Agile and Safe Trajectory Planning for Quadruped Navigation with Motion Anisotropy Awareness
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, China(华中科技大学人工智能与自动化学院)
本文提出了一种考虑四足机器人运动各向异性的导航框架,通过轨迹生成与优化提升导航效率和安全性。
2024-03-15 cs.RO
Learning Social Navigation from Demonstrations with Deep Neural Networks
Bogazici University(博加齐大学)
针对机器人社交导航需求,本研究利用深度学习在全局和局部规划层面的进展,训练两个分别对应不同目标的深度模型并应用于仿真机器人,实现了性能优于前馈神经网络的人类感知导航。
2024-04-17 cs.RO
Edge Accelerated Robot Navigation With Collaborative Motion Planning
University of Macau(澳门大学);The University of Hong Kong(香港大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Zhejiang University(浙江大学);Weizmann Institute of Science(魏茨曼科学研究所)
提出边缘加速机器人导航(EARN),通过协同运动规划与模型预测切换,在资源约束下最大化切换增益,实现实时避障,显著减少导航时间并提高成功率。
2024-06-25 cs.RO
ARMP: Autoregressive Motion Planning for Quadruped Locomotion and Navigation in Complex Indoor Environments
Georgia Institute of Technology(佐治亚理工学院)
由于足式机器人复杂的动力学特性,使其产生自然的、物理上可行的运动一直是一个具有挑战性的问题。在这项工作中,我们介绍了一种新的基于学习的框架自回归运动规划器(ARMP)的四足动物的运动和导航。我们的方法可以生成运动计划与任意长度的自回归的方式,不像大多数离线轨迹优化算法的固定轨迹长度。为此,我们首先通过解决各种场景和参数设置的密集轨迹优化问题来构建运动库。然后,我们从数据集学习的运动流形在监督学习的方式。我们表明,建议的ARMP可以产生物理上合理的各种任务和情况下的运动。我们还展示了我们的方法可以成功地集成到最近的机器人导航框架作为一个低级别的控制器,并释放复杂的室内导航的足式机器人的全部能力。
2023-03-28 cs.RO
Enhancing Social Robot Navigation with Integrated Motion Prediction and Trajectory Planning in Dynamic Human Environments
School of Information Science, Japan Advanced Institute of Science and Technology(日本先进科学技术学院信息科学学院);University of Engineering and Technology, Vietnam National University Hanoi(越南国家大学河内工程技术大学)
本文提出一种集成运动预测与轨迹规划的方法,通过将人类交互信息融入TEB算法目标函数并设计社交约束,实现动态人类环境中的安全社交导航,实验验证其优越性能。
2024-11-04 cs.RO
Hybrid Map-Based Path Planning for Robot Navigation in Unstructured Environments
National University of Defense Technology(国防科技大学)
快速准确的路径规划对于地面机器人在非结构化户外环境中实现安全高效的自主导航至关重要。然而,大多数利用2D或2.5D地图的现有方法都难以平衡地面机器人在这种具有挑战性的场景中导航的效率和安全性。在本文中,我们提出了一种新的混合地图表示融合的2D网格和2.5D数字高程图。在此基础上,提出了一种新的路径规划方法,它考虑了机器人的位姿在可通过性估计。通过这样做,我们的方法显式地将安全性作为规划约束,使机器人能够顺利地在非结构化环境中导航。所提出的方法已经在模拟数据集和真实机器人平台上进行了评估。实验结果证明了该方法的有效性和实用性。与最先进的基线方法相比,所提出的方法始终为机器人在不同的非结构化户外环境中生成更安全,更容易的路径。我们的方法的实现可在https://github.com/nubot-nudt/T-Hybrid-planner公开获得。
2023-03-09 cs.RO
RAVEN: Reinforcement-Adaptive Visibility-Graph Planning for Robust Humanoid Navigation with Collision-Free MPC
Robotics and Mechanisms Laboratory (RoMeLa), Department of Mechanical and Aerospace Engineering, University of California, Los Angeles(机器人与机构实验室(RoMeLa),机械与航天工程系,加利福尼亚大学洛杉矶分校)
