eNavi: Event-based Imitation Policies for Low-Light Indoor Mobile Robot Navigation
本文提出eNavi，通过结合RGB和事件数据的多模态策略提升低光环境下机器人导航的鲁棒性，实验显示融合模型在未见低光条件下表现更优。
2026-03-15 cs.RO
HALO: Human Preference Aligned Offline Reward Learning for Robot Navigation
University of Maryland, College Park（马里兰大学 College Park分校）
HALO是一种离线奖励学习算法，将人类导航直觉量化为视觉奖励函数，通过偏好排序训练奖励模型，并在真实机器人上显著提升导航成功率与轨迹质量。
2025-08-03 cs.RO
Map-Based Temporally Consistent Geolocalization through Learning Motion Trajectories
The Ohio State University（俄亥俄州立大学）
在本文中，我们提出了一种新的轨迹学习方法，利用运动轨迹的拓扑地图使用递归神经网络的时间一致的地理定位对象。受到人类在导航中同时意识到自我运动的距离和方向的能力的启发，我们的轨迹学习方法学习编码为距离和转向角度序列的轨迹模式表示，以帮助自我定位。我们提出的学习过程作为一个有条件的序列预测问题，其中每个输出定位在地图中的可遍历路径上的对象。考虑到预测序列在图结构映射中应该是拓扑连通的，我们采用两种不同的假设生成和消除策略来消除不连通的预测序列。我们证明了我们的方法上的KITTI立体视觉里程计数据集，这是一个城市规模的环境，可以生成轨迹与度量信息。我们的地理定位方法的主要优点是：1）我们利用了递归神经网络强大的序列建模能力及其对噪声输入的鲁棒性，2）只需要图形形式的地图，并简单地使用一个负担得起的传感器来生成运动轨迹，3）不需要初始位置。实验表明，运动轨迹可以通过训练一个递归神经网络学习，时间一致的地理位置可以预测与所提出的策略。
2020-10-13 cs.CV cs.RO
Evaluation of Sampling-Based Optimizing Planners for Outdoor Robot Navigation
Norwegian University of Life Sciences（挪威生命科学大学）；University of Lincoln（林肯大学）
基于采样的最优路径规划（SBO）主要用于机器人手臂操作任务。已经进行了一些研究工作，以评估各种SBO规划师的手臂操作的性能。然而，没有太多的工作是突出性能的SBO规划者在移动机器人导航的背景下，在室外3D环境。为此，本文对开放式运动规划库（OMPL）中主要SBO规划器的性能进行了评估。由于大量现有的SBO规划器，实验和选择一个合适的规划器的规划问题可能是繁重和模糊的。SBO计划者的概率性质也会给这个过程增加偏差。为了解决这一问题，我们评估所有可用的SBO规划者在OMPL的随机规划问题生成方法迭代的性能。评估是在各种状态空间适合不同的微分约束的移动机器人。规划设置的重点是在户外环境中的移动机器人的导航。室外环境的表示是用预建的三维地图完成的，在表示机器人身体的3D框和三维地图之间执行碰撞检查，以验证采样状态。选择了路径长度、平滑度和最终解状态等评价指标。根据选定的指标，从不同的SBO规划者的绩效进行了比较。实验结果表明，并行计算对加快最优解的收敛速度具有重要意义。几个SBO方法，利用并行计算产生更好的结果一致的所有状态空间不同的规划查询。
2021-03-25 cs.RO
LTLDoG: Satisfying Temporally-Extended Symbolic Constraints for Safe Diffusion-based Planning
National University of Singapore（新加坡国立大学）；School of Computing（计算机学院）；Smart Systems Institute（智能系统研究院）
本文提出扩散规划框架 LTLDoG，利用有限线性时序逻辑满足值函数的梯度引导逆向采样，使机器人在测试时生成满足避障和访问序列等时序扩展约束的长时域轨迹。
2024-09-30 cs.LG cs.RO
Self-Imitated Diffusion Policy for Efficient and Robust Visual Navigation
Uni-Ubi Technology Co., Ltd.（Uni-Ubi技术有限公司）；College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
