Event-Enhanced Multi-Modal Spiking Neural Network for Dynamic Obstacle Avoidance
Dalian University of Technology(大连理工大学);Princeton University(普林斯顿大学);National University of Singapore(新加坡国立大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对现有SNN避障方法难以处理动态场景的问题,提出融合事件相机与激光数据的EEM-SAN网络,通过无监督表示学习提取运动信息、可学习阈值实现多模态融合,显著提升动态避障性能。
2023-10-03 cs.RO
Joint Vision-Based Navigation, Control and Obstacle Avoidance for UAVs in Dynamic Environments
Sapienza University of Rome(罗马大学);IT+Robotics S.r.l.(IT+Robotics有限公司)
本文研究了基于视觉的无人机导航系统与鲁棒避障能力的耦合问题。前一个问题通过最大化兴趣点的可见性来解决,而后者则通过椭球排斥区域来建模。整个问题被转化为一个最优控制问题(OCP),并利用最先进的数值优化在几毫秒内解决。由此产生的轨迹非常适合到达指定的目标位置,同时以安全裕度避开障碍物,并最大限度地减少与感兴趣目标失去路线的可能性。将该技术与适当的椭圆体成形(即,通过与障碍物速度或与障碍物检测不确定性成比例地增大形状)导致鲁棒的障碍物回避行为。我们在广泛的模拟实验中验证了我们的方法,这些实验显示了即使在具有挑战性的条件下也能满足所有约束的有效能力。我们发布了本文的开源实现。
2019-11-05 cs.RO
Predictive Angular Potential Field-based Obstacle Avoidance for Dynamic UAV Flights
University of Bonn(波恩大学)
近年来,无人机(UAV)被用于许多检查和视频捕获任务。然而,在障碍物附近手动控制无人机具有挑战性,并且存在很高的碰撞风险。即使是自主飞行,全球导航规划也可能太慢,无法对新发现的障碍物做出反应。风等干扰可能导致偏离计划轨迹。在这项工作中,我们提出了一种快速预测避障方法,不依赖于更高级别的定位或映射,并保持无人机的动态飞行能力。它直接对LiDAR距离图像进行实时的运算,通过计算距离图像内的角势场来调整当前飞行方向。随后基于轨迹预测和接触时间估计来确定速度大小。我们的方法进行评估,使用硬件在环仿真。它使无人机与障碍物保持安全距离,同时允许比以前直接基于传感器数据的反应式避障方法更高的飞行速度。
2022-08-11 cs.RO
Swarm Intelligence in Collision-free Formation Control for Multi-UAV Systems with 3D Obstacle Avoidance Maneuvers
University of Oklahoma(俄克拉荷马大学)
本研究受罗非鱼和鸽子集体行为启发,提出一种结合集中式与分布式控制器的多无人机无碰撞编队控制框架,并扩展至三维避障机动,在二维和三维场景中验证了其有效性。
2024-12-17 cs.RO
Risk-aware Trajectory Sampling for Quadrotor Obstacle Avoidance in Dynamic Environments
Shanghai Jiaotong University(上海交通大学)
四旋翼飞行器在动态环境中的避障问题仍然是一个非常开放的问题。目前的工作通常利用传统的静态地图来表示静态障碍物和运动目标的检测和跟踪(DATMO)的方法来建模动态障碍物分开。检测模块需要预先训练,动态障碍物只能建模为特定形状,如圆柱或椭球。本文利用双结构的基于粒子(DSP)的动态占有地图同时表示任意形状的静态障碍物和动态障碍物,并提出一种有效的基于风险感知采样的局部轨迹规划器,实现在此地图上的安全飞行。通过对状态空间中生成的运动基元进行采样来规划轨迹。每个运动基元分为两个阶段:具有严格风险限制的短期阶段和旨在避免高风险区域的相对长期阶段。风险评估与预测的颗粒形式的未来占用状态,考虑时间维度。该规划器通过对任意全局轨迹的拆分和合并,也可用于具有预先规划的全局轨迹的任务。对比实验表明,由DSP地图和我们的规划器组成的避障系统在动态环境中的性能最好。在现实测试中,我们的四旋翼在运动捕捉系统下达到6 m/s的速度,在低价单板计算机上运行时达到2.5 m/s的速度。
2022-02-15 cs.RO
Multi-UAV Formation Cooperative Obstacle Avoidance and Adaptive Shape Deformation Control in Complex Environments Based on BI-APF-RRT and Affine Transformation
College of Marine Information Engineering(海洋信息工程学院)
针对复杂障碍环境下多无人机编队避障灵活性与编队完整性难以共存及传统APF易陷入局部最优的问题,提出一种融合BI-APF-RRT与仿射变换的协同避障算法,实现全局路径规划与自适应变形。
2026-06-29 cs.RO
$E^2Coop$: Energy Efficient and Cooperative Obstacle Detection and Avoidance for UAV Swarms
University of Otago(奥塔哥大学)
能量效率是无人机群避障轨迹规划的关键。本文提出了$E^2Coop$,一种将人工势场(APF)与基于粒子群规划(PSO)的航迹规划紧密耦合的无人机群避碰新方案。在$E^2Coop$中,群成员协同执行轨迹规划,以能量有效的方式避免碰撞。$E^2Coop$利用活动轮廓模型在图像处理中的优势进行轨迹规划。每个群体成员规划其轨迹上的环境场的轮廓,以节省能源,避免碰撞的障碍。处于彼此安全距离内的群成员在不同的轮廓上规划它们的轨迹,以避免彼此碰撞。仿真结果表明,与现有的两种方案相比,$E^2Coop$的能量节省率可达51%.
