Real-time Uncertainty-Aware Motion Planning for Magnetic-based Navigation
University of Florida(佛罗里达大学);Air Force Research Lab(空军研究实验室)
本文提出一种用于磁导航的实时不确定性感知运动规划算法,通过机载磁力计和信息驱动方法根据定位置信度调整轨迹,在路线效率与降低定位不确定性间取得平衡,提升了复杂环境下导航的精度与可靠性。
2024-07-26 cs.RO cs.SY eess.SY
Grounding-aware RRT* for Path Planning and Safe Navigation of Marine Crafts in Confined Waters
Technical University of Denmark(丹麦技术大学)
本文提出了一种基于RRT* 的路径规划算法,该算法解决了在规避机动以避免碰撞期间接地的风险。规划者通过将集体航行经验与系统使用电子航海图的水深信息相结合来实现这一目标。多元核密度估计应用于历史AIS数据生成一个概率模型,描述海员的最佳做法,而在封闭水域航行。然后将此知识编码到RRT* 成本函数中,以惩罚将导致自己的船在浅水中航行的路径偏差。满足自身船舶吃水的深度等值线定义了实际的通航区域,并采用该非凸区域的三角剖分以实现均匀采样。这确保了最佳的路径偏差。
2021-09-14 cs.RO cs.SI cs.SY
Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments
Daniel Guggenheim School of Aerospace Engineering(丹尼尔·古根海姆航空航天工程学院);Georgia Institute of Technology(佐治亚理工学院)
针对自主空间探索中环境交互与感知系统的不确定性导致的安全规划问题,提出结合AO-RRT采样规划与序列凸规划的风险感知动力学运动规划方法,可将轨迹风险降低约97%。
2026-08-12 cs.RO cs.SY eess.SY
STEP: Stochastic Traversability Evaluation and Planning for Risk-Aware Off-road Navigation
University of Tokyo(东京大学);California Institute of Technology(加州理工学院);Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
虽然地面机器人自主性在结构化和受控环境中得到了广泛的应用,但在未知和越野地形中的自主性仍然是一个难题。极端、越野和非结构化的环境,如未开发的荒野、洞穴和瓦砾,给自主导航带来了独特而具有挑战性的问题。为了解决这些问题,我们提出了一种方法来评估可穿越性和规划一个安全的,可行的,快速的轨迹实时。我们的方法,我们命名为STEP(随机可通行性评估和规划),依赖于:1)快速的不确定性感知映射和可通行性评估,2)尾部风险评估使用的条件风险值(CVaR),和3)有效的风险和约束感知运动规划使用基于序列二次规划(SQP)模型预测控制(MPC)。我们分析了我们的方法在模拟和验证其有效性轮式和腿式机器人平台探索极端地形,包括废弃的地铁和地下熔岩管。
2021-06-25 cs.AI cs.RO cs.SY
Model Predictive Planner for UAV Navigation in Non-Convex Air Corridors
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);University of Bergamo(贝加莫大学)
研究无人机在非凸空中走廊的导航规划,核心方法是基于混合整数跟踪模型预测控制公式,嵌入特定成本与约束,主要贡献是生成满足约束且收敛目标的动态有效轨迹,无需外部全局规划。
2026-07-28 cs.RO cs.SY eess.SY
Integrated Task and Motion Planning for Safe Legged Navigation in Partially Observable Environments
Georgia Institute of Technology(佐治亚理工学院)
本研究提出一个阶层式整合架构,以解决在动态障碍物与不平坦地形之部分可观察环境中,双足移动之安全作业与运动规划问题。高级任务规划器采用线性时序逻辑(LTL)的机器人和它的环境之间的反应式游戏合成,并提供了一个正式的保证导航安全和任务完成。为了解决环境部分可观测性问题,在高层导航规划器中采用置信抽象来估计动态障碍物的位置。因此,合成动作规划器将一组运动动作发送到中间级运动规划器,同时结合基于运动过程的降阶模型(ROM)从安全定理提取的安全运动规范。运动规划器采用ROM来设计安全标准和采样算法来生成精确跟踪高级动作的非周期性运动计划。在低层次上,实现了基于角动量线性倒立摆模型的脚放置控制器,并与踝关节驱动的基于无源性的控制器集成,用于全身轨迹跟踪。为了解决外部扰动,本研究还探讨了安全的关键帧运动状态的顺序组成,并实现了强大的过渡,对外部扰动,通过可达性分析。整个TAMP框架进行了验证与广泛的模拟和硬件实验上的双足步行机器人Cassie和Digit设计的敏捷机器人。
