Online Robot Navigation and Manipulation with Distilled Vision-Language Models
针对动态未知环境下机器人导航存在的未知物体识别难、复杂场景通行受限等问题，提出结合零样本开放世界分割、无标签可通行空间蒸馏及边缘轻量裁剪的完整框架，在场景感知与导航的精度和效率上均实现提升。
2024-05-12 cs.RO
Designing Privacy-Preserving Visual Perception for Robot Navigation Based on User Privacy Preferences
本文提出以用户为中心的隐私保护视觉感知设计方法，通过用户研究发现用户偏好隐私保护的视觉抽象和低分辨率保存机制，并据此制定可配置的隐私政策。
2026-07-01 cs.RO
Real-Time Navigation for Bipedal Robots in Dynamic Environments
Ohio State University（俄亥俄州立大学）；Ottonomy Inc.（Ottonomy公司）
移动机器人的普及一直在稳步增长，这些机器人越来越多地被用来执行以前由人类工人完成的任务。为了让双足机器人也能取得同样的成功，需要开发出强大的自主导航系统，能够实时的【形】执行并对动态环境做出响应。这些系统可以分为三个阶段：感知、规划和控制。双足机器人的整体导航框架必须成功地整合自主导航问题的所有三个组成部分，以实现强大的现实世界的导航。在本文中，我们提出了一个实时的【形】导航框架，在动态环境中的双足机器人。该系统解决了导航问题的所有组成部分：我们引入了一个基于深度的感知系统，用于障碍物检测，映射和定位。一个两阶段的规划器被开发来生成对未知和动态环境鲁棒的无碰撞轨迹。并在Digit双足机器人的步行步态控制器上执行轨迹。通过一系列包含未知环境和动态障碍物的仿真和硬件实验，验证了导航框架。
2022-10-07 cs.RO
Autonomous Urban Localization and Navigation with Limited Information
Cornell University（康奈尔大学）
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差，全球定位信息（例如GPS信号）可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据，对该数据进行大量的后处理以获得地图，然后随着环境的变化而在地图上保持更新。本文通过研究算法和架构来解决城市环境中的自动驾驶问题，从而在有限的信息下实现全功能自动驾驶。开发了一种在很少或不依赖先验地图或GPS的情况下自主导航城市道路的算法。定位是用一个扩展的卡尔曼滤波器与里程计，罗盘，和稀疏的地标测量更新。导航是由基于罗盘的导航控制律。蒙特卡洛研究的关键结果显示了不同环境条件下城市导航的成功率。实验验证了模拟结果，并表明，对于给定的测试条件下，可以找到一个预期的范围内给定的成功率。
2018-10-09 cs.RO
Autonomous Navigation with Mobile Robots using Deep Learning and the Robot Operating System
Imperial College London（帝国理工学院）；AIOZ Ltd.（AIOZ有限公司）
自主导航是机器人研究的一个长期领域，它为移动机器人提供了一种基本的能力，使其能够在人类日常执行的相同环境中执行一系列任务。在本章中，我们提出了一套算法，训练和部署深度网络的自主导航的移动机器人使用机器人操作系统（ROS）。我们描述了解决这个问题的三个主要步骤：i）使用ROS和Gazebo在模拟环境中收集数据; ii）设计用于自主导航的深度网络; iii）在模拟和现实世界中的移动机器人上部署学习策略。从理论上讲，我们提出了深度学习架构，用于在正常环境中进行鲁棒导航（例如，人造房屋、道路）和复杂环境（例如，倒塌的城市或天然洞穴）。我们进一步表明，使用视觉模态，如RGB，激光雷达和点云是必不可少的，以提高移动机器人的自主性。我们的项目网站和演示视频可以在https://sites.google.com/site/autonomousnavigationros上找到。
2020-12-07 cs.RO
Towards Preference Learning for Autonomous Ground Robot Navigation Tasks
CCDC Army Research Laboratory（CCDC陆军研究实验室）
我们感兴趣的自主机器人行为的设计，学习用户的偏好，在持续的互动，以有效地执行导航行为的方式，用户期望的目标。在本文中，我们讨论了我们正在进行的工作，以修改一个通用模型的机器人导航行为的探索任务，在每个用户的基础上，使用基于偏好的强化学习。这种方法的新颖贡献在于，它结合了强化学习、运动规划和自然语言处理，允许自主智能体从与人类队友的持续对话中学习，而不是一次性的指令。
2020-11-05 cs.RO