研究针对人形机器人在动态环境中的导航问题,提出RAVEN框架,通过强化学习自适应调整可见性图规划器几何结构,结合无碰撞MPC层跟踪轨迹,经实验评估,该方法能减少超调、提高狭窄通道稳健性及在延迟噪声下可靠导航。
2026-07-20 cs.RO
Smooth Path Planning Using a Gaussian Process Regression Map for Mobile Robot Navigation
ONERA, Université Paris-Saclay(ONERA、巴黎-萨克雷大学)
针对非结构化危险环境中的地面机器人导航,提出基于 GPR 连续地形表示并结合 A*、T-RRT 与 BCO 的平滑路径规划框架,实验验证了联合使用连续表示和不同先验的优势。
2024-07-08 cs.RO
Beyond Shortsighted Navigation: Merging Best View Trajectory Planning with Robot Navigation
提出连续长时程视角规划(LHVP)框架,通过耦合机械臂相机视角与移动底座导航规划,优化四足机器人巡视时的环境覆盖率,显著优于传统巡视方法。
2024-08-22 cs.RO
Learning Wheelchair Tennis Navigation from Broadcast Videos with Domain Knowledge Transfer and Diffusion Motion Planning
Georgia Institute of Technology(佐治亚理工学院)
提出零样本知识迁移与扩散运动规划框架,从网球转播视频学习专家导航策略,并在真实轮椅上验证了高成功率。
2025-05-08 cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));The Chinese University of Hong Kong(香港中文大学);The University of British Columbia(不列颠哥伦比亚大学)
在人口密集的动态环境中,机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地,移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑,分为全局路径规划和局部路径规划。在此框架内,路径规划方法的最新进展,在文件中,同时检查他们的优点和缺点。值得注意的是,最近开发的速度障碍法及其变种,作为当地的规划者进行了全面的分析。此外,作为当前机器人应用中广泛使用的无模型方法,本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Deep Probabilistic Traversability with Test-time Adaptation for Uncertainty-aware Planetary Rover Navigation
Keio University(庆应义塾大学);OMRON SINIC X Corporation(欧姆龙 SINIC X 公司)
本文提出深度概率可通行性框架,将不确定性量化、利用与自适应统一到端到端概率机器学习模型中,直接预测滑移分布并用于路径规划,通过现场经验自适应减少不确定性,在行星类比地形仿真中实现了比现有方法更鲁棒的导航。
2024-09-01 cs.RO
CBF-Based STL Motion Planning for Social Navigation in Crowded Environment
University of Modena and Reggio Emilia(摩德纳与雷焦艾米利亚大学);University of Modena(摩德纳大学)
本文提出一种结合CBF与STL的运动规划方法,通过引入旋转约束将用户保持在机器人视场内,实现拥挤环境中安全且可定制的社会责任导航,并通过仿真验证其有效性。
2024-03-30 cs.RO
Autonomous Intelligent Navigation for Flexible Endoscopy Using Monocular Depth Guidance and 3-D Shape Planning
City University of Hong Kong(香港城市大学);Hong Kong Center for Logistics Robotics(香港物流机器人中心);The Chinese University of Hong Kong(香港中文大学)
柔性内窥镜的感知和决策的最新进展在计算机辅助手术干预中显示出巨大的潜力。然而,由于柔性内窥镜中的建模不确定性和患者间解剖变化,在患者特定场景中有效和安全导航的挑战仍然存在。本文提出了一种新的数据驱动的框架,自包含的视觉形状融合的自主智能导航的柔性内窥镜,不需要系统模型和全局环境的先验知识。提出了一种基于学习的自适应视觉伺服控制器,通过视觉Transformer(ViT)的单目深度估计,在线更新手眼视觉电机的配置并控制内窥镜的方向.为了防止与周围解剖结构的不必要的和过度的相互作用,能量激励的形状规划算法通过嵌入式光纤布拉格光栅(FBG)传感器的整个内窥镜3-D本体感受引入。此外,模型预测控制(MPC)策略的发展,以最小化的弹性势能流,同时优化转向策略。在几个幻影环境中的机器人辅助柔性内窥镜与光纤光栅光纤专用导航实验证明了所提出的框架的有效性和适应性。
