DrPlanner: Diagnosis and Repair of Motion Planners for Automated Vehicles Using Large Language Models
School of Computation, Information and Technology, Technical University of Munich(慕尼黑工业大学计算、信息与技术学院);University of California, Berkeley(加利福尼亚大学伯克利分校)
针对自动驾驶运动规划器性能优化难的问题,提出DrPlanner框架,借助大语言模型自动诊断修复规划器,可迭代优化,经两类规划器验证能有效识别修正隐性问题。
2024-08-07 cs.PL cs.RO
A Receding Horizon Multi-Objective Planner for Autonomous Surface Vehicles in Urban Waterways
Massachusetts Institute of Technology(麻省理工学院);Stevens Institute of Technology(史蒂文斯理工学院)
我们提出了一种新的滚动时域规划器的自主水面车辆(ASV)在城市水道进行路径规划。通过重复生成和搜索反映在传感器视场中观察到的障碍物的图来找到可行路径。我们还提出了一种新的方法,多目标运动规划的图,利用字典优化的范例,并将其应用到我们的滚动时域规划器内的图搜索。在搜索过程中,对感兴趣的竞争资源进行分级处罚。较高等级的资源会导致机器人在所走过的路径上产生非负成本,这些路径有时是零值的。该框架旨在捕获机器人必须管理资源的问题,例如碰撞风险。这为打破低优先级资源的平局留下了自由;在层次结构的底部是机器人消耗的严格的正数量,例如行驶的距离,消耗的能量或消耗的时间。我们在模拟和现实环境中进行实验,以验证所提出的规划,并证明其能力,使ASV导航在复杂的环境中。
2020-08-29 cs.RO
RALTPER: A Risk-Aware Local Trajectory Planner for Complex Environment with Gaussian Uncertainty
Southeast University(东南大学)
本研究针对高斯不确定性复杂环境下的自动驾驶车辆,提出风险感知局部轨迹规划器RALTPER,通过结合概率风险评估与非线性优化实现避碰,经多场景仿真验证其在狭窄区域等场景下的规划安全性与效率更优。
2024-08-11 cs.RO
Autonomous Vehicle Parking in Dynamic Environments: An Integrated System with Prediction and Motion Planning
University of California, Berkeley(加州大学伯克利分校);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文提出了一种集成的运动规划系统的自主车辆(AV)停车在其他移动车辆的存在。拟议的系统包括1)预测周围车辆运动的混合环境预测器和2)对预测做出反应的战略运动规划器。混合环境预测器通过扩展卡尔曼滤波器和自适应观测器进行短期预测。它还将短期预测与驾驶员行为成本图相结合,以进行长期预测。该策略运动规划器包括:1)基于模型预测控制的安全控制器,用于轨迹跟踪; 2)基于搜索的撤退规划器,用于在紧急情况下寻找规避路径; 3)基于优化的修复规划器,用于在原始路径无效时规划新路径。仿真验证表明,所提出的方法在初始规划,运动预测,安全跟踪,在紧急情况下撤退,和轨迹修复方面的有效性。
2022-04-26 cs.RO
Safe Planning for Self-Driving Via Adaptive Constrained ILQR
Carnegie Mellon University(卡内基梅隆大学);Indian Institute of Technology Kharagpur(印度理工学院克勒格布尔分校)
约束迭代线性二次型调节器(CILQR)是ILQR的一种变体,近年来被提出用于自主车辆的运动规划问题,以处理诸如避障和参考跟踪等约束。然而,以前的工作考虑确定性轨迹或持续预测目标动态障碍物。另一个缺点是缺乏通用性-它需要针对不同场景进行手动权重调整。在本文中,实现了两个重大的改进。首先,提出了一种两阶段的不确定性感知预测。基于可达性分析的有安全保障的短期预测,负责处理目标车辆的极端机动。利用自适应最小二乘滤波器的长期预测保持了规划轨迹的长期最优性,因为仅将可达性用于长期预测过于悲观,并且使规划器过于保守。其次,为了更广泛地覆盖不同的场景,避免繁琐的参数调整的情况下,本文设计了一个基于神经网络的分析函数,从自我车辆和目标车辆的状态作为输入,并携带一个成本函数的权重作为输出。它允许自我车辆在单个规划器下执行多个行为(如车道保持和超车)。我们证明了安全性,有效性和实时性能的建议计划在模拟。
2020-03-05 cs.RO cs.SY eess.SY
Safe Local Exploration for Replanning in Cluttered Unknown Environments for Micro-Aerial Vehicles
Autonomous Systems Lab, ETH Zürich(苏黎世联邦理工学院自主系统实验室)
为了使微型飞行器(MAV)能够在复杂、未知、非结构化的环境中提供帮助,它们必须能够在保证安全的情况下导航,即使面对它们事先不知道的混乱环境。虽然基于轨迹优化的局部规划器已被证明在这些情况下表现良好,但先前的工作要么没有解决如何处理优化问题中的局部最小值,要么通过使用乐观全局规划器来解决它。我们提出了一个保守的轨迹优化为基础的本地规划器,再加上本地探索策略,选择中间目标。我们进行了大量的模拟,以表明该系统的性能优于使用乐观的全球规划的标准方法,也优于做一个单一的探索步骤时,本地规划卡住。该方法是通过在各种高度杂乱的环境,包括茂密的森林实验验证。这些实验表明,完整的系统实时的运行完全机载MAV,映射和重新规划在4赫兹。
2018-03-12 cs.RO
Feedback Enhanced Motion Planning for Autonomous Vehicles
University of Pennsylvania(宾夕法尼亚大学);Qualcomm Technologies Inc.(高通技术公司)