提出自模仿扩散策略（SIDP），通过奖励引导的自模仿机制和课程学习范式，减少对大量采样和后过滤的依赖，实现高效鲁棒的视觉导航。
2026-06-01 cs.RO
PRIEST: Projection Guided Sampling-Based Optimization For Autonomous Navigation
Institute of Technology, University of Tartu（塔尔图大学技术学院）
针对未知动态环境中局部规划器易陷入局部极小值的问题，提出基于投影优化引导采样的无梯度轨迹优化器PRIEST，探索多同伦类规划长视野轨迹，在ROS导航堆栈上成功率提升7-13%，显著优于MPPI等基线方法。
2023-09-15 cs.RO
GroundingVLN: Reasoning and Acting with Grounding for Vision-Language Navigation
East China Normal University（华东师范大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；NeoteAI
针对VLN中语义推理与空间执行脱节的问题，提出GroundingVLN，以视觉锚定为共享接口，结合锚定推理、像素目标预测及GEAR强化学习，在极低数据下达到SOTA性能。
2026-10-06 cs.RO
MUN-FRL: A Visual Inertial LiDAR Dataset for Aerial Autonomous Navigation and Mapping
Memorial University of Newfoundland（纽芬兰纪念大学）；National Research Council of Canada（加拿大国家研究委员会）
该论文提出了一个多传感器空中视觉-惯性-激光雷达数据集，用于GNSS拒止环境下的自主导航与建图，涵盖多种飞行距离和环境，并提供标定和基准性能总结。
2023-10-12 cs.RO eess.IV
Reactive Navigation Framework for Mobile Robots by Heuristically Evaluated Pre-sampled Trajectories
Northeastern University（东北大学）；Institute for Semantic Computing Foundation（语义计算基金会研究所）
本文描述并分析了一种用于未知环境中移动机器人的反应式导航框架。该方法不依赖于全局地图，仅考虑其以机器人为中心的3D网格结构中的局部占用。所提出的算法，使快速导航的启发式评估预采样轨迹上的飞行。在每个循环中，这些路径由加权成本函数评估，基于启发式特征，例如与目标的接近度，先前选择的轨迹和附近的障碍物。本文介绍了一种系统的方法来计算一个可行的姿态在选定的轨迹，然后将其发送到控制器的运动执行。定义了该框架的结构，给出了实现细节，并说明了如何调整其离线和在线参数。为了证明该算法在未知环境中的通用性和适应性，在各种地图上进行了基于物理的仿真。基准测试表明，该算法优于其以前的迭代和另一个国家的最先进的方法的性能。该算法的开源实现和基准测试数据可以在\url{https://github.com/RIVeR-Lab/tentabot}上找到。
2021-08-23 cs.RO
MVP: Unified Motion and Visual Self-Supervised Learning for Large-Scale Robotic Navigation
Queensland University of Technology（昆士兰科技大学）；Universidad Nacional de Ingeniería（国立工程大学）
自主导航出现在现实世界环境中的运动和局部视觉感知。然而，大多数成功的机器人运动估计方法（例如，VO、SLAM、SfM）和视觉系统（例如，CNN、视觉位置识别-VPR）通常分别用于映射和定位任务。相反，最近的基于强化学习（RL）的视觉导航方法依赖于GPS数据接收的质量，当直接将其用作大型环境中多个月间隔的遍历的地面实况时，这可能不可靠。在本文中，我们提出了一种新的运动和视觉感知的方法，称为MVP，统一这两个传感器的大规模，目标驱动的导航任务的方式。我们的基于MVP的方法可以更快地学习，并且比相应的仅视觉导航方法更准确和鲁棒性更强，可以应对极端环境变化和不良GPS数据。MVP在时间上将使用VPR获得的紧凑图像表示与优化的运动估计数据（包括但不限于来自VO或优化的雷达测距（RO）的那些）结合，以经由RL有效地学习自监督导航策略。我们评估我们的方法在两个大型的现实世界的数据集，牛津Robotcar和Nordland铁路，在一系列的天气（如阴天，夜晚，雪，太阳，雨，云）和季节性（如冬季，春季，秋季，夏季）的条件下使用新的CityLearn框架;一个交互式的环境，有效地训练导航代理。我们的实验结果，在没有GPS数据的牛津RobotCar数据集的遍历上，显示MVP可以分别使用VO和RO实现53%和93%的导航成功率，而仅视觉方法的导航成功率为7%。我们还报告了RL成功率和运动估计精度之间的权衡。