2023-02-26 cs.RO
Efficient Global Navigational Planning in 3D Structures based on Point Cloud Tomography
Hong Kong University of Science and Technology(香港科技大学);University College London(伦敦大学学院);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对复杂3D场景导航需求,提出基于点云层析成像的高效全局导航框架,通过并行计算加速场景评估与轨迹生成,在仿真和真实四足机器人测试中均显著提升规划效率。
2024-03-12 cs.RO
Terrain-Aware Local Path Planning with Global DEM Data Integration for Autonomous UGV Navigation
Memorial University of Newfoundland(纽芬兰纪念大学);Compusult Ltd.(康普萨尔特有限公司)
本研究针对UGV户外导航中全局地图与实时传感器反馈脱节的问题,提出融合DEM与LiDAR的混合路径规划框架,经仿真验证可提升障碍物规避率、降低平均坡度,为可靠自主导航提供支撑。
2026-08-19 cs.RO
Bridging the Gap: Regularized Reinforcement Learning for Improved Classical Motion Planning with Safety Modules
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
提出利用经典算法指导强化学习并引入安全后备系统的方法,在无需人类示范的情况下提升了RL的收敛速度与结果,实现了样本高效且保证安全的移动导航。
2024-03-27 cs.RO
Prediction-Driven Motion Planning: Route Integration Strategies in Attention-Based Prediction Models
Institute of Measurement and Control Systems, Karlsruhe Institute of Technology (KIT)(测量与控制系统研究所,卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(信息技术研究所以)
本文提出基于注意力机制的运动预测模型,通过整合导航信息提升预测与规划任务的性能。
2025-12-03 cs.RO
Topology-Guided Path Planning for Reliable Visual Navigation of MAVs
Seoul National University(首尔国立大学)
视觉导航已广泛应用于微型飞行器(MAVs)的状态估计。为了稳定的视觉导航,MAV应该生成感知感知路径,以保证足够的可见地标。许多感知路径规划的工作集中在基于采样的规划器。然而,他们可能遭受的样本效率低下,这导致计算负担,以找到一个全局最优路径。为了解决这个问题,我们提出了一个感知感知路径规划器,利用拓扑信息的环境。由于路径的拓扑类与路径上的可见地标密切相关,该算法通过检查不同的拓扑类来选择具有丰富视觉信息的拓扑类。从环境的广义沃罗诺伊图中提取拓扑图,找到具有不同拓扑类的初始路径,并将初始路径划分为离散段,每段中的点共享相似的视觉信息,以评价不同拓扑类的感知质量.该算法首先选择感知质量高的最优类,然后利用基于图的规划器在类内生成路径。通过仿真和真实世界的实验,我们证实了所提出的方法可以保证准确的视觉导航相比,感知不可知的方法,同时显示出更高的计算效率比基于采样的感知感知规划。
2021-07-19 cs.RO
Multi-Strategy Enhanced COA for Path Planning in Autonomous Navigation
City University of Hong Kong(香港城市大学);PetroChina Southwest Oil & Gasfield Company(中国石油西南油气田公司)
本文提出多策略增强小龙虾优化算法(MCOA),通过折射反向学习、随机质心引导探索和自适应竞争选择三种策略解决复杂环境下自主导航路径规划收敛慢和解次优问题,在3D无人机和2D移动机器人场景中显著提升了规划速度与路径质量。
2025-03-04 cs.RO
CBF-Based Motion Planning for Socially Responsible Robot Navigation Guaranteeing STL Specification
University of Modena and Reggio Emilia(摩德纳与雷焦艾米利亚大学);Department of Sciences and Methods for Engineering (DISMI)(科学与工程方法系(DISMI))
本文针对社交责任导航中的安全关键导航问题,提出一种基于CBF的STL运动规划方法,通过实时计算平滑CBF和动态调整参数,在速度约束下保证任务按时完成并满足时空约束。
2024-03-30 cs.RO