2021-05-08 cs.RO
Obstacle Avoidance of Resilient UAV Swarm Formation with Active Sensing System in the Dense Environment
Shanghai Jiaotong University(上海交通大学)
提出了一种基于感知共享和群轨迹全局优化(STGO)算法的无人机编队运动规划框架。首先,对每个无人机接收到的点云数据进行高斯混合模型(GMM)拟合,并在群中传输。来自所接收的GMM的回复有助于形成全球地图,该全球地图被用作共识的基础。其次,为提高无人机的飞行安全性,设计了一种主动传感系统,在考虑未知视场、视场重叠、速度方向和偏航旋转平滑性的情况下,规划各无人机的观测角,并采用分布式粒子群优化算法(DPSO)求解。最后,在编队运动规划中,为了保证避障,将编队结构作为B样条控制点的软约束,进行仿射变换。此外,STGO的引入,以避免局部极小值。GMM通信和STGO的结合保证了无人机之间安全、严格的共识。对不同编队的仿真测试表明,该算法可以实现严格的共识,在密集环境中避障成功率至少为80%。此外,主动传感系统在某些场景下可以将避障成功率从50%提高到100%。
2022-02-27 cs.RO
HEPP: Hyper-efficient Perception and Planning for High-speed Obstacle Avoidance of UAVs
Department of Mechanical Engineering, The University of Hong Kong(机械工程系,香港大学);Northwestern Polytechnical University(西北工业大学);Harbin Institute of Technology(哈尔滨工业大学)
本文提出HEPP系统,通过增量建图、拓扑路径搜索和自适应轨迹生成,实现无人机在杂乱环境中高速避障,耗时显著降低。
2025-05-23 cs.RO
Real-time Identification and Simultaneous Avoidance of Static and Dynamic Obstacles on Point Cloud for UAVs Navigation
Hong Kong Polytechnic University(香港理工大学);The University of Hong Kong(香港大学)
在未知场景中采用有效的飞行策略避开混合障碍物是无人机应用的关键挑战。在本文中,我们介绍了一个更强大的技术来区分和跟踪动态障碍物从静态的,只有点云输入。然后,为了实现动态回避,我们提出了禁止金字塔的方法来解决所需的车辆速度与一个有效的基于采样的方法在迭代。运动基元是通过求解一个以期望速度和航路点为约束的非线性优化问题来生成的。此外,我们提出了几种技术来处理接近物体的位置估计误差,变形物体的错误,和不同的子模块之间的时间间隔。所提出的方法被实现为实时的【形】运行在船上,并在仿真和硬件测试中得到了广泛的验证,证明了我们在跟踪鲁棒性,能量成本和计算时间的优势。
2021-10-20 cs.RO
Monocular Event-Based Vision for Obstacle Avoidance with a Quadrotor
GRASP, University of Pennsylvania(宾夕法尼亚大学GRASP实验室);Robotics and Perception Group, University of Zurich(苏黎世大学机器人与感知组)
提出首个仅用单目事件相机的四旋翼避障方法,通过深度预测预训练和真实数据微调,实现室内外避障,并发现高速比低速更有利。
2024-11-05 cs.RO
Computationally Efficient Obstacle Avoidance Trajectory Planner for UAVs Based on Heuristic Angular Search Method
Hong Kong Polytechnic University(香港理工大学);The University of Hong Kong(香港大学)
为了在具有挑战性的环境中完成各种任务,在避免意外障碍物的同时完全自主导航的能力是无人机在实际应用中最关键的要求。在本文中,我们提出了这样一个计算效率高的避障轨迹规划器,可用于在混乱的未知环境。由于无人机上单个深度摄像机的视场较窄,周围障碍物的信息非常有限,难以实现最短的整条路径。因此,我们专注于轨迹规划器的时间成本和安全性,而不是其他因素。该规划器主要由点云处理器、基于启发式角度搜索的航路点发布器和基于最小加速度优化的运动规划器组成。此外,我们提出了几种技术,以提高安全性,使找到一个可行的轨迹尽可能大的可能性。所提出的方法被实现为实时运行在船上,并在仿真中进行了广泛的测试,迭代步骤的平均控制输出计算时间小于18 ms。
2020-12-28 cs.RO
Multi-UAV Formation Control with Static and Dynamic Obstacle Avoidance via Reinforcement Learning
Tsinghua University(清华大学);Shanghai Qizhi Institute(上海智己研究院)
本文提出一种两阶段强化学习流程,结合课程学习与注意力机制观测编码器,解决多无人机定向飞行中的编队维持与动静态避障问题,在无碰撞率和编队维持上优于基线方法。
2025-03-01 cs.RO
Obstacle Avoidance onboard MAVs using a FMCW RADAR
Faculty of Aerospace Engineering, Delft University of Technology(代尔夫特理工大学航空航天工程学院)
