance in Uncertain Dynamic Environments
TU Delft(代尔夫特理工大学)
在具有不确定动态的拥挤场景中进行规划时,平衡安全性和效率具有挑战性,因为必须在不违反任何安全规定的情况下完成机器人的任务。通常,机会约束被纳入规划问题,通过对规划轨迹的碰撞概率施加上限来提供概率安全保证。然而,这会导致过于保守的行为,因为获得的风险和指定的上限之间的差距没有明确限制。为了解决这个问题,我们提出了一个实时的能力的方法来量化的风险与计划轨迹从多个概率规划者,并行运行,可接受的风险水平的不同上限。根据评估的风险,选择最不保守的计划,前提是其相关风险低于指定阈值。以这种方式,所提出的方法提供了概率安全保证,通过实现一个更紧密的绑定到指定的风险,同时适用于移动障碍物的一般不确定性。我们证明了我们提出的方法的效率,通过提高性能的国家的最先进的概率规划,在模拟和实验中使用移动机器人与人类共享的环境。
2023-02-21 cs.RO
SwarmCCO: Probabilistic Reactive Collision Avoidance for Quadrotor Swarms under Uncertainty
University of Maryland at College Park(马里兰大学帕克分校)
我们提出了分散的碰撞避免算法的四旋翼机群下不确定的状态估计。我们的方法利用微分平坦性和前馈线性化近似的四旋翼动力学,并执行相互碰撞避免。我们占的位置和速度的不确定性,通过制定碰撞约束的机会约束,它描述了一组速度,避免碰撞与指定的置信水平。我们提出了两种不同的方法制定和解决的机会约束:我们的第一种方法假设高斯噪声分布。我们的第二种方法是它的扩展到非高斯的情况下,使用高斯混合模型(GMM)。我们重新制定的线性机会的约束,等效的确定性约束,这是使用MPC框架计算每个四旋翼的局部无碰撞轨迹。我们评估所提出的算法在模拟基准的情况下,并强调其优点比以前的方法。我们观察到,高斯和非高斯的方法提供了改进的碰撞避免性能的确定性方法。平均而言,高斯方法需要~ 5 ms来计算局部无碰撞轨迹,而我们的非高斯方法在计算上更昂贵,在具有4个代理的场景中平均需要~ 9 ms。
2021-01-25 cs.RO
Probabilistic Collision Risk Estimation for Pedestrian Navigation
Biped Robotics SA;Honda Research Institute Europe GmbH(本田欧洲研究机构);Honda Research Institute Japan Co., Ltd.(本田日本研究机构);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本研究将自动驾驶中的概率碰撞风险模型应用于视力障碍者导航辅助,实验表明其警告准确率67%,优于距离和时间度量(51%)。
2025-06-19 cs.RO
CATNIPS: Collision Avoidance Through Neural Implicit Probabilistic Scenes
Stanford University(斯坦福大学);California Institute of Technology(加州理工学院)
本文提出CATNIPS方法,将NeRF变换为泊松点过程以量化碰撞不确定性,并结合PURR体素表示与机会约束轨迹优化,实现满足用户指定碰撞概率的安全机器人导航。
2024-07-03 cs.RO
Hierarchical Motion Planning under Probabilistic Temporal Tasks and Safe-Return Constraints
Peking University(北京大学);Academy of Military Sciences(军事科学院)
对于在不确定环境中执行任务的机器人来说,安全至关重要。常见的安全要求,如避免碰撞,仅取决于状态,这可能是复杂的任务的限制。在这项工作中,我们解决了一个更一般的配方作为安全返回约束,这需要存在一个返回策略,以驱动系统返回到一组安全状态的概率很高。机器人的运动被建模为一个马尔可夫决策过程(MDP)的概率标签,这可以是高度非遍历。机器人任务被指定为这些标签上的线性时序逻辑(LTL)公式,例如监视和运输。我们首先提供理论上的保证,重新制定这样的安全返回的约束,并计算两个完整的产品自动机的基础上的基线解决方案。此外,为了解决计算复杂性,我们提出了一个层次规划算法,结合了基于特征的符号和时间抽象的约束优化。它同时合成两个相关的运动策略:出站策略最小化满足任务的高概率的总成本,而返回策略确保安全返回的约束。问题的制定是通用的机器人模型,任务规范和安全约束。所提出的分层算法是更有效的,可以解决更大的问题比基线解决方案,只有轻微的损失的最优性。数值验证包括模拟和硬件实验的搜索和救援任务和行星探测任务在不同的系统大小。
2023-02-10 cs.RO cs.SY eess.SY
