CAVE-NAV: VLM-Based Autonomous 3D Navigation in Underwater Cave Environments
University of South Florida(南佛罗里达大学);George Mason University(乔治梅森大学);University of Maryland(马里兰大学);Seoul National University(首尔大学)
该研究针对水下洞穴导航的传统方法局限,提出带CoT推理的VLM导航框架,经仿真验证可完成无碰撞的端到端三维洞穴导航。
2026-08-31 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
Estimation and Navigation Methods with Limited Information for Autonomous Urban Driving
Cornell University(康奈尔大学)
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差,全球定位信息(例如GPS信号)可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据,对该数据进行大量的后处理以获得地图,然后随着环境的变化而在地图上保持更新。本论文通过研究算法和架构来解决城市环境中的自动驾驶问题,从而在有限的信息下实现全功能的自动驾驶。
2021-08-11 cs.RO
Autonomous Urban Localization and Navigation with Limited Information
Cornell University(康奈尔大学)
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差,全球定位信息(例如GPS信号)可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据,对该数据进行大量的后处理以获得地图,然后随着环境的变化而在地图上保持更新。本文通过研究算法和架构来解决城市环境中的自动驾驶问题,从而在有限的信息下实现全功能自动驾驶。开发了一种在很少或不依赖先验地图或GPS的情况下自主导航城市道路的算法。定位是用一个扩展的卡尔曼滤波器与里程计,罗盘,和稀疏的地标测量更新。导航是由基于罗盘的导航控制律。蒙特卡洛研究的关键结果显示了不同环境条件下城市导航的成功率。实验验证了模拟结果,并表明,对于给定的测试条件下,可以找到一个预期的范围内给定的成功率。
2018-10-09 cs.RO
Towards Preference Learning for Autonomous Ground Robot Navigation Tasks
CCDC Army Research Laboratory(CCDC陆军研究实验室)
我们感兴趣的自主机器人行为的设计,学习用户的偏好,在持续的互动,以有效地执行导航行为的方式,用户期望的目标。在本文中,我们讨论了我们正在进行的工作,以修改一个通用模型的机器人导航行为的探索任务,在每个用户的基础上,使用基于偏好的强化学习。这种方法的新颖贡献在于,它结合了强化学习、运动规划和自然语言处理,允许自主智能体从与人类队友的持续对话中学习,而不是一次性的指令。
2020-11-05 cs.RO
MulDP: Multimodal Diffusion Policy for Autonomous Quadruped Parkour Navigation across Complex Terrains
College of Intelligent Robotics and Advanced Manufacturing, Fudan University(复旦大学智能机器人与先进制造学院)
本文针对四足机器人自主跑酷导航的关键挑战,提出MulDP多模态扩散策略,构建QPND数据集,经仿真与真实实验验证其可实现复杂地形的长时程鲁棒自主导航。
2026-09-04 cs.RO
CropNav: a Framework for Autonomous Navigation in Real Farms
University of Illinois at Urbana-Champaign (UIUC)(伊利诺伊大学厄巴纳-香槟分校);EarthSense Inc.(EarthSense公司);University of São Paulo (USP)(圣保罗大学)
提出一种混合导航系统CropNav,通过在LiDAR行跟踪与航点跟踪间自动切换并实现失败检测与恢复,解决了冠层下GNSS不可靠的导航难题,显著提升了农场自主导航距离。
2024-11-17 cs.RO
