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
Integrating occlusion awareness in urban motion prediction for enhanced autonomous vehicle navigation
Centre for Automation and Robotics (CSIC-UPM)(自动化与机器人中心(西班牙国家研究委员会-马德里理工大学));University of Puerto Rico(波多黎各大学)
本文扩展MultIAMP框架,将遮挡感知融入城市运动预测,通过动态贝叶斯网络与马尔可夫链生成多模态概率输出,并在两个真实用例中验证其对自动驾驶导航安全性的提升。
2024-06-28 cs.RO
Quantum Artificial Intelligence for Secure Autonomous Vehicle Navigation: An Architectural Proposal
University of Rhode Island(罗德岛大学);Carleton University(卡尔顿大学)
本文提出一种基于量子人工智能的自动驾驶导航架构,利用量子神经网络融合多模态传感器数据,通过Nav-Q强化学习优化导航策略,并采用后量子密码保障通信安全。
2025-06-19 cs.AI cs.ET cs.RO
NavAgent: Multi-scale Urban Street View Fusion For UAV Embodied Vision-and-Language Navigation
Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院空天信息创新研究院);University of Chinese Academy of Sciences(中国科学院大学);School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences(中国科学院大学电子电气与通信工程学院)
针对无人机在城市户外视觉语言导航中面临的地标匹配和复杂多模态环境编码挑战,提出首个由大型视觉语言模型驱动的导航模型NavAgent,通过融合多尺度环境信息进行导航,并构建细粒度地标数据集,在基准数据集上优于强基线。
2024-11-13 cs.CV cs.RO
FLAME: Learning to Navigate with Multimodal LLM in Urban Environments
Shanghai Jiao Tong University(上海交通大学)
FLAME提出基于多模态大语言模型的智能体,通过三阶段调优适应城市VLN任务,在Touchdown数据集上任务完成率超越最先进方法7.3%,展示了MLLMs在具身导航中的潜力。
2025-01-21 cs.AI cs.CL cs.CV
Belief-Adaptive Online Autonomy for Quadrotor UAV Navigation under GNSS Degradation in Urban Environments
Cranfield University(克兰菲尔德大学)
本文提出一种信念自适应在线自主框架,通过显式GNSS信任建模和延迟感知处理增强EKF,在GNSS退化城市环境中实现更稳定、更准确的四旋翼导航。
2026-09-15 cs.RO cs.SY eess.SY
Enhancing Privacy and Security of Autonomous UAV Navigation
University at Buffalo(布法罗大学);IBM Research(IBM研究院)
本文提出结合强化学习与全同态加密(FHE)的端到端安全框架,通过对加密图像执行推理并适配神经网络与OpenAI Gym库,在几乎不损失性能的前提下有效防御窃听、中间人等对抗性攻击,保障自主无人机导航的隐私与安全。
2024-04-26 cs.AI cs.CR cs.RO
Sensitivity Study of Fiducial-Aided Navigation of Unmanned Aerial Vehicles
Utah State University(犹他州立大学)
无人驾驶飞行器(UAV)在城市地区的可能应用和好处越来越受到人们的关注。在实现这些可能性之前,无人机必须能够在城市环境中可靠和精确地导航。确定无人机位置的最常见手段是利用全球导航卫星系统(GNSS)的位置测量。然而,在城市环境中,由于遮挡和多路径,GNSS测量显著降级。本研究分析了使用相机视线(LOS)测量自描述基准作为传统的GNSS测量的替代品。为了将惯性测量单元(IMU)的连续测量与离散视线测量相结合,对无人机的状态进行精确估计,提出了一种扩展卡尔曼滤波器(EKF),并进行了验证。评估了估计误差协方差对各种系统参数的敏感性,包括IMU等级、基准放置、车辆高度和图像处理频率。
2021-10-04 cs.RO cs.SY eess.SY
UrbanLoco: A Full Sensor Suite Dataset for Mapping and Localization in Urban Scenes