2023-03-08 cs.RO cs.SY eess.SY
TRG-planner: Traversal Risk Graph-Based Path Planning in Unstructured Environments for Safe and Efficient Navigation
School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)(韩国科学技术院电气工程学院)
本文提出 TRG-planner,利用遍历风险图(TRG)在非结构化环境中实现安全且距离高效的路径规划,并通过分层管理与图优化兼顾安全性和路径长度,在真实四足机器人实验中验证了其优越性。
2025-01-03 cs.RO cs.SY eess.SY
TD3 Based Collision Free Motion Planning for Robot Navigation
Northeastern University(东北大学);University of Michigan, Ann Arbor(密歇根大学安娜堡分校);Columbia University(哥伦比亚大学)
本文提出TD3-DWA混合算法,融合DWA与TD3并优化采样间隔参数,实现复杂环境下机器人无碰撞路径规划,仿真实验验证其提升自主导航可靠性与安全性。
2024-05-24 cs.RO
Dynamic Channel: A Planning Framework for Crowd Navigation
Carnegie Mellon University(卡内基梅隆大学);Honda Research Institute(本田研究所)
在密集的人类环境中的实时导航是机器人技术中的一个具有挑战性的问题。大多数现有的路径规划器不能考虑行人的动态,因为在搜索空间中引入时间作为额外的维度在计算上是禁止的。或者,大多数局部运动规划器只解决即将发生的碰撞避免,而不能提供长期的最优性。在这项工作中,我们提出了一种方法,称为动态通道,解决这个全球到本地的困境。我们的方法结合了高层次的拓扑路径规划和低层次的运动规划到一个完整的流水线。通过将路径规划问题表述为三角空间中的图搜索,我们的规划器能够明确地推理障碍动态并有效地捕获环境变化。我们评估我们的方法在公共行人数据集上的效率和性能,并将其与最先进的动态避障规划算法进行比较。
2019-03-01 cs.RO
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
Navigational Path-Planning For All-Terrain Autonomous Agricultural Robot
劳动力的短缺和维护成本的增加迫使许多农业企业家转向自动化和机械化方法。自主系统的关键组成部分是所使用的路径规划技术。覆盖路径规划(CPP)算法用于在农田上导航,以执行各种农业操作,如播种、犁耕或喷洒农药和肥料。本文报告比较了新的算法,自主导航的农田。为了减少导航的限制,考虑到特定的印度环境的高分辨率网格地图表示。通过将网格单元区分为覆盖的、未探索的、部分探索的和存在障碍物来覆盖自由空间。比较算法的性能进行评估,如时间效率,空间效率,准确性和鲁棒性的变化,在环境中的指标。采用机器人操作系统(ROS)、达索系统体验平台(3DS Experience)、MATLAB和Python对算法进行了仿真。实验结果证明了该算法在自主野外导航中的适用性和在机器人路径规划中的可行性。
2021-09-07 cs.CV cs.RO
Motion Planning and Control for Mobile Robot Navigation Using Machine Learning: a Survey
Army Research Laboratory(陆军研究实验室);University of Texas at Austin(德克萨斯大学奥斯汀分校);Sony AI(索尼人工智能研究院)
在复杂环境中移动是智能移动机器人的基本能力。数十年的研究和工程一直致力于开发复杂的导航系统,以将移动机器人从一个点移动到另一个点。尽管它们总体上取得了成功,但最近出现的一个研究方向是致力于开发机器学习技术来解决同样的问题,这在很大程度上是基于深度学习的成功。然而,到目前为止,还没有太多的古典和新兴范式之间的直接比较,这个问题。在这篇文章中,我们调查最近的作品,适用于机器学习的运动规划和控制移动机器人导航,经典的导航系统的背景下。所调查的作品被分为不同的类别,这些类别描述了学习方法与经典方法的关系。基于这种分类,我们确定了共同的挑战和有前途的未来方向。
2022-02-26 cs.RO
Task-Motion Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
本文提出了一种集成任务-运动规划(TMP)的大规模环境下导航框架。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。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,例如导航到的区域;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。我们讨论了一个概率完整的方法,利用这种任务-运动交互导航在室内域,返回一个计划,是最佳的任务级。此外,我们的框架是为了运动规划下的运动和感知的不确定性,这是正式称为信念空间规划。底层的方法进行了验证与模拟办公环境中的凉亭。此外,我们讨论了局限性,并提供改进和未来工作的建议。
