Koopman-Based Dynamic Environment Prediction for Safe UAV Navigation
Politecnico di Milano（米兰理工大学）；Chalmers University of Technology（查尔姆斯理工大学）
本研究提出基于Koopman的MPC框架，结合Koopman算子线性近似障碍物动力学与MPC轨迹规划，实现动态环境下无人机安全导航，经仿真和ROS2-Gazebo验证在噪声、延迟及不确定性下性能可靠。
2025-11-10 cs.SY eess.SY
Safer Gap: A Gap-based Local Planner for Safe Navigation with Nonholonomic Mobile Robots
Georgia Institute of Technology（佐治亚理工学院）
本文扩展了基于间隙的导航技术，在潜在的差距，保证安全的非完整机器人的所有层次的本地计划者层次结构，所谓的安全差距。第一层通过间隙生成基于Bezier的无碰撞路径。一个子集的可导航的自由空间，从机器人通过一个间隙，称为锁孔，被定义为工会的最大的无碰撞的磁盘中心的机器人和一个梯形区域通过间隙。它是由一个浅的神经网络归零障碍函数（ZBF）编码。非线性模型预测控制（NMPC），锁孔ZBF约束和Bezier路径的输出跟踪，合成一个安全的运动学上可行的轨迹。在基于逐点优化的安全控制合成模块中低级别使用Keyhole ZBF作为最终安全层。仿真和实验验证了Safer Gap的无碰撞导航特性。
2023-03-14 cs.RO cs.SY eess.SY
CBF-based Probabilistic Safe Navigation under Unknown Nonlinear Obstacle Dynamics
University of Texas at Austin（德克萨斯大学奥斯汀分校）；NOVA School of Science and Technology (NOVA-FCT)（新里斯本科学技术学院）；Center of Technology and Systems (UNINOVA-CTS)（技术与系统中心）；Institute for Systems and Robotics (ISR-Lisbon), Instituto Superior Técnico (IST)（系统与机器人研究所）
本文提出一种数据驱动的观测器，用于未知障碍动力学，生成alpha置信集流，并转化为控制屏障函数以确保(1-alpha)概率安全，适用于任意相对阶的自主水面车辆动力学。
2026-04-16 cs.SY eess.SY
Dissipative Avoidance Feedback for Reactive Navigation Under Second-Order Dynamics
针对二阶动力学机器人在未知障碍环境中的导航，提出耗散回避反馈（DAF），同时利用位置与速度实现平滑避障，保证安全并支持实时应用。
2025-03-30 cs.SY eess.SY
Safe Multi-Agent Navigation via Constrained HJB-Informed Learning
National University of Singapore（新加坡国立大学）
本文提出HJB-GNN框架，通过联合学习控制屏障函数、分布式导航策略和价值函数，实现多智能体导航中的安全约束与目标达成的平衡，验证了其在复杂环境中的优越性能和可扩展性。
2026-05-13 cs.SY eess.SY
Safe and robust tube-based path-following for robot navigation
Universidade Federal de Minas Gerais (UFMG)（米纳斯吉拉斯联邦大学）；NUAR Systems LTDA（NUAR系统有限公司）
该研究针对未知杂乱环境中的机器人路径跟踪任务，提出含标称制导控制、平滑避障、统一控制目标与自适应组件的管型控制导航框架，经仿真验证可保障安全鲁棒性。
2026-08-04 cs.SY eess.SY
Safe Hierarchical Navigation in Crowded Dynamic Uncertain Environments
Georgia Institute of Technology（佐治亚理工学院）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种由多阶段规划器和底层安全控制器组成的层次化解决方案，以共同解决拥挤、动态和不确定环境中的安全导航问题。该规划器采用动态间隙分析和轨迹优化来实现与传感和规划范围内动态代理的预测轨迹的碰撞避免，并对代理不确定性具有鲁棒性。为了解决规划范围内的不确定性和实时安全性，采用快速反应安全设置算法（SSA），在轨迹跟踪过程中监测和修改不安全的控制。与其他现有方法相比，我们的方法提供了理论上的安全保证，并在不确定的环境中以更高的概率实现无碰撞导航，如20和50个动态代理的场景所示。项目网址：https://hychen-naza.github.io/projects/HDAGap/。
2023-03-24 cs.RO cs.SY eess.SY
Safety-Critical Control for Quadrotor UAVs via Decentralized Navigation Functions
