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
Convolutional Neural Networks Towards Arduino Navigation of Indoor Environments
University of Toronto（多伦多大学）
在本文中，我们提出了一些测试的方法，其中一个低预算的演示车可以导航室内环境。分别采用Canny边缘检测、监督地板检测和模仿学习算法，并对它们的有效性进行了比较。本文中使用的设备近似于一个自主机器人，配置为与移动终端一起工作，用于图像处理。本文没有提供明确的解决方案，只是简单地说明了成功实现室内环境自主导航所采取的方法。所有方法的成功和失败都被记录下来，并详细阐述，让读者深入了解这种自主机器人的构造。
2020-11-27 cs.RO
VULCAN: Vision-Language-Model Enhanced Multi-Agent Cooperative Navigation for Indoor Fire-Disaster Response
Computer Science \& Engineering Michigan State University East Lansing, MI, USA
本文提出VULCAN框架，结合多模态感知与视觉语言模型，解决火灾环境下多智能体协作导航的挑战，通过模拟真实火灾场景评估现有方法的失效模式，强调鲁棒感知与危险意识规划的重要性。
2026-04-14 cs.RO
IndoorUAV: Benchmarking Vision-Language UAV Navigation in Continuous Indoor Environments
IndoorUAV通过构建室内无人机视觉-语言导航基准，结合多模态推理和任务分解，为长视距和短视距导航提供高质量数据与模型支持。
2025-12-22 cs.AI cs.RO
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
NavVerse: Benchmarking Indoor-to-Outdoor Embodied Navigation in Continuous Robot Simulation
University of Michigan（密歇根大学）；Tsinghua University（清华大学）
研究针对机器人在连续场景中从室内到室外的导航问题，引入NavVerse基准，涵盖多种场景和任务。通过可执行接口用多指标评估智能体，零样本实验显示当前智能体在跨上下文导航上差距大，适应是主要瓶颈。
2026-07-23 cs.CV cs.RO
Towards blind user's indoor navigation: a comparative study of beacons and decawave for indoor accurate location
Universidade de Tras-os-Montes e Alto Douro（特拉斯奥斯蒙特斯与阿尔托杜罗大学）；INESC TEC；Kathmandu University（加德满都大学）；Pokhara University（博卡拉大学）
有许多专门为视障人士建造的室内导航系统，但只有一些具有良好的导航精度。虽然有像全球导航卫星系统这样的解决方案用于室外定位，但由于信号接收不足或失败，在城市场景和室内会出现问题。为了建立一个支持系统，为视障人士的导航，在本文中，我们提出了一个比较的室内定位和导航系统，它执行连续和实时处理，使用商业可用的系统（Beetron和Decawave）在相同的实验条件下的性能分析。误差的计算和分析使用欧几里德距离和标准偏差的情况下。我们使用Navigine平台为这个导航系统，它允许三边测量以及指纹算法。为了计算位置，我们使用了到达时间和到达时间差的概念。考虑到对盲人的关注，位置是重要的，精度是必要的，因为步行中的小测量对他们很重要。有了这个问题，在本文中，我们展示了信标和Decawave的比较研究。本文介绍了盲人/用户室内导航系统的研究和精度测试。
2021-03-26 cs.CY cs.RO eess.SP
A modular vision language navigation and manipulation framework for long horizon compositional tasks in indoor environment
Iowa State University（爱荷华州立大学）
