Active Learning-augmented Intention-aware Obstacle Avoidance of Autonomous Surface Vehicles in High-traffic Waters
Dartmouth College（达特茅斯学院）；IQT Labs（IQT实验室）
本文提出一种主动学习增强的意图感知避障方法，通过拓扑建模和LSTM分类障碍物通过意图，结合多目标优化，在蒙特卡洛模拟和真实实验中验证了高交通密度水域的安全导航能力。
2024-11-01 cs.RO
Coordinated Motion Control and Event-based Obstacle-crossing for Four Wheel-leg Independent Motor-driven Robotic System via MPC
Beijing Institute of Technology（北京理工大学）
针对四轮腿独立电机驱动机器人系统的协调运动控制和越障问题，提出了一种基于事件触发机制的模型预测控制（MPC）方法.建立了具有动态支撑多边形的轮腿机器人控制系统的数学模型。系统动力学模型为3个自由度，忽略俯仰、横滚和垂直运动。考虑电动机驱动特性和Burckhardt非线性轮胎模型，对单轮动力学进行了分析。在此基础上，建立了以电机转矩为输入、系统状态为输出的过驱动预测模型。由于支持多边形只在特定条件下调整，因此设计了基于事件的触发机制，以节省硬件资源和能量。MPC控制器上的虚拟样机以及物理样机进行评估。仿真结果为控制器在物理样机中的实现提供了参数整定指导。在这两个原型上的实验结果验证了所提出的方法的有效性。
2021-11-23 cs.RO
Vision-based Obstacle Removal System for Autonomous Ground Vehicles Using a Robotic Arm
North Carolina State University（北卡罗来纳州立大学）；Indian Institute of Technology Patna（印度理工学院巴特那分校）；Zhejiang University（浙江大学）
在过去的几年里，用于数据汇集和视觉监控应用的配备摄像头的机器人平台的使用呈指数级增长。有许多物体的杂乱建筑工地（例如，砖、管道等）地面上的环境对于移动无人驾驶地面车辆（UGV）导航是具有挑战性的环境。为了解决这个问题，本研究提出了一种移动UGV配备了一个立体摄像机和一个机械臂，可以清除沿UGV的路径障碍物。为了实现这一目标，周围的环境是由立体摄像机捕获和障碍物检测。通过机器人操作系统（ROS）将障碍物相对于UGV的位置发送到机械臂模块。然后，机械臂拾起并移除障碍物。该方法将大大提高施工监测的自动化程度和数据汇集频率。该系统通过两个案例进行了验证。结果成功地证明了障碍物的检测和清除，作为开发具有各种施工操作应用的自主UGV的有利因素之一。
2019-01-24 cs.RO
Detecting and avoiding frontal obstacles from monocular camera for micro unmanned aerial vehicles
Heriot Watt University（赫瑞瓦特大学）
在文献中，有几种方法试图使无人机自主飞行，即，通过提取诸如直线的透视线索。然而，它只适用于定义良好的人造环境，除了许多其他线索，需要足够的纹理信息。我们的主要目标是检测和避免正面障碍物从单目摄像机使用四旋翼Ar.无人机2通过利用光流作为运动视差，无人机被允许以1 m/s的速度飞行，高度范围从地面以上1至4米。由于光流具有一定的局限性，即受光照条件和孔径的影响，因此探测和避开前方障碍物是一个非常具有挑战性的问题。
2016-04-03 cs.RO
Optimal Vehicle Trajectory Planning for Static Obstacle Avoidance using Nonlinear Optimization
Guangzhou Xiaopeng Motors Technology Co Ltd（广州小鹏汽车科技有限公司）
针对自动驾驶轨迹规划需兼顾可行性、舒适性与商用计算效率的需求，提出基于非线性优化的新型算法，可生成运动学可行、舒适性最优的静态障碍物避障轨迹，且在两类硬件平台上均实现毫秒级快速生成。
2023-07-18 cs.RO
Path Planning with Potential Field-Based Obstacle Avoidance in a 3D Environment by an Unmanned Aerial Vehicle
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
本文研究未知环境下空中机器人的路径规划与避障问题，提出一种基于旋转组件改进 APF 的算法，结合 MPC 跟踪器实现轨迹快速重规划，仿真表明其有效解决了局部极小值问题并生成了更优避障路径。
2023-06-28 cs.RO
Potential Field-based Path Planning with Interactive Speed Optimization for Autonomous Vehicles
The University of Tokyo（东京大学）
针对现有势场路径规划未考虑自车势场对障碍车辆影响的问题，提出基于V2V共享局部路径的交互式速度优化势场规划方法，可提升双方行驶安全舒适性并减少振荡。
2023-06-12 cs.RO
Reactive Navigation of an Unmanned Aerial Vehicle with Perception-based Obstacle Avoidance Constraints
Luleå University of Technology（吕勒奥理工大学）