在这项工作中,我们解决自动驾驶汽车的运动规划问题,通过一种新的网格规划方法,称为反馈增强网格规划器(FELP)。现有的格规划器有两个主要的局限性,即高维度的格和缺乏建模的代理车辆的行为。我们建议应用智能驾驶员模型(IDM)作为速度反馈策略,以解决这两个限制。IDM既能使智能体的响应行为,又能唯一地确定自我车辆在给定路径上的加速度和速度分布,因此只需要一个空间格,而不再需要高阶维数的离散化。此外,我们提出了一个有向图的地图表示,以支持实施和执行格规划。该地图能够反映局部几何结构,嵌入道路交通规则,具有较高的构建和更新效率。我们表明,FELP是更有效的相比,其他现有的格规划,通过运行时的复杂性分析,我们提出了两个变体的FELP,以进一步降低复杂性的多项式时间。我们通过比较FELP与现有的时空格规划器使用模拟的合并方案和连续的高速公路交通的改进。我们还研究了FELP在不同流量密度下的性能。
2020-07-11 cs.RO
IA Planner: Motion Planning Using Instantaneous Analysis for Autonomous Vehicle in the Dense Dynamic Scenarios on Highways
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学)
在密集、动态的场景中,当交通参与者高速行驶时,规划一条安全舒适的轨迹充满挑战。经典的图搜索和采样方法首先进行路径规划,然后配置相应的速度,这缺乏一个策略来处理高速障碍。解耦优化方法分别在S-L域和S-T域进行运动规划。这些方法需要大的自由配置空间来规划车道变换轨迹。在密集的动态场景中,很容易造成轨迹规划失败,被他人切入,造成行驶速度缓慢,带来安全隐患。在时空域上分析了碰撞关系,提出了一种同时只分析碰撞关系的瞬时分析模型。该模型将三维时空域中的无碰撞约束投影到二维空间域,去除了冗余约束,降低了计算复杂性。实验结果表明,该方法能够在密集动态场景下规划出安全舒适的换道轨迹。同时,它提高了交通效率,增加了乘坐舒适性。
2021-03-19 cs.AI cs.RO cs.SY
Optimization-based motion planning for multi-steered articulated vehicles
Linköping University(林雪平大学)
即使对于有经验的驾驶员来说,在狭窄的环境中操纵多转向铰接车辆的任务也是困难的。在这项工作中,我们提出了一个基于优化的轨迹规划器,针对低速机动的非结构化环境中的多转向N拖车车辆,这是由一个汽车一样的拖拉机和任意数量的相互连接的拖车固定或可转向的车轮。所提出的轨迹规划框架分为两个步骤,其中基于网格的轨迹规划器在第一步骤中用于计算轨迹规划问题的离散化版本的分辨率最优解。然后,在第二步骤中使用来自网格规划器的输出来初始化最优控制问题求解器,这使得框架能够计算在车辆的初态开始并精确地到达目标状态的局部最优轨迹。所提出的基于优化的轨迹规划器的性能进行评估,在一组实际相关的情况下,多转向3拖车车辆与车一样的拖拉机,其中最后一个拖车是可操纵的。
2020-03-02 cs.RO math.OC
Reinforcement Learning based Negotiation-aware Motion Planning of Autonomous Vehicles
Noah’s Ark Lab, Huawei Technologies(华为技术有限公司诺亚方舟实验室)
对于与人类交通参与者集成到道路上的自动驾驶车辆,它需要通过以可预测的方式响应而无需显式通信来理解和适应参与者的意图和驾驶风格。提出了一种基于强化学习的协商感知运动规划框架,该框架采用强化学习,通过实时的自适应地动态修改运动规划器的预测时域长度来调整规划器的驾驶风格,以适应环境变化的事件,通常由交通参与者具有不同驾驶风格的意图切换触发。该框架将自动驾驶车辆与其他交通参与者之间的交互建模为马尔可夫决策过程。该方法以网格图的时间序列作为RL模块的输入,嵌入隐式意图推理。采用课程学习提高算法的训练效率和鲁棒性。我们应用我们的方法在模拟和现实世界中的窄车道导航证明,所提出的方法优于常见的替代方案,由于其优势,在缓解社会困境问题与适当的谈判技巧。
2021-07-08 cs.RO cs.SY eess.SY
Interaction-Aware Trajectory Planning for Autonomous Vehicles with Analytic Integration of Neural Networks into Model Predictive Control
Michigan State University(密歇根州立大学);Honda Research Institute(本田研究院);Massachusetts Institute of Technology(麻省理工学院)
针对自动驾驶车辆保守规划导致性能下降和交通拥堵的问题,提出将神经网络交互轨迹预测器解析集成进模型预测控制,采用ADMM求解并证明收敛,实证优于基线启发式方法。
2023-03-02 cs.RO cs.SY eess.SY
An ACO-MPC Framework for Energy-Efficient and Collision-Free Path Planning in Autonomous Maritime Navigation
School of Engineering, University of Strathclyde(斯特拉思克莱德大学工程学院);James Watt School of Engineering, University of Glasgow(格拉斯哥大学詹姆斯·瓦特工程学院);School of Power and energy, Northwestern Polytechnical University(西北工业大学动力与能源学院);School of Engineering, University of Birmingham(伯明翰大学工程学院)
针对坡道自动驾驶变道中安全与效率的平衡难题,提出一种集成规划器,利用不满意水平度量效率、箭头簇采样评估碰撞风险,仿真验证其能安全高效地选择变道时机与曲线。
2025-04-22 cs.RO cs.SY eess.SY
Can Vehicle Motion Planning Generalize to Realistic Long-tail Scenarios?