在本文中，我们提出了一个新的框架- MoViLan（模块化的视觉和语言）的执行视觉接地自然语言指令的日常室内家居任务。虽然已经提出了几个数据驱动的端到端学习框架，用于基于视觉和语言模式的目标导航任务，但最近的基准数据集的性能显示，在开发具有不同对象类别的长期组合任务（涉及操纵和导航）的综合技术方面存在差距，现实的指令和具有不可逆状态变化的视觉场景。我们提出了一种模块化方法来处理组合导航和对象交互问题，而不需要严格对齐的视觉和语言训练数据（例如，以专家演示轨迹的形式）。这种方法与该领域传统的端到端技术有很大不同，并且允许使用单独的视觉和语言数据集进行更易于处理的训练过程。具体来说，我们提出了一种新的几何感知映射技术，为杂乱的室内环境，和一个语言理解模型推广到家庭指令遵循。我们证明了一个显着增加的成功率为长期的地平线上，组成任务的基线上最近发布的基准数据集ALFRED。
2021-01-19 cs.CV cs.HC cs.RO
GenNav: A Generic Indoor Navigation System for any Mobile Robot
Zen Aerologiks；BMS College of Engineering（BMS工程学院）
导航系统是任何移动机器人的核心，它包括SLAM和路径规划单元，机器人利用该路径规划单元来生成环境的地图，在其中定位自己并确定到达目的地的最佳路径。本文介绍了概念化，开发，仿真和硬件实现GenNav一个通用的室内导航系统的任何移动空中或地面机器人。通过模块化并通过提供来自LiDAR的替代测距源来创建软件计算和硬件致动单元之间的独立性来实现通用化，从而消除对专用测距传感器的需求。来自LiDAR的里程反馈可以由导航计算单元使用，并且该系统可以推广到具有不同类型和取向的致动器的各种机器人
2020-08-01 cs.RO
Are Learning-Based Approaches Ready for Real-World Indoor Navigation? A Case for Imitation Learning
Autonomous Systems Group, Institute of AI and Autonomous Systems (A 2 S), Hochschule Bonn-Rhein-Sieg（自主系统组，人工智能与自主系统研究所（A 2 S），波恩-莱茵-锡格大学）
本文研究模仿学习在真实室内导航中的可行性，利用专家演示训练基于RGB、LiDAR及多模态的导航策略，并与传统势场法在实体机器人上对比，证明IL具有实用价值但动态环境表现受限。
2025-07-05 cs.RO
Learning-Based Navigation for Indoor Mobile Robots
Faculty of Electrical；Electronic Engineering, Ho Chi Minh City University of Technology, VNU-HCM Ho Chi Minh City, Vietnam
提出一种结合监督学习全局规划器与基于学习的DWA局部规划器的导航框架，通过行为克隆和PPO优化实现安全避障导航。
2026-05-28 cs.RO
VbotNav-0: Asynchronous Cloud-Edge Dual-Policy Navigation across Indoor and Outdoor Environments
本研究提出VbotNav-0云边双策略导航框架，通过异步策略条件作用实现室内外连续导航，在145个场景258回合评估中获55.04%成功率，为跨环境导航提供新方案。
2026-10-14 cs.RO
A Hybrid Approach to Indoor Social Navigation: Integrating Reactive Local Planning and Proactive Global Planning
Department of Computer Science, George Mason University（计算机科学系，乔治·马歇尔大学）
本文提出一种融合全局规划与深度强化学习局部规划的混合社交导航框架，并引入新的室内2D基准，实验表明该方法优于传统和强化学习导航策略。
2025-06-03 cs.RO
Localization and Navigation System for Indoor Mobile Robot
University of Michigan（密歇根大学）
视障人士通常发现很难在许多公共场所，如机场和购物中心独立旅行，由于避障和引导到所需位置的问题。因此，在高度动态的室内环境中，如何提高室内导航机器人的定位和导航精度，使其能够很好地引导视障者成为一个难题。一种方法是使用视觉SLAM。然而，典型的视觉SLAM要么假设静态环境，这可能导致动态环境中的不太准确的结果，要么假设目标都是动态的，并去除了上面的所有特征点，从而在很大程度上牺牲了可用计算能力的计算速度。本文旨在探讨边缘定位和导航系统的室内导航机器人。该系统的目的是提高定位和导航精度在高度动态的环境中，通过识别和跟踪潜在的移动对象，并使用矢量场直方图的本地路径规划和避障。该系统已在一个公共室内RGB-D数据集上进行了测试，结果表明，新系统提高了准确性和鲁棒性，同时减少了高动态室内场景的计算时间。