Universidad Politécnica de Madrid（马德里理工大学）；School of Science and Technology, IE University（IE大学科学与技术学院）；Centre for Automation and Robotics (CSIC-UPM)（自动化与机器人中心（西班牙国家科学研究委员会-马德里理工大学））
针对学习到的模型不确定性下的四旋翼无人机团队，提出基于分布式导航函数的安全关键控制方法，构造推力-姿态实现并设计聚合鲁棒HOCBF-QP安全滤波器，实现高概率两两避碰。
2026-08-14 cs.SY eess.SY math.OC
Safe Navigation using Neural Radiance Fields via Reachable Sets
Researcher, Hitachi America Ltd.（Hitachi America Ltd.研究人员）；Sr. Researcher, Hitachi America Ltd.（Hitachi America Ltd.高级研究人员）
本文提出利用可达集和神经辐射场进行安全导航，通过约束最优控制解决路径规划问题，验证了在复杂环境中安全避障的能力。
2026-04-29 cs.RO cs.SY eess.SY
Corridor-based Adaptive Control Barrier and Lyapunov Functions for Safe Mobile Robot Navigation
University of Virginia（弗吉尼亚大学）
本文提出一种结合CLF与CBF的MPCC框架，利用自由空间走廊约束并通过SAC动态调整参数，实现未知杂乱环境下的安全导航。
2025-07-19 cs.RO cs.SY eess.SY
Feedback-Based Mobile Robot Navigation in 3-D Environments Using Artificial Potential Functions Technical Report
本文提出了一种用于三维环境中移动机器人导航的人工势场方法，通过多项式函数构造并验证了在存在障碍物时的导航性能。
2026-01-14 cs.RO cs.SY eess.SY
Safe Navigation in Cluttered Environments Via Spline-Based Harmonic Potential Fields
CAMPUS Research Institute（CAMPUS研究所）；University Grenoble Alpes, Grenoble INP† , LCIS（格勒诺布尔阿尔卑斯大学，格勒诺布尔理工学院LCIS）
本文提出了一种基于样条调和势场的方法，用于在杂乱环境中安全导航，通过控制策略引导代理沿预设单元序列移动，确保目标跟踪和障碍回避。
2026-11-04 cs.SY eess.SY
Safe Autonomous Navigation for Systems with Learned SE(3) Hamiltonian Dynamics
University of California San Diego（加州大学圣地亚哥分校）
未知环境下的安全自主导航是移动机器人面临的重要问题。本文提出的技术，学习动力学模型的移动机器人的轨迹数据和合成的跟踪控制器的安全性和稳定性的保证。刚体机器人的状态通常包含其位置、方向和广义速度，并满足Hamilton运动方程。而不是一个手工推导的动力学模型，我们使用的状态控制轨迹的数据集训练的一个神经常微分方程（ODE）网络表示的双线性等变非线性哈密顿模型。学习的哈密顿模型被用来合成一个能量成形无源性为基础的控制器，并推导出保证安全调节到所需的参考姿态的条件。我们使自适应跟踪所需的路径，从障碍物距离测量获得的安全约束。利用机器人能量和违反安全约束距离之间的权衡，自适应地控制沿着所需路径的参考位姿。我们的安全自适应控制器在未知环境中导航的模拟六旋翼机器人上进行了演示。
2022-04-07 cs.RO cs.SY eess.SY
LLM-Enhanced Path Planning: Safe and Efficient Autonomous Navigation with Instructional Inputs
New York University（纽约大学）；Tandon School of Engineering（坦登工程学院）；George Mason University（乔治梅森大学）
本文提出融合LLM、二维占据栅格地图与自然语言指令的导航框架，通过结构化任务分解与动态重规划提升动态环境中拾取放置任务的安全性和效率。
2024-12-03 cs.RO cs.SY eess.SY
Sensor-Based Distributionally Robust Control for Safe Robot Navigation in Dynamic Environments
Contextual Robotics Institute, University of California San Diego（情境机器人研究所，加州大学圣地亚哥分校）
本文提出一种基于机载传感与分布鲁棒优化的DR-CBF方法，结合CLF实现动态未知环境中移动机器人的安全高效导航，并通过仿真与差速驱动机器人实验验证其有效性和鲁棒性。
2025-05-06 cs.RO cs.SY eess.SY
Control Barrier Functions with Audio Risk Awareness for Robot Safe Navigation on Construction Sites