Hong Kong Polytechnic University(香港理工大学);University of California, Berkeley(加州大学伯克利分校)
地图定位是自动驾驶的关键模块,国内外在这一领域的研究取得了重要成果。除了全球导航卫星系统(GNSS)之外,点云配准、视觉特征匹配和惯性导航方面的研究极大地提高了不同场景下地图和定位的准确性和鲁棒性。然而,高度城市化的场景仍然具有挑战性:基于LIDAR和相机的方法在处理大量动态对象时表现不佳;基于GNSS的解决方案存在信号丢失和多路径问题;惯性测量单元(IMU)存在漂移问题。不幸的是,目前的公共数据集要么没有充分解决这一城市挑战,要么没有提供足够的传感器信息相关的地图和定位。在这里,我们介绍了UrbanLoco:一个在高度城市化的环境中收集的地图/定位数据集,带有完整的传感器套件。该数据集包括在旧金山和香港收集的13条轨迹,总长度超过40公里。我们的数据集包括各种各样的城市地形:城市峡谷,桥梁,隧道,急转弯等。更重要的是,我们的数据集包括来自LIDAR,相机,IMU和GNSS接收器的信息。现在,数据集可以通过脚注中的链接公开获取。数据集链接:https://advdataset2019.wixsite.com/urbanloco。
2020-04-03 cs.CV cs.RO
Vision-Based Autonomous UAV Navigation and Landing for Urban Search and Rescue
ETH Zurich(苏黎世联邦理工学院);University of Freiburg(弗莱堡大学);Toyota Research Institute(丰田研究所)
针对灾后环境无可用地图、现有算法难在废墟上找安全着陆点的问题,提出无需环境先验的高效无人机导航着陆系统,含多因子代价地图着陆检测算法及超120万张图像的合成数据集,经仿真与真实场景验证有效。
2019-09-03 cs.CV cs.RO
Enhancing Safety for Autonomous Agents in Partly Concealed Urban Traffic Environments Through Representation-Based Shielding
TU Dortmund University(多特蒙德工业大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究院)
本文提出一种基于可感知信息的强化学习状态表征方法,用于解决部分遮挡城市交叉口的安全导航问题,在安全性和能耗上显著优于基线,同时保持竞争力速度。
2024-07-05 cs.LG cs.RO
Visual Marker Search for Autonomous Drone Landing in Diverse Urban Environments
School of Computing, Macquarie University(计算学院,麦考瑞大学)
本文提出基于模拟的评估套件,研究异质城市环境中自主无人机着陆的视觉标记搜索问题,通过对比启发式策略与强化学习方法,探讨复杂场景对着陆性能的影响。
2026-01-16 cs.AI cs.RO
AI and Machine Learning Driven Indoor Localization and Navigation with Mobile Embedded Systems
Colorado State University(科罗拉多州立大学)
该文综述室内导航因GPS失效而依赖WiFi与传感器的现状,分析前沿方案挑战,并说明移动嵌入式系统上的AI算法如何实现定位与导航。
2024-08-09 cs.AI cs.LG cs.RO
UrbanVideo-Bench: Benchmarking Vision-Language Models on Embodied Intelligence with Video Data in Urban Spaces
Tsinghua University(清华大学)
UrbanVideo-Bench通过城市空间视频数据评估视频大语言模型的具身智能,揭示其在城市环境中感知、推理和导航能力的局限性,并验证了Sim-to-Real迁移的潜力。
2025-03-08 cs.AI cs.CV
Imagination-Augmented Hierarchical Reinforcement Learning for Safe and Interactive Autonomous Driving in Urban Environments
Seoul National University(首尔大学)
本文提出想象力增强型分层强化学习(IAHRL),通过低层策略想象安全行为、高层策略推断交互并引入排列不变注意力机制,在五个复杂城市驾驶任务中实现了更高的成功率和更低的平均回合步数。
2024-01-23 cs.LG cs.RO