Enhancing Robot Navigation Efficiency Using Cellular Automata with Active Cells
Jadara University（贾达拉大学）；Xiamen University Malaysia（厦门大学马来西亚分校）；Wrexham University（雷克瑟姆大学）；University of South Wales（南威尔士大学）
本文提出一种基于具有活动细胞的元胞自动机内部导航系统，通过嵌入式地图、六边形镶嵌和距离控制模块，提升单机器人及多机器人在干扰和障碍环境中的自主导航效率与精度。
2024-04-02 cs.RO
MengeROS: a Crowd Simulation Tool for Autonomous Robot Navigation
The Graduate Center（纽约市立大学研究生中心）；Hunter College of The City University of New York（纽约市立大学亨特学院）
虽然在大型拥挤的环境中有效导航对于自主机器人至关重要，但支持它的算法的初步测试需要在广泛的人群场景中进行模拟。大多数可用的仿真工具提供没有机器人的真实人群或没有真实人群的真实机器人。本文介绍了MengeROS，一个2-D模拟器，逼真地集成了多个机器人和人群。MengeROS提供了广泛的设置，用于测试为大型拥挤环境设计的导航算法的功能和性能。
2018-01-26 cs.RO
MulDP: Multimodal Diffusion Policy for Autonomous Quadruped Parkour Navigation across Complex Terrains
College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院）
本文针对四足机器人自主跑酷导航的关键挑战，提出MulDP多模态扩散策略，构建QPND数据集，经仿真与真实实验验证其可实现复杂地形的长时程鲁棒自主导航。
2026-09-04 cs.RO
CropNav: a Framework for Autonomous Navigation in Real Farms
University of Illinois at Urbana-Champaign (UIUC)（伊利诺伊大学厄巴纳-香槟分校）；EarthSense Inc.（EarthSense公司）；University of São Paulo (USP)（圣保罗大学）
提出一种混合导航系统CropNav，通过在LiDAR行跟踪与航点跟踪间自动切换并实现失败检测与恢复，解决了冠层下GNSS不可靠的导航难题，显著提升了农场自主导航距离。
2024-11-17 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
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
VGPN: Voice-Guided Pointing Robot Navigation for Humans
Tsinghua University（清华大学）；University of Bath（巴斯大学）
指出手势是目前机器人导航中广泛使用的方法。然而，大多数方法仅使用指向手势，并且这些具有两个主要限制。首先，它们需要始终识别指向手势，这导致长的处理时间和显著的系统开销。其次，用户的指向可能不是很准确，因此机器人可能会去到不希望的地方。为了缓解这些限制，我们提出了一个语音引导指向机器人导航方法命名为VGPN，并实现其原型上的轮式机器人，TurtleBot 2。VGPN仅在语音信息不足以进行导航时才识别指向手势。VGPN还使用语音信息作为辅助通道，以帮助确定用户指向手势的目标位置。在评估中，我们将VGPN与仅点导航方法进行了比较。实验结果表明，VGPN有效地减少了不需要指向手势时的处理时间开销，提高了用户对导航精度的满意度。
2020-04-03 cs.RO
VascularPilot3D: Toward a 3D fully autonomous navigation for endovascular robotics
United Imaging Research Institute of Intelligent Imaging（联影智能影像研究院）；United Imaging（联影集团）；University of Michigan（密歇根大学）
VascularPilot3D是首个三维全自主血管内机器人导航系统，结合感知与规划模块，在离体实验中达到100%成功率，并减少18.38%人工控制。
2024-09-18 cs.RO
A Comprehensive Review on Autonomous Navigation
Institute for Intelligent Systems Research and Innovation（智能系统研究与创新研究所）；Deakin University（迪肯大学）
