Composable Model-Free RL for Navigation with Input-Affine Systems
Boston University(波士顿大学)
本文提出了一种可组合的无模型强化学习方法,用于具有输入仿射系统的导航,通过在线组合学习的价值函数和策略实现目标到达和碰撞避免。
2026-02-13 cs.LG cs.RO
Exploration of Reinforcement Learning for Event Camera using Car-like Robots
The University of Tokyo(东京大学);Keio University(庆应义塾大学)
我们展示了第一个学习应用程序的机器人配备了一个事件摄像机。由于事件摄像机的延迟相当低,与使用标准摄像机的现有基于视觉的学习应用相比,可以实现更快的机器人控制。为了处理强化学习的事件流,我们引入了一个类似图像的功能,并证明了在模拟器中训练代理的两个任务的可行性:快速避碰和障碍物跟踪。最后,我们在现实世界中设置了一个带有事件摄像机的机器人,然后转移了在模拟器中训练的代理,从而成功地快速避免了随机投掷的物体。将事件摄像机应用到强化学习中,通过端到端学习方法,为需要快速控制的各种机器人应用(如自动驾驶汽车和无人机)开辟了新的可能性。
2020-04-02 cs.AI cs.LG cs.RO
Safely: Safe Stochastic Motion Planning Under Constrained Sensing via Duality
University of Texas at Austin(德克萨斯大学奥斯汀分校);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
考虑一个机器人在一个不确定的环境与随机,动态障碍。尽管轨迹优化有明显的好处,但由于传感和硬件限制,通常很难在每个时间步长跟踪每个障碍物。我们介绍的安全运动规划,滚动时域控制框架,同时合成的轨迹,机器人遵循以及传感器选择策略,规定了自动相关的障碍物,同时尊重传感器的限制,以测量在每个时间步。我们使用序列二次规划进行运动规划,并规定障碍感的基础上的对偶信息与凸子问题。我们通过确保机器人与任何障碍物碰撞的概率在规划的机器人轨迹的每个时间步长都低于规定的阈值来保证安全。我们通过软件和硬件实验证明了安全运动规划器的有效性。
2022-03-05 cs.RO cs.SY eess.SY
Flying on Point Clouds with Reinforcement Learning
Huzhou Institute, Zhejiang University(浙江大学湖州研究院);College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院);North China Electric Power University (Baoding)(华北电力大学(保定))
本文结合机载3D激光雷达与sim-to-real强化学习,通过点云的专用替代表示简化学习并保留细粒度感知,实现了50Hz低延迟控制的四旋翼在杂乱环境中的自主避障飞行。
2025-03-01 cs.RO
Deep Reinforcement Learning-Based Mapless Crowd Navigation with Perceived Risk of the Moving Crowd for Mobile Robots
School of Digital Science, Universiti Brunei Darussalam(文莱达鲁萨兰大学数字科学学院)
针对DRL人群导航泛化与可扩展性不足,本文在观测空间引入碰撞概率并结合局部路径点训练,实现多场景无需微调的安全无地图导航。
2023-09-23 cs.AI cs.LG cs.RO
Using Deep Reinforcement Learning Methods for Autonomous Vessels in 2D Environments
Institute for Big Data Analytics, Dalhousie University(达尔豪西大学大数据分析研究所);Institute for Computer Science, Polish Academy of Sciences(波兰科学院计算机科学研究所)
无人水面车辆技术(USVs)是一个令人兴奋的话题,它基本上是部署一种算法来安全有效地执行任务。尽管强化学习是一种众所周知的建模这种任务的方法,但当结合偏离策略和函数近似时,可能会发生不稳定和发散。在这项工作中,我们使用深度强化学习将Q学习与神经表示相结合,以避免不稳定性。我们的方法使用深度Q学习,并将其与敏捷方法的滚动波规划方法相结合。我们的方法包含两个关键部分,以便在未知环境中执行任务。第一种是路径规划器,负责生成到达目的地的潜在有效路径,而不考虑根的细节。后者是一个决策模块,负责在价值函数的背景下,在不久的将来USV开发步骤中避免障碍物的短期决策。使用两种算法进行模拟:一个基本的香草血管导航仪(VVN)作为基线和一个改进的血管导航仪与计划和局部视图(VNPLV)。实验结果表明,所提出的方法提高了VVN的性能平均为55.31长距离任务。我们的模型通过深度强化学习在未知环境中规划自适应路径,成功地证明了避障。
2020-03-23 cs.AI cs.LG