Autonomous Navigation with Mobile Robots using Deep Learning and the Robot Operating System
Imperial College London(帝国理工学院);AIOZ Ltd.(AIOZ有限公司)
自主导航是机器人研究的一个长期领域,它为移动机器人提供了一种基本的能力,使其能够在人类日常执行的相同环境中执行一系列任务。在本章中,我们提出了一套算法,训练和部署深度网络的自主导航的移动机器人使用机器人操作系统(ROS)。我们描述了解决这个问题的三个主要步骤:i)使用ROS和Gazebo在模拟环境中收集数据; ii)设计用于自主导航的深度网络; iii)在模拟和现实世界中的移动机器人上部署学习策略。从理论上讲,我们提出了深度学习架构,用于在正常环境中进行鲁棒导航(例如,人造房屋、道路)和复杂环境(例如,倒塌的城市或天然洞穴)。我们进一步表明,使用视觉模态,如RGB,激光雷达和点云是必不可少的,以提高移动机器人的自主性。我们的项目网站和演示视频可以在https://sites.google.com/site/autonomousnavigationros上找到。
2020-12-07 cs.RO
MengeROS: a Crowd Simulation Tool for Autonomous Robot Navigation
The Graduate Center(纽约市立大学研究生中心);Hunter College of The City University of New York(纽约市立大学亨特学院)
虽然在大型拥挤的环境中有效导航对于自主机器人至关重要,但支持它的算法的初步测试需要在广泛的人群场景中进行模拟。大多数可用的仿真工具提供没有机器人的真实人群或没有真实人群的真实机器人。本文介绍了MengeROS,一个2-D模拟器,逼真地集成了多个机器人和人群。MengeROS提供了广泛的设置,用于测试为大型拥挤环境设计的导航算法的功能和性能。
2018-01-26 cs.RO
VascularPilot3D: Toward a 3D fully autonomous navigation for endovascular robotics
United Imaging Research Institute of Intelligent Imaging(联影智能影像研究院);United Imaging(联影集团);University of Michigan(密歇根大学)
VascularPilot3D是首个三维全自主血管内机器人导航系统,结合感知与规划模块,在离体实验中达到100%成功率,并减少18.38%人工控制。
2024-09-18 cs.RO
A Comprehensive Review on Autonomous Navigation
Institute for Intelligent Systems Research and Innovation(智能系统研究与创新研究所);Deakin University(迪肯大学)
在过去的几十年里,自主移动机器人领域经历了巨大的进步。尽管取得了重要的里程碑,但仍有若干挑战有待解决。将机器人社区的成就汇总为调查文件对于跟踪当前的最新技术水平和未来必须解决的挑战至关重要。本文试图提供一个全面的审查自主移动机器人涵盖的主题,如传感器类型,移动机器人平台,仿真工具,路径规划和跟踪,传感器融合方法,避障,和SLAM。提出一份调查文件的迫切性是双重的。首先,自主导航领域发展迅速,因此定期撰写调查论文对于保持研究社区充分了解该领域的现状至关重要。其次,深度学习方法已经彻底改变了包括自主导航在内的许多领域。因此,有必要对深度学习在自主导航中的作用进行适当的处理,这也是本文所涉及的。未来的工作和研究差距也将被讨论。
2022-12-24 cs.RO
Neural Autonomous Navigation with Riemannian Motion Policy
Paul G. Allen School of Computer Science & Engineering, University of Washington(保罗·G·艾伦计算机科学与工程学院,华盛顿大学);NVIDIA(英伟达)
自主导航的端到端学习作为一种有前途的减少建模误差的方法,近年来受到了广泛的关注。然而,它的数据复杂性,特别是在推广到看不见的环境方面,是很高的。我们介绍了一种新的基于图像的自主导航技术,利用在政策结构使用黎曼运动策略(RMP)框架的车辆控制的深度学习。我们设计了一个深度神经网络来从视觉图像中预测车辆的控制点RMP,从中可以分析计算出最优控制命令。我们表明,我们在吉布森环境中训练的网络可用于室内避障和真实RC汽车上的导航,并且我们的RMP表示比直接预测局部几何形状或预测控制命令更好地推广到看不见的环境。
2019-04-03 cs.RO