在这篇文章中，我们提出了一个反应式约束导航方案，嵌入式避障无人机（UAV），使导航在障碍物密集的环境。提出的导航体系结构是基于非线性模型预测控制（NMPC），并利用机载2D激光雷达检测障碍物和在线翻译的关键几何信息的环境中的NMPC的参数约束，约束的可用位置空间的无人机。本文还重点介绍了所提出的反应式导航方案的真实实现和实验验证，并将其应用于多个具有挑战性的实验室实验中，并与相关的反应式避障方法进行了比较。在所提出的方法中使用的求解器是优化引擎（OpEn）和近端平均牛顿最优控制（PANOC）算法，其中的惩罚方法被施加到适当地考虑障碍物和输入约束在导航任务。所提出的新方案允许快速解决方案，同时使用有限的机载计算能力，这是UAV的整体闭环性能所需的特征，并且应用于多个实时场景。内置的避障和实时适用性的组合，使所提出的反应式约束导航方案的一个优雅的框架，无人机，能够执行快速非线性控制，本地路径规划和避障，所有嵌入在控制层。
2022-07-04 cs.RO
Autonomous Bikebot Control for Crossing Obstacles with Assistive Leg Impulsive Actuation
Zhejiang University（浙江大学）；Rutgers University（罗格斯大学）
作为一个单轨移动平台，bikebot（即，基于自行车的机器人）具有吸引人的导航能力，以高速和高能效通过狭窄的越野地形。然而，跑步穿越台阶状障碍物对本质上不稳定的欠驱动自行车机器人造成了挑战。本文提出了一种新的自主bikebot控制与辅助腿驱动导航跨越障碍物。所提出的设计集成了外部/内部转换为基础的控制与腿辅助脉冲控制。腿部与地面的相互作用产生辅助的冲击扭矩，以帮助在穿越障碍物时保持导航和平衡能力。对控制性能进行了分析和保证。实验结果表明，在控制设计下，自行车机器人能够平稳地穿越高度大于车轮半径三分之一的多个台阶状障碍物。比较结果表明，优于那些只有速度和转向控制，没有腿辅助脉冲驱动。
2022-03-22 cs.RO cs.SY eess.SY
Dynamic Obstacle Avoidance of Unmanned Surface Vehicles in Maritime Environments Using Gaussian Processes Based Motion Planning
Department of Mechanical Engineering, University College London（机械工程系，伦敦大学学院）；Department of Computer Science, University College London（计算机科学系，伦敦大学学院）
本文提出 Dynamic Gaussian process motion planner 2，通过实时 Gaussian 安全区域与因子图优化处理静态和动态障碍，并融合国际海上避碰规则，经仿真和高保真任务验证有效。
2025-06-07 cs.RO
Collision Avoidance for Unmanned Aerial Vehicles in the Presence of Static and Moving Obstacles
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种新的无人机在存在静态和运动障碍物的情况下的避碰方法。所提出的方法是基于一种新的形式的局部参数化的指导矢量场，称为避碰矢量场，产生平滑和直观的机动周围的障碍。机动遵循名义上的无碰撞路径，我们称之为流线的避碰矢量场。在多个障碍物的情况下，所提出的程序确定一个混合的矢量场，混合每个障碍物的防撞矢量场，并假定其形式，每当达到预定义的距离阈值。然后，根据计算的制导矢量场，不同的避碰控制器，产生无碰撞机动。此外，它表明，任何跟踪控制器的收敛保证可以使用的避免控制器跟踪的流线的碰撞避免矢量场。最后，数值模拟表明，所提出的方法的有效性和它的能力，以避免碰撞静态和移动弹出的威胁在三个不同的实际情况。
2021-06-25 cs.RO
Adaptive speed planning for Unmanned Vehicle Based on Deep Reinforcement Learning
Northeastern University（东北大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Columbia University（哥伦比亚大学）
本文提出基于DQN和DDQN的无人车辆局部导航系统，通过改进奖励函数和障碍物角度判定方法，解决了接近障碍物时频繁减速的问题，实现了更稳定高效的自适应速度与路径规划。
2024-04-26 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
Joint Belief and Intent Prediction for Collision Avoidance in Autonomous Vehicles
University of Florida（佛罗里达大学）
本文描述了一种新的方法，允许自主地面车辆预测城市环境中的其他代理的意图。这种方法，被称为认知驾驶框架，模型的意图和潜在的错误信念的障碍车辆。通过将这些变量之间的关系建模为动态贝叶斯网络，可以执行过滤以计算障碍车辆的意图以及其对环境的信念。当在城市环境中导航时，可以利用这种联合知识来规划更安全和更有效的轨迹。仿真结果表明，当自动驾驶车辆在道路交叉口导航时，所提出的方法能够计算障碍车辆的意图，以便采取预防性机动以避免即将发生的碰撞。
2015-03-31 cs.RO
Path planning for unmanned naval surface vehicles
Department of Computer Science, Florida State University（计算机科学系，佛罗里达州立大学）
