Risk-aware MPPI for Stochastic Hybrid Systems
MIT Lincoln Laboratory（林肯实验室）；Toyota Motor North America (TMNA)（丰田北美汽车公司）；University of Michigan（密歇根大学）
针对随机混合系统路径规划中状态相关切换的随机性预测难题，提出基于 Unscented Transform 的 MPPI 变体，在移动机器人导航中实现更快无碰撞收敛。
2024-11-14 cs.RO
Winding Through: Crowd Navigation via Topological Invariance
University of Washington（华盛顿大学）
我们专注于拥挤环境中的机器人导航。预测机器人周围人群的运动是一项挑战，这使得确保人类安全和舒适变得困难。最近的方法通常采用端到端技术进行机器人控制或深度架构进行高保真人体运动预测。虽然这些方法在模拟域中实现了重要的性能基准，但数据集的限制和高样本复杂性往往会阻止它们转移到现实世界的环境中。我们的关键见解是，一个低维表示，捕捉人群机器人动力学的关键特征可能足以使机器人顺利通过人群。为此，我们数学形式化的行为，通过两个代理之间的旋转，使用拓扑不变性的概念。基于这种形式主义，我们设计了一个成本功能，有利于机器人轨迹贡献更高的通过进步和惩罚人类的不同方面之间的切换。我们将此功能到一个模型预测控制器，采用一个简单的恒定速度模型的人体运动预测。这导致机器人运动与最先进的基线相比，在统计上显著提高了与人群的间隙，同时在广泛的模拟和具有挑战性的自平衡机器人现实世界实验中保持了具有竞争力的效率水平。
2022-11-22 cs.HC cs.RO
TANGO: Traversability-Aware Navigation with Local Metric Control for Topological Goals
Australian Institute for Machine Learning (AIML)（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
提出TANGO，一种仅RGB的对象级拓扑度量导航方法，结合全局拓扑规划与局部度量控制，利用基础模型实现零样本、长时程导航，无需3D地图或预训练控制器，在模拟和真实环境中优于现有方法。
2025-09-10 cs.AI cs.CV cs.LG
Navigation under uncertainty: Trajectory prediction and occlusion reasoning with switching dynamical systems
VERSES Research Lab（VERSES研究实验室）；Volvo Cars（沃尔沃汽车）；Volvo Car Safety Centre（沃尔沃汽车安全中心）
针对自动驾驶中遮挡物体轨迹预测的泛化难题，提出统一轨迹预测与遮挡推理的概念框架，基于 switching dynamical systems 结构化概率生成模型，并利用 Waymo 数据集初步验证了其有效性。
2024-10-14 cs.LG cs.RO
Learning whom to trust in navigation: dynamically switching between classical and neural planning
ETH Zürich（苏黎世联邦理工学院）；Naver Labs Europe（Naver欧洲实验室）
提出一种分层导航方法，通过高级规划器根据场景语义规律动态切换经典规划与神经规划，在LoCoBot仿真和真实实验中显著提升性能。
2023-07-31 cs.RO
A switching Kalman filter approach to online mitigation and correction of sensor corruption for inertial navigation
针对惯性导航中外部传感器故障损坏问题，提出结合参数增广的切换卡尔曼滤波方法，通过多观测模型似然评估识别并校正故障，在气球导航、航天飞机再入场景下验证了其抗偏差能力与鲁棒性。
2024-12-10 cs.RO cs.SY eess.SY
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
Hybrid Systems Neural Control with Region-of-Attraction Planner
