Deep Learning for Visual Navigation of Underwater Robots
Texas A&M University（德克萨斯A&M大学）
本文综述了深度学习在水下机器人视觉导航中的应用，涵盖视觉感知、水下数据集、模仿学习与强化学习方法，并按训练范式对相关工作进行了分类。
2023-10-30 cs.CV cs.LG cs.RO
Learning a Group-Aware Policy for Robot Navigation
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins University Applied Physics Lab（约翰斯·霍普金斯大学应用物理实验室）；UC Berkeley（加州大学伯克利分校）
具有人类感知能力的机器人导航技术具有广泛的应用前景，在这些应用中，移动机器人可以为人类环境中的人们提供多方面的帮助。虽然先前的研究主要集中在将行人建模为独立的、有意图的个体，但人们是以群体的方式移动的;因此，移动机器人在人们周围导航时必须尊重人类群体。本文探讨了使用深度强化学习基于动态组形成的学习组感知导航策略。通过模拟实验，我们表明，与忽略人类群体的基线策略相比，群体感知策略实现了更好的机器人导航性能（例如，减少碰撞），最大限度地减少违反社会规范和不适，并减少机器人对行人的运动影响。我们的研究结果有助于社会导航和移动机器人融入人类环境的发展。
2022-07-29 cs.HC cs.LG cs.RO
Benchmarking Reinforcement Learning Techniques for Autonomous Navigation
University of Texas at Austin（德克萨斯大学奥斯汀分校）；George Mason University（乔治梅森大学）；Everyday Robots（日常机器人公司）；Sony AI（索尼人工智能）
本文针对自主导航深度强化学习缺乏开源基准和可复现方法的问题，提出了四个主要期望，并评估了记忆架构、安全RL、基于模型RL和域随机化四类技术在开源基准和真实环境中的表现。
2023-06-27 cs.AI cs.RO
Decentralized Global Connectivity Maintenance for Multi-Robot Navigation: A Reinforcement Learning Approach
Sun Yat-sen University（中山大学）
在多机器人应用中，连通性维护的多机器人导航问题是一个具有挑战性的问题。这项工作研究了如何在未知环境中导航多机器人团队，同时保持连接。我们提出了一个强化学习（RL）的方法来开发一个分散的政策，这是多个机器人之间共享。给定距离传感器测量值和其他机器人的位置，该策略旨在生成用于导航的控制命令并保持机器人团队的全局连通性。我们将连接性问题作为约束纳入RL框架，并引入行为克隆来降低策略优化的探索复杂度。该策略是优化与多个机器人在随机模拟场景中收集的所有过渡数据。我们通过比较不同的连接约束和行为克隆的组合，验证了所提出的方法的有效性。我们还表明，我们的政策可以推广到看不见的情况下，在模拟和完整的机器人实验。
2021-09-17 cs.LG cs.RO
Robot in a China Shop: Using Reinforcement Learning for Location-Specific Navigation Behaviour
机器人需要能够在多种不同的环境中工作。即使在执行类似的任务时，也应该部署不同的行为以最好地适应当前环境。在本文中，我们提出了一种新的方法来导航，它被视为一个多任务学习问题。这使机器人能够学习在不同环境下的视觉导航任务中表现不同，同时还可以学习跨环境的共享专业知识。我们在模拟环境和真实数据中评估了我们的方法。我们的方法使我们的系统收敛，训练时间减少了26%，同时也提高了准确性。
2021-06-02 cs.LG cs.RO
Holistic Deep-Reinforcement-Learning-based Training of Autonomous Navigation Systems
Berlin Institute of Technology（柏林工业大学）
近年来，深度强化学习作为地面车辆自主导航的一种有前途的方法出现，并已被用于巡航控制、车道变换或避障等各种导航领域。然而，大多数研究工作要么专注于使用深度强化学习来提供端到端的解决方案来训练整个系统，要么专注于一个特定的方面，例如局部运动规划。然而，这伴随着许多问题，例如灾难性的遗忘，低效的导航行为以及导航堆栈的不同实体之间的非最佳同步。在本文中，我们提出了一种整体的深度强化学习训练方法，其中训练过程涉及导航堆栈的所有实体。这将增强导航堆栈的所有实体之间的同步和对它们的理解，从而提高导航性能。我们用一些不同的观察空间训练了几个智能体，以研究不同输入对智能体导航行为的影响。在对多种基于学习和经典的基于模型的导航方法的深入评估中，我们提出的代理在效率和安全性方面优于基线，实现更短的路径长度，更少的迂回路径和更少的碰撞。