University of Tübingen(蒂宾根大学);Robert Bosch GmbH(罗伯特·博世有限公司);University of Duisburg-Essen(杜伊斯堡-埃森大学);Tübingen AI Center(蒂宾根人工智能中心)
针对现有自动驾驶规划器难以泛化到罕见场景的问题,本文提出闭环基准 interPlan,并设计结合 LLM 行为规划与规则运动规划的混合规划器,在该基准上取得最优性能。
2024-09-04 cs.AI cs.LG cs.RO
Sharable Clothoid-based Continuous Motion Planning for Connected Automated Vehicles
University of Michigan(密歇根大学);Ford Motor Company(福特汽车公司)
针对互联自动驾驶车辆实时生成可行轨迹的需求,提出基于三段连续回旋线的运动规划方法,兼具可解释性、可共享性与边界条件适配性,可通过V2X共享参数实现轨迹重建,适配多种驾驶场景。
2023-12-18 cs.RO cs.SY eess.SY
Towards A General-Purpose Motion Planning for Autonomous Vehicles Using Fluid Dynamics
WMG, University of Warwick(华威大学WMG学院);School of Electronics, Electrical Engineering and Computer Science, Queen’s University of Belfast(贝尔法斯特女王大学电子、电气工程与计算机科学学院)
本文提出一种受流体力学启发的通用运动规划方法,利用格子玻尔兹曼方法生成时空向量场并结合非完整动力学模型生成候选轨迹,在高速公路、匝道合流和交叉口场景中优于基于MPC的传统方法。
2024-06-09 cs.RO cs.SY eess.SY
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University(庆北国立大学)
本文针对高速公路自动驾驶中的车辆交互问题,提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架,并基于庞特里亚金极小值原理实现轨迹优化,仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
Efficient Deployment and Mission Timing of Autonomous Underwater Vehicles in Large-Scale Operations
School of Information Technology, Deakin University(迪肯大学信息技术学院)
针对水下机器人(AUV)远程作业中的时间有效机动问题,提出了一种路由连接模型--局部路径规划。假设航行器在湍流水下环境中运行,局部路径规划器沿着全局路径中的现有节点产生水流弹性最短路径。定义了一个重路由过程来重新组织路由中节点的顺序,并补偿任务期间的任何损失时间。萤火虫优化算法(FOA)进行的规划,以验证该模型的性能在任务时间和对水流变化的鲁棒性。考虑到电池寿命的限制,该模型提供了一个准确的任务定时和实时性。路由系统和本地路径规划器协同工作,这是模型实时性的另一个原因。仿真结果证实了该模型的能力,在履行预期的标准,并证明其显着的鲁棒性对水下的不确定性和任务条件的变化。
2019-10-16 cs.RO
Int2Planner: An Intention-based Multi-modal Motion Planner for Integrated Prediction and Planning
COWAROBOT Co. Ltd.(酷哇机器人有限公司);School of Electronic Engineering, University of South China(南华大学电子工程学院)
Int2Planner提出基于路线意图点的集成预测与规划方法,实现多模态规划,在私有数据和nuPlan基准上达到最先进性能,并已实车验证数百公里。
2025-01-22 cs.RO
A Vehicle System for Navigating Among Vulnerable Road Users Including Remote Operation
Department of Cognitive Robotics, Delft University of Technology(认知机器人学系,代尔夫特理工大学)
本文提出一种集成T-MPC运动规划与远程操作选项的车辆系统,通过并行生成多策略轨迹并约束碰撞联合概率,在仿真和原型车测试中实现了对弱势道路使用者的安全高效导航。
2025-05-08 cs.RO cs.SY eess.SY
Dynamics-Aware Adaptive Corridors with Feasibility-Perturbed Trust-Region SQP for Certified Nonholonomic Motion Planning
Jiangsu College of Safety Technology(江苏安全技术职业学院)
提出一种动力学感知自适应走廊与可行性扰动信赖域序列二次规划方法,用于带倒挡类车车辆的认证非holonomic运动规划,确保每次迭代满足动力学且避免采样间碰撞,在820个基准案例中成功率达99.8%。
2026-10-06 cs.RO cs.SY eess.SY
Path planning for unmanned naval surface vehicles
Department of Computer Science, Florida State University(计算机科学系,佛罗里达州立大学)
针对无人水面航行器(USV)的固定和移动障碍物避碰问题,提出结合全局与局部路径规划器的新方法,全局规划器融合三种算法,局部规划器基于障碍物运动方向决策,仿真验证了有效性。
2026-07-03 cs.RO
Safe, Deterministic Trajectory Planning for Unstructured and Partially Occluded Environments
DENSO Automotive Deutschland GmbH(电装德国汽车有限公司);Carl von Ossietzky University(卡尔·冯·奥西茨基大学)