2019-10-24 cs.AI cs.RO
Intent Prediction-Driven Model Predictive Control for UAV Planning and Navigation in Dynamic Environments
Carnegie Mellon University(卡内基梅隆大学)
针对动态环境下无人机导航感知不可靠、轨迹易失效的问题,提出整合感知、MDP意图预测与MPC规划的导航框架,经仿真与实物实验验证,其碰撞次数少于基准方法,提升了导航安全性。
2025-03-23 cs.RO
Bridging Deep Reinforcement Learning and Motion Planning for Model-Free Navigation in Cluttered Environments
Department of Mechanical Engineering(机械工程系);University of California Riverside(加州大学河滨分校)
本文提出将基于图的运动规划与深度强化学习相结合,通过覆盖状态空间的图结构设计稠密奖励函数,以解决杂乱环境中无模型导航的探索不足问题,显著提升了探索效率和任务成功率。
2025-07-03 cs.RO
Agile and Safe Trajectory Planning for Quadruped Navigation with Motion Anisotropy Awareness
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, China(华中科技大学人工智能与自动化学院)
本文提出了一种考虑四足机器人运动各向异性的导航框架,通过轨迹生成与优化提升导航效率和安全性。
2024-03-15 cs.RO
Information-Based Trajectory Planning for Autonomous Absolute Tracking in Cislunar Space
本文提出一种基于互信息的地月空间低推力移动观测器轨迹规划方法,通过序贯凸规划平衡信息增益与控制代价,以提升自主绝对跟踪性能。
2024-08-30 cs.IT cs.RO cs.SY
Towards Multi-Robot Task-Motion Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
自主机器人在大型知识密集型领域中运行,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上进行推理,例如要导航到的区域或要拾取的对象及其属性;另一方面,必须在控制器执行级别上检查相应导航任务的可行性。此外,采用多个机器人提供比执行相同任务的单个机器人增强的性能能力。为此,我们提出了一个集成的多机器人任务运动规划框架导航知识密集型领域。特别是,我们认为一个分布式的多机器人设置机器人之间的相互观察。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。基本的方法和它的局限性进行了讨论,为改进和未来的工作提供了建议。我们验证我们的方法在模拟的关键方面。
2020-10-01 cs.AI cs.RO
Robot Navigation Anticipative Strategies in Deep Reinforcement Motion Planning
机器人在动态城市环境中的导航,需要精心设计的预期策略,以避免与动态物体(如自行车或行人)发生碰撞,并具有人类意识。我们已经开发和分析了三个预期的策略,在运动规划考虑到未来的运动的移动对象,可以移动到18公里/小时。首先,我们使用了我们的混合策略,该策略来自深度确定性策略梯度(DDPG)训练和社会力模型(SFM),并且我们在四个具有许多行人的复杂地图场景中进行了模拟测试。其次,我们已经使用这些预期的策略在现实生活中的实验中使用的混合运动规划方法和ROS导航堆栈与动态窗口的方法(NS-DWA)。在模拟和现实生活中的实验结果表明,在开放的环境中,也在狭窄的空间混合场景非常好的结果。
2022-10-15 cs.LG cs.RO
Learning Social Navigation from Demonstrations with Deep Neural Networks
Bogazici University(博加齐大学)
针对机器人社交导航需求,本研究利用深度学习在全局和局部规划层面的进展,训练两个分别对应不同目标的深度模型并应用于仿真机器人,实现了性能优于前馈神经网络的人类感知导航。
2024-04-17 cs.RO
Edge Accelerated Robot Navigation With Collaborative Motion Planning
University of Macau(澳门大学);The University of Hong Kong(香港大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Zhejiang University(浙江大学);Weizmann Institute of Science(魏茨曼科学研究所)
