Gaussian Belief Space Path Planning for Minimum Sensing Navigation
University of Texas at Austin(德克萨斯大学奥斯汀分校);Tokyo Institute of Technology(东京工业大学)
我们提出了一种路径规划方法的移动机器人导航通过充满障碍的环境中产生一个参考路径是可追溯的适度的传感努力。所需的参考路径的特点是在一个充满障碍的高斯信念流形配备了一个新的信息几何距离函数的最短路径。我们引入的距离函数被证明是一个非对称的准伪度量,可以被解释为引导高斯信念所需的最小信息增益。提出了一种基于RRT * 的数值求解算法来求解最短路径问题。为了深入了解所提出的算法的渐近最优性,我们考虑的路径长度函数是连续的拓扑结构的总变分。仿真结果表明,所提出的方法是有效的,在各种机器人导航方案,以减少传感器的成本,如所需的频率的传感器测量和必须同时操作的传感器的数量。
2022-12-07 cs.IT cs.RO math.IT
MPTP: Motion-Planning-aware Task Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
我们提出了一个集成的任务-运动规划(TMP)框架,在大规模环境中的导航。最近,用于操纵的TMP引起了极大的兴趣,导致不同方法的扩散。相比之下,用于导航的TMP受到的关注要少得多。自主机器人在现实世界的复杂场景中运行,需要在离散(任务)空间和连续(运动)空间中进行规划。在知识密集型领域,一方面,机器人必须在最高级别进行推理,例如,要采购的对象,要导航到的区域,以便获取它们;另一方面,必须在执行级别检查相应导航任务的可行性。这提出了对运动规划感知任务规划器的需求。在本文中,我们讨论了一个概率完整的方法,利用这种任务运动的相互作用,在大型知识密集型领域的导航,返回一个计划,是最佳的任务级。该框架旨在用于运动和感知不确定性下的运动规划,其正式名称为信念空间规划。底层的方法在模拟中得到验证,在办公室环境中,其可扩展性在更大的柳树车库的世界进行了测试。还提供了与最接近我们方法的工作的合理比较。我们还证明了我们的方法的适应性,考虑建筑物楼层导航域。最后,我们也讨论了我们的方法的局限性,并提出了改进和未来工作的建议。
2021-04-10 cs.AI cs.RO
Belief-Conditioned One-Step Diffusion: Real-Time Trajectory Planning with Just-Enough Sensing
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Florida(佛罗里达大学);Providence College(普罗维登斯学院);Florida International University(佛罗里达国际大学)
本文提出信念条件化一步扩散(B-COD)规划器,利用去噪轨迹散布作为定位误差代理,使软演员-评论家在线选择最小传感器子集,在保证任务完成的同时降低感知能耗,并在无人艇上实时验证。
2025-08-27 cs.LG cs.RO cs.SY
A Smoothing Algorithm for Minimum Sensing Path Plans in Gaussian Belief Space
University of Texas at Austin(德克萨斯大学奥斯汀分校)
研究了机器人在障碍物环境中的最小感知导航问题。一般的目标是找到一个路径规划的目标区域,需要最小的传感工作。在文献[1]中,信息几何RRT*(IG-RRT*)算法被提出来有效地寻找这样的路径,然而,与任何基于随机采样的规划器一样,IG-RRT* 的计算复杂性增长很快,阻碍了它在大量节点下的使用。为了弥补这一局限性,我们建议使用中等数量的节点运行IG-RRT*,然后使用平滑算法来调整获得的路径。为了开发平滑算法,我们明确地将最小感知路径规划问题表示为优化问题。对于这个配方,我们引入了一个新的安全约束施加一个约束的概率碰撞的障碍物在连续时间,在常见的离散时间的方法。这个问题可以通过凸-凹过程(CCP)来解决。我们开发了一个CCP算法制定的优化和使用此算法的路径平滑。我们通过数值模拟证明了所提出的方法的有效性。
2023-03-13 cs.RO math.OC
Lazy Heuristic Search for Solving POMDPs with Expensive-to-Compute Belief Transitions
Carnegie Mellon University(卡内基梅隆大学)
针对POMDP中信念转移计算代价过高导致规划时间长的问题,提出Lazy RTDP-Bel和Lazy LAO*算法,利用Q值估计推迟昂贵计算,在保持解质量的同时显著提升规划速度。
2025-05-30 cs.RO
Robust Belief Roadmap: Planning Under Intermittent Sensing
United Technologies Research Center(联合技术研究中心)