微型飞行器(MAV)越来越多地用于在封闭和混乱的环境中执行复杂或危险的任务,例如监视或搜索和救援。因此,需要能够在能见度差的条件下工作的传感器,以便于导航和避开物体或人。特别是雷达传感器可以提供更强大的环境感测,当传统的传感器,如相机在灰尘,雾或烟雾的存在下失败。虽然在自动驾驶中广泛使用,但微型飞行器上的微型FMCW雷达相对未被开发。本研究的目的是调查在何种程度上这种传感器是使用在这些环境中,采用传统的信号处理,如多目标跟踪和速度障碍。通过在包含障碍物的室内环境中运行试验测试并与人类飞行员进行比较,评估了该解决方案的可行性,并在MAV上实施,证明了传感器在完全自主的MAV中提供更强大的感知和避免功能的潜力。
2021-03-02 cs.RO
Applying Evolutionary Optimisation to Robot Obstacle Avoidance
本文提出了一种基于人工进化的立体图像分析方法,并将其应用于移动机器人的实时障碍物检测和避障。它使用巴黎的方法,其中包括在这里分裂成大量的简单的原语,“苍蝇”,这是进化后的生物启发计划,并给出了一个快速,低成本的解决方案,在移动机器人的障碍物检测问题的机器人的环境表示。
2005-10-25 cs.AI cs.RO
Multi-UAV Swarm Obstacle Avoidance Based on Potential Field Optimization
College of Marine Information Engineering, Jimei University(集美大学海洋信息工程学院)
本文提出一种结合改进多机器人编队避障算法与优化单无人机路径规划的混合算法,有效提升多无人机群在静态环境中的避障能力和编队稳定性。
2025-11-21 cs.MA cs.RO
Enhanced method for reinforcement learning based dynamic obstacle avoidance by assessment of collision risk
Technische Universität Dresden(德累斯顿工业大学)
在自主机器人领域,强化学习(RL)是一种越来越多地用于解决移动机器人、自主船舶和无人机的动态避障任务的方法。训练这些智能体的一个常见做法是使用一个训练环境,随机初始化的智能体和障碍。这种方法可能会受到培训中高风险场景覆盖率低的影响,导致最终避障性能受损。本文提出了一种通用的训练环境,在这种环境中,我们通过使用短的训练片段来控制避障任务的难度,并通过两个指标来评估难度:障碍物的数量和碰撞风险指标。我们发现,将训练转向更大的任务难度可以大大提高最终的表现。基线代理,使用基于代理和障碍的随机初始化和较长的训练片段的传统训练环境,导致显著较弱的性能。为了证明所提出的方法的通用性,我们设计了两个现实的用例:移动机器人和海上船舶接近障碍物的威胁。在这两个应用程序中,以前的结果可以确认,这强调了所提出的方法的一般可用性,脱离一个特定的应用程序上下文和独立的代理的动态。我们进一步将高斯噪声添加到传感器信号中,仅导致性能的边际下降,从而表明经过训练的代理具有可靠的鲁棒性。
2022-12-08 cs.LG cs.RO
Identification and Avoidance of Static and Dynamic Obstacles on Point Cloud for UAVs Navigation
Hong Kong Polytechnic University(香港理工大学);The University of Hong Kong(香港大学)
在未知场景中采用有效的飞行策略避开混合障碍物是无人机应用的关键挑战。在本文中,我们介绍了一种技术来区分动态障碍物从静态的,只有点云输入。在此基础上,提出了一种计算效率高的避障运动规划方法,该方法与改进的相对速度法相一致。该方法能够在同一框架内同时避免静态障碍和动态障碍。对于静态和动态障碍物,碰撞检查和运动约束是不同的,并有效地集成到一个框架。此外,我们提出了一些技术,以提高算法的性能和处理不同的子模块之间的时间间隔。所提出的方法被实现为实时运行,并在仿真和硬件测试中得到了广泛的验证。我们的平均单步的计算时间小于20 ms。
2021-05-14 cs.AI cs.RO
Memory-based Deep Reinforcement Learning for Obstacle Avoidance in UAV with Limited Environment Knowledge
Indian Institute of Science(印度科学学院)
本文介绍了我们的方法,使无人机四旋翼,配备了单目摄像机,自主避免碰撞与障碍物在非结构化和未知的室内环境。当与地面车辆机器人中的避障相比时,UAV导航带来了额外的挑战,因为UAV运动不再限于明确的室内地面或街道环境。室内和室外环境中的水平结构,如装饰品、家具、吊扇、招牌、树枝等,也成为与地面车辆机器人不同的相关障碍。因此,为地面机器人开发的避障方法显然不适用于无人机导航。目前的无人机单目图像避障控制方法严重依赖于环境信息。这些控制器不能完全保留和利用关于周围环境的广泛可用的信息来进行决策。我们提出了一种基于深度强化学习的无人机避障(OA)和自主探索方法,该方法能够做到完全相同。在我们的方法中的关键思想是部分可观测性的概念,以及无人机如何能够保留有关环境结构的相关信息,以做出更好的未来导航决策。我们的OA技术使用具有时间注意力的递归神经网络,并在导航过程中没有碰撞的距离方面提供了比以前更好的结果。此外,我们的技术具有很高的推理率(机器人应用中的一个关键因素),并且是节能的,因为它最大限度地减少了无人机的振荡运动,减少了功率浪费。
2018-11-08 cs.LG cs.RO
