Verti-Bench: A General and Scalable Off-Road Mobility Benchmark for Vertically Challenging Terrain
George Mason University(乔治·马歇尔大学)
本文提出 Verti-Bench,一个专注于垂直挑战越野环境的通用可扩展机动性基准,包含100个环境和1000个任务,支持多平台、强化学习接口及失败案例数据集,并对十种机动性系统进行了评估。
2025-04-27 cs.RO
Contrastive Label Disambiguation for Self-Supervised Terrain Traversability Learning in Off-Road Environments
针对越野地形可通过性判别中标签模糊和依赖平台的问题,本文提出一种基于对比标签消歧的自监督学习框架,通过驾驶经验投影生成伪标签,并利用原型对比表示学习迭代更新伪标签,在无需人工标注的情况下实现平台和任务特定的可通过性学习,并在RELLIS-3D和戈壁沙漠数据集上验证了有效性。
2023-07-06 cs.RO
Predictive Mapping of Spectral Signatures from RGB Imagery for Off-Road Terrain Analysis
Institute for Experiential Robotics, Northeastern University(东北大学体验式机器人研究所);Khoury College of Computer Sciences, Northeastern University(东北大学科里计算机科学学院)
针对越野机器人光谱传感器成本高、部署复杂的问题,提出RS-Net将RGB图像映射为光谱特征,并结合Co-Learning估计地形属性,验证了仅用RGB相机的可行性。
2024-05-08 cs.RO
UAV-Assisted Self-Supervised Terrain Awareness for Off-Road Navigation
Université Laval(拉瓦尔大学);Northern Robotics Laboratory(北方机器人学实验室)
本文提出利用悬停无人机的空中视角,以自监督方式预测越野地形属性(振动、颠簸和能耗),实验表明相比地面图像,预测性能提升21.37%,并在高植被区域提升37.35%。
2025-03-26 cs.RO
YOPO-Rally: A Sim-to-Real Single-Stage Planner for Off-Road Terrain
Tianjin University(天津大学)
本文提出YOPO-Rally,一个面向越野地形的仿真到现实单阶段规划器,通过整合地形可通过性分析与路径查找的单一神经网络,在仿真中训练后零样本迁移至真实世界,有效应对森林等复杂地形导航挑战。
2025-05-24 cs.RO
Path Optimization for Ground Vehicles in Off-Road Terrain
Texas A&M University(德克萨斯农工大学)
我们提出了一种方法,在越野环境中,在高速的地面车辆的路径优化。该路径优化考虑了车辆的运动学约束。通过在致动器空间中的思考,我们可以将这些约束表示为空间中的限制,而不是路径的派生属性。在本文中,我们提出了一种用于越野地面车辆路径优化的致动器空间方法。这是通过将路径上的操作表示为路径长度上的转向角列表来完成的。这将运动学约束的集合转换为对转向角的约束。然后,我们将此路径放入梯度下降求解器。这产生了运动学上可行的路径,并根据我们的成本函数进行了优化。最后,我们在仿真和越野车上以5 m/s的速度测试了该系统。
2021-01-04 cs.RO
B-TMS: Bayesian Traversable Terrain Modeling and Segmentation Across 3D LiDAR Scans and Maps for Enhanced Off-Road Navigation
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST));Hanwha Aerospace(韩华航空航天)
针对越野导航中三维点云地形分割对数据分布变化和凹陷区域鲁棒性不足的问题,提出基于贝叶斯广义核与三网格场图结构的B-TMS方法,实现地图级建模与分割,实验验证了其鲁棒性和适应性。
2024-06-26 cs.RO
Verti-Arena: A Controllable and Standardized Indoor Testbed for Multi-Terrain Off-Road Autonomy
University of Pennsylvania(宾夕法尼亚大学);George Mason University(乔治·梅森大学);University of Catania(卡塔尼亚大学)
本文提出可重构室内测试平台 Verti-Arena,通过标准化多地形环境、精确真值测量和远程网页接口,解决越野自主系统缺乏可控真实测试条件的问题,支持可复现实验与算法比较评估。
2025-11-08 cs.RO
Self-Reflective Terrain-Aware Robot Adaptation for Consistent Off-Road Ground Navigation