Autonomous Navigation in Complex Environments with Deep Multimodal Fusion Network
Imperial College London(帝国理工学院);AIOZ Pte Ltd(AIOZ私人有限公司)
复杂环境中的自主导航是灾难响应或搜索和救援等时间敏感场景中的关键任务。然而,复杂的环境对自主平台的导航提出了重大挑战,因为它们具有挑战性的特性:狭窄的通道受限,碎片和障碍物的不稳定路径,或不规则的地质结构和恶劣的照明条件。在这项工作中,我们提出了一个多模态融合的方法来解决在复杂的环境,如倒塌的城市,或自然洞穴的自主导航问题。我们首先在基于物理的仿真引擎中模拟复杂环境,并收集大规模数据集进行训练。然后,我们提出了一个导航多模态融合网络(NMFNet),它有三个分支,有效地处理三种视觉模态:激光,RGB图像,点云数据。广泛的实验结果表明,我们的NMFNet优于最近的最先进的公平利润率,同时实现实时性能。我们进一步表明,在复杂的环境中,使用多种形式的自主导航是必不可少的。最后,我们成功地将我们的网络部署到模拟和真实的移动机器人。
2020-07-31 cs.RO
Towards Autonomous Navigation in Endovascular Interventions
University of Liverpool(利兹大学);Caranx Medical, Research and Development(Caranx医疗研发)
本研究提出AI驱动框架,通过高保真模拟和多模态传感融合提升内窥血管导航的自主性和精度,推动微创手术的发展。
2025-12-23 cs.RO
Wavefront Propagation and Fuzzy Based Autonomous Navigation
路径规划和避障是任何导航系统中的两个主要问题。波前传播算法是一种很好的路径规划算法,可以用来确定最优路径,利用可能性理论可以实现避障。结合这两个功能,机器人能够自主导航到目的地。本文介绍了实现室内移动机器人自主导航系统的方法和结果。该系统是基于激光传感器,用于检索数据,以更新一个二维的世界模型的therobot环境。路径中的航路点被并入避障。实现了诸如对象老化和平滑运动规划的功能,以提高效率并适应动态环境。
2006-01-14 cs.RO
Autonomous Mobile Robot Navigation: Tracking problem
本研究针对自主移动机器人导航跟踪问题,研究里程计、目标跟踪、避障三类核心行为,结合仿真与真实环境(含Pioneer、Elegoo机器人平台)完成验证,为鲁棒导航系统开发提供参考。
2024-07-08 cs.RO
Autonomous Magnetic Navigation Framework for Active Wireless Capsule Endoscopy Inspired by Conventional Colonoscopy Procedures
Chinese University of Hong Kong(香港中文大学);Southern University of Science and Technology(南方科技大学);Shenzhen Research Institute of the Chinese University of Hong Kong(香港中文大学深圳研究院)
近年来,为提高主动式无线胶囊内窥镜(WCE)检查的效率和准确性,磁同步驱动和定位(SMAL)技术得到了广泛的研究。在本文中,我们提出了一个自主的磁导航框架,主动WCE,模仿的“插入”和“撤回”的过程中执行的专家医生在传统的结肠镜检查,从而使高效和准确的导航机器人胶囊内窥镜在肠道中,以最小的用户努力。首先,胶囊自动推进通过未知的肠道环境,并生成一条可行的路径来代表环境。然后,胶囊自动导航到肠道轨迹上选择的任何点,以允许对可疑病变进行准确和重复的检查。此外,我们实现了先进的SMAL算法的机器人系统上的导航框架,并验证了它在各种管状环境中使用phantomy和离体猪结肠导航。我们的研究结果表明,所提出的自主导航框架可以有效地导航胶囊在未知的,复杂的管状环境与令人满意的精度,可重复性和效率相比,手动操作。
2021-11-03 cs.RO
Towards Over-Canopy Autonomous Navigation: Crop-Agnostic LiDAR-Based Crop-Row Detection in Arable Fields
Robotics Institutes, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
本文提出一种基于LiDAR的与作物类型无关的冠层上方自主导航系统,可在无GPS条件下检测作物行并导航整个田地,平均横向误差3.55厘米。
2024-09-18 cs.RO
