Real-Time Planning with Primitives for Dynamic Walking over Uneven Terrain
Australian Centre for Field Robotics(澳大利亚现场机器人中心);University of Sydney(悉尼大学)
本文提出一种基于有限运动原语的实时运动规划算法,利用虚拟holonomic约束构建闭式解和二叉搜索树,提升动态步行规划效率。
2013-10-26 cs.RO cs.SY eess.SY
Weakly-supervised Learning for Physics-informed Neural Motion Planning via Sparse Roadmap
Department of Computer Science, Purdue University(普渡大学计算机科学系)
本文提出H-NTFields,结合稀疏路图的弱监督与物理引导PDE正则化,提升复杂环境中运动规划的鲁棒性和推理速度。
2026-04-14 cs.RO
Bipedal Locomotion Optimization by Exploitation of the Full Dynamics in DCM Trajectory Planning
University of Tehran(德黑兰大学)
基于发散运动分量(DCM)和线性倒立摆模型(LIPM)的步行运动规划是实现人形机器人在线步态轨迹生成的一种方法。该算法需要调整不同的参数。在这里,我们开发了一个框架,以获得最佳的参数,以实现一个稳定的和节能的轨迹,真正的机器人的步态。为了找到最优的轨迹,四个成本函数代表的能量消耗,关节速度和施加在每个下肢关节的机器人,和成本函数的基础上的零力矩点(ZMP)的稳定性标准。在该框架中采用遗传算法来优化每个成本函数。虽然轨迹规划是在简化模型的帮助下进行的,但每个代价函数的值是通过考虑Bullet物理发动机模拟器中的全动力学模型和脚-地面接触模型来获得的。优化结果表明,最稳定的行走和最有效的行走方式是相互对比的。因此,在另一尝试中,在三个不同速度下执行ZMP和能量成本函数的多目标优化。最后,我们比较了设计的轨迹,这是使用最佳参数生成的,在舞蹈模拟器的仿真结果。
2022-07-30 cs.RO
Extended Capture Point and Optimization-based Control for Quadrupedal Robot Walking on Dynamic Rigid Surfaces
University of Massachusetts Lowell(麻省大学洛厄尔分校)
稳定足式机器人在动态刚性表面(DRS)上的运动(即,在惯性系中运动的刚性表面)是复杂的规划和控制问题。由于混合非线性行走动力学的复杂性受到显式时变完整约束所造成的表面运动。这项研究的第一个主要贡献是扩展的捕获点从静态表面上行走的DRS上的运动,以及使用所得到的捕获点在线运动规划。第二个主要贡献是二次规划(QP)的反馈控制器设计,明确考虑DRS运动。通过对四足机器人在具有摇摆运动的DRS上行走的仿真,验证了所提出的控制方法的稳定性和鲁棒性。仿真结果还表明,与我们以前的方法相比,改进的步行性能离线规划和输入输出线性化控制的基础上,不明确保证地面接触约束的可行性。
2021-09-10 cs.RO math.OC
Physics-informed Neural Motion Planning via Domain Decomposition in Large Environments
Department of Computer Science, Purdue University(计算机科学系,普渡大学)
针对物理启发神经运动规划器可扩展性受限问题,提出有限基神经时间场方法,通过潜在空间表示结合域分解实现全局空间一致性,在多场景验证效果更优,并成功部署于四足机器人完成室内导航。
2025-06-15 cs.RO
NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning
Purdue University(普渡大学)
神经运动规划(NMPs)已成为解决机器人导航任务在复杂环境中的一个很有前途的工具。然而,这些方法通常需要专家数据进行学习,这将其应用限制在数据生成耗时的场景中。最近的发展也导致了能够表示复杂动态偏微分方程(PDE)的物理学深度神经模型。受这些发展的启发,我们提出了神经时间场(NTFields)的机器人运动规划在混乱的情况下。我们的框架代表了一个波传播模型,生成连续的到达时间,以找到由一个称为Eikonal方程的非线性一阶PDE通知的路径解决方案。我们评估我们的方法在各种杂乱的3D环境中,包括吉布森数据集,并证明其有能力解决运动规划问题的4-DOF和6-DOF的机器人机械手,传统的基于网格的Eikonal规划者往往面临的灾难的维度。此外,结果表明,我们的方法具有较高的成功率和显着较低的计算时间比国家的最先进的方法,包括NMP,需要训练数据从经典的规划。
2023-03-01 cs.LG cs.RO