针对无人水面航行器（USV）的固定和移动障碍物避碰问题，提出结合全局与局部路径规划器的新方法，全局规划器融合三种算法，局部规划器基于障碍物运动方向决策，仿真验证了有效性。
2026-07-03 cs.RO
A Circle Grid-based Approach for Obstacle Avoidance Motion Planning of Unmanned Surface Vehicles
Intelligent Transportation System Research Center, Wuhan University of Technology（武汉理工大学智能交通系统研究中心）；National Engineering Research Center for Water Transport Safety（国家水运安全工程技术研究中心）；School of Navigation, Wuhan University of Technology（武汉理工大学航运学院）
针对具有动态约束的水面无人机避障问题，提出了一种基于圆网格轨迹元的避障方法。首先，建立船舶模型和标准化规则，分别开发和约束的轨迹。其次，通过分析圆网格的特性，生成圆网格树，指导无人艇的运动。然后，运动学和动力学的USV被认为是通过在线轨迹发生器，通过设计一个关系函数，连接舵角，航向角，和圆网格的中心角。最后，避障是通过利用在线轨迹生成器来选择一个安全，平滑，高效的路径为USV。实验结果表明，该方法能同时避开静态和动态障碍物，在距离代价和转向代价方面均优于相关方法，且转向代价仅为基于网格方法的50%;避碰路径既符合无人艇的动态特性，又为无人艇转向指令提供了参考。
2022-02-09 cs.RO
Iterative Active-Inactive Obstacle Classification for Time-Optimal Collision Avoidance
Istanbul Technical University（伊斯坦布尔理工大学）
针对时间最优避障中障碍物增多导致计算困难的问题，提出迭代主动-非主动障碍物分类方法，仅考虑“主动”障碍物进行路径规划，从而高效计算最优路径并处理大量障碍物与运动约束。
2024-03-20 cs.RO
Real-Time Long Range Trajectory Replanning for MAVs in the Presence of Dynamic Obstacles
Innopolis University（伊诺波利斯大学）
实时的【形】远程局部规划是一项具有挑战性的任务，特别是在存在动力学障碍的情况下。我们提出了一个完整的系统，这是能够执行本地重新规划的实时的【形】。在系统初始化阶段需要期望的轨迹;系统开始初始化系统的子组件，包括点云处理器、轨迹估计器和规划器。然后，多旋翼飞行器开始按给定轨迹移动。当它检测到障碍物时，它会将轨迹从当前姿势重新调整到预定义的距离，并结合所需的轨迹。点云处理器用于识别车辆周围最近的障碍物。对于重新规划，快速探索随机树（RRT*）与两个修改，允许规划在毫秒尺度的轨迹使用。一旦我们重新规划了所需的路径，就可以计算速度分量（x，y和z）和偏航率。这些值以恒定频率发送到控制器，以自主操纵车辆。最后，我们分别评估了每个组件，并在模拟和真实环境中测试了整个系统。
2020-05-04 cs.RO
Model Predictive Contouring Control for Vehicle Obstacle Avoidance at the Limit of Handling
Delft University of Technology（代尔夫特理工大学）；Siemens PLM Software（西门子PLM软件公司）
针对车辆在操纵极限下的紧急避障问题，提出融合规划、跟踪与稳定性的非线性MPCC，并通过高保真仿真和实时硬件验证其性能。
2023-08-13 cs.RO cs.SY eess.SY
Collision and Obstacle Avoidance for Industrial Autonomous Vehicles -- Simulation and Experimentation Based on a Cooperative Approach
IMT Atlantique（IMT大西洋学院）；IRISA（法国计算机科学与随机系统研究所）；ECAM Rennes（雷恩ECAM工程师学院）
针对工业自动驾驶车辆的碰撞与避障问题，提出基于群体智能的协作式自适应方法，结合道路交通领域可迁移的算法与标准化技术，通过建模仿真与实验验证方案，以提升工业4.0场景下车辆的自主性与灵活性。
2024-07-09 cs.RO
EROAS: 3D Efficient Reactive Obstacle Avoidance System for Autonomous Underwater Vehicles using 2.5D Forward-Looking Sonar
Department of Aerospace Eng.（航空航天工程系）；Indian Institute of Science（印度科学研究所）；Department of Electrical and Electronics Eng.（电子与电气工程系）；Birla Institute of Technology and Science（比拉理工学院）；Department of Computer Science and Eng.（计算机科学与工程系）；Shiv Nadar University（施瓦纳大学）
本文提出EROAS系统，通过结合2.5D前视声呐与三种模块，实现高效、安全的3D水下障碍物避障，实验验证其在复杂环境中的优势。
2026-05-11 cs.RO
An Autonomous Path Planning Method for Unmanned Aerial Vehicle based on A Tangent Intersection and Target Guidance Strategy
