Optimized and Trusted Collision Avoidance for Unmanned Aerial Vehicles using Approximate Dynamic Programming (Technical Report)
Stanford University(斯坦福大学)
将无人驾驶飞行器安全地纳入民用空域取决于可靠的防撞系统的开发。本文提出了一种方法,即一个参数化的决议逻辑,被认为是可信的一个给定范围内的参数是自适应调整在线。具体来说,解决潜在的保守性的决议逻辑与静态参数,我们提出了一个动态规划的方法来适应参数动态的基础上遇到的状态。我们计算的适应政策离线使用基于模拟的近似动态规划方法,可容纳的高维问题。数值实验表明,这种方法提高了安全性和操作性能相比,基线分辨率逻辑,同时保持可信度。
2016-02-19 cs.RO
Anytime informed path re-planning and optimization for robots in changing environments
University of Brescia(布雷西亚大学);National Research Council of Italy(意大利国家研究委员会)
本文提出一种结合预计算路径切换与知情采样的随时路径重规划算法,使机器人在动态障碍环境中高效避碰并持续优化路径。
2023-11-30 cs.RO
A Scalable Framework For Real-Time Multi-Robot, Multi-Human Collision Avoidance
鲁棒运动规划是机器人文献中研究得很好的问题,然而当前的算法在存在其他移动代理(例如人类)的情况下难以可扩展地且安全地操作。本文介绍了一种新的框架,机器人导航,占高阶系统动力学,并保持安全存在的外部干扰,其他机器人,和非确定性故意代理。我们的方法预先计算每个机器人的跟踪误差,生成置信度感知的人体运动预测,并协调多个机器人的顺序优先级排序,有效地实现可扩展的安全轨迹规划和执行。我们用两个机器人和两个人在硬件上演示了我们的方法。我们还展示了我们的工作的可扩展性在一个更大的模拟。
2018-11-14 cs.RO
Safe mobility support system using crowd mapping and avoidance route planning using VLM
Graduate School of Regional Development and Creativity, Division of Engineering and Agriculture, Graduate School, Utsunomiya University(乌市大学研究生院区域发展与创意学院,工程与农业系)
本文提出利用视觉-语言模型和高斯过程回归生成动态人群密度地图,以提升自主机器人在拥挤环境中的安全导航能力。
2026-02-11 cs.RO
TIE: Time-Informed Exploration For Robot Motion Planning
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(佐治亚理工学院机器人与智能机器研究所)
基于任意时间采样的方法是解决Kino-dynamic运动规划问题的一种有吸引力的技术。这些算法可以很好地扩展到更高的维度,并可以有效地处理状态和控制约束。然而,需要一个智能的探索策略来加速它们的收敛并避免冗余计算。利用可达性分析的思想,本文定义了一个“时间信息集”,即在找到初始解后,集中搜索时间最优的Kino-dynamic规划,这样的时间信息集(TIS)包括所有可能改善当前最佳解的轨迹,因此在这个集合之外的探索是多余的。基准实验表明,基于TIS的探索策略可以加速基于采样的Kino-dynamic运动规划器的收敛。
2021-03-05 cs.RO
Avoiding dynamic small obstacles with onboard sensing and computating on aerial robots
University of Hong Kong(香港大学)
在实际应用中,自主四旋翼仍然面临重大挑战,例如检测和避免非常小的甚至动态的障碍物(例如,树枝、电线)。在本文中,我们提出了一种紧凑,集成,完全自主的四旋翼系统,它可以在混乱的环境中安全飞行,同时避免动态的小障碍物。我们的四旋翼平台配备了一个前视三维(3D)光探测和测距(激光雷达)传感器来感知环境,以及一台机载嵌入式计算机来执行所有的估计,映射和规划任务。具体而言,计算机估计UAV的当前姿态,维护本地地图(时间累积点云KD树),并使用运动动力学A* 搜索来计算到目标点的安全轨迹。整个感知和规划系统可以在50 Hz下运行,并经过精心优化。各种室内和室外实验表明,该系统可以避免动态的小障碍物(下至20毫米直径的酒吧),同时飞行速度为2米/秒,在杂乱的环境。我们的代码和硬件设计在Github上开源。
2021-02-28 cs.RO