Spiral Complete Coverage Path Planning Based on Conformal Slit Mapping in Multi-connected Domains
Huazhong University of Science and Technology(华中科技大学)
针对多连通域传统螺旋覆盖路径规划需划分子区域导致路径长、转弯急、间距不均的问题,提出基于共形狭缝映射的新方法,在保证计算效率的同时优化路径性能,可减少加工时间和转向冲击。
2024-04-17 cs.CG cs.RO
WALK-VIO: Walking-motion-Adaptive Leg Kinematic Constraint Visual-Inertial Odometry for Quadruped Robots
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
本文提出了一种新的视觉-惯性里程计(VIO),它具有随身体运动而变化的步行运动自适应腿部运动约束,用于四足机器人的定位。四足机器人主要使用VIO,因为它们需要快速定位以进行控制和路径规划。然而,由于四足机器人主要用于户外,从天空或地面提取的无关特征会导致跟踪失败。此外,四足机器人的步行运动会导致摆动,这会降低由于相机和惯性测量单元(IMU)的定位精度。为了克服这些限制,许多研究人员使用VIO与腿部运动学约束。然而,由于四足机器人的步行运动根据控制器,步态,四足机器人的速度,等等,这些因素应该考虑的过程中添加腿运动学约束。我们提出了VIO,可以使用无论步行运动通过调整腿的运动学约束因子。为了评估WALK-VIO,我们创建并发布了四足机器人的数据集,这些机器人在仿真环境中以各种类型的步行运动移动。此外,我们通过与当前最先进的算法进行比较,验证了WALK-VIO的有效性。
2021-11-30 cs.RO
Designing Multi-Stage Coupled Convex Programming with Data-Driven McCormick Envelope Relaxations for Motion Planning
University of California, Los Angeles(加州大学洛杉矶分校)
对于多肢机器人,由于非线性的存在,具有姿态和力约束的运动规划往往是一个困难的优化问题,这也会导致求解时间的延长。我们提出了一个多阶段的优化框架与数据驱动的级间耦合约束,以解决非线性。聚类和进化的方法来找到麦考密克信封松弛被用来找到特定问题的参数。然后在先前阶段中使用所学习的约束,这提供了后续阶段的高级知识。这导致改进的求解时间和结果的可解释性。规划器通过10公斤的六足机器人上的多个行走和攀爬任务进行验证。
2021-09-14 cs.RO
Global Position Control on Underactuated Bipedal Robots: Step-to-step Dynamics Approximation for Step Planning
California Institute of Technology(加州理工学院)
欠驱动双足步行的全局位置控制是一个具有挑战性的问题,由于缺乏驱动的脚的机器人。在本文中,我们应用混合线性倒立摆(H-LIP)基于步进的三维欠驱动双足机器人的全局位置控制。H-LIP行走的一步到一步(S2 S)动态近似于机器人行走的实际S2 S动态,其中步长被认为是输入。因此,基于H-LIP的反馈控制器近似地控制机器人像H-LIP一样行为,它们之间的差异保持在误差不变集中。将模型预测控制(MPC)应用于H-LIP,以实现3D中的全局位置控制。然后,H-LIP步进产生机器人跟踪所需的步长。此外,转向行为与步规划相结合。该框架在三维欠驱动双足机器人Cassie上进行了仿真验证,并进行了概念验证实验。
2021-11-29 cs.RO cs.SY eess.SY
RL-augmented MPC Framework for Agile and Robust Bipedal Footstep Locomotion Planning and Control
Universitat Politècnica de Catalunya (UPC)(加泰罗尼亚理工大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出结合MPC与RL的双足落脚点规划控制框架,利用学习策略弥合简化模型与全阶系统差距,在DRACO 3机器人上验证了动态运动性能的显著提升。
2024-07-25 cs.RO
Reactive Gait Composition with Stability: Dynamic Walking amidst Static and Moving Obstacles
University of Delaware(特拉华大学);ThermoFisher Scientific(赛默飞世尔科技);NVIDIA Research(英伟达研究院)
提出基于 SSME 与 DMP 切换约束的模块化反应式步态规划框架,可先验保证动态双足行走在静态和移动障碍物环境中的稳定执行。