Enhancing Autonomous Driving Safety through World Model-Based Predictive Navigation and Adaptive Learning Algorithms for 5G Wireless Applications
针对5G环境下自动驾驶安全挑战,提出NavSecure框架,融合世界模型预测与安全决策,减少试错并自适应学习,实验证明其在避障等安全指标上优于端到端方法。
2026-09-22 cs.AI cs.RO
Autonomous Vehicle Control: End-to-end Learning in Simulated Urban Environments
Norwegian University of Science and Technology(挪威科技大学)
近年来,车辆自主操作的能力已经取得了相当大的进展。端到端的方法试图使用单个综合软件组件实现自动驾驶。最近在深度学习方面的突破已经显著提高了端到端系统的能力,并且这样的系统现在被认为是当前最先进的解决方案的可能替代方案。本文研究了在包含其他车辆、交通信号灯和速度限制的模拟城市环境中自动驾驶车辆的端到端学习。此外,本文探讨了端到端系统执行导航命令的能力,并研究了是否可以通过利用后续视觉线索之间的时间依赖性来提高性能。提出了两种端到端的结构:传统的卷积神经网络和结合递归层的卷积神经网络的扩展设计。这些模型使用来自模拟城市环境的专家驾驶数据进行训练,并通过其在看不见的模拟环境中的驾驶性能进行评估。本文的结果表明,端到端系统可以在简单的城市环境中自主运行。此外,它被发现,在随后的图像中的时间信息的开发提高了系统的能力,判断运动和距离。
2019-05-16 cs.AI cs.RO
Mem4Nav: Boosting Vision-and-Language Navigation in Urban Environments with a Hierarchical Spatial-Cognition Long-Short Memory System
提出Mem4Nav分层空间认知长短期记忆系统,通过融合稀疏八叉树与语义拓扑图并引入可逆Transformer记忆机制,显著提升城市VLN任务性能。
2025-10-10 cs.AI cs.CL cs.CV
GeoNav: Empowering MLLMs with dual-scale geospatial reasoning for language-goal aerial navigation
College of Systems Engineering, National University of Defense Technology(系统工程学院,国防科技大学);State Key Laboratory of Digital Intelligent Modeling and Simulation(数字智能建模与仿真国家重点实验室);BNRist, Tsinghua University(清华大学BNRist)
GeoNav通过双尺度地理推理赋能大语言模型,实现语言目标的空中导航,提升城市场景下的导航成功率和精度。
2026-03-08 cs.RO
Collaborative Dynamic 3D Scene Graphs for Open-Vocabulary Urban Scene Understanding
University of Freiburg(弗莱堡大学)
本文提出CURB-OSG,一种通过多智能体协作融合相机与LiDAR观测的开放词汇动态3D场景图引擎,在未知初始位姿条件下实现更准确的城市场景建图与语义层次构建,并在真实数据集上验证了其有效性。
2025-03-11 cs.RO
An LLM-Powered Cooperative Framework for Large-Scale Multi-Vehicle Navigation
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
提出CityNav,一个LLM驱动的分层合作框架,通过全局分配与局部导航智能体及双重奖励机制,在大规模城市路网中实现多车导航,优于九种基线方法。
2025-10-09 cs.AI
The Urban Last Mile Problem: Autonomous Drone Delivery to Your Balcony
Computer Engineering and Networks Laboratory(计算机工程与网络实验室)
本文提出了一种基于商用无人机的城市最后一公里自主送货方法,通过GPS定位和视觉导航实现对阳台或门廊等非集中地点的精准配送,并开源代码以促进未来研究。
2018-09-21 cs.RO cs.SY eess.SY
HTNav: A Hybrid Navigation Framework with Tiered Structure for Urban Aerial Vision-and-Language Navigation
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Key Laboratory of Brain-Machine Intelligence Technology, Ministry of Education(教育部脑机智能技术重点实验室)