A Twin Delayed Deep Deterministic Policy Gradient Algorithm for Autonomous Ground Vehicle Navigation via Digital Twin Perception Awareness
The School of Electronics, Electrical Engineering and Computer Science, Queens University, Belfast(贝尔法斯特女王大学电子、电气工程与计算机科学学院)
本文提出一种基于数字孪生感知感知的TD3算法,无需预先创建虚拟环境状态即可实现UGV避障与路径规划,有效缩小仿真到现实的迁移差距。
2024-03-22 cs.RO cs.SY eess.SY
Multi-Vehicle Mixed-Reality Reinforcement Learning for Autonomous Multi-Lane Driving
University of Cambridge(剑桥大学)
自动驾驶有望改变道路交通。然而,多车辆和多车道的情况下,提出了独特的挑战,由于受约束的导航和不可预测的车辆相互作用。基于学习的方法--例如深度强化学习--正在成为自动设计智能驾驶策略的一种有前途的方法,可以应对这些挑战。然而,安全地学习多车辆驾驶行为的过程是困难的:虽然碰撞-及其接近避免-对于学习过程至关重要,但直接对自动驾驶车辆执行不成熟的政策会引起相当大的安全问题。在本文中,我们提出了一个安全有效的框架,可以学习在共享工作空间中运行的自动驾驶车辆的驾驶策略,在这种情况下,无法保证没有碰撞。我们的学习过程的关键是一个sim 2 real的方法,使用现实世界的在线政策适应在混合现实设置,其中其他车辆和静态障碍物存在于虚拟域。这使我们能够通过模拟学习代理与虚拟现实中的其他对象之间的碰撞(并从中学习)来执行安全学习。我们的研究结果表明,在混合现实中运行几次后,碰撞显着减少。
2020-02-10 cs.AI cs.LG cs.MA
Decentralized Motion Planning for Multi-Robot Navigation using Deep Reinforcement Learning
SRM Institute of Science and Technology(SRM科学技术学院)
这项工作提出了一个分散的运动规划框架,用于解决使用深度强化学习的多机器人导航任务。开发了一个自定义的仿真器,以实验研究4个合作的非完整机器人的导航问题,共享有限的状态信息,在3个不同的设置。采用了分散的运动规划的概念,共同和共享的策略学习,这使得强大的训练和测试这种方法在随机环境中,因为代理是相互独立的,并表现出异步运动行为。通过为智能体提供稀疏的观察空间并要求它们生成连续的动作命令,以有效而安全地导航到各自的目标位置,同时避免与其他动态对等体和静态障碍物发生碰撞,任务进一步加重。实验结果报告的定量措施和定性评论的培训和部署阶段。
2020-11-20 cs.AI cs.LG cs.MA
Autonomous Driving Implementation in an Experimental Environment
Sakarya University(萨卡里亚大学)
自主系统需要识别环境,在将其安全地付诸实践之前还有很长的路要走。在自动驾驶系统中,障碍物和交通信号灯的检测与车道跟踪一样重要。在这项研究中,自主驾驶系统的开发和测试的实验环境中,为此目的而设计。在该系统中,具有摄像头的模型车辆用于跟踪车道和避开障碍物,以实验研究自动驾驶行为。训练卷积神经网络模型进行车道线跟踪。针对车辆避障问题,分别建立了角点检测、光流、焦点扩展、碰撞时间、平衡计算和决策机制。
2021-05-23 cs.CV cs.LG cs.RO
Semantically-Aware Strategies for Stereo-Visual Robotic Obstacle Avoidance
University of Minnesota–Twin Cities(明尼苏达大学双城分校)
移动机器人在非结构化、无地图环境中必须依靠避障模块来安全导航。标准的回避技术估计障碍物相对于机器人的位置,但不知道障碍物的身份。因此,机器人在决定如何导航时无法利用障碍物的语义信息。我们提出了一个避障模块,结合视觉实例分割与深度图分类和定位场景中的对象。该系统基于对象的身份有区别地避开障碍物:例如,该系统在响应不可预测的对象(例如人类)时更加谨慎。该系统还可以更接近无害的障碍物,并忽略不构成碰撞危险的障碍物,使其能够更有效地导航。我们验证我们的方法在两个模拟环境:一个陆地和水下。结果表明,我们的方法是可行的,可以使更有效的导航策略。
2021-07-13 cs.RO
Distributed Control within a Trapezoid Virtual Tube Containing Obstacles for Robotic Swarms Subject to Speed Constraints
Tiangong University(天津工业大学);Beihang University(北京航空航天大学)
本文将梯形虚拟管道扩展至含静态障碍物且受严格速度约束的场景,提出分布式群体控制器与避障切换逻辑,并经形式化证明、数值仿真和真实实验验证了其有效性。
2024-09-23 cs.RO