2020-03-02 cs.CV cs.LG cs.RO
Visual Navigation Transformer with Pose Attention
University of Pennsylvania（宾夕法尼亚大学）
提出VNT-PA，一种以位姿索引深度关键帧为上下文的Transformer规划器，通过位姿差异注意力实现点目标导航，在HM3D上达到93.3%成功率和90.4% SPL，优于时序基线并提升训练效率。
2026-09-21 cs.AI cs.LG cs.RO
Pondering the Way: Spatial-perceiving World Action Model for Embodied Navigation
提出SWAM，一种任务中心联合观测-动作生成框架，通过单次推理同时生成中间RGB-D序列和对应动作轨迹，解决现有世界模型规划器依赖候选、计算开销大和动作-视觉不一致的问题，在成功率、轨迹精度和推理效率上显著超越两阶段方法。
2026-06-29 cs.AI cs.RO
Autonomous Navigation of AGVs in Unknown Cluttered Environments: log-MPPI Control Strategy
Indiana University（印第安纳大学）；Expedia Group（亿客行集团）
基于采样的模型预测控制（MPC）优化方法，例如模型预测路径积分（MPPI），最近在各种机器人任务中显示出有希望的结果。然而，当所有采样轨迹的分布集中在高成本甚至不可行的区域内时，它可能产生不可行的轨迹。在这项研究中，我们提出了一种新的方法，称为日志MPPI配备了一个更有效的轨迹采样分布政策，显着提高了轨迹的可行性，在满足系统的约束条件。其关键是从正态对数正态（NLN）混合分布中提取轨迹样本，而不是从高斯分布中提取。此外，这项工作提出了一种方法，在未知的杂乱环境中的无碰撞导航，将二维占用网格地图的采样为基础的MPC算法的优化问题。我们首先验证了我们提出的控制策略的效率和鲁棒性，通过广泛的模拟二维自主导航在不同类型的杂波环境，以及cartpole摆动的任务。我们进一步证明，通过真实世界的实验，日志MPPI的适用性进行二维网格为基础的无碰撞导航在一个未知的杂乱的环境中，显示其优越性与本地costmap使用，而不会增加额外的复杂性的优化问题。演示真实世界和模拟结果的视频可在https://youtu.be/_uGWQEFJSN0上获得。
2022-07-18 cs.RO cs.SY eess.SY
Seq-DeepIPC: Sequential Sensing for End-to-End Control in Legged Robot Navigation
Department of Computer Science and Electronics, Universitas Gadjah Mada（计算机科学与电子系，加查马达大学）；Department of Computer Science and Engineering, Toyohashi University of Technology（计算机科学与工程系，东福冈技术大学）
提出Seq-DeepIPC模型，通过融合多模态感知（RGB-D+GNSS）与时间序列，实现足式机器人在真实环境中的端到端导航控制，并在机器人狗上验证了其有效性。
2026-05-31 cs.CV cs.RO cs.SY
Language-Conditioned World Modeling for Visual Navigation
University of Washington（华盛顿大学）；National University of Singapore（新加坡国立大学）；Clemson University（克莱姆森大学）；Drexel University（德雷塞尔大学）；Microsoft Research（微软研究院）
本文研究了基于语言的视觉导航问题，提出LCVN数据集并开发了两种模型家族，通过语言 grounding、未来状态预测和动作生成实现统一任务学习。
2026-10-01 cs.AI cs.CV cs.RO
Hierarchical Planning Through Goal-Conditioned Offline Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）