2023-02-06 cs.LG cs.RO
Socially Integrated Navigation: A Social Acting Robot with Deep Reinforcement Learning
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出一种社交集成导航方法，使机器人社交行为通过深度强化学习从人机交互中自适应涌现，仿真表明其导航性能优于社交感知方法且减少对环境智能体的负面影响。
2024-07-26 cs.AI cs.LG cs.RO
IoT-Enabled Autonomous Maritime Navigation in Smart Ports: A Curriculum-Guided Shared Policy Learning Framework
Nanyang Technological University（南洋理工大学）；School of Civil and Environmental Engineering（土木与环境工程学院）；School of Mechanical and Aerospace Engineering（机械与航空航天工程学院）
针对智能港口IoT自主海上设备的导航挑战，提出课程引导共享策略学习框架，经模拟验证其可靠性、避碰性等优于基线方法，可有效泛化到高密度场景。
2026-08-13 cs.LG cs.RO
Enhancing Privacy and Security of Autonomous UAV Navigation
University at Buffalo（布法罗大学）；IBM Research（IBM研究院）
本文提出结合强化学习与全同态加密（FHE）的端到端安全框架，通过对加密图像执行推理并适配神经网络与OpenAI Gym库，在几乎不损失性能的前提下有效防御窃听、中间人等对抗性攻击，保障自主无人机导航的隐私与安全。
2024-04-26 cs.AI cs.CR cs.RO
ARC Nav -- A 3D Navigation Stack for Autonomous Robots
PES University（PES大学）
流行的导航栈在开源框架之上实现，如ROS（机器人操作系统）和ROS 2使用离散化的2D占用网格表示机器人工作空间。这种方法，虽然需要较少的计算，限制了使用这样的导航栈轮式机器人在平面上导航。在本文中，我们提出了一个导航堆栈，使用体积表示的机器人工作空间，因此可以扩展到空中和足式机器人通过不平坦的地形导航。此外，我们提出了一种新的基于采样的运动规划算法，该算法引入了一个双向的方法，批量通知树（BIT*）运动规划算法，同时包装它与策略切换的方法，以减少初始时间，找到一条路径，除了所需的时间，找到最短路径。
2021-11-12 cs.RO
Continuous-Time Trajectory Optimization for Decentralized Multi-Robot Navigation
SRM Institute of Science and Technology（SRM科学技术学院）
多机器人系统已经开始渗透到各种不同的领域，但以分散方式进行无碰撞导航仍然是一项艰巨的任务。通常，高速多机器人系统的导航需要重新规划轨迹以避免彼此碰撞。提出了一种基于标记的多机器人场景下的轨迹优化在线重规划算法。通过机器人之间可靠的状态通信，每个机器人都可以为其他所有机器人预测一个平滑的连续时间轨迹。基于这些预测轨迹的知识，每个机器人然后为自己规划无碰撞轨迹。利用基于多项式的轨迹生成方法，将无碰撞轨迹优化问题转化为非线性规划问题。该算法进行了测试，在模拟凉亭与空中机器人。
2019-09-05 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
NMPC-LBF: Nonlinear MPC with Learned Barrier Function for Decentralized Safe Navigation of Multiple Robots in Unknown Environments
Arizona State University（亚利桑那州立大学）；Toyota Research Institute of North America（丰田北美研究院）