无人机路径规划是无人机避开障碍物、高效到达目标的关键。为生成高质量的无障碍路径，提出了一种基于切线交会和目标引导策略的无人机自主路径规划算法。在目标引导下，利用椭圆切线图方法生成两条子路径，当遇到障碍物时，根据启发式规则选择其中一条子路径。无人机沿着选定的子路径飞行，并通过这种方式反复调整其飞行路径以避开障碍物，直到无碰撞路径延伸到目标。实验结果表明，APPATT算法与A*、PRM、RRT和VFH算法相比，在静态环境下，每个实例在0.05 s内生成最短无碰撞路径。此外，与VFH和RRTRW相比，APPATT可以在不确定环境下以近乎实时的方式生成令人满意的无碰撞路径。值得注意的是，APPATT具有在合理时间内逃离简单陷阱的能力。
2020-06-07 cs.RO
Feature Matching-Based Gait Phase Prediction for Obstacle Crossing Control of Powered Transfemoral Prosthesis
Key Laboratory of Biomimetic Robotics and Intelligent Systems, Southern University of Science and Technology, Shenzhen（仿生机器人与智能系统重点实验室，南方科技大学，深圳）
针对动力型经股假肢截肢者越障难题，提出基于健侧惯性传感器、遗传算法优化神经网络及步态预测的越障控制方法，可抗噪声并高精度预测步态相位与关节角度，具备实用价值。
2025-10-28 cs.RO cs.SY eess.SY
Model Predictive Contouring Control for Vehicle Obstacle Avoidance at the Limit of Handling Using Torque Vectoring
Delft University of Technology（代尔夫特理工大学）；University of Surrey（萨里大学）；University of Eindhoven（埃因霍温大学）；Politecnico di Torino（都灵理工大学）
本研究提出一种结合扭矩矢量的非线性模型预测轮廓控制方法，通过优化转向角和四轮纵向力，在操控极限下实现车辆避障，兼顾跟踪精度与稳定性，仿真验证了其优于无扭矩矢量或避障优先级的基线方法。
2024-05-17 cs.RO cs.SY eess.SY
A water-obstacle separation and refinement network for unmanned surface vehicles
University of Ljubljana（卢布尔雅那大学）；Faculty of Computer and Information Science（计算机与信息科学学院）
基于语义分割的障碍物检测技术在无人水面航行器自主导航中具有广阔的应用前景。然而，现有的方法遭受在存在视觉模糊的情况下，水边缘的估计差，小障碍物的检测差，以及对水反射和尾迹的高误报率。我们提出了一种新的深度编码器-解码器架构，即水障碍分离和细化网络（WaSR），以解决这些问题。通过一种新的解码器，逐步融合惯性信息从IMU与视觉功能的编码器，提高检测和水边缘的准确性。此外，一个新的损失函数的设计，以增加水和障碍物之间的分离功能的早期网络。随后，解码器中剩余层的容量得到了更好的利用，从而显著减少了误报并增加了真阳性。实验结果表明，WaSR优于当前最先进的一个大的利润率，产生了14%的F-措施比第二个最好的方法。
2020-01-07 cs.CV cs.RO
A Review of Autonomous Road Vehicle Integrated Approaches to an Emergency Obstacle Avoidance Maneuver
The Ohio State University（俄亥俄州立大学）
随着乘用车技术的进步，它们的避障能力也在不断提高，特别是轮胎、悬架、转向以及ABS、ESC等安全技术以及最近的ADAS系统的发展。然而，客车周围的环境也变得更加复杂和危险。以前有研究概述了驾驶员在驾驶乘用车时试图避开障碍物的倾向和表现能力。现在，自动驾驶汽车正在开发具有避障能力的自动驾驶汽车，重要的是要达到或超过人类驾驶员的性能。本文重点介绍了对紧急避障机动（EOAM）至关重要的系统，并确定了每个相关系统的最新技术水平，同时考虑了高速公路行驶的细微差别。一些主要的EOAM相关的系统/领域，在这篇评论中讨论的是：一般的路径规划方法，系统层次结构，决策，轨迹生成，和容错跟踪控制方法。结束语后，对未来的工作，这可能会导致一个理想的EOAM发展的建议，进行了讨论。
2021-06-18 cs.LG cs.RO cs.SY
Multimodal Classification Network Guided Trajectory Planning for Four-Wheel Independent Steering Autonomous Parking Considering Obstacle Attributes
本文提出基于多模态感知网络和混合A*搜索的轨迹规划框架，通过考虑障碍属性提升四轮独立转向车辆在狭窄环境中的导航效率和安全性。
2026-04-06 cs.RO
Motion Planning by Reinforcement Learning for an Unmanned Aerial Vehicle in Virtual Open Space with Static Obstacles
School of Integrated Technology, Yonsei University（延世大学整合技术学院）；Electronics and Telecommunications Research Institute（电子通信研究院）