Dual-BEV Nav: Dual-layer BEV-based Heuristic Path Planning for Robotic Navigation in Unstructured Outdoor Environments
Software Engineering Institute, East China Normal University(华东师范大学软件工程学院);School of Geospatial Information, Information Engineering University(信息工程大学地理空间信息学院);College of Computer and Cyber Security, Fujian Normal University(福建师范大学计算机与网络空间安全学院)
针对非结构化室外环境路径规划难题,提出 Dual-BEV Nav 方法,通过整合局部与全局 BEV 可通行性建立双层启发式规划范式,显著提升了时间距离预测精度并实现了长距离室外导航。
2025-01-30 cs.RO
BenchNav: Simulation Platform for Benchmarking Off-road Navigation Algorithms with Probabilistic Traversability
Keio University(庆应义塾大学);Nagoya University(名古屋大学)
本文提出BenchNav,一个基于PyTorch和Gymnasium的开源仿真平台,用于在不确定可通行性下对越野导航算法进行基准测试,提供数据生成、可通行性预测和统一规划执行功能,并通过三种代表性算法验证其多功能性。
2024-05-22 cs.RO
Accelerating Signal-Temporal-Logic-Based Task and Motion Planning of Bipedal Navigation using Benders Decomposition
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(机器人与智能机器研究所,佐治亚理工学院)
针对双足导航中信号时序逻辑约束下任务与运动规划的NP难及非凸约束加剧的计算复杂度问题,提出基于Benders分解的迭代割平面方法,将问题划分为主问题与子问题,实验证明其规划速度快于其他算法。
2025-08-20 cs.RO
Social Navigation Planning Based on People's Awareness of Robots
University of Texas at Austin(德克萨斯大学奥斯汀分校)
当移动机器人在人类附近移动时,它们会冒着粗暴地挡住人类道路的风险;但并非所有人在机器人周围的行为都是一样的。没有注意到机器人的人是最难预测的。本文研究了移动机器人如何在动态环境中通过预测人类行为来生成可接受的路径。在这里,人的行为可能包括身体行为和心理行为,我们侧重于后者。我们引入了一个简单的安全交互模型:当人类似乎不知道机器人时,它应该避免走得太近。在这项研究中,机器人周围的人检测和跟踪使用传感器融合和过滤技术。为了处理动态环境中的不确定性,部分可观测马尔可夫决策过程模型(POMDP)被用来制定在共享环境中的导航规划问题。在POMDP中,人们对机器人的意识被推断并包括为状态和奖励模型。所提出的计划,使机器人改变其导航计划的基础上,其感知每个人的机器人意识。据我们所知,这是一种新的能力。我们进行模拟和实验,使用丰田人类支持机器人(HSR),以验证我们的方法。我们证明了所提出的框架是能够实时运行。
2018-09-24 cs.RO
FFI-VTR: Lightweight and Robust Visual Teach and Repeat Navigation based on Feature Flow Indicator and Probabilistic Motion Planning
Department of Automation, University of Science and Technology of China (USTC)(自动化系,中国科学技术大学)
本文提出FFI-VTR方法,通过特征流与运动的定性映射和概率运动规划,实现无需精确定位与稠密重建的轻量鲁棒视觉示教与重复导航。
2025-07-17 cs.RO
MPTP: Motion-Planning-aware Task Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
我们提出了一个集成的任务-运动规划(TMP)框架,在大规模环境中的导航。最近,用于操纵的TMP引起了极大的兴趣,导致不同方法的扩散。相比之下,用于导航的TMP受到的关注要少得多。自主机器人在现实世界的复杂场景中运行,需要在离散(任务)空间和连续(运动)空间中进行规划。在知识密集型领域,一方面,机器人必须在最高级别进行推理,例如,要采购的对象,要导航到的区域,以便获取它们;另一方面,必须在执行级别检查相应导航任务的可行性。这提出了对运动规划感知任务规划器的需求。在本文中,我们讨论了一个概率完整的方法,利用这种任务运动的相互作用,在大型知识密集型领域的导航,返回一个计划,是最佳的任务级。该框架旨在用于运动和感知不确定性下的运动规划,其正式名称为信念空间规划。底层的方法在模拟中得到验证,在办公室环境中,其可扩展性在更大的柳树车库的世界进行了测试。还提供了与最接近我们方法的工作的合理比较。我们还证明了我们的方法的适应性,考虑建筑物楼层导航域。最后,我们也讨论了我们的方法的局限性,并提出了改进和未来工作的建议。