Massachusetts Institute of Technology（麻省理工学院）
混合系统在机器人技术中很普遍。然而，由于复杂的连续和离散动态，确保混合动力系统的稳定性是具有挑战性的。一个所有系统模式都稳定的系统仍然可能是不稳定的。因此，在模式切换时需要特殊处理以稳定系统。在这项工作中，我们提出了一个分层的，神经网络（NN）为基础的方法来控制一般的混合动力系统。对于每个系统模式，我们首先学习一个神经网络李雅普诺夫函数和神经网络控制器，以确保吸引区域（RoA）内的状态可以稳定。然后在不同的模式下学习RoA NN估计器。在模式切换时，我们提出了一个可微规划器，以确保切换后的状态可以降落在下一个模式的RoA，从而稳定的混合动力系统。我们提供了新的理论稳定性保证，并在汽车跟踪控制，pogobot导航和双足步行机运动进行实验。我们的方法只需要其他基于学习的方法所需的训练时间的0.25倍。由于运行时间短（比模型预测控制（MPC）快10- 50倍），我们的控制器实现了比其他基线更高的稳定性/成功率，如MPC，强化学习（RL），共同李雅普诺夫方法（CLF），线性二次调节器（LQR），二次规划（QP）和基于汉密尔顿-雅可比矩阵的方法（HJB）。该项目的页面在https://mit-realm.github.io/hybrid-clf上。
2023-03-18 cs.LG cs.RO cs.SY
Residual Reactive Navigation: Combining Classical and Learned Navigation Strategies For Deployment in Unknown Environments
Queensland University of Technology（昆士兰科技大学）
在这项工作中，我们专注于提高学习导航策略的效率和泛化，从训练环境转移到以前看不见的。我们提出了一个扩展的残留强化学习框架，从机器人操作文献，并使其适应移动机器人可以操作的广阔和非结构化的环境。该概念基于学习剩余控制效果，以添加到典型的次优经典控制器中，以缩小性能差距，同时在训练期间指导探索过程，以提高数据效率。我们利用这种紧密耦合，并提出了一种新的部署策略，切换剩余反应导航（sRRN），这将产生有效的轨迹，同时概率切换到一个经典的控制器的情况下，高政策的不确定性。我们的方法实现了端到端替代方案的性能提高，并可以作为一个完整的导航堆栈的一部分，在现实世界中的杂乱的室内导航任务。该项目的代码和培训环境在https://sites.google.com/view/srrn/home上公开提供。
2020-03-11 cs.LG cs.RO
Towards Autonomous Multi-Modal Mobility Morphobot (M4) Robot: Traversability Estimation and 3D Path Planning
Northeastern University（东北大学）
本研究提升M4多模态移动变形机器人的自主能力，通过深度学习结合2.5D地图实现模式切换与节能路径规划，仿真验证有效，为多模态自主机器人用于探测救援奠定基础。
2023-08-26 cs.RO cs.SY eess.SY
Control Framework for a Hybrid-steel Bridge Inspection Robot
University of Nevada, Reno（内华达大学雷诺分校）
钢桥检测机器人的自主导航对于正确维护至关重要。大多数用于桥梁检测的现有机器人解决方案需要人工干预来协助控制和导航。在本文中，已经提出了一个控制系统框架，以前设计的ARA机器人[1]，它有利于自主实时导航，并最大限度地减少人类的参与。ARA机器人的机械设计和控制框架可以实现两种不同的配置，即移动和蠕动转换。此外，切换控制开发与三维点云的钢铁表面作为输入，允许机器人之间切换移动和尺蠖变换。切换控制的表面可用性算法（考虑平面、面积和高度）使机器人能够自主地执行尺蠖跳跃。移动转换允许机器人在连续的钢表面上移动，并对钢桥结构进行目视检查。实际钢桥结构上的实际实验突出了ARA机器人的有效性能与建议的控制框架，在钢桥的视觉检测过程中的自主导航。
2020-09-01 cs.RO
Motion Planning in Non-Gaussian Belief Spaces (M3P): The Case of a Kidnapped Robot
Texas A&M University（得克萨斯农工大学）