2022-12-13 cs.RO cs.SY eess.SY
ARMP: Autoregressive Motion Planning for Quadruped Locomotion and Navigation in Complex Indoor Environments
Georgia Institute of Technology（佐治亚理工学院）
由于足式机器人复杂的动力学特性，使其产生自然的、物理上可行的运动一直是一个具有挑战性的问题。在这项工作中，我们介绍了一种新的基于学习的框架自回归运动规划器（ARMP）的四足动物的运动和导航。我们的方法可以生成运动计划与任意长度的自回归的方式，不像大多数离线轨迹优化算法的固定轨迹长度。为此，我们首先通过解决各种场景和参数设置的密集轨迹优化问题来构建运动库。然后，我们从数据集学习的运动流形在监督学习的方式。我们表明，建议的ARMP可以产生物理上合理的各种任务和情况下的运动。我们还展示了我们的方法可以成功地集成到最近的机器人导航框架作为一个低级别的控制器，并释放复杂的室内导航的足式机器人的全部能力。
2023-03-28 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
I2O2I-Nav: A Benchmark with a Modular Agent for Long-Horizon Indoor-to-Outdoor-to-Indoor Navigation
University of Hong Kong（香港大学）；Shanghai Jiao Tong University（上海交通大学）；Nanjing University（南京大学）；NeoWa Robotics（NeoWa机器人公司）
本文提出I2O2I-Nav基准测试集及MODULAR-Agent，评估长程室内-室外-室内导航的连续组合能力，该智能体大幅提升跨域任务成功率，但完整任务仍面临挑战。
2026-10-14 cs.RO
Indoor Navigation Using Information From A Map And A Rangefinder
Concern CSRI Elektropribor（CSRI Elektropribor 康采恩）；ITMO University（ITMO大学）
移动物体的室内导航的问题，使用地图和测量到墙壁的距离被认为是。在贝叶斯方法的背景下，制定了一个非线性滤波问题，旨在计算所寻求参数的均方根意义上的最佳值。介绍了基于点质量法求解该问题的算法。仿真结果表明所提出的问题陈述和由此产生的算法的优点进行了讨论。
2019-08-20 cs.RO stat.AP
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
PISHYAR: A Socially Intelligent Smart Cane for Indoor Social Navigation and Multimodal Human-Robot Interaction for Visually Impaired People
Sharif University of Technology（谢里夫理工大学）
PISHYAR是一款结合社会智能导航与多模态交互的智能拐杖，通过多模态技术提升视障人士的移动辅助与社交互动能力。
2026-02-13 cs.HC 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
The AdobeIndoorNav Dataset: Towards Deep Reinforcement Learning based Real-world Indoor Robot Visual Navigation
Stanford University（斯坦福大学）；Adobe Research（奥多比研究院）
深度强化学习（DRL）展示了其在机器人视觉导航中学习无模型导航策略的潜力。然而，数据需求的算法依赖于大量的导航轨迹在训练中。现有的数据集支持训练这样的机器人导航算法包括3D合成场景或重建场景。合成数据与真实世界场景之间存在域间隙，而从3D重建场景渲染的视觉输入具有不期望的孔和伪影。在本文中，我们提出了一个新的数据集收集在现实世界中，以促进研究基于DRL的视觉导航。我们的数据集包括真实世界场景的3D重建以及从场景中密集捕获的真实2D图像。它为密集网格位置的机器人提供具有真实场景复杂性的高质量视觉输入。我们进一步研究和基准最近DRL基于导航算法，并提出我们的尝试和想法，以提高其泛化能力，在场景中看不见的测试目标。
2018-02-24 cs.RO
Long-Term Robot Navigation in Indoor Environments Estimating Patterns in Traversability Changes
University of Bonn（波恩大学）