离线强化学习（RL）在机器人领域的许多安全关键任务中表现出了强大的潜力，这些任务的探索是有风险和昂贵的。然而，它仍然很难在时间延长的任务中获得技能。在本文中，我们研究了离线RL的时间扩展任务的问题。我们提出了一个层次规划框架，包括一个低层次的目标条件强化学习政策和一个高层次的目标规划。低级策略通过离线RL进行训练。我们改进了离线训练，通过扰动目标采样过程来处理分布外的目标。高级规划者通过利用基于模型的规划方法来选择中间子目标。它根据低级策略的学习价值函数规划未来的子目标序列。我们采用条件变分自编码器来采样有意义的高维子目标候选，并解决高层次的长期策略优化问题。我们评估我们提出的方法在长视野驾驶和机器人导航任务。实验表明，我们的方法优于基线与不同的层次设计和其他定期规划器没有层次在这些复杂的任务。
2022-05-24 cs.RO cs.SY eess.SY
Planning with Goal-Conditioned Policies
University of California, Berkeley（加州大学伯克利分校）
规划方法可以通过组合简单的行为来解决时间扩展的序列决策问题。然而，规划需要对状态和转换进行适当的抽象，这通常需要手工设计。相比之下，无模型强化学习（RL）可以直接从低级别输入中获取行为，但通常难以处理时间扩展的任务。我们能否利用强化学习来自动形成规划所需的抽象，从而获得两种方法的最佳效果？我们表明，学习RL的目标条件的政策可以纳入规划，使规划者可以专注于达到哪些状态，而不是如何达到这些状态。然而，对于复杂的状态观测（如图像），并非所有输入都表示有效状态。因此，我们还建议使用一个潜在的变量模型来competently表示一组有效的状态的规划，使政策提供了一个抽象的行动，和潜在的变量模型提供了一个抽象的状态。我们将我们的方法与基于规划和无模型的方法进行比较，发现我们的方法在基于图像的机器人导航和操作任务（需要非贪婪的多阶段行为）上进行评估时，显着优于先前的工作。
2019-11-19 cs.AI cs.LG cs.RO
TOFFE -- Temporally-binned Object Flow from Events for High-speed and Energy-Efficient Object Detection and Tracking
Elmore Family School of Electrical and Computer Engineering, Purdue University（普渡大学埃尔莫尔电气与计算机工程学院）
TOFFE提出一种轻量级混合框架，结合SNN和ANN，从事件流中估计对象流（姿态、方向、速度），在边缘GPU和混合硬件上实现高速、低功耗的目标检测与跟踪，能耗和延迟大幅降低。
2025-01-21 cs.CV cs.ET cs.LG
Active Information Gathering for Long-Horizon Navigation Under Uncertainty by Learning the Value of Information
George Mason University（乔治梅森大学）
本文提出一种学习增强的规划方法，通过图神经网络预测探索动作的信息价值，使机器人在部分未知环境中主动收集远处空间信息，在模拟办公环境中显著优于基线导航策略。
2024-03-05 cs.RO
Air Learning: A Deep Reinforcement Learning Gym for Autonomous Aerial Robot Visual Navigation
Harvard University（哈佛大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Google Research（谷歌研究院）
我们介绍了空气学习，一个开源的模拟器，和健身房环境的深度强化学习研究资源受限的空中机器人。配备了域随机化，空气学习暴露了一个无人机代理到一个具有挑战性的情况下，各种各样的。我们在三种不同的环境和深度Q网络（DQN）和近端策略优化（PPO）训练器中使用点对点避障任务来播种工具集。Air Learning在各种飞行质量（QoF）指标下评估策略的性能，例如在资源受限的嵌入式平台（如Raspberry Pi）上消耗的能量，耐力和平均轨迹长度。我们发现嵌入式Ras-Pi上的轨迹与高端桌面系统上的预测有很大不同，导致其中一个环境中的轨迹延长了40%。为了了解这种差异的来源，我们使用Air Learning来人为地降低高端桌面性能，以模仿低端嵌入式系统上发生的情况。然后，我们提出了一种缓解技术，使用硬件在环，以确定在目标平台上运行的政策（机载计算的空中机器人）的延迟分布。然后，从延迟分布中随机采样的延迟被添加为训练循环内的人工延迟。使用人工延迟训练策略可以使我们最小化硬件差距（飞行时间度量的差异从37.73%减少到0.5%）。因此，具有硬件在环的空气学习表征了这些差异，并揭示了机载计算机的选择如何影响空中机器人的性能。我们还进行可靠性研究，以评估传感器故障对学习策略的影响。综上所述，Air Learning可以对无人机进行广泛的深度RL研究。源代码可在http://bit.ly/2JNAVb6上…