由于执行器和传感器的噪声特性，不确定性下的规划是物理系统的关键要求。使用信念空间方法，规划解决方案往往会生成导致信息寻求行为的行动，从而减少状态不确定性。虽然最近的工作已经处理了高斯信念的规划，但在许多情况下，多模态信念是潜在信念的更准确表示。在信息对称的环境中尤其如此，这种环境会导致不确定的数据关联，从而自然导致对状态的多模态假设。因此，计划者不能简单地将行动建立在最可能的状态上。我们提出了一种算法，该算法使用滚动时域规划方法来规划动作，该动作顺序地将多模态信念消歧为单峰高斯，并在真实状态上实现紧密定位，称为多模态运动规划器（M3P）。通过将基于高斯采样的信念空间规划器与M3P相结合，并在规划器和信念表示中引入切换行为，我们提出了一个整体的信念空间规划问题的端到端解决方案。二维地面机器人导航问题的仿真结果表明，我们的方法的性能。
2015-06-05 cs.RO
Task-Level Decisions to Gait Level Control: A Hierarchical Policy Approach for Quadruped Navigation
本文提出了一种分层策略架构，通过任务级决策与步态级控制的结合，提升四足机器人在复杂地形中的导航能力与鲁棒性。
2026-03-06 cs.RO
Protective Policy Transfer
Stanford University（斯坦福大学）；Georgia Institute of Technology（佐治亚理工学院）
在训练机器人在不可预测的现实世界环境中操作时，能够将现有技能转移到新的情况是一个关键能力。一个成功的转移算法不仅要尽量减少机器人在新环境中需要收集的样本数量，还要防止机器人在转移过程中损坏自身或周围环境。在这项工作中，我们引入了一个政策转移算法，以适应机器人运动技能，以新的情况下，同时尽量减少严重的故障。我们的算法在训练环境中训练两种控制策略：一种是优化的任务策略，以完成感兴趣的任务，另一种是专门用于防止机器人发生不安全事件（例如摔倒在地）的保护策略。为了决定在执行过程中使用哪个策略，我们在训练环境中学习了一个安全估计器模型，该模型估计机器人的连续安全级别。当与一组阈值一起使用时，安全估计器变成用于在保护策略和任务策略之间切换的分类器。我们评估我们的方法上四个模拟机器人运动问题和二维导航问题，并表明我们的方法可以实现成功的转移到显着不同的环境，同时考虑到机器人的安全性。
2020-12-11 cs.LG cs.RO
Ground and Flight Locomotion for Two-Wheeled Drones via Model Predictive Path Integral Control
Nagoya Institute of Technology（名古屋工业大学）；Nagoya University（名古屋大学）
针对传统两轮无人机运动规划依赖梯度优化、难以处理任意形状障碍物的问题，提出基于MPPI控制的多模式运动规划方法，通过切换控制空间与引入辅助控制器解决模式切换不稳定问题，实现非结构化环境下的有效避障导航。
2025-03-20 cs.RO cs.SY eess.SY
SWIFT-Nav: Stability-Aware Waypoint-Level TD3 with Fuzzy Arbitration for UAV Navigation in Cluttered Environments
School of Computer Science and Engineering, University of New South Wales（计算机科学与工程学院，新南威尔士大学）；Escuela de Ingeniería, Universidad Central de Chile（工程学院，智利中央大学）
SWIFT-Nav 通过结合 TD3、优先回放、校准探索和模糊安全规则，实现 UAV 在 cluttered 环境中的高效可靠导航。
2025-12-17 cs.RO
Hybrid Feedback for Autonomous Navigation in Environments with Arbitrary Convex Obstacles
Western University（西安大略大学）；University of Quebec in Outaouais（魁北克大学乌塔韦校区）；Lakehead University（湖首大学）
我们开发了一个自主导航算法的机器人在二维环境中操作杂乱的障碍物具有任意凸形状。所提出的导航方法依赖于一个混合反馈，以保证全局渐近稳定的机器人对一个预定义的目标位置，同时确保无障碍工作空间的前向不变性。其主要思想包括在移动到目标模式和避障模式之间的机器人相对于最近的障碍物的接近度的基础上设计一个适当的切换策略。建议的混合控制器产生连续的速度输入轨迹时，机器人初始化远离不安全区域的边界。最后，我们提供了一个算法程序的传感器为基础的实施所提出的混合控制器，并通过一些仿真结果验证其有效性。