在本文中,我们扩展了最近的工作机构规划下的不确定性,包括传感器可能不会提供任何测量由于误检测的事实。这是由阻止传感器进行测量的不利环境条件或传感器的基本限制引起的。例子包括基于RF的测距设备,间歇性地不接收信号的信标,因为障碍物;在不利的照明条件下的相机系统的功能的误检测;激光雷达传感器,这是指在玻璃为基础的材料,如窗口等,本文的主要贡献是双重的。我们首先表明,它是可能的,以获得一个分析界的状态估计器的性能传感器误检测下发生随机随时间的环境中。然后,我们将展示如何使用这个界在一个基于样本的路径规划算法,以产生一个权衡的准确性和鲁棒性的路径。计算结果表明,该方法的好处和比较与国家的最先进的状态不确定性下的路径规划。
2013-09-15 cs.RO
Sequential Bayesian Optimization for Adaptive Informative Path Planning with Multimodal Sensing
Stanford University(斯坦福大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
自适应信息路径规划与多模态传感器(AIPPMS)考虑的问题,配备多个传感器,每个传感器具有不同的传感精度和能源成本的代理。智能体的目标是在未知的、部分可观测的环境中探索环境并收集受其资源约束的信息。以前的工作集中在不太一般的自适应信息路径规划(AIPP)的问题,它只考虑代理的运动对收到的意见的影响。AIPPMS问题增加了额外的复杂性,要求代理的原因,共同的影响,传感和运动,同时平衡资源约束与信息目标。我们制定的AIPPMS问题作为一个信念马尔可夫决策过程与高斯过程的信念,并解决它使用一个连续的贝叶斯优化方法与在线规划。我们的方法始终优于以前的AIPPMS解决方案,几乎在每个实验中获得的平均奖励增加了一倍以上,同时还将环境信念的均方根误差降低了50%。我们完全开源我们的实现,以帮助进一步的开发和比较。
2022-09-16 cs.AI cs.RO
Towards Safe Locomotion Navigation in Partially Observable Environments with Uneven Terrain
Georgia Institute of Technology(佐治亚理工学院)
本研究针对部分可观测环境下具有多层次安全保障的动态移动,提出一种整合任务与运动规划的方法。该分层规划框架由高级符号任务规划器和低级相空间运动规划器组成。在任务规划级的信念抽象,使信念估计的动态障碍物的位置,并保证航行安全与避免碰撞。高级任务规划器,即,一个两级的导航规划,采用线性时序逻辑的反应性游戏合成之间的机器人和它的环境,同时将低级别的安全关键帧策略到正式的任务规范设计。合成的任务规划器命令一系列的运动动作,包括步行步长,步高,和航向角的变化,到底层的关键帧决策器,这进一步确定机器人的质心顶点速度关键帧。低级别的相空间规划器使用降阶运动模型来生成满足直线和转向行走的平衡安全标准的非周期性轨迹。这些标准的特点是运动关键帧状态的约束,并用于定义关键帧过渡策略,通过可行性内核。由Agility Robotics设计的Cassie双足机器人的仿真结果展示了在由动态障碍物和不平坦地形组成的三维、部分可观察的环境中的运动操纵。
2020-09-10 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
Using simulation to design an MPC policy for field navigation using GPS sensing
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);California State University-Los Angeles(加州州立大学洛杉矶分校)
本文利用Chrono仿真引擎与ART测试平台开发基于GPS和EKF状态估计的MPC野外导航控制策略,并通过孪生车辆实测验证了Sim2Real的可迁移性。
2023-04-18 cs.RO cs.SY eess.SY
Trajectory Optimization for Adaptive Informative Path Planning with Multimodal Sensing
Stanford University(斯坦福大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
研究多模态感知自主智能体在资源约束下的自适应信息路径规划问题,提出基于投影的轨迹优化方法以降低高斯过程世界信念方差,在长时程轨迹中方差降低达85%,均方根误差降低50%,支持NASA VIPER任务。
2024-04-29 cs.RO
Spectral Signature Mapping from RGB Imagery for Terrain-Aware Navigation
Northeastern University(东北大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出RS-Net,通过RGB影像预测光谱签名,用于机器人地形感知导航和摩擦系数估计。
2025-11-28 cs.RO
Path-Tree Optimization in Discrete Partially Observable Environments using Rapidly-Exploring Belief-Space Graphs