提出边缘加速机器人导航(EARN),通过协同运动规划与模型预测切换,在资源约束下最大化切换增益,实现实时避障,显著减少导航时间并提高成功率。
2024-06-25 cs.RO
ARMP: Autoregressive Motion Planning for Quadruped Locomotion and Navigation in Complex Indoor Environments
Georgia Institute of Technology(佐治亚理工学院)
由于足式机器人复杂的动力学特性,使其产生自然的、物理上可行的运动一直是一个具有挑战性的问题。在这项工作中,我们介绍了一种新的基于学习的框架自回归运动规划器(ARMP)的四足动物的运动和导航。我们的方法可以生成运动计划与任意长度的自回归的方式,不像大多数离线轨迹优化算法的固定轨迹长度。为此,我们首先通过解决各种场景和参数设置的密集轨迹优化问题来构建运动库。然后,我们从数据集学习的运动流形在监督学习的方式。我们表明,建议的ARMP可以产生物理上合理的各种任务和情况下的运动。我们还展示了我们的方法可以成功地集成到最近的机器人导航框架作为一个低级别的控制器,并释放复杂的室内导航的足式机器人的全部能力。
2023-03-28 cs.RO
Enhancing Social Robot Navigation with Integrated Motion Prediction and Trajectory Planning in Dynamic Human Environments
School of Information Science, Japan Advanced Institute of Science and Technology(日本先进科学技术学院信息科学学院);University of Engineering and Technology, Vietnam National University Hanoi(越南国家大学河内工程技术大学)
本文提出一种集成运动预测与轨迹规划的方法,通过将人类交互信息融入TEB算法目标函数并设计社交约束,实现动态人类环境中的安全社交导航,实验验证其优越性能。
2024-11-04 cs.RO
Hybrid Map-Based Path Planning for Robot Navigation in Unstructured Environments
National University of Defense Technology(国防科技大学)
快速准确的路径规划对于地面机器人在非结构化户外环境中实现安全高效的自主导航至关重要。然而,大多数利用2D或2.5D地图的现有方法都难以平衡地面机器人在这种具有挑战性的场景中导航的效率和安全性。在本文中,我们提出了一种新的混合地图表示融合的2D网格和2.5D数字高程图。在此基础上,提出了一种新的路径规划方法,它考虑了机器人的位姿在可通过性估计。通过这样做,我们的方法显式地将安全性作为规划约束,使机器人能够顺利地在非结构化环境中导航。所提出的方法已经在模拟数据集和真实机器人平台上进行了评估。实验结果证明了该方法的有效性和实用性。与最先进的基线方法相比,所提出的方法始终为机器人在不同的非结构化户外环境中生成更安全,更容易的路径。我们的方法的实现可在https://github.com/nubot-nudt/T-Hybrid-planner公开获得。
2023-03-09 cs.RO
Understanding Path Planning Explanations
Ulm University(乌尔姆大学);University of Sarajevo(萨拉热窝大学)
本文提出通过视觉和文本解释使移动机器人的导航决策对人类可理解,并计划通过用户研究评估解释的可理解性和简洁性。
2023-11-13 cs.AI cs.HC cs.RO
RAVEN: Reinforcement-Adaptive Visibility-Graph Planning for Robust Humanoid Navigation with Collision-Free MPC
Robotics and Mechanisms Laboratory (RoMeLa), Department of Mechanical and Aerospace Engineering, University of California, Los Angeles(机器人与机构实验室(RoMeLa),机械与航天工程系,加利福尼亚大学洛杉矶分校)
研究针对人形机器人在动态环境中的导航问题,提出RAVEN框架,通过强化学习自适应调整可见性图规划器几何结构,结合无碰撞MPC层跟踪轨迹,经实验评估,该方法能减少超调、提高狭窄通道稳健性及在延迟噪声下可靠导航。
2026-07-20 cs.RO
Smooth Path Planning Using a Gaussian Process Regression Map for Mobile Robot Navigation
ONERA, Université Paris-Saclay(ONERA、巴黎-萨克雷大学)
针对非结构化危险环境中的地面机器人导航,提出基于 GPR 连续地形表示并结合 A*、T-RRT 与 BCO 的平滑路径规划框架,实验验证了联合使用连续表示和不同先验的优势。
2024-07-08 cs.RO