2021-04-10 cs.AI cs.RO
SPADE: Towards Scalable Path Planning Architecture on Actionable Multi-Domain 3D Scene Graphs
Robotics and AI, Luleå University of Technology(机器人与人工智能,卢勒奥技术大学)
针对现有场景图路径规划方法遇障需全图重规划效率低的问题,提出结合分层规划与局部几何感知的SPADE框架,通过可通行边有信息采样降复杂度,经仿真与四足机器人实机验证可高效处理动态场景导航。
2025-07-30 cs.RO
Navigational Path-Planning For All-Terrain Autonomous Agricultural Robot
劳动力的短缺和维护成本的增加迫使许多农业企业家转向自动化和机械化方法。自主系统的关键组成部分是所使用的路径规划技术。覆盖路径规划(CPP)算法用于在农田上导航,以执行各种农业操作,如播种、犁耕或喷洒农药和肥料。本文报告比较了新的算法,自主导航的农田。为了减少导航的限制,考虑到特定的印度环境的高分辨率网格地图表示。通过将网格单元区分为覆盖的、未探索的、部分探索的和存在障碍物来覆盖自由空间。比较算法的性能进行评估,如时间效率,空间效率,准确性和鲁棒性的变化,在环境中的指标。采用机器人操作系统(ROS)、达索系统体验平台(3DS Experience)、MATLAB和Python对算法进行了仿真。实验结果证明了该算法在自主野外导航中的适用性和在机器人路径规划中的可行性。
2021-09-07 cs.CV cs.RO
Unified Generation-Refinement Planning: Bridging Guided Flow Matching and Sampling-Based MPC for Social Navigation
University of Washington(华盛顿大学);NVIDIA(英伟达)
本文提出一种结合奖励引导条件流匹配与模型预测路径积分的统一生成-细化框架,以提升社交导航中安全、任务性能和计算时间的平衡。
2026-03-22 cs.RO
Path Planning and Navigation Inside Off-World Lava Tubes and Caves
University of Arizona(亚利桑那大学);Arizona State University(亚利桑那州立大学)
月球和火星的详细表面图像揭示了数百个洞穴状的开口。这些洞穴状的开口理论上是熔岩管的残余,其内部可能处于原始状态。这些地点可能保存了月球和火星的地质记录,包括过去水流和可居住性的证据。使用轮式探测器探索这些洞穴仍然是一个艰巨的挑战。这些洞穴很可能有入口,天花板塌陷,就像亚利桑那州和新墨西哥州的熔岩管一样。因此,即使是有经验的人类徒步旅行者也几乎不可能穿越入口。我们的方法是利用SphereX机器人,这是一个3公斤,30厘米直径的机器人,带有计算机硬件和连接到火箭推进器的智能手机传感器。每个SphereX机器人都可以在低重力、无空气或低压环境中跳跃、滚动或短距离飞行。可能会部署几个SphereX机器人,以最大限度地减少单点故障,并利用合作行为穿越洞穴。在这些洞穴环境中,导航和路径规划面临一些重要挑战。定位系统,如全球定位系统是不可用的,也不容易安装,由于从岩石的信号阻塞。这些洞穴太暗,太大,传统的传感器,如相机和微型激光传感器,执行详细的测绘和导航。在本文中,我们确定了新的技术来映射这些洞穴进行本地化,合作映射和导航。
2018-03-07 cs.RO
Task-Motion Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
本文提出了一种集成任务-运动规划(TMP)的大规模环境下导航框架。自主机器人在现实世界的复杂场景中运行,需要在离散(任务)空间和连续(运动)空间中进行规划。在知识密集型领域,一方面,机器人必须在最高级别进行推理,例如导航到的区域;另一方面,必须在执行级别检查相应导航任务的可行性。这提出了对运动规划感知任务规划器的需求。我们讨论了一个概率完整的方法,利用这种任务-运动交互导航在室内域,返回一个计划,是最佳的任务级。此外,我们的框架是为了运动规划下的运动和感知的不确定性,这是正式称为信念空间规划。底层的方法进行了验证与模拟办公环境中的凉亭。此外,我们讨论了局限性,并提供改进和未来工作的建议。
2019-10-24 cs.AI cs.RO
Path Planning for a Cooperative Navigation Aid Vehicle to Assist Multiple Agents Sequentially
Department of Mechanical Engineering(机械工程系);Engineering Science, University of North Carolina at Charlotte(工程科学,北卡罗来纳大学夏洛特分校)
本文提出了一种贪心算法,用于规划协作导航辅助车路径,以依次协助多个智能体并减少导航不确定性。
2024-07-09 cs.RO cs.SY eess.SY
Optimal Sampling-based Motion Planning in Gaussian Belief Space for Minimum Sensing Navigation