如今，移动机器人被部署在许多室内环境中，例如办公室或医院。这些环境会受到可穿越性变化的影响，而这种变化往往是通过遵循重复模式而发生的。在本文中，我们调查的问题，在这样的环境中，在很长一段时间内，通过捕捉这些模式，并利用这些知识，作出明智的决定。我们的方法增量估计模型的遍历性变化从机器人的观察，并使用概率图形模型，使预测在目前未观察到的位置。在由预测定义的信念空间中，我们规划路径，权衡遇到障碍物的风险和访问未知位置的信息增益。我们实施了我们的方法，并在不同的室内环境中进行了测试。实验表明，从长远来看，我们的方法导致导航沿着较短的路径相比，遵循贪婪的最短路径政策。
2019-09-27 cs.RO
DRAL: Deep Reinforcement Adaptive Learning for Multi-UAVs Navigation in Unknown Indoor Environment
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Irvine（加利福尼亚大学欧文分校）；George Washington University（乔治·华盛顿大学）；Beijing Sineva Robot Technology Co., Ltd（北京思知机器人科技有限公司）；University of Southern California（南加利福尼亚大学）；Santa Clara University（圣克拉拉大学）；Mangosuthu University of Technology（曼戈苏图科技大学）
本文提出DRAL算法，利用单摄像头和深度强化学习实现无人机室内自主导航与多机协作举物，提升了复杂多智能体系统的鲁棒性与灵活性。
2024-12-23 cs.RO
Autonomous Mobile Robot Navigation in Uneven and Unstructured Indoor Environments
The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
机器人越来越多地在为人类设计并与人类共享的室内环境中工作。然而，在不均匀和非结构化环境中安全自主工作的机器人仍然面临巨大挑战。许多现代室内环境的设计都考虑到了轮椅无障碍性。这为轮式机器人提供了一个机会，可以在避开楼梯的同时通过倾斜的区域。在本文中，我们提出了一个集成软件和硬件系统的自主移动机器人导航在不均匀和非结构化的室内环境。这种模块化和可重用的软件框架集成了感知和导航功能。我们的机器人首先使用车轮里程计，2D激光和RGB-D数据为不平坦的环境构建3D地图表示。然后，我们将多层2D占用图从XNUMX Map投影，以生成基于层差异的可遍历图。安全可穿越地图用作高效自主导航的输入。此外，我们采用了可变步长快速探索随机树，可以自动调整步长，消除调整步长根据环境。我们在模拟和现实世界中进行了广泛的实验，证明了我们的系统的有效性和效率。
2017-10-28 cs.RO
Magnetic Navigation using Attitude-Invariant Magnetic Field Information for Loop Closure Detection
McGill University（麦吉尔大学）；SBQuantum
本文利用室内磁场空间变化提取位置信息，结合速率陀螺仪和四磁力计阵列估计位姿并计算姿态不变测量值用于回环检测，实验达到米级精度。
2023-09-05 cs.RO
CapNav: Benchmarking Vision Language Models on Capability-conditioned Indoor Navigation
University of Washington（华盛顿大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
CapNav基准测试评估VLMs在不同移动约束下室内导航能力，发现其性能随约束增加而下降，且先进模型仍难以处理空间推理任务。
2026-02-20 cs.CV cs.RO
i2Nav-Robot: A Large-Scale Indoor-Outdoor Robot Dataset for Multi-Sensor Fusion Navigation
Wuhan University（武汉大学）；Hubei Luojia Laboratory（湖北珞珈实验室）
针对无人地面车辆导航数据集不足，提出i2Nav-Robot数据集，集成多模态传感器，经在线硬件同步和离线校准获取精确时间戳，含十个大规模序列，经评估数据质量高，对推进车辆导航研究实用。
2026-07-24 cs.RO
Grounding Implicit Goal Description for Robot Indoor Navigation Via Recursive Belief Update
Baidu Research Institute（百度研究院）