A real-time dynamic obstacle tracking and mapping system for UAV navigation and collision avoidance with an RGB-D camera
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于RGB-D相机的四旋翼实时动态障碍物跟踪与建图系统,通过体素地图生成候选区域、卡尔曼滤波与连续性滤波跟踪障碍物,并利用马尔可夫链进行环境感知轨迹预测,实验验证了其在动态环境中的实时避障能力。
2024-01-12 cs.AI cs.RO
Fly360: Omnidirectional Obstacle Avoidance within Drone View
Institute of Automation Chinese Academy of Sciences, Beijing, China(中国科学院自动化研究所);Insta360 Research, Shenzhen, China(Insta360研究院);Wuhan University,Wuhan, China(武汉大学)
Fly360通过两阶段感知-决策管道实现无人机全方位障碍规避,采用固定随机偏航训练策略,有效提升全方位感知和避障能力。
2026-03-06 cs.AI cs.RO
Obstacle Avoidance and Navigation Utilizing Reinforcement Learning with Reward Shaping
University of North Texas(北德克萨斯大学)
本文主要研究机器人控制领域中的避障与导航问题。针对这一问题,提出了基于改进奖励塑造技术的深度确定性策略梯度(DDPG)和近端策略优化算法。我们比较了原始DDPG和PPO与修改后的版本,都与一个真正的移动机器人模拟的性能,并证明所提出的算法取得了更好的效果。
2020-04-10 cs.LG cs.RO cs.SY
Deep Reinforcement Learning-based Obstacle Avoidance for Robot Movement in Warehouse Environments
AMA University(AMA大学);New York University(纽约大学);University of California, Berkeley(加州大学伯克利分校);Carnegie Mellon University(卡内基梅隆大学);Northeastern University(东北大学);Cornell University(康奈尔大学);University of California, Irvine(加州大学欧文分校);Northern Arizona University(北亚利桑那大学)
针对仓库环境中传统移动机器人避障策略反馈不佳的问题,提出一种基于深度强化学习的避障算法,通过改进价值函数网络并设计基于行人空间行为的奖励函数,实现了高效舒适的避障,仿真实验验证了其有效性。
2024-09-23 cs.AI cs.RO
Obstacle Avoidance for Autonomous Mobile Robots Based on Mapping Method
Hanoi University of Industry(河内工业大学);University of Economics - Technology for Industries(经济与技术工业大学)
近年来,移动机器人因其在各种环境中的应用而受到研究者的极大关注。移动机器人在穿越障碍物时,需要识别障碍物并生成新的轨迹以到达目的地。提出了一种基于开源的机器人操作系统(ROS)和动态窗口逼近(DWA)算法的移动机器人避障方法。实验是使用移动机器人进行的,其中导航数据是基于由激光扫描仪收集的数据。实验结果表明,该机器人能够在静态和动态障碍物环境中正常工作。
2021-09-14 cs.RO cs.SY eess.SY
Simulation of optical flow and fuzzy based obstacle avoidance system for mobile robots
The Open University of Sri Lanka(斯里兰卡开放大学);University of Colombo(科伦坡大学)
蜜蜂利用光流有效地避开障碍物。在这项研究工作中,类似的方法进行了测试模拟移动机器人。仿真框架是基于VRML和Simulink的三维世界。光流矢量计算从一个视频场景捕获的一个虚拟摄像机,它被用作输入到一个模糊逻辑控制器。模糊逻辑控制器决定机器人的运动轨迹。不同的模糊逻辑规则进行了评价。该机器人能够有效地在复杂的静态和动态环境中导航,避开路径上的障碍物。
2015-08-08 cs.CV cs.RO
A Convex Obstacle Avoidance Formulation
Laboratory for AI, Robotics and Automation, University of California at Davis(人工智能、机器人与自动化实验室,加州大学戴维斯分校)
提出首个通用凸避障公式,通过逻辑集成方法将避障融入凸MPC,相比非凸方法大幅提升计算效率,且障碍物在预测时域外仍有效,支持短时域实时部署。
2026-07-07 cs.RO cs.SY eess.SY
Monocular Obstacle Avoidance Based on Inverse PPO for Fixed-wing UAVs
School of Automation, Northwestern Polytechnical University(西北工业大学自动化学院)