NeuroHJR: Hamilton-Jacobi Reachability-based Obstacle Avoidance in Complex Environments with Physics-Informed Neural Networks
Department of Physical Science, Indian Institute of Science Education and Research(物理科学系,印度科学教育与研究学院);Department of Aerospace Engineering, Indian Institute of Science(航空航天工程系,印度科学研究院);Department of Computer Science and Engineering, Shiv Nadar University(计算机科学与工程系,施瓦斯纳大学)
NeuroHJR利用物理引导神经网络近似Hamilton-Jacobi可达性方法,实现复杂环境中高效实时障碍物避障。
2025-12-01 cs.RO cs.SY eess.SY
Anomaly-Informed Confidence Calibration for Vision-Based Safety Prediction
Trustworthy Engineered Autonomy (TEA) Lab, Department of Electrical and Computer Engineering, University of Florida(可信工程自主性实验室,电气与计算机工程系,佛罗里达大学)
本文提出了一种基于异常的在线校准方法,通过融合感知和动态异常分数来改进基于视觉的安全预测中的置信度估计,从而在面对分布偏移时减少过自信,提升预测性能。
2026-08-11 cs.RO
Out of Distribution Detection via Domain-Informed Gaussian Process State Space Models
University of California, Berkeley(加州大学伯克利分校)
本文提出将领域知识嵌入 GPSSM 核函数,并构建基于滚动时域预测的在线 OoD 监控器,在四足机器人导航中实现了对未见地形的可靠检测。
2023-09-15 cs.LG cs.RO
PIER-Flow: Physics-Informed Efficient Rectified Flow for Real-Time Mobile Robot Navigation
School of Automation, Northwestern Polytechnical University(西北工业大学自动化学院);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
研究针对移动机器人在复杂环境下导航问题,提出PIER-Flow策略。通过将MPC专家知识融入常微分方程,利用并行潜在采样等实现单步动作生成,经物理信息训练目标及异步架构提升性能,在模拟和实际部署中均取得良好效果,显著加速规划并降低延迟。
2026-07-14 cs.RO
Uncertainty-aware Safe Exploratory Planning using Gaussian Process and Neural Control Contraction Metric
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Massachusetts Institute of Technology(麻省理工学院);University of California San Diego(加利福尼亚大学圣地亚哥分校)
在本文中,我们考虑的问题,使用机器人探索一个未知的环境,状态依赖的干扰功能,同时避免一些禁区。机器人的目标是安全地收集干扰的观察结果,并构建对潜在干扰函数的准确估计。我们使用高斯过程(GP)从数据中获得对回归误差具有高置信度的干扰估计。此外,我们使用神经收缩神经网络推导出一个跟踪控制器和相应的高置信度的不确定性管周围的标称轨迹规划的机器人,基于估计的干扰。从收缩度量的鲁棒性,误差界限可以被预先计算并由运动规划器使用,使得实际轨迹被保证是安全的。随着机器人沿其轨迹收集越来越多的观测值,对干扰的估计变得越来越准确,这反过来又提高了跟踪控制器的性能,并扩大了机器人可以安全探索的自由空间。我们评估所提出的方法使用精心设计的环境与地面车辆。实验结果表明,该方法能够使机器人安全、快速地对环境进行全面探测。
2021-05-13 cs.RO
Rapid Mismatch Estimation via Neural Network Informed Variational Inference
GRASP Lab, University of Pennsylvania(宾夕法尼亚大学 GRASP 实验室)