University of Stuttgart(斯图加特大学);TU Berlin(柏林工业大学)
机器人通常需要解决路径规划问题,其中环境的基本和离散方面是部分可观察的。这引入了多模态,其中机器人必须能够观察和推断其环境的状态。为了解决这个问题,我们引入了路径树优化(PTO)算法,计划路径树的信念空间。路径树是具有分支点的树状运动,机器人在分支点处接收导致信念状态更新的观察。机器人根据接收到的观察采取不同的分支。该算法有三个主要步骤。首先,在状态空间上生成一个快速探索随机图(RRG)。其次,RRG扩展到一个信念空间图通过查询的观察模型。在第三步骤中,对置信空间图执行动态规划以提取路径树。由此产生的路径树结合了探索与利用,即它平衡了获得环境知识的需要和达到目标的需要。我们展示了导航和移动操作任务的算法能力,并显示其优势,在基线使用任务和运动规划方法(TAMP)的最优性和运行时间。
2022-07-31 cs.RO
Task-assisted Motion Planning in Partially Observable Domains
University of Genoa(热那亚大学);Arizona State University(亚利桑那州立大学)
本文提出了一种基于信念空间的机器人导航任务-运动规划集成框架。自主机器人在现实世界的复杂场景中运行,需要在离散(任务)空间和连续(运动)空间中进行规划。为此,我们提出了一个框架内的混合任务规划整合信念空间推理。PDDL+的表达能力与语义驱动的语义附件相结合,在规划时执行传播和后验信念估计。讨论了开发组合混合规划器的基本方法,为改进和未来的工作提供了建议。此外,我们验证了我们的方法的关键方面,在模拟中使用一个现实的情况。
2019-08-27 cs.AI cs.RO
Online Mapping and Motion Planning under Uncertainty for Safe Navigation in Unknown Environments
CIRS Underwater Vision and Robotics Research Centre(CIRS水下视觉与机器人研究中心);Universitat de Girona(赫罗纳大学);VICOROB VIsió per COmputador i ROBòtica(VICOROB计算机视觉与机器人实验室)
对于在高度非结构化或完全未知的环境中运行的机器人来说,安全自主导航是一个重要且具有挑战性的问题。在这些条件下,不仅机器人系统必须处理有限的定位信息,而且它们的机动性受到其动力学的约束,并且经常受到不确定性的影响。为了应对这些约束,本文提出了一个基于不确定性的框架,用于在线映射和规划可行的运动,并具有概率安全保证。所提出的方法通过以下方式处理运动、概率安全性和在线计算约束:(i)递增地映射周围环境以构建环境的不确定性感知表示,以及(ii)迭代地(重新)规划轨迹以通过信念空间中的多层基于采样的规划器实现运动动力学可行和概率安全的目标。深入的实证分析说明了这种方法的一些重要特性,即(a)多层规划策略可以快速探索高维置信空间,同时保持渐近最优性和完整性保证,以及(b)与文献中的其他不确定性感知规划器相比,所提出的概率碰撞检查例程的概率范围更紧。此外,对非完整鱼雷形自主水下航行器的真实水中实验评估和DARPA 2019年地下挑战赛的四旋翼无人机的楼梯井场景中的模拟试验证明了该方法的有效性及其适用于有限的系统。
2020-05-26 cs.AI cs.RO
Uncertainty-Constrained Differential Dynamic Programming in Belief Space for Vision Based Robots
University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);Robotics Institute(机器人研究所)
针对移动机器人模块化架构下视觉导航轨迹易因缺特征匹配失效、现有置信空间规划需手动调不确定性成本的问题,提出带不确定性不等式约束的轨迹优化方法与基于增广拉格朗日的随机微分动态规划方法,结合概率可见性模型,实现无需手动调参且性能更优的置信空间规划。
2020-12-01 cs.RO
SPOT: Sensing-augmented Trajectory Planning via Obstacle Threat Modeling
Robotics, University of Michigan(机器人学,密歇根大学);School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械工程学院)
提出 SPOT 统一规划框架,利用高斯过程障碍物置信图和碰撞感知紧急度建模,将感知目标纳入轨迹优化,实现低时延动态避障。
2025-10-18 cs.RO
Belief Aided Navigation using Bayesian Reinforcement Learning for Avoiding Humans in Blind Spots
Kyung Hee University(庆熙大学)
