FLYINGTRUST: A Benchmark for Quadrotor Navigation Across Scenarios and Vehicles
School of Electronics and Communication Enginnering, Sun Yet-sen University, Shenzhen, China（电子与通信工程学院，孙逸森大学，深圳，中国）；Tianwei Xunda (Hunan) Technology Co., Ltd., Hunan, China（天威湘电（湖南）科技有限公司，湖南，中国）
用于四旋翼的视觉导航算法在跨不同的车辆平台和场景几何形状传输时通常表现出很大的性能变化，这增加了现场部署的成本和风险。为了支持系统的早期评估，我们引入了FLYINGTRUST，一个高保真，可配置的基准框架，测量平台Kinodynamics和场景结构如何共同影响导航的鲁棒性。FLYINGTRUST通过两个紧凑的、物理上可解释的指标对车辆性能进行建模：最大推重比和轴向最大角加速度。该基准将不同的场景库与一组异构的真实和虚拟平台配对，并规定了一个标准化的评估协议以及一个综合评分方法，该方法平衡了场景重要性、平台重要性和性能稳定性。我们使用FLYINGTRUST在相同条件下比较代表性的基于优化和基于学习的导航方法，对每个平台场景组合进行重复试验，并报告不确定性感知指标。结果揭示了系统的模式：导航的成功取决于平台的能力和场景的几何形状，不同的算法表现出不同的偏好和故障模式的评估条件。这些观察结果突出了将平台能力和场景结构纳入算法设计、评估和选择的实际必要性，并且它们激励了在不同平台和场景中保持稳健的方法的未来工作。
2025-10-30 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
Socially Aware Crowd Navigation with Multimodal Pedestrian Trajectory Prediction for Autonomous Vehicles
Australian Centre for Field Robotics（澳大利亚野外机器人学中心）；University of Sydney（悉尼大学）
在拥挤的行人环境中无障碍地操作自动驾驶车辆是一项非常具有挑战性的任务。这是因为在这样的环境中，人类的运动和互动很难预测。最近的研究表明，基于强化学习的方法有能力在人群中学习驾驶。然而，由于人体运动预测具有较大的方差，这些方法可能由于对行人的未来状态的不准确预测而具有非常差的性能。为了克服这个问题，我们提出了一种新的方法，SARL-SGAN-KCE，它结合了一个深层次的社会意识的关注价值网络与人类多模态轨迹预测模型，以帮助确定最佳的驾驶策略。我们还介绍了一种新的技术，以最小的额外的计算需求来扩展离散动作空间。还考虑了飞行器的运动学约束，以确保平稳和安全的轨迹。我们评估我们的方法对人群导航的最先进的方法，并提供消融研究，以表明我们的方法是更安全，更接近人类的行为。
2020-11-23 cs.RO
Local Minima Prediction using Dynamic Bayesian Filtering for UGV Navigation in Unstructured Environments
Robotics（机器人学）；Electrical Engineering and Computer Science（电气工程与计算机科学）；School of Information（信息学院）；Mechanical Engineering（机械工程）
针对非结构化环境下UGV因依赖过时全局视图与局部信息易陷入局部极小值的问题，提出基于动态贝叶斯滤波的局部极小值主动预测方法，助力车辆提前规避风险或求助、重规划，提升自主导航能力。
2025-05-20 cs.RO
Utilizing Navigation Paths to Generate Target Points for Enhanced End-to-End Autonomous Driving Planning
University of Science and Technology of China（中国科学技术大学）
针对现有端到端自动驾驶框架忽略行驶意图学习的问题，本文提出NTT方法，基于导航路径生成目标点再生成规划轨迹，在nuScenes数据集上取得优异规划性能。
2024-08-12 cs.RO
Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement Learning: A Systematic Review
Western University（韦仕敦大学）
在不同的应用中，例如包裹递送、交通监控、搜索和救援行动以及军事战斗中，对使用无人驾驶飞行器（UAV）（被称为无人机）的需求越来越大。在所有这些应用中，无人机都用于自主导航环境-无需人工干预，执行特定任务并避开障碍物。无人机自主导航通常使用强化学习（RL）来实现，其中代理作为某个领域的专家来导航环境，同时避开障碍物。了解导航环境和算法的局限性在选择合适的RL算法有效地解决导航问题中起着至关重要的作用。因此，本研究首先确定了主要的无人机导航任务，并讨论了导航框架和仿真软件。然后，根据无人机导航问题的环境、算法特点、能力和应用，对强化学习算法进行了分类和讨论，为实践者和研究者选择适合无人机导航应用的强化学习算法提供参考。此外，已确定的差距和机会将推动无人机导航研究。