本文提出一种基于控制障碍函数的机器人安全导航方法，通过音频风险提示增强避障能力，有效提升建设工地环境下的自主导航安全性。
2026-02-12 cs.RO cs.SY eess.SY
DODGER: Safety-Guided Reinforcement Learning for Robot Navigation Among Dynamic Obstacles
Yonsei University（延世大学）；Seoul National University（首尔大学）；University of Michigan（密歇根大学）；Korea Institute of Science and Technology (KIST)（韩国科学技术研究院）
提出DODGER安全引导强化学习框架，直接执行策略动作并利用CBF过滤参考和约束违反塑造避碰行为，在仿真和真实人形实验中实现无运行时安全过滤器的动态障碍物导航。
2026-10-06 cs.RO cs.SY eess.SY
Hybrid Feedback for Autonomous Navigation in Environments with Arbitrary Convex Obstacles
Western University（西安大略大学）；University of Quebec in Outaouais（魁北克大学乌塔韦校区）；Lakehead University（湖首大学）
我们开发了一个自主导航算法的机器人在二维环境中操作杂乱的障碍物具有任意凸形状。所提出的导航方法依赖于一个混合反馈，以保证全局渐近稳定的机器人对一个预定义的目标位置，同时确保无障碍工作空间的前向不变性。其主要思想包括在移动到目标模式和避障模式之间的机器人相对于最近的障碍物的接近度的基础上设计一个适当的切换策略。建议的混合控制器产生连续的速度输入轨迹时，机器人初始化远离不安全区域的边界。最后，我们提供了一个算法程序的传感器为基础的实施所提出的混合控制器，并通过一些仿真结果验证其有效性。
2022-08-03 cs.RO cs.SY eess.SY
Robust and Safe Autonomous Navigation for Systems with Learned SE(3) Hamiltonian Dynamics
稳定性和安全性是成功部署自动控制系统的关键属性。作为一个激励性的例子，考虑在复杂环境中的自主移动机器人导航。推广到不同操作条件的控制设计需要系统动态模型、对建模误差的鲁棒性以及满足安全性\NEWZL{constraints}，例如避免碰撞。本文提出了一种神经元常微分方程网络，从弹道数据中学习哈密顿系统的动力学。学习的哈密顿模型用于合成基于能量成形无源性的控制器，并分析其\emph{robustness}对学习的模型中的不确定性以及其\emph{safety}相对于环境施加的约束。给定一个所需的参考路径的系统，我们扩展我们的设计使用虚拟参考总督实现跟踪控制。调节器状态作为一个调节点，沿着参考路径自适应地移动，平衡系统能量水平，模型不确定性界限，以及距离安全违规，以保证鲁棒性和安全性。我们的哈密顿动力学学习和跟踪控制技术证明在\Revised{simulated hexarotor and quadrotor robots}在混乱的3D环境中导航。
2022-07-22 cs.RO cs.SY eess.SY
Safe Navigation in Human Occupied Environments Using Sampling and Control Barrier Functions
Arizona State University（亚利桑那州立大学）；Toyota Research Institute of North America（丰田北美研究院）
基于采样的方法，如快速探索随机树（RRT）已被广泛用于自主移动系统的运动路径生成。在这项工作中，我们扩展了基于时间的RRT与控制障碍功能（CBF），以生成，安全的运动计划，在动态环境中有许多行人。我们的框架是基于人体运动预测模型，这是非常适合于室内狭窄的环境。我们在丰田人类支持机器人在狭窄走廊中导航的高保真模型上展示了我们的方法。我们在三种情况下，我们提出的在线方法可以安全地导航存在未知动态的移动代理。
2021-08-02 cs.RO cs.SY eess.SY
Integrated Task and Motion Planning for Safe Legged Navigation in Partially Observable Environments
Georgia Institute of Technology（佐治亚理工学院）
本研究提出一个阶层式整合架构，以解决在动态障碍物与不平坦地形之部分可观察环境中，双足移动之安全作业与运动规划问题。高级任务规划器采用线性时序逻辑（LTL）的机器人和它的环境之间的反应式游戏合成，并提供了一个正式的保证导航安全和任务完成。为了解决环境部分可观测性问题，在高层导航规划器中采用置信抽象来估计动态障碍物的位置。因此，合成动作规划器将一组运动动作发送到中间级运动规划器，同时结合基于运动过程的降阶模型（ROM）从安全定理提取的安全运动规范。运动规划器采用ROM来设计安全标准和采样算法来生成精确跟踪高级动作的非周期性运动计划。在低层次上，实现了基于角动量线性倒立摆模型的脚放置控制器，并与踝关节驱动的基于无源性的控制器集成，用于全身轨迹跟踪。为了解决外部扰动，本研究还探讨了安全的关键帧运动状态的顺序组成，并实现了强大的过渡，对外部扰动，通过可达性分析。整个TAMP框架进行了验证与广泛的模拟和硬件实验上的双足步行机器人Cassie和Digit设计的敏捷机器人。