在本文中，我们提出了一种分散控制方法的基础上的非线性模型预测控制（NMPC）的方法，采用障碍证书的安全导航的多个非完整轮式移动机器人在未知的环境中的静态和/或动态障碍。该方法将学习障碍函数（LBF）结合到NMPC设计中以保证安全的机器人导航，即，防止机器人与其他机器人和障碍物发生碰撞。我们将我们提出的控制方法称为NMPC-LBF。由于每个机器人都没有关于障碍物和其他机器人的先验知识，因此我们使用在每个机器人上实时运行的深度神经网络（DeepNN）来学习障碍函数（BF），仅从机器人的LiDAR和里程测量中学习。DeepNN被训练来学习区分安全和不安全区域的BF。我们实现了我们提出的方法在模拟和实际的Turtlebot 3汉堡机器人（S）在不同的场景。实现结果表明，NMPC LBF方法在确保机器人安全导航的有效性。
2022-08-16 cs.RO
Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots
Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）；Neuromeka；Swiss-Mile Robotics AG（Swiss-Mile机器人公司）；The work was carried out during their stay at（该工作是在他们停留期间完成的）
本文提出一个集成自适应运动控制、局部导航规划与大规模路径规划的轮腿式机器人系统，采用无模型强化学习和分层强化学习框架，在苏黎世和塞维利亚完成公里级自主导航验证。
2024-05-03 cs.LG cs.RO cs.SY
NavigScene: Bridging Local Perception and Global Navigation for Beyond-Visual-Range Autonomous Driving
Center for Research in Computer Vision, University of Central Florida（计算机视觉研究中心，中央佛罗里达大学）
提出辅助导航数据集 NavigScene 及三种融合全局导航信息的范式，通过增强视觉语言模型的超视距推理与泛化能力，显著提升自动驾驶在感知、预测、规划和问答任务上的性能。
2025-07-07 cs.CV cs.LG cs.MM
Navigation Framework for a Hybrid Steel Bridge Inspection Robot
University of Nevada, Reno（内华达大学雷诺分校）
自主导航是钢桥检测机器人对钢桥进行状态监测和维护的必要条件。大多数现有的机器人解决方案需要人类支持来导航机器人进行检查。本文提出了一种ARA机器人在移动模式下的导航框架[1]、[2]。在这种模式下，机器人需要穿过并检查所有可用的钢筋。本研究最重要的贡献是四种算法，它们可以处理深度数据，将其分割成簇，估计边界，构建一个图来表示结构，生成具有任何起点和终点的最短检测路径，并确定可用的机器人配置路径规划。钢结构桥梁的实验表明，该算法的有效性能，并有可能应用于ARA机器人运行在真正的桥梁结构。我们在Github上发布了源代码，供研究社区使用。
2021-03-11 cs.RO
Learning and Reasoning for Robot Dialog and Navigation Tasks
USTC（中国科学技术大学）；SUNY Binghamton（纽约州立大学宾汉姆顿分校）；UT Austin（德克萨斯大学奥斯汀分校）
强化学习和概率推理算法分别针对交互经验和概率上下文知识进行学习和推理。在这项研究中，我们开发了机器人任务完成算法，同时寻找强化学习和概率推理技术的互补优势。机器人从试错经验中学习，以增强其声明性知识库，并且增强的知识可用于加速潜在不同任务的学习过程。我们已经实施和评估的算法，使用移动机器人进行对话和导航任务。从结果中，我们看到，我们的机器人的性能可以通过与人类知识的推理和学习任务完成的经验来提高。更有趣的是，机器人能够从导航任务中学习，以改进其对话策略。
2020-08-31 cs.AI
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
Mobile Multi-Robot Navigation under Runtime Uncertainty via Koopman Operator Learning and Nonlinear Model Predictive Control
University of California, Riverside（加州大学河滨分校）
本文提出基于Koopman算子学习与非线性模型预测控制的框架，解决移动多机器人导航中的运行时不确定性（如车轮打滑），实现目标到达与编队控制，并通过数值模拟验证有效性。
2026-09-15 cs.RO
Efficient Navigation of Colloidal Robots in an Unknown Environment via Deep Reinforcement Learning