Colorado School of Mines(科罗拉多矿业学院);Army Research Laboratory (ARL)(美国陆军研究实验室(ARL))
地面机器人需要具备穿越非结构化和无准备地形并避开障碍物的关键能力,以完成现实世界机器人应用中的任务,如灾难响应。当机器人在森林等野外环境中工作时,由于地形和机器人自身特性的变化,机器人的实际行为往往与其预期或计划的行为不匹配。因此,机器人适应一致的行为生成的能力是必不可少的非结构化越野地形上的机动性。为了应对这一挑战,我们提出了一种新的自反射地形感知适应方法,用于地面机器人生成一致的控制来在非结构化越野地形上导航,这使得机器人能够通过机器人自反射更准确地执行预期的行为,同时适应不同的非结构化地形。为了评估我们的方法的性能,我们进行了广泛的实验,使用真实的地面机器人在不同的非结构化越野地形的各种功能的变化。综合实验结果表明,我们的自反射地形感知自适应方法,使地面机器人产生一致的导航行为,并优于以前的比较和基线技术。
2021-11-12 cs.LG cs.RO
Real-time Terrain Analysis for Off-road Autonomous Vehicles
针对道路粗糙度引发的自动驾驶控制风险,提出基于贝叶斯校准的实时粗糙度估计系统,结合高斯过程与半车辆模型逆向预测地形,并联动Simplex控制器动态调整限速,有效提升了车辆的运行安全与效率。
2025-06-26 cs.RO
UFO: Uncertainty-aware LiDAR-image Fusion for Off-road Semantic Terrain Map Estimation
Agency for Defense Development(国防发展局)
针对越野环境下语义地形图生成受不确定地形特征限制的问题,提出多尺度LiDAR-图像融合的UFO方法,结合不确定性感知伪标签无需3D标注即可提升BEV地形分类准确率,助力越野自主导航。
2024-03-05 cs.CV cs.RO
Learning When to Jump for Off-road Navigation
University at Buffalo(布法罗大学)
本文提出Motion-aware Traversability方法,通过建模实际机器人运动动态,提升越野导航的实时性和安全性,减少75%的路径绕行。
2026-05-10 cs.RO
A Probabilistic Motion Model for Skid-Steer Wheeled Mobile Robot Navigation on Off-Road Terrains
Institute for Experiential Robotics, Northeastern University(东北大学体验式机器人研究所)
针对滑移转向轮式机器人越野高速转弯时的滑移问题,提出融合 GPR 与 Sigma-Point 变换的概率动态运动模型,并通过凸优化实现未见地形泛化,显著提升位姿预测精度。
2024-02-29 cs.RO
Learning-based Uncertainty-aware Navigation in 3D Off-Road Terrains
Ulsan National Institute of Science and Technology(蔚山国立科学技术院)
提出了一种安全、高效、灵活的三维越野地形环境下地面车辆导航算法。越野导航受制于由3D地形拓扑之上的不同地形条件引起的不确定的车辆-地形交互。现有的工作局限于采用过于简化的车辆-地形模型。该算法从驾驶数据中学习地形引起的不确定性,并将学习到的不确定性分布编码到路径评估的可通行性成本中。然后,导航路径的设计,以优化不确定性感知的可通行性成本,从而在一个安全和敏捷的车辆机动。在保证实时性的前提下,该算法在图形处理器(GPU)上运行的并行计算架构中进一步实现。
2022-09-19 cs.RO cs.SY eess.SY
NAUTS: Negotiation for Adaptation to Unstructured Terrain Surfaces
Colorado School of Mines(科罗拉多矿业学院);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
当机器人在具有非结构化地形的真实越野环境中运行时,调整其导航策略的能力对于有效和安全的导航至关重要。然而,越野地形给机器人导航带来了一些挑战,包括动态障碍物和地形不确定性,导致低效的穿越或导航失败。为了解决这些挑战,我们引入了一种新的方法,通过协商,使地面机器人调整其导航行为,通过协商过程的适应。我们的方法首先学习各种导航策略的预测模型,以作为地形感知的联合本地控制器和规划器。然后,通过一个新的协商过程,我们的方法从各种政策与环境的相互作用中学习,以在线方式商定最佳的政策组合,使机器人导航适应非结构化的越野地形。此外,我们实现了一个新的优化算法,提供了最佳的解决方案,在执行过程中的实时机器人谈判。实验结果验证了我们的方法适应协商优于以前的方法,机器人导航,特别是在看不见的和不确定的动态地形。
2022-07-28 cs.RO
Dynamics Modeling using Visual Terrain Features for High-Speed Autonomous Off-Road Driving
Georgia Institute of Technology(佐治亚理工学院);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室);California Institute of Technology(加州理工学院)