Autonomous Navigation in Confined Waters -- A COLREGs Rule 9 Compliant Framework
Technical University of Denmark(丹麦技术大学)
许多行业参与者正在积极开发完全或部分自主的海洋船舶。在许多情况下,自动驾驶船舶将在靠近海岸的地方运行,并在远程控制中心(RCC)的范围内。近岸作业要求自主船舶能够在非常接近其他自主或有人驾驶船舶的情况下航行,并且可能在封闭水域中航行,同时与海上任何其他船舶一样平等地遵守COLREG。然而,在封闭水域,某些COLREG规则适用,这可能会改变预期的行动(让路或站立),这取决于船舶的机动性。本文提出了一个态势感知(SAS)框架,自主导航,符合COLREG规则9(窄通道)。拟议的解决办法包括一种评估船舶在封闭水域中的机动性的方法,以评估COLREG规则9的适用性。然后,将此功能集成到现有的SAS框架中,以促进在受限水域中符合COLREG的导航。所提出的方法的适用性证明在模拟使用的情况下,研究一个小型的自主客运渡轮。
2022-07-17 cs.RO
Navigation in the Presence of Obstacles for an Agile Autonomous Underwater Vehicle
Vassar College(瓦萨学院);University of South Carolina(南卡罗来纳大学)
水下航行传统上是通过与障碍物保持安全距离来完成的,从而导致感兴趣区域的“飞越”。自主水下航行器(AUV)在复杂空间(如沉船或装饰洞穴)中的运动是一个极具挑战性的问题,过去尚未解决。本文提出了一种新的导航框架,利用增强版的Trajopt的快速三维路径优化规划的AUV。基于采样的校正程序确保规划不受局部最小值的约束,从而能够在狭窄的空间中导航。提出了两种不同的模式:规划与已知的地图的结果在有效的轨迹通过杂乱的空间;在未知的环境中操作利用点云从视觉特征检测到有效地导航,同时避免检测到的障碍物。所提出的方法进行了严格的测试,无论是在模拟和在池中的实验,证明是足够快,使安全的实时三维自主导航的AUV。
2020-05-11 cs.RO
Learning Real-world Autonomous Navigation by Self-Supervised Environment Synthesis
The 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);Sony AI(索尼人工智能)
机器学习方法最近已经以数据驱动的方式实现了移动机器人的自主导航。由于大多数现有的基于学习的导航系统都是使用人工创建的训练环境中生成的数据进行训练的,因此在大规模的真实世界部署过程中,机器人将不可避免地遇到不可见的场景,这些场景不在训练分布中,因此导致真实世界性能不佳。另一方面,在现实世界中直接训练通常是不安全和低效的。为了解决这个问题,我们引入了自监督环境合成(SES),其中,在具有安全性和效率要求的真实世界部署之后,自主移动机器人可以利用来自真实世界部署的经验,重建导航场景,并在仿真中合成具有代表性的训练环境。在这些合成环境中进行训练可以提高未来在现实世界中的表现。SES在合成代表性的仿真环境和提高现实世界的导航性能的有效性进行评估,通过大规模部署在一个高保真,逼真的模拟器和小规模部署的物理机器人。
2022-10-10 cs.RO
A GNC Architecture for Planetary Rovers with Autonomous Navigation Capabilities
HE Space for ESA – European Space Agency(HE Space 公司(为欧洲空间局));European Space Agency(欧洲空间局);University of Malaga(马拉加大学)
本文提出了一种针对即将到来的火星探测任务(如火星2020和样品提取漫游车(SFR))的行星漫游车的制导,导航和控制(GNC)架构。这些任务的导航要求需要具有自主能力的控制架构,以实现快速和长距离的遍历。所提出的解决方案提出了一个两级架构,其中有效的导航(低)级始终处于活动状态,并且根据地形的难度启用完整的导航(上)级。第一级是基于危险检测、局部路径重新规划和具有视觉里程计的轨迹控制的自主导航的基本功能的有效实现。第二个层次实现了一个自适应SLAM算法,提高了相对定位,评估了更优的路径规划前方地形的可通行性,并执行全局(绝对)定位,纠正在较长的遍历姿态漂移。该架构为远程、低监控和快速行星探索提供了解决方案。这两种导航水平都已在行星模拟实地测试活动中得到验证。
2019-11-22 cs.RO
Kilometer-scale autonomous navigation in subarctic forests: challenges and lessons learned