本文提出RME概率框架,利用神经网络先验引导变分推断,仅凭本体感觉在线估计末端执行器动力学失配,并在7自由度机械臂上实现约400 ms的安全快速适应。
2025-08-28 cs.RO
Dense Crowd Flow-Informed Path Planning
无论是行人和机器人的舒适度是最高的优先级,当一个机器人被放置在一个环境中包含人类。在不知道机器人的移动机器人的情况下,这种对安全的期望导致了冻结机器人问题,其中机器人面对大量动态障碍物组(例如行人)将确定所有向前导航不安全,导致机器人停在原地。为了在避免冻结机器人问题的同时以符合社会的方式导航,我们有兴趣了解拥挤场景中的行人流量。通过将人群中的行人视为由人群本身移动的粒子,我们可以将系统建模为时间相关的流场。从这个流场中,我们可以提取不同的流段,反映从人群中出现的运动模式。然后,这些运动模式可以在移动机器人的控制和导航期间被考虑,从而允许它在人群流内安全地移动,以到达流内或流外的期望位置。我们结合流场提取与离散启发式搜索,创建流知情的路径规划(FIPP)。我们提供的实证结果表明,当与一个自动推出的本地路径规划相比,使用FIPP的机器人不仅能够更快地达到其目标,但也被证明是更符合社会比使用传统技术的机器人在模拟和真实的机器人。
2022-06-01 cs.AI cs.RO
Improved Obstacle Avoidance for Autonomous Robots with ORCA-FLC
Dept. of Electrical Engineering and Computer Science(电气工程与计算机科学系);University of North Dakota(北达科他大学)
针对ORCA算法在多智能体动态环境中的局限性,提出ORCA-FL方法,利用模糊逻辑控制器处理路径规划中的不确定性,并结合模糊Q强化学习优化控制器,实验证明其在高速场景下能显著减少碰撞次数。
2025-08-08 cs.RO
On-line collision avoidance for collaborative robot manipulators by adjusting off-line generated paths: An industrial use case
University of Coimbra(科英布拉大学);Arts et Métiers(法国国立高等工程技术学院)
人机碰撞避免是协作机器人和工业4.0框架中的关键。它对于实现安全标准,同时使人类和机器在非结构化和时变环境中并肩工作起着重要作用。本研究将机械手的在线碰撞避免引入到一个实际的工业应用中,该应用实现了典型的传感器和常用的协作工业机械手KUKA iiwa。在所提出的方法中,人类的同事和机器人表示的几何图元(胶囊)。当人/障碍物在附近时,使用假设的排斥和吸引向量的概念,计算它们之间的最小距离和相对速度。通过耦合这一概念与机器人的运动学的数学表示,实现了具有碰撞避免能力的任务级控制。因此,离线生成的工业任务的标称路径在运行中被修改,使得机器人能够安全地避免与同事碰撞,同时能够完成工业操作。为了保证在不同任务之间切换时的运动连续性,引入了排斥向量整形的概念。在汽车工业装配机器人单元上的试验表明,通过调整离线生成的标称路径,机器人运动平稳,成功避免了碰撞。
2019-09-11 cs.RO
Designing Touch for Trauma-Informed Social Robots: A Design Space for Direct and Indirect Actuation
AI Ethics Research Hub(人工智能伦理研究中心);Helmut Schmidt University(海姆-施密特大学)
研究如何设计社交机器人的触觉驱动以符合创伤知情护理原则,区分直接和间接触觉,提出包含驱动方式、目标、预期效果三维度的设计空间并分析,为开发创伤敏感社交机器人提供概念基础。
2026-07-07 cs.RO
Back to Base: Towards Hands-Off Learning via Safe Resets with Reach-Avoid Safety Filters
University of California San Diego(加州大学圣地亚哥分校)
本文提出一种基于可达-避碰值函数的安全滤波器,通过最小修改名义控制器实现安全重置,从而支持现实机器人免人工强化学习,并在cartpole摆起任务上验证了方法。
2025-06-03 cs.RO cs.SY eess.SY
Control Architecture for Safe Grasping of Fragile Objects Using a Coarse Position-Controlled Gripper
Technical University of Munich(慕尼黑工业大学);Resense GmbH(Resense有限公司)
针对粗位置控制夹爪,提出几何感知的力/力矩接触估计与自适应导纳控制,实现未知易碎物体的安全稳定抓取,实验验证防滑且施加最小力。