2023-03-08 cs.RO cs.SY eess.SY
Hybrid Feedback Control for Global Navigation with Locally Optimal Obstacle Avoidance in n-Dimensional Spaces
Department of Electrical Engineering, Lakehead University（电气工程系，拉科夫大学）；Department of Computer Science and Engineering, University of Quebec in Outaouais（计算机科学与工程系，魁北克大学瓦省分校）
提出一种混合反馈控制框架，通过动态切换向目标运动和局部最优避障两种模式，实现在n维球形障碍物环境中的安全全局导航，生成连续速度输入，兼容距离传感器，仿真与实验验证了其路径更短、轨迹更平滑。
2025-10-09 cs.RO cs.SY eess.SY
Input-Constrained Spatiotemporal Tubes for Safe Navigation of Unknown Euler-Lagrange Systems in Dynamic Environments
Department of Cyber-Physical Systems（网络物理系统系）；Indian Institute of Science（印度科学研究院）
针对未知欧拉 - 拉格朗日系统在动态环境中安全导航难题，提出实时控制框架，通过扩展时空管框架纳入输入约束，推导可行性条件，经模拟和硬件实验验证，实现满足执行器约束的安全导航。
2026-07-10 cs.RO cs.SY eess.SY
Safety Verification and Navigation for Autonomous Vehicles based on Signal Temporal Logic Constraints
Clemson University（克莱姆森大学）
针对自动驾驶车辆导航的安全验证需求，本研究提出以信号时序逻辑（STL）规约为额外约束的模型预测控制器，结合sTaliro工具构建闭环控制方案，经多场景测试验证了车辆安全导航能力。
2024-09-16 cs.RO cs.SY eess.SY
Egocentric Conformal Prediction for Safe and Efficient Navigation in Dynamic Cluttered Environments
Seoul National University（首尔大学）
提出一种基于 egocentric score functions 和自适应 CP 机制的导航框架，仅响应安全关键的预测误差，在动态杂乱环境中兼顾安全性与成本效率。
2025-04-01 cs.RO cs.SY eess.SY
Visibility-Aware RRT* for Safety-Critical Navigation of Perception-Limited Robots in Unknown Environments
University of Michigan（密歇根大学）
针对感知受限机器人在未知环境中的碰撞风险，提出融合避障 CBF 与新型可见性 CBF 的 Visibility-Aware RRT*，并经两类安全控制器实验验证其安全与效率优势。
2025-03-17 cs.RO cs.SY eess.SY
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
An Efficient Reachability-Based Framework for Provably Safe Autonomous Navigation in Unknown Environments
University of California, Berkeley（加州大学伯克利分校）
提出一种基于Hamilton-Jacobi可达性的高效实时安全分析框架，在未知环境中为自主导航提供可证明的安全保证，且不依赖特定规划器，并已在仿真和硬件上验证。
2019-05-01 cs.AI cs.LG cs.RO
Real-Time Safe Bipedal Robot Navigation using Linear Discrete Control Barrier Functions
The Ohio State University（俄亥俄州立大学）
本研究提出一个统一的安全路径与步态规划框架，利用线性倒立摆模型和线性离散控制屏障函数，实现人形机器人在杂乱环境中的实时安全导航，并在仿真中验证了其有效性。
2024-11-06 cs.RO cs.SY eess.SY
Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds
University of California, Berkeley（加州大学伯克利分校）
针对人群中机器人安全导航时人类运动预测不确定性难融入控制的问题，提出分布鲁棒机会约束MPC方法，用分布鲁棒条件风险价值近似实现实时计算，经真实行人数据验证可高效安全导航。
2024-03-08 cs.RO cs.SY eess.SY