在这项研究中，我们应用强化学习的邻近策略优化算法的基础上执行运动规划的无人机（UAV）在开放空间与静态障碍。强化学习在真实无人机中的应用存在时间和成本等限制，因此，我们使用Gazebo模拟器在虚拟环境中对虚拟四旋翼无人机进行训练。随着强化学习的进行，模型的平均奖励和目标率增加。此外，训练模型的测试表明，无人机达到了81%的目标率使用简单的奖励函数在这项工作中建议。
2020-09-24 cs.LG cs.RO
Evaluation of Automated Vehicles Encountering Pedestrians at Unsignalized Crossings
University of Michigan（密歇根大学）
本文提出了一种评估自动驾驶车辆在无信号交叉口与行人互动安全性和可行性的新方法，通过分析数据和模拟行人反应，验证了自动驾驶策略的有效性。
2017-03-28 cs.MA cs.RO cs.SY
Optimization-based Trajectory Tracking Approach for Multi-rotor Aerial Vehicles in Unknown Environments
Innopolis University（Innopolis大学）
本文的目标是开发一种基于连续优化的参考轨迹的细化，以“推”出的障碍物占据的空间在全球阶段的多旋翼飞行器在未知的环境中。我们提出的方法包括两个规划者：一个全球规划者和本地规划者。全局规划器在轨迹经过障碍物或接近障碍物时对初始参考轨迹进行细化，并让局部规划器计算接近最优控制策略。全局规划器包括两种凸规划方法：第一种方法有助于细化参考轨迹，第二种方法有助于在第一种方法未能细化时恢复参考轨迹。全局规划器主要关注实时性能和避障，而所提出的基于约束非线性模型预测控制的局部规划器的公式确保了安全性、动态可行性和低速机动的参考轨迹跟踪精度，条件是局部规划器和全局规划器的平均计算时间分别为0.06 s（15 Hz）和0.05 s（20 Hz）。NVIDIA Jetson Xavier NX计算机我们的实验结果证实，在杂乱的环境中，所提出的方法优于其他三种方法：基于采样的寻路其次是轨迹生成，本地规划器，基于图形的寻路其次是轨迹生成。
2022-02-12 cs.RO
Safety-Critical Control of Nonholonomic Vehicles in Dynamic Environments using Velocity Obstacles
Norwegian University of Science and Technology（挪威科技大学）；Norwegian Defence Research Establishment（挪威国防研究机构）；California Institute of Technology（加州理工学院）
针对动态环境中非完整车辆避碰易停车倒车的问题，提出基于速度障碍的CBF控制方案，分离速度与转向控制以保持前进安全，经理论与仿真验证有效。
2023-10-01 cs.RO cs.SY eess.SY
LiDAR point-cloud processing based on projection methods: a comparison
Shanghai Jiao Tong University（上海交通大学）；Politecnico di Milano（米兰理工大学）
准确和快速响应的感知系统是自动驾驶汽车安全运行的基础。3D目标检测方法处理由LiDAR传感器给出的点云，以提供每次检测的准确深度和位置信息，以及其尺寸和分类。然后，该信息用于跟踪自动驾驶车辆周围的车辆和其他障碍物，并且还用于向控制单元馈送以确保避免碰撞和运动规划。现今，目标检测系统可分为两大类。第一种是基于几何的，它利用对3D点的几何和形态学操作来检索障碍物。秒是基于深度学习的，其处理3D点，或3D点云的细化，使用深度学习技术来检索一组障碍物。本文对这两种方法进行了比较，并在一辆真正的自动驾驶汽车上实现了每个类。估计的算法的准确性进行了评估与实验测试进行蒙扎ENI电路。本车和障碍物的位置由GPS传感器通过RTK校正给出，这保证了比较的准确地面实况。这两种算法都已在ROS上实现，并在消费者笔记本电脑上运行。
2020-08-03 cs.RO
Pedestrian Behavior Interacting with Autonomous Vehicles during Unmarked Midblock Multilane Crossings: Role of Infrastructure Design, AV Operations and Signaling
Clemson University（克莱姆森大学）；Arcadis U.S., Inc.（阿卡迪斯美国公司）；D systems（6D系统公司）
本研究利用虚拟现实模拟城市无标记路段环境，探讨了道路中心线设计、AV运营及车载信号对行人过街行为的影响，发现两者均显著影响等待与总过街时间，且不同信号与道路类型存在交互效应。
2023-03-30 cs.RO
Optimal Solutions for the Moving Target Vehicle Routing Problem with Obstacles via Lazy Branch-and-Price
Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人学院）；Mechanical and Aerospace Engineering at Michigan Technological University（密歇根理工大学机械与航空航天工程系）；Robotics and AI Institute（机器人与人工智能研究所）；UM-SJTU Joint Institute and Department of Automation at Shanghai Jiao Tong University（上海交通大学与美国密歇根大学联合研究所及自动化系）；Department of Mechanical Engineering and Department of Computer Science and Engineering at Texas A&M University（德克萨斯农工大学机械工程系和计算机科学与工程系）