2022-08-25 cs.AI cs.RO
AINS: Affordable Indoor Navigation Solution via Line Color Identification Using Mono-Camera for Autonomous Vehicles
Sukkur IBA University（苏库尔IBA大学）；IBA Community College, Naushahro Feroze（IBA社区学院（瑙谢罗费罗兹））；University of Genova（热那亚大学）；Kathir College of Engineering（卡蒂尔工程学院）
针对室内GPS精度低且现有方案部署成本高的问题，提出基于单目相机的低成本室内导航方法AINS，通过颜色识别路径，实验证明其误差更小、耗时更短。
2024-02-07 cs.CV cs.RO
A Comprehensive Survey of PID and Pure Pursuit Control Algorithms for Autonomous Vehicle Navigation
K.J. Somaiya College Of Engineering（K.J.索迈亚工程学院）
本文是面向自动驾驶导航的PID与纯追踪控制算法综合综述，梳理了两类基础控制算法的原理、应用及发展潜力，为相关研究者与从业者提供参考。
2024-09-15 cs.RO
B-GAP: Behavior-Rich Simulation and Navigation for Autonomous Driving
University of Maryland（马里兰大学）
我们解决的问题，自我车辆导航密集的模拟交通环境中的道路代理与不同的驾驶员行为。在这样的环境中导航是具有挑战性的，由于不可预测性的代理人的行动所造成的异构行为。我们提出了一种新的模拟技术，包括丰富现有的交通模拟器与行为丰富的轨迹对应不同程度的侵略性。我们生成这些轨迹的帮助下，驾驶员行为建模算法。然后，我们使用丰富的模拟器来训练深度强化学习（DRL）策略，该策略由一组高级车辆控制命令组成，并在测试时使用该策略在密集交通中执行本地导航。我们的政策隐式地模拟交通代理之间的相互作用，并计算安全的轨迹为自我车辆会计侵略性的驾驶员操作，如超车，超速，编织，和突然变道。我们增强的行为丰富的模拟器可用于生成由对应于不同驾驶员行为和交通密度的轨迹组成的数据集，并且我们基于行为的导航方案可以与最先进的导航算法相结合。
2022-02-13 cs.RO
Vision-based Navigation of Unmanned Aerial Vehicles in Orchards: An Imitation Learning Approach
Department of Biological and Agricultural Engineering, University of California, Davis, Davis, CA, USA（生物与农业工程系，加州大学戴维斯分校）；Department of Mechanical and Aerospace Engineering, University of California, Davis, Davis, CA, USA（机械与航空航天工程系，加州大学戴维斯分校）
针对果园中GPS缺失和障碍物环境下的无人机导航难题，提出基于变分自编码器的模仿学习控制器，经少量训练即可实现自主视觉导航，具备强避障能力和良好泛化性，助力精准农业。
2025-08-04 cs.RO
Safe Local Navigation for Ackermann-Steered Robots in Unmapped Environments
McMaster University（麦克马斯特大学）
提出一种控制框架，通过局部障碍物检测确定最安全航向角，构建边界线并优化车辆-障碍物间距，实现阿克曼转向机器人在无全局目标环境中的安全局部导航。
2026-06-19 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
Spiking Neural Network Actor-Critic Proximal Policy Optimization Control for Autonomous UAV Navigation Through Constrained Openings in Civil Infrastructure and Buildings
Alma Mater Europaea University（欧洲阿尔马马特大学）；AGH University of Krakow（克拉科夫AGH科技大学）
本文提出基于脉冲神经网络的近端策略优化算法，用于无人机在受限环境中自主导航，通过Actor-Critic与高斯策略结合，实现63.77%成功率并后期超90%。
2026-09-22 cs.AI cs.RO
Navigation of a Self-Driving Vehicle Using One Fiducial Marker
York University（约克大学）