针对高速越野地形导致车辆动力学突变的问题,提出基于DINOv2视觉特征的混合动力学模型及端到端距离无关特征编码器,并在RACER数百公里数据集上验证。
2024-11-30 cs.RO
Performance Characterization of a Point-Cloud-Based Path Planner in Off-Road Terrain
Robust Autonomous Systems Laboratory(鲁棒自主系统实验室);Department of Electrical and Computer Engineering(电气与计算机工程系);Michigan Technological University(密歇根技术大学)
本文评估了基于点云的越野导航栈MUONS,通过3万次模拟试验和现场测试,发现Bi-RRT扩展半径对性能影响最大,验证了蒙特卡洛模拟用于参数调优的有效性。
2025-09-09 cs.RO
Fast Local Planning and Mapping in Unknown Off-Road Terrain
Texas A&M University(德州农工大学)
在本文中,我们提出了一个快速,在线地图和规划解决方案,在未知的,越野,环境中的操作。我们将障碍物检测与地形梯度图相结合,以制作简单且适应性强的成本图。该图可以在10 Hz下创建和更新。A* 规划器在地图上找到最优路径。最后,我们在控制输入空间上取多个样本,并进行运动学正向仿真,以生成可行的轨迹。然后,由成本图和与A* 路径的接近度确定的最优轨迹被选择并发送到控制器。我们的方法允许在30 Hz的速率下实时的操作。我们证明了我们的方法在各种越野地形在高速的效率。
2019-10-18 cs.CV cs.RO
CAHSOR: Competence-Aware High-Speed Off-Road Ground Navigation in SE(3)
George Mason University(乔治梅森大学)
针对高速越野车辆在SE(3)中的稳定性问题,提出CAHSOR方法,利用6自由度运动模型和TRON地形表示,实现能力感知导航,减少62%不稳定性,仅牺牲8.6%速度。
2025-03-24 cs.RO
Verti-WM: A Physics-Aided Exteroceptive World Model for Off-Road Reinforcement Learning
George Mason University(乔治梅森大学)
针对越野强化学习数据采集昂贵的问题,提出物理辅助外部感知世界模型Verti-WM,融合Transformer与地面力学模型,实现高效策略优化,预测误差降低34.6%,计算时间减少23.6倍,真实世界成功率80%。
2026-09-22 cs.RO
HOPHY: A Hierarchical Hypergraph Representation for Off-Road Path and Mission Planning
University at Buffalo(布法罗大学)
HOPHY提出一种层次超图地形表示,实现高效越野路径与任务规划,在公里级地图上达到100%规划成功率且代价偏差极小,计算量较像素A*降低79倍。
2026-09-18 cs.RO
How Does It Feel? Self-Supervised Costmap Learning for Off-Road Vehicle Traversability
Carnegie Mellon University(卡内基梅隆大学);DEVCOM Army Research Laboratory(美国陆军作战能力发展司令部陆军研究实验室);Booz Allen Hamilton(博思艾伦汉密尔顿)
估计越野环境中的地形可通行性需要推理机器人和这些地形之间的复杂的交互动力学。然而,创建信息标签来以监督的方式学习这些交互的模型是具有挑战性的。我们提出了一种方法,学习预测通过性costmaps相结合的外感受环境信息与本体感受地形交互反馈的自我监督的方式。此外,我们提出了一种新的方式,将机器人速度的costmap预测管道。我们使用两个不同的大型全地形机器人在具有挑战性的越野地形上进行多个短期和大型导航任务,验证了我们的方法。我们的短尺度导航结果表明,使用我们学习的costmaps导致整体更平滑的导航,并为机器人提供了更细粒度的机器人-地形交互的理解。我们的大规模导航试验表明,在400米至3150米的具有挑战性的越野路线中,与基于占用率的导航基线相比,我们可以减少多达57%的干预次数。附录和完整的实验视频可以在我们的网站上找到:https://mateoguaman.github.io/hdif。
2023-02-15 cs.LG cs.RO
VCTP: Vehicle-Conditioned Terrain Planning for Off-Road Navigation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);U.S. Army Engineer Research and Development Center(美国陆军工程兵研究与发展中心)
VCTP通过评估八个航向和车轮接触点来规划越野路线,相比中心采样降低地表成本39.3%,并在474次比较中实现选择性更新与全量重算一致。
2026-09-17 cs.RO