2022-11-13 cs.LG cs.RO
Probabilistic Map Matching for Robust Inertial Navigation Aiding
RMIT University（皇家墨尔本理工大学）；Australia National University（澳大利亚国立大学）；University of Melbourne（墨尔本大学）
在拒绝GNSS的环境中，惯性导航系统的鲁棒辅助对于消除惯性传感器固有的漂移和偏差引起的累积导航误差至关重要。执行这种辅助的一种方式使用地球物理测量（诸如重力测量、重力梯度测量或磁力测量）与已知的地理参考地图的匹配。虽然概念简单，但这种地图匹配过程具有挑战性：测量本身是有噪声的;它们相关联的空间位置是不确定的;并且测量可能匹配地图内的多个点（即，非唯一解）。在本文中，我们提出了一个概率多假设跟踪器来解决地图匹配问题，并允许强大的惯性导航辅助。我们的方法解决了这个问题，本地，通过概率数据关联，并通过将底层平台的运动学约束到跟踪器的时间。然后，使用无迹卡尔曼滤波器将地图匹配输出集成到导航系统中。此外，我们提出了一个统计措施的本地地图信息密度-地图特征的变化-并使用它来加权所提出的算法的输出协方差。使用涉及重力地图匹配的导航场景证明了所提出算法的有效性和鲁棒性。
2022-03-31 cs.RO
Temporally Decoupled Diffusion Planning for Autonomous Driving
本文提出时间解耦扩散模型(TDDM)，通过噪声掩码方法解决动态城市环境中即时安全与长期目标的平衡问题，改进轨迹生成并提升复杂场景下的规划性能。
2026-03-26 cs.AI cs.RO
Robust Perception and Navigation of Autonomous Surface Vehicles in Challenging Environments
Dartmouth College（达特茅斯学院）
针对沿海监测中静态与动态障碍物、不确定信息及高成本等问题，研究开发了机器人船系统、海上感知及多障碍避碰与多目标优化的导航决策方法。
2024-05-27 cs.RO
Socially Aware Robot Crowd Navigation via Online Uncertainty-Driven Risk Adaptation
Shenzhen Key Laboratory of Robotics Perception and Intelligence（机器人感知与智能深圳重点实验室）；Southern University of Science and Technology（南方科技大学）
针对人机共享拥挤环境中机器人导航兼顾效率、安全与社会感知的难题，提出含离线风险学习和在线自适应推理的LR-MPC算法，经实验验证其在成功率与社会感知性上优于基线方法。
2025-06-17 cs.RO
Prepare to Turn: Learning Anticipatory Maneuvering for Fast Sequential Quadrupedal Navigation
School of Computer Science, University of Sydney（悉尼大学计算机科学学院）
本文提出SmoothTurn框架，通过引入序列目标到达奖励、扩展观测空间和自动目标课程，使四足机器人在高速运行时实现平稳转向，提升敏捷导航能力。
2026-10-27 cs.RO
TIC-VLA: A Think-in-Control Vision-Language-Action Model for Robot Navigation in Dynamic Environments
University of California, Los Angeles（加州大学洛杉矶分校）
提出TIC-VLA模型，通过显式建模推理延迟并引入延迟语义-控制接口，结合异步训练流程，解决动态环境中视觉-语言-动作模型的推理与实时控制异步问题，在仿真和真实机器人上优于先前模型。
2026-05-29 cs.RO
HRL4IN: Hierarchical Reinforcement Learning for Interactive Navigation with Mobile Manipulators
Stanford University（斯坦福大学）