导航只使用一个标记，其中包含四个人工功能，是一个具有挑战性的任务，因为相机姿态估计只使用四个共面点遭受旋转模糊问题，在现实世界中的应用。本文提出了一种基于视觉的导航框架，自动驾驶车辆配备了多个摄像头和一个车轮里程表。一个多摄像机设置的摄像机集群，具有360度的视野，使我们的框架只需要一个平面标记。提出了一种基于卡尔曼滤波的多摄像机与车轮测距融合方法。在此基础上，提出了一种利用卡尔曼滤波器的预测值作为附加信息来解决旋转模糊问题的算法。最后给出了横、纵向控制器。实验结果表明了该理论的有效性。
2021-08-22 cs.RO eess.IV
GHNet:Learning GNSS Heading from Velocity Measurements
University of Haifa（海法大学）
本文提出深度学习框架GHNet，利用GNSS速度测量在低速条件下准确回归车辆航向角，并在仿真与实验数据上验证其优于传统基于模型的方法。
2023-09-18 cs.RO
Soft Constrained Autonomous Vehicle Navigation using Gaussian Processes and Instance Segmentation
Federal University of Lavras（拉夫拉斯联邦大学）；University of Waterloo（滑铁卢大学）；University of Alberta（阿尔伯塔大学）
本文提出了一种通用的基于特征的自主车辆导航框架，使用软约束粒子滤波器。选定的地图功能，如道路和地标位置，以及车辆状态用于设计软约束。在从单目相机获取的基于实例的分割图像中获得映射地标的特征之后，使用高斯过程回归（GPR）模型以混合专家模型的方法预测车辆到地标的距离。GPR模型的均值和方差输出用于实现自适应约束。实验结果证实，使用图像分割功能，提高了车辆到地标的距离预测显着，和建议的软约束方法可靠地定位车辆，即使减少了地标和噪声观测的数量。
2021-01-18 cs.RO cs.SY eess.SY
Infrastructure Node-based Vehicle Localization for Autonomous Driving
GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）；Ford Autonomous Vehicles LLC（福特自动驾驶汽车有限责任公司）
车辆定位对于自动驾驶汽车（AV）导航和高级驾驶员辅助系统（ADAS）至关重要。精确的车辆定位通常通过昂贵的惯性导航系统或通过采用计算密集型视觉处理（LiDAR/相机）来增强低成本和噪声的惯性传感器来实现。在这里，我们已经开发了一个框架，用于将从智能基础设施节点（ix节点）获得的信息与自动驾驶汽车车载定位引擎融合，以估计即使使用廉价的惯性传感器也能实现自我车辆的鲁棒和准确姿态。智能ix节点通常用于增强自动驾驶车辆的感知能力，特别是当自动驾驶车辆的车载感知传感器被环境中的动态和静态物体阻挡从而使其无效时。在这项工作中，我们利用这种感知输出从一个ix节点，以增加AV的定位精度。IX节点感知输出与车辆低成本惯性传感器的融合使我们能够执行可靠的车辆定位，而无需依赖昂贵的惯性导航系统或AV上的计算密集型视觉处理。所提出的方法已在密歇根州安娜堡的测试轨道上收集的真实数据集上进行了测试。实验结果的详细分析表明，将ix节点的数据提高定位性能。
2021-09-21 cs.RO
Neuromodulated Patience for Robot and Self-Driving Vehicle Navigation
University of California, Irvine（加州大学欧文分校）
机器人和自动驾驶汽车在现实环境中导航时面临着许多挑战。在动态环境中成功导航需要对子任务进行优先级排序并监控资源。动物也受到类似的限制。研究表明，神经调节剂5-羟色胺调节动物的冲动和耐心。在本论文中，我们的灵感来自于能量系统，并将其应用到机器人导航的任务。在一组户外实验中，我们展示了改变耐心水平如何影响机器人搜索所需位置的时间。为了在GPS受损的环境中导航，我们引入了一个深度强化学习范例，在这个范例中，机器人学会了跟随人行道。这可以进一步调节平滑的长路线和粗糙的较短路线之间的折衷。使用耐心作为参数可能对时间压力下的自治系统有益。
2019-09-14 cs.AI 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
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
Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios
Zhejiang University（浙江大学）；Zhejiang University of Technology（浙江工业大学）；Ningbo Innnovation Center, Zhejiang University（浙江大学宁波创新中心）
针对GNSS拒止环境下无人机导航的飞行偏差问题，提出角度鲁棒导航范式及含三个模块的模型，并构建数据集和模拟测试平台，在理想和扰动条件下到达成功率分别提升26.0%和45.6%。
2024-02-04 cs.CV cs.RO