Beyond Shortsighted Navigation: Merging Best View Trajectory Planning with Robot Navigation
提出连续长时程视角规划(LHVP)框架,通过耦合机械臂相机视角与移动底座导航规划,优化四足机器人巡视时的环境覆盖率,显著优于传统巡视方法。
2024-08-22 cs.RO
Learning Wheelchair Tennis Navigation from Broadcast Videos with Domain Knowledge Transfer and Diffusion Motion Planning
Georgia Institute of Technology(佐治亚理工学院)
提出零样本知识迁移与扩散运动规划框架,从网球转播视频学习专家导航策略,并在真实轮椅上验证了高成功率。
2025-05-08 cs.RO
PRM-RL: Long-range Robotic Navigation Tasks by Combining Reinforcement Learning and Sampling-based Planning
Google Brain(谷歌大脑);University of New Mexico(新墨西哥大学)
我们提出了PRM-RL,远程导航任务完成的分层方法,结合基于采样的路径规划与强化学习(RL)。RL代理学习短距离,点对点的导航策略,捕获机器人动态和任务约束,而无需大规模拓扑结构的知识。接下来,基于采样的规划者提供连接机器人配置的路线图,这些配置可以由RL代理成功导航。相同的RL代理用于在规划的指导下控制机器人,从而实现远程导航。我们使用概率路线图(PRM)的抽样为基础的规划。RL代理是在连续状态和动作空间中使用基于特征的深度神经网络策略构建的。我们评估PRM-RL,无论是在模拟和机器人上,在两个导航任务与非平凡的机器人动力学:端到端的差分驱动室内导航在办公室环境中,在城市环境中的空中货物交付与负载位移的限制。我们的研究结果表明,在任务完成的RL代理自己和传统的抽样为基础的规划。在室内导航任务中,PRM-RL在嘈杂的传感器条件下成功完成了长达215米的轨迹,而空中货物交付在比训练中使用的环境大6300万倍的环境中完成了超过1000米的飞行,而没有违反任务限制。
2018-05-16 cs.AI cs.LG cs.RO
Comparison of Path Planning Algorithms for Autonomous Vehicle Navigation Using Satellite and Airborne LiDAR Data
Budapest University of Technology and Economics(布达佩斯技术与经济大学);HUN-REN Institute for Computer Science and Control (SZTAKI)(HUN-REN计算机科学与控制研究所 (SZTAKI))
本研究比较了多种路径规划算法在卫星和LiDAR数据生成的2D/3D道路网络上的性能,发现Dijkstra算法在路径成本、时间和内存方面表现最稳定高效,为自动驾驶静态地形导航提供了可靠选择。
2025-07-08 cs.AI cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));The Chinese University of Hong Kong(香港中文大学);The University of British Columbia(不列颠哥伦比亚大学)
在人口密集的动态环境中,机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地,移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑,分为全局路径规划和局部路径规划。在此框架内,路径规划方法的最新进展,在文件中,同时检查他们的优点和缺点。值得注意的是,最近开发的速度障碍法及其变种,作为当地的规划者进行了全面的分析。此外,作为当前机器人应用中广泛使用的无模型方法,本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
CBF-Based STL Motion Planning for Social Navigation in Crowded Environment
University of Modena and Reggio Emilia(摩德纳与雷焦艾米利亚大学);University of Modena(摩德纳大学)
本文提出一种结合CBF与STL的运动规划方法,通过引入旋转约束将用户保持在机器人视场内,实现拥挤环境中安全且可定制的社会责任导航,并通过仿真验证其有效性。
2024-03-30 cs.RO
Intention-Aware Navigation in Crowds with Extended-Space POMDP Planning
