A Deep Learning Based Behavioral Approach to Indoor Autonomous Navigation
Pontificia Universidad Catolica de Chile（智利天主教大学）；Stanford University（斯坦福大学）
我们提出了一个语义丰富的图形表示室内机器人导航。我们的图形表示编码：语义位置（如办公室或走廊）作为节点，导航行为（如进入办公室或穿过走廊）作为边。特别是，我们的导航行为直接从视觉输入操作，以产生运动控制，并通过深度学习架构实现。这使机器人能够避免明确计算其精确位置或环境的几何形状，并实现更高层次的语义抽象导航。我们通过在大量的虚拟环境中模拟导航任务来评估我们的表示的有效性。我们的研究结果表明，使用一组简单的感知和导航行为，所提出的方法可以成功地引导机器人的方式，因为它完成导航任务，如去一个特定的办公室。此外，我们的实现是有效的控制行为的选择和切换。
2018-03-12 cs.AI cs.RO
SLAM-based Safe Indoor Exploration Strategy
Center for Artificial Intelligence \& Robotics (CAIR) New York University Abu Dhabi (NYUAD) United Arab Emirates；Robotics \& Intelligent Systems Control Lab NYUAD United Arab Emirates
针对无法即时控制位姿的经典圆形足迹智能体，提出基于RTAB-SLAM和安全骨架方法的2D室内探索策略，以安全性为最高优先级，通过ROS实验验证了路径规划有效性。
2025-08-19 cs.RO
GLEAM: Learning Generalizable Exploration Policy for Active Mapping in Complex 3D Indoor Scenes
The Chinese University of Hong Kong（香港中文大学）；Shanghai AI Laboratory（上海人工智能实验室）
针对未知复杂室内场景主动建图的泛化难题，本文构建含1,152个场景的GLEAM-Bench，并提出融合语义表示、长期目标与随机策略的GLEAM探索策略，显著提升未见场景覆盖率与建图精度。
2025-09-29 cs.AI cs.CV cs.RO
Self-Supervised Learning of Lidar Segmentation for Autonomous Indoor Navigation
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Apple Inc.（苹果公司）
我们提出了一种自监督学习的激光雷达帧的语义分割的方法。我们的方法是用来训练深点云分割架构，没有任何人的注释。注释过程通过同时定位与地图构建（SLAM）和射线跟踪算法的组合而自动化。通过在同一环境中执行多个导航会话，我们能够识别永久性结构，例如墙壁，并分别解开短期和长期可移动对象，例如人和桌子。然后，可以使用经过训练以预测这些语义标签的网络来执行新的会话。我们展示了我们的方法随着时间的推移，从一个会话到下一个会话的能力。通过语义过滤的点云，我们的机器人可以在更复杂的场景中导航，当添加到训练池中时，有助于改善我们的网络预测。我们提供了我们的网络预测的见解，并表明我们的方法也可以提高常见的本地化技术的性能。
2020-12-10 cs.LG cs.RO
Autonomous Mapping and Navigation using Fiducial Markers and Pan-Tilt Camera for Assisting Indoor Mobility of Blind and Visually Impaired People
Birla Institute of Technology and Science, Pilani（比拉理工科学技术学院皮拉尼分校）
针对盲人和视力障碍者在室内导航困难且传统定位方法成本高、精度低的问题，提出一种基于视觉基准标记和云台摄像头的视觉辅助系统。该系统利用云台实现360°视野增强标记跟踪，减少所需标记数量，并在定位精度上优于现有SLAM方法。
2023-10-16 cs.HC cs.RO
Research on Reliable and Safe Occupancy Grid Prediction in Underground Parking Lots
Wuhan University of Science and Technology（武汉科技大学）
本文针对地下停车场室内自动驾驶安全问题，基于 CARLA 构建仿真数据并采用占据栅格网络预测车辆路径与障碍物，验证了其对感知、可靠性和泊车安全性的提升。
2024-07-02 cs.AI cs.CV cs.RO
Learning to Navigate in Indoor Environments: from Memorizing to Reasoning
Harbin Institute of Technology（哈尔滨工业大学）