University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对高斯信念空间中采样规划缺乏解质量保证的问题,提出 IG-PRM* 以最小化欧几里得与信息论代价加权和,并证明其渐近收敛至全局最优。
2023-06-01 cs.RO
Towards Multi-Robot Task-Motion Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
自主机器人在大型知识密集型领域中运行,需要在离散(任务)空间和连续(运动)空间中进行规划。在知识密集型领域,一方面,机器人必须在最高级别上进行推理,例如要导航到的区域或要拾取的对象及其属性;另一方面,必须在控制器执行级别上检查相应导航任务的可行性。此外,采用多个机器人提供比执行相同任务的单个机器人增强的性能能力。为此,我们提出了一个集成的多机器人任务运动规划框架导航知识密集型领域。特别是,我们认为一个分布式的多机器人设置机器人之间的相互观察。该框架旨在用于运动和感知不确定性下的运动规划,其正式名称为信念空间规划。基本的方法和它的局限性进行了讨论,为改进和未来的工作提供了建议。我们验证我们的方法在模拟的关键方面。
2020-10-01 cs.AI cs.RO
Robot Navigation Anticipative Strategies in Deep Reinforcement Motion Planning
机器人在动态城市环境中的导航,需要精心设计的预期策略,以避免与动态物体(如自行车或行人)发生碰撞,并具有人类意识。我们已经开发和分析了三个预期的策略,在运动规划考虑到未来的运动的移动对象,可以移动到18公里/小时。首先,我们使用了我们的混合策略,该策略来自深度确定性策略梯度(DDPG)训练和社会力模型(SFM),并且我们在四个具有许多行人的复杂地图场景中进行了模拟测试。其次,我们已经使用这些预期的策略在现实生活中的实验中使用的混合运动规划方法和ROS导航堆栈与动态窗口的方法(NS-DWA)。在模拟和现实生活中的实验结果表明,在开放的环境中,也在狭窄的空间混合场景非常好的结果。
2022-10-15 cs.LG cs.RO
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
Comparison of Path Planning Algorithms for Autonomous Vehicle Navigation Using Satellite and Airborne LiDAR Data
Budapest University of Technology and Economics(布达佩斯技术与经济大学);HUN-REN Institute for Computer Science and Control (SZTAKI)(HUN-REN计算机科学与控制研究所 (SZTAKI))
本研究比较了多种路径规划算法在卫星和LiDAR数据生成的2D/3D道路网络上的性能,发现Dijkstra算法在路径成本、时间和内存方面表现最稳定高效,为自动驾驶静态地形导航提供了可靠选择。
2025-07-08 cs.AI cs.RO
Intention-Aware Navigation in Crowds with Extended-Space POMDP Planning
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出了一种混合在线部分可观测马尔可夫决策过程(POMDP)规划系统,解决了存在的多模态不确定性的环境中的其他代理的自主导航问题。作为一个特殊的例子,我们考虑在密集的行人和障碍物之间的自主导航的问题。这个问题的流行方法首先使用完整的规划器(例如,混合A*)与关于不确定性的特设假设,然后使用在线基于树的POMDP求解器来推理不确定性,并控制问题的有限方面(即沿着路径的速度)。我们提出了一种更有能力和响应更快的实时方法,使POMDP规划者能够控制更多的自由度(例如,速度和航向),以实现更灵活、更高效的解决方案。这种修改极大地扩展了POMDP规划器必须推理的状态空间的区域,显著地增加了在实时的控制提供的有限计算预算内找到有效的铺开策略的重要性。我们的关键见解是使用多查询运动规划技术(例如,ProbabilityRoadmaps或FastMarchingMethod)作为先验,用于为POMDP规划树在其有限范围搜索期间可能到达的每个状态快速生成有效的推出策略。我们提出的方法生成的轨迹是安全的,比以前的方法更有效,即使在密集拥挤的动态环境中,规划的视野很长。
2022-06-20 cs.AI cs.RO
Understanding Path Planning Explanations
Ulm University(乌尔姆大学);University of Sarajevo(萨拉热窝大学)
本文提出通过视觉和文本解释使移动机器人的导航决策对人类可理解,并计划通过用户研究评估解释的可理解性和简洁性。
2023-11-13 cs.AI cs.HC cs.RO
An Indoor Navigation System for the Visually Impaired based on UWB Positioning and D* Lite Path Planning Algorithm
针对视障者室内导航问题,提出基于UWB定位技术和D* Lite路径规划算法的系统,利用UWB传感器定位,集成算法优化轨迹、应对动态障碍,实验表明系统可靠低延迟,为视障者提供安全灵活的室内导航。