2023-08-13 cs.RO cs.SY eess.SY
PolygMap: A Perceptive Locomotion Framework for Humanoid Robot Stair Climbing
The Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人社会研究院);Electronic science and technology, Guangdong University of Technology(广东技术大学电子科学与技术学院);Leju robotics(乐居机器人)
本文提出PolygMap框架,通过多传感器融合构建多边形楼梯平面语义地图,在NVIDIA Orin上实现20-30Hz全身运动规划,经真实场景实验验证可高效鲁棒地完成人形机器人爬楼梯任务。
2026-07-30 cs.RO
Finding a needle in an exponential haystack: Discrete RRT for exploration of implicit roadmaps in multi-robot motion planning
Tel-Aviv University(特拉维夫大学)
我们提出了一个基于采样的多机器人运动规划框架,它结合了一个隐式表示的路线图与一种新的方法,在几何嵌入式图形中的寻路量身定制我们的设置。我们的寻路算法,离散RRT(dRRT),是一个适应著名的RRT算法的离散情况下的图形,它使一个快速探索的高维配置空间仔细走过一个隐含的表示的张量积的路线图为个人机器人。我们证明了我们的方法实验上的情况下,高达60自由度,我们的算法是由一个因素,至少10倍,我们知道相比,现有的算法。
2014-03-30 cs.RO
Generalizable Motion Planning via Operator Learning
University of California, San Diego(加州大学圣地亚哥分校)
本文提出规划神经算子(PNO),通过学习Eikonal PDE定义的算子预测价值函数,实现零样本超分辨率,并作为ε一致的启发式加速规划,减少30%节点访问。
2025-05-26 cs.RO
Online Dynamic Motion Planning and Control for Wheeled Biped Robots
轮式足式机器人结合了轮式机器人在适当平坦表面上行驶时的效率和足式机器人在跨越或绕过障碍物时的多功能性。本文介绍了一种规划和控制框架,以实现动态移动的轮式机器人。我们提出的车线性倒立摆模型(车LIPM)作为模板模型的滚动运动和欠驱动LIPM的接触变化,而步行。生成的运动然后由一个逆动态全身控制器跟踪,该控制器协调所有关节,包括车轮。该框架具有分层结构,并以模型预测控制(MPC)方式实现。为了验证所提出的混合运动生成方法,在仿真中设计了两种涉及不同类型障碍物的场景。据我们所知,这是第一次,这种在线动态混合运动已被证明对轮式机器人。
2020-03-07 cs.RO
RHH-LGP: Receding Horizon And Heuristics-Based Logic-Geometric Programming For Task And Motion Planning
TU Berlin(柏林工业大学);International Max Planck Research School for Intelligent Systems(马克斯·普朗克智能系统国际研究学院);Bilkent University(比尔肯特大学)
机器人操作的顺序决策和运动规划会导致组合复杂性。对于长期任务,特别是当环境包括许多可以交互的对象时,规划效率变得更加重要。为了规划这种长时间任务,我们提出了RHH-LGP算法的组合任务和运动规划(TAMP)。首先,我们提出了一个TAMP方法(基于逻辑几何规划),有效地使用基于几何的算法来解决长期操作任务。该规划器的效率,然后进一步提高了滚动时域制定,从而在RHH-LGP。我们证明了我们的方法的鲁棒性和有效性,在各种各样的长期任务,需要推理与大量的对象的相互作用。使用我们的框架,我们可以解决的任务,需要多个机器人,包括移动机器人和蛇形步行机器人,形成新的异构运动学结构自主。通过结合基于几何的规划与迭代规划,我们的方法带来了一个数量级的减少规划时间在所有调查的问题。
2022-03-06 cs.RO
Informative Path Planning for Location Fingerprint Collection
McMaster University(麦克马斯特大学)
基于指纹的室内定位方法由于所部署的接入点的高可用性以及与商用现成用户设备的兼容性而很有前途。然而,为了训练回归模型用于定位,需要广泛的现场调查以从目标区域收集指纹数据。在本文中,我们考虑的问题,信息路径规划(IPP),以找到最佳的步行现场调查的预算约束。位置指纹收集的IPP与著名的定向问题(OP)有关,但由于基于边缘的非加性奖励和重访,更具挑战性。考虑到IPP的NP难性,我们提出了两种启发式算法:贪心算法和遗传算法。我们通过实验数据收集从两个室内环境具有不同的特点,这两种算法具有较低的计算复杂度,一般可以实现更高的实用性和更低的定位误差相比,两个国家的最先进的方法OP的扩展。