在过去的几十年里，自主移动机器人领域经历了巨大的进步。尽管取得了重要的里程碑，但仍有若干挑战有待解决。将机器人社区的成就汇总为调查文件对于跟踪当前的最新技术水平和未来必须解决的挑战至关重要。本文试图提供一个全面的审查自主移动机器人涵盖的主题，如传感器类型，移动机器人平台，仿真工具，路径规划和跟踪，传感器融合方法，避障，和SLAM。提出一份调查文件的迫切性是双重的。首先，自主导航领域发展迅速，因此定期撰写调查论文对于保持研究社区充分了解该领域的现状至关重要。其次，深度学习方法已经彻底改变了包括自主导航在内的许多领域。因此，有必要对深度学习在自主导航中的作用进行适当的处理，这也是本文所涉及的。未来的工作和研究差距也将被讨论。
2022-12-24 cs.RO
Neural Autonomous Navigation with Riemannian Motion Policy
Paul G. Allen School of Computer Science & Engineering, University of Washington（保罗·G·艾伦计算机科学与工程学院，华盛顿大学）；NVIDIA（英伟达）
自主导航的端到端学习作为一种有前途的减少建模误差的方法，近年来受到了广泛的关注。然而，它的数据复杂性，特别是在推广到看不见的环境方面，是很高的。我们介绍了一种新的基于图像的自主导航技术，利用在政策结构使用黎曼运动策略（RMP）框架的车辆控制的深度学习。我们设计了一个深度神经网络来从视觉图像中预测车辆的控制点RMP，从中可以分析计算出最优控制命令。我们表明，我们在吉布森环境中训练的网络可用于室内避障和真实RC汽车上的导航，并且我们的RMP表示比直接预测局部几何形状或预测控制命令更好地推广到看不见的环境。
2019-04-03 cs.RO
Autonomous Navigation in Complex Environments with Deep Multimodal Fusion Network
Imperial College London（帝国理工学院）；AIOZ Pte Ltd（AIOZ私人有限公司）
复杂环境中的自主导航是灾难响应或搜索和救援等时间敏感场景中的关键任务。然而，复杂的环境对自主平台的导航提出了重大挑战，因为它们具有挑战性的特性：狭窄的通道受限，碎片和障碍物的不稳定路径，或不规则的地质结构和恶劣的照明条件。在这项工作中，我们提出了一个多模态融合的方法来解决在复杂的环境，如倒塌的城市，或自然洞穴的自主导航问题。我们首先在基于物理的仿真引擎中模拟复杂环境，并收集大规模数据集进行训练。然后，我们提出了一个导航多模态融合网络（NMFNet），它有三个分支，有效地处理三种视觉模态：激光，RGB图像，点云数据。广泛的实验结果表明，我们的NMFNet优于最近的最先进的公平利润率，同时实现实时性能。我们进一步表明，在复杂的环境中，使用多种形式的自主导航是必不可少的。最后，我们成功地将我们的网络部署到模拟和真实的移动机器人。
2020-07-31 cs.RO
Human-centered Benchmarking for Socially-compliant Robot Navigation
UTBM（贝尔福-蒙贝利亚尔技术大学）；CIAD（知识获取与决策实验室）；Center for Bioinformatics, Saarland Informatics Campus（萨尔兰信息学园区生物信息学中心）
本文提出以人为本的端到端基准测试框架，利用RoSAS评估四种开源导航方法的社会兼容性，并验证其与机器人中心指标的对应关系。
2023-07-09 cs.RO
Towards Autonomous Navigation in Endovascular Interventions
University of Liverpool（利兹大学）；Caranx Medical, Research and Development（Caranx医疗研发）
本研究提出AI驱动框架，通过高保真模拟和多模态传感融合提升内窥血管导航的自主性和精度，推动微创手术的发展。
2025-12-23 cs.RO
Wavefront Propagation and Fuzzy Based Autonomous Navigation
路径规划和避障是任何导航系统中的两个主要问题。波前传播算法是一种很好的路径规划算法，可以用来确定最优路径，利用可能性理论可以实现避障。结合这两个功能，机器人能够自主导航到目的地。本文介绍了实现室内移动机器人自主导航系统的方法和结果。该系统是基于激光传感器，用于检索数据，以更新一个二维的世界模型的therobot环境。路径中的航路点被并入避障。实现了诸如对象老化和平滑运动规划的功能，以提高效率并适应动态环境。
2006-01-14 cs.RO
VRChain: A Blockchain-Enabled Framework for Visual Homing and Navigation Robots
Fordham Univ.（福特汉姆大学）
视觉寻的是一种轻量级的机器人视觉导航方法。基于所存储的家庭位置的视觉信息，可以通过将家庭与当前图像进行比较来从该位置可见的任何其他位置完成回到该位置的导航。然而，视觉寻的的一个关键挑战是，目标起始位置必须在机器人的视场（FOV）内才能开始寻的。因此，这项工作通过将区块链技术集成到视觉导航系统中来解决这一挑战。基于区块链的去中心化特性，该解决方案使视觉寻的机器人能够共享其视觉寻的信息，并同步访问分散式账本中存储的数据（视觉寻的信息）以建立导航路径。导航路径表示存储在账本中的每个机器人的视图序列。如果归属位置不在FOV中，则所提出的解决方案允许机器人找到可以看到归属位置的另一个机器人并朝向该期望位置行进。评估结果表明，所提出的框架在端到端的延迟，吞吐量和可扩展性方面的效率。