针对带障碍物的移动目标车辆路径问题（MT-VRP-O），提出懒惰分支定价法（Lazy BPRC），通过松弛连续性约束的延迟成本计算和凸集图搜索，实现最优解并显著加速。
2026-09-14 cs.RO
CorrA: Leveraging Large Language Models for Dynamic Obstacle Avoidance of Autonomous Vehicles
Cornell University（康奈尔大学）
本文提出CorrA框架，将大型语言模型与模型预测控制结合，通过LLM推理动态生成基于Sigmoid的边界函数参数以构建安全走廊，有效解决自动驾驶车辆动态避障问题，并在仿真与实车实验中表现优于基线MPC方法。
2025-03-03 cs.RO cs.SY eess.SY
Indoor Path Planning for an Unmanned Aerial Vehicle via Curriculum Learning
Yonsei University（延世大学）；Electronics and Telecommunications Research Institute（电子通信研究院）
将强化学习应用于室内环境下无人机避障二维路径规划的学习。无人机的任务是在最短的时间内到达目标位置，不与任何障碍物相撞。强化学习是在使用Gazebo（一种虚拟环境模拟器）创建的虚拟环境中执行的，以减少学习时间和成本。课程学习，其中包括两个阶段进行了更有效的学习。作为两种奖励模型学习的结果，达到的最大目标率分别为71.2%和88.0%。
2021-08-23 cs.RO
How Do Pedestrians' Perception Change toward Autonomous Vehicles during Unmarked Midblock Multilane Crossings: Role of AV Operation and Signal Indication
Arcadis U.S., Inc.（凯迪思美国公司）；Clemson University（克莱姆森大学）
本研究采用VR技术模拟无标线多车道穿越场景中的AV行为与信号指示，发现沉浸式体验显著提升了行人对AV的态度与系统有效性信任，且黄色信号和积极穿越行为对感知改变有重要影响。
2024-01-04 cs.RO
Data-Assisted Vision-Based Hybrid Control for Robust Stabilization with Obstacle Avoidance via Learning of Perception Maps
Universidad EAFIT（EAFIT大学）
我们研究的目标稳定与鲁棒避障的机器人和车辆，只有访问基于视觉的传感器的实时定位的目的的问题。这个问题是特别具有挑战性的，由于拓扑障碍物引起的障碍，这排除了存在的平滑反馈控制器能够实现同时稳定和鲁棒避障。为了克服这个问题，我们开发了一种基于视觉的混合控制器，根据车辆的当前位置，使用滞后机制和数据辅助监督器在两个不同的反馈律之间切换。本文的主要创新之处是将合适的感知图纳入混合控制器。这些地图可以从车辆中的摄像头获得的数据中学习，并通过卷积神经网络（CNN）进行训练。在此感知地图上的适当假设下，我们建立了理论保证车辆的轨迹收敛和避障。此外，所提出的基于视觉的混合控制器在不同的情况下进行了数值测试，包括噪声数据，传感器故障，摄像机遮挡。
2022-09-04 cs.RO math.OC
Autonomous Road Vehicle Emergency Obstacle Avoidance Maneuver Framework at Highway Speeds
The Ohio State University（俄亥俄州立大学）
自主道路车辆（ARV）可以使用诸如油门（加速）、制动（减速）和转向（横向方向的改变）的输入来导航各种类型的道路网络。在大多数涉及正常车辆交通和遇到易受伤害的道路使用者（VRU）的抗逆转录病毒药物驾驶场景中，不要求抗逆转录病毒药物采取规避行动。本文提出了一种新的紧急避障机动（EOAM）的方法，ARV行驶在较高的速度和较低的路面摩擦，涉及时间临界机动的确定和控制。所提出的EOAM框架提供了ARV的传感，感知，控制和致动系统能力作为一个内聚系统的使用，以实现避免道路上的障碍物，首先基于性能可行性，其次基于乘客舒适性，并且被设计为很好地集成在ARV高级系统内。联合仿真包括Simulink中的ARV EOAM逻辑和CarSim中的车辆模型，速度范围为55至165 km/h，路面摩擦力范围为1.0至0.1。结果进行了分析，并给出了在整个ARV系统的背景下，与未来的工作的影响。
2022-03-29 cs.RO cs.SY eess.SY
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
Collision-Aware Traversability Analysis for Autonomous Vehicles in the Context of Agricultural Robotics
Université de Haute-Alsace（上阿尔萨斯大学）；Université Clermont Auvergne（克莱蒙奥弗涅大学）；Technology & Strategy Engineering SAS
本文针对农业机器人非结构化环境中的安全导航问题，提出一种基于LIDAR与多光谱相机三维光谱地图的碰撞感知可通过性分析方法，融合多光谱植被检测指标和物理可通过性指标，使机器人能安全通过可变形障碍物。