人类环境中最常见的导航任务需要辅助手臂交互，例如开门、按下按钮和推开障碍物。这种类型的导航任务，我们称之为交互式导航，需要使用移动操纵器：具有操纵能力的移动基地。交互式导航任务通常是长时间的，由纯导航、纯操作及其组合的异构阶段组成。使用实施例的错误部分是低效的并且阻碍进展。我们提出了HRL 4 IN，一种新的分层RL架构的交互式导航任务。HRL 4 IN利用了HRL在平面RL上的探索优势，用于长视野任务，这要归功于对子目标的时间延长承诺。与其他HRL解决方案不同，HRL 4 IN通过在任务的不同阶段在不同空间中创建子目标来处理交互式导航任务的异构性。此外，HRL 4 IN选择实施例的不同部分用于每个阶段，从而提高能量效率。我们评估HRL 4 IN对平面PPO和HAC，一个国家的最先进的HRL算法，在两个环境中的交互式导航-一个2D网格世界环境和一个3D环境与物理模拟。我们表明，HRL 4 IN在任务性能和能源效率方面显着优于其基线。更多信息请访问https://sites.google.com/view/hrl4in。
2019-10-24 cs.AI cs.CV cs.LG
ColoACT: Multi-Cue Action Chunking for Smooth Autonomous Colon Navigation on a Self-Propelled Endoscopic Robot
Southern University of Science and Technology（南方科技大学）；Zhejiang University（浙江大学）；Tianjin University（天津大学）
针对自推进内窥镜机器人，提出ColoACT系统，采用RGB-D-E动作分块Transformer策略，通过多线索增强和时间集成实现平滑自主结肠导航，在离体猪结肠中达到85.4%和72.5%的直段和弯曲段成功率。
2026-10-02 cs.RO
Diffusion Meets Options: Hierarchical Generative Skill Composition for Temporally-Extended Tasks
National University of Singapore（新加坡国立大学）；Smart Systems Institute（智能系统研究院）
本文提出DOPPLER分层框架，结合LTL指令、分层强化学习和扩散模型，通过行列式引导采样高效生成满足长时程避障与顺序访问任务的机器人轨迹。
2024-10-03 cs.AI cs.LG cs.RO
Temporally Consistent Unsupervised Segmentation for Mobile Robot Perception
Oden Institute for Computational Engineering & Sciences, University of Texas at Austin（德纳学院，德克萨斯大学奥斯汀分校）；DEVCOM Army Research Laboratory, Adelphi, MD, United States（陆军研究实验室，阿德菲，马里兰州，美国）；Department of Electrical and Computer Engineering, University of Massachusetts Dartmouth（电气与计算机工程系，马萨诸塞大学达特茅斯分校）
针对现有无监督分割方法缺乏时间一致性的问题，提出基于DINOv2特征聚类与帧间时间约束的Frontier-Seg方法，实现移动机器人视频流的无监督地形分割，在多个越野基准数据集上验证了有效性。
2025-07-29 cs.CV cs.RO
Navigation World Models
FAIR at Meta（Meta FAIR研究院）；New York University（纽约大学）；Berkeley AI Research（伯克利人工智能研究院）
针对智能体导航问题，提出10亿参数的导航世界模型NWM，基于条件扩散Transformer预测未来视觉观测，可动态纳入约束规划轨迹，在熟悉/陌生环境中均有效，为导航系统提供灵活工具。
2025-04-11 cs.AI cs.CV cs.LG
Improving Reliable Navigation under Uncertainty via Predictions Informed by Non-Local Information
George Mason University（乔治梅森大学）
本研究提出一种结合图神经网络的可靠导航方法，利用非局部信息预测未知空间动作优劣，在保证总能抵达目标的同时，在大规模模拟建筑环境中相较两类基线显著降低了导航代价。
2023-07-26 cs.AI cs.RO
3P-LLM: Probabilistic Path Planning using Large Language Model for Autonomous Robot Navigation
The University of Georgia（佐治亚大学）