确保自动驾驶汽车在不受管制的交通区域的安全行为对该行业构成了复杂的挑战。这是一个开放的问题,提供可扩展的和可认证的解决方案,这一挑战。我们推导出一个基于模型预测控制的轨迹规划器,它与基于元胞自动机的行人安全监测系统进行互操作。结合规划监控系统的例子,一个狭窄的室内停车场环境。该系统具有确定性行为,减轻了黑盒的不可预测风险,并提供了完全的可认证性。通过使用基本的和保守的行人预测模型,监测器能够确定一个安全的可驾驶区域中的部分闭塞和非结构化的停车环境。该信息被馈送到轨迹规划器,该轨迹规划器通过约束优化来确保车辆在任何时间保持在安全可驾驶区域中。我们展示了该方法如何解决停车场紧张情况下的许多情况。即使采用保守的预测模型,评估表明,一个性能良好的系统进行测试的低速导航。
2021-09-30 cs.RO cs.SY eess.SY
Decision-theoretic MPC: Motion Planning with Weighted Maneuver Preferences Under Uncertainty
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院(KIT));Porsche Motorsport(保时捷赛车运动部门);Dr. Ing. h.c. F. Porsche AG(保时捷股份公司)
针对交通场景中其他参与者意图不确定导致自动驾驶车辆难选最优机动的问题,提出一种加权多机动轨迹的连续优化运动规划器,兼顾多类不确定性与应急机动可行性,在交互能力和舒适性上优于传统单机动规划器。
2024-10-07 cs.RO math.OC
Automated Lane Merging via Game Theory and Branch Model Predictive Control
TU Delft(代尔夫特理工大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出融合搜索式规划、矩阵博弈与分支模型预测控制的车道汇入框架,可选择汇入间隙并应对周围车辆的 Nash 与 Stackelberg 不确定策略,真实密集交通数据验证了其有效性。
2025-02-17 cs.RO cs.SY eess.SY
Frenet Corridor Planner: An Optimal Local Path Planning Framework for Autonomous Driving
Honda Research Institute, USA(本田研究院)
本文提出Frenet走廊规划器(FCP),通过Frenet空间可行驶走廊构建与改进自行车运动学模型优化局部路径,兼顾平滑性、边界间隙和动态障碍物风险,实现自动驾驶高效安全导航。
2025-05-06 cs.RO cs.SY eess.SY
On Infusing Reachability-Based Safety Assurance within Planning Frameworks for Human-Robot Vehicle Interactions
Stanford University(斯坦福大学);Simon Fraser University(西蒙弗雷泽大学)
行动预期、意图预测和主动行为都是交互式场景中自动驾驶策略的理想特征。然而,最重要的是确保道路安全--这样做的一个关键挑战是在不过度影响规划者表现的情况下考虑人类驾驶员行为的不确定性。本文介绍了一种在自主车辆控制栈内操作的最小干预安全控制器,其作用是确保与外部控制的(例如,人驱动的)对应物,同时考虑诸如道路边界墙的静态障碍物。我们利用可达性分析来构建一个实时(100 Hz)控制器,该控制器具有双重作用:(i)使用模型预测控制从更高级别的规划算法跟踪输入轨迹,以及(ii)通过保持无碰撞逃逸机动的可用性作为持久约束来确保安全性,而不管其他汽车未来采取什么行动。一个全尺寸的线控转向平台用于进行交通交织实验,其中两辆车,最初并排,必须在有限的时间和距离内交换车道,模拟汽车合并到/关闭高速公路。我们证明,通过我们的控制堆栈,自动驾驶汽车能够避免碰撞,即使另一辆车违背规划者的期望并采取危险行动,无论是不小心还是有意碰撞,否则偏离计划轨迹的程度最小,以保持安全。
2020-12-06 cs.RO cs.SY eess.SY
High-Speed, All-Terrain Autonomy: Ensuring Safety at the Limits of Mobility
Department of Mechanical Engineering, University of Michigan(密歇根大学机械工程系);U.S. Army Ground Vehicle Systems Center(美国陆军地面车辆系统中心)
本文提出一种新型局部轨迹规划器,通过能量约束实现高速越野车辆在复杂地形中的安全行驶,通过仿真和实验证明其在极端场景下的有效性。
2026-03-20 cs.RO cs.SY eess.SY
REACT: Real-time Entanglement-Aware Coverage Path Planning for Tethered Underwater Vehicles
Artificial Intelligence in Robotics Laboratory (AiR Lab), Department of Electrical and Computer Engineering, Aarhus University(人工智能机器人实验室(AiR实验室),电气与计算机工程系,阿arhus大学);NestAI;EIVA a/s(EIVA公司);Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)(德国人工智能研究中心(DFKI));Automatic Control Group, Department of Electrical Engineering and Information Technology, Paderborn University(自动控制组,电气工程与信息科技系,帕德博恩大学)
REACT通过实时纠缠感知覆盖路径规划,实现了安全高效的水下结构检查,比传统方法快20%完成任务。
2026-02-06 cs.RO cs.SY eess.SY