2026-07-21 cs.RO cs.SY eess.SY
FM-Planner: Foundation Model Guided Path Planning for Autonomous Drone Navigation
School of Mechanical and Aerospace Engineering, Nanyang Technological University(机械与航空航天工程学院,南洋理工大学)
本文提出FM-Planner,利用基础模型(LLM和VLM)引导无人机路径规划,通过仿真基准测试和真实实验验证其可行性,为自主导航提供实际实现。
2025-05-27 cs.AI cs.RO
A Resilient Navigation and Path Planning System for High-speed Autonomous Race Car
Korea Advanced Institute of Science and Technologies (KAIST)(韩国科学技术院)
本文介绍了一个弹性导航和规划系统中使用的印地自主挑战赛(IAC)的竞争。IAC是一项全尺寸赛车在印第安纳波利斯赛车场(IMS)上以290 km/h(180 mph)的速度自动行驶的比赛。赛车会经历剧烈的震动。特别是在高速。这些振动会降低基于精密GPS辅助惯性测量单元的标准定位算法。降级的本地化可能导致严重的问题,包括碰撞。因此,我们提出了一个弹性导航系统,使赛车留在赛道内的定位失败的情况下。我们的导航系统使用多传感器融合为基础的卡尔曼滤波器。我们检测退化的导航解决方案,使用概率的方法来计算最佳的测量值,我们的卡尔曼滤波器的校正步骤。此外,提出了一种最优避障路径规划算法。在这个挑战中,赛道上有静态障碍物。车辆需要以最小的时间损失避开它们。通过考虑原始的最佳赛车路线,障碍物和车辆动力学,我们提出了一个基于道路图的路径规划算法,以确保我们的赛车可以执行有效的避障。成功验证了所提出的定位系统,以显示其能力,以防止定位失败的情况下,错误的GPS测量在历史上世界上第一次自主赛车在IMS。由于我们强大的导航和规划算法,我们能够作为前四名的球队之一完成比赛,而其余五支球队由于碰撞或违规而未能完成比赛。
2022-09-15 cs.RO cs.SY eess.SY
PRM-RL: Long-range Robotic Navigation Tasks by Combining Reinforcement Learning and Sampling-based Planning
Google Brain(谷歌大脑);University of New Mexico(新墨西哥大学)
我们提出了PRM-RL,远程导航任务完成的分层方法,结合基于采样的路径规划与强化学习(RL)。RL代理学习短距离,点对点的导航策略,捕获机器人动态和任务约束,而无需大规模拓扑结构的知识。接下来,基于采样的规划者提供连接机器人配置的路线图,这些配置可以由RL代理成功导航。相同的RL代理用于在规划的指导下控制机器人,从而实现远程导航。我们使用概率路线图(PRM)的抽样为基础的规划。RL代理是在连续状态和动作空间中使用基于特征的深度神经网络策略构建的。我们评估PRM-RL,无论是在模拟和机器人上,在两个导航任务与非平凡的机器人动力学:端到端的差分驱动室内导航在办公室环境中,在城市环境中的空中货物交付与负载位移的限制。我们的研究结果表明,在任务完成的RL代理自己和传统的抽样为基础的规划。在室内导航任务中,PRM-RL在嘈杂的传感器条件下成功完成了长达215米的轨迹,而空中货物交付在比训练中使用的环境大6300万倍的环境中完成了超过1000米的飞行,而没有违反任务限制。
2018-05-16 cs.AI cs.LG cs.RO
Neural Radiance Maps for Extraterrestrial Navigation and Path Planning
Stanford University(斯坦福大学)
本文提出利用神经辐射场构建地图,用于自主导航中的路径规划,通过整合局部和全局信息,实现更高效的路径规划。
2026-03-18 cs.CV cs.RO
POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
提出可嵌入的 POA 规划器,通过识别可通行与不可通行障碍物,让两轮机器人在高度杂乱环境中穿越可通行障碍,并较 GVD、A*、RRT* 最多缩短路径 43%、时间 39%。
2023-07-16 cs.AI cs.RO
Neural Navigation Functions for Zero-Shot Generalizable Motion Planning
University of Pennsylvania, United States(宾夕法尼亚大学,美国);Department of Mechanical Engineering and Applied Mechanics(机械工程与应用力学系);Department of Electrical and Systems Engineering(电气与系统工程系)
提出神经导航函数(Neural-NF),通过将数据驱动适应嵌入结构化椭圆规划器,实现跨未见环境几何的零样本迁移,并保证无碰撞、单调下降和全局最小值。
2026-06-02 cs.LG cs.RO