Learning to Drive Off Road on Smooth Terrain in Unstructured Environments Using an On-Board Camera and Sparse Aerial Images
McGill University(麦吉尔大学)
我们提出了一种方法,学习驾驶在光滑的地形,同时避免碰撞,在具有挑战性的越野和非结构化的户外环境中,只使用视觉输入。我们的方法应用了一种混合的基于模型和无模型强化学习方法,该方法在使用车载传感器标记地形粗糙度和碰撞时完全是自我监督的。值得注意的是,我们为我们的模型提供了第一人称和头顶航拍图像输入。我们发现,这些互补输入的融合提高了规划的远见,使模型鲁棒的视觉障碍。我们的研究结果表明,具有丰富的植被,各种类型的岩石和沙质小径的环境推广的能力。在评估过程中,我们的政策实现了90%的平滑地形遍历,并减少了6.1倍的粗糙地形驱动相比,仅使用第一人称图像的模型的比例。
2020-04-09 cs.CV cs.LG cs.RO
TartanDrive: A Large-Scale Dataset for Learning Off-Road Dynamics Models
Carnegie Mellon University(卡内基梅隆大学);University of Pittsburgh(匹兹堡大学)
我们介绍了TartanDrive,这是一个用于学习越野驾驶动力学模型的大规模数据集。我们收集了大约20万个越野驾驶交互的数据集,这些数据集是在一辆改装的雅马哈Viking ATV上进行的,该ATV在不同的地形中具有七种独特的传感模式。据作者所知,这是最大的真实世界多模式越野驾驶数据集,无论是在交互数量还是传感模式方面。我们还基准测试了几种最先进的方法,用于从该数据集的高维观察中进行基于基于模型的强化学习。我们发现,将这些模型扩展到多模态会导致越野动力学预测的显着性能,特别是在更具挑战性的地形。我们还确定了目前的神经网络架构的越野驾驶任务的一些缺点。我们的数据集可以在https://github.com/castacks/tartan_drive上找到。
2022-05-03 cs.RO
Reasoning About Traversability: Language-Guided Off-Road 3D Trajectory Planning
Department of Automotive Engineering, Hanyang University, Seoul, Republic of Korea(韩雅大学汽车工程系,首尔,大韩民国)
本文提出语言精修框架与偏好优化策略,通过动作对齐监督和地形感知优化,提升越野3D轨迹规划的合规性与地形一致性。
2026-04-23 cs.RO
PIVOT: Physically Informed Vision-Language Off-Road Traversability for Field Robot Navigation
PIVOT系统融合几何规划与视觉-语言模型语义推理,通过物理相关性加权评分,在越野导航中将自主性从59.6%提升至97.0%,减少人工干预,显著增强自主导航能力。
2026-09-21 cs.RO
NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility
George Mason University(乔治梅森大学);University of Catania(卡塔尼亚大学)
NeSAM是结合Bekker-Wong地面力学与Transformer残差模型的神经符号框架,可在线估计土壤参数,在模拟与真实越野场景中提升运动预测准确率及轨迹跟踪精度。
2026-08-24 cs.RO
Demonstrating HOUND: A Low-cost Research Platform for High-speed Off-road Underactuated Nonholonomic Driving
本文提出低成本1/10比例越野自主驾驶平台HOUND,结合BeamNG模拟器与防翻滚安全系统,并通过50公里实车试验验证其在复杂地形高速行驶的耐久性与有效性。
2024-07-06 cs.RO
VertiAdaptor: Online Kinodynamics Adaptation for Vertically Challenging Terrain
George Mason University(乔治梅森大学)
提出VertiAdaptor在线自适应框架,通过函数编码器融合高程与语义嵌入,实现地形感知的运动学动力学建模与规划,在仿真和实物平台上预测精度提升23.9%,自适应速度提高5倍。
2026-07-01 cs.RO
Model Predictive Control for Aggressive Driving Over Uneven Terrain
University of Washington(华盛顿大学)
本文提出基于物理的MPC框架,通过并行化侧翻与沟渠穿越约束,在不平坦地形上实现安全且更快的激进自主驾驶,实验表明可比几何方法快22%。
2024-06-07 cs.RO
Feeling Terrain Before Crossing: World Models for Off-Road Navigation
Seoul National University(首尔大学)
提出Feel-WM,首个以本体感觉为条件并预测机器人物理未来与视觉场景的越野导航世界模型,在真实与仿真中优于仅视觉模型,并成功部署于山间小径。
2026-09-18 cs.CV cs.RO