Competency-Aware Planning for Probabilistically Safe Navigation Under Perception Uncertainty
Department of EECS, UC Berkeley（电子工程与计算机科学系，伯克利大学）
本文提出PaRCE方法，通过估计模型对输入图像的整体和局部熟悉度，提升在感知不确定性下的导航安全性与效率。
2025-07-26 cs.AI cs.CV cs.RO
Stochastic COLREGs Evaluation for Safe Navigation under Uncertainty
Technical University of Denmark（丹麦技术大学）
针对船舶会遇态势评估中的随机不确定性导致COLREGs违规风险，提出一种可解释的概率评估方法，提供不确定性度量，支持有人及自主船舶决策，并通过仿真验证其有效性。
2024-02-08 cs.RO cs.SY eess.SY
Geometry-Aware Safety-Critical Local Reactive Controller for Robot Navigation in Unknown and Cluttered Environments
The Hong Kong University of Science and Technology（香港科技大学）；Hong Kong Baptist University（香港浸会大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本研究针对未知杂乱环境下机器人导航问题，提出基于多项式优化与SOS近似的几何感知安全关键型局部反应控制器，通过凸化为SDP实现实时求解，验证了其安全性与跟踪性能优势。
2023-10-09 cs.RO cs.SY eess.SY
Differentiable Optimization Layered Safety-Critical Control for Risk-Aware Navigation via Conformal Prediction
Institute of Robotics and Automatic Information Systems, College of Artificial Intelligence, Nankai University, Tianjin 300071, China（机器人与自动化信息系统学院，人工智能学院，南开大学，天津300071，中国）；Academy for Advanced Interdisciplinary Studies, Nankai University, Tianjin 300071, China（先进交叉学科研究院，南开大学，天津300071，中国）；Institute of Intelligence Technology and Robotic Systems, Shenzhen Research Institute of Nankai University, Shenzhen 518083, China（智能技术与机器人系统研究所，南开大学深圳研究院，深圳518083，中国）
本文提出基于共形预测的可微优化分层安全关键控制方法，用于未知环境中风险感知导航。通过生成风险感知障碍物椭球体，构建控制屏障函数以实现避障和可行性保障，并通过数值模拟验证了方法的有效性。
2026-05-05 cs.AI cs.SY eess.SY
Capability-Aware Heterogeneous Control Barrier Functions for Decentralized Multi-Robot Safe Navigation
Department of Computer Science and Engineering, Texas A&M University（德克萨斯A&M大学计算机科学与工程系）；Department of Computer Science, University of Illinois Chicago（伊利诺伊大学芝加哥分校计算机科学系）
本文提出CA-HCBF框架，通过统一动力学模型和能力度量，实现异构机器人团队的安全一致性和能力感知协调，提升安全性和任务效率。
2026-11-04 cs.RO cs.SY eess.SY
From Low to High Order Motion Planners: Safe Robot Navigation using Motion Prediction and Reference Governor
Eindhoven University of Technology（埃因霍温理工大学）；Eindhoven AI Systems Institute（埃因霍温人工智能系统研究所）
安全地绕过障碍物是高度动态机器人面临的一个根本挑战。使用轨迹优化和跟踪控制使简单参考路径规划器适应复杂机器人动力学的现有方法是脆弱的，并且需要显著的重新规划周期。在本文中，我们介绍了一种新的反馈运动规划框架，该框架将低阶（例如位置/速度控制）参考运动规划器的适用性扩展到高阶（例如，加速度/急动控制的）机器人模型。我们使用预测的机器人运动范围进行安全评估，并建立一个双向的接口之间的高层次的规划和低层次的控制，通过一个参考总督。我们描述了我们的反馈运动规划框架的通用基本构建块，并给出了运动控制，预测和参考规划的具体示例结构。我们证明了我们的规划框架的正确性，并在数值模拟中展示了其性能。我们的结论是，准确的运动预测是至关重要的高层次的规划和低层次的控制之间的差距。