Accurate indoor mapping using an autonomous unmanned aerial vehicle (UAV)
University of Melbourne（墨尔本大学）；Metropolitan Fire Brigade（大都会消防局）
自主室内飞行器需要可靠的同时定位和地图绘制（SLAM）、精确的飞行控制和鲁棒的导航路径规划。本文提出了一个系统级的组合，这些现有的二维导航技术。一种名为URSA（无人侦察和安全飞机）的无人机（UAV）可以自主飞行并以2 cm的精度绘制室内环境。在室内环境中的性能进行了评估的绘图和导航精度。
2018-07-31 cs.RO eess.IV
High Precision Indoor Navigation for Autonomous Vehicles
Technische Hochschule Ingolstadt（因戈尔施塔特应用技术大学）；GeneSys Elektronik GmbH（GeneSys电子有限公司）；University of Castilla-La Mancha（卡斯蒂利亚-拉曼恰大学）
自动驾驶是汽车行业的重要趋势。为了开发和测试自动驾驶汽车的功能，对这一目标的持续研究需要在所有情况下精确的参考车辆状态估计。然而，即使当从即将到来的技术（如L5 GPS频带）期望车道精确定位时，在有屋顶的区域中的精确定位的问题，例如，在一个实施例中，隧道或公园房屋，仍然需要解决。本文提出了一种新的参考车辆状态估计方法。该程序包括三个主要部分。第一，纯粹基于来自惯性测量单元的信号的鲁棒静止检测。第二，通过统计滤波的车辆状态估计。第三，基于LiDAR的高精度定位方法，其提供速度、位置和定向校正数据，平均误差分别为0.1 m/s、4.7 cm和1 $^\circ$。在CPU上的测试表明了实时实现的可能性。
2020-05-14 cs.RO eess.SP
Enhancing Track Management Systems with Vehicle-To-Vehicle Enabled Sensor Fusion
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
本文提出一种基于V2V通信的航迹管理系统，通过融合雷达与摄像头传感器检测并验证V2V信号创建优先航迹列表，有效对抗信号伪造，提升了自动驾驶车辆在遮挡场景下的感知准确性与鲁棒性。
2024-04-26 cs.CV cs.RO
Cell A* for Navigation of Unmanned Aerial Vehicles in Partially-known Environments
Clemson University（克莱姆森大学）
正确的路径规划是移动机器人实现鲁棒、高效自主导航的第一步。同时，在没有完全先验信息的复杂环境下，机器人的工作仍然具有挑战性。本文提出了一种扩展的A* 搜索算法及其变种，使路径规划稳定，计算负担较少，同时处理长距离任务。实现的算法是能够在线搜索一个无碰撞和平滑的路径时，前往定义的目标位置。本文将该算法部署在自主无人机平台上，并在遥控小车上实现，验证算法的有效性。
2020-09-16 cs.RO cs.SY eess.SY
Depth-CUPRL: Depth-Imaged Contrastive Unsupervised Prioritized Representations in Reinforcement Learning for Mapless Navigation of Unmanned Aerial Vehicles
Universidade Federal do Rio Grande - FURG（里奥格兰德联邦大学（FURG））；Universidade Federal de Santa Maria - UFSM（圣玛丽亚联邦大学（UFSM））；Technological University of Uruguay（乌拉圭技术大学）
强化学习（RL）通过原始像素成像和连续控制任务在视频游戏中表现出令人印象深刻的性能。然而，RL在高维观测（如原始像素图像）方面表现不佳。人们普遍认为，基于物理状态的RL策略（如激光传感器测量）比像素学习更有效。本文提出了一种从深度图估计中提取信息的新方法，用于训练强化学习智能体实现无人机的无地图导航。我们提出了深度图像对比无监督优先表示强化学习（深度CUPRL），估计与优先重放记忆的图像的深度。我们使用RL和对比学习的组合来解决基于图像的RL问题。从与无人机（UAV）的结果的分析，可以得出结论，我们的深度CUPRL方法是有效的决策，并优于国家的最先进的基于像素的方法在无地图导航能力。
2022-07-01 cs.AI 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
Autonomous Vehicle Speed Control for Safe Navigation of Occluded Pedestrian Crosswalk
Dynamic Design Lab（动态设计实验室）
本文提出基于部分可观测马尔可夫决策过程的速度控制方法，用于安全通过遮挡人行横道，通过动态规划计算控制策略以应对感知限制。
2018-02-18 cs.AI cs.RO cs.SY