Spatial Concept-Based Navigation with Human Speech Instructions via Probabilistic Inference on Bayesian Generative Model
College of Information Science and Engineering, Ritsumeikan University(立命馆大学信息科学与工程学院);National Institute of Informatics(国立情报学研究所);The Graduate University for Advanced Studies, SOKENDAI(综合研究大学院大学)
机器人不仅需要自主学习空间概念,还需要利用这些知识在家庭环境中完成各种任务。空间概念代表了一个多模态的地方类别获得的机器人的空间经验,包括视觉,语音语言和自我位置。本研究的目的是使移动机器人执行导航任务与人类的语音指令,如“去厨房”,通过概率推理贝叶斯生成模型,使用空间概念。具体而言,路径规划形式化为最大化的概率分布的路径轨迹下的语音指令,基于控制推理框架。此外,我们描述了基于贝叶斯生成模型的概率推理与包括强化学习在内的控制问题之间的关系。我们展示了基于人类指令的路径规划,使用获得的空间概念来验证所提出的方法在模拟器和真实环境中的有用性。在实验中,由用户的语音命令指示的地点显示出高概率值,并且正确地估计了朝向目标地点的轨迹。我们的方法,基于概率推理有关的决策,可以导致进一步提高机器人的自主性。
2020-08-26 cs.AI cs.RO
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
AirHunt: Bridging VLM Semantics and Continuous Planning for Efficient Aerial Object Navigation
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Department of Mechanical and Energy Engineering, Southern University of Science and Technology(南方科技大学机械与能源工程系);Department of Computer Science and Engineering, Southern University of Science and Technology(南方科技大学计算机科学与工程系);Department of Physics, Southern University of Science and Technology(南方科技大学物理系)
AirHunt通过融合视觉语言模型语义与连续规划,实现高效空中物体导航,提升开放集物体定位的准确性和效率。
2026-01-19 cs.AI cs.RO
Image-Based Path-Planning for Navigation of Soft-Growing Robots in the Spinal Sub-Arachnoid Space
针对软增长机器人在脊髓蛛网膜下腔的导航需求,提出扩展A*的基于图像的三维路径规划算法,经高度详细的SSS模型评估可生成安全高效路径并建立转向锚点。
2026-10-12 cs.RO cs.SY eess.SY
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
A Multi-stage Probabilistic Algorithm for Dynamic Path-Planning
Universidad Técnica Federico Santa María(费德里科·圣玛丽亚技术大学);INRIA(法国国家信息与自动化研究所);LORIA(洛林计算机科学及其应用实验室)
概率抽样方法已经成为解决单次射击路径规划问题的一种非常流行的方法。特别是快速探索随机树(RRT)已被证明是有效的解决高维问题。尽管已经提出了几种RRT变体用于动态重新规划,但这些方法仅在不频繁变化的环境中表现良好。本文针对动态路径规划问题,结合简单的技术,在多阶段的概率算法。该算法使用RRT进行初始规划和知情的本地搜索导航。我们表明,这种简单的技术组合提供了更好的响应高度动态的环境比RRT扩展。
2009-12-01 cs.AI cs.RO
Comparison of Model-Free and Model-Based Learning-Informed Planning for PointGoal Navigation
George Mason University(乔治梅森大学)
近年来,已经提出了几种在以前看不见的环境中进行点目标导航的学习方法。它们在环境的表征、问题分解和实验评价方面各不相同。在这项工作中,我们比较了最先进的基于深度强化学习的方法与点目标导航问题的部分可观测马尔可夫决策过程(POMDP)公式。我们采用[1]提出的(POMDP)子目标框架,并通过使用从图像的语义分割构建的室内场景的部分语义图来修改估计边界属性的组件。除了众所周知的基于模型的方法的完整性,我们证明了它是强大的和有效的,因为它利用了信息丰富,学习性能的边界相比,一个乐观的基于边界的规划。我们还证明了其数据效率相比,端到端的深度强化学习方法。我们使用Habitat Simulator在Matterport 3D数据集上将我们的结果与乐观的规划者ANS和DD-PPO进行比较。我们显示出可比的,虽然比SOTA DD-PPO方法稍差的性能,但数据少得多。
2022-12-17 cs.CV cs.RO