2022-06-08 cs.RO
HuNavSim 2.0: An Enhanced Human Navigation Simulator for Human-Aware Robot Navigation
Service Robotics Lab University Pablo de Olavide（帕布罗·德·奥拉维德大学服务机器人实验室）
本文发布开源人类导航模拟器 HuNavSim 2.0，基于 ROS 2 并兼容 Gazebo、NVidia Isaac Sim，通过扩展行为树动作与条件支持更真实的人类智能体导航仿真。
2025-07-25 cs.RO
D2M2N: Decentralized Differentiable Memory-Enabled Mapping and Navigation for Multiple Robots
University of Maryland College Park（马里兰大学帕克分校）
针对现有多机器人导航模型缺乏记忆、难以利用历史观测的问题，本文提出去中心化可微分记忆架构D2M2N，通过紧凑环境表示与价值迭代网络实现复杂建图与导航，并在实验中显著超越现有最优模型。
2024-04-08 cs.RO
Human-Aware Navigation Planner for Diverse Human-Robot Contexts
LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）；CNRS（法国国家科学研究中心）；Artificial and Natural Intelligence Toulouse Institute (ANITI)（图卢兹人工与自然智能研究所）
随着越来越多的机器人被部署到人类环境中，人类感知的导航规划器需要处理室内和室外环境中发生的多种情况。在本文中，我们提出了一个可调的人类感知机器人导航规划，可以处理各种humanrobot上下文。我们提出了规划器的架构，并讨论了功能和一些实现细节。然后，我们提出了一个详细的分析，各种模拟humanrobot的情况下，使用建议的规划师，以及一些定量的结果。最后，我们展示了在一个真实的机器人上部署我们的系统后，在现实世界中的情况下的结果。
2021-06-18 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
EWareNet: Emotion Aware Human Intent Prediction and Adaptive Spatial Profile Fusion for Social Robot Navigation
Purdue University（普渡大学）
我们提出了EWareNet，一种新的意图和影响感知的社会机器人步行者之间的导航算法。我们的方法预测基于步态序列的行人意图，然后将其用于意图引导导航，同时考虑到社会和情感的约束。我们提出了一个基于transformer的模型，该模型适用于安装在移动机器人上的商品RGB-D相机。我们的意图预测例程被集成到一个无地图导航方案中，并且对行人运动的环境没有任何假设。我们的导航方案包括一个新的障碍物轮廓表示方法，动态调整行人的姿势，意图和影响的基础上。导航方案是基于一个强化学习算法，考虑行人的意图和机器人的行人意图的影响，除了环境配置。我们优于当前最先进的算法，用于从3D步态进行意图预测。
2023-03-08 cs.RO
Learning Perceptual Hallucination for Multi-Robot Navigation in Narrow Hallways
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；George Mason University（乔治梅森大学）；Everyday Robots（日常机器人公司）；Army Research Laboratory（陆军研究实验室）；Sony AI（索尼人工智能）
虽然目前的自主机器人导航系统可以在静态环境中产生安全有效的运动计划，但当多个机器人必须在有限的空间中一起导航时，它们通常会产生次优行为。例如，当两个机器人在狭窄的走廊相遇时，它们可能会转身寻找另一条路线，或者相互碰撞。本文提出了一种新的导航方法，允许两个机器人在狭窄的走廊中相互通过，而不会发生碰撞，停止或等待。我们的方法，走廊通过的感知幻觉（PHHP），学会综合生成虚拟障碍物（即，感知幻觉）以便于利用标准自主导航系统的多个机器人在狭窄的走廊中通过。我们在各种走廊中对物理机器人进行的实验显示，与多个基线相比，性能有所改善。
2022-09-27 cs.RO
Fast Adaptable Mobile Robot Navigation in Dynamic Environment
University of Detroit Mercy（底特律大学）