针对传统固定翼无人机避障系统在未知环境和小型平台的局限性,本文提出基于逆PPO的轻量级DRL避障系统,通过单帧图像深度推理模块和自适应熵调整机制,实现仅用视觉传感器以超30m/s速度避障,性能优于其他方法且可在边缘设备部署。
2024-11-27 cs.CV cs.RO
APF-PF: Probabilistic Depth Perception for 3D Reactive Obstacle Avoidance
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出了一个框架,三维避障存在的部分可观性的环境障碍。该方法侧重于实用的人工势函数(APF)控制器在一个实际的设置,噪音和不完整的信息接近是不可避免的。我们提出了一种粒子滤波器(PF)的方法来估计潜在的障碍物的位置在输入深度图像流。然后,可能的候选人被用来生成一个动作,操纵机器人在每个时刻朝着负梯度的潜力。在四旋翼无人机上进行了严格的实验验证,结果表明,当机器人对错误感知信息敏感时,该方法具有鲁棒性和可靠性。所提出的感知和控制栈在无人机上运行,证明了实时应用和敏捷机器人的计算可行性。
2021-03-17 cs.RO cs.SY eess.SY
Cooperative Sensing Enhanced UAV Path-Following and Obstacle Avoidance with Variable Formation
Beijing University of Posts and Telecommunications(北京邮电大学)
针对无人机编队安全执行任务的需求,本文结合DRL路径跟踪、ISAC协同感知、VFEO定位、在线避障与NSB分层融合,实现无冲突的路径跟踪和障碍物规避。
2025-08-29 cs.RO cs.SY eess.SY
Obstacle Avoidance for UAS in Continuous Action Space Using Deep Reinforcement Learning
Arizona State University(亚利桑那州立大学);Iowa State University(爱荷华州立大学);George Washington University(乔治华盛顿大学);University of Michigan(密歇根大学)
小型无人机的避障问题对未来城市空中交通安全和无人机系统交通管理至关重要。有许多用于实时鲁棒无人机制导的技术,但其中许多解决了离散空域和控制,这将需要额外的路径平滑步骤来为UAS提供灵活的命令。为了给无人机提供安全高效的计算操作指导,我们探索了使用基于近端策略优化(PPO)的深度强化学习算法,引导自主无人机到达目的地,同时通过连续控制避开障碍物。所提出的场景状态表示和奖励函数可以将连续状态空间映射为航向角和速度的连续控制。为了验证所提出的学习框架的性能,我们进行了静态和移动障碍物的数值实验。详细研究了与环境和安全操作界限相关的不确定性。结果表明,该模型能够提供准确、鲁棒的引导,解决冲突的成功率超过99%。
2021-11-13 cs.AI cs.RO
Novel Pigeon-inspired 3D Obstacle Detection and Avoidance Maneuver for Multi-UAV Systems
University of Oklahoma(俄克拉荷马大学)
受罗非鱼和鸽子群体行为启发,提出一种半分布式多无人机无碰撞编队控制框架,结合概率Lloyd's算法实现最优定位与三维障碍规避,并在二维和三维动态环境中验证了有效性。
2025-07-01 cs.AI cs.MA cs.RO
Proposal of algorithms for navigation and obstacles avoidance of autonomous mobile robot
本文提出算法用于室内自主移动机器人导航与避障,利用激光雷达获取3D环境图像,通过改进的向量场直方图算法生成2D地图并控制轨迹跟踪,实验结果良好。
2016-11-28 cs.RO cs.SY eess.SY
A Vision Based Deep Reinforcement Learning Algorithm for UAV Obstacle Avoidance
Iowa State University(爱荷华州立大学)
近年来,将强化学习与无人机(UAV)集成以实现自主飞行一直是一个活跃的研究领域。一个重要的部分集中在障碍物检测和避免无人机导航通过的环境。在看不见的环境中进行探索可以通过深度Q网络(DQN)来解决。然而,使用统一的动作采样进行价值探索可能会导致冗余状态,其中通常环境固有地承担稀疏的奖励。为了解决这个问题,我们提出了两种技术来改善无人机避障探测。第一种是基于收敛的方法,该方法使用收敛误差来遍历未探索的动作,并使用时间阈值来平衡探索和利用。第二种是使用域网络的基于指导的方法,该域网络使用高斯混合分布将先前看到的状态与预测的下一个状态进行比较,以选择下一个动作。这些方法的性能和评估在多个3-D仿真环境中实现,复杂性的变化。所提出的方法证明了一个两倍的平均奖励相比,最先进的改进。
2021-03-11 cs.AI cs.CV cs.RO
Autonomous quadrotor obstacle avoidance based on dueling double deep recurrent Q-learning with monocular vision
School of Aeronautic Science and Engineering, Beihang University(北京航空航天大学航空科学与工程学院);Research Institute for Frontier Science, Beihang University(北京航空航天大学前沿科学研究院);School of Electronic and Information Engineering, Beihang University(北京航空航天大学电子信息工程学院)