Reachability-Based Confidence-Aware Probabilistic Collision Detection in Highway Driving
Queen Mary University of London(伦敦玛丽女王大学);Delft University of Technology(代尔夫特理工大学);Beijing Institute of Technology(北京理工大学);TU Dresden(德累斯顿工业大学)
针对形式化可达性碰撞检测过度保守的问题,本文融合BRS与随机FRS,提出置信度感知的高速公路概率碰撞检测框架,实现安全事件保证与关键事件准确风险估计。
2023-06-01 cs.RO
Distributed Planning for Rigid Robot Formations with Probabilistic Collision Avoidance
Technical University of Denmark(丹麦技术大学);Czech Technical University in Prague(布拉格捷克技术大学)
本文提出一种确保概率碰撞避免的刚性机器人编队分布式规划方法,通过参数化编队变换、期望速度映射、一致性步骤与约束满足步骤实现编队内部碰撞避免,并在仿真与真实遥操作实验中验证了有效性。
2024-08-27 cs.RO cs.SY eess.SY
Multi-Robot Collision Avoidance under Uncertainty with Probabilistic Safety Barrier Certificates
Carnegie Mellon University(卡内基梅隆大学);Cornell University(康奈尔大学);Microsoft Corporation(微软公司)
多机器人系统在不确定性、非确定性和信息不完全的情况下,其避碰安全性是一个难题。本文的目的是提出一种避免碰撞的方法,占测量不确定性和运动不确定性。特别是,我们提出了概率安全屏障证书(PrSBC)使用控制屏障功能来定义空间的可接受的控制行动,是概率安全的正式可证明的理论保证。通过将机会约束安全集公式化为具有PrSBC的确定性控制约束,该方法需要最小地修改现有控制器以经由约束于PrSBC约束的二次规划来确定替代安全控制器。该方法的主要优点是,除了有限支持之外,不需要对不确定性的形式进行任何假设,也可以实现最坏情况的保证。我们证明了该方法的有效性,通过在现实的仿真环境中的实验。
2020-12-07 cs.RO cs.SY eess.SY
Finding the Easy Way Through -- the Probabilistic Gap Planner for Social Robot Navigation
Honda Research Institute EU GmbH(本田欧洲研究院);Honda Research Institute JP Co., Ltd.(本田日本株式会社);Honda R&D Co., Ltd.(本田研发株式会社)
提出概率间隙规划器(PGP),通过将轨迹规划分解为宏观冲突避免与协作碰撞避免两步,引导智能体趋向人群间隙,提升了多密度人群中的导航性能并减少碰撞。
2025-06-26 cs.RO
Anticipatory Navigation in Crowds by Probabilistic Prediction of Pedestrian Future Movements
The University of Sydney(悉尼大学);NVIDIA(英伟达)
人类和机器人在动态环境中共存的关键是智能体能够理解彼此的动作,并预测他们的动作。本文介绍了随机过程预期导航(SPAN),一个框架,使非完整机器人在人群环境中导航,同时预期和占行人的运动模式。为此,我们学习了一个预测模型来预测连续时间随机过程,以模拟行人的未来运动。预期的行人位置被用来进行机会约束碰撞检查,并纳入到一个时间碰撞控制问题。还集成了占用地图,以允许与静态障碍物进行概率碰撞检查。我们展示了SPAN在拥挤的模拟环境中的能力,以及与现实世界的行人数据集。
2020-11-12 cs.LG cs.RO
Simultaneous Control and Trajectory Estimation for Collision Avoidance of Autonomous Robotic Spacecraft Systems
Georgia Institute of Technology(佐治亚理工学院)
我们提出了因子图优化的同时规划,控制和轨迹估计的无碰撞导航的自主系统在移动物体的环境中。提出的在线概率运动规划和轨迹估计导航技术生成最佳的无碰撞状态和控制轨迹的自主车辆时,障碍物运动模型是未知的和已知的。我们评估该算法的实用性,以支持未来的自主机器人空间任务。
2022-04-28 cs.RO
Intent-Aware Probabilistic Trajectory Estimation for Collision Prediction with Uncertainty Quantification
Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校机械科学与工程系)
本文提出了一种基于高斯过程的概率轨迹估计方法,用于在不确定环境中预测碰撞,通过概率方法替代确定性假设,以考虑更广泛的障碍物类型,并通过案例研究展示了在有限障碍物行为知识下预测碰撞的能力。
2019-04-04 cs.LG cs.RO cs.SY
GRaCE: Balancing Multiple Criteria to Achieve Stable, Collision-Free, and Functional Grasps
National University of Singapore(新加坡国立大学);Smart Systems Institute, National University of Singapore(新加坡国立大学智能系统研究院)
本文提出GRaCE概率框架及GRaCE-OPT混合优化,平衡稳定性、运动学与功能性等多准则,实现高效、无碰撞且功能性的机器人抓取。
2024-05-29 cs.RO
Dynamic Risk Assessment for Autonomous Vehicles from Spatio-Temporal Probabilistic Occupancy Heatmaps
Department of Civil and Environmental Engineering, University of California, Berkeley, CA, USA(加州大学伯克利分校土木与环境工程系);D3 Analytics Innovation, Allstate Insurance Company, Northbrook, IL, USA(Allstate保险公司D3 Analytics创新部门);Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA(加州大学伯克利分校电气工程与计算机科学系)
本文提出概率占用风险评估(PORA)指标,利用时空热力图预测周围交通参与者的概率占用,结合Cox模型调整相对运动风险,提升自动驾驶车辆动态交通场景碰撞风险评估准确性,且在蒙特卡洛模拟中表现优于其他安全替代指标。
2025-11-16 cs.LG cs.RO eess.SP
A Unified Probabilistic Approach to Traffic Conflict Detection
Delft University of Technology(代尔夫特理工大学);CityAI lab(CityAI实验室)
针对现有交通冲突检测方法在不同交互和交通条件下不一致且适应性有限的问题,提出一种统一的概率方法,将冲突表述为依赖上下文的极端事件并分解为统计学习任务,实验证明其能提供有效预警并具有跨数据集泛化能力。
2024-12-21 cs.RO stat.ML
Utilizing the RRT*-Algorithm for Collision Avoidance in UAV Photogrammetry Missions
Technische Universität Braunschweig(布伦瑞克工业大学)
本文介绍了快速探索随机树星(RRT*)算法在摄影测量任务中的多旋翼机避碰中的应用。为了更好的适用性,所提出的算法重定向到一个预定义的任务的path. The实验中进行的仿真软件gazebo利用ROS接口,广为人知的自动驾驶仪软件PX4。对于障碍物检测,使用模拟的Intel D435立体摄像机。实验包括两种不同的场景,每种场景都以两种不同的最大速度进行。结果表明,概率RRT*-算法可以成功地避开障碍物,即使在速度高达6米/秒。主要问题在于多旋翼飞行器的动态特性、惯性以及传感器技术的局限性。
2021-08-09 cs.RO
OF-VO: Efficient Navigation among Pedestrians Using Commodity Sensors
我们提出了一种改进的速度障碍(VO)算法,使用概率的部分观察环境计算速度和导航机器人的目标。我们的系统使用商品视觉传感器,包括单摄像头和二维激光雷达,明确预测周围障碍物的速度和位置,通过光流估计,目标检测,传感器融合。我们工作的一个关键方面是耦合感知(OF:光流)和规划(VO)组件,以实现可靠的导航。总体而言,我们的OF-VO算法使用基于学习的感知和基于模型的规划方法提供了更好的性能比以前的算法在导航时间和成功率的碰撞避免。我们的方法还提供了概率碰撞避免算法的界限。我们强调OF-VO的实时性能的海龟机器人在行人之间的模拟和现实世界的场景中导航。演示视频可在https://gamma.umd.edu/ofvo/上获得
2021-06-09 cs.RO
Fractional Collisions: A Framework for Risk Estimation of Counterfactual Conflicts using Autonomous Driving Behavior Simulations