针对现有社交导航未考虑盲区风险的问题,提出BNBRL+算法,结合信念算法与贝叶斯神经网络,在部分可观测框架下推断风险并规划路径,实验验证其在拥挤盲区环境中导航的有效性。
2024-03-15 cs.AI cs.LG cs.RO
Multi-Agent Path Planning in Complex Environments using Gaussian Belief Propagation with Global Path Finding
Aarhus University(奥胡斯大学)
提出结合高斯置信传播与跟踪因子的多智能体路径规划方法,确保全局路径遵循,仿真显示路径偏差降低28%(单智能体)和16%(多智能体)。
2025-02-27 cs.MA cs.RO
Bayesian Active Object Recognition and 6D Pose Estimation from Multimodal Contact Sensing
Eindhoven University of Technology(埃因霍温理工大学);Italian Institute of Technology(意大利理工学院);Humanoid Sensing and Perception Group(人形感知与感知小组)
本文提出一种结合触觉与自由空间约束的贝叶斯框架,用于联合物体识别和6D位姿估计,通过定制粒子滤波器提升推理效率,并利用推理结果指导主动探索,实验表明触觉信息显著提升了识别和位姿估计的准确性与稳定性。
2026-03-22 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
SACBP: Belief Space Planning for Continuous-Time Dynamical Systems via Stochastic Sequential Action Control
Stanford University(斯坦福大学)
我们提出了一种新的信念空间规划技术的连续动力学的信念系统看作是一个混合动力系统与时间驱动切换。我们的方法是基于微分方程的扰动理论和扩展的顺序动作控制随机动态。由此产生的算法,我们命名为SACBP,不需要离散化的空间或时间和合成控制信号在近实时。SACBP是一种在一定假设条件下可以处理一般参数贝叶斯滤波器的任意时刻算法。我们证明了我们的方法在主动感知场景和基于模型的贝叶斯强化学习问题的有效性。在这些具有挑战性的问题,我们表明,该算法显着优于其他现有的解决方案,包括近似动态规划和局部轨迹优化技术。
2021-07-13 cs.RO cs.SY eess.SY
Finite Reliability Representations: Noise-Calibrated Belief-Space Covers for Reliable Decision-Making
Department of Mechanical and Nuclear Engineering, Tennessee Technological University(机械与核工程系,田纳西技术大学);School of Engineering, Department of Electrical and Computer Engineering, Mercer University(工程学院,电子与计算机工程系,梅里克大学)
介绍有限可靠性表示框架,通过可靠性单元覆盖信念空间,核心是区分相关对象,给出非线性连续系统及有限状态POMDPs的构建方法,还引入可靠性熵衡量信念复杂度,给出相关应用。
2026-07-07 cs.AI cs.RO cs.SY
Planning with SiMBA: Motion Planning under Uncertainty for Temporal Goals using Simplified Belief Guides
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出一种多层运动规划算法,利用系统简化模型的轨迹在组合任务和信念空间中引导基于采样的搜索树,解决线性时序逻辑规范下的运动与感知不确定性问题,避免了构建精细有限抽象,显著加速了复杂规范下的规划。
2023-04-09 cs.FL cs.RO cs.SY
HARPS: An Online POMDP Framework for Human-Assisted Robotic Planning and Sensing
University of Colorado Boulder(科罗拉多大学博尔德分校)
提出HARPS框架,结合在线POMDP、多模态语义交互与贝叶斯融合,使机器人利用人类标注的软数据改善环境信念,仿真和人类实验显示显著提升目标捕获效率。
2023-03-28 cs.AI cs.HC cs.RO
BGC-Nav: Cross-Altitude Multi-UAV Collaborative Navigation via Belief-Guided Coupling
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对现有跨高度多无人机协同导航方法的缺陷,本文提出无需训练的BGC-Nav框架,通过信念引导耦合实现鲁棒导航,在ESARBench上的性能优于现有方法。