2026-09-24 cs.RO
Action-Informed Estimation and Planning: Clearing Clutter on Staircases via Quadrupedal Pedipulation
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对四足机器人腿部操作中物体被遮挡的问题,提出交互感知的状态估计与感知-动作闭环框架,利用本体感觉预测物体位移,实现楼梯杂物的有效清理,提升任务成功率与跟踪精度。
2025-09-24 cs.RO
Efficient Multi-Robot Motion Planning for Manifold-Constrained Manipulators by Randomized Scheduling and Informed Path Generation
Rice University(里士满大学)
本文提出StAC方法,通过随机调度和双向反馈实现高效多机器人运动规划,减少路径生成数量,提升在受限空间中的操作效率。
2026-02-12 cs.RO
SafeShift: Safety-Informed Distribution Shifts for Robust Trajectory Prediction in Autonomous Driving
Carnegie Mellon University(卡内基梅隆大学);Hanyang University(汉阳大学);Bosch Center for Artificial Intelligence(博世人工智能中心)
提出SafeShift框架,通过表征真实数据集并发现隐藏安全场景,在安全信息分布偏移下评估轨迹预测模型,并采用补救策略平均降低10%碰撞率。
2024-02-02 cs.RO
Uniform Object Rearrangement: From Complete Monotone Primitives to Efficient Non-Monotone Informed Search
Rutgers Univ.(罗格斯大学)
物体重排是机器人的一项具有广泛应用性和挑战性的任务。几何约束必须仔细检查,以避免碰撞和组合问题出现的对象数量的增加。这项工作研究的算法结构重新安排统一的对象,机器人对象碰撞不会发生,但对象对象碰撞必须避免。目标是在机器人一次只能操作一个物体的假设下,最小化物体转移的次数。一个有效的可计算的配置空间的分解被用来创建一个“区域图”,它分类所有连续路径的等效碰撞的可能性。基于这种紧凑但丰富的表示,完整的动态规划原语DFSDP执行递归深度优先搜索以快速解决单调问题,即,不需要对象首先被移动到中间缓冲区的那些实例。DFSDP扩展到解决单缓冲区,非单调的情况下,给定一个对象和一个缓冲区的选择。这项工作利用这些原语作为本地规划者在一个知情的搜索框架更一般的,非单调的情况。搜索利用部分解决方案的原语,以确定最有前途的选择对象和缓冲区。实验表明,该解决方案返回接近最优的路径具有更高的成功率,即使是具有挑战性的非单调的情况下,比其他领先的替代品。
2022-03-18 cs.AI cs.RO
PRIMP: PRobabilistically-Informed Motion Primitives for Efficient Affordance Learning from Demonstration
National University of Singapore(新加坡国立大学);Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出PRIMP方法,在6D工作空间中学习末端执行器轨迹的概率分布,实现跨机器人迁移并引导优化运动规划避障,实验表明其运行速度提升5倍以上且泛化精度提升2倍以上,可用于学习工具使用的物体可供性。
2023-05-25 cs.RO
Learning to Throw Objects Safely in Multi-Obstacle Environments
University of Groningen(格罗宁根大学);University of Edinburgh(爱丁堡大学)
研究在多障碍物环境中安全投掷物体的问题,引入势场状态表示,结合动觉演示初始化,用SAC等算法优化,经模拟和真实机器人实验,该表示在成功率和扩展性上表现出色,实现了模拟到真实的可靠迁移。
2026-07-08 cs.CV cs.LG cs.RO
A Physics-Informed Neural Network Approach for UAV Path Planning in Dynamic Environments
针对动态环境下无人机路径规划问题,提出PINN框架,将动力学等约束嵌入学习,仿真显示其在多指标上优于A*等传统方法,可统一模型与数据驱动规划。
2026-08-21 cs.AI cs.RO