2018-11-27 cs.RO
iDRM: Humanoid Motion Planning with Real-Time End-Pose Selection in Complex Environments
University of Edinburgh(爱丁堡大学)
在本文中,我们提出了一种新的逆动态可达性地图(iDRM),允许浮动基础系统找到有效的最终姿态在复杂和动态变化的环境中,在实时的【形】。末端位姿规划是一个重要的问题,有效的立场姿态和无碰撞配置的人形应用,如提供目标状态的步行和运动规划。然而,这在复杂的环境中是不平凡的,其中站立位置和到达姿势受到障碍物的限制。我们提出的iDRM自定义的机器人到工作空间的占用列表,并使用在线更新算法,使有效的可达性地图的重建,以保证所选择的最终姿态总是无碰撞。iDRM在各种达到任务中使用38自由度(DoF)的人形机器人Valkyrie进行了评估。我们的研究结果表明,该方法是能够找到有效的结束姿势在一秒钟的一小部分。值得注意的是,我们还证明,运动规划算法集成我们的最终姿态规划方法比那些不利用这种技术更有效。
2016-07-28 cs.RO
Fast Online Optimization for Terrain-Blind Bipedal Robot Walking with a Decoupled Actuated SLIP Model
Imperial College London(帝国理工学院)
我们提出了一个高度反应控制器,使双足机器人盲目地走过各种不平坦的地形,同时抵抗推动。高级运动规划器使用解耦致动弹簧加载倒立摆(aSLIP)模型对脚步位置和质心(CoM)高度进行快速在线优化。解耦的aSLIP模型简化了原始aSLIP,在水平状态下具有线性倒立摆(LIP)动力学,在垂直状态下具有弹簧动力学。运动规划可以用离散时间模型预测控制(MPC)来表示,并在1 k ~HZ的频率下求解。使用降阶模型的运动规划器的输出被馈送到基于逆动力学的全身控制器中以用于在机器人上执行。该控制器的一个关键结果是机器人的脚是顺应性的,这进一步扩展了机器人对未观察到的地形变化的鲁棒性的能力。我们评估我们的方法在模拟与双足机器人SLIDER。实验结果表明,该机器人能够在斜坡、波浪场和楼梯等各种不平坦地形上实现盲走。它也可以抵抗推,而走在不平坦的地形。
2021-09-20 cs.RO
Demonstrating Autonomous 3D Path Planning on a Novel Scalable UGV-UAV Morphing Robot
California Institute of Technology(加州理工学院);Northeastern University(东北大学);CSIRO(联邦科学与工业研究组织);Jet Propulsion Laboratory(喷气推进实验室)
本文提出一种具备地面与空中运动能力的变形多模态机器人,并应用现成的 SLAM 和路径规划解决方案,实现了在复杂室内环境中的自主 3D 导航。
2023-08-01 cs.RO cs.SY eess.SY
Straight-Leg Walking Through Underconstrained Whole-Body Control
Florida Institute for Human and Machine Cognition(佛罗里达人类与机器认知研究所);Virginia Tech(弗吉尼亚理工大学)
我们提出了一种方法来实现一个自然的,有效的步态双足机器人使用伸直腿和脚趾关闭。我们的算法避免了复杂的高度规划,允许全身控制器,以确定最直的腿配置在运行时。通过将腿关节角度目标投影到其他二次规划运动目标的零空间中,控制器解决方案偏向于直腿配置。为了使腿在整个步态中保持笔直,利用脚趾离地来增加腿的运动学可达性。脚趾离地运动是通过对脚的位置进行欠约束来实现的,从而使其自然地出现。我们将这种指定运动目标的方法应用于Atlas人形机器人,使其能够在各种地形上行走。我们提出了实验和仿真结果,并讨论性能限制和潜在的改进。
2017-09-12 cs.RO
Estimation and Planning of Exploration Over Grid Map Using A Spatiotemporal Model with Incomplete State Observations
University of Nevada, Reno(内华达大学雷诺分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