自主导航是移动机器人实现智能移动的基本能力。传统的路径规划方法必须有环境地图来规划工作空间中的无碰撞路径。深度强化学习（Deep reinforcement learning，DRL）是实现无地图自主导航任务的一种很有前途的技术，利用深度神经网络可以通过探索拟合从观察到合理行动的映射。它不仅要记住训练的目标，更重要的是，规划者可以推理出看不见的目标。我们提出了一种新的基于深度强化学习的运动规划器，该运动规划器可以在室内环境中仅使用RGB图像和里程计来达到之前没有训练过的新目标。该模型具有堆叠的长短期记忆（LSTM）结构。最后，在模拟和真实环境中进行了实验。源代码可以在https://github.com/marooncn/navbot上找到。
2019-04-21 cs.RO
Understanding why SLAM algorithms fail in modern indoor environments
本文构建真实室内数据集与多指标评估策略，发现SOTA SLAM在动态、透明及反射环境中易失效，且回环闭合显著影响性能。
2023-05-09 cs.RO
RMF-Owl: A Collision-Tolerant Flying Robot for Autonomous Subterranean Exploration
NTNU（挪威科技大学）；University of Nevada, Reno（内华达大学里诺分校）
本文介绍了RMF-Owl的设计、硬件实现、自主探测和目标检测能力，它是一种为弹性自主地下探测而设计的新型耐碰撞空中机器人。该系统专为地下勘探而定制，专注于碰撞容限、具有强大定位和映射功能的弹性自主性，以及在受限、充满障碍物和拓扑复杂的地下环境中进行高性能勘探路径规划。此外，RMF-Owl提供搜索、检测和定位感兴趣物体的能力，这在搜索和救援任务中特别有用。一系列的现场实验结果，以证明该系统的自主探索具有挑战性的未知地下环境的能力。
2022-02-22 cs.RO
Autonomous Exploration Development Environment and the Planning Algorithms
Carnegie Mellon University（卡内基梅隆大学）
Autonomous Exploration Development Environment是一个开源存储库，旨在促进高级规划算法的开发和完整自主导航系统的集成。该存储库包含代表性的仿真环境模型、基本导航模块，例如，本地规划器、地形可通过性分析、航路点跟踪和可视化工具。结合我们的两个高级规划器版本-用于探索的TARE规划器和用于路线规划的FAR规划器，我们详细介绍了三个开源存储库的使用情况，并分享了集成自主导航系统的经验。我们使用DARPA Subterranean Challenge作为一个用例，其中存储库一起形成CMU-OSU团队的主要导航系统。最后，我们讨论了扩展应用程序中的一些潜在用例。
2021-10-27 cs.RO
Towards Autonomous Indoor Parking: A Globally Consistent Semantic SLAM System and A Semantic Localization Subsystem
School of Automation and Intelligent Sensing, Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai Jiao Tong University, Shanghai（自动化与智能感知学院、系统控制与信息处理重点实验室、中华人民共和国教育部、上海交通大学、上海）
提出全局一致性语义SLAM系统GCSLAM与语义融合定位子系统SF-Loc，通过语义约束因子图和全局车位管理模块实现复杂停车场中的精确建图与鲁棒定位。
2025-07-11 cs.RO
REF: A Rapid Exploration Framework for Deploying Autonomous MAVs in Unknown Environments
Luleå University of Technology（吕勒奥理工大学）
未知环境的探测和测绘是自主机器人应用中的一项基本任务。在这篇文章中，我们提出了一个完整的框架部署MAVs在未知的地下区域的自主勘探任务。探索算法的主要目的是为机器人描绘下一个最佳前沿，以便以快速，安全而有效的方式覆盖新的领域。所提出的框架使用了一种新的边界选择方法，该方法也有助于自主机器人在地下洞穴，矿山和城市地区等障碍区域的安全导航。在这项工作中提出的框架分叉的探索问题，在本地和全球的探索。所提出的探索框架也可根据机器人上可用的计算资源进行调整，这意味着可以在探索速度和地图质量之间进行权衡。这种能力允许所提出的框架被部署在地下勘探、测绘以及快速搜索和救援场景中。整个系统被认为是一个低复杂性和基线解决方案的导航和目标定位在隧道般的环境。所提出的框架的性能进行了评估，详细的模拟研究与高层次的探索规划框架的DARPA子T的挑战，因为它将在这篇文章中提出的比较。
2022-11-08 cs.RO
Deep Reinforcement learning for real autonomous mobile robot navigation in indoor environments