基于自然语言的机器人导航仍然是一个具有挑战性的问题，由于人类知识的导航约束，目的地是不直接兼容的机器人知识库。在本文中，我们的目标是翻译成高层次的机器人导航计划的自然目的地命令给感兴趣的地图。我们识别语法相关的目的地描述的片段，并递归地应用它们中的每一个来更新给定map.We训练一个目的地接地模型使用一个数据集的单步信念更新精确，接近，和方向修饰符类型的信念分布。我们展示了我们的方法在现实世界中的导航任务在一个办公室，由80个领域。离线实验结果表明，我们的方法可以直接提取目标的目的地从听不到的，长的，和复合文本命令要求人类。这使得用户能够以一般和自然的形式为机器人指定他们的目的地目标。硬件实验结果也表明，所设计的模型为服务机器人导航目标的指定带来了很大的方便。
2020-11-10 cs.RO
Indoor Navigation Assistance for Visually Impaired People via Dynamic SLAM and Panoptic Segmentation with an RGB-D Sensor
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
探索不熟悉的室内环境并避开障碍物对视障人士来说是一项挑战。目前，有几种方法实现了避免静态障碍物的基础上室内场景的映射。为了解决动态障碍物的识别问题，我们提出了一个辅助系统与RGB-D传感器检测场景的动态信息。一旦系统捕获图像，就执行全景分割以获得先前的动态对象信息。利用从图像中提取的稀疏特征点和深度信息，可以估计用户的姿势。在自我运动估计之后，可以识别和跟踪动态目标。然后，跟踪的动态对象的姿态和速度可以估计，这是通过声学反馈传递给用户。
2022-04-03 cs.CV cs.HC cs.RO
From Seeing to Moving: A Survey on Learning for Visual Indoor Navigation (VIN)
Arizona State University（亚利桑那州立大学）
视觉室内导航（VIN）任务已经引起了数据驱动的机器学习社区越来越多的关注，特别是最近报道的基于学习的方法的成功。由于这项任务的内在复杂性，研究人员试图从各种不同的角度来解决这个问题，其全部范围尚未在一份总体报告中得到体现。本调查首先总结了VIN任务的基于学习的方法的代表性工作，然后确定和讨论阻碍VIN性能的挥之不去的问题，以及激励未来的研究在这些关键领域值得探索的社会。
2022-07-02 cs.AI cs.CV cs.RO
Towards Target-Driven Visual Navigation in Indoor Scenes via Generative Imitation Learning
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；National University of Defense Technology（国防科技大学）；University of Maryland, College Park（马里兰大学帕克分校）
我们提出了一个目标驱动的导航系统，以改善室内场景中的无地图视觉导航。我们的方法需要一个机器人和一个目标的多视图观察作为输入，在每个时间步提供一系列的行动，移动机器人的目标，而不依赖于里程计或GPS在运行时。该系统通过优化包含三个关键设计的组合目标来学习。首先，我们建议代理人在做出行动决策之前构思下一个观察结果。这是通过从专家演示中学习变分生成模块来实现的。然后，我们提出预测静态碰撞提前，作为辅助任务，以提高航行过程中的安全性。此外，为了缓解终止动作预测的训练数据不平衡问题，我们还引入了一个目标检查模块，以区别于带有终止动作的增强导航策略。这三个设计都有助于提高训练数据的效率，静态碰撞避免和导航泛化性能，从而在一个新的目标驱动的无地图导航系统。通过对TurtleBot的实验，我们提供了证据，证明我们的模型可以集成到机器人系统中，并在现实世界中导航。视频和模型可以在补充材料中找到。
2022-05-09 cs.RO
From Sketch Prior to Trajectories: A Mission-Oriented Coordinated Navigation Framework for Indoor UAV Swarm
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
针对室内无人机群任务，提出面向任务的协同导航框架，利用草图先验，经拓扑对齐、融合观测构建可通行性表示，开发分层二维 - 三维框架，经仿真和实验验证其有效性、协同导航能力及对分层结构的可扩展性。
2026-09-30 cs.RO
The Composite Visual-Laser Navigation Method Applied in Indoor Poultry Farming Environments