本研究评估了使用GPT-3.5-turbo进行机器人路径规划的可行性，发现其凭借自然语言处理和少样本学习能力，在实时反馈和性能上优于RRT和A*等传统算法，为基于LLM的路径规划奠定了基础。
2024-03-27 cs.RO
Automatic Configuration of Multi-Agent Model Predictive Controllers based on Semantic Graph World Models
Eindhoven University of Technology（埃因霍温理工大学）；KU Leuven（鲁汶大学）；Flanders Make（弗兰德斯制造研究院）
本文提出基于共享语义地图动态配置多机器人MPC的方法，通过语义标签在运行时调整导航约束，在保持任务性能的同时大幅降低计算时间。
2023-11-02 cs.RO
Beyond Imitation: Reinforcement Learning Fine-Tuning for Adaptive Diffusion Navigation Policies
Nanyang Technological University, Singapore（南洋理工大学，新加坡）；A*STAR, Singapore（A*STAR，新加坡）；National University of Singapore, Singapore（新加坡国立大学）
本文提出一种针对扩散导航的强化学习微调框架，通过Group Relative Policy Optimization提升策略适应性，在Isaac Sim中提升成功率和SPL，减少碰撞，展示出更强的零样本迁移能力和安全泛化能力。
2026-03-13 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
Under the Sand: Navigation and Localization of a Micro Aerial Vehicle for Landmine Detection with Ground Penetrating Synthetic Aperture Radar
ETH Zurich（苏黎世联邦理工学院）；Ulm University（乌尔姆大学）
搭载于微型飞行器上的探地雷达是一种很有前途的人道主义扫雷工具。然而，合成孔径雷达图像的质量取决于准确和精确的运动估计的雷达天线，以及与微型飞行器产生信息的观点。介绍了一种完整的、自动化的机载探地合成孔径雷达（GPSAR）系统。该系统由空间校准和时间同步的工业级传感器套件组成，可实现地面以上导航、雷达成像和光学成像。自定义任务规划框架允许生成和自动执行地面以上控制的条带和圆形（GPSAR）轨迹以及航空成像测量飞行。基于因子图的状态估计器融合来自双接收器实时动态（RTK）全球导航卫星系统（GNSS）和惯性测量单元（IMU）的测量，以获得精确的、高速率的平台位置和定向。地面实况实验表明，传感器定时准确度为0.8 us，精确度为0.1 us，定位率为1 kHz。双位置因子配方提高了在线定位精度高达40%和批量定位精度高达59%相比，一个单一的位置因子与不确定的航向初始化。我们的现场试验验证了定位精度和精度，使相干雷达测量添加和探测埋在沙子里的雷达目标。这证实了作为空中地雷探测系统的潜力。
2021-12-05 cs.RO eess.SP
SAGE: A Socially-Aware Generative Engine for Heterogeneous Multi-Agent Navigation
Guohao School, Tongji University（同济大学国豪书院）；Shanghai Research Institute for Intelligent Autonomous Systems（上海智能无人系统科学中心）；Tongji University（同济大学）；Western University（西安大略大学）；Aeromind Technology Co., Ltd.（深圳智元科技有限公司）；University at Buffalo-SUNY（纽约州立大学布法罗分校）
针对开放人机环境中异构多智能体导航问题，提出SAGE，通过有向异构图和异构图变换器编码交互，扩散生成模块建模轨迹，无训练安全-社会能量引导机制优化轨迹，实验验证其有效性及可扩展性。
2026-07-24 cs.MA cs.RO
A New Path: Scaling Vision-and-Language Navigation with Synthetic Instructions and Imitation Learning
Google Research（谷歌研究院）；New York University（纽约大学）；Carnegie Mellon University（卡内基梅隆大学）；Apple（苹果公司）