University of Applied Science Gelsenkirchen（盖尔森基兴应用科学大学）
深度强化学习已成功应用于各种计算机游戏[8]。然而，它仍然很少用于现实世界的应用，特别是用于真正的移动机器人的导航和连续控制[13]。以前的方法缺乏安全性和鲁棒性和/或需要结构化的环境。在本文中，我们提出了我们的概念证明自主自学习机器人导航在一个未知的环境中，一个真正的机器人没有地图或规划。机器人的输入仅是来自2D激光扫描仪和RGB-D相机的融合数据以及目标的方向。环境的地图是未知的。异步优势行动者-评论家网络（GA 3C）的输出动作是机器人的线速度和角速度。导航器/控制器网络在高速、并行和自实现的仿真环境中进行预训练，以加快学习过程，然后部署到真实机器人上。为了避免过拟合，我们训练相对较小的网络，并将随机高斯噪声添加到输入激光数据。传感器数据与RGB-D相机的融合使机器人能够在真实环境中导航，具有真实的3D避障功能，而无需根据机器人的感知能力来适应环境。为了进一步提高鲁棒性，我们在不同难度的环境中进行训练，并同时运行32个训练实例。视频：supplementary File / YouTube，代码：GitHub
2020-05-28 cs.AI cs.LG cs.RO
Learning-Augmented Model-Based Planning for Visual Exploration
George Mason University（乔治梅森大学）
本文针对时间受限的未知环境视觉探索问题，提出一种学习增强的模型驱动规划方法，通过深度网络估计前沿的未观测面积与探索耗时，并结合贝尔曼方程进行规划，在Matterport3D上显著提升了覆盖率。
2023-08-09 cs.CV cs.RO
Towards bio-inspired unsupervised representation learning for indoor aerial navigation
Ghent University（根特大学）；imec（微电子研究中心）
在没有GPS的室内环境中进行空中导航仍然是一个公开的挑战。无人机可以从更丰富的视角感知环境，同时具有比其他自主平台更严格的计算和能源约束。为了解决这个问题，这项研究展示了一种生物启发的深度学习算法，用于同时定位与地图构建（SLAM）及其在无人机导航系统中的应用。我们提出了一种无监督的表示学习方法，产生低维的潜在状态描述符，减轻感知混淆的敏感性，并在节能，嵌入式硬件上工作。在室内仓库环境中收集的数据集上对所设计的算法进行了评估，初步结果表明了鲁棒室内空中导航的可行性。
2021-06-17 cs.AI cs.RO
From Monocular SLAM to Autonomous Drone Exploration
Technische Universität München（慕尼黑工业大学）；Oculus Research（奥库鲁斯研究院）；RWTH Aachen University（亚琛工业大学）
微型飞行器（MAV）在其有效载荷和动力能力方面受到很大限制。为了实现自主导航，因此需要使用尽可能小、低重量和低功耗的传感设备的算法。在本文中，我们提出了一种方法，自主MAV导航和探索使用低成本的消费级四轴飞行器配备了单目摄像头。我们的基于视觉的导航系统建立在LSD-SLAM的基础上，LSD-SLAM可以实时估计MAV的轨迹和半密集的环境重建。由于LSD-SLAM仅确定高梯度像素处的深度，因此不直接观察到无纹理区域，使得不能直接应用假定密集地图信息的先前探索方法。我们提出了一个障碍物映射和探索的方法，考虑到我们的半密集单目SLAM系统的属性。在实验中，我们展示了我们的基于视觉的自主导航和探索系统与鹦鹉Bebop MAV。
2018-03-12 cs.CV cs.RO
Terrain-Aware Autonomous Planetary Exploration for Exteroceptive-Proprioceptive Mapping with Quadruped Scouts
Istituto Italiano di Tecnologia (IIT)（意大利理工学院）
本文提出一种结合外感受与本体感受建图的地形感知探索框架，用于四足机器人在月球类似环境中的自主导航，仿真表明该方法能有效扩展地图并降低运输成本。
2026-09-29 cs.RO
Hypermap Mapping Framework and its Application to Autonomous Semantic Exploration
University of Bonn（波恩大学）；Aalto University（阿尔托大学）
现代智能和自主机器人应用通常要求机器人具有比传统占用网格地图提供的更多的关于其环境的信息。例如，一个负责执行自主语义探索的机器人必须在自主导航的同时标记它正在穿越的环境中的物体。为了解决这个任务，机器人至少需要维护一个用于导航的环境的占用地图，一个跟踪已经访问过哪些区域的探索地图，以及一个记录环境中对象的位置和标签的语义地图。随着所需地图数量的增长，应用程序必须了解和处理不同的地图表示，这可能是一个负担。我们提出了Hypermap框架，它可以管理不同类型的多个地图。在这项工作中，我们探索的框架处理占用网格层和语义多边形层的能力，但框架可以扩展新的层类型在未来。此外，我们提出了一个算法，自动生成语义层的RGB-D图像。我们展示了实用的框架使用的例子自主探索语义映射。