Université Laval(拉瓦尔大学)
森林中冬季自主导航所固有的挑战包括缺乏可靠的全球导航卫星系统(GNSS)信号、地物对比度低、光照变化大和环境不断变化。这种越野环境是自动驾驶汽车在北方地区可能遇到的极端情况。因此,了解这种恶劣环境对自主导航系统的影响非常重要。为此,我们提出了一个实地报告,分析教和重复导航在亚北极森林,而受波动的天气,包括轻,大雪,雨和毛毛雨。首先,我们描述的系统,它依赖于点云注册本地化的移动机器人通过北方森林,同时建立一个地图。我们实验评估该系统在超过18.8公里的自主导航的教学和重复模式。在14次重复运行中,仅需要4次手动干预,其中3次是由于定位失败,另1次是由于电池断电。我们发现,茂密的植被干扰GNSS信号,使其不适合在森林小径导航。此外,我们强调了在森林小径中使用点云注册与本地化相关的不确定性增加。我们证明,这不是雪降水,但雪积累,影响我们的系统的本地化能力的环境。最后,我们揭示了一些挑战和经验教训,从我们的现场活动,以支持更好的实验工作在冬季条件下。我们的数据集可在线获取。
2022-07-26 cs.RO
A Map-Free LiDAR-Based System for Autonomous Navigation in Vineyards
Politecnico di Milano(米兰理工大学)
本文提出一种基于LiDAR和轮式编码器的无地图导航系统,利用葡萄园平行行结构实现行内、转弯和行端自主导航,并通过行端点检测弥补了现有研究对行端导航的忽视。
2023-07-06 cs.RO
Lavender Autonomous Navigation with Semantic Segmentation at the Edge
Politecnico di Torino(都灵理工大学);University of Rome Tor Vergata(罗马第二大学)
本研究将基于分割的视觉不可知导航算法应用于薰衣草田,通过仿真和真实场景的大量实验验证了其在不同场景下的泛化能力和高度可靠性。
2023-09-13 cs.RO
Enabling Autonomous Navigation in a Snake Robot through Visual-Inertial Odometry and Closed-Loop Trajectory Tracking Control
Electrical and Computer Engineering(电气与计算机工程系)
本研究通过视觉-惯性里程计和闭环轨迹跟踪控制,实现蛇形机器人在无外部跟踪设施环境下的自主导航,验证了多路径点跟踪的准确性。
2025-12-09 cs.RO
A Realtime Autonomous Robot Navigation Framework for Human like High-level Interaction and Task Planning in Global Dynamic Environment
在本文中,我们提出了一个框架,实时自主机器人导航的基础上云和按需数据库,以解决两个主要问题的类人机器人交互和任务规划在全球动态环境中,这是不知道的先验。我们的框架有助于使人类的大脑GPS地图系统的机器人使用空间信息和独立的机器人导航进行三维视觉语义SLAM。我们将机器人的记忆系统分为长期记忆和短期记忆。通过将这些记忆与自主导航模块(ANM)、学习模块(LM)和行为规划模块(BPM)相连接,形成机器人的行为和知识系统。建议的框架进行评估,通过模拟使用基于ROS的Gazebo模拟移动机器人,RGB-D相机(3D传感器)和激光测距仪(2D传感器)在3D模型的现实室内环境。仿真证实了我们提出的框架的实质性的实际优点。
2019-05-30 cs.RO
Autonomous Navigation in Unknown Environments with Sparse Bayesian Kernel-based Occupancy Mapping
University of California, San Diego(加州大学圣地亚哥分校)
本文主要研究了在未知环境中自主机器人的在线地图绘制和实时碰撞检测问题。常用的体素和八叉树图表示可以在小型环境中轻松维护,但随着环境的增长,内存需求也会增加。我们提出了一个根本不同的方法占用映射,其中占用和自由空间之间的边界被视为决策边界的机器学习分类。这项工作推广了一个内核感知器模型,它保持了一个非常稀疏的支持向量集,以有效地表示环境边界。我们开发了一种基于相关向量机的概率公式,允许测量噪声和概率占用分类的鲁棒性,支持自主导航。我们提供了一个在线训练算法,更新稀疏贝叶斯地图增量从流范围数据,和一个有效的碰撞检查方法一般曲线,代表潜在的机器人轨迹。我们的映射和碰撞检查算法的有效性进行评估,在任务中需要自主机器人导航和主动映射在未知的环境中。