2022-08-03 cs.RO cs.SY eess.SY
Vision-based Vineyard Navigation Solution with Automatic Annotation
Cornell AgriTech（康奈尔农业科技中心）；Cornell University（康奈尔大学）；USDA ARS Grape Genetics Research Unit（美国农业部农业研究局葡萄遗传学研究组）
自主导航是实现农业研究和生产管理全自动化的关键（例如，疾病管理和产量预测）。在本文中，我们介绍了一个基于视觉的自主导航框架的农业机器人在格架种植系统，如葡萄园。为了实现这一点，我们提出了一种新的基于学习的方法，直接从RGB-D图像估计路径可扩展性热图，然后将热图转换为首选遍历路径。开发了一种自动注释管道，通过将葡萄园第一次设置期间收集的RTK GPS路径投影到相应的RGB-D图像中作为地面实况路径注释，允许快速模型训练和微调，而无需昂贵的人工注释。经过训练的路径检测模型用于开发一个完整的导航框架，包括行跟踪和行切换模块，使机器人能够在作物行内遍历并在作物行之间过渡，以自主覆盖整个葡萄园。在三个不同的葡萄园中进行了广泛的实地试验，以证明所开发的路径检测模型和导航框架在葡萄园中提供了一种具有成本效益的，准确的和强大的自主导航解决方案，并且可以推广到看不见的葡萄园，具有稳定的性能。
2023-03-25 cs.CV cs.RO
Hybrid Feedback Control for Global Navigation with Locally Optimal Obstacle Avoidance in n-Dimensional Spaces
Department of Electrical Engineering, Lakehead University（电气工程系，拉科夫大学）；Department of Computer Science and Engineering, University of Quebec in Outaouais（计算机科学与工程系，魁北克大学瓦省分校）
提出一种混合反馈控制框架，通过动态切换向目标运动和局部最优避障两种模式，实现在n维球形障碍物环境中的安全全局导航，生成连续速度输入，兼容距离传感器，仿真与实验验证了其路径更短、轨迹更平滑。
2025-10-09 cs.RO cs.SY eess.SY
Adaptive Navigation Strategy for Low-Thrust Proximity Operations in Circular Relative Orbit
Department of Mechanical and Aerospace Engineering, Politecnico di Torino（机械与航空航天工程系，politecnico di torino）
针对圆形相对轨道航天器近距操作的导航挑战，提出基于状态估计自适应调整增益的观测器导航策略，经Lyapunov分析和视觉仿真验证，较经典时不变增益观测器提升了轨迹跟踪精度、减少了控制输入切换。
2025-09-02 cs.RO cs.SY eess.SY
BIG-CBF: Behavior-Imagination-Guided Control Barrier Function with Shared Uncertainty for Mobile Robot Navigation
Northwestern Polytechnical University（西北工业大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对CBF安全滤波器在模糊环境中导致停滞的问题，提出BIG-CBF双速率架构，通过行为想象与共享不确定性提升机动选择，在基准中达99.78%成功率并减少干预。
2026-09-15 cs.RO
Learning How to Trade-Off Safety with Agility Using Deep Covariance Estimation for Perception Driven UAV Motion Planning
Istanbul Technical University（伊斯坦布尔理工大学）；Turkish-German University（土耳其-德国大学）