Nuro AI
本文提出基于反事实轨迹与碰撞模型的分数碰撞风险估计框架,利用 SHRP2、Nexar 及 ADS 数据验证,可量化任意 ADS 版本的冲突、伤害与财产损失风险。
2025-06-09 cs.RO cs.SY eess.SY
Learning Probabilistic Intersection Traffic Models for Trajectory Prediction
Department of Mechanical Science and Engineering University of Illinois Champaign-Urbana(伊利诺伊大学厄巴纳-香槟分校机械科学与工程系)
自主智能体必须能够安全地与其他车辆互动,以融入城市环境。这些代理的安全性取决于它们预测与其他车辆未来轨迹的碰撞以进行重新规划和避免碰撞的能力。预测碰撞所需的信息可以从先前在特定环境中观察到的车辆轨迹中学习,从而生成交通模型。然后,可以将所学习的交通模型作为先验知识合并到在该环境中使用的任何轨迹估计方法中。提出了一种基于高斯过程的概率交通模型,用于量化交叉口车辆行为。高斯过程模型提供平均车辆轨迹的估计,同时还捕获车辆在交叉口可能采取的不同路径之间的差异。该方法证明了一组时间序列的位置轨迹。这些轨迹是通过消除对象识别错误和丢失的帧,可能会发生由于数据源处理重建。为了创建交叉口交通模型,基于其源和目的地车道对重建的轨迹进行聚类。对于每个聚类,创建高斯过程模型以捕获聚类的平均行为和方差。为了显示高斯模型的适用性,测试轨迹进行分类,只有部分观测。性能通过正确分类车辆轨迹所需的观测次数来量化。交叉口交通建模计算和分类过程都是定时的。这些时间作为结果,并表明该模型可以在合理的时间内构建,分类过程可以用于在线应用。
2020-02-05 cs.LG cs.RO
Planning on a (Risk) Budget: Safe Non-Conservative Planning in Probabilistic Dynamic Environments
ISEE AI;University of California, Los Angeles(加州大学洛杉矶分校)
规划环境中的其他代理,其未来的行动是不确定的,往往需要安全和性能之间的妥协。在这里,我们的目标是设计有效的规划算法,保证边界上的安全违规的概率,但实现非保守性能。为了量化系统的风险,我们定义了一个自然的标准,称为区间风险界限(IRBs),它提供了一个参数上限的概率在给定的时间间隔或任务的安全违规。我们提出了一种新的滚动时域算法,并证明了它可以满足一个理想的IRB。我们的算法保持了一个动态的风险预算,约束在每次迭代的允许风险,并保证递归的可行性,需要一个安全的集是可达的应急计划在预算内。我们根据经验证明,我们的算法在涉及与其他车辆碰撞避免的场景中的两个模拟自动驾驶实验中比强基线更安全,更不保守,并且还证明了我们的算法在自动驾驶8级卡车上运行。
2021-06-16 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
Automotive Collision Risk Estimation Under Cooperative Sensing
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提供了一种技术,估计碰撞风险的自动地面车辆从事合作感测。该技术允许量化(i)由于合作而降低的风险,以及(ii)由于合作而增加的风险评估的准确性。如果两者中的任何一个都很重要,则可以将合作视为满足日益自动化的车辆的严格风险预算的理想做法;如果不是,则不需要进行合作--尽管存在各种缺点。基于动态概率占用图和将碰撞相关状态信息映射到成本度量的损失函数,在自我车辆的轨迹上评估碰撞风险。风险评估框架证明使用从两个合作的车辆穿越城市交叉口捕获的真实数据。
2020-04-21 cs.RO eess.SP
FPR -- Fast Path Risk Algorithm to Evaluate Collision Probability
随着移动机器人和自动驾驶汽车在以人为中心的环境中变得越来越普遍,需要控制碰撞风险。感知模块,例如机器视觉,提供对象位置的不确定估计。在这种情况下,经常假设一个确切已知的自由空间是无效的。显然,没有路径可以保证是无冲突的。相反,它是必要的,以计算碰撞的概率风险在任何建议的路径。FPR算法,提出了这里,有效地计算上界的碰撞风险的机器人在平面上移动。该计算根据候选轨迹的风险程度(上的界限)对候选轨迹进行排序。然后,可以根据次要标准(例如舒适度和效率)选择用户定义的主要风险阈值内的路径。本文的主要贡献是FPR算法及其“卷积技巧”,用于分解用于限制碰撞风险的积分。作为卷积技巧的结果,给定$K$障碍和$N$候选路径,计算负荷从原始$O(NK)$减少到定性更快的$O(N+K)$。
2019-09-17 cs.RO math.OC