本文提出HTNav框架,结合模仿学习与强化学习,通过分层决策机制提升复杂城市环境中的导航精度与鲁棒性。
2026-04-10 cs.AI cs.RO
Allo-centric Occupancy Grid Prediction for Urban Traffic Scene Using Video Prediction Networks
Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Inria(法国国家信息与自动化研究所)
动态环境预测对自主车辆的安全导航至关重要。由于各种动态代理(如车辆和弱势道路使用者)之间的复杂交互,城市交通场景的预测特别具有挑战性。先前的方法已经使用自我中心的占用网格地图来表示和预测动态环境。然而,这些预测遭受模糊,场景结构的损失,并在较长的预测范围内消失的代理。在这项工作中,我们提出了一个新的框架,使长期的预测,代表交通场景在一个固定的框架,称为allo为中心的占用网格。这允许静态场景保持固定,并像其他代理一样在网格上表示自我车辆的运动。我们研究了不同视频预测网络的异中心网格预测,并在真实世界的Nuscenes数据集上验证了该方法。结果表明,与传统的以自我为中心的网格方法相比,以自我为中心的网格表示显着提高了场景预测。
2023-01-11 cs.AI cs.CV cs.RO
Cooperative UWB-Based Localization for Outdoors Positioning and Navigation of UAVs aided by Ground Robots
University of Turku(图尔库大学)
随着对航空数据的需求不断增加,无人机(UAV)变得越来越普遍。在许多工业应用中,精确的数据汇集所需的精确导航和定位通常依赖于RTK GNSS。这些系统能够达到厘米级精度,需要设置和校准过程,并且相对昂贵。研究了无人机协同定位的精确定位与导航问题。安装在无人机和支持地面机器人上的廉价超宽带(UWB)收发器可以实现厘米级的相对定位。该系统具有快速部署和广泛的设置灵活性,能够适应不同的环境,也可以在拒绝GNSS的环境中使用。通过广泛的模拟和测试场,我们评估了系统的准确性,并将其与多路径传输降低准确性的城市环境中的GNSS进行比较。为了完整性,我们在实验中包括视觉惯性测距和比较的性能与UWB为基础的合作定位。
2021-04-01 cs.RO
Autonomous UAV Navigation: A DDPG-based Deep Reinforcement Learning Approach
Stevens Institute of Technology(斯蒂文斯理工学院);University of Carthage(迦太基大学)
在本文中,我们提出了一个自主无人机路径规划框架,使用深度强化学习方法。其目标是采用一个自我训练的无人机作为一个飞行的移动单元,以达到空间分布的移动或静态目标在一个给定的三维城市区域。在该方法中,设计了一个具有连续动作空间的深度确定性策略梯度(DDPG)来训练无人机穿越障碍物到达指定目标。设计了一个自定义的奖励函数,以最小化无人机与其目的地之间的距离,同时惩罚碰撞。数值模拟研究了无人机在学习环境和自主确定不同选定场景的轨迹方面的行为。
2020-03-21 cs.AI cs.LG cs.RO
Tightly Joined Positioning and Control Model for Unmanned Aerial Vehicles Based on Factor Graph Optimization
Polytechnic University, Hong Kong(香港理工大学)
针对无人机定位与控制解耦导致导航可靠性下降的问题,提出基于因子图优化的紧耦合定位与控制模型,将定位测量和模型预测控制统一建模为因子图因子,并通过仿真验证其有效性和鲁棒性。
2024-12-27 cs.RO
Semantic navigation with domain knowledge
École de Technologie Supérieure(高等技术学院);École Polytechnique de Montréal(蒙特利尔工程学院)
移动机器人系统的几个部署位置是人为的(即城市消防员、建筑物检查、财产安全),并且管理者可以访问关于该位置的特定于领域的知识,这可以提供语义上下文信息,从而允许更好的推理和决策。在本文中,我们提出了一个系统,允许移动机器人操作的位置感知和操作员友好的方式,利用语义信息的部署位置和集成到机器人的定位和导航系统。我们将建筑信息模型(BIM)集成到机器人操作系统(ROS)中,以生成拓扑和度量地图,并将其馈送到分层路径规划器(全局和局部)。地图合并算法将新发现的障碍物整合到度量地图中,而基于UWB的定位系统检测要注册回语义数据库的设备。这些结果在建筑物和建筑工地的模拟和现实部署中得到了验证。
2021-06-18 cs.RO
CitySim: Modeling Urban Behaviors and City Dynamics with Large-Scale LLM-Driven Agent Simulation