2026-10-14 cs.RO
Stochastic Dynamic Games in Belief Space
Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室(CSAIL));Laboratory of Information and Decision Systems (LIDS), Massachusetts Institute of Technology(麻省理工学院信息与决策系统实验室(LIDS))
在感知和运动不确定性下与其他代理交互时的信息收集在驾驶,服务机器人,赛车或监视等领域至关重要。代理人的利益可能会与其他人的利益不一致,导致随机非合作动态博弈。智能体必须在没有沟通的情况下预测其他人的未来行动,将他们的行动纳入这些预测,考虑信息收集中的不确定性和噪音,并考虑他们的行动揭示了什么信息。我们的解决方案使用局部迭代动态规划在高斯信念空间,以解决博弈论连续POMDP。在iLQG的博弈论信念空间变体的向后传递中求解二次博弈,在代理数量上实现了运行时多项式,在规划范围内实现了线性。我们的算法为我们的机器人产生线性反馈策略,并预测其他代理的反馈策略。我们提出了三个应用程序:主动监视,引导眼睛的盲人代理,和自主赛车。具有博弈论信念空间规划的代理比没有博弈论的代理多赢44%,比没有信念空间规划的代理多赢34%。
2021-05-13 cs.GT cs.MA cs.RO
Safe Hierarchical Navigation in Crowded Dynamic Uncertain Environments
Georgia Institute of Technology(佐治亚理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种由多阶段规划器和底层安全控制器组成的层次化解决方案,以共同解决拥挤、动态和不确定环境中的安全导航问题。该规划器采用动态间隙分析和轨迹优化来实现与传感和规划范围内动态代理的预测轨迹的碰撞避免,并对代理不确定性具有鲁棒性。为了解决规划范围内的不确定性和实时安全性,采用快速反应安全设置算法(SSA),在轨迹跟踪过程中监测和修改不安全的控制。与其他现有方法相比,我们的方法提供了理论上的安全保证,并在不确定的环境中以更高的概率实现无碰撞导航,如20和50个动态代理的场景所示。项目网址:https://hychen-naza.github.io/projects/HDAGap/。
2023-03-24 cs.RO cs.SY eess.SY
Safe and Efficient Navigation in Extreme Environments using Semantic Belief Graphs
Stanford University(斯坦福大学);NASA Jet Propulsion Laboratory, California Institute of Technology(美国国家航空航天局喷气推进实验室,加州理工学院)
提出语义信念图(SBG)表示方法,在感知不确定性下进行基于语义的规划,通过几何与语义节点及局部控制器实现安全高效的机器人导航,并在仿真与真实多层户外环境中验证。
2023-04-02 cs.RO
BAT-Nav: Belief-Based Arbitration and Termination via Remaining Discoverability in Multi-Goal Semantic Navigation
LCSR Lab, Johns Hopkins University(约翰霍普金斯大学LCSR实验室);Xi’an Jiaotong University(西安交通大学);JD Explore Academy, Beijing, China(京东探索研究院,北京,中国)
本文提出MORN,一种基于双过程理论的元认知导航架构,通过引入资源理性机制,解决传统导航系统在长周期任务中因缺乏全局资源意识导致的资源浪费问题,提升了目标完成率和任务效率。
2026-09-16 cs.RO
Have You Seen It Clearly? Uncertainty-Guided Belief Refinement for Zero-Shot Object Navigation
Hong Kong Polytechnic University(香港理工大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);DeepRobotics(深度机器人公司);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));City University of Hong Kong(香港城市大学)
该研究针对零样本目标导航中证据可靠性及历史位置搜索价值未被充分解决的问题,提出RefBeliefMap与RefBeliefNav框架,在HM3D、MP3D数据集及Unitree Go2机器人上验证了其最先进性能与仿真到真实的迁移能力。
2026-10-14 cs.RO
Belief-Adaptive Online Autonomy for Quadrotor UAV Navigation under GNSS Degradation in Urban Environments