A Fully-autonomous Framework of Unmanned Surface Vehicles in Maritime Environments using Gaussian Process Motion Planning
University College London(伦敦大学学院);EPFL(洛桑联邦理工学院);Stevens Institute of Technology(史蒂文斯理工学院)
无人水面航行器(USV)对海洋工业中越来越多的部门越来越重要,包括近海勘探,海上运输和国防行动。USV使用和部署增长的一个主要因素是通过使用生成优化轨迹的自主导航系统提供的增加的操作灵活性。与陆地环境中的路径规划不同,海洋环境中的规划要求更高,因为需要确保针对风和洋流造成的重大、随机和往往不可预测的环境影响采取缓解行动。以这些必要的需求为主要动机基础,本文提出了一种新的运动规划器,表示为GPMP 2 *,扩展了基本的基于GP的运动规划器,GPMP 2的应用范围,到复杂的海洋环境。在GPMP 2 * 中创新性地添加了基于蒙特卡罗随机性的插值策略,产生了一种名为具有蒙特卡罗随机性的GPMP 2 *(MC-GPMP 2 *)的新算法,可以增加生成路径的多样性。在并行算法设计,ROS为先进的无人水面车辆,WAM-V 20 USV的全自主框架,已被提出。所提出的运动规划器的实用性以及全自主框架已在ROS海上风电场的模拟检查任务中进行了功能验证。
2022-05-21 cs.RO
Analysis of Functional Insufficiencies and Triggering Conditions to Improve the SOTIF of an MPC-based Trajectory Planner
samoconsult GmbH(samoconsult公司);University of Lübeck(吕贝克大学)
针对基于MPC的轨迹规划器安全应用受限、SOTIF实践经验不足的问题,本文分析其SOTIF特性,落地ISO21448的FIs与TCs判定流程,提出SOTIF-EooC方法并优化安全方案。
2024-08-01 cs.RO cs.SE cs.SY
Histo-Planner: A Real-time Local Planner for MAVs Teleoperation based on Histogram of Obstacle Distribution
Sorbonne Universite(索邦大学);CNRS(法国国家科学研究中心);UMR 7222(7222号研究单位);Institut des Systemes Intelligents et de Robotique - ISIR(智能系统与机器人研究所);Isir.upmc.fr(ISIR-巴黎大学)
针对计算受限的杂乱环境下MAV遥操作实时避障需求,提出无需全局地图的Histo-Planner局部规划器,结合障碍物分布直方图规划算法与模式触发管理器,经仿真和室内实验验证有效并给出基准对比。
2025-05-21 cs.RO
Synergizing Decision Making and Trajectory Planning Using Two-Stage Optimization for Autonomous Vehicles
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
针对自动驾驶决策与轨迹规划协同问题,提出两阶段优化方法分解混合整数规划难题,通过分阶段决策与轨迹生成,在多车道场景及CARLA仿真中实现安全高效的动态驾驶适应。
2024-11-28 cs.RO math.OC
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research(瓦赫宁根大学及研究中心)
本文介绍了Fields 2Cover,一个新的开源库覆盖路径规划(CPP)的农用车辆。虽然现在有几种CPP解决方案,但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架,用于规划覆盖路径,开发新技术,并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构,支持各种车辆,可用于各种应用,包括农场。它的核心模块是:一个岬生成器,一个条带生成器,一个路线规划器和路径规划器。机器人操作系统(ROS)的接口也提供了作为add-on. In本文中,库的功能,规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
Autonomous Vehicles Path Planning under Temporal Logic Specifications
AUDI AG(奥迪股份公司);University of Twente(屯特大学);Technical University of Munich(慕尼黑工业大学)
本文提出一种基于逻辑的规范机制,解决自动驾驶局部路径规划中实时环境更新与多源复杂要求(避障、交通规则等)的挑战。
2024-10-10 cs.LO cs.RO
Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);University of Parma(帕尔马大学);ETH Zurich(苏黎世联邦理工学院);University of Pisa(比萨大学);Technology Innovation Institute(技术创新研究所)
本文提出了一种多层运动规划和控制架构的自主赛车,能够避免静态障碍物,执行主动超车,并达到75 $m/s$以上的速度。所使用的离线全局轨迹生成和在线模型预测控制器高度基于车辆的优化和动态模型,其中轮胎和外倾角效应以基本Pacejka Magic Formula的扩展版本表示。使用多体赛车运动库来识别和验证所提出的单赛道模型,该库可以正确模拟车辆动力学,在缺少真实实验数据时特别有用。调整控制器的基本正则化项和约束以减小输入的变化率,同时确保可接受的速度和路径跟踪。运动规划策略由基于Frenét-Frame的规划器组成,该规划器考虑由卡尔曼滤波器产生的对手的预测。规划者选择无碰撞路径和速度轮廓在3秒的水平线上进行跟踪,以实现不同的目标,如跟踪和超车。所提出的解决方案已被应用在Dallara AV-21赛车和测试在椭圆形赛道实现横向加速度高达25 $m/s^{2}$。
2022-07-22 cs.AI cs.RO cs.SY