时空模型上的路径规划可以应用于各种应用,如无人机搜索在山区蔓延的野火或部署在廉价的互联网服务的时变大气中的气球网络。这种应用中的一个值得注意的方面是动态变化的环境。然而,路径规划算法往往假设静态环境,只考虑车辆的动态探索环境。我们提出了一个时空模型,该模型使用互相关运算符来考虑时空依赖性。此外,我们提出了一个自适应状态估计器的路径规划。由于状态估计依赖于车辆的路径,路径规划需要考虑探索和利用之间的权衡。我们使用一个高层次的决策者来选择一个探索性的路径或一个剥削性的路径。整体提出的框架包括一个自适应状态估计器,短期路径规划器,和一个高层次的决策者。我们测试了框架的时空模型模拟,其中每个网格的状态从正常,潜在的,和火灾状态过渡。对于访问有火网格的任务目标,所提出的框架优于随机行走(基线)和一心一意的开发(或探索)路径。
2021-06-24 cs.RO
Towards Safe Locomotion Navigation in Partially Observable Environments with Uneven Terrain
Georgia Institute of Technology(佐治亚理工学院)
本研究针对部分可观测环境下具有多层次安全保障的动态移动,提出一种整合任务与运动规划的方法。该分层规划框架由高级符号任务规划器和低级相空间运动规划器组成。在任务规划级的信念抽象,使信念估计的动态障碍物的位置,并保证航行安全与避免碰撞。高级任务规划器,即,一个两级的导航规划,采用线性时序逻辑的反应性游戏合成之间的机器人和它的环境,同时将低级别的安全关键帧策略到正式的任务规范设计。合成的任务规划器命令一系列的运动动作,包括步行步长,步高,和航向角的变化,到底层的关键帧决策器,这进一步确定机器人的质心顶点速度关键帧。低级别的相空间规划器使用降阶运动模型来生成满足直线和转向行走的平衡安全标准的非周期性轨迹。这些标准的特点是运动关键帧状态的约束,并用于定义关键帧过渡策略,通过可行性内核。由Agility Robotics设计的Cassie双足机器人的仿真结果展示了在由动态障碍物和不平坦地形组成的三维、部分可观察的环境中的运动操纵。
2020-09-10 cs.RO
A Rapidly-Exploring Random Trees Motion Planning Algorithm for Hybrid Dynamical Systems
University of California, Santa Cruz(加州大学圣克鲁兹分校)
提出了一种快速探索随机树(RRT)算法来解决混合系统的运动规划问题。在每次迭代中,所提出的算法,称为HyRRT,随机挑选一个状态样本,并扩展搜索树的流或跳转,这也是随机选择时,这两个制度都是可能的。通过定义的级联的功能定义的混合时域,我们表明,HyRRT是概率完整的,即,未能找到一个运动计划的概率接近零的算法的迭代次数的增加。这个属性是保证在温和的条件下定义的运动计划的数据,其中包括放松通常的正间隙假设施加在文献中的经典系统。运动计划的计算通过两个优化问题的解决方案,一个与流量和其他与系统的跳跃。该算法被应用到步行机器人,以突出其通用性和计算功能。
2022-10-26 cs.RO
Footstep and Motion Planning in Semi-unstructured Environments Using Randomized Possibility Graphs
Georgia Institute of Technology(佐治亚理工学院);California Institute of Technology(加州理工学院)
穿越任意障碍物的环境对双足机器人提出了重大挑战。在某些情况下,可能需要全身运动来绕过障碍物,但大多数现有的脚步规划者只能从一组离散的预定脚步动作中进行选择;他们无法利用机器人平台真正可用的全身运动的连续性。现有的运动规划,可以利用全身运动往往与大规模问题的复杂性斗争。我们介绍了一种规划方法,称为“随机可能性图”,它使用高层次的近似约束流形快速探索的“可能性”的行动,从而使较低层次的运动规划者更有效地利用。我们演示了模拟的方法工作在各种半非结构化的环境。在这种情况下,“半非结构化”意味着可行走的地形是平坦的,但在整个环境中存在任意的3D障碍物,这些障碍物可能需要使用全身运动来跨过或绕过。
2017-03-20 cs.RO
Humans plan for the near future to walk economically on uneven terrain
University of Calgary(卡尔加里大学)
人类在不平坦的地形上行走时,步态会出现微小的波动。波动偏离了稳定的,能量最小化的水平行走模式,没有明显的组织。但人类在行走时经常向前看,并可能计划地形的预期波动。只有当这种规划服务于某种客观目的时才是明智的,例如保持恒定的速度或减少能源消耗,这在有限的规划能力内也是可以实现的。在这里,我们表明,人类计划和执行最佳控制策略在不平坦的地形。他们不是保持恒定的速度,而是有目的地进行预期的速度调整,以最大限度地减少能量消耗。一个简单的最优控制模型预测经济的速度波动,与人类(N = 12)在七种不同地形剖面上行走的实验(与模型ro=0.55+-0.11,P<0.05所有地形)吻合得很好。参与者在每个地形特征前大约6到8步开始进行可重复的速度波动(每步最多+-7.5厘米的高度差,最多16个连续的特征)。更近的特征更重要,因为能量随着每一次与地面的碰撞而消散,阻止了动量无限期地持续下去。因此,一个有限的连续展望视野和电机工作空间足以对任何长度的地形进行实际优化。人类在不久的将来会行走,以规划复杂的最佳控制序列。