College of Information Science and Engineering（信息科学与工程学院）；East China University of Science and Technology（华东理工大学）
针对室内家禽养殖场中单一传感器导航易受强光和积水干扰的问题，本文提出一种融合激光与视觉的复合导航方法，通过实时可靠性动态计算偏航角，无需物理导航线，实验证明其显著提升了巡检机器人的导航精度与效率。
2025-04-11 cs.CV cs.RO
Development of an indoor localization and navigation system based on monocular SLAM for mobile robots
Bộ môn Kỹ thuật Robot, Khoa Điện tử - Viễn Thông Trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội（河内国家大学科技大学电子与通信工程学院机器人技术系）
本文提出一种基于单目SLAM的差速驱动机器人室内定位与导航系统，利用ORB_SLAM3提取特征提供位姿，结合A*和DWA进行路径规划，并在Gazebo中验证了其有效性。
2024-11-08 cs.RO
Multiple Waypoint Navigation in Unknown Indoor Environments
IIT Kharagpur（印度理工学院卡拉格普尔分校）
室内运动规划的重点是解决通过杂乱的环境导航代理的问题。到目前为止，在这一领域已经做了大量的工作，但这些方法往往无法找到计算成本低的在线路径规划和路径的最优性之间的最佳平衡。与此同时，这些工作往往证明单起点单目标世界的最优性。为了解决这些挑战，我们提出了一个多路点路径规划器和控制器堆栈导航在未知的室内环境中，路点包括的目标以及中间点，机器人必须遍历之前达到的目标。我们的方法利用了一个全局规划器（在任何时刻找到下一个最佳航点），一个本地规划器（规划到特定航点的路径），和一个自适应模型预测控制策略（鲁棒系统控制和更快的机动）。我们评估我们的算法上的一组随机生成的障碍地图，中间航路点，和启动目标对，结果表明，显着降低计算成本，高精度和鲁棒控制。
2022-09-18 cs.RO
Sharing Cognition: Human Gesture and Natural Language Grounding Based Planning and Navigation for Indoor Robots
TCS Research and Innovation Labs（塔塔咨询服务研究与创新实验室）
人与人之间的合作使得即使在未知的场景中也可以轻松执行任务和无缝导航。凭借我们的个人知识和集体认知技能，我们可以在不可预见的情况和环境中推理并表现良好。为了实现机器人在人类之间导航并与他们互动的类似潜力，它必须获得与人类进行简单，高效和自然的通信和认知共享的能力。在这项工作中，我们的目标是利用人类的手势，这是已知的最突出的沟通方式后的讲话。我们演示了如何将手势的沟通空间的理解可以实现在一个非常简单而有效的方式使用机器人具有视觉和听觉能力。这显示了在需要开发认知和室内导航的任务中仅使用基于视觉和视觉的导航，语言基础或人机交互的巨大优势。我们采用最先进的语言基础和人机交互模块，在现实环境中展示了一种新型的系统管道，用于执行一系列具有挑战性的任务。据我们所知，这是第一个在室内环境中耦合HRI和语言基础领域以展示自主导航的管道。
2021-08-14 cs.RO
The Foreseeable Future: Self-Supervised Learning to Predict Dynamic Scenes for Indoor Navigation
Institute for Aerospace Studies (UTIAS), University of Toronto（多伦多大学航空航天研究所（UTIAS））；Apple（苹果公司）
我们提出了一种生成，预测和使用时空占用网格地图（SOGM），其中嵌入未来的语义信息的真实动态场景的方法。我们提出了一个自动标记的过程，从嘈杂的真实导航数据创建SOGM。我们使用3D-2D前馈架构，训练以预测SOGM的未来时间步长，给定3D激光雷达帧作为输入。我们的流水线完全是自我监督的，从而使真正的机器人能够终身学习。该网络由一个3D后端和一个2D前端组成，3D后端提取丰富的特征并实现激光雷达帧的语义分割，2D前端预测嵌入在SOGM表示中的未来信息，潜在地捕获现实世界多智能体、多未来交互的复杂性和不确定性。我们还设计了一个导航系统，使用这些预测的SOGM在规划中，他们已经被转化为时空风险地图（SRM）后。我们验证了我们的导航系统的模拟能力，在真实的机器人上验证它，在各种情况下研究SOGM对真实数据的预测，并提供了一个新的室内3D激光雷达数据集，在我们的实验中收集，其中包括我们的自动注释。