动态环境下的自主导航严重依赖于环境及其拓扑结构。环境的先验知识通常是不准确的，因为环境不断演变。由于机器人在前进过程中不断评估环境，决定穿越环境到达目标的最佳方式，因此需要计算效率高且数学自适应的导航算法。本文提出了一种能够适应时变环境的移动机器人导航方案。该方法由全局规划器（A*）和局部规划器（VFH）组成，以确保机器人的最佳和无碰撞运动。该算法进行了测试，在不同的环境中，是已知的VFH和ROS导航栈中的失败，进行比较的目的，在模拟和实验。总的来说，该算法使机器人能够更快地到达目标，并在这样做的同时产生更平滑的路径。
2020-07-19 cs.RO
Learning Depth Vision-Based Personalized Robot Navigation From Dynamic Demonstrations in Virtual Reality
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
提出基于深度视觉的个性化机器人导航学习框架，利用虚拟现实动态演示和变分自编码器感知流水线，实现仅依赖深度图像的首个个性化导航控制器。
2023-07-31 cs.RO
A Lifelong Learning Approach to Mobile Robot Navigation
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）
本文提出了一种移动机器人在不同环境中导航的自改进终身学习框架。经典的静态导航方法需要环境特定的原位系统调整，例如来自人类专家，或者可能重复他们的错误，而不管他们在相同的环境中导航了多少次。基于学习的导航有可能随着经验而改进，但它高度依赖于对训练资源的访问，例如足够的内存和快速计算，并且容易忘记先前学习的能力，特别是在面对不同环境时。在这项工作中，我们提出了终身学习导航（LLfN），（1）提高移动机器人的导航行为纯粹基于自己的经验，（2）保留机器人的能力，在以前的环境中导航后，在新的学习。LLfN的实现和测试完全板载物理机器人有限的内存和计算预算。
2021-01-24 cs.RO
RoboTron-Nav: A Unified Framework for Embodied Navigation Integrating Perception, Planning, and Prediction
Meituan（美团）
提出统一框架RoboTron-Nav，通过多任务协作整合感知、规划与预测能力，并采用自适应3D感知历史采样策略，在$\mathrm{CHORES}$-$\mathbb{S}$基准上取得81.1%成功率的SOTA表现。
2025-08-08 cs.RO
Spatial and Semantic Reasoning for LLM-Driven Robot Navigation via MCP
Hanyang University（汉阳大学）；Hanyang University ERICA（汉阳大学ERICA校区）
本研究提出一个非侵入式框架，通过MCP协议将LLM推理与ROS导航连接，利用视觉地图和语义注释模块，实现超过97%地图覆盖率及基于自然语言指令的空间与语义导航目标选择。
2026-09-24 cs.RO
Toward Human-Like Social Robot Navigation: A Large-Scale, Multi-Modal, Social Human Navigation Dataset
George Mason University（乔治梅森大学）
本文提出利用人类自然公共空间导航数据训练机器人社交导航能力，设计可穿戴第一人称多模态采集套件，构建了约100公里、20小时、300次试验的大规模数据集，并分析其可用性与未来研究方向。
2023-08-09 cs.RO
Autonomous Mobile Robot Navigation: Tracking problem
本研究针对自主移动机器人导航跟踪问题，研究里程计、目标跟踪、避障三类核心行为，结合仿真与真实环境（含Pioneer、Elegoo机器人平台）完成验证，为鲁棒导航系统开发提供参考。
2024-07-08 cs.RO
Autonomous Magnetic Navigation Framework for Active Wireless Capsule Endoscopy Inspired by Conventional Colonoscopy Procedures
Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
近年来，为提高主动式无线胶囊内窥镜（WCE）检查的效率和准确性，磁同步驱动和定位（SMAL）技术得到了广泛的研究。在本文中，我们提出了一个自主的磁导航框架，主动WCE，模仿的“插入”和“撤回”的过程中执行的专家医生在传统的结肠镜检查，从而使高效和准确的导航机器人胶囊内窥镜在肠道中，以最小的用户努力。首先，胶囊自动推进通过未知的肠道环境，并生成一条可行的路径来代表环境。然后，胶囊自动导航到肠道轨迹上选择的任何点，以允许对可疑病变进行准确和重复的检查。此外，我们实现了先进的SMAL算法的机器人系统上的导航框架，并验证了它在各种管状环境中使用phantomy和离体猪结肠导航。我们的研究结果表明，所提出的自主导航框架可以有效地导航胶囊在未知的，复杂的管状环境与令人满意的精度，可重复性和效率相比，手动操作。