无人机的快速发展对自主避障提出了更高的要求。由于有效载荷和电源有限,四旋翼等小型无人机通常携带简单的传感器和计算单元,这使得传统方法的实现更具挑战性。在本文中,一种新的框架被证明是通过拥挤的环境中自主飞行的单目视觉控制四旋翼。该框架采用两级结构,包括一个传感模块和一个决策模块。传感模块基于无监督深度学习方法。决策模块采用决斗式双深度递归Q学习算法,消除了星载单目摄像机观测能力有限的不利影响。该框架使四旋翼无人机能够在没有任何先验环境信息或标记数据集的情况下实现自主避障。训练后的模型具有较高的仿真成功率和较好的泛化能力。
2020-03-02 cs.RO cs.SY eess.SY
Obstacle Avoidance of UAV in Dynamic Environments Using Direction and Velocity-Adaptive Artificial Potential Field
Department of Aerospace Engineering, Indian Institute of Technology Kharagpur(航空航天工程系,印度理工学院Kharagpur)
本文提出一种基于方向和速度自适应的人工势场方法,结合模型预测控制实现无人机在动态环境中的高效避障与安全导航。
2026-08-25 cs.RO cs.SY eess.SY
An MCTS-DRL Based Obstacle and Occlusion Avoidance Methodology in Robotic Follow-Ahead Applications
Simon Fraser University(西蒙弗雷泽大学)
针对机器人前方跟随中的碰撞与遮挡问题,提出融合 MCTS 和深度强化学习的高层决策算法生成短期导航目标,并通过实验验证其优于现有方法。
2023-09-28 cs.RO cs.SY eess.SY
CorrA: Leveraging Large Language Models for Dynamic Obstacle Avoidance of Autonomous Vehicles
Cornell University(康奈尔大学)
本文提出CorrA框架,将大型语言模型与模型预测控制结合,通过LLM推理动态生成基于Sigmoid的边界函数参数以构建安全走廊,有效解决自动驾驶车辆动态避障问题,并在仿真与实车实验中表现优于基线MPC方法。
2025-03-03 cs.RO cs.SY eess.SY
3D Path Planning and Obstacle Avoidance Algorithms for Obstacle-Overcoming Robots
Inner Mongolia University of Technology(内蒙古工业大学);Yanshan University(燕山大学)
本文介绍了一种多模式运动规划(MMP)算法,结合三维(3-D)路径规划和DWA避障算法。该算法的目的是规划的路径和运动的越障机器人在复杂的非结构化场景。提出了一种新的A-star算法,结合非结构化场景的特点,并将其转换为贪婪最佳优先策略算法。同时,将路径规划算法与DWA算法相结合,使机器人在沿全局规划路径运动的过程中能够进行局部动态避障,并将全局路径规划算法与局部避障算法相结合,使机器人在避障和越障后能够对路径进行修正。在具有多种复杂环境的工厂中进行的仿真实验验证了算法的可行性和鲁棒性。该算法能在充分考虑场景和运动障碍物特点的前提下,快速生成合理的越障机器人三维路径,并进行可靠的局部避障。
2022-09-02 cs.RO
Real-time Whole-body Obstacle Avoidance for 7-DOF Redundant Manipulators
UBTECH Robotics, Inc.(优必选机器人公司)
冗余度机器人的实时的【形】全身避障一直没有得到很好的实现,主要原因是计算量大。提出了一种冗余度机械臂在执行任务过程中,能够保证其全身实时的【形】避开运动障碍物的方法。机械手分为末端执行器和非末端执行器部分。基于动力系统理论,实现了机器人末端实时的【形】避障。此外,末端执行器可以达到给定的目标。采用零空间速度控制,实现了机器人的实时的【形】无端部障碍物避障。最后,设计了一个控制器,以确保全身避障。通过对UBTECH人形机器人的7自由度手臂的仿真和实验,验证了该方法的有效性。
2020-12-29 cs.RO
Research on Stable Obstacle Avoidance Control Strategy for Tracked Intelligent Transportation Vehicles in Non-structural Environment Based on Deep Learning
Jilin University(吉林大学)
现有的智能驾驶技术往往在平衡平稳驾驶和快速避障方面存在问题,特别是当车辆处于非结构环境时,在紧急情况下容易出现不稳定。因此,本研究结合仿人驾驶的思想,提出了一种基于长短期记忆(Attention-LSTM)深度学习模型的能够有效保证车辆稳定性的自主避障控制策略。首先,设计了自主避障控制规则,保证了无人车的安全性。其次,结合特种车辆的稳定性分析,改进了自主避障控制策略。第三,我们通过实验构建了一个深度学习避障控制,这个系统的平均相对误差为15%。最后,通过数值计算和实验验证了该控制策略的稳定性和准确性.本研究所提出的方法可确保无人车在顺利行驶的同时,能成功避开障碍物。
2022-07-30 cs.RO