3DTTNet: Multimodal Fusion-Based 3D Traversable Terrain Modeling for Off-Road Environments
Shenzhen Automotive Research Institute, Beijing Institute of Technology, Shenzhen(深圳汽车研究院,北京理工大学,深圳);School of Mechanical Engineering, Beijing Institute of Technology, Beijing(机械工程学院,北京理工大学,北京);Research Center for Intelligent Computing Systems, Institute of Computing Technology, Chinese Academy of Sciences, Beijing(智能计算系统研究中心,计算技术研究所,中国科学院,北京)
针对越野环境感知难题,提出多模态融合的3DTTNet模型,结合LiDAR与单目图像实现稠密三维可通行地形建模,并引入RELLIS-OCC数据集,实验显示场景补全IoU提升42%。
2025-08-06 cs.AI cs.CV cs.RO
Reinforcement Learning Compensated Model Predictive Control for Off-road Driving on Unknown Deformable Terrain
Department of Automotive Engineering, Clemson University(汽车工程系,克莱姆森大学);Ground Vehicle Systems Center, U.S. Army Combat Capabilities Development Command(地面车辆系统中心,美国陆军作战能力发展指挥部)
本文提出了一种结合深度强化学习和模型预测控制的AC2MPC控制器,用于未知变形地形的高速越野驾驶,通过减少训练数据和提高泛化能力,实现了更高效和安全的控制性能。
2026-01-22 cs.RO cs.SY eess.SY
Uncertainty-aware Accurate Elevation Modeling for Off-road Navigation via Neural Processes
University of Washington(华盛顿大学);KAIST(韩国科学技术院);Georgia Institute of Technology(佐治亚理工学院)
提出基于神经过程的越野地形高程建模方法,利用语义特征和局部球查询注意力,在保持精度的同时降低计算复杂度,实现精确估计与不确定性量化。
2025-08-07 cs.RO
Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control
Agency for Defense Development(韩国国防发展局);University of Michigan(密歇根大学)
本文提出一种融合本体与外感知信息的地形感知运动动力学模型,结合模型预测路径积分控制,实现越野环境下的高速鲁棒自主驾驶。
2023-09-22 cs.AI cs.RO cs.SY
SALON: Self-supervised Adaptive Learning for Off-road Navigation
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);National University of Singapore(新加坡国立大学);Pennsylvania State University(宾夕法尼亚州立大学)
针对越野导航现有方法数据需求大、域偏移脆弱的问题,提出SALON感知-行动框架,以最少人工输入在线快速学习可通行性,规避分布外地形,生成风险感知代价与速度图,仅需秒级经验即可媲美百倍千倍数据训练的方法,且跨机器人环境有效。
2024-12-10 cs.RO
Stabilization of vertical motion of a vehicle on bumpy terrain using deep reinforcement learning
Clemson University(克莱姆森大学)
本研究通过训练深度强化学习智能体控制车辆速度,以最小化颠簸地形上行驶车辆的垂直加速度,从而解决越野车辆垂直振荡稳定化问题。
2024-09-21 cs.RO
AnyNav: Visual Neuro-Symbolic Friction Learning for Off-road Navigation
Spatial AI & Robotics (SAIR) Lab, Department of Computer Science and Engineering, University at Buffalo(空间人工智能与机器人实验室,计算机科学与工程系,布法罗大学)
AnyNav通过结合神经网络和符号物理模型,实现基于视觉的摩擦学习,提升越野导航在不同地形和车辆中的泛化能力与鲁棒性。
2026-10-20 cs.RO
VI-IKD: High-Speed Accurate Off-Road Navigation using Learned Visual-Inertial Inverse Kinodynamics