Tsinghua University（清华大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
为主动胶体机器人配备智能，使它们能够在未知的复杂环境中有效导航，这可能会极大地影响它们在精密手术和靶向药物输送等新兴应用中的使用。在这里，我们开发了一种无模型的深度强化学习，可以训练胶体机器人在具有随机障碍物的未知环境中学习有效的导航策略。我们表明，受过训练的机器人代理学习，使导航决策避障和旅行时间最小化，仅基于本地的感官输入，而无需事先了解全球环境。这种具有生物启发机制的代理可以在包含不同形状，大小和配置的障碍物的大规模，复杂的环境中获得竞争性的导航能力。这项研究说明了人工智能在工程主动胶体系统的未来应用和构建复杂的主动系统与视觉和学习能力的潜力。
2019-07-31 cond-mat.soft cs.LG
Exploring Social Motion Latent Space and Human Awareness for Effective Robot Navigation in Crowded Environments
TCS Research（塔塔咨询服务公司研究院）
本文提出利用社交运动潜在空间生成控制指令，并引入人类意识概念，以提升拥挤环境中机器人导航的成功率、平滑性和预见性。
2023-10-11 cs.AI cs.LG cs.RO
Aligning Robot Navigation Behaviors with Human Intentions and Preferences
本论文研究如何利用机器学习使移动机器人导航行为与人类意图和偏好对齐，提出基于模仿学习的视觉导航方法、自监督地形感知越野导航算法以及社会规范导航数据集与算法，有效缓解自主导航中的价值错位问题。
2024-09-16 cs.AI cs.LG cs.RO
PlaceNav: Topological Navigation through Place Recognition
Tampere University（坦佩雷大学）
本文提出 PlaceNav，通过视觉地点识别与贝叶斯滤波重构拓扑导航的子目标选择，利用非机器人大规模数据提升训练可用性，并在室内外任务中显著提高成功率与计算效率。
2024-02-29 cs.AI cs.LG cs.RO
Autonomous Systems: Autonomous Systems: Indoor Drone Navigation
Vellore Institute Of Technology（韦洛尔理工大学）
本文利用 Gazebo、Navigation2 和 SLAM Toolbox 构建了一个可在无 GPS 室内环境中自主导航的模拟四旋翼无人机，填补了 Nav2 在无人机领域应用的空白。
2023-04-18 cs.AI cs.RO
Autonomous Visual Navigation A Biologically Inspired Approach
University of Sussex（萨塞克斯大学）
受动物王国中观察到的导航行为，特别是蚂蚁的导航行为的启发，我们试图通过实现不同种类的仿生算法在人工环境中模拟它。
2022-09-19 cs.AI cs.NE 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
Learning Pose Estimation for UAV Autonomous Navigation andLanding Using Visual-Inertial Sensor Data
California Institute of Technology（加州理工学院）
在这项工作中，我们提出了一种新的学习方法的自主导航和着陆的无人机（UAV）。我们开发了一种用于视觉-惯性里程计的深度神经架构的多模态融合。我们以端到端的方式训练模型，以从视觉和惯性测量流中估计当前车辆姿态。我们首先评估我们的估计的准确性，通过比较模型的预测，传统的算法在公开的EuRoC MAV数据集。结果表明，$25 \%$在估计精度上优于基线。最后，我们将该架构集成到Airsim的闭环飞行控制系统中-虚幻引擎的插件模拟器-并提供自主导航和着陆的仿真结果。
2020-04-09 cs.CV cs.LG cs.RO
Multi-Mobile Robot Localization and Navigation based on Visible Light Positioning
South China University of Technology（华南理工大学）
我们展示了基于可见光定位（VLP）定位的多移动机器人导航。实验结果表明，该方法能够准确地定位机器人的位置。
2022-11-01 cs.RO
Topological Navigation of Simulated Robots using Occupancy Grid