Cranfield University(克兰菲尔德大学)
本文提出一种信念自适应在线自主框架,通过显式GNSS信任建模和延迟感知处理增强EKF,在GNSS退化城市环境中实现更稳定、更准确的四旋翼导航。
2026-09-15 cs.RO cs.SY eess.SY
Perspective-Shifted Neuro-Symbolic World Models: A Framework for Socially-Aware Robot Navigation
Institute for Systems and Robotics, Instituto Superior Técnico, Universidade de Lisboa(系统机器人研究所,理工学院,里斯本大学);LAAS-CNRS, Artificial and Natural Intelligence Toulouse Institute (ANITI)(LAAS-CNRS,图卢兹人工智能研究所(ANITI))
针对社会导航中需推理他人隐藏信念的部分可观测决策难题,提出结合神经符号基于模型强化学习架构与基于IBA的视角转换算子的社会感知机器人导航框架。
2025-09-02 cs.AI cs.RO
Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning on Graphs
Stevens Institute of Technology(史蒂文斯理工学院)
我们考虑一个自主探索的问题,在这个问题中,一个范围传感移动机器人的任务是准确地映射的地标在一个先验的未知的环境中有效地实时,它必须选择既抑制定位的不确定性,并实现信息增益的传感行动。对于这个问题,信任空间规划方法,向前模拟机器人的感知和估计,往往会失败,在实时实现,缩放不良的状态,信念和动作空间的大小增加。我们提出了一种新的方法,使用图神经网络(GNNs)结合深度强化学习(DRL),使决策包含探索信息的图,以预测机器人的最佳感知动作的信念空间。该策略在没有人为干预的情况下在不同的随机环境中进行训练,提供了一个实时的,可扩展的决策过程,其高性能的探索性感知动作产生准确的地图和高速率的信息增益。
2020-07-24 cs.LG cs.RO
Hierarchical 3D Scene Graph Construction and Belief-based Planning for Semantic Navigation
The Hong Kong Polytechnic University(香港理工大学)
提出零样本语义导航框架,通过在线维护层次化3D场景图(HSG)实现多粒度语义拓扑,并基于信念规划进行有限视野推演,在长距离导航中显著提升成功率与路径效率。
2026-07-01 cs.CV cs.RO
Dual-Layer Semantic-Spatial Belief Mapping for Aerial Object Goal Navigation
提出AeroBelief双层语义-空间信念映射框架,通过直觉层与证据层融合VLM观测,结合保守证据资格和稳定区域引导,在UAV-ON基准上取得最优导航性能。
2026-09-09 cs.AI cs.RO
OmniNav: Robust Long-Horizon Target Navigation in Dynamic Environments
School of Automation, Beijing Institute of Technology(北京理工大学自动化学院)
OmniNav通过因子化任务状态后验持续推断,结合可更新3D场景记忆、证据感知贝叶斯信念修正和交互约束终点选择,实现动态环境下的鲁棒长时程目标导航,显著提升成功率。
2026-09-09 cs.RO
Sensing and Navigation of Aerial Robot for Measuring Tree Location and Size in Forest Environment
The University of Tokyo(东京大学)
本文介绍了一种在森林环境中自主测量树木位置和大小的空中机器人传感和导航系统的实现。虽然林业是日本的重要产业,但林业工作人口正在减少。然后,作为林业机械化的一个应用,提出了利用空中机器人在三维空间中的高度机动性进行树木数据汇集的系统。首先,我们发展了树木的识别和测量方法,以及生成树木数据库的算法。其次,介绍了基于树识别的空中机器人导航系统。最后,我们提出了一个实验结果,其中一个空中机器人在森林中飞行,并收集树木数据。
2023-02-12 cs.RO
Sensing, Social, and Motion Intelligence in Embodied Navigation: A Comprehensive Survey
Shanghai Jiao Tong University(上海交通大学);Harbin Engineering University(哈尔滨工程大学);Tsinghua University(清华大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));Zhejiang University(浙江大学)