Robust Vision-based Obstacle Avoidance for Micro Aerial Vehicles in Dynamic Environments
Delft University of Technology(代尔夫特理工大学)
在本文中,我们提出了一种基于视觉的方法来避免动态环境中的移动障碍物。我们的方法依赖于一个有效的障碍物检测和跟踪算法的基础上的深度图像对,它提供了估计的位置,速度和大小的障碍物。通过构造机会约束模型预测控制器(CC-MPC),使微型飞行器(MAV)与每个运动障碍物的碰撞概率小于给定阈值,实现了鲁棒避碰.该方法考虑了微型飞行器的动力学、状态估计和障碍物感知的不确定性。所提出的方法是在配备了立体摄像机的四旋翼机上实现的,并在各种环境中进行了测试,显示出有效的在线移动障碍物的碰撞避免。
2020-02-13 cs.RO
Dynamic Movement Primitives: Volumetric Obstacle Avoidance Using Dynamic Potential Functions
University of Verona(维罗纳大学)
DMPs的避障仍然是一个具有挑战性的问题。在我们以前的工作中,我们提出了一个框架的基础上超二次势函数来表示体积的避障。在这项工作中,我们扩展了我们以前的工作,包括在定义的潜在的轨迹的速度。我们的公式保证了相对于最先进的点状方法的更平滑的行为。此外,我们的新配方允许获得一个更平滑的行为,在附近的障碍物比使用静态(即速度无关)的潜力。我们验证了我们的框架避障在一个模拟的多机器人的情况下,并与不同的真实机器人:拾取和放置任务的工业机械手和手术机器人,以显示可扩展性;和导航与移动机器人在动态环境中。
2020-07-01 cs.RO
Differentiable Optimization Based Time-Varying Control Barrier Functions for Dynamic Obstacle Avoidance
New York University(纽约大学)
本文提出基于可微优化的时变控制障碍函数,将静态几何避障扩展到动态场景,并纳入测量噪声与执行器限制,通过仿真和7自由度Franka Research 3实验验证其有效性。
2024-01-24 cs.RO
Dynamical Systems based Obstacle Avoidance with Workspace Constraint for Manipulators
UBTECH Robotics, Inc.(优必选机器人有限公司)
基于动力系统理论,提出了一种考虑工作空间约束的串联机器人避障方法。分别在障碍物不与工作空间边界相交和障碍物与工作空间边界相交时,确定了考虑障碍物影响和机械手工作空间影响的两个调制矩阵。使用调制矩阵,原始DS变形。该方法可以保证根据变形DS计算的机械手轨迹既不穿透障碍物也不脱离工作空间。通过对UBTECH人形机器人左臂的仿真和实验,验证了该方法的有效性。
2020-12-29 cs.RO
Moving Obstacle Avoidance: a Data-Driven Risk-Aware Approach
California Institute of Technology(加州理工学院)
本文提出了一种新的结构化方法,移动代理预测的路径动态移动障碍物,并避免他们使用风险意识的模型预测控制(MPC)计划。给定先验未知障碍物轨迹的噪声测量,自举技术预测一组障碍物轨迹。自举预测纳入MPC优化使用的风险意识的方法,以提供概率保证避障。我们验证我们的方法使用模拟的三维多旋翼无人机,避免各种移动的障碍物,如抛出的球和空气阻力的飞盘。
2022-03-25 cs.RO
Fast Obstacle Avoidance Based on Real-Time Sensing
Swiss Federal School of Technology in Lausanne - EPFL(洛桑联邦理工学院);Massachusetts Institute of Technology(麻省理工学院)
人类擅长在动态和复杂的空间中导航和移动,例如拥挤的街道。对于机器人来说,要做到这一点,至关重要的是,它们具有高度反应性的避障能力,对局部和不良的感知具有鲁棒性。我们解决的问题,使避障稀疏和异步感知的基础上。所提出的控制方案结合了高层次的输入命令提供的规划者或人类操作员快速反应避障。基于采样的传感器数据可以与障碍物的分析重建相结合,用于实时的【形】碰撞避免。我们可以确保当障碍之间存在可行路径时,智能体不会卡住。该算法进行了实验评估静态激光数据从杂乱,室内办公室环境。此外,它还在洛桑市中心的一个动态和复杂的室外环境中以共享控制模式使用。所提出的控制方案成功地避免了在这两种情况下的冲突。在实验过程中,机载计算机上的控制器花了1毫秒来评估超过30000个数据点。
2022-05-10 cs.RO
GeoPro-VO: Dynamic Obstacle Avoidance with Geometric Projector Based on Velocity Obstacle
Zhejiang University(浙江大学);Cruise LLC(克鲁斯有限责任公司)
提出GeoPro-VO几何投影器,结合ALSPG算法将动态避障的MINLP转化为子优化问题,实现快速可靠的避障。
2024-03-15 cs.RO
Distributed Multi-Robot Obstacle Avoidance via Logarithmic Map-based Deep Reinforcement Learning
Zhejiang University(浙江大学);NetEase(网易)