2020-09-03 cs.RO
Virtual Maps for Autonomous Exploration of Cluttered Underwater Environments
Stevens Institute of Technology（史蒂文斯理工学院）；Amazon Robotics（亚马逊机器人）；Exyn Technologies（Exyn科技）；SRI International（斯坦福国际研究院）
我们考虑自主移动机器人在未知环境中的探索问题，考虑到机器人的覆盖率，地图的不确定性，和状态估计的不确定性。本文提出了一种新的探索框架，水下机器人在复杂的环境中工作，建立在同时定位与地图构建（SLAM）与成像声纳。所提出的系统包括路径生成，地方识别预测，信念传播和效用评估使用虚拟地图，估计整个机器人的工作空间与地图单元格相关的不确定性。我们在模拟实验中评估了该框架的性能，结果表明，我们的算法在探索过程中保持了较高的覆盖率，同时还保持了较低的映射和定位误差。我们的框架在现实世界中的适用性也证明了水下遥控潜水器（ESTA）探索港口环境。
2022-02-16 cs.RO
Autonomous 3D Exploration in Large-Scale Environments with Dynamic Obstacles
针对现有3D探索规划多假设静态环境或仅反应式避障的问题，提出可显式结合动态障碍物规划的DAEP，还构建了含大规模户外场景的动态环境基准，实验验证其在探索与避障上均优于现有方法。
2023-10-27 cs.AI cs.RO
EDEN: Efficient Dual-Layer Exploration Planning for Fast UAV Autonomous Exploration in Large 3-D Environments
Institute of Robotics and Automatic Information System, College of Artificial Intelligence, Nankai University（机器人与自动信息系统研究所，人工智能学院，南开大学）
EDEN提出一种高效双层探索规划方法，通过近似算法和曲率惩罚成本优化，提升大规模三维环境中的无人机探索效率与计算性能。
2025-10-18 cs.RO
Practical Aspects of Autonomous Exploration with a Kinect2 sensor
Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（布拉格捷克理工大学信息学、机器人学与控制论研究所）
移动机器人对未知环境的探索是一项复杂的任务，涉及到从数据处理、定位到高层规划和决策等许多基本问题的解决。我们开发的探索框架是基于由MS Kinect 2传感器提供的RGBD数据的处理，其允许利用最先进的SLAM（同时定位与地图构建）算法，并自主构建具有关于场景的投影视觉信息的环境的逼真3D地图。在本文中，我们描述了实际的问题，在部署过程中出现的框架在真实的室内和室外环境中，特别是讨论的属性SLAM算法处理MS Kinect2数据的嵌入式计算机上。
2017-07-31 cs.RO
Quantitative and Qualitative Assessment of Indoor Exploration Algorithms for Autonomous UAVs
KIOS Center of Excellence, University of Cyprus（塞浦路斯大学KIOS卓越中心）；University of Cyprus（塞浦路斯大学）
室内探测是救灾、应急响应和搜救（SAR）任务中的一项重要任务。无人机（UAV）系统可以在建筑物内对人类有危险的区域进行自主机动，探索内部，并在应急响应团队采取行动之前提供准确可靠的室内地图，从而帮助急救人员。由于这种情况下的挑战性条件以及固有的电池限制和时间限制，我们研究了2D自主探索策略（例如，基于2D LiDAR）来绘制3D室内环境。首先，我们引入了一个电池消耗模型，考虑电池寿命方面的第一次作为一个关键因素，评估飞行耐力的探索战略。其次，我们使用各种最先进的基于2D LiDAR的探索策略在不同的室内环境中进行广泛的模拟实验。我们根据各种定量和定性性能指标评估了我们的研究结果，表明这些策略的行为取决于环境和初始条件的复杂性，例如，入口点。
2022-05-27 cs.RO cs.SY eess.SY
RoboLoc: A Benchmark Dataset for Point Place Recognition and Localization in Indoor-Outdoor Integrated Environments
Department of Data, Network and AI, Ajou University（数据、网络与人工智能系，亚运会大学）；Korea Railroad Research Institute（韩国铁路研究院）；Department of Mobility Engineering, Ajou University（移动工程系，亚运会大学）