Woven by Toyota(丰田织造)
提出基于大型语言模型的城市模拟器 CitySim,采用递归价值驱动方法生成日程,赋予智能体信念、长期目标与空间记忆,在微观和宏观层面更贴近真实人类,为理解与预测城市现象提供可扩展且灵活的试验台。
2025-06-26 cs.AI cs.CL
History-Enhanced Two-Stage Transformer for Aerial Vision-and-Language Navigation
本文提出HETT框架,通过粗到细的导航流程整合全局环境推理与局部场景理解,提升无人机在大规模城市环境中基于语言指令的导航性能。
2025-12-17 cs.CV cs.RO
PreAct-Nav: Agentic Reasoning Before Action for Urban Navigation
Shanghai Jiao Tong University(上海交通大学);Beihang University(北京航空航天大学);The Hong Kong University of Science and Technology(香港科技大学);Tsinghua University(清华大学);University of Cambridge(剑桥大学);Intelligent Game and Decision Lab (IGDL)(智能博弈与决策实验室)
PreAct-Nav提出了一种智能体导航框架,通过记忆模块和预测性世界沙盒,在行动前进行推理,将远期目标转化为中期子目标,从而提升城市导航中的行动选择,尤其在长路线和转弯多的路线上效果显著。
2026-10-06 cs.AI cs.RO
Exposing the Long-tail in Embodied Urban Navigation via Scalable Learning from In-the-Wild Videos
该研究提出可扩展框架,从网络规模野外 egocentric 视频学习点目标城市导航策略,自动注释视频并训练视觉-语言-动作策略,表征并诊断导航长尾分布与失败模式,验证了知识迁移效果并揭示长尾结构。
2026-08-18 cs.RO
UrbanVLA: A Vision-Language-Action Model for Urban Micromobility
Peking University(北京大学);Galbot;USTC(中国科学技术大学);BAAI(阿里巴巴人工智能研究院)
UrbanVLA提出一种路线条件视觉-语言-动作框架,通过两阶段训练(SFT与RFT)对齐路线路点与视觉观测,实现城市微移动导航,在MetaUrban SocialNav任务上超越基线55%以上,并具备现实世界可靠性。
2026-10-02 cs.AI cs.CV cs.RO
Estimation and Navigation Methods with Limited Information for Autonomous Urban Driving
Cornell University(康奈尔大学)
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差,全球定位信息(例如GPS信号)可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据,对该数据进行大量的后处理以获得地图,然后随着环境的变化而在地图上保持更新。本论文通过研究算法和架构来解决城市环境中的自动驾驶问题,从而在有限的信息下实现全功能的自动驾驶。
2021-08-11 cs.RO
UrbanNav: Learning Language-Guided Urban Navigation from Web-Scale Human Trajectories
UrbanNav通过大规模网络视频数据训练具身智能体,实现基于语言指令的复杂城市导航,展示了在多样城市场景中的高效导航能力。
2026-01-15 cs.CV cs.RO
Autonomous Urban Localization and Navigation with Limited Information
Cornell University(康奈尔大学)
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差,全球定位信息(例如GPS信号)可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据,对该数据进行大量的后处理以获得地图,然后随着环境的变化而在地图上保持更新。本文通过研究算法和架构来解决城市环境中的自动驾驶问题,从而在有限的信息下实现全功能自动驾驶。开发了一种在很少或不依赖先验地图或GPS的情况下自主导航城市道路的算法。定位是用一个扩展的卡尔曼滤波器与里程计,罗盘,和稀疏的地标测量更新。导航是由基于罗盘的导航控制律。蒙特卡洛研究的关键结果显示了不同环境条件下城市导航的成功率。实验验证了模拟结果,并表明,对于给定的测试条件下,可以找到一个预期的范围内给定的成功率。
2018-10-09 cs.RO
Certifying Emergency Landing for Safe Urban UAV