2021-11-03 cs.RO
Power in Numbers: Primitive Algorithm for Swarm Robot Navigation in Unknown Environments
本文提出一种简单的群体机器人导航算法，利用机器人数量进行未知环境导航，无需环境感知或复杂通信。
2024-10-17 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
SOCIALGYM: A Framework for Benchmarking Social Robot Navigation
University of Texas（德克萨斯大学）
机器人在动态的人类环境中安全地移动，并以符合社会要求的方式移动，是机器人长期自主的重要基准。然而，完全在现实世界中学习和基准测试社交导航行为是不可行的，因为学习是数据密集型的，并且在训练期间做出安全保证具有挑战性。因此，需要基于模拟的基准测试，为社会导航提供抽象。这些基准的框架需要支持各种各样的学习方法，可扩展到广泛的社交导航场景，并抽象出感知问题，以明确地关注社交导航。虽然已经提出了许多解决方案，包括高保真3D模拟器和网格世界近似，但没有现有的解决方案满足所有上述用于学习和评估社交导航行为的属性。在这项工作中，我们提出了SOCIALGYM，一个轻量级的2D仿真环境，机器人社会导航设计的可扩展性，并建立在SOCIALGYM的基准场景。此外，我们提出了基准测试结果，比较和对比人类工程和基于模型的学习方法，一套现成的示教学习（LfD）和强化学习（RL）方法应用于社会机器人导航。这些结果表明，数据效率，任务性能，社会合规性和环境转移能力的评估，为未来的社会导航研究提供了坚实的基础。
2022-08-01 cs.RO
Vine Robots: Design, Teleoperation, and Deployment for Navigation and Exploration
一类新的连续体机器人最近已被探索，其特征在于尖端延伸，显着的长度变化，和方向控制。在这里，我们称这类机器人为“藤蔓机器人”，因为它们的行为与具有拖尾生长习惯的植物相似。由于其基于生长的运动，藤蔓机器人非常适合在混乱的环境中导航和探索，但到目前为止，它们还没有被部署在实验室之外。这些机器人的便携性和导航相关的长度尺度的可操纵性是现场应用的关键。此外，直观的人在回路远程操作使运动在未知和动态的环境。我们提出了一个葡萄藤机器人系统，是远程操作使用定制设计的灵活的操纵杆和摄像头系统，足够长的时间用于导航任务，并在现场使用便携式。我们报告部署这个系统在两种情况下：一个软体机器人导航比赛和考古遗址的探索。比赛路线要求在不平坦的地形上移动，通过不稳定的障碍物，并通过一个小光圈。考古遗址需要在岩石上移动，并通过水平和垂直转弯。机器人尖端成功地越过障碍物并穿过隧道，展示了藤蔓机器人在野外完成导航和探索任务的能力。
2020-01-07 cs.RO
Viewing Robot Navigation in Human Environment as a Cooperative Activity
LAAS-CNRS, Universit de Toulouse, CNRS（法国国家科学研究中心系统分析与架构实验室，图卢兹大学，法国国家科学研究中心）
我们认为，在人类环境中的导航可以被视为合作活动，特别是在约束的情况下。人类在一个共享的空间中移动时，同时相互帮助和遵守。合作有助于行人有效地达到自己的目标，并尊重他人的个人空间等公约。为了达到与人类相当的效率，机器人需要预测人类的轨迹，并在同一共享空间中相应地规划自己的轨迹。在这项工作中，我们提出了一个导航规划，能够规划这样的合作轨迹，同时执行机器人的运动学约束，避免其他非人类的动态障碍。使用强大的社会约束的预计时间到未来可能发生的碰撞，兼容性的人-机器人运动方向，和mathemics，我们的计划是能够复制类人的导航行为，不仅在开放的空间，而且在封闭的区域。除了调整机器人轨迹，规划者还能够通过在同一优化框架内联合计算人类和机器人轨迹来主动提出协同导航解决方案。我们展示了丰富性和性能的合作规划与模拟和现实世界的实验上的多个交互式导航方案。
2017-08-16 cs.RO
A Realtime Autonomous Robot Navigation Framework for Human like High-level Interaction and Task Planning in Global Dynamic Environment
在本文中，我们提出了一个框架，实时自主机器人导航的基础上云和按需数据库，以解决两个主要问题的类人机器人交互和任务规划在全球动态环境中，这是不知道的先验。我们的框架有助于使人类的大脑GPS地图系统的机器人使用空间信息和独立的机器人导航进行三维视觉语义SLAM。我们将机器人的记忆系统分为长期记忆和短期记忆。通过将这些记忆与自主导航模块（ANM）、学习模块（LM）和行为规划模块（BPM）相连接，形成机器人的行为和知识系统。建议的框架进行评估，通过模拟使用基于ROS的Gazebo模拟移动机器人，RGB-D相机（3D传感器）和激光测距仪（2D传感器）在3D模型的现实室内环境。仿真证实了我们提出的框架的实质性的实际优点。