RoboLoc是一个用于室内外集成环境的点位识别和定位基准数据集，通过真实机器人轨迹和多领域转换，评估多种先进模型的泛化能力。
2025-12-01 cs.RO
A RGB-D SLAM Algorithm for Indoor Dynamic Scene
College of Information Science and Engineering, Northeastern University（东北大学信息科学与工程学院）
视觉SLAM技术是机器人自主探索未知环境的关键技术之一。基于视觉传感器的摄像机位姿精确估计是自主导航定位的基础。然而，大多数视觉SLAM算法都基于静态环境假设，无法估计动态环境中准确的相机位姿。针对这一问题，提出了一种室内动态环境下的视觉SLAM算法.该算法首先根据RGB-D摄像机的深度信息剔除部分运动目标，并通过优化亮度和深度误差得到初始摄像机位姿，然后进一步剔除运动目标。并将初始静态背景再次用于位姿估计。经过多次迭代，得到了更精确的静态背景和更精确的摄像机姿态。实验结果表明，与以往的研究成果相比，该算法在低动态和高动态的室内场景下均能获得较高的位姿估计精度。
2020-11-28 cs.RO
A Hierarchical Graph-Based Terrain-Aware Autonomous Navigation Approach for Complementary Multimodal Ground-Aerial Exploration
Robotics & AI Team, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能团队，计算机、电气与空间工程系，卢勒奥技术大学）
针对未知环境下地空机器人协同探索效率问题，提出基于分层图的地形感知导航方法，通过共享置信度指标协调部署，在地下场景中实现了更高效的互补式探索。
2025-05-20 cs.RO
Region Based SLAM-Aware Exploration: Efficient and Robust Autonomous Mapping Strategy That Can Scale
Amazon Lab126（亚马逊实验室126）
本文提出一种SLAM感知的基于区域的探索策略，通过划分区域逐步探索并引入关键帧边缘化和检查点系统，显著提升了自主建图的效率、鲁棒性和可扩展性。
2026-10-02 cs.RO
Indoor simultaneous localization and mapping based on fringe projection profilometry
Nanjing University of Science and Technology（南京理工大学）
同时定位与地图构建（SLAM）在从自动驾驶到室内机器人的室外和室内应用中起着重要作用。在LiDAR或GPS的辅助下，室外SLAM已经被广泛使用。对于室内应用，LiDAR技术不能满足精度要求，并且GPS信号会丢失。室内SLAM需要一种准确、高效的场景感知技术。作为最有前途的3D感测技术，具有条纹投影轮廓术（FPP）系统的室内SLAM的机会是显而易见的，但是迄今为止的方法还没有完全利用这种系统提供的感测的准确性和速度。在本文中，我们提出了一种新的基于FPP的室内SLAM方法的基础上的FPP的坐标转换关系，其中2D到3D的投影辅助用于映射和定位。匹配描述符生成的对应关系用于快速准确的映射，并且2D和3D描述符之间的变换估计用于定位传感器。实验结果表明，该方法可以实现1 mm左右的定位和映射精度。
2022-04-23 cs.CV cs.RO
Mesh-based Photorealistic and Real-time 3D Mapping for Robust Visual Perception of Autonomous Underwater Vehicle
Inha University（仁荷大学）
本文提出一种面向自主水下机器人的逼真实时稠密三维建图系统，结合基于神经网络的图像增强和滑动窗口网格扩展方法，克服水下环境干扰与计算限制，实现轻量、快速且高保真的建图。
2024-04-29 cs.RO
AUTONAV: A Toolfor Autonomous Navigation of Robots
School of Mathematical and Computational Sciences（数学与计算科学学院）；Indian Association for the Cultivation of Science（印度科学促进协会）
该研究提出工具AUTONAV以自动化机器人自主导航的建图、定位与路径规划任务，其模块化架构支持多算法集成比较，并在室内仿真场景验证了其生成地图与路径规划的能力。
2025-04-10 cs.AI cs.RO
Fast Autonomous Robotic Exploration Using the Underlying Graph Structure
Departamento de Informática e Ingeniería de Sistemas（信息与系统工程系）；Instituto de Investigación en Ingeniería de Aragón（阿拉贡工程研究所）；Universidad de Zaragoza（萨拉戈萨大学）