Safe Navigation in Unstructured Environments by Minimizing Uncertainty in Control and Perception
Agency for Defense Development（国防发展局）
本文提出一个最小化控制与感知不确定性的导航框架，结合认知不确定性量化的车辆动力学模型与元学习可通行性预测模型，优化轨迹避开不确定区域，提升了非结构化环境中的导航安全性与稳定性。
2023-06-26 cs.CV 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
Enhancing Autonomous Vehicle Navigation with a Clothoid-Based Lateral Controller
本研究提出结合自适应预瞄机制的Clothoid横向控制器，通过准反馈算法与超前滤波器提升自动驾驶车辆路径跟踪精度与稳定性，经TruckSim-Simulink联合仿真验证性能显著改善。
2026-08-11 cs.RO cs.SY eess.SY
HighwayLLM: Decision-Making and Navigation in Highway Driving with RL-Informed Language Model
University of Surrey（萨里大学）
HighwayLLM结合大型语言模型、强化学习和PID控制器，实现高速公路自动驾驶的安全、无碰撞且可解释的决策与导航。
2024-05-22 cs.AI cs.RO
Reinforcement Learning-Enabled Decision-Making Strategies for a Vehicle-Cyber-Physical-System in Connected Environment
University of Waterloo（滑铁卢大学）；Chongqing University（重庆大学）
互联自动车作为一种典型的车辆信息物理系统（V-CPS），近年来受到越来越多的关注。本文重点讨论了互联环境下自主车辆的决策策略。首先，制定了公路DM问题，其中车辆可以通过无线网络交换信息。然后，两个经典的强化学习（RL）算法，Q-学习和Dyna，被用来推导DM策略在一个预定义的驾驶场景。最后，分析了所提出的DM策略在安全性和效率方面的控制性能。此外，RL算法的内在差异体现在DM策略和讨论。
2020-07-16 cs.AI cs.LG cs.RO
Safe Navigation: Training Autonomous Vehicles using Deep Reinforcement Learning in CARLA
Stanford University（斯坦福大学）
本研究利用CARLA模拟器和深度强化学习技术，结合碰撞传感器、图像分割与深度相机进行数据预处理，训练自动驾驶车辆在复杂交通环境中安全导航，实现了高成功率和无碰撞的轨迹行驶。
2023-10-23 cs.AI cs.RO
Pedestrian Collision Avoidance for Autonomous Vehicles at Unsignalized Intersection Using Deep Q-Network
The Pennsylvania State University（宾夕法尼亚州立大学）
先前的研究已经广泛地探索了在其他车辆存在的情况下的自动驾驶车辆（AV）导航，然而，行人之间的导航，他们是城市环境中最脆弱的元素，研究较少。本文探讨了拥挤的无信号交叉口的自动驾驶导航。我们比较了在我们的奖励函数和状态表示上训练的不同深度强化学习方法的性能。这些方法和一个标准的基于规则的方法的性能进行了评估，在两种方式，首先在无信号交叉口上的方法进行了训练，其次在一个未知的无信号交叉口与不同的拓扑结构。对于这两种情况下，基于规则的方法实现了不到40%的无冲突事件，而我们的方法导致约100%的性能。在所使用的三种方法中，DDQN/PER优于其他两种方法，同时它也显示了最小的平均交叉口穿越时间，最大的平均速度，以及最大的距离最近的行人。
2021-05-01 cs.LG cs.RO
VI-IKD: High-Speed Accurate Off-Road Navigation using Learned Visual-Inertial Inverse Kinodynamics
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Army Research Laboratory（陆军研究实验室）
在地面车辆上的高速越野导航的关键挑战之一是，车辆地形相互作用的Kinodynamics可以根据地形而显著不同。以前的方法来解决这一挑战已经考虑学习逆kinodynamics（IKD）模型，条件是惯性信息的车辆感测的kinodynamics的相互作用。在本文中，我们假设，使准确的高速越野导航使用一个学习的IKD模型，除了惯性信息从过去的，还必须预测的kinodynamic相互作用的车辆与地形在未来。为此，我们引入视觉惯性逆Kinodynamics（VI-IKD），一种新的基于学习的IKD模型，除了过去的惯性信息之外，它还基于机器人前方地形的视觉信息，使其能够预测未来的Kinodynamic交互。我们验证了VI-IKD在室内和室外环境中的1/5 UT-AlphaTruck越野自动驾驶汽车上进行精确高速越野导航的有效性，并表明与其他最先进的方法相比，VI-IKD能够在各种不同地形上以高达3.5 m/s的速度进行更准确和更强大的越野导航。