本文提出利用合成导航指令和GAN生成新视角图像构建大规模VLN数据集，并通过模仿学习训练Transformer智能体，在RxR上显著超越现有RL方法。
2023-04-17 cs.CL cs.CV cs.LG
UniWAM Technical Report: Unified Mobile Manipulation via Mixed-Stream World-Action Modeling and Manipulation Anchor Pose Supervision
Physical Superintelligence Lab, Fysics AI（Fysics AI 物理超级智能实验室）；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）
UniWAM通过混合流世界-动作模型和操作锚点姿态监督，实现统一的移动操作，利用大规模自动构建的MAP-Data，在导航和操作任务上显著超越基线。
2026-10-01 cs.CV cs.RO
FlowMaps: Modeling Long-Term Multimodal Object Dynamics with Flow Matching
Sapienza University of Rome（罗马大学）；Université de Montréal（蒙特利尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
提出FlowMaps模型，通过潜在流匹配学习物体位置的多模态时空分布，预测动态物体未来位置，提升机器人在变化家庭环境中的导航性能。
2026-06-19 cs.AI cs.RO
iSDF: Real-Time Neural Signed Distance Fields for Robot Perception
Imperial College London（帝国理工学院）；Meta AI；Reality Labs Research（现实实验室研究部门）
提出了一个用于实时的【形】符号距离场（SDF）重建的持续学习系统iSDF。给定来自移动相机的姿势深度图像流，它训练随机初始化的神经网络以将输入的3D坐标映射到近似的有符号距离。该模型是自我监督的，通过最小化损失，使用到一批主动采样的查询点中最近采样点的距离来限制预测的有符号距离。与之前基于体素网格的工作相比，我们的神经方法能够提供自适应的细节水平，并对部分观察区域进行合理的填充和对观察结果进行去噪，同时具有更紧凑的表示。在对室内环境的真实和合成数据集的替代方法的评估中，我们发现iSDF产生了更准确的重建，以及更好的碰撞成本和梯度近似值，这对从导航到操作的下游规划者非常有用。代码和视频结果可以在我们的项目页面上找到：https://joeaortiz.github.io/iSDF/。
2022-05-04 cs.CV cs.RO
Seeing What the Vehicle Sees: Video-Augmented Virtual Reality for Physical Autonomous Vehicles
Central Michigan University（中密歇根大学）
本文提出一种视频增强VR框架，将物理ROS 2机器人车辆与Unity 6应用耦合，在Meta Quest 3S头显上实时镜像运动并显示摄像头画面和导航决策，经20次试验验证，延迟29.63毫秒，路线误差2.28%，帧丢失0.25%，实现同步一致的沉浸式观察。
2026-09-15 cs.RO cs.SY eess.SY
Relative Navigation and Dynamic Target Tracking for Autonomous Underwater Proximity Operations
AI, Robotics and Cybersecurity Center, Örebro University（人工智能、机器人与网络安全中心，奥雷布罗大学）；Centre for Naval Architecture, KTH Royal Institute of Technology（海军工程中心，皇家理工学院）；department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空与航天系，麻省理工学院）；Division of Robotics, Perception and Learning, KTH Royal Institute of Technology（机器人、感知与学习系，皇家理工学院）
本文提出一种基于李群切空间的广义常旋量运动先验，通过三元因子和闭式雅可比实现水下接近操作中六自由度目标运动的欠约束因子图估计，并在真实动态对接数据上验证了USBL与光学测量下的跟踪精度提升。
2025-08-23 cs.RO cs.SY eess.SP