Vision-aided UAV navigation and dynamic obstacle avoidance using gradient-based B-spline trajectory optimization
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于机载视觉和梯度B样条轨迹优化的无人机导航方法,结合引导点算法与滚动时域距离场同时避开静态和动态障碍物,实现实时安全导航。
2024-01-12 cs.AI cs.RO
Safety-Critical Planning and Control for Dynamic Obstacle Avoidance Using Control Barrier Functions
Boston University(波士顿大学);University of Maryland(马里兰大学)
本文提出一种结合MPC与离散时间高阶控制屏障函数的框架,通过网格映射生成凸多面体构建安全约束,无需已知障碍物边界方程,并集成路径规划保证全局最优性,在动态狭窄环境中实现独轮机器人的高效安全避障。
2025-02-07 cs.RO math.OC
Planning Safety Trajectories with Dual-Phase, Physics-Informed, and Transportation Knowledge-Driven Large Language Models
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Texas A&M(德克萨斯农工大学)
本文提出LetsPi框架,将大语言模型推理与物理信息社会力模型相结合,通过双阶段架构实现安全、类人且高效的轨迹规划,并在HighD数据集上验证其优于基线模型。
2025-04-06 cs.AI cs.RO
Safety-Control of Mobile Robots Under Time-Delay Using Barrier Certificates and a Two-Layer Predictor
Wayne State University(韦恩州立大学)
执行快速和敏捷的机动是必不可少的自主移动机器人的安全操作。此外,时间延迟的存在限制了系统的响应时间,并且妨碍了安全性能。因此,本文提出了一种模块化和可扩展的安全控制设计,利用史密斯预测器和障碍证书,以安全和一致地避免不同的足迹障碍。所提出的解决方案包括一个两层的预测补偿伺服系统和角度控制回路中的时间延迟。建议的预测器配置显着提高了瞬态性能,并减少了响应时间。障碍证书用于确定机器人航向角的安全范围,以避免碰撞。所提出的避障技术可以方便地与各种轨迹跟踪算法集成,从而提高了设计的灵活性。角度条件是自适应计算和校正机器人的航向角和角速度。此外,该方法还可以适应多个障碍物,并从障碍物的形状,数量和分布来简化控制结构。该控制结构只有8个可调参数,便于大型移动机器人系统的控制校准和调整。大量的实验结果验证了安全控制的有效性。
2021-04-30 cs.RO cs.SY eess.SY
Deep Reinforcement Learning for Reach-Avoid-Stay Problems
North Carolina State University(北卡罗来纳州立大学);University of California, Berkeley(加利福尼亚大学伯克利分校);Honda Research Institute(本田研究所)
本文提出两步深度强化学习框架,联合学习最大鲁棒RAS集与对应控制策略,仿真显示该框架可精确计算RAS集且性能优于基线方法。
2026-09-03 cs.LG cs.RO cs.SY
Enabling Robots to Autonomously Search Dynamic Cluttered Post-Disaster Environments
Delft University of Technology(代尔夫特理工大学)
针对灾后动态杂乱环境中的自主搜救机器人,提出集成启发式运动规划与鲁棒跟踪的控制框架,在保证安全无碰撞的同时实现最高42.3%的性能提升。
2025-05-06 cs.RO cs.SY eess.SY
Probabilistic Safety Constraints for Learned High Relative Degree System Dynamics
California Institute of Technology(加州理工学院);University of California San Diego(加州大学圣地亚哥分校)
本文主要研究在线学习系统动态模型同时满足安全约束的问题.我们的动机是避免离线系统辨识或手动指定的动态模型,允许系统在在线运行期间安全自主地估计和适应自己的模型.给定系统状态的流观测,我们使用贝叶斯学习来获得系统动态的分布.反过来,该分布被用来优化系统的行为,并确保高概率的安全性,通过指定一个控制障碍函数的机会约束。
2020-05-06 cs.LG cs.RO cs.SY