2022-08-01 cs.AI cs.CV cs.LG
Temporal Logic Guided Safe Navigation for Autonomous Vehicles
Clemson University（克莱姆森大学）
本文提出结合LTL和STL的混合方法，通过符号路径规划与MILP求解生成安全轨迹和最优控制，在复杂场景中兼顾安全与计算效率。
2025-01-23 cs.FL cs.RO cs.SY
Analysis of the Effect of Time Delay for Unmanned Aerial Vehicles with Applications to Vision Based Navigation
Khalifa University（哈利法大学）
针对基于视觉导航的无人机，分析了时滞动态特性对控制器设计的影响。时滞是信息物理系统中不可避免的现象，对无人机的控制器设计和轨迹生成具有重要意义。时间延迟对UAV动力学的影响随着基于较慢视觉的导航堆栈的使用而增加。我们表明，现有的模型在文献中，其中不包括时间延迟，是不适合控制器的调整，因为一个平凡的解决方案，最小化的错误成本功能总是存在的。我们确定的平凡的解决方案建议使用无限的控制器增益，以实现最佳性能，这与实际的发现相矛盾。为了避免这种缺点，我们引入了一种新的非线性时滞模型的无人机，然后得到一组线性解耦模型对应的每个无人机控制回路。分析了线性化的角-高度动态时滞模型的代价泛函，并与无时滞模型进行了对比，证明了有限个最优控制器参数的存在性。由于使用的时间延迟模型，我们的实验表明，该模型准确地表示系统的稳定性限制。考虑到时间延迟的影响，采用基于视觉里程计的无人机导航方法，对双纽线轨迹进行跟踪，峰值速度为2.09 m/s，跟踪结果的均方根误差为5.01 cm，与现有技术水平相当。
2022-09-05 cs.RO cs.SY eess.SY
Tactile-based Exploration, Mapping and Navigation with Collision-Resilient Aerial Vehicles
School of Manufacturing Systems and Networks, Ira A. Fulton Schools of Engineering, Arizona State University（制造系统与网络学院，伊拉·A·福尔顿工程学院，亚利桑那州立大学）
该研究提出被动可变形无人机XPLORER及快速外力估计算法，设计三种触觉运动基元实现未知环境高效探索导航，验证了其在接触密集型任务中的应用潜力。
2025-04-01 cs.RO cs.SY eess.SY
Attack-Aware Multi-Sensor Integration Algorithm for Autonomous Vehicle Navigation Systems
Purdue University（普渡大学）；School of Mechanical Engineering（机械工程学院）
本文提出了一种基于故障检测与隔离的攻击感知多传感器集成算法，用于检测自动驾驶导航系统中的网络攻击。算法利用扩展卡尔曼滤波构建鲁棒残差，并通过参数统计工具识别攻击，通过软件在环仿真验证了其在动态系统中的快速检测和低误报率性能。
2017-09-07 cs.RO cs.SY eess.SY
Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space
University of Waterloo（滑铁卢大学）
提出一种不确定性感知的DRL方法，通过新颖奖励函数纳入行人预测不确定性，在真实行人仿真环境中训练，显著降低碰撞率并提升安全距离，优于现有模型和MPC方法。
2024-05-22 cs.AI cs.LG cs.RO
Runtime Safety Assurance for Learning-enabled Control of Autonomous Driving Vehicles
Southern University of Science and Technology（南方科技大学）；Research Institute for Trustworthy Autonomous Systems（可信自主系统研究院）
利用基于机器学习的控制器为自动驾驶汽车（AV）系统提供安全保障仍然是一个具有挑战性的问题。在这项工作中，我们提出了Simplex-Drive，这是一个框架，可以实现自动驾驶汽车的机器学习控制器的运行时安全保证。所提出的Simplex驱动器包括一个未经验证的基于深度强化学习（DRL）的高级控制器（AC），在复杂场景中实现理想的性能，一个基于速度障碍（VO）的基线安全控制器（BC），具有可证明的安全保证，以及一个经过验证的模式管理单元，监控运行状态，并根据安全相关条件在AC和BC之间切换控制权限。我们提供了一个形式化的正确性证明的Simplex驱动器，并在密集的交通场景中进行换道的案例研究。仿真实验结果表明，即使日间行车限制策略可能导致偏离安全状态，单纯形驱动器也能在不牺牲控制性能的情况下始终确保运行安全。