以前，我提出了度量导航方法在Webots移动机器人模拟器。导航Khepera类机器人建立一个环境的占用网格，并探索周围的方形房间与价值迭代算法。现在，我创建了一个基于占用网格过程的拓扑导航程序。通过一个扩展算法的结果是一个图的重要地点和它们之间的连接路线。我还展示了在这个过程中获得的显著的时间利润。
2004-11-08 cs.AI cs.RO
Translating Natural Language Instructions for Behavioral Robot Navigation with a Multi-Head Attention Mechanism
Pontificia Universidad Catolica de Chile（智利天主教大学）；Millennium Institute for Foundational Research on Data（千年基础数据研究所）
我们提出了一个多头注意力机制作为一个混合层的神经网络模型，将自然语言转换为一个高层次的行为语言的室内机器人导航。我们遵循由（Zang et al.，2018a），提出使用导航图作为任务的知识库。我们的研究结果显示，在以前看不见的环境中翻译指令时，性能有了显着的提高，因此，提高了模型的泛化能力。
2020-06-07 cs.CL cs.LG cs.RO
Situated Multimodal Control of a Mobile Robot: Navigation through a Virtual Environment
Brandeis University（布兰迪斯大学）
我们提出了一个新的界面，用于控制导航机器人在新的环境中使用协调的手势和语言。我们使用一个带有激光雷达和摄像头的TurtleBot3机器人，一个机器人在探索时遇到的具体模拟，以及一个促进通用通信的跨平台桥梁。人类伙伴可以使用英语口语和相对于模拟环境的手势向机器人传递指令，以引导机器人完成导航任务。
2020-07-13 cs.AI cs.CL cs.RO
Obstacle avoidance and path finding for mobile robot navigation
Division of Science and Engineering, Penn State Abington（宾州州立大学阿宾顿分校科学与工程学院）
本文研究了不同的方法来检测机器人前方的障碍物，使用机器人中的摄像机，航空摄像机和超声波传感器。我们还探索了各种有效的路径寻找方法，机器人导航到目标源。开发了单次和多次迭代的基于角度的导航算法。将基于θ的路径搜索算法与Dijkstra算法进行了比较，分析了它们的性能。
2020-12-05 cs.AI cs.RO
From Language to Navigation Goals: A Vision-Language Approach for Semantic Navigation of Mobile Robots Using RGB-D Perception
研究如何让移动机器人根据自然语言请求进行语义导航，提出基于ROS 2组件的语言驱动导航框架，能识别目标、估计位置并生成导航目标，经仿真和实际场景评估，证明该框架可实现直观人机交互。
2026-10-28 cs.AI cs.RO
Following Social Groups: Socially Compliant Autonomous Navigation in Dense Crowds
Hong Kong University of Science and Technology（香港科技大学）；Carnegie Mellon University（卡内基梅隆大学）
在人口稠密的环境中，社交兼容导航对于自主机器人至关重要，因为驾驶时不可避免地要靠近人。考虑到人类舒适度和社会规则的限制，这种社交导航方式具有挑战性。传统的基于手工成本函数的方法难以在复杂的现实世界中操作。其他基于学习的方法未能从集体形成行为的角度解决自然性方面。我们提出了一个自主导航系统，能够在密集的人群和利用社会群体的信息。底层系统结合了一个深度神经网络来跟踪社交群体并加入社交群体的流以促进导航。系统中的防撞层进一步确保了航行安全。在实验中，我们的方法产生社会顺应行为的最先进的方法。更重要的是，该系统能够在人口密集的区域（10米x 20米区域内有10多人）安全地跟随人群流动到达目标。
2019-11-27 cs.AI cs.RO
Learning Personalized Human-Aware Robot Navigation Using Virtual Reality Demonstrations from a User Study
University of Bonn（波恩大学）；Fraunhofer FKIE（弗劳恩霍夫通信、信息处理与人机工程研究所）