针对敏捷无人机导航任务，研究了如何利用预测模型选择基于感知不确定性估计的运动规划策略。虽然有各种各样的运动规划和感知算法，这样的任务，感知的不确定性的影响是没有明确地处理在许多当前的运动算法，这导致在现实生活中的情况下，测量往往是嘈杂的，由于外部干扰的性能损失。我们开发了一个新的框架嵌入感知不确定性的高层次运动规划管理，以选择最好的可用运动规划方法，目前估计的感知不确定性。我们使用深度神经网络（CovNet）来估计视觉输入的不确定性，该深度神经网络明确预测当前测量的协方差。接下来，我们训练一个高级机器学习模型，用于在给定协方差的当前估计以及UAV状态的情况下预测最低成本的运动规划算法。我们证明了现实生活中的数据和无人机竞赛模拟，我们的方法，命名为不确定性驱动的运动规划切换器（UDS）产生的最安全和最快的轨迹之间比较的替代品。此外，我们表明，开发的方法学习如何权衡安全与敏捷性切换到运动规划，导致更敏捷的轨迹时，估计的协方差是高的，反之亦然。
2020-12-11 cs.RO cs.SY eess.SY
A CBF-Adaptive Control Architecture for Visual Navigation for UAV in the Presence of Uncertainties
Luleå University of Technology（吕勒奥理工大学）
本文提出一种基于视觉锁定CBF和可参数化切换下降CBF的自适应反步控制架构，使四旋翼无人机仅凭RGB视觉特征在存在建模不确定性和外部扰动情况下实现水面机器人间的安全转移与精确着陆。
2024-02-16 cs.RO cs.SY eess.SY
Learning End-to-end Multimodal Sensor Policies for Autonomous Navigation
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
已知多传感器策略可以增强状态估计和目标跟踪。然而，在端到端的感觉运动控制领域，这种多传感器前景受到的关注有限。此外，系统的方法，使政策稳健的部分传感器故障没有很好地探索。在这项工作中，我们提出了一个特定的定制辍学，称为\textit{Sensor Dropout}，以提高多传感器的政策鲁棒性和处理部分故障的传感器集。我们还引入了一个额外的辅助损失的政策网络，以减少潜在的多和单传感器的政策，以减少突发传感器故障或停用/激活触发的政策切换过程中的变化。最后，通过梯度的可视化，我们表明，尽管有不同的观测空间，但学习的策略是以相同的潜在状态表示为条件的-这是真正的传感器融合的标志。多感官策略的模拟结果，如TORCS赛车游戏中所示，可以在这里看到：https://youtu.be/QAK2lcXjNZc。
2017-11-01 cs.AI cs.LG cs.RO
Case Study: Runtime Safety Verification of Neural Network Controlled System
Northwestern University（西北大学）；University of Southampton（南安普顿大学）
针对神经网络控制系统部署的安全隐患，本文以搭载激光雷达的Turtlebot导航系统为对象，用POLAR-Express开展运行时安全验证，提出安全在线控制器切换策略，经ROS2仿真验证了策略有效性及工具的能力与局限。
2024-08-16 cs.RO
Real-time Quadrotor Navigation Through Planning in Depth Space in Unstructured Environments
University of New Mexico（新墨西哥大学）
本文研究了四旋翼无人机在非结构化环境中基于实时的【形】视觉的自主避障问题。我们假设无人机配备了一个前向立体摄像头作为唯一的传感器来感知周围的世界。而且，所有的计算都是在机上进行的。在这类问题中，可行的轨迹生成需要快速的碰撞检查以及有效的规划算法。我们提出了一种在深度图像空间中的轨迹生成方法，该方法参考了深度图像所描绘的环境信息。为了预测前瞻机器人轨迹中的碰撞，我们从机器人沿路径的姿态序列中创建深度图像，并将这些图像与通过前向立体相机感知的实际世界的深度图像进行比较。我们的目标是在深度图像空间内生成燃料最优轨迹。在预测碰撞的情况下，切换策略用于使四旋翼积极地偏离障碍物。为此，我们使用两个闭环运动基元的基础上线性二次调节器（LQR）的目标函数。通过仿真和硬件实验验证了该方法的有效性。
2020-10-18 cs.RO cs.SY eess.SY