Wake-Informed 3D Path Planning for Autonomous Underwater Vehicles Using A* and Neural Network Approximations
Centre for Defence Engineering, Research and Training (CDERT), Flinders University(国防工程研究与培训中心(CDERT)、弗林德斯大学);Maritime Engineering, Faculty of Engineering and Physical Sciences, University of Southampton(海洋工程系,工程与物理科学学院,南安普顿大学)
针对AUV在复杂水下环境尤其是近距作业中尾流带来的能耗与安全问题,提出融合尾流与洋流的三维路径规划方法,构建两种A*规划器及神经网络近似模型,验证了尾流纳入的能效提升作用与NN的实时性优势。
2025-05-29 cs.AI cs.LG cs.RO
Biogeography-Based Combinatorial Strategy for Efficient AUV Motion Planning and Task-Time Management
Flinders University(弗林德斯大学)
自主式水下航行器(AUV)能够长时间执行各种水下任务和海洋任务。为了提高水下机器人的任务性能,提出了一种无冲突运动规划框架,使水下机器人在有限的时间内完成最多的最高优先级任务,并通过大规模航路点杂乱的作业场,保证水下机器人在任务期间的安全部署。所提出的组合路径规划模型的优点,基于地理的优化(BBO)算法对满足目标的高,低层次的运动规划,并保证最大化的任务生产率为一个单一的车辆操作。该模型的性能进行了研究,在不同的情况下,包括特定的成本约束,在随时间变化的操作字段。为了显示所提出的模型的可靠性,每个运动规划器的性能分别评估,然后进行统计分析,以评估整个模型的总性能。仿真结果表明了该模型的稳定性和实际应用的可行性。
2016-04-26 cs.RO
Warm-Started Optimized Trajectory Planning for ASVs
Norwegian University of Science and Technology (NTNU)(挪威科技大学)
我们认为,热启动的优化轨迹规划的自主水面车辆(ASV)的两种类型的规划者的优势相结合:A* 的实现,快速找到最短的分段线性路径,和基于控制的最优轨迹规划。一个非线性的3自由度欠驱动模型的ASV被认为是,随着目标功能,促进能源效率和易于观察的机动。A* 算法保证基于均匀分解的映射找到到达目标位置的最短分段线性路径。动态信息的构建和添加到A* 生成的路径,并提供了一个初始的猜测热启动的最优控制为基础的规划。最优控制规划器的运行时间大大减少了这个初始猜测,并输出一个动态可行的和局部最优的轨迹。
2019-07-05 cs.RO cs.SY eess.SY
ReflexDiffusion: Reflection-Enhanced Trajectory Planning for High-lateral-acceleration Scenarios in Autonomous Driving
ReflexDiffusion通过反射调整机制提升自动驾驶在高侧向加速度场景下的轨迹规划安全性与可靠性。
2026-01-14 cs.RO
Perception-aware receding horizon trajectory planning for multicopters with visual-inertial odometry
UC Berkeley(加州大学伯克利分校)
视觉惯性里程计(VIO)被广泛用于多旋翼飞行器的状态估计,但它可能在视觉特征较少的环境中或在过于激进的飞行中表现不佳。在这项工作中,我们提出了一个感知感知防撞轨迹规划多旋翼机,可用于任何基于特征的VIO算法。我们的方法是能够飞行的车辆以快速的目标位置,避免在一个未知的静止环境中的障碍物,同时实现良好的VIO状态估计精度。该规划器对一组最小加加速度轨迹进行采样,并在其中找到无碰撞轨迹,然后根据它们到达目标的速度和感知质量对其进行评估。运动模糊的功能和他们的位置被认为是感知质量。我们对特征的运动模糊的新颖考虑使得能够在具有不同光照水平的环境下自动适应轨迹的侵略性。来自评估的最佳轨迹由车辆跟踪,并且当从相机接收到新图像时以滚动水平线的方式更新。只对VIO做了一般性的假设,这样规划器就可以与各种现有的系统一起使用。该方法可以在小型嵌入式计算机上实时运行。我们通过室内和室外环境中的实验验证了我们提出的方法的有效性。与感知不可知的规划器相比,所提出的规划器在相机的视图中保留了更多的特征,并且使飞行不那么具有攻击性,从而使VIO更准确。它还减少了VIO故障,这发生在感知不可知的规划器,但不建议的规划器。所提出的规划飞行通过密集的障碍物的能力也得到了验证。实验视频可以在https://youtu.be/qO3LZIrpwtQ上找到。
2022-08-01 cs.RO
Residual Dynamics Learning for Trajectory Tracking for Multi-rotor Aerial Vehicles
Innopolis University(英诺波利斯大学);University of Lincoln(林肯大学);Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
针对多旋翼低速轨迹跟踪中简化NMPC模型导致的残差动力学问题,提出用稀疏高斯过程回归学习并补偿残差,显著降低模型误差并提升避障跟踪性能。
2024-01-22 cs.RO
Real-time Quasi-Optimal Trajectory Planning for Autonomous Underwater Docking
Flinders University(弗林德斯大学)
针对自主水下航行器(AUV)安全进入漏斗形固定对接站的问题,提出了一种实时的【形】准最优轨迹规划方法。通过利用变分法和逆动力学优化的直接方法,建议的轨迹规划器提供了一个计算效率高的框架,自主水下对接在三维复杂的海底环境。车辆的约束,如AUV状态和执行器的约束;边界条件,包括初始和最终的车辆姿态;和环境约束,例如禁飞区和电流干扰,都建模和考虑的问题制定。所提出的规划器算法的性能进行了分析,通过仿真研究。为了显示该方法在处理不确定性方面的可靠性和鲁棒性,进行了Monte Carlo运行和统计分析。仿真结果表明,该规划器非常适合于动态和不确定环境中的实时的【形】实现。