2025-03-11 cs.RO
Real-time Identification and Simultaneous Avoidance of Static and Dynamic Obstacles on Point Cloud for UAVs Navigation
Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
在未知场景中采用有效的飞行策略避开混合障碍物是无人机应用的关键挑战。在本文中，我们介绍了一个更强大的技术来区分和跟踪动态障碍物从静态的，只有点云输入。然后，为了实现动态回避，我们提出了禁止金字塔的方法来解决所需的车辆速度与一个有效的基于采样的方法在迭代。运动基元是通过求解一个以期望速度和航路点为约束的非线性优化问题来生成的。此外，我们提出了几种技术来处理接近物体的位置估计误差，变形物体的错误，和不同的子模块之间的时间间隔。所提出的方法被实现为实时的【形】运行在船上，并在仿真和硬件测试中得到了广泛的验证，证明了我们在跟踪鲁棒性，能量成本和计算时间的优势。
2021-10-20 cs.RO
Predictive Probability Path Planning Model For Dynamic Environments
University at Albany, SUNY（纽约州立大学奥尔巴尼分校）；Southern Illinois University（南伊利诺伊大学）
动态环境中的路径规划对于无人机、自动驾驶汽车和自主水下航行器等高风险应用至关重要。在本文中，我们生成的碰撞无轨迹的机器人在任何给定的环境中的时间和空间的不确定性，由于随机移动的障碍物。我们使用两个泊松分布来模拟障碍物在空间和时间上的运动，以确定与障碍物碰撞的概率。采取措施，以避免障碍物，智能地操纵机器人的速度在空间-时间间隔，其中大量的障碍物相交的机器人的轨迹。我们的方法潜在地减少了计算昂贵的碰撞检测库的使用。基于我们的实验，有一个显着的改善现有的方法在安全性，准确性，执行时间和计算成本。我们的研究结果表明，与移动障碍物的碰撞的预测和实际数量之间的准确性很高。
2020-07-29 cs.RO
Lost and Found: Detecting Small Road Hazards for Self-Driving Vehicles
Daimler R&D（戴姆勒研发中心）；TU Dresden（德累斯顿工业大学）
检测前方道路上的小障碍物是驾驶任务的关键部分，必须由全自动驾驶汽车掌握。在本文中，我们提出了一种基于立体视觉的方法来可靠地检测这样的障碍物从移动车辆。该算法直接在视差空间中对立体图像数据进行统计假设检验，评估独立局部补丁上的自由空间和障碍假设。这种检测方法不依赖于全局道路模型，并处理静态和移动障碍物。为了进行评估，我们采用了一种新的丢失货物图像序列数据集，包括超过2000帧的障碍物和自由空间的像素注释，并提供了一个彻底的比较，以几个立体为基础的基线方法。该数据集将提供给社区，以促进对这一重要主题的进一步研究。该方法优于所有考虑的基线，在我们的评估像素和对象的水平和运行在帧速率高达20 Hz的2兆像素的立体图像。可以在20 m的距离内以低误报率成功地检测到低至5 cm高度的小障碍物。
2016-09-15 cs.CV cs.RO
Nonlinear Model Predictive Control with Single-Shooting Method for Autonomous Personal Mobility Vehicle
Research Center for Smart Mechatronics, National Research and Innovation Agency (BRIN)（国家研究与创新署智能机电一体化研究中心）；Diponegoro University（迪波内戈罗大学）；Osaka University（大阪大学）
本文提出基于single-shooting的NMPC方法，通过NLP求解差速驱动SEATER的轨迹控制问题，并在Gazebo与ROS仿真中验证其避障、到位及实时性能。
2025-09-20 cs.RO
Robust Perception and Navigation of Autonomous Surface Vehicles in Challenging Environments
Dartmouth College（达特茅斯学院）
针对沿海监测中静态与动态障碍物、不确定信息及高成本等问题，研究开发了机器人船系统、海上感知及多障碍避碰与多目标优化的导航决策方法。
2024-05-27 cs.RO
Stereo obstacle detection for unmanned surface vehicles by IMU-assisted semantic segmentation
University of Ljubljana, Faculty of Computer and Information Science（卢布尔雅那大学计算机与信息科学学院）；University of Ljubljana, Faculty of Electrical Engineering（卢布尔雅那大学电气工程学院）
提出了一种新的无人水面航行器障碍物检测算法。一个国家的最先进的图形模型的语义分割扩展到将船的俯仰和滚动测量从船上的惯性测量单元（IMU），并提出了一个立体验证算法，巩固从分割获得的试探性检测。该方法利用IMU读数来估计图像中水平线的位置，自动调整概率语义分割模型中的先验知识。我们推导出的方程投影到图像的地平线，提出了一种有效的优化算法的扩展图形模型，并提供了一个实用的IMU相机USV校准过程。使用配备有多个同步传感器的USV，我们捕获了一个新的具有挑战性的多模态数据集，并使用水边缘和障碍物对其图像进行注释。实验结果表明，该算法的水边缘检测准确率提高了近30%，误报率降低了21%，漏报率降低了近60%，真阳性率提高了65%，且Matlab实现具有实时性.