对于最舒适的，人类感知的机器人导航，需要考虑用户的主观偏好。本文提出了一种新的强化学习框架，训练一个个性化的导航控制器，以及一个直观的虚拟现实演示界面。进行的用户研究提供的证据表明，我们的个性化方法显着优于经典方法，具有更舒适的人机体验。我们实现这些结果只使用一些演示轨迹从非专家用户，谁主要欣赏直观的演示设置。正如我们在实验中所示，学习的控制器可以很好地推广到演示数据中未涵盖的状态，同时仍然反映了导航过程中的用户偏好。最后，我们转移到一个真正的机器人导航控制器的性能没有损失。
2022-10-04 cs.AI cs.RO
Learning a Terrain- and Robot-Aware Dynamics Model for Autonomous Mobile Robot Navigation
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Freiburg（弗莱堡大学）；University of Augsburg（奥格斯堡大学）
本文提出地形与机器人感知的动力学模型TRADYN，基于神经过程元学习，适应地形和机器人变化，在仿真中降低预测误差并提升导航规划效率。
2024-09-17 cs.LG cs.RO
Human-like Semantic Navigation for Autonomous Driving using Knowledge Representation and Large Language Models
Computer Engineering Department, University of Alcalá（阿尔卡拉大学计算机工程系）
本研究利用大语言模型将非正式导航指令自动翻译为答案集编程规则，实现无需预定义地图的语义化、可解释的自动驾驶导航决策。
2025-05-22 cs.AI cs.RO
Robot Navigation with Reinforcement Learned Path Generation and Fine-Tuned Motion Control
Fudan University（复旦大学）
在本文中，我们提出了一种新的强化学习（RL）为基础的路径生成（RL-PG）方法的移动机器人导航没有事先探索的未知环境。多个预测路径点动态生成的深度马尔可夫模型优化使用RL方法的机器人跟踪。为了保证机器人在跟踪预测点时的安全性，通过运动微调模块对机器人的运动进行微调。这种方法使用深度马尔可夫模型和RL算法进行规划，重点关注相邻路径点之间的关系。我们分析的好处，我们提出的方法是更有效的，并具有更高的成功率比基于RL的方法DWA-RL和传统的导航方法APF。我们部署我们的模型在仿真和物理平台上，并证明我们的模型进行机器人导航有效和安全。
2022-10-19 cs.AI cs.RO
Correct-by-Construction Navigation Functions with Application to Sensor Based Robot Navigation
Cyprus University of Technology（塞浦路斯理工大学）；Technion Israel Institute of Technology（以色列理工学院）
本文汇集了导航变换和调和函数的概念，形成导航功能，是正确的建设的意义上，没有调整是必需的。导航功能的形式与环境中障碍物的数量明确相关。这使得能够在部分或完全未知的环境中应用用于自主机器人导航的导航功能，具有当机器人发现新障碍物时对导航功能进行即时调整的能力。本文首先针对运动学点质量机器人和动态点质量机器人系统，提出并分析了适用于具有局部、扇形有界传感的机器人的导航控制器。所提出的导航方案的封闭形式性质提供了基于在线快速反馈的导航。除了分析保证，仿真研究，以验证该方法的有效性。
2021-03-07 cs.RO cs.SY eess.SY
Data-Driven Meets Navigation: Concepts, Models, and Experimental Validation
University of Haifa（海法大学）
导航的目的是确定载人和自主平台、人类和动物的位置、速度和方向。获得精确的导航通常需要在基于模型的非线性估计框架中融合多个传感器，例如惯性传感器和全球导航卫星系统。最近，数据驱动的方法应用在各个领域显示出最先进的性能，相比基于模型的方法。在本文中，我们回顾了多学科的，基于数据驱动的导航算法的自主导航和传感器融合实验室（ANSFL）开发和实验证明，包括算法适用于人类和动物的应用，各种自主平台，多用途导航和融合方法
2022-10-06 cs.AI cs.RO
Indoor Localization for Autonomous Robot Navigation
Colorado State University（科罗拉多州立大学）