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出了一种混合在线部分可观测马尔可夫决策过程(POMDP)规划系统,解决了存在的多模态不确定性的环境中的其他代理的自主导航问题。作为一个特殊的例子,我们考虑在密集的行人和障碍物之间的自主导航的问题。这个问题的流行方法首先使用完整的规划器(例如,混合A*)与关于不确定性的特设假设,然后使用在线基于树的POMDP求解器来推理不确定性,并控制问题的有限方面(即沿着路径的速度)。我们提出了一种更有能力和响应更快的实时方法,使POMDP规划者能够控制更多的自由度(例如,速度和航向),以实现更灵活、更高效的解决方案。这种修改极大地扩展了POMDP规划器必须推理的状态空间的区域,显著地增加了在实时的控制提供的有限计算预算内找到有效的铺开策略的重要性。我们的关键见解是使用多查询运动规划技术(例如,ProbabilityRoadmaps或FastMarchingMethod)作为先验,用于为POMDP规划树在其有限范围搜索期间可能到达的每个状态快速生成有效的推出策略。我们提出的方法生成的轨迹是安全的,比以前的方法更有效,即使在密集拥挤的动态环境中,规划的视野很长。
2022-06-20 cs.AI cs.RO
Autonomous Intelligent Navigation for Flexible Endoscopy Using Monocular Depth Guidance and 3-D Shape Planning
City University of Hong Kong(香港城市大学);Hong Kong Center for Logistics Robotics(香港物流机器人中心);The Chinese University of Hong Kong(香港中文大学)
柔性内窥镜的感知和决策的最新进展在计算机辅助手术干预中显示出巨大的潜力。然而,由于柔性内窥镜中的建模不确定性和患者间解剖变化,在患者特定场景中有效和安全导航的挑战仍然存在。本文提出了一种新的数据驱动的框架,自包含的视觉形状融合的自主智能导航的柔性内窥镜,不需要系统模型和全局环境的先验知识。提出了一种基于学习的自适应视觉伺服控制器,通过视觉Transformer(ViT)的单目深度估计,在线更新手眼视觉电机的配置并控制内窥镜的方向.为了防止与周围解剖结构的不必要的和过度的相互作用,能量激励的形状规划算法通过嵌入式光纤布拉格光栅(FBG)传感器的整个内窥镜3-D本体感受引入。此外,模型预测控制(MPC)策略的发展,以最小化的弹性势能流,同时优化转向策略。在几个幻影环境中的机器人辅助柔性内窥镜与光纤光栅光纤专用导航实验证明了所提出的框架的有效性和适应性。
2023-02-26 cs.RO
Efficient Global Navigational Planning in 3D Structures based on Point Cloud Tomography
Hong Kong University of Science and Technology(香港科技大学);University College London(伦敦大学学院);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对复杂3D场景导航需求,提出基于点云层析成像的高效全局导航框架,通过并行计算加速场景评估与轨迹生成,在仿真和真实四足机器人测试中均显著提升规划效率。
2024-03-12 cs.RO
Terrain-Aware Local Path Planning with Global DEM Data Integration for Autonomous UGV Navigation
Memorial University of Newfoundland(纽芬兰纪念大学);Compusult Ltd.(康普萨尔特有限公司)
本研究针对UGV户外导航中全局地图与实时传感器反馈脱节的问题,提出融合DEM与LiDAR的混合路径规划框架,经仿真验证可提升障碍物规避率、降低平均坡度,为可靠自主导航提供支撑。
2026-08-19 cs.RO
Bridging the Gap: Regularized Reinforcement Learning for Improved Classical Motion Planning with Safety Modules
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
提出利用经典算法指导强化学习并引入安全后备系统的方法,在无需人类示范的情况下提升了RL的收敛速度与结果,实现了样本高效且保证安全的移动导航。
2024-03-27 cs.RO
FM-Planner: Foundation Model Guided Path Planning for Autonomous Drone Navigation
School of Mechanical and Aerospace Engineering, Nanyang Technological University(机械与航空航天工程学院,南洋理工大学)
本文提出FM-Planner,利用基础模型(LLM和VLM)引导无人机路径规划,通过仿真基准测试和真实实验验证其可行性,为自主导航提供实际实现。
2025-05-27 cs.AI cs.RO
Prediction-Driven Motion Planning: Route Integration Strategies in Attention-Based Prediction Models
Institute of Measurement and Control Systems, Karlsruhe Institute of Technology (KIT)(测量与控制系统研究所,卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(信息技术研究所以)