在这项工作中，我们充分定义了传统的最优性标准和主动SLAM中底层姿态图的连通性之间的现有关系，因此，表征了图论和理论最优实验设计之间的连接。我们在2D和3D图形SLAM数据集中验证了所提出的关系，当使用图形结构时，显示出显着的计算负载放松。此外，我们提出了一种新的主动SLAM框架，它优于传统的方法，成功地利用图形方面的问题，以便自主探索未知的环境。
2022-04-22 cs.RO
RB5 Low-Cost Explorer: Implementing Autonomous Long-Term Exploration on Low-Cost Robotic Hardware
Yale University（耶鲁大学）；Boston Dynamics AI Institute（波士顿动力人工智能研究所）；Harvard University（哈佛大学）
本文介绍了低成本轮式机器人RB5，通过结合前沿采样探索、向量场路径跟随与SLAM算法，在低更新频率硬件上实现室内外未知环境的自主长期探索，并利用LoRa技术实现远程人机交互。
2024-02-14 cs.RO
Extracting Semantic Indoor Maps from Occupancy Grids
Technische Universität München（慕尼黑工业大学）；Siemens AG（西门子股份公司）
在现实的、不受约束的场景中运行的任何自主系统的主要挑战是管理现实世界的复杂性和不确定性。虽然目前还不清楚人类和其他高等动物是如何掌握这些问题的，但很明显，抽象起着重要作用。抽象概念的使用允许在更高级别上定义系统行为。在本文中，我们专注于室内环境的语义映射。我们提出了一种方法来提取一个抽象的平面图从典型的网格地图使用贝叶斯推理。这个过程的结果是在抽象概念上定义的环境的概率生成模型。它非常适合更高层次的推理和通信目的。我们使用真实世界的数据证明了该方法的有效性。
2020-02-19 cs.CV cs.RO
Language-EXtended Indoor SLAM (LEXIS): A Versatile System for Real-time Visual Scene Understanding
Oxford Robotics Institute（牛津机器人研究所）
本文提出实时室内SLAM系统LEXIS，通过结合LLM开放词汇能力、CLIP特征与拓扑SLAM图，实现灵活房间理解、语义地点识别及回环优化，性能达到或超过SOTA。
2024-03-05 cs.CV cs.RO eess.IV
Autonomous Navigation of Micro Air Vehicles in Warehouses Using Vision-based Line Following
Universiti Sains Malaysia（马来西亚理科大学）
本文提出一种基于视觉的仓库微型飞行器自主导航方法，利用单摄像头、HSV颜色检测、霍夫线变换和卡尔曼滤波器实现线跟踪，在Gazebo仿真中验证了狭窄空间导航能力，可降低劳动力成本并提升仓库效率。
2023-10-02 cs.CV cs.RO
Active Neural Mapping at Scale
Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））；School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）
提出基于NeRF的主动建图系统，通过从神经地图中提取广义Voronoi图并锚定不确定区域，实现大规模室内环境的高效鲁棒探索与高质量重建。
2024-09-30 cs.CV cs.RO
Towards Closing the Loop in Robotic Pollination for Indoor Farming via Autonomous Microscopic Inspection
Georgia Institute of Technology（佐治亚理工学院）；Stanford University（斯坦福大学）；Georgia Tech Research Institute（佐治亚理工学院研究中心）
针对室内农业中机器人难以自主验证授粉效果的问题，提出结合7自由度机械臂、内窥镜、2自由度显微镜和振动授粉工具的机器人系统，通过从下方振动花朵并同时从上方显微检查实现闭环，各子系统经实验验证。
2024-09-18 cs.RO cs.SY eess.SY
Indoor Exploration and Simultaneous Trolley Collection Through Task-Oriented Environment Partitioning
Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）；Southern University of Science and Technology（南方科技大学）
本文提出一种面向任务的环境划分与同步探索搜索框架，通过构建混合地图和带优先约束的旅行商问题，实现自主手推车收集中的高效探索与物体搜索。
2023-09-20 cs.RO cs.SY eess.SY
Small UAVs-supported Autonomous Generation of Fine-grained 3D Indoor Radio Environmental Maps