2022-02-25 cs.RO cs.SY eess.SY
From Kinematic Motion Planners to Dynamic Autonomous Navigation with Obstacle Avoidance (Extended version)
Department of Electrical and Computer Engineering, Lakehead University（电气与计算机工程系，拉科夫大学）
本文提出两种控制方案，将一阶运动规划器的安全与收敛保证扩展到二阶动力学机器人，并通过仿真验证其有效性。
2026-10-06 cs.RO cs.SY eess.SY
Data-Driven Risk-sensitive Model Predictive Control for Safe Navigation in Multi-Robot Systems
Indian Institute of Technology (IIT) Kharagpur（印度理工学院卡拉格普尔分校）
安全导航是多机器人系统中的一个基本挑战，这是由于机器人未来轨迹的不确定性，这些机器人相互之间充当障碍物。在这项工作中，我们提出了一个原则性的数据驱动的方法，每个机器人反复解决有限的地平线优化问题，避免碰撞的约束，后者被制定为分布式强大的条件风险值（CVaR）的代理和多面体障碍几何之间的距离。具体而言，CVaR约束要求对所有接近经验分布的分布都成立，该经验分布是从执行期间收集的预测误差的观察样本构建的。该方法的一般性使我们能够鲁棒性地对抗在分布式和分散式设置中通常施加的假设下产生的预测误差。我们推导出易于处理的有限维近似这类约束，利用凸和极大极小对偶结果Wasserstein分布鲁棒优化问题。在Gazebo平台上实现的多无人机导航环境中说明了所提出方法的有效性。
2022-09-16 cs.RO cs.SY eess.SY
Grounding-aware RRT* for Path Planning and Safe Navigation of Marine Crafts in Confined Waters
Technical University of Denmark（丹麦技术大学）
本文提出了一种基于RRT* 的路径规划算法，该算法解决了在规避机动以避免碰撞期间接地的风险。规划者通过将集体航行经验与系统使用电子航海图的水深信息相结合来实现这一目标。多元核密度估计应用于历史AIS数据生成一个概率模型，描述海员的最佳做法，而在封闭水域航行。然后将此知识编码到RRT* 成本函数中，以惩罚将导致自己的船在浅水中航行的路径偏差。满足自身船舶吃水的深度等值线定义了实际的通航区域，并采用该非凸区域的三角剖分以实现均匀采样。这确保了最佳的路径偏差。
2021-09-14 cs.RO cs.SI cs.SY
Distilling Privileged Control Barrier Functions into RGB-Only Safety Filters for Dynamic Visual Navigation
Seoul National University（首尔大学）
针对RGB视觉导航在动态环境中的碰撞风险，提出教师-学生蒸馏框架，将特权CBF安全行为迁移至仅RGB滤波器，实验证明其优于视觉CBF基线并提升安全性。
2026-09-30 cs.CV cs.RO cs.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
Deep Reinforcement Learning with Enhanced PPO for Safe Mobile Robot Navigation
KN Toosi University of Technology（霍加·纳绥尔丁·图西大学）
本文研究在Gazebo仿真环境中利用深度强化学习实现移动机器人自主避障导航，通过改进PPO算法的神经网络结构和奖励函数提升性能，实验验证了其有效性。
2024-08-06 cs.LG cs.RO cs.SY
Disentangling Uncertainty for Safe Social Navigation using Deep Reinforcement Learning
IEEE/RSJ International Conference on Intelligent Robots and Systems（IEEE/RSJ国际智能机器人系统会议）
本研究将偶然、认知和预测不确定性估计集成到PPO算法中，通过ODV和dropout解耦不确定性，并在不确定决策时采用保守避碰策略，以提高机器人在行人密集且受扰动环境中的安全导航性能。
2025-07-09 cs.AI cs.RO cs.SY
Deadlock-free, Safe, and Decentralized Multi-Robot Navigation in Social Mini-Games via Discrete-Time Control Barrier Functions
University of Virginia（弗吉尼亚大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI, America（美国索尼人工智能公司）
针对受限空间中多机器人导航的安全与死锁问题，提出基于离散时间控制屏障函数的去中心化最优滚动时域控制方法，通过最小干预扰动至活性集实现无死锁，实验证明其优于现有中心化与去中心化方法。
2025-01-24 cs.GT cs.MA cs.RO