2021-07-11 cs.RO
Contrast-Free Autonomous Navigation of Untethered Endovascular Microrobots Using Single-Plane Fluoroscopy
Mayo Clinic(妙佑医疗国际(梅奥诊所));Arizona State University(亚利桑那州立大学)
本研究针对磁驱动 untethered 血管内微型机器人三维导航的临床障碍,提出 VISTA 数字孪生框架,利用单平面荧光透视实现无造影剂自主导航,显著缩短导航时间、减少校正指令与辐射暴露。
2026-09-01 cs.RO
Open-Architecture End-to-End System for Real-World Autonomous Robot Navigation
Control/Robotics Research Laboratory (CRRL), Department of Electrical and Computer Engineering, NYU Tandon School of Engineering(控制/机器人研究实验室(CRRL),电气与计算机工程系,NYU塔恩顿工程学院)
本文提出一种轻量级开架端到端系统,通过整合多组件实现四足机器人实时导航,利用自然语言任务和语义信息构建场景图,基于LLM生成动态计划,实现在多个室内环境中的零样本自主导航。
2026-04-21 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
Spatial and Temporal Hierarchy for Autonomous Navigation using Active Inference in Minigrid Environment
受人类导航时结合拓扑地标与粗粒度路径积分构建层次认知地图的行为启发,提出可扩展的层次化主动推理模型,通过多层级推理实现自主导航与探索,经Minigrid环境仿真验证有效。
2024-09-13 cs.RO
HANDO: Hierarchical Autonomous Navigation and Dexterous Omni-loco-manipulation
Shanghai Huawei Technologies Co., Ltd.(上海华为技术有限公司)
提出HANDO两层框架,结合目标条件化自主探索策略与统一全身移动操作策略,使配备机械臂的有腿机器人在非结构化环境中实现以人为中心的导航与精确交互操作。
2025-10-10 cs.RO
Minimization of GNSS-Denied Inertial Navigation Errors for Fixed Wing Autonomous Unmanned Air Vehicles
Polytechnic University of Madrid(马德里理工大学);Boeing Research & Technology Europe(波音欧洲研究与技术公司);National University of Distance Education(国立远程教育大学);Center for Automation and Robotics (UPM-CSIC)(自动化与机器人中心(UPM-CSIC))
本文提出了一种惯性导航算法,旨在降低GNSS(全球导航卫星系统)信号的缺失对自主固定翼低SWaP(尺寸,重量和功率)无人机(无人机)导航的负面影响。除了加速度计和陀螺仪之外,滤波器还利用了这些平台上通常存在的传感器,例如磁力计,皮托管和空气叶片,以减小姿态误差和位置漂移为目标(水平和垂直),其双重目标是改进飞机GNSS-拒绝惯性导航能力以及促进惯性滤波器与视觉里程计算法的融合。随机高保真蒙特卡罗模拟的两个代表性的情况下,涉及GNSS信号的损失进行评估的结果,比较所提出的滤波器与更传统的实现,并分析结果的灵敏度的机载传感器的质量。作者将导航滤波器和高保真仿真的C++实现作为开源软件发布。
2021-08-11 cs.RO
AdVENTR: Autonomous Robot Navigation in Complex Outdoor Environments
University of Maryland, College Park(马里兰大学帕克分校)
提出AdVENTR系统,利用多传感器与场景感知切换算法,实现轮式和腿式机器人在复杂户外地形中的自主导航,并在Husky和Spot机器人上验证性能。
2023-11-15 cs.RO
Autonomous Navigation for Robot-assisted Intraluminal and Endovascular Procedures: A Systematic Review