Universiteit Antwerpen（安特卫普大学）；imec（比利时微电子研究中心）
无线电环境地图（REM）是一个强大的工具，用于提高各种通信和网络代理的性能。然而，生成REM是一项费力的工作，特别是在复杂的三维（3D）环境中，例如室内。为了解决这个问题，我们提出了一个系统的室内3D空间的细粒度REM的自主生成。在该系统中，多个小型室内无人机（UAV）顺序用于信号质量指标的3D采样。收集到的读数被精简到机器学习（ML）系统中进行训练，一旦训练完成，系统就能够预测未知3D位置的信号质量。该系统能够自动和自主地生成REM，并且可以直接部署在新的环境中。此外，该系统支持无自干扰的REM采样，并且只要REM采样接收器具有适合无人机携带的尺寸和重量，则该系统是技术不可知的。在演示中，我们使用两架无人机实例化了系统设计，并展示了其访问72个航点和收集数千个Wi-Fi数据样本的能力。我们的研究结果还包括ML系统的实例化，用于预测无人机未访问的位置处的已知Wi-Fi接入点（AP）的接收信号强度（RSS）。
2021-11-05 cs.NI cs.RO cs.SY
ICAT: An Indoor Connected and Autonomous Testbed for Vehicle Computing
University of Delaware（特拉华大学）；Wayne State University（韦恩州立大学）
针对现有室内自动驾驶测试平台缺乏强大感知计算基础设施的问题，研究人员提出ICAT平台，兼具室内自动驾驶挑战应对、车辆计算与V2X通信创新能力，并依托CARLA、SUMO的数字孪生支持两类自动驾驶部署。
2024-03-06 cs.RO
Harmonic Field-based Provable Exploration of 3D Indoor Environments
National Technical University of Athens（雅典国立技术大学）；University of Patras（帕特雷大学）
这项工作提出了一种安全有效的方法，自主室内探索与空中机器人使用谐波势场（HPF）。在复杂的3D环境中应用HPF的挑战在于求解拉普拉斯方程所涉及的高计算负载。为了解决这个问题，提出的解决方案利用快速多重加速边界元法与边界值控制，以确保安全和收敛。通过仿真验证了该方法的有效性，安全性和收敛性。
2023-03-13 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
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
FEEL: Fast, Energy-Efficient Localization for Autonomous Indoor Vehicles
Delft University of Technology（代尔夫特理工大学）
自动驾驶汽车在室外和室内应用中都引起了轰动。著名的室内用例是使用自动驾驶室内车辆（AIV）的仓库内的过程自动化。这些车辆不仅需要以几厘米的精度定位自己，而且还需要以节能的方式在几毫秒内定位自己。由于这些挑战，本地化是一个圣杯。在本文中，我们提出了FEEL -一个室内定位系统，使用三个低能量传感器的融合：IMU，UWB和雷达。我们提供了详细的软件和硬件架构的FEEL。此外，我们提出了自适应感知算法（ASA）的机会主义最小化FEEL的能量消耗，通过调整的物理环境的动态感测频率。我们对各种测试设置进行的广泛性能评估表明，FEEL提供了<7 cm的定位精度和约3 ms的超低延迟。此外，ASA产生高达20%的能量节省，而在准确性方面仅具有边际权衡。
2021-02-01 cs.RO
Combining optimal control and learning for autonomous aerial navigation in novel indoor environments
University of California, Berkeley（加州大学伯克利分校）
该报告提出了一种结合最优控制和感知框架的微型飞行器（MAV）自主导航在新的室内封闭环境中，完全依赖于板载传感器数据。我们使用来自模拟器的特权信息在3D空间中生成最佳航点，我们的感知系统学习模仿。经过训练的基于学习的感知模块又能够单独从传感器数据（RGB + IMU）生成类似的避障航路点。我们证明了在iGibson模拟环境中的新场景的框架的功效。
2022-02-19 cs.RO
Online Semantic Exploration of Indoor Maps
Technische Universität München（慕尼黑工业大学）；Siemens AG（西门子股份公司）
在本文中，我们提出了一种方法来提取一个抽象的平面图从典型的网格地图使用贝叶斯推理。这个过程的结果是在抽象概念上定义的环境的概率生成模型。它非常适合更高层次的推理和通信目的。我们通过真实世界的实验证明了该方法的有效性。
2020-02-21 cs.CV cs.RO
LITE: A Learning-Integrated Topological Explorer for Multi-Floor Indoor Environments
Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制系统研究所）；Hangzhou Dianzi University（杭州电子科技大学）
针对多层室内探索难题，提出集成学习的拓扑探索器LITE，通过楼层-楼梯拓扑、YOLO11分割、注意力探索策略等实现高效多层探索，在多数据集与真实机器人实验中验证了性能与泛化性。
2025-07-29 cs.RO
ORBSLAM3-Enhanced Autonomous Toy Drones: Pioneering Indoor Exploration
DataHeroes（DataHeroes公司）；University of Haifa（海法大学）；Rice University（莱斯大学）
针对玩具无人机在无GPS室内环境中的自主探索难题，提出基于ORB-SLAM3的实时系统，结合离群点去除和出口检测算法，实现有效定位、建图与路径规划，实验验证了其效能。
2023-12-20 cs.LG cs.RO
Results and Lessons Learned from Autonomous Driving Transportation Services in Airfield, Crowded Indoor, and Urban Environments
Seoul National University（首尔大学）；ThorDrive
本文分享了在机场、拥挤室内和城市环境中开展自动驾驶运输服务的研究成果与经验教训，探讨了应对独特挑战的方法并概述了未来待解决的问题。
2024-03-20 cs.RO
Cloud-Based Autonomous Indoor Navigation: A Case Study
King Fahd University of Petroleum and Minerals（法赫德国王石油与矿业大学）
在本案例研究中，我们设计、集成并实现了一个基于云的自主机器人导航系统。该系统具有以下功能：通过云服务和视频流生成地图和机器人协调，以便在紧急情况下进行在线监控和控制。该系统已经过测试，可以使用两种模式生成一个长走廊的地图：手动和自动。自动模式显示了更准确的地图。此外，现场实验证实了通过显着缩短构建地图所需的时间来将繁重的计算卸载到云的好处。
2019-02-21 cs.CV cs.RO
Exploration of Indoor Environments Predicting the Layout of Partially Observed Rooms
Università degli Studi di Milano（米兰大学）；Politecnico di Milano（米兰理工大学）
我们考虑探索任务，自主移动机器人逐步建立最初未知的室内环境的地图。在这样的任务中，机器人做出一系列关于下一步移动的决定，这些决定通常是基于对环境中观察到的部分的了解。在本文中，我们提出了一种方法，利用预测的几何结构的未知部分的环境，以提高勘探性能。特别是，我们利用现有的方法，从局部网格地图开始重建环境的布局，并预测部分观察到的房间的形状的基础上的几何特征表示的室内环境的阴影。然后，我们最初采用预测的布局来估计机器人将从候选位置观察到的新区域的量，以便通知下一个最佳位置的选择，并在预计不会发现进一步的相关区域时提前停止探索。实验表明，我们的方法是能够有效地预测部分观察到的房间的布局，并利用这些知识来加快探索。
2020-04-15 cs.CV cs.RO
Cooperative Indoor Exploration Leveraging a Mixed-Size UAV Team with Heterogeneous Sensors
CTU Czech Technical University（捷克技术大学）
本文提出一种混合尺寸异构传感器无人机团队的室内探索方法，结合贪心与最小成本流两种任务分配策略，并利用SphereMap进行可达性评估与避碰路径生成，经仿真和实机实验验证。
2025-06-03 cs.RO
AIRA: A Low-cost IR-based Approach Towards Autonomous Precision Drone Landing and NLOS Indoor Navigation
Columbia University（哥伦比亚大学）；Northwestern University（西北大学）
针对资源受限微型无人机精准降落难题，提出低成本红外平台AIRA，以三个光电二极管实现11.1米距离内误差低于10厘米的降落，并支持弱光与部分非视距导航。
2024-07-08 cs.RO cs.SY eess.SY
MapExRL: Human-Inspired Indoor Exploration with Predicted Environment Context and Reinforcement Learning
Brown University（布朗大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Michigan（密歇根大学）
MapExRL提出一种结合全局地图预测与强化学习的室内探索方法，利用前沿信息进行长视野规划，在真实数据集上相比最先进基线提升达18.8%。
2025-09-26 cs.RO