本研究探索将室内定位系统（IPS）用于自主机器人导航，通过收集数据集、训练模型并开发A*路径规划算法，使机器人利用预测方向导航，实验显示约50%的拐角导航成功率，表明该方向具有研究潜力。
2025-02-28 cs.LG cs.RO
SEAN: Social Environment for Autonomous Navigation
Yale University（耶鲁大学）；Rutgers University（罗格斯大学）
社会导航研究是在各种机器人平台，场景和环境中进行的。由于构建这些系统所涉及的工作以及社区使用的平台的多样性，因此在导航算法之间进行比较具有挑战性;尽管如此，评估对于了解该领域的进展至关重要。在社会导航算法的可再生评估的一步，我们提出了社会环境自主导航（SEAN）。SEAN是一个高视觉保真度，开源和可扩展的社交导航仿真平台，其中包括用于评估导航算法的工具包。我们展示了SEAN和它的评估工具包在两个环境中与动态行人和使用两种不同的机器人。
2020-09-09 cs.RO
Towards Probabilistic Planning of Explanations for Robot Navigation
King’s College London（伦敦国王学院）
本文提出一种概率框架，将用户中心设计融入机器人路径规划，通过概率建模用户解释偏好，自动规划解释以增强透明度和适应性。
2024-10-26 cs.AI cs.RO
MoRPI-PINN: A Physics-Informed Framework for Mobile Robot Pure Inertial Navigation
Autonomous Navigation and Sensor Fusion Lab (ANSFL)（自主导航与传感器融合实验室）；Hatter Department of Marine Technologies（海洋技术系）；Charney School of Marine Sciences（海洋科学学院）；University of Haifa（海法大学）
本文提出MoRPI-PINN框架，通过嵌入物理定律提升移动机器人惯性导航精度，实验证明其比其他方法准确率提升超85%。
2025-09-09 cs.AI cs.RO
HuNavSim: A ROS 2 Human Navigation Simulator for Benchmarking Human-Aware Robot Navigation
Pablo de Olavide University（巴勃罗·德·奥拉维德大学）
本文提出首个基于 ROS 2 的开源人类导航仿真器 HuNavSim，提供丰富逼真的人类导航行为和完整的社会导航基准测试指标，旨在简化人类感知机器人导航系统的开发与评估。
2023-09-13 cs.RO
An implementation of ROS Autonomous Navigation on Parallax Eddie platform
Universiti Brunei Darussalam（文莱达鲁萨兰大学）
提出了一种基于机器人操作系统（ROS）的自主导航功能在轮式差动驱动移动平台Eddie机器人上的实现方法。ROS是一个框架，包含许多可重用的软件栈以及可视化和调试工具，为任何机器人项目开发提供了理想的环境。本文的主要贡献是描述了Eddie机器人的定制硬件和软件系统设置，以与ROS中的自主导航系统（称为Navigation Stack）一起工作，并实现一个自主导航的应用用例。在本文中，选择拍照来演示移动机器人的一个用例。
2021-08-28 cs.CV cs.RO
Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation
Northeastern University（东北大学）；Institute for Experiential Robotics（体验机器人研究所）
提出无机器人的数据收集范式UNI，利用助行器和手机收集物理约束演示，训练轮式导航模型，降低轨迹误差并实现闭环迁移。
2026-09-29 cs.RO
Can Causal Models Enhance Robot Navigation? Online Causal Adaptation for Real-Robot Navigation
Chalmers University of Technology（查尔姆斯理工大学）
研究因果模型在真实机器人导航中的迁移问题，提出离线评估和在线自适应两种应用方式，实验表明因果模型在复杂场景下能显著提升导航性能。
2026-06-16 cs.RO
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
Autonomous Navigation in Complex Environments