2021-09-28 cs.RO cs.SY eess.SY
D2M2N: Decentralized Differentiable Memory-Enabled Mapping and Navigation for Multiple Robots
University of Maryland College Park（马里兰大学帕克分校）
针对现有多机器人导航模型缺乏记忆、难以利用历史观测的问题，本文提出去中心化可微分记忆架构D2M2N，通过紧凑环境表示与价值迭代网络实现复杂建图与导航，并在实验中显著超越现有最优模型。
2024-04-08 cs.RO
Deep Reinforcement Learning for Mapless Navigation of a Hybrid Aerial Underwater Vehicle with Medium Transition
Universidade Federal de Santa Maria - UFSM（圣玛丽亚联邦大学）
自从将深度Q学习应用于Atari类游戏中的连续动作域以来，用于运动控制的深度强化学习（Deep-RL）技术得到了质的提升。如今，现代Deep-RL可以成功应用于解决多种类型车辆的各种复杂决策任务。基于这一背景，在本文中，我们提出使用Deep-RL为混合无人机水下航行器（HUAUVs）执行自主无地图导航，这些机器人可以在空气或水介质中操作。我们开发了两种方法，一种是确定性的，另一种是随机的。我们的系统使用车辆的相对定位和简单的稀疏范围数据来训练网络。我们比较了我们的方法与传统的几何跟踪控制器的无地图导航。基于实验结果，我们可以得出结论，基于Deep-RL的方法可以成功地用于HUAUV的无地图导航和避障。我们的车辆完成了两种情况下的导航，能够通过这两种环境中实现所需的目标，甚至优于基于几何的跟踪控制器的避障能力。
2021-03-28 cs.RO
Robots Ask the Way: Communication-Enabled Social Navigation
Sapienza University of Rome（罗马大学）
提出CommNav任务，让机器人通过主动与居民通信获取信息来定位目标个体，在Habitat 3.0c环境中评估，通信模块使导航成功率提升10个百分点，且对自然语言鲁棒。
2026-07-02 cs.RO
Autonomous and Adaptive Navigation for Terrestrial-Aerial Bimodal Vehicles
Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）；Harbin Institute of Technology（哈尔滨工业大学）
地面-空中双模飞行器在学术界和工业界都很流行，因为它们兼具空中飞行器的高机动性和地面飞行器的长续航力。在这项工作中，我们提出了一个自主和自适应导航框架，使这类车辆完全自主。该框架主要包括1）一个分层的运动规划器，在未知的环境中生成安全和低功耗的地面-空中轨迹和2）一个统一的运动控制器，动态调整能量消耗在地面运动。在一个定制的机器人平台上进行了广泛的真实世界的实验和基准比较，以验证所提出的框架的鲁棒性和性能。在测试过程中，机器人安全地穿越复杂的环境与地面-空中综合移动，并实现$7\times$能源节省地面运动。最后，我们将发布我们的代码和硬件配置，供社区参考。
2022-01-09 cs.RO
VRChain: A Blockchain-Enabled Framework for Visual Homing and Navigation Robots
Fordham Univ.（福特汉姆大学）
视觉寻的是一种轻量级的机器人视觉导航方法。基于所存储的家庭位置的视觉信息，可以通过将家庭与当前图像进行比较来从该位置可见的任何其他位置完成回到该位置的导航。然而，视觉寻的的一个关键挑战是，目标起始位置必须在机器人的视场（FOV）内才能开始寻的。因此，这项工作通过将区块链技术集成到视觉导航系统中来解决这一挑战。基于区块链的去中心化特性，该解决方案使视觉寻的机器人能够共享其视觉寻的信息，并同步访问分散式账本中存储的数据（视觉寻的信息）以建立导航路径。导航路径表示存储在账本中的每个机器人的视图序列。如果归属位置不在FOV中，则所提出的解决方案允许机器人找到可以看到归属位置的另一个机器人并朝向该期望位置行进。评估结果表明，所提出的框架在端到端的延迟，吞吐量和可扩展性方面的效率。
2022-06-08 cs.RO
Demonstration of an Aerial and Submersible Vehicle Capable of Flight and Underwater Navigation with Seamless Air-Water Transition
Rutgers University（罗格斯大学）
生物启发的车辆目前在寻求生产一种能够飞行和水下导航的车辆方面处于领先地位。然而，一辆功能齐全的汽车尚未实现。我们展示了第一个在空中和水下运行的全功能车辆平台，在两种介质之间实现无缝过渡。这些独特的能力与多旋翼飞行器的悬停、高机动性和可靠性相结合，为民用和军事应用带来了颠覆性技术，包括空中/水上搜索和救援、检查、维修和调查任务等。该发明是建立在结合飞行和游泳的生物启发的运动力分析上的。本工作中的三个主要进步使得本发明成为可能。首先是发现了空中和水下之间的无缝过渡方法。第二个是设计一个能够在空中和水下有效运行的多介质推进系统。第三个是结合了飞行对升力和推力的要求（对于给定的重量）和游泳对推力和中性浮力的要求（在水中）。结果是在飞行器设计中实现了升力、推力、重量和中性浮力之间的仔细平衡。一个完全可操作的原型展示了飞行和水下导航能力以及快速的空气/水和水/空气过渡。