Université Toulouse(图卢兹大学);LAAS-CNRS(法国国家科学研究中心系统分析与架构实验室);ONERA Toulouse(法国国家航空航天研究院图卢兹分院)
无人机(UAV)具有在城市环境中用于许多应用的潜力。然而,允许无人机在人口稠密地区上空飞行引起了人们对安全的担忧。其中一个主要的安全问题是可能导致导航能力丧失,这可能导致无人机在危险区域(如繁忙的道路)坠落/着陆,在那里可能导致致命事故。现行标准(如2019年发布的Sora)未考虑处理此类危险情况的适用缓解技术。因此,认证无人机城市运行意味着证明非常高的完整性水平,这导致了高昂的开发成本。为了解决这个问题,本文探讨了紧急着陆(EL)的概念。对城市无人机案例研究进行了安全性分析,并提出了要求,使EL作为一个可接受的缓解手段在Sora的集成。基于这些要求,EL实现开发,连同一个运行时监控架构,以提高系统的信心。初步的定性结果和显示器似乎能够有效地检测EL系统的错误。
2021-04-30 cs.CV cs.RO
UrbanV2X: A Multisensory Vehicle-Infrastructure Dataset for Cooperative Navigation in Urban Areas
Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University(航空与航空工程系,香港理工大学);Hong Kong Applied Science and Technology Research Institute (ASTRI)(香港应用科学和技术研究院);Nanyang Technological University(南洋理工大学)
UrbanV2X数据集通过多感官数据支持城市区域的协同导航研究,包含车辆和基础设施的同步传感器数据及算法评估
2025-12-23 cs.RO
Navigation In Urban Environments Amongst Pedestrians Using Multi-Objective Deep Reinforcement Learning
Univ. Grenoble Alpes(格勒诺布尔大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔理工学院);LIG(信息与信号处理实验室)
在行人作为弱势道路使用者存在的情况下,城市自动驾驶仍然是一个具有挑战性且较少研究的问题。这项工作制定了在城市环境中的导航作为一个多目标的强化学习问题。一个深度学习变体的阈值字典Q学习的行人之间的自主导航。多目标DQN代理在CARLA模拟器中开发的自定义城市环境上进行训练。所提出的方法进行评估,通过比较它与一个单一的目标DQN变量在已知和未知的环境。评估结果表明,该方法优于单目标DQN变种的各个方面。
2021-10-11 cs.RO stat.ML
SidewalkBench: Benchmarking Visual Navigation on Urban Sidewalks
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Coco Robotics
针对城市人行道视觉导航缺乏统一基准的问题,提出SidewalkBench,基于NVIDIA Isaac Sim构建高保真仿真环境,评估9种模型,发现行人交互和长距离鲁棒性是关键瓶颈。
2026-10-19 cs.RO
Comparative Analysis of UAV Path Planning Algorithms for Efficient Navigation in Urban 3D Environments
dept. of Economics Oran2 Mohamed BenAhmed University(经济系 Oran2 摩洛哥贝 Ahmed 大学)
针对无人机路径规划与避障挑战,对比分析A*、RRT*和粒子群优化(PSO)算法在3D城市环境中的表现,发现A*在计算效率和路径质量最优,PSO适用于急转密集环境,RRT*表现均衡。
2025-08-26 cs.AI cs.RO
CityWalker: Learning Embodied Urban Navigation from Web-Scale Videos
New York University(纽约大学)
本文提出CityWalker,利用网络视频数据训练具身智能体进行城市导航,通过可扩展数据处理提取动作监督,实现大规模模仿学习,显著提升导航性能。
2025-04-22 cs.CV cs.RO
AURA: Multimodal Shared Autonomy for Real-World Urban Navigation
University of California, Los Angeles(加州大学洛杉矶分校);Zhejiang University(浙江大学)
AURA通过将城市导航分解为高层人类指令和低层AI控制,减少人工操作负担,提升导航稳定性,并在真实世界中实现44%的接管减少。
2026-04-02 cs.RO
The Robotability Score: Enabling Harmonious Robot Navigation on Urban Streets