本文提出基于注意力机制的运动预测模型,通过整合导航信息提升预测与规划任务的性能。
2025-12-03 cs.RO
Topology-Guided Path Planning for Reliable Visual Navigation of MAVs
Seoul National University(首尔国立大学)
视觉导航已广泛应用于微型飞行器(MAVs)的状态估计。为了稳定的视觉导航,MAV应该生成感知感知路径,以保证足够的可见地标。许多感知路径规划的工作集中在基于采样的规划器。然而,他们可能遭受的样本效率低下,这导致计算负担,以找到一个全局最优路径。为了解决这个问题,我们提出了一个感知感知路径规划器,利用拓扑信息的环境。由于路径的拓扑类与路径上的可见地标密切相关,该算法通过检查不同的拓扑类来选择具有丰富视觉信息的拓扑类。从环境的广义沃罗诺伊图中提取拓扑图,找到具有不同拓扑类的初始路径,并将初始路径划分为离散段,每段中的点共享相似的视觉信息,以评价不同拓扑类的感知质量.该算法首先选择感知质量高的最优类,然后利用基于图的规划器在类内生成路径。通过仿真和真实世界的实验,我们证实了所提出的方法可以保证准确的视觉导航相比,感知不可知的方法,同时显示出更高的计算效率比基于采样的感知感知规划。
2021-07-19 cs.RO
Multi-Strategy Enhanced COA for Path Planning in Autonomous Navigation
City University of Hong Kong(香港城市大学);PetroChina Southwest Oil & Gasfield Company(中国石油西南油气田公司)
本文提出多策略增强小龙虾优化算法(MCOA),通过折射反向学习、随机质心引导探索和自适应竞争选择三种策略解决复杂环境下自主导航路径规划收敛慢和解次优问题,在3D无人机和2D移动机器人场景中显著提升了规划速度与路径质量。
2025-03-04 cs.RO
CBF-Based Motion Planning for Socially Responsible Robot Navigation Guaranteeing STL Specification
University of Modena and Reggio Emilia(摩德纳与雷焦艾米利亚大学);Department of Sciences and Methods for Engineering (DISMI)(科学与工程方法系(DISMI))
本文针对社交责任导航中的安全关键导航问题,提出一种基于CBF的STL运动规划方法,通过实时计算平滑CBF和动态调整参数,在速度约束下保证任务按时完成并满足时空约束。
2024-03-30 cs.RO
Neural Radiance Maps for Extraterrestrial Navigation and Path Planning
Stanford University(斯坦福大学)
本文提出利用神经辐射场构建地图,用于自主导航中的路径规划,通过整合局部和全局信息,实现更高效的路径规划。
2026-03-18 cs.CV cs.RO
Dual-BEV Nav: Dual-layer BEV-based Heuristic Path Planning for Robotic Navigation in Unstructured Outdoor Environments
Software Engineering Institute, East China Normal University(华东师范大学软件工程学院);School of Geospatial Information, Information Engineering University(信息工程大学地理空间信息学院);College of Computer and Cyber Security, Fujian Normal University(福建师范大学计算机与网络空间安全学院)
针对非结构化室外环境路径规划难题,提出 Dual-BEV Nav 方法,通过整合局部与全局 BEV 可通行性建立双层启发式规划范式,显著提升了时间距离预测精度并实现了长距离室外导航。
2025-01-30 cs.RO
BenchNav: Simulation Platform for Benchmarking Off-road Navigation Algorithms with Probabilistic Traversability
Keio University(庆应义塾大学);Nagoya University(名古屋大学)
本文提出BenchNav,一个基于PyTorch和Gymnasium的开源仿真平台,用于在不确定可通行性下对越野导航算法进行基准测试,提供数据生成、可通行性预测和统一规划执行功能,并通过三种代表性算法验证其多功能性。
2024-05-22 cs.RO
Accelerating Signal-Temporal-Logic-Based Task and Motion Planning of Bipedal Navigation using Benders Decomposition
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(机器人与智能机器研究所,佐治亚理工学院)