University of Verona(维罗纳大学);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Politecnico di Milano(米兰理工大学);Delft University of Technology(代尔夫特理工大学);Scuola Superiore Sant’Anna(圣安娜高等研究院);KU Leuven(鲁汶大学)
本文系统综述了腔内和血管内手术的自主导航运动规划技术,按自主级别分类,识别限制因素,指出未来导航更自主,临床医生转为监督角色。
2023-05-06 cs.RO
Explainable Deep Reinforcement Learning for UAV Autonomous Navigation
Northwestern Polytechnical University(西北工业大学);City University of London(伦敦城市大学)
未知复杂环境下的自主导航仍然是一个难题,特别是对于计算资源有限的小型无人机。针对四旋翼飞机在未知室外环境中的自主飞行问题,提出了一种基于神经网络的无功控制器。导航控制器仅利用当前传感器数据来生成控制信号,而无需任何优化或配置空间搜索,这减少了存储器和计算需求。导航问题被建模为马尔可夫决策过程(MDP),并使用深度强化学习(DRL)方法来解决。具体来说,为了更好地理解训练后的网络,提出了一些模型解释方法。在特征属性的基础上,对飞行过程中的每个决策结果进行了视觉和纹理解释。此外,还提供了一些全局分析,供专家评估和改进训练后的神经网络。仿真结果表明,该方法能够对训练后的模型做出合理的解释,对非专家用户和控制器设计者都有一定的参考价值。最后,真实世界的测试表明,所提出的控制器可以导航四旋翼的目标位置成功和反应控制器的执行速度比一些传统的方法在相同的计算资源。
2021-02-02 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
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
Domain Adaptation Using Adversarial Learning for Autonomous Navigation
Seoul National University(首尔国立大学)
自主导航已经成为越来越受欢迎的机器学习应用。深度学习的最新进展也极大地改善了自主导航。然而,现有的户外自主导航依赖于各种昂贵的传感器或大量的真实标记数据,这些数据难以获取并且有时是错误的。本研究的目的是训练自主导航模型,使用模拟器(而不是真正的标记数据)和廉价的单目摄像机。为了充分利用模拟器,我们提出的方法是基于领域自适应与对抗学习。具体来说,我们提出了我们的模型,其中1)生成器中的膨胀残余块,2)循环损失,3)风格损失,以提高对抗学习性能,以获得令人满意的领域自适应。此外,我们进行了理论分析,支持我们提出的方法的理由。我们提出了经验的结果,在室外课程的导航与各种路口使用商业无线电控制的汽车。我们观察到,我们提出的方法允许我们通过生成具有逼真纹理的图像来学习有利的导航模型。据我们所知,这是第一个将领域自适应与对抗学习应用于真实户外环境中的自主导航的工作。我们提出的方法也可以应用于精确的图像生成或其他机器人任务。
2018-05-22 cs.CV cs.RO
A low-cost indoor and outdoor terrestrial autonomous navigation model
本文提出了一种面向室内外自主导航的低成本系统设计方法。为了提供这里提出的解决方案的动机,国家的最先进的技术的典型缺点的简要讨论报告。最后,应用这种方法设计的导航系统的蒙眼的人。
2016-10-12 cs.HC 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
PIC4rl-gym: a ROS2 modular framework for Robots Autonomous Navigation with Deep Reinforcement Learning
Politecnico di Torino(都灵理工大学)
学习代理可以优化标准的自主导航,通过采用各种各样的方法来提高系统的灵活性,效率和计算成本。这项工作介绍了\textit{PIC4rl-gym},一个基本的模块化框架,通过混合机器人社区的标准工具ROS 2和Gazebo,以及深度强化学习(DRL)来增强导航和学习研究。本文描述了PIC 4 rl-gym的整体结构,它充分集成了DRL Agent在多种室内和室外导航场景和任务中的训练和测试。采用模块化方法,通过选择新的平台、传感器或模型,轻松定制仿真。我们展示了我们的新健身房的潜力,通过基准测试产生的政策,训练不同的导航任务,与一套完整的指标。
2022-11-19 cs.AI cs.RO