2018-02-22 cs.CV cs.RO
Decentralized Multi-Robot Navigation for Autonomous Surface Vehicles with Distributional Reinforcement Learning
Stevens Institute of Technology（史蒂文斯理工学院）；Aescape（艾斯凯普公司）
针对拥挤水域中多自主水面车辆遵循避碰规则难且不安全的问题，提出基于分布式强化学习的多ASV避碰策略，考虑多类交互，仿真显示其安全性更优、耗时能耗更低，风险自适应变体可提升高拥挤环境安全性。
2024-03-06 cs.RO
Ground-Aware Octree-A* Hybrid Path Planning for Memory-Efficient 3D Navigation of Ground Vehicles
Robotics Program, Korea Advanced Institute of Science and Technology(KAIST)（韩国科学技术院机器人项目）；Department of Mechanical Engineering, KAIST（韩国科学技术院机械工程系）
本研究提出结合八叉树结构与改进3D A*的地面车辆混合路径规划方法，通过高度惩罚项利用可通行障碍、规避不可通行障碍，借助八叉树地图压缩减少节点探索量，在保证最优路径的同时显著降低内存与计算开销，支持实时3D导航。
2025-09-05 cs.RO
Trajectory Planning for Hybrid Unmanned Aerial Underwater Vehicles with Smooth Media Transition
Univ. Fed. do Rio Grande – FURG（里奥格兰德联邦大学）；Univ. Fed. de Minas Gerais（米纳斯吉拉斯联邦大学）；AuRos Robotics；Universidade de Campinas（坎皮纳斯大学）
在过去的十年中，人们在混合无人水下航行器的研究中付出了巨大的努力，这些机器人可以轻松地飞行和潜入水中，具有不同程度的机械适应性。然而，这方面的文献大多集中在物理设计，施工的实际问题，以及最近，低层次的控制策略。在高级智能的背景下，如运动规划和与现实世界的交互方面，几乎没有做过什么。因此，我们在本文中提出了一种轨迹规划方法，允许碰撞避免对未知的障碍物和空中和水生介质之间的平滑过渡。我们的方法是基于经典的快速探索随机树，其主要优点是能够处理障碍物，复杂的非线性动力学，模型的不确定性和外部干扰的变体。该方法使用的动力学模型的\hydrone，一个混合动力车辆提出了高水下性能，但我们相信它可以很容易地推广到其他类型的空中/水上平台。在实验部分中，我们提出了在充满障碍物的环境中的模拟结果，其中机器人被命令执行不同的媒体运动，证明了我们的策略的适用性。
2021-12-27 cs.RO
Perception Simplex: Verifiable Collision Avoidance in Autonomous Vehicles Amidst Obstacle Detection Faults
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mercer University（默瑟大学）；Technical University of Munich（慕尼黑工业大学）
针对自动驾驶中DNN感知不可验证导致的碰撞风险，提出感知单纯形架构，利用可验证的经典障碍物检测算法识别DNN检测器故障并触发纠正，实现确定性容错与安全保障。
2023-11-28 cs.LG cs.RO cs.SY
DP and QP Based Decision-making and Planning for Autonomous Vehicle
本文提出一种结合动态规划（DP）全局路径规划与二次规划（QP）局部轨迹优化的自动驾驶决策规划框架，利用S-T图实现动静态障碍物避让，仿真验证了其在复杂环境中的有效性与鲁棒性。
2024-11-11 cs.RO cs.SY eess.SY
Real-Time Model Predictive Control of Vehicles with Convex-Polygon-Aware Collision Avoidance in Tight Spaces
Department of Mechanical Systems Engineering（机械系统工程系）；Nagoya University（名古屋大学）
本文针对狭窄空间车辆避障问题，提出将多边形近似融入MPC框架，并通过SVM和MSDE两种方法将析取约束转化为合取约束，实现实时且精确的避障运动规划。
2025-05-08 cs.RO
A Closed-Loop Linear Covariance Framework for Vehicle Path Planning in a Static Uncertain Obstacle Fiel
Air Force Institute of Technology（空军理工学院）
不确定环境下的路径规划是实现车辆真正自主的关键。在过去的二十年中，已经开发了许多方法来解决车辆路径中的错误，同时导航复杂且通常不确定的环境。这种规划的一个重要功能是预测车辆分散协方差的候选path. This工作开发了一个新的闭环线性协方差（CL-LinCov）的框架，适用于广泛的自治系统架构。所开发的框架的重要特征包括：（1）从低级控制中分离高级制导，（2）支持具有内部状态、动态和输出的输出反馈控制器，以及（3）用于导航状态传播、制导和反馈控制的多用途连续传感器。该框架的闭环性质保留了系统动力学、外生干扰和制导、导航和控制算法之间的重要耦合。所开发的框架被应用到一个简化的模型的无人机，并通过比较，通过蒙特卡罗分析进行验证。CL-LinCov信息的效用说明了其应用程序的路径规划在一个静态的，不确定的障碍领域通过修改后的版本的快速探索随机树算法。
2021-10-05 cs.RO cs.SY eess.SY