2019-05-30 cs.RO
Learning World Transition Model for Socially Aware Robot Navigation
Zhejiang University（浙江大学）
在动态行人环境中移动是对自主移动机器人的重要要求之一。我们提出了一个基于模型的强化学习方法，机器人导航通过拥挤的环境。导航策略的训练与真实的交互数据从多智能体仿真和虚拟数据从一个深过渡模型，预测周围的动态移动机器人的演变。该模型以激光扫描序列和机器人自身状态为输入，输出转向控制。将激光序列进一步转化为与机器人自身运动相分离的局部障碍物叠加图，将静态和动态障碍物分离，简化了模型训练。我们观察到，我们的方法可以在模拟器中使用显着较少的真实交互数据进行训练，但与其他方法相比，在社交导航任务中实现了类似的成功率水平。在仿真和真实机器人上进行了多个社会场景的实验，学习到的策略可以成功地引导机器人到达最终目标，同时以社会顺应的方式避开行人。代码可在https://github.com/YuxiangCui/model-based-social-navigation上获得
2020-11-08 cs.RO
Towards Over-Canopy Autonomous Navigation: Crop-Agnostic LiDAR-Based Crop-Row Detection in Arable Fields
Robotics Institutes, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出一种基于LiDAR的与作物类型无关的冠层上方自主导航系统，可在无GPS条件下检测作物行并导航整个田地，平均横向误差3.55厘米。
2024-09-18 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
Autonomous Navigation in Confined Waters -- A COLREGs Rule 9 Compliant Framework
Technical University of Denmark（丹麦技术大学）
许多行业参与者正在积极开发完全或部分自主的海洋船舶。在许多情况下，自动驾驶船舶将在靠近海岸的地方运行，并在远程控制中心（RCC）的范围内。近岸作业要求自主船舶能够在非常接近其他自主或有人驾驶船舶的情况下航行，并且可能在封闭水域中航行，同时与海上任何其他船舶一样平等地遵守COLREG。然而，在封闭水域，某些COLREG规则适用，这可能会改变预期的行动（让路或站立），这取决于船舶的机动性。本文提出了一个态势感知（SAS）框架，自主导航，符合COLREG规则9（窄通道）。拟议的解决办法包括一种评估船舶在封闭水域中的机动性的方法，以评估COLREG规则9的适用性。然后，将此功能集成到现有的SAS框架中，以促进在受限水域中符合COLREG的导航。所提出的方法的适用性证明在模拟使用的情况下，研究一个小型的自主客运渡轮。
2022-07-17 cs.RO
Navigation in the Presence of Obstacles for an Agile Autonomous Underwater Vehicle
Vassar College（瓦萨学院）；University of South Carolina（南卡罗来纳大学）
水下航行传统上是通过与障碍物保持安全距离来完成的，从而导致感兴趣区域的“飞越”。自主水下航行器（AUV）在复杂空间（如沉船或装饰洞穴）中的运动是一个极具挑战性的问题，过去尚未解决。本文提出了一种新的导航框架，利用增强版的Trajopt的快速三维路径优化规划的AUV。基于采样的校正程序确保规划不受局部最小值的约束，从而能够在狭窄的空间中导航。提出了两种不同的模式：规划与已知的地图的结果在有效的轨迹通过杂乱的空间;在未知的环境中操作利用点云从视觉特征检测到有效地导航，同时避免检测到的障碍物。所提出的方法进行了严格的测试，无论是在模拟和在池中的实验，证明是足够快，使安全的实时三维自主导航的AUV。
2020-05-11 cs.RO
Robot Navigation with Map-Based Deep Reinforcement Learning
University of Science and Technology of China（中国科学技术大学）
提出了一种端到端的深度强化学习方法，用于移动机器人导航和动态避障。使用在模拟环境中收集的经验，卷积神经网络（CNN）进行训练，以预测适当的转向动作的机器人从其自我中心的本地占用地图，其中容纳各种传感器和融合算法。然后将训练好的神经网络传输到一个真实的移动机器人上，指导其局部路径规划。新的方法进行了评估，定性和定量的仿真和现实世界的机器人实验。结果表明，基于地图的端到端导航模型易于部署到机器人平台上，对传感器噪声具有鲁棒性，在多项指标上优于现有的基于DRL的导航模型.