2016-05-03 cs.RO
Learning to Predict Ego-Vehicle Poses for Sampling-Based Nonholonomic Motion Planning
Robert Bosch GmbH(罗伯特·博世股份有限公司);FZI Research Center for Information Technology(FZI信息技术研究中心)
基于采样的运动规划是自动车在复杂环境中安全轨迹计算的有效工具。然而,快速收敛到最佳解决方案,只能确保使用特定问题的抽样分布。由于在自动驾驶的背景下有各种各样的驾驶情况,手动设计这样的分布是非常具有挑战性的。因此,本文介绍了一种利用深度卷积神经网络(CNN)的数据驱动方法:给定当前驾驶情况,可以直接从CNN的输出中生成未来的自我车辆姿态,从而有效地引导运动规划器朝向最佳解决方案。基准测试强调,与均匀采样和最先进的基于A* 的方法相比,CNN预测未来车辆姿态的准确度更高。将这种CNN引导的采样与运动规划器Bidirectional RRT* 相结合,可将计算时间减少多达一个数量级,并以更低的成本实现更快的收敛,在测试场景中成功率为100%。
2019-02-01 cs.AI cs.LG cs.RO
Results of the 2024 CommonRoad Motion Planning Competition for Autonomous Vehicles
Technical University of Munich(慕尼黑技术大学);RWTH Aachen(亚琛工业大学);Harbin Institute of Technology(哈尔滨工业大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
2024年CommonRoad运动规划竞赛评估了自动驾驶车辆在高速公路和城市环境中的运动规划算法性能,通过四个维度比较了多种高性能规划器。
2025-12-22 cs.AI cs.RO
A Novel Versatile Architecture for Autonomous Underwater Vehicle's Motion Planning and Task Assignment
Flinders University(弗林德斯大学)
随着水下场景和任务的不断扩展,对自主水下航行器(AUV)的鲁棒决策提出了更高的要求,设计一个有效的决策框架对于在有限时间内最大限度地提高任务效率至关重要。本文的重点是开发一种深思熟虑的无冲突任务分配架构,包括全球路线规划器(GRP)和本地路径规划器(LPP),以提供一致的运动规划,同时应对环境动态变化和地形的先验知识,以便在未知的水下环境中反应式引导AUV到达感兴趣的目标。该体系结构包括三个主要模块:顶层的GRP模块处理任务优先级分配、任务时间管理和大规模环境下起点和终点之间可行路径的确定。较低级别的LPP模块处理安全考虑,并生成所获得的全局路线中列出的每对特定航路点之间的无碰撞最佳轨迹。重新规划模块旨在提高AUV对环境变化的鲁棒性和反应能力。不同的模拟任务的实验结果表明,所提出的方案在提高车辆的自主性方面的任务生产力,任务时间管理和车辆安全性的固有的鲁棒性和显着的效率。
2016-06-15 cs.RO
Energy-efficient Hybrid Model Predictive Trajectory Planning for Autonomous Electric Vehicles
School of Information Technology, Monash University Malaysia(马来西亚莫纳什大学信息技术学院);School of Engineering, Monash University Malaysia(马来西亚莫纳什大学工程学院);Institute for Infocomm Research, A*STAR(新加坡科研局信息通信研究所);National Science Library, Chinese Academy of Sciences(中国科学院国家科学图书馆)
针对电动汽车续航与充电挑战,提出无需额外硬件的节能型混合模型预测规划器(EHMPP),仿真验证其能提升11.74%被动回收能量并有效提升自动驾驶电动汽车能源效率。
2024-11-09 cs.AI cs.RO
Design and Experimental Evaluation of a Hierarchical Controller for an Autonomous Ground Vehicle with Large Uncertainties
Nanyang Technological University(南洋理工大学)
自主地面车辆(Autonomous Ground Vehicles,AGV)正受到越来越多的关注,其运动规划与控制问题已成为研究的热点。在实际应用中,如物料搬运,自动导引车受到很大的不确定性,其运动规划和控制变得具有挑战性。在本文中,我们研究这个问题,提出了一个分层控制方案,这是集成的模型预测控制(MPC)为基础的路径规划和轨迹跟踪控制在高层次,和降阶扩展状态观测器(RESO)为基础的动态控制在低层次。在高层的控制包括一个基于MPC的改进的路径规划,速度规划,和基于MPC的跟踪控制器。路径规划和轨迹跟踪控制问题都是在MPC框架下制定的。低层控制采用自抗扰控制的思想。通过RESO估计不确定性,然后在控制中实时补偿。对于一阶不确定AGV动力学模型,基于RESO的控制只需要知道控制方向。最后,对不同载荷的AGV进行了仿真和实验。结果表明,在不确定性较大的情况下,所提出的分层控制方案仍能获得满意的运动规划和控制性能。
2021-08-09 cs.RO
Revisiting Boustrophedon Coverage Path Planning as a Generalized Traveling Salesman Problem
Autonomous Systems Lab, ETH Zurich(苏黎世联邦理工学院自主系统实验室)