针对双足导航中信号时序逻辑约束下任务与运动规划的NP难及非凸约束加剧的计算复杂度问题,提出基于Benders分解的迭代割平面方法,将问题划分为主问题与子问题,实验证明其规划速度快于其他算法。
2025-08-20 cs.RO
Social Navigation Planning Based on People's Awareness of Robots
University of Texas at Austin(德克萨斯大学奥斯汀分校)
当移动机器人在人类附近移动时,它们会冒着粗暴地挡住人类道路的风险;但并非所有人在机器人周围的行为都是一样的。没有注意到机器人的人是最难预测的。本文研究了移动机器人如何在动态环境中通过预测人类行为来生成可接受的路径。在这里,人的行为可能包括身体行为和心理行为,我们侧重于后者。我们引入了一个简单的安全交互模型:当人类似乎不知道机器人时,它应该避免走得太近。在这项研究中,机器人周围的人检测和跟踪使用传感器融合和过滤技术。为了处理动态环境中的不确定性,部分可观测马尔可夫决策过程模型(POMDP)被用来制定在共享环境中的导航规划问题。在POMDP中,人们对机器人的意识被推断并包括为状态和奖励模型。所提出的计划,使机器人改变其导航计划的基础上,其感知每个人的机器人意识。据我们所知,这是一种新的能力。我们进行模拟和实验,使用丰田人类支持机器人(HSR),以验证我们的方法。我们证明了所提出的框架是能够实时运行。
2018-09-24 cs.RO
FFI-VTR: Lightweight and Robust Visual Teach and Repeat Navigation based on Feature Flow Indicator and Probabilistic Motion Planning
Department of Automation, University of Science and Technology of China (USTC)(自动化系,中国科学技术大学)
本文提出FFI-VTR方法,通过特征流与运动的定性映射和概率运动规划,实现无需精确定位与稠密重建的轻量鲁棒视觉示教与重复导航。
2025-07-17 cs.RO
POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
提出可嵌入的 POA 规划器,通过识别可通行与不可通行障碍物,让两轮机器人在高度杂乱环境中穿越可通行障碍,并较 GVD、A*、RRT* 最多缩短路径 43%、时间 39%。
2023-07-16 cs.AI cs.RO
Neural Navigation Functions for Zero-Shot Generalizable Motion Planning
University of Pennsylvania, United States(宾夕法尼亚大学,美国);Department of Mechanical Engineering and Applied Mechanics(机械工程与应用力学系);Department of Electrical and Systems Engineering(电气与系统工程系)
提出神经导航函数(Neural-NF),通过将数据驱动适应嵌入结构化椭圆规划器,实现跨未见环境几何的零样本迁移,并保证无碰撞、单调下降和全局最小值。
2026-06-02 cs.LG cs.RO
SPADE: Towards Scalable Path Planning Architecture on Actionable Multi-Domain 3D Scene Graphs
Robotics and AI, Luleå University of Technology(机器人与人工智能,卢勒奥技术大学)
针对现有场景图路径规划方法遇障需全图重规划效率低的问题,提出结合分层规划与局部几何感知的SPADE框架,通过可通行边有信息采样降复杂度,经仿真与四足机器人实机验证可高效处理动态场景导航。
2025-07-30 cs.RO
Unified Generation-Refinement Planning: Bridging Guided Flow Matching and Sampling-Based MPC for Social Navigation
University of Washington(华盛顿大学);NVIDIA(英伟达)
本文提出一种结合奖励引导条件流匹配与模型预测路径积分的统一生成-细化框架,以提升社交导航中安全、任务性能和计算时间的平衡。
2026-03-22 cs.RO
NEAT-NC: NEAT guided Navigation Cells for Robot Path Planning
ISI Laboratory, National School of Applied Sciences (ENSA), Abdelmalek Essaadi University(阿德莱尔梅萨迪大学应用科学学院智能研究所);EsieaLab LDR, Higher School of Computer Science, Electronics and Automation (ESIEA)(高等计算机科学、电子与自动化学校)
本文提出NEAT-NC算法,利用导航细胞和递归神经网络提升动态环境中的路径规划性能,展示其在复杂环境中的适应性。
2026-04-16 cs.AI cs.NE cs.RO