2015-07-07 cs.RO
Navigation in the Presence of Obstacles for an Agile Autonomous Underwater Vehicle
Vassar College（瓦萨学院）；University of South Carolina（南卡罗来纳大学）
水下航行传统上是通过与障碍物保持安全距离来完成的，从而导致感兴趣区域的“飞越”。自主水下航行器（AUV）在复杂空间（如沉船或装饰洞穴）中的运动是一个极具挑战性的问题，过去尚未解决。本文提出了一种新的导航框架，利用增强版的Trajopt的快速三维路径优化规划的AUV。基于采样的校正程序确保规划不受局部最小值的约束，从而能够在狭窄的空间中导航。提出了两种不同的模式：规划与已知的地图的结果在有效的轨迹通过杂乱的空间;在未知的环境中操作利用点云从视觉特征检测到有效地导航，同时避免检测到的障碍物。所提出的方法进行了严格的测试，无论是在模拟和在池中的实验，证明是足够快，使安全的实时三维自主导航的AUV。
2020-05-11 cs.RO
Switching Sampling Space of Model Predictive Path-Integral Controller to Balance Efficiency and Safety in 4WIDS Vehicle Navigation
Nagoya University（名古屋大学）
针对4WIDS车辆导航解空间维度高、最优指令求解难的问题，提出可切换MPPI采样空间的导航架构，通过降维采样与实时空间切换，实现导航效率与安全性的平衡，仿真验证了方法的有效性。
2024-09-13 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
Minimization of GNSS-Denied Inertial Navigation Errors for Fixed Wing Autonomous Unmanned Air Vehicles
Polytechnic University of Madrid（马德里理工大学）；Boeing Research & Technology Europe（波音欧洲研究与技术公司）；National University of Distance Education（国立远程教育大学）；Center for Automation and Robotics (UPM-CSIC)（自动化与机器人中心（UPM-CSIC））
本文提出了一种惯性导航算法，旨在降低GNSS（全球导航卫星系统）信号的缺失对自主固定翼低SWaP（尺寸，重量和功率）无人机（无人机）导航的负面影响。除了加速度计和陀螺仪之外，滤波器还利用了这些平台上通常存在的传感器，例如磁力计，皮托管和空气叶片，以减小姿态误差和位置漂移为目标（水平和垂直），其双重目标是改进飞机GNSS-拒绝惯性导航能力以及促进惯性滤波器与视觉里程计算法的融合。随机高保真蒙特卡罗模拟的两个代表性的情况下，涉及GNSS信号的损失进行评估的结果，比较所提出的滤波器与更传统的实现，并分析结果的灵敏度的机载传感器的质量。作者将导航滤波器和高保真仿真的C++实现作为开源软件发布。
2021-08-11 cs.RO
A Universal Vehicle-Trailer Navigation System with Neural Kinematics and Online Residual Learning
Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University（人工智能与机器人中心，清华大学深圳国际研究生院）；Department of Mechanical Engineering, University of Hong Kong（机械工程系，香港大学）
本文提出一种通用车辆-拖车导航系统，通过神经运动学建模、在线残差学习与加权模型预测控制，实现多类型拖车在不同载荷下的鲁棒自主导航，无需拖车特定标定。
2025-07-21 cs.RO
A Hybrid Neural-Assisted Unscented Kalman Filter for Unmanned Ground Vehicle Navigation
Autonomous Navigation and Sensor Fusion Lab（自主导航与传感器融合实验室）；Hatter Department of Marine Technologies（海洋技术系）；Charney School of Marine Sciences（海洋科学学院）；University of Haifa（海法大学）
本文提出一种混合估计框架，结合经典状态估计与深度学习方法，通过神经网络预测噪声不确定性，提升无人地面车辆导航的鲁棒性和可扩展性。
2026-03-25 cs.RO