本文提出基于CNN-DNN融合的导航控制器，利用模仿学习结合LiDAR与相机数据在地下救援仿真环境中导航寻目标，并通过蒙特卡洛验证其鲁棒性。
2024-01-06 cs.AI cs.CV cs.LG
Avoidance of Manual Labeling in Robotic Autonomous Navigation Through Multi-Sensory Semi-Supervised Learning
Ball State University（波尔州立大学）
模仿学习有望解决具有挑战性的机器人任务，如自主导航。然而，它需要一个人类监督员来监督训练过程，并在没有反馈的情况下向机器人发送正确的控制命令，这总是容易出错，而且成本高昂。为了最大限度地减少人工参与和避免人工标记的数据在机器人自主导航与模仿学习，本文提出了一种新的半监督模仿学习解决方案的基础上的多传感器设计。该解决方案包括基于传感器融合的次优传感器策略，以自动标记机器人遇到的状态，以避免训练期间的人类监督。此外，开发了一种记录策略，以抑制从次优传感器策略中学习太多的对抗性影响。该解决方案允许机器人以自我监督的方式学习导航策略。通过在室内环境中的大量实验，该解决方案可以在大多数任务中实现接近人类的性能，甚至在硬件故障或人为操作错误等意外事件中超过人类的性能。据我们所知，这是第一个综合传感器融合和模仿学习的工作，使机器人自主导航在现实世界中没有人的监督。
2018-02-20 cs.LG cs.RO
Robot Perception enables Complex Navigation Behavior via Self-Supervised Learning
Queensland University of Technology（昆士兰科技大学）
学习机器人系统中的视觉控制策略是实现长期行为自主性的一个基本问题。然而，最近的监督学习为基础的视觉和运动感知系统，往往是单独建立有限的能力，而被限制到一些行为技能，如被动视觉里程计（VO）或移动机器人视觉定位。在这里，我们提出了一种方法来统一这些成功的机器人感知系统的主动目标驱动的导航任务，通过强化学习（RL）。我们的方法在时间上结合了紧凑的运动和视觉感知数据（使用自我监督从单个图像序列直接获得），以实现复杂的目标导向导航技能。我们使用新的交互式CityLearn框架在两个真实驾驶数据集KITTI和Oxford RobotCar上展示了我们的方法。结果表明，我们的方法可以准确地推广到极端的环境变化，如昼夜周期，成功率高达80%，而仅视觉导航系统的成功率为30%。
2020-06-16 cs.LG cs.RO
Obtaining Robust Control and Navigation Policies for Multi-Robot Navigation via Deep Reinforcement Learning
Fraunhofer IML（弗劳恩霍夫物流研究院）；Westfälische Hochschule Gelsenkirchen（盖尔森基兴威斯特伐利亚应用科学大学）
多机器人导航是一个具有挑战性的任务，其中多个机器人必须同时协调动态环境中。我们应用深度强化学习（DRL）来学习一种分散的端到端策略，该策略将原始传感器数据映射到代理的命令速度。为了使策略能够泛化，在不同的环境和场景中执行训练。在常见的多机器人场景中，如切换一个地方，一个十字路口和一个瓶颈的情况下，学习的政策进行测试和评估。此策略允许代理从死胡同中恢复并在复杂环境中导航。
2022-09-07 cs.RO
Learning Navigation Skills for Legged Robots with Learned Robot Embeddings
Georgia Institute of Technology（佐治亚理工学院）；Facebook AI Research（Facebook人工智能研究院）
最近的工作已经显示出在模拟中学习理想化圆柱体代理的导航策略并将其转移到真正的轮式机器人上的结果。在足式机器人上部署这样的导航策略可能是具有挑战性的，因为它们的复杂动力学，以及圆柱代理和腿式系统之间的大的动力学差异。在这项工作中，我们学习分层导航政策，占低层次的动态足式机器人，如最大速度，滑动，接触，并学会成功地导航杂乱的室内环境。为了将在模拟中学习的策略转移到新的足式机器人和硬件上，我们学习了具有机器人特定嵌入的多个机器人之间的动态感知导航策略。学习的嵌入在新机器人上进行优化，而策略的其余部分保持固定，允许快速适应。我们在模拟中对三个足式机器人进行策略训练--两个四足机器人（A1，AlienGo）和一个六足机器人（Daisy）。在测试时，我们研究了我们的学习策略的性能在两个新的足式机器人在模拟（莱卡戈，4腿雏菊），和一个现实世界的四足机器人（A1）。我们的实验表明，我们的学习策略可以样本有效地推广到以前看不见的机器人，并使足式机器人的导航策略的仿真到现实迁移。
2021-09-13 cs.RO