本文提出TOFRA五阶段框架,系统综述具身导航中感知、社交与运动智能的研究现状、平台与评估指标,并指出关键开放挑战。
2025-08-21 cs.RO
Real-Time Neuromorphic Navigation: Guiding Physical Robots with Event-Based Sensing and Task-Specific Reconfigurable Autonomy Stack
Purdue University(普渡大学)
本文提出可重构 Neuromorphic Navigation 框架,利用基于事件的神经形态视觉贯通感知、规划与控制,并在 Turtlebot 和 Bebop2 上验证其实时自主导航能力。
2025-03-11 cs.RO
BIM-Discrepancy-Driven Active Sensing for Risk-Aware UAV-UGV Navigation
Department of Electrical and Computer Engineering, University of California San Diego, La Jolla, CA, USA(电气与计算机工程系,加州大学圣地亚哥分校);Department of Civil, Construction, and Environmental Engineering, San Diego State University, San Diego, CA, USA(土木、建设与环境工程系,圣地亚哥州立大学)
针对动态建筑环境中无人机与无人车协同导航问题,提出BIM差异驱动的主动感知框架,通过风险触发的无人机重扫描机制降低导航不确定性,仿真验证其可显著提升导航安全性与任务效率。
2025-11-18 cs.RO
Double Deep Reinforcement Learning Techniques for Low Dimensional Sensing Mapless Navigation of Terrestrial Mobile Robots
UTEC(乌拉圭理工大学)
在这项工作中,我们提出了两个深度强化学习(Deep-RL)的方法,以提高陆地移动机器人的无地图导航的问题。我们的方法专注于比较基于深度Q网络(DQN)算法的深度RL技术与基于双深度Q网络(DDQN)算法的第二种技术。我们使用24个激光测量样本和智能体与目标的相对位置和角度作为智能体的信息,智能体为我们的机器人提供动作作为速度。通过使用一个低维传感结构的学习,我们表明,它是可能的训练代理执行导航相关的任务和避障,而不使用复杂的传感信息。所提出的方法被成功地用于三个不同的模拟环境。总体而言,它表明,双深结构进一步提高了问题的导航移动机器人相比,简单的Q结构。
2023-01-26 cs.AI cs.RO
Multi-UAV Active Sensing with Information Gain-based Planning and Belief Fusion
University of California, Berkeley(加州大学伯克利分校)
提出多无人机主动感知框架,利用信息增益路径规划与概率信念融合实现二元地形映射,在合成和真实农业图像上验证,相比随机游走和扫描覆盖降低熵与误差。
2026-06-09 cs.RO cs.SY eess.SY
Digital Twin-Enhanced Wireless Indoor Navigation: Achieving Efficient Environment Sensing with Zero-Shot Reinforcement Learning
New York University(纽约大学);Chalmers University of Technology(查尔姆斯理工大学)
针对毫米波室内导航受多径等干扰效果不佳、数字孪生训练的模型易过拟合需重训的问题,提出物理信息强化学习方法,结合数字孪生物理先验构建奖励函数,实现零样本泛化,性能优于传统与标准RL方法。
2024-11-03 cs.LG cs.RO
Deterministic and Stochastic Analysis of Deep Reinforcement Learning for Low Dimensional Sensing-based Navigation of Mobile Robots
Technological University of Uruguay(乌拉圭技术大学);Federal University of Rio Grande - FURG(里奥格兰德联邦大学(FURG));Universidade Federal de Santa Maria - UFSM(圣玛丽亚联邦大学(UFSM))
深度强化学习(Deep-RL)中的确定性和随机技术已经成为改善各种机器人的运动控制和决策任务的有前途的解决方案。以前的工作表明,这些Deep-RL算法可以应用于移动机器人的无地图导航。然而,它们倾向于使用简单的感测策略,因为已经表明它们在高维状态空间中表现不佳,例如从基于图像的感测中产生的状态空间。本文提出了两种深度RL技术-深度确定性策略梯度(DDPG)和软演员批评(SAC)-当执行任务的移动机器人的无地图导航的比较分析。我们的目标是通过展示神经网络架构如何影响学习本身来做出贡献,并根据每种方法的空中移动机器人导航的时间和距离给出定量结果。总的来说,我们对六种不同架构的分析突出表明,随机方法(SAC)更适合更深层次的架构,而确定性方法(DDPG)则相反。