Advancing Assistive Robotics: Multi-Modal Navigation and Biophysical Monitoring for Next-Generation Wheelchairs
Chittagong University of Engineering and Technology（吉大港工程技术大学）；International Islamic University Chittagong（吉大港国际伊斯兰大学）
本文提出了一种多模态轮椅控制系统，结合多种输入接口与生物物理监测，提升患者独立性并实现护理人员实时监督。
2026-01-06 cs.AR cs.RO
RALLY: Role-Adaptive LLM-Driven Yoked Navigation for Agentic UAV Swarms
Hangzhou Institute for Advanced Study, UCAS（杭州高等研究机构，中国科学院大学）；Zhejiang University（浙江大学）；Zhejiang Lab（浙江实验室）；Macau University of Science and Technology（澳门科学理工学院）
针对无人机集群传统控制方法泛化差、LLM控制框架探索不足的问题，提出角色自适应LLM驱动的RALLY算法，融合语义通信、动态角色机制与半离线训练，提升集群导航任务性能。
2025-09-01 cs.AI cs.MA cs.RO
Hybrid Feedback Control Design for Non-Convex Obstacle Avoidance
Western University（西安大略大学）；Lakehead University（湖首大学）
针对含任意非凸障碍物的二维机器人导航场景，提出基于非保守虚拟障碍物变换的混合反馈控制导航算法，实现无Zeno切换的全局渐近目标稳定与避障，并通过数值仿真验证有效性。
2024-04-15 cs.RO cs.SY eess.SY
HI-DWA: Human-Influenced Dynamic Window Approach for Shared Control of a Telepresence Robot
University of Oulu（奥卢大学）
本文考虑的问题，使用户修改的遥现机器人的路径。机器人能够自主导航到用户预定义的目标，但用户可能仍然想要修改路径，例如，远离其他人，或者更接近她想在路上看到的地标。我们提出了人为影响的动态窗口方法（HI-DWA），一个共享的控制方法，旨在基于动态窗口方法（DWA），允许用户影响的控制输入给机器人的远程呈现机器人。为了验证所提出的方法，我们在虚拟现实（VR）中进行了用户研究（N=32），比较HI-DWA与自主导航和手动控制之间的切换，用于控制在虚拟环境中移动的模拟临场感机器人。结果表明，用户使用HI-DWA控制器更快地达到了他们的目标，并发现它更容易使用。这两种方法的偏好是平分的。定性分析显示，参与者更喜欢在两种模式之间切换的一个主要原因是控制感。我们还分析了不同的输入方法，操纵杆和手势，对偏好和感知工作量的影响。
2022-07-25 cs.HC cs.MM cs.RO
NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime
Adelaide University（阿德莱德大学）；Roblox（罗布乐思公司）；PKU（北京大学）；SJTU（上海交通大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；UNSW（新南威尔士大学）；Metacognition（元认知公司）；ANU（澳大利亚国立大学）
本文提出NavGPT-3，通过类操作系统运行时连接语言模型与动作策略模型，在R2R-CE和RxR-CE上达到最优性能，首次使自主智能体在RxR-CE上达到人类水平，将发布相关模型与代码。
2026-10-14 cs.AI cs.CL cs.CV
On Safety and Liveness Filtering Using Hamilton-Jacobi Reachability Analysis
University of Southern California（南加州大学）；Universidad de Santiago de Chile（智利圣地亚哥大学）
针对现有HJ可达性滤波控制器存在突变切换的问题，提出统一的安全与活性滤波器设计框架，明确最大安全控制输入集，构建三种权衡不同的滤波器，经多场景验证并讨论实际落地问题，推动可达性控制器的现实应用。
2024-08-17 cs.RO cs.SY eess.SY