2022-08-26 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
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
Differentiable Composite Neural Signed Distance Fields for Robot Navigation in Dynamic Indoor Environments
Purdue University（普渡大学）
提出一种基于神经SDF的组合框架，通过双模式轨迹优化流程结合机器人本体SDF与场景SDF，在动态室内环境中实现高效导航，成功率较基线提升14.4%。
2025-03-06 cs.RO
Fuzzy Logic Control for Indoor Navigation of Mobile Robots
Worcester Polytechnic Institute (WPI)（伍斯特理工学院）
本文针对移动机器人在未知动态杂乱室内环境中的导航问题，提出一种基于模糊逻辑控制器的实现方案，以传感器读数和期望运动方向为输入、车轮加速度为输出，实现避障并到达目标位置。
2024-09-04 cs.RO
Context-based navigation for ground mobile robot in a semi-structured indoor environment
University Libre du Bruxelles（布鲁塞尔自由大学）；TU Delft（代尔夫特理工大学）
移动机器人在更多变的环境中运行的需求不断增长，除了时间性能之外，保证安全的机器人导航是一个优先事项。为了实现这一点，用于本地规划的当前解决方案使用针对应用环境的特性进行调整的特定配置。在本文中，我们提出了一种方法，用于开发质量模型，可用于自适应框架，以适应本地规划配置在运行时的基础上感知的环境。我们贡献了一个安全模型的定义，预测的安全性的导航配置的感知环境。在零售应用程序的真实导航场景中进行了实验，以验证所获得的模型并展示它们在自适应框架中的集成。
2021-11-23 cs.RO cs.SE
ProxMaP: Proximal Occupancy Map Prediction for Efficient Indoor Robot Navigation
针对室内机器人因遮挡导致地图存在未知区域而降低导航效率的问题，提出自监督近端占据地图预测方法 ProxMaP，通过预测可达范围内的占据情况，在仿真中将导航效率提升了12.40%。
2023-05-10 cs.RO
Robot Patrol: Using Crowdsourcing and Robotic Systems to Provide Indoor Navigation Guidance to The Visually Impaired
Purdue University（普渡大学）
本文提出Robot Patrol集成系统，融合众包、计算机视觉与机器人框架，为视障人士提供室内障碍物、活动及情境导航信息，并通过Wizard of Oz实验评估其优势与局限。
2023-06-05 cs.CY cs.RO
Sensor Fusion for Autonomous Indoor UAV Navigation in Confined Spaces
Macquarie University（麦考瑞大学）；School of Engineering（工程学院）；School of Computing（计算机学院）
提出一种融合 ZED 2i 深度、IMU 与 LiDAR 的 ROS/RTAB-Map 室内无人机导航方案，实验验证其高精度、低误差及能效表现。
2024-10-27 cs.RO
A Reliable Indoor Navigation System for Humans Using AR-based Technique
Vishwakarma Institute of Technology（维什瓦卡尔马理工学院）
本文提出基于AR技术的室内导航系统，利用Vuforia Area Target和A*算法提升导航精度与用户体验，适用于校园等有限空间，但需进一步优化NavMesh以适应大规模动态环境。
2026-02-27 cs.CV cs.RO
ProxMaP: Proximal Occupancy Map Prediction for Efficient Indoor Robot Navigation
University of Maryland, College Park（马里兰大学帕克分校）
提出自监督占据预测技术ProxMaP，通过预测机器人近邻遮挡区域实现高效室内导航，仿真中较传统方法提升12.40%效率且具跨域泛化能力。
2023-08-03 cs.RO
Learning Embeddings that Capture Spatial Semantics for Indoor Navigation