2022-09-13 cs.AI cs.RO
UGV-Conditioned Multi-UAV Informative Planning on a Shared Exposure Belief
MAVLab, Faculty of Aerospace Engineering, TU Delft(马文实验室,航空航天工程学院,代尔夫特理工大学)
提出一种协调无人机编队降低地面车辆在未知威胁区导航风险的方法,通过共享暴露信念引导感知并减少冗余覆盖,仿真显示累积暴露降低38%,冗余覆盖从38.8%降至3.7%。
2026-10-22 cs.RO
Underwater Navigation in Unsteady Flows Using Measurement Histories from a Single Sensing Unit
Iowa State University(爱荷华州立大学);Brown University(布朗大学)
本研究利用单一传感单元的测量历史,通过因果观测器估计横向流速,实现非定常流中的水下导航,在多种工况下接近直接空间传感性能。
2026-09-23 cs.RO physics.flu-dyn
NaviSlim: Adaptive Context-Aware Navigation and Sensing via Dynamic Slimmable Networks
University of California, Irvine(加州大学尔湾分校);San Diego State University(圣地亚哥州立大学)
本文提出NaviSlim模型,通过动态调整计算和感知资源,提升小型自主飞行器在复杂环境中的导航能力,实验显示模型复杂度减少57-92%,传感器利用率提升61-80%。
2026-04-08 cs.AI cs.LG cs.RO
Learning Social Robot Navigation By Sensing Human Legs
University of Siena(锡耶纳大学);Uninettuno University(意大利 uniNettuno 大学)
本文提出CALF架构,结合卷积、注意力和MLP从激光雷达解读腿部运动,在LegNav模拟器中训练后,经TurtleBot 4零样本部署验证,实现了平滑合规的社交机器人导航。
2026-07-31 cs.RO
OpenBelief-Nav: Evidence-Preserving Object Memory for Open-Vocabulary Language-Guided Navigation
VinMotion, Inc.(VinMotion公司);University of Southern California(南加利福尼亚大学)
该研究针对开放词汇语言引导导航的对象记忆缺陷,提出OpenBelief-Nav模型,保留多源证据并支持灵活读出,在多数据集导航任务中优于基线方法,修正策略可提升目标确认成功率。
2026-08-17 cs.CV cs.RO
Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions
University of Haifa(海法大学)
本文综述深度学习在惯性传感与融合中的应用,涵盖校准、去噪、导航改进等方法,按陆、空、海环境分类,分析趋势并提供常用方法统计数据,以促进相关研究。
2024-02-25 cs.AI cs.LG cs.RO
Navigation and 3D Surface Reconstruction from Passive Whisker Sensing
Stanford University(斯坦福大学)
本文提出利用安装在机器人手臂上的柔性被动胡须在运动过程中采集接触数据,结合贝叶斯滤波将接触点定位精度收敛至1 mm以内,并利用多胡须多轨迹重建物体表面曲线与近处物体占据地图,实现杂乱环境中的导航与三维表面重建。
2024-06-10 cs.RO
Depth-Constrained ASV Navigation with Deep RL and Limited Sensing
Department of Computer Science, University of Verona(计算机科学系,威尼斯大学)
本文提出一种结合高斯过程回归的深度强化学习框架,利用单波束回声测深仪的稀疏深度测量,在深度约束下实现自主水面艇的安全导航,并验证了仿真到现实的迁移能力。
2025-10-25 cs.AI cs.RO
GRL-SNAM: Geometric Reinforcement Learning with Path Differential Hamiltonians for Simultaneous Navigation and Mapping in Unknown Environments
University of Texas at Austin(德克萨斯大学奥斯汀分校)
GRL-SNAM通过局部能量优化实现未知环境中的同时导航与建图,利用受控哈密顿优化提升导航质量。
2025-12-31 cs.LG cs.RO