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Army Research Laboratory(陆军研究实验室)
在地面车辆上的高速越野导航的关键挑战之一是,车辆地形相互作用的Kinodynamics可以根据地形而显著不同。以前的方法来解决这一挑战已经考虑学习逆kinodynamics(IKD)模型,条件是惯性信息的车辆感测的kinodynamics的相互作用。在本文中,我们假设,使准确的高速越野导航使用一个学习的IKD模型,除了惯性信息从过去的,还必须预测的kinodynamic相互作用的车辆与地形在未来。为此,我们引入视觉惯性逆Kinodynamics(VI-IKD),一种新的基于学习的IKD模型,除了过去的惯性信息之外,它还基于机器人前方地形的视觉信息,使其能够预测未来的Kinodynamic交互。我们验证了VI-IKD在室内和室外环境中的1/5 UT-AlphaTruck越野自动驾驶汽车上进行精确高速越野导航的有效性,并表明与其他最先进的方法相比,VI-IKD能够在各种不同地形上以高达3.5 m/s的速度进行更准确和更强大的越野导航。
2022-08-01 cs.AI cs.CV cs.LG
Pose Estimation of Vehicles Over Uneven Terrain
Ariel University(阿里尔大学)
提出了一种非公路车辆在不平坦地形上运动时的位姿估计方法。它确定了车轮和地面之间的接触点,假设任意数量的车轮和地面之间存在刚性接触。地形由3D点云表示,由B补丁插值以提供连续的地形表示。对于给定的车辆质心位置和给定的偏航角,将姿态估计问题表示为刚体接触问题。通过从地面上方的给定点释放车辆,直到车轮与地面之间的接触力和重力达到平衡,来确定车轮与地面之间的接触点。接触力的计算采用奇异值分解(SVD)推导的接触矩阵。所提出的方法是计算效率,允许实时的计算在运动过程中,在几个例子中证明。精确的位姿估计可用于运动规划、稳定性分析和不平坦地形上的可通过性分析。
2019-03-05 cs.RO
Learning to Predict Mobile Robot Stability in Off-Road Environments
Department of Computer Science and Engineering University of Nevada Reno(计算机科学与工程系内华达大学里诺分校)
本文提出利用轻量级神经网络 IMUnet 从本体感觉数据直接估计越野移动机器人稳定性,并开发基于 ArUco 跟踪的 C3 分数作为训练信号,验证了该方法在多种地形和速度下的泛化能力。
2025-07-17 cs.RO
Koopman Operator Framework for Modeling and Control of Off-Road Vehicle on Deformable Terrain
Clemson University(克莱姆森大学)
本文提出一种混合物理信息与数据驱动的建模框架,用于自主非公路车辆在变形地形上的预测控制。通过Koopman算子方法将复杂地形力学和车辆动力学线性化,并利用递归子空间识别方法从模拟数据中识别Koopman算子,实现与物理系统数据的无缝更新。
2026-04-09 cs.RO cs.SY eess.SY
A Self-Supervised Terrain Roughness Estimator for Off-Road Autonomous Driving
Stanford Artificial Intelligence Laboratory(斯坦福人工智能实验室);Computer Science Department(计算机科学系)
我们提出了一个机器学习方法来估计二阶导数的可驾驶表面,其粗糙度。机器人感知一般集中在一阶导数,障碍物检测。然而,二阶导数也很重要,因为它与车辆经历的冲击有直接关系(与速度有关)。知道二阶导数允许车辆在崎岖地形之前减速。由于不确定性,估计二阶导数具有挑战性。例如,在距离上,激光读数可能非常稀疏,以至于丢失了关于表面的重要信息。此外,在投射激光读数时需要高精度。由于姿态估计中的延迟或误差,该精度可能不可用。我们将这些误差源建模为多元多项式。它的系数是通过使用冲击数据作为基础事实来学习的--加速度计被用来训练激光器。由此产生的分类器操作的3D点云所描述的道路表面上的各个激光读数。分类器识别二阶导数可能较大的路段。因此,车辆可以提前减速,减少它所经历的冲击。该算法是我们在2005年DARPA Grand Challenge中使用的算法的演变。我们用那条路线的数据分析它。
2012-06-27 cs.CV cs.LG cs.RO
Motion planning for off-road autonomous driving based on human-like cognition and weight adaptation
School of Mechanical Engineering, Beijing Institute of Technology(北京理工大学机械工程学院)
针对越野自动驾驶中固定代价函数难以适应复杂地形的问题,提出基于类人认知与权重自适应的运动规划器,通过构建多层地图并利用CNN-LSTM学习人类驾驶轨迹,生成高适应性、稳定且高效的轨迹。
2024-04-27 cs.AI cs.LG cs.RO
Deep Reinforcement Learning-based Multi-objective Path Planning on the Off-road Terrain Environment for Ground Vehicles