在拥挤和狭窄的场景中为多个机器人开发安全,稳定和高效的避障策略具有挑战性。大多数现有的研究要么使用集中控制,要么需要与其他机器人进行通信。在本文中,我们提出了一种新的基于对数地图的深度强化学习方法,用于复杂和无通信的多机器人场景中的避障。特别是,我们的方法将激光信息转换为对数映射。作为提高训练速度和泛化性能的一步,我们的策略将在两个专门设计的多机器人场景中进行训练。与其他方法相比,对数地图能更准确地表示障碍物,提高避障成功率。最后,我们评估我们的方法在各种模拟和现实世界的情况下。实验结果表明,该方法在复杂的多机器人场景和行人场景中为机器人提供了一种更稳定、更有效的导航解决方案。有关视频,请访问https://youtu.be/r0EsUXe6MZE。
2022-09-14 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
Toward Verifiable Real-Time Obstacle Motion Prediction for Dynamic Collision Avoidance
University of Notre Dame(圣母大学)
下一代无人机(UAV)必须可靠地避开移动障碍物。现有的动态避碰方法在障碍物轨迹是线性的或已知的情况下是有效的,但是这样的限制对于许多现实世界的UAV应用是不准确的。我们提出了一种有效的方法,通过LSTM神经网络的在线训练,仅基于最近的观察来预测障碍物的运动。给定这样的预测,我们定义了一个非线性概率速度障碍(NPVO),它可以用来选择一个速度,是碰撞自由与给定的概率。我们采取了一个步骤,我们的方法的形式化验证,使用统计模型检验近似的概率,我们的系统将错误预测障碍物的运动。鉴于这样的概率,我们证明了在多智能体和互惠碰撞避免场景中的碰撞概率的上限。此外,我们在模拟中证明,我们的方法避免了最先进的方法失败的碰撞。
2019-03-11 cs.RO
Obstacle Avoidance in Dynamic Environments via Tunnel-following MPC with Adaptive Guiding Vector Fields
Chalmers University of Technology(查尔姆斯理工大学);Lund University(隆德大学)
本文提出了一种机器人在动态环境中的运动控制方案与凹障碍。一个模型预测控制器(MPC)被构造为驱动机器人朝向目标位置,同时确保避免碰撞,而不直接使用的障碍物信息的优化问题。这是通过保证一个适当设计的滚动时域路径的跟踪性能来实现的。该路径使用定义在自由工作空间的子空间中的引导向量场来计算,其中子空间中的每个点满足到所有障碍物的最小距离的标准。仿真结果表明了该控制方案的有效性。
2023-03-28 cs.RO
REBot: Reflexive Evasion Robot for Instantaneous Dynamic Obstacle Avoidance
School of Computing, National University of Singapore(计算学系,新加坡国立大学);Department of Electrical and Computer Engineering, National University of Singapore(电气与计算机工程系,新加坡国立大学)
针对四足机器人在快速动态障碍下轨迹重规划失效的问题,提出基于有限状态机集成规避与恢复策略的REBot控制框架,实现瞬时低延迟避障,显著提升成功率与鲁棒性。
2025-08-08 cs.RO
Towards Monocular Vision based Obstacle Avoidance through Deep Reinforcement Learning
University of Oxford(牛津大学)
避障是在现实世界中运行并与现实世界互动的自主机器人的基本要求。当感知仅限于单目视觉时,由于缺乏3D信息,避免碰撞变得更具挑战性。传统的避障路径规划器需要调整许多参数,并且不具有直接受益于大型数据集和连续使用的能力。本文提出了一种基于决斗结构的深度双Q网络(D3QN),用于避障,仅使用单目RGB视觉。基于决斗和双Q机制,D3QN可以有效地学习如何避免模拟器中的障碍物,即使从RGB图像预测的深度信息非常嘈杂。大量的实验表明,与普通的深度Q网络相比,D3QN能够实现两倍的学习加速,并且仅在虚拟环境中训练的模型可以直接转移到真实的机器人上,从而很好地推广到具有以前看不见的动态对象的各种新环境。
2017-06-29 cs.RO
Flow Synthesis Based Visual Servoing Frameworks for Monocular Obstacle Avoidance Amidst High-Rises
IIIT Hyderabad(海得拉巴国际信息技术学院);Toshiba Europe(东芝欧洲)
提出了一种新的基于流综合的视觉伺服框架,使微型飞行器(MAV)在摩天大楼之间飞行时能够实现远距离避障。最近基于深度学习的框架使用光流来进行高精度视觉伺服。在本文中,我们探讨的问题:我们可以为这些高精度的视觉伺服方法,这导致避障设计一个代理流?我们重新审视了显着性的概念,以确定高层建筑/接近攻击线之间的其他竞争的摩天大楼和建筑物作为碰撞障碍。一个合成的流被用来取代显着的对象分割掩模。该流量的计算使得视觉伺服控制器操纵MAV安全地绕过障碍物。在这种方法中,我们使用多步交叉熵方法(CEM)的伺服控制,以实现流量收敛,从而避免障碍物。我们使用这种新颖的管道成功地和持续地操纵高层建筑,并在模拟和照片般逼真的真实世界场景中达到目标。我们进行了广泛的实验,并比较我们的方法与光流和短距离基于深度的避障方法,以证明所提出的框架的优点。其他可视化可以在https://sites.google.com/view/monocular-obstacle/home上找到
2022-07-07 cs.RO