Cornell University(康奈尔大学);Cornell Tech(康奈尔科技校区);Jacobs Technion-Cornell Institute(雅各布斯以色列理工-康奈尔学院)
本文提出机器人适应性评分($R$)量化城市环境对自主机器人导航的适用性,通过专家调研确定关键因素并在纽约市验证,为和谐人机环境提供评估框架。
2025-04-15 cs.HC cs.RO
Autonomous social robot navigation in unknown urban environments using semantic segmentation
Monash University(莫纳什大学)
对于在城市环境中导航的自主机器人,重要的是机器人保持在指定的行进路径上(即,人行道),并避免区域,如草地和花园床,为安全和社会的一致性考虑。提出了一种结合语义分割和LiDAR数据的城市未知环境自主导航方法。所提出的方法使用分割的图像掩模来创建环境的3D障碍图,从该障碍图中计算人行道的边界。与现有方法相比,我们的方法不需要预先构建的地图,并提供了对安全旅行区域的3D理解,使机器人能够规划通过人行道的任何路径。将我们的方法与仅使用LiDAR或仅使用语义分割的两种替代方案进行比较的实验表明,总体而言,我们提出的方法在室外的成功率超过91%,室内的成功率超过66%。我们的方法使机器人能够始终保持在安全的行驶路径上,并减少了碰撞次数。
2022-09-12 cs.RO
UrbanFly: Uncertainty-Aware Planning for Navigation Amongst High-Rises with Monocular Visual-Inertial SLAM Maps
IIIT Hyderabad(国际信息技术研究所海得拉巴分校);University of Tartu(塔尔图大学)
我们提出了UrbanFly:一个不确定性感知的实时规划框架,用于城市高层环境中的四旋翼导航。UrbanFly的一个核心方面是它能够直接在单目视觉惯性SLAM(VINS)后端生成的稀疏点云上进行鲁棒规划。它通过使用稀疏点云来实现这一点,通过数据驱动的单目平面分割网络来构建环境的不确定性集成立方体表示。我们选择的世界模型提供了比更常见的体素网格表示更快的距离查询,UrbanFly以两种不同的方式利用这种能力,从而产生两个轨迹优化器。第一个优化器使用无梯度交叉熵方法来计算最小化碰撞概率和平滑成本的轨迹。我们的第二个优化器是第一个优化器的简化版本,并使用顺序凸规划优化器初始化的基础上随机绘制的轨迹的概率安全估计。我们的两个轨迹优化器都是通过将碰撞违规的分布嵌入再生核希尔伯特空间来实现的,并且在计算上易于处理,并且独立于潜在的不确定性的性质。在算法创新的推动下,UrbanFly在碰撞率、轨迹长度等指标上优于竞争对手,在一个高保真的AirSim模拟器上,用合成和真实世界的数据集场景进行增强。
2022-10-03 cs.RO
Deep urban unaided precise Global Navigation Satellite System vehicle positioning
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文介绍了最彻底的研究,到目前为止,车载载波相位差分GNSS(CDGNSS)定位性能在一个深城市设置辅助互补传感器。使用在德克萨斯州奥斯汀市密集的城市中心及其周围行驶约2小时期间捕获的数据,CDGNSS系统被证明可以实现17厘米精度的3D城市定位(95%的概率),解决方案可用性大于87%。这些结果是在没有惯性、电光或里程计传感器的任何帮助下实现的。基于GNSS的独立精确定位系统的开发和评估是实现将精确的GNSS、视觉、雷达和惯性传感相结合,为自动化和互联车辆提供全天候高完整性、高绝对精度定位的总体目标的关键里程碑。本文描述和评估的系统由密集间隔的参考网络、软件定义的GNSS接收器和实时动态(RTK)定位引擎组成。性能敏感性分析表明,导航数据wipeoff全调制GNSS信号和密集的参考网络是高性能的城市RTK定位的关键。与现有的城市全球导航卫星系统处理的无辅助系统的比较表明,拟议的系统具有显着更高的可用性或准确性。
2020-06-15 cs.RO eess.SP
Proactive Risk Navigation System for Real-World Urban Intersections
Honda Research Institute (HRI) Europe(本田欧洲研究院(HRI Europe));Eindhoven University of Technology (TU/e)(埃因霍温理工大学(TU/e))
我们考虑通过复杂的交通智能导航的问题。城市的情况是由基本的地图结构和特殊的监管对象,如停车线或人行横道定义的。因此,动态车辆(汽车,自行车等)继续前进,同时努力降低事故风险。特别是在交叉口,交通要素的组合和相互作用是多样化的,人类驾驶员需要关注对其行为至关重要的特定要素。为了支持分析,我们在本文中提出了所谓的风险导航系统(RNS)。RNS利用基于图形的本地动态地图和Time-To-X指示符来提取即将出现的急转弯、交叉区域和可能的车辆与物体碰撞点。在真实的汽车记录中,为避免风险而推荐的速度曲线在2D环境中可视化。通过专注于不仅传达位置关系而且传达时间关系,RNS潜在地有助于增强用户的意识和预测能力。