Guilin University of Electronic Technology(桂林电子科技大学)
针对2.5D越野环境中路径长度与能耗难以兼顾的问题,提出DMOP方法,通过地图降维、DQN规划和路径增强实现高效多目标路径规划,速度显著优于A*与H3DM。
2023-07-12 cs.AI cs.RO
METAVerse: Meta-Learning Traversability Cost Map for Off-Road Navigation
Agency for Defense Development(国防发展局);University of Michigan(密歇根大学)
针对越野环境可通行性估计不确定性高、模型泛化难的问题,提出元学习框架METAVerse,通过多环境数据训练全局模型并支持在线自适应,降低估计不确定性,实现非结构化未知地形的安全稳定导航。
2024-03-05 cs.CV cs.LG cs.RO
Spatiotemporal Contrastive Learning for Cross-View Video Localization in Unstructured Off-road Terrains
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出自监督跨视角视频定位框架MoViX,通过位姿依赖正采样、时间对齐难负样本挖掘和运动感知帧采样学习视角与季节不变表征,在TartanDrive 2.0上以不到30分钟训练数据实现93%时间内25米以内的定位精度,超越现有基线。
2025-06-05 cs.CV cs.RO
Learning Off-Road Terrain Traversability with Self-Supervisions Only
Agency for Defense Development(国防发展局);Inha University(仁荷大学)
本文提出仅利用自监督从图像学习越野地形可通行性的方法,通过历史轨迹生成标签并用一类分类算法训练神经网络,实验证明其优于其他自监督方法且媲美监督学习方法。
2023-05-30 cs.AI cs.CV cs.RO
Which Terrain Is Better? Preference Learning with VLM Prototypes for Off-Road Traversability Ranking
针对越野导航中地形偏好缺乏通用真值的问题,提出TravPro方法,利用VLM原型将稀疏比较转化为密集偏好伪标签,在五个未见领域达到0.915平均成对准确率,优于基线。
2026-09-22 cs.CV cs.RO
Terrain Costmap Generation via Scaled Preference Conditioning
The University of Texas at Austin(德克萨斯大学奥斯汀分校);DEVCOM Army Research Laboratory(陆军研究实验室);Sony AI(索尼人工智能);NVIDIA(英伟达)
SPACER通过缩放偏好条件生成地形成本图,结合合成数据训练和用户指定的偏好上下文,实现地形泛化和快速成本适应,提升非结构化环境中的导航性能。
2026-02-02 cs.RO
VertiFormer: A Data-Efficient Multi-Task Transformer for Off-Road Robot Mobility
George Mason University(乔治梅森大学);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出数据高效多任务Transformer模型VertiFormer,仅用一小时越野数据,通过可学习掩码建模与下一token预测同时完成位姿、动作和地形预测,支持正逆向运动动力学等多种越野移动任务,并在物理机器人上验证了其有效性。
2025-02-01 cs.CV cs.LG cs.RO
An Adaptive Coverage Control Approach for Multiple Autonomous Off-road Vehicles in Dynamic Agricultural Fields
Dept. of Electrical and Computer Engineering, The University of Memphis, Memphis, TN 38152 USA(电气与计算机工程系,密苏里州孟菲斯大学)
本文提出一种自适应覆盖控制方法,利用无人机检测障碍物和地形,动态调整越野无人地面车辆的覆盖路径,以应对动态农业环境,仿真验证了其提高效率并保持稳健覆盖。
2025-09-08 cs.RO cs.SY eess.SY
Learning Traversability for Long Horizon Off-Road Navigation
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University(德克萨斯农工大学J. Mike Walker '66机械工程系);DEVCOM Army Research laboratory(陆军研究实验室)
针对大型越野环境自主导航难题,提出从高空数据学习连续可通行性地图的方法,由人类驾驶轨迹监督、激光雷达先验塑造,发布相关数据集,实地试验显示该方法能减少操作员干预,轨迹接近人类路径长度。
2026-10-16 cs.RO