2022-11-24 cs.RO cs.SY eess.SY
Motion Planning in Dynamic Environments Using Context-Aware Human Trajectory Prediction
University of Oxford(牛津大学);University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
多年来,运动规划、地图绘制和人体轨迹预测的独立领域已经取得了相当大的进展。然而,文献仍然是稀疏的,在提供实用的框架,使移动机械手进行全身运动和占移动障碍物的预测运动。以前的基于优化的运动规划方法,使用距离场已经遭受了高计算成本所需的更新环境表示。我们证明,与从头开始计算距离场相比,GPU加速的预测复合距离场显着减少了计算时间。我们将这种技术与一个完整的运动规划和感知框架,占人类在动态环境中的预测运动,使反应性和先发制人的运动规划,结合预测的运动。为了实现这一目标,我们提出并实现了一种新的人体轨迹预测方法,结合意图识别与基于轨迹优化的运动规划。我们验证了我们的结果框架在现实世界中的丰田人类支持机器人(HSR)使用实时RGB-D传感器数据从车载摄像头。除了提供对公开数据集的分析外,我们还发布了牛津室内人体运动(Oxford-IHM)数据集,并展示了人体轨迹预测的最新性能。Oxford-IHM数据集是一个人类轨迹预测数据集,其中人们在室内环境中的感兴趣区域之间行走。静态和机器人安装的RGB-D相机都可以观察人,同时通过运动捕捉系统进行跟踪。
2022-07-26 cs.RO
Online Trajectory Planning Through Combined Trajectory Optimization and Function Approximation: Application to the Exoskeleton Atalante
Wandercraft(Wandercraft公司);Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);Université Paris-Dauphine(巴黎多芬大学)
自主机器人需要在线轨迹规划能力才能在现实世界中运行。高效的离线轨迹规划方法已经存在,但计算量大,无法在线使用。在本文中,我们提出了一种新的算法,称为引导轨迹学习,学习通过轨迹优化计算的解决方案的函数近似,同时确保准确和可靠的预测。然后在线使用该函数近似来生成轨迹。该算法被设计为易于实现,并且实用,因为它不需要大量的计算能力。它很容易适用于任何机器人系统,并且由于鲁棒控制策略通常已经可用,因此可以毫不费力地在实际硬件上设置。我们证明了我们的算法的计算性能与自平衡外骨骼Atalante扁平足行走。
2020-03-04 cs.LG cs.RO
Integrating Model-Based Footstep Planning with Model-Free Reinforcement Learning for Dynamic Legged Locomotion
Massachusetts Institute of Technology(麻省理工学院)
本文提出一种结合LIP模型脚步规划与强化学习的控制框架,仅以期望落脚位置作为引导训练策略,在MIT Humanoid上实现了稳定动态行走、转弯及崎岖地形适应,硬件实测前向速度达1.5 m/s。
2024-08-05 cs.RO cs.SY eess.SY
A pedestrian path-planning model in accordance with obstacle's danger with reinforcement learning
Shibaura Institute of Technology(芝浦工业大学)
大多数微观行人导航模型使用应用于行人代理的“力”的概念来复制导航环境。虽然该方法可以在常规情况下提供可信的结果,但在许多典型设置中,它并不总是类似于自然的行人导航行为。在我们的研究中,我们提出了一种新的方法,使用强化学习模拟行人智能体路径规划和避碰问题。这种方法的主要重点是利用人类对环境的感知和对干扰的危险意识。我们的模型的实施表明,由代理规划的路径与人类行人在几个方面,如遵循常见的步行惯例和人类行为有许多相似之处。
2019-12-06 cs.LG cs.MA 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
An Efficient Optimal Planning and Control Framework For Quadrupedal Locomotion
Moog(穆格公司)
本文提出一种高效的动态规划框架,用于四足机器人的最优规划与控制,通过多级优化方法高效求解切换时间和连续控制输入,并采用连续时间约束LQR算法优化前馈与反馈控制器。
2017-03-04 cs.RO cs.SY eess.SY