Carnegie Mellon University（卡内基梅隆大学）；University of Washington, Seattle（西雅图华盛顿大学）；University of California, Berkeley（加州大学伯克利分校）
在搜索和导航任务中验证特定领域的先验知识，在提高端到端训练策略的泛化和样本复杂性方面显示出了有希望的结果。在这项工作中，我们研究如何捕捉空间语义先验的对象嵌入可以引导搜索和导航任务在结构化的环境。我们知道，人类可以根据检测到的更大物体的空间语义来搜索一本书或一个看不见的房子里的盘子。例如，一本书可能在书架或桌子上，而一个盘子可能在橱柜或洗碗机里。我们提出了一种方法，利用预先训练的语言模型和多关系知识库作为对象嵌入，将这种空间语义意识的机器人。我们演示使用这些对象嵌入搜索查询对象在一个看不见的室内环境。我们在室内模拟器（AI2Thor）中测量这些嵌入的性能。我们进一步评估了不同的预训练嵌入成功率（SR）和路径长度（SPL）加权的成功率。
2021-07-31 cs.AI cs.RO
An Indoor Navigation System for the Visually Impaired based on UWB Positioning and D* Lite Path Planning Algorithm
针对视障者室内导航问题，提出基于UWB定位技术和D* Lite路径规划算法的系统，利用UWB传感器定位，集成算法优化轨迹、应对动态障碍，实验表明系统可靠低延迟，为视障者提供安全灵活的室内导航。
2026-07-21 cs.RO cs.SY eess.SY
NVSim: Novel View Synthesis Simulator for Large Scale Indoor Navigation
Gachon University（嘉泉大学）
该研究提出NVSim框架，仅用普通图像序列构建大规模可导航室内模拟器，通过地面感知高斯溅射解决地面伪影问题，搭配无网格可通行性检查算法构建导航图，克服了传统3D扫描的成本与扩展性限制。
2025-10-28 cs.CV cs.RO
LIDAR-based Stabilization, Navigation and Localization for UAVs Operating in Dark Indoor Environments
Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学电气工程学院）
无人机在封闭环境中的自主操作需要精确和可靠的姿态估计，该姿态估计可以在不使用外部定位系统（例如GNSS）的情况下稳定无人机。在这项工作中，我们关注的是估计的姿态从激光扫描产生的廉价和轻便的激光雷达。我们提出了一个定位系统的轻量级（下200克）激光雷达传感器在任意环境中，其他方法失败的高可靠性。所提出的方法的一般性质允许在广泛的应用中部署。此外，不同类型的环境之间的无缝转换是可能的。LIDAR定位的优点是它对不良照明具有鲁棒性，这对于在黑暗的室内环境中以及在室内和室外环境之间过渡的情况下基于相机的解决方案来说通常是具有挑战性的。我们的方法允许在照明不足的室内位置（如历史建筑和仓库）以及在紧凑的室外环境（如森林）中执行任务，其中基于视觉的方法由于场景的对比度大而失败，并且由于空间有限而无法部署大型装备精良的无人机。
2023-02-03 cs.RO
Deep RL-based Autonomous Navigation of Micro Aerial Vehicles (MAVs) in a complex GPS-denied Indoor Environment
本文提出深度近端策略优化（D-PPO）算法，通过在Unreal Engine构建的3D元环境中训练，提升微型飞行器在无GPS室内环境中的实时导航效率，实验表明训练计算延迟降低91%且性能无明显下降。
2025-04-08 cs.LG cs.RO
MINOS: Multimodal Indoor Simulator for Navigation in Complex Environments
Princeton University（普林斯顿大学）；Intel Labs（英特尔实验室）
我们提出MINOS，一个模拟器，旨在支持在复杂的室内环境中的目标导向导航的多感官模型的发展。该模拟器利用复杂3D环境的大型数据集，并支持多模式传感器套件的灵活配置。我们使用MINOS对基于深度学习的导航方法进行基准测试，分析环境复杂性对导航性能的影响，并对感觉运动学习中的多模态进行对照研究。实验表明，目前的深度强化学习方法在大型现实环境中失败。实验还表明，多模态是有益的学习导航混乱的场景。MINOS在http://minosworld.org上向研究社区开放源代码。有关MINOS的视频，请访问https://youtu.be/c0mL9K64q84
2017-12-11 cs.AI cs.CV cs.GR