GANav: Efficient Terrain Segmentation for Robot Navigation in Unstructured Outdoor Environments
我们提出了GANav,一种新的组明智的注意力机制,以确定安全和可导航区域的越野地形和非结构化环境中的RGB图像。我们的方法分类地形的基础上,他们的导航水平使用粗粒度的语义分割。我们新的组注意力损失使任何骨干网络能够以低空间分辨率明确关注不同组的特征。与现有的SOTA方法相比,我们的设计在保持高水平准确性的同时实现了高效的推理。我们对RUGD和RELLIS-3D数据集的广泛评估表明,GANav在RUGD上比SOTA mIoU提高了2.25-39.05%,在RELLIS-3D上提高了5.17-19.06%。我们将GANav与基于深度强化学习的导航算法相结合,并强调了其在现实世界非结构化地形中导航方面的优势。我们将基于GANav的导航算法与ClearPath Jackal和Husky机器人集成,并观察到成功率提高了10%,选择具有最佳导航性的表面增加了2-47%,轨迹粗糙度降低了4.6-13.9%。此外,GANav将禁区的误报率降低了37.79%。代码、视频和完整的技术报告可在https://gamma.umd.edu/offroad/上获得。
2022-06-18 cs.CV 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
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
Towards Autonomous Visual Navigation in Arable Fields
University of Bonn(波恩大学)
机器人在农业领域的自主导航对于从作物监测到杂草管理和施肥的每项任务都至关重要。许多当前的方法依赖于精确的GPS,然而,这种技术是昂贵的并且还容易失败(例如,由于缺乏覆盖)。因此,通过可以解释其环境的传感器(如摄像头)进行自主导航对于实现农业自主化目标非常重要。在本文中,我们介绍了一个纯粹的基于视觉的导航方案,能够可靠地引导机器人通过行作物领域,而无需人工干预。独立于任何全局定位或映射,该方法能够准确地跟随作物行并在行之间切换,仅使用机载相机。借助于一种新的作物行检测和一种新的作物行切换技术,我们的导航方案可以部署在各种领域与不同的冠层类型在不同的生长阶段与有限的参数调整,创建一个作物不可知的导航方法。我们使用我们的农业机器人平台(BonnBot-I)在不同照明条件下的三个不同领域广泛评估了我们的方法。对于导航,我们的方法进行了评估五种作物类型,并实现了平均导航精度为3.82厘米相对于手动遥控。
2022-07-01 cs.CV 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
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
Autonomous Navigation and Collision Avoidance for Mobile Robots: Classification and Review
Poli USP(圣保罗大学工程学院);UFSC(圣卡塔琳娜联邦大学)
本文提出一种针对自主移动机器人自主无碰撞导航的三阶段五步分类法,梳理各阶段主流方法与技术,建立软硬件输入与自主导航的联系,为未来项目提供知识基础。
2024-10-09 cs.RO cs.SE
Autonomous Navigation System from Simultaneous Localization and Mapping
Clarkson University(克拉克森大学)
本文提出了一种基于同时定位与地图构建(SLAM)的自主导航系统的研制。这项研究的动机是找到一种自主导航内部空间的解决方案。内部导航是具有挑战性的,因为它可以永远发展。解决这个问题对于许多服务来说是必要的,例如清洁,健康行业和制造业。本文的重点是描述的基于SLAM的软件体系结构,为这个建议的自治系统。评估了该系统针对智能轮椅的潜在应用。目前的内部导航解决方案需要某种引导线,比如地板上的黑线。有了这个建议的解决方案,内部不需要翻新,以适应这个解决方案。此应用程序的源代码已开放源代码,以便它可以重新用于类似的应用程序。此外,这个开源项目预计将由广泛的开源社区在过去的现状下进行改进。
2021-12-14 cs.CV 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
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
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