Motion Planning Among Dynamic, Decision-Making Agents with Deep Reinforcement Learning
Massachusetts Institute of Technology(麻省理工学院);Oculus Research(奥库勒斯研究院)
在行人之间导航的机器人使用防撞算法来实现安全和高效的操作。最近的工作提出了深度强化学习作为一个框架来模拟复杂的交互和合作。然而,它们是使用关于其他代理的行为的关键假设来实现的,这些行为随着环境中代理数量的增加而偏离现实。这项工作扩展了我们以前的方法,开发了一种算法,学习各种类型的动态代理之间的冲突避免,而不假设他们遵循任何特定的行为规则。这项工作还引入了一种使用LSTM的策略,使算法能够使用任意数量的其他代理的观察结果,而不是以前具有固定观察大小的方法。随着代理数量的增加,该算法在模拟中优于我们以前的方法,并且该算法在以人类步行速度行驶的全自动机器人车辆上进行了演示,而无需使用3D激光雷达。
2018-05-04 cs.AI cs.LG cs.RO
Bayesian Local Sampling-based Planning
The University of Sydney(悉尼大学);NVIDIA(英伟达)
基于采样的规划是机器人运动规划的主要范例。大多数基于抽样的规划者使用全局随机抽样方案来保证概率的完整性。然而,大多数计划往往是低效的,因为样本来自全球的建议分布,并没有利用相关的本地结构。另一方面,基于局部采样的运动规划器采取随机行走的顺序决策来采样配置空间中的有效轨迹。然而,目前的方法不适应他们的战略,根据过去的样本的成功和失败。在这项工作中,我们介绍了一个局部采样为基础的运动规划与贝叶斯学习计划建模的自适应采样建议分布。基于先前的样本顺序地更新建议分布,从而根据配置空间中的局部障碍和约束对其进行成形。因此,通过从过去观察到的结果中学习,我们最大限度地提高了在狭窄通道内形成轨迹的概率较高的区域中进行采样的可能性。我们提供了一个样本有效分布的制定,以及按顺序更新此分布的理论基础。我们的实验表明,通过使用贝叶斯建议分布,解决方案被发现更快,需要更少的样本,没有任何明显的性能开销。
2020-01-19 cs.AI cs.LG cs.RO
LBGP: Learning Based Goal Planning for Autonomous Following in Front
Simon Fraser University(西蒙弗雷泽大学)
本文研究了一种结合深度强化学习(RL)和经典轨迹规划的混合解决方案,用于后续前端应用。在这里,自主机器人的目标是在人自由走动时保持领先。跟随在前面是一个具有挑战性的问题,因为用户的预期轨迹是未知的,需要由机器人显式或隐式地估计。此外,机器人还需要找到一种可行的方法,以安全地在人类轨迹之前导航。我们的深度RL模块隐式地估计人类轨迹并生成短期导航目标来引导机器人。轨迹规划器使用这些目标来平滑地将机器人导航到短期目标,并最终在用户面前。我们在深度RL模块中采用课程学习,以有效地实现高回报。我们的系统在跟踪方面优于最先进的技术,并且在模拟和现实世界的实验中与端到端的替代方案相比更可靠。与纯深度RL方法相比,我们展示了训练策略从模拟到现实世界的zero-shot转移。
2020-11-05 cs.AI cs.LG cs.RO
First Steps Towards Full Model Based Motion Planning and Control of Quadrupeds: A Hybrid Zero Dynamics Approach
California Institute of Technology(加州理工学院);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
混合零动力学(HZD)方法已成为双足机器人步态规划和控制的有力工具。本文旨在扩展HZD方法,以解决四足机器人的行走,漫步和小跑行为。我们提出了一个框架,系统地产生了广泛的最佳轨迹,然后证明稳定他们的全阶,非线性和混合动力模型的四足运动。步态规划是通过一个可扩展的非线性规划,使用直接配置和HZD。然后通过Poincaré截面分析实现指数稳定的控制器综合。特别是,我们采用迭代优化算法,涉及线性和双线性矩阵不等式(LMI和BMI)设计基于HZD的控制器,保证指数稳定的不动点的庞加莱返回映射。通过步态生成和基于HZD的控制器合成的一个先进的四足机器人,-视觉60,36个状态变量和12个控制输入的框架的权力被证明。数值模拟和真实世界的实验证实了所提出的框架的有效性。
2019-09-17 cs.RO cs.SY eess.SY
HyRRT-Connect: Bidirectional Motion Planning for Hybrid Dynamical Systems
University of California, Santa Cruz(加州大学圣克鲁兹分校)