2023-03-14 cs.RO
Vid2Sim: Realistic and Interactive Simulation from Video for Urban Navigation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
针对机器人学习的仿真到现实差距问题,提出Vid2Sim框架,通过单目视频生成可交互的真实3D仿真环境,显著提升城市导航成功率。
2025-01-14 cs.CV cs.RO
Conditional Vehicle Trajectories Prediction in CARLA Urban Environment
Valeo Driving Assistance Research(法雷奥驾驶辅助研究)
模仿学习对于自动驾驶来说越来越成功。端到端(原始信号到命令)在相对简单的任务(车道保持和导航)上表现良好。中到中(环境抽象到中级轨迹表示)或直接感知(原始信号到性能)方法致力于处理更复杂的现实生活环境和任务(例如复杂的交叉路口)。在这项工作中,我们表明,复杂的城市情况下,可以处理原始信号输入和中级表示。我们建立了一个混合端到中间的方法预测轨迹的邻居车辆和自我车辆的条件导航目标。我们提出了一个受社会池LSTM启发的原始架构,将低层和中层数据作为输入,并将轨迹作为时间的多项式。我们引入了一个标签增强机制,以获得控制车辆所需的泛化水平。在CARLA 0.8基准上评估了性能,显示出比先前公布的最新技术水平有显著改进。
2019-09-02 cs.AI cs.RO
Landmark-based Distributed Topological Mapping and Navigation in GPS-denied Urban Environments Using Teams of Low-cost Robots
Lehigh University(理海大学)
在本文中,我们解决的问题,自主多机器人映射,探索和导航在未知的,GPS拒绝室内或城市环境中使用的机器人群配备有有限的传感能力和有限的计算资源的方向传感器。机器人没有环境的先验知识,并且需要使用现有地标以分布式方式快速探索和构建地图,可以使用机载传感器检测地标的存在,尽管几乎没有度量信息(到地标的距离或方位)可用。为了正确和有效地实现这一点,通过城市/室内环境的设计来确保地标的必要密度/分布的存在。因此,我们分两个阶段来解决这个问题:1)在城市/室内环境的设计/建造过程中,我们可以确保在环境中放置足够的地标。为此,我们开发了一种基于过滤的方法来设计环境中地标的战略位置。2)我们开发了一种分布式算法,使用该算法的机器人团队,没有先验知识的环境,可以探索这样的环境,构建一个拓扑地图,不需要度量/距离信息,并使用该地图在环境中导航。这是使用环境的拓扑表示(称为地标复合体)来实现的,而不是构建完整的度量/像素图。该表示由机器人构建,并通过探索和利用之间的平衡被机器人用于导航。我们使用同源性理论的工具来识别未知环境的覆盖/探索中的"洞",从而引导机器人实现对环境的完整探索和映射。
2021-03-05 cs.RO
Near-Driven Autonomous Rover Navigation in Complex Environments: Extensions to Urban Search-and-Rescue and Industrial Inspection
Cambridge University Press(剑桥大学出版社)
本文提出基于NEAT的扩展神经进化方法,在复杂环境中实现自主机器人导航,实验显示成功率约80%且结构适应性优于深度强化学习,适用于消防、城市搜索救援和工业巡检等任务。
2025-04-11 cs.LG cs.NE cs.RO
Optimization-Based Outlier Accommodation for Tightly Coupled RTK-Aided Inertial Navigation Systems in Urban Environments
College of Engineering Center for Environmental Research and Technology(工程学院环境研究与技术中心)
针对城市 GNSS 载波相位异常与整数模糊度问题,提出紧耦合 RTK/INS 的 RAPS 优化测量选择框架,并在深度城市数据上验证其精度优于 SAE 要求且较传统方法提升 10%。
2024-09-20 cs.RO cs.SY eess.SY
Learning Obstacle Avoidance using Double DQN for Quadcopter Navigation
Worcester Polytechnic Institute(沃斯特理工学院)
本文提出使用双DQN算法,通过深度相机实现四旋翼机器人在模拟城市环境中的避障导航学习。
2025-12-14 cs.RO