在本文中,我们提出了一个路径规划器的低空地形覆盖在已知的环境与无人旋翼微型飞行器(MAVs)。机载系统可以通过使用摄像机、探地合成孔径雷达(GPSAR)和金属探测器对疑似危险区域(SHA)进行调查来协助人道主义排雷。大多数可用的覆盖规划器实现的微型飞行器不考虑障碍物,因此不能部署在有障碍的环境中。我们描述了一个开源的框架来执行覆盖规划的多边形飞行走廊的障碍。我们的规划师扩展boustrophedon覆盖规划通过优化不同的扫描组合,以找到最佳的扫描路径,并考虑在过渡飞行期间的障碍细胞之间。我们评估320合成地图上的路径规划,并表明它能够解决现实的规划实例足够快,在现场运行。该规划器实现了14%的路径成本低于传统的覆盖规划器。我们验证了一个真正的平台上,我们显示了低海拔覆盖在一个倾斜的地形与树木的规划。
2019-07-22 cs.RO
Real-Time Navigation for Autonomous Surface Vehicles In Ice-Covered Waters
University of Waterloo(滑铁卢大学);National Research Council Canada(加拿大国家研究委员会)
针对冰覆盖水域中自主水面舰艇的实时导航问题,提出一种基于栅格和滚动时域规划的框架,通过最小化碰撞与航程代价,并结合新型启发式方法,在模拟与真实实验中验证了其在不同冰浓度下的有效性。
2023-02-24 cs.RO
TRUST-Planner: Topology-guided Robust Trajectory Planner for AAVs with Uncertain Obstacle Spatial-temporal Avoidance
School of Aerospace Engineering, Beijing Institute of Technology(北京理工大学航空航天工程学院);Key Laboratory of Dynamics and Control of Flight Vehicle, Ministry of Education(教育部飞行器动力学与控制重点实验室)
提出TRUST-Planner拓扑引导分层规划框架,通过动态增强可见概率图、无终端最小控制多项式和动态距离场实现复杂动态环境下的鲁棒时空避障,达到96%成功率和毫秒级计算效率。
2026-05-28 cs.RO
AUV Rendezvous Online Path Planning in a Highly Cluttered Undersea Environment Using Evolutionary Algorithms
Flinders University(弗林德斯大学)
在这项研究中,一个单一的自主水下航行器(AUV)的目标是通过一个混乱和可变的操作领域与一个淹没的领导者回收车辆会合。将交会问题转化为非线性最优控制问题,并给出了数值解。采用罚函数法将边界条件、车辆和环境约束与最终交会时间这一性能指标结合起来,提出了四种基于进化的路径规划方法,即粒子群优化(PSO)、基于生物地理学的优化(BBO)、采用差分进化算法和萤火虫算法建立了反应式规划器模型,并对提出的NOCP进行了数值求解。本文的目标是通过一个综合的仿真研究来综合和分析上述方法的性能和能力,用于引导AUV从游荡点到会合地点。所提出的规划器模块需要一个启发式的改进路径,考虑到潜在环境的态势感知,包括静态和动态的障碍物淹没在时空电流矢量。这导致适应不可预见的变化,在经营领域如出现不可预测的障碍物或电流矢量场和湍流区域的变化。仿真结果表明,固有的鲁棒性和显着的效率,所提出的规划器在提高车辆的自主性,在使用电流的力量,应付不希望的电流干扰所需的交会目的。根据所得结果,提出了各种方法的优缺点。
2016-06-15 cs.RO
OceanChat: Piloting Autonomous Underwater Vehicles in Natural Language
Georgia Institute of Technology(佐治亚理工学院);University of Notre Dame(圣母大学)
本文提出OceanChat系统,通过LLM引导的闭环任务与运动规划及事件触发重规划,使AUV可理解自然语言指令并在动态水下环境中执行任务。
2023-09-27 cs.RO
Trajectory Planning for Autonomous Vehicles Using Hierarchical Reinforcement Learning
The Hong Kong Polytechnic University(香港理工大学);Carnegie Mellon University(卡内基梅隆大学)
在不确定和动态条件下规划安全轨迹使得自动驾驶问题变得非常复杂。目前基于采样的方法,如快速探索随机树(RRT)是不理想的,因为这个问题的高计算成本。模仿学习等监督学习方法缺乏通用性和安全性保证。为了解决这些问题,为了确保一个强大的框架,我们提出了一个分层强化学习(HRL)结构结合比例积分微分(PID)控制器的轨迹规划。HRL有助于将自动驾驶任务划分为子目标,并支持网络学习高级选项和低级轨迹规划器选择的策略。子目标的引入减少了收敛时间,并使学习到的策略能够重用于其他场景。此外,所提出的规划器是鲁棒的,保证平稳的轨迹,并通过处理嘈杂的感知系统的自我车。采用PID控制器跟踪航路点,保证了轨迹的平滑性,减小了抖动。不完整观测的问题通过在网络中使用长短期记忆(LSTM)层来处理。高保真CARLA模拟器的结果表明,所提出的方法减少了收敛时间,生成更平滑的轨迹,并能够处理动态环境和噪声观测。
2020-11-09 cs.AI cs.RO
Game-Theoretic Model Predictive Control with Data-Driven Identification of Vehicle Model for Head-to-Head Autonomous Racing
Korea Advanced Institute of Science and Technology(韩国科学技术院)
解决自动驾驶中的边缘案例,头对头的自动驾驶赛车正受到业界和学术界的广泛关注。在这项研究中,我们提出了一个博弈论的模型预测控制(MPC)的方法,头对头自主赛车和数据驱动的模型识别方法。对于非线性模型参数的实际估计,我们采用了机器学习中用于神经模型训练的超带算法。该控制器包括三个模块:1)基于比赛的对手轨迹预测器,2)高级比赛策略规划器,3)基于MPC的低级控制器。基于游戏的预测器旨在预测竞争对手的未来轨迹。基于预测结果,高级竞赛策略规划器规划若干行为以响应各种竞赛环境。最后,基于MPC的控制器计算最优控制命令以跟随轨迹。所提出的方法在各种比赛情况下,在印地自主挑战赛的官方模拟器进行了验证。实验结果表明,该方法可以有效地超越竞争对手,同时驾驶通过赛道尽可能快,没有碰撞。
2021-06-08 cs.RO