2020-02-11 cs.RO
Learning Real-world Autonomous Navigation by Self-Supervised Environment Synthesis
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；George Mason University（乔治梅森大学）；Sony AI（索尼人工智能）
机器学习方法最近已经以数据驱动的方式实现了移动机器人的自主导航。由于大多数现有的基于学习的导航系统都是使用人工创建的训练环境中生成的数据进行训练的，因此在大规模的真实世界部署过程中，机器人将不可避免地遇到不可见的场景，这些场景不在训练分布中，因此导致真实世界性能不佳。另一方面，在现实世界中直接训练通常是不安全和低效的。为了解决这个问题，我们引入了自监督环境合成（SES），其中，在具有安全性和效率要求的真实世界部署之后，自主移动机器人可以利用来自真实世界部署的经验，重建导航场景，并在仿真中合成具有代表性的训练环境。在这些合成环境中进行训练可以提高未来在现实世界中的表现。SES在合成代表性的仿真环境和提高现实世界的导航性能的有效性进行评估，通过大规模部署在一个高保真，逼真的模拟器和小规模部署的物理机器人。
2022-10-10 cs.RO
A GNC Architecture for Planetary Rovers with Autonomous Navigation Capabilities
HE Space for ESA – European Space Agency（HE Space 公司（为欧洲空间局））；European Space Agency（欧洲空间局）；University of Malaga（马拉加大学）
本文提出了一种针对即将到来的火星探测任务（如火星2020和样品提取漫游车（SFR））的行星漫游车的制导，导航和控制（GNC）架构。这些任务的导航要求需要具有自主能力的控制架构，以实现快速和长距离的遍历。所提出的解决方案提出了一个两级架构，其中有效的导航（低）级始终处于活动状态，并且根据地形的难度启用完整的导航（上）级。第一级是基于危险检测、局部路径重新规划和具有视觉里程计的轨迹控制的自主导航的基本功能的有效实现。第二个层次实现了一个自适应SLAM算法，提高了相对定位，评估了更优的路径规划前方地形的可通行性，并执行全局（绝对）定位，纠正在较长的遍历姿态漂移。该架构为远程、低监控和快速行星探索提供了解决方案。这两种导航水平都已在行星模拟实地测试活动中得到验证。
2019-11-22 cs.RO
Kilometer-scale autonomous navigation in subarctic forests: challenges and lessons learned
Université Laval（拉瓦尔大学）
森林中冬季自主导航所固有的挑战包括缺乏可靠的全球导航卫星系统（GNSS）信号、地物对比度低、光照变化大和环境不断变化。这种越野环境是自动驾驶汽车在北方地区可能遇到的极端情况。因此，了解这种恶劣环境对自主导航系统的影响非常重要。为此，我们提出了一个实地报告，分析教和重复导航在亚北极森林，而受波动的天气，包括轻，大雪，雨和毛毛雨。首先，我们描述的系统，它依赖于点云注册本地化的移动机器人通过北方森林，同时建立一个地图。我们实验评估该系统在超过18.8公里的自主导航的教学和重复模式。在14次重复运行中，仅需要4次手动干预，其中3次是由于定位失败，另1次是由于电池断电。我们发现，茂密的植被干扰GNSS信号，使其不适合在森林小径导航。此外，我们强调了在森林小径中使用点云注册与本地化相关的不确定性增加。我们证明，这不是雪降水，但雪积累，影响我们的系统的本地化能力的环境。最后，我们揭示了一些挑战和经验教训，从我们的现场活动，以支持更好的实验工作在冬季条件下。我们的数据集可在线获取。
2022-07-26 cs.RO
MOSU: Autonomous Long-range Robot Navigation with Multi-modal Scene Understanding
University of Maryland, College Park MD, 20740, USA（马里兰大学）；Goerge Mason University, Fairfax, VA, 22030, USA（乔治·马歇尔大学）
MOSU系统通过融合LiDAR几何、图像语义和视觉语言模型实现多模态场景理解，结合GPS与QGIS全局规划，在GND基准上提升10%可通行性并保持相当导航距离。
2025-07-07 cs.RO
Feedback Motion Prediction for Safe Unicycle Robot Navigation
Eindhoven University of Technology（埃因霍温理工大学）；Eindhoven AI Systems Institute（埃因霍温人工智能系统研究院）
本文提出一种新颖的锥形反馈运动预测方法，用于界定运动学独轮车机器人在标准控制下的闭环轨迹，结合 reference governors 实现安全绕障，数值仿真表明快速准确的反馈运动预测是快速反应式安全导航的关键。
2023-07-31 cs.RO
A Map-Free LiDAR-Based System for Autonomous Navigation in Vineyards
Politecnico di Milano（米兰理工大学）
本文提出一种基于LiDAR和轮式编码器的无地图导航系统，利用葡萄园平行行结构实现行内、转弯和行端自主导航，并通过行端点检测弥补了现有研究对行端导航的忽视。
2023-07-06 cs.RO
An implementation of ROS Autonomous Navigation on Parallax Eddie platform
Universiti Brunei Darussalam（文莱达鲁萨兰大学）
提出了一种基于机器人操作系统（ROS）的自主导航功能在轮式差动驱动移动平台Eddie机器人上的实现方法。ROS是一个框架，包含许多可重用的软件栈以及可视化和调试工具，为任何机器人项目开发提供了理想的环境。本文的主要贡献是描述了Eddie机器人的定制硬件和软件系统设置，以与ROS中的自主导航系统（称为Navigation Stack）一起工作，并实现一个自主导航的应用用例。在本文中，选择拍照来演示移动机器人的一个用例。
2021-08-28 cs.CV cs.RO