针对混合动态系统的运动规划问题,提出双向快速探索随机树算法HyRRT-Connect,通过混合时间双向传播、函数反转拼接及仿真重构消除中断,在两个实例中实现计算改进。
2025-04-14 cs.AI cs.RO cs.SY
"Drunk Man" Saves Our Lives: Route Planning by a Biased Random Walk Mode
Donald Bren School of Information and Computer Sciences(唐纳德·布伦信息与计算机科学学院);University of California, Irvine(加州大学欧文分校);School of Physics and Electronic Science(物理与电子科学学院);East China Normal University(华东师范大学);Department of Biology(生物系);University of Maryland, College Park(马里兰大学帕克分校)
基于2017年袭击波多黎各的飓风,我们开发了一种可移动的灾难响应系统“DroneGo”,其特点是无人机舰队能够提供医疗包和道路视频。覆盖与遗传算法和有偏随机行走模型模仿一个喝醉的人,探索可行的路线上的领域与海拔和道路信息。一个建议机制,保证随机性和目标函数偏置随机性相结合。结果表明,高性能虽然耗时。
2020-10-04 cs.AI cs.RO
Real time A* Adaptive Action Set Footstep Planning with Human Locomotion Energy Approximations Considering Angle Difference for Heuristic Function
Korea Advanced Institute of Science and Technology(韩国科学技术院)
在各种环境下,如何将双足机器人导航到所需的目的地是一个非常重要的问题。然而,它是非常困难的,以解决实时的导航问题,因为计算时间是非常长的,由于具有高自由度的机器人的性质。为了克服这一点,许多科学家建议通过足迹规划导航。通常的脚步规划使用最短的距离或角度作为目标函数的基础上的A * 算法。最近,人类行走所需的能量,这是广泛使用的人体动力学,近似多项式函数被提出作为一个更好的成本函数,解释了双足机器人的运动。此外,对于实时的导航,采用A * 算法的动作集不是固定的,而是根据情况变化的数量,这样计算时间不会增加太多,并建议考虑与外界环境碰撞的方法作为一种实用方法。本文采用近似人类步行所需能量的多项式函数作为代价函数,并提出并证明了一种新的考虑机器人与目的地之间角度差的启发式函数。此外,提出了一种新的方法来集成的自适应行为集和能量有关的人类行走。在此基础上,提出了一种有效的碰撞避免方法和一种减少局部极小值问题的方法。最后,将具有上述特点的脚步规划算法转化为映射算法和步行算法,解决了机器人的导航问题,并通过仿真和实际机器人进行了验证。
2022-11-02 cs.RO
Unified Path and Gait Planning for Safe Bipedal Robot Navigation
Ohio State University(俄亥俄州立大学)
针对双足机器人分层规划路径与步态易忽略物理约束导致不安全的问题,提出基于LIP模型和MPC的统一规划方法,利用离散时间CBF生成落脚点,在20个随机环境中验证了其安全性和鲁棒性的提升。
2024-03-26 cs.RO
Online Multi-Contact Receding Horizon Planning via Value Function Approximation
The University of Edinburgh(爱丁堡大学);The Alan Turing Institute(阿兰·图灵研究所);Kyung Hee University(庆熙大学);Idiap Research Institute(伊迪亚普研究所);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Dyson Limited(戴森有限公司);Touchlab Limited(托奇实验室有限公司)
针对多接触运动滚动时域规划计算成本高的问题,提出基于轨迹和学习的两种价值函数近似方法,其中局部引导RHP效率最优,实现了真实人形机器人在动态环境中的在线规划。
2024-04-17 cs.RO
Fair navigation planning: a humanitarian robot use case
King’s College London(伦敦国王学院)
在本文中,我们调查潜在的公平问题与移动机器人的运动。我们专注于人道主义绘图和灾难响应的特定用例。首先,我们展示了机器人导航的公平性,并使用一个演练的例子来展示设计选择和公平系统开发过程中出现的问题。我们讨论了间接歧视,公平效率权衡,反生产的公平定义,隐私和其他问题的存在。最后,我们结束了我们的方法作为一个具体的负责任的创新工具,在自治系统的设计引发道德问题的潜力进行了讨论。
2020-06-25 cs.CY cs.RO