Walking in Narrow Spaces: Safety-critical Locomotion Control for Quadrupedal Robots with Duality-based Optimization
University of California, Berkeley(加州大学伯克利分校)
本文提出一种结合指数离散控制屏障函数与对偶避障约束的四足机器人安全运动控制框架,利用多面体精确描述形状,实现真实世界中狭窄空间的安全自主导航。
2023-08-09 cs.RO
Behavioural Repertoire via Generative Adversarial Policy Networks
School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
学习算法使机器人能够解决日益具有挑战性的现实任务。这些方法通常依赖于演示并复制所示的行为。环境中的意外变化可能需要使用不同的行为来实现相同的效果,例如在不断变化的混乱中达到并抓住物体。一个新兴的范例解决这个鲁棒性问题是学习一组不同的成功的行为,为一个给定的任务,机器人可以选择最合适的政策时,面对一个新的环境。在本文中,我们探索了一种新的实现这一愿景,通过学习生成模型的政策。而不是学习一个单一的政策,或一个小的固定的剧目,我们的生成模型的政策competencies编码一个无限数量的政策,并允许新的控制器变量进行采样。利用我们的生成策略网络,机器人可以对新的行为进行采样,直到找到适合新环境的行为。我们证明了这个想法与应用程序的强大的球投掷障碍物的存在。我们表明,这种方法实现了更大的多样性的行为比现有的进化方法,同时保持良好的采样行为的功效,使巴克斯特机器人击中目标时,更经常在障碍物的存在下投球。
2020-02-18 cs.AI cs.LG cs.RO
DPMPC-Planner: A real-time UAV trajectory planning framework for complex static environments with dynamic obstacles
Carnegie Mellon University(卡内基梅隆大学)
由于环境结构复杂、动态障碍物、测量噪声和不可预测的移动障碍物行为等不确定性,无人机的安全导航具有挑战性。虽然最近的大量工作实现了复杂的静态环境中的安全导航与复杂的映射算法,如占用地图和ESDF地图,这些方法不能可靠地处理动态环境中由于移动障碍物的映射限制。为了解决这个问题,本文提出了一个轨迹规划框架,以实现安全导航,考虑复杂的静态环境与动态障碍。为了可靠地处理动态障碍物,我们将环境表示分为静态映射和动态对象表示,这可以通过计算机视觉方法来获得。我们的框架首先生成一个静态轨迹的基础上提出的迭代走廊收缩算法。然后,反应机会约束模型预测控制与时间目标跟踪应用于避免动态障碍物的不确定性。在各种环境下的仿真结果表明,我们的算法在复杂的静态环境中的动态障碍物的安全导航的能力。
2022-03-12 cs.AI cs.RO
Avoiding dynamic small obstacles with onboard sensing and computating on aerial robots
University of Hong Kong(香港大学)
在实际应用中,自主四旋翼仍然面临重大挑战,例如检测和避免非常小的甚至动态的障碍物(例如,树枝、电线)。在本文中,我们提出了一种紧凑,集成,完全自主的四旋翼系统,它可以在混乱的环境中安全飞行,同时避免动态的小障碍物。我们的四旋翼平台配备了一个前视三维(3D)光探测和测距(激光雷达)传感器来感知环境,以及一台机载嵌入式计算机来执行所有的估计,映射和规划任务。具体而言,计算机估计UAV的当前姿态,维护本地地图(时间累积点云KD树),并使用运动动力学A* 搜索来计算到目标点的安全轨迹。整个感知和规划系统可以在50 Hz下运行,并经过精心优化。各种室内和室外实验表明,该系统可以避免动态的小障碍物(下至20毫米直径的酒吧),同时飞行速度为2米/秒,在杂乱的环境。我们的代码和硬件设计在Github上开源。
2021-02-28 cs.RO
Path Planning with Potential Field-Based Obstacle Avoidance in a 3D Environment by an Unmanned Aerial Vehicle
University of Zagreb, Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
本文研究未知环境下空中机器人的路径规划与避障问题,提出一种基于旋转组件改进 APF 的算法,结合 MPC 跟踪器实现轨迹快速重规划,仿真表明其有效解决了局部极小值问题并生成了更优避障路径。
2023-06-28 cs.RO
An Integrated Localisation, Motion Planning and Obstacle Avoidance Algorithm in Belief Space
University of Genoa(热那亚大学)
随着机器人越来越多地被用于接近人类和物体,机器人必须在现实世界条件下安全有效地运行。然而,环境很少被完全了解。噪声传感器和致动误差复合到在估计环境特征时引入的误差。我们提出了一种新的方法(1)将这些不确定性的机器人状态估计和(2)计算碰撞的概率有关的估计机器人配置。给出了碰撞概率的无穷级数表达式,并证明了其收敛性。截断误差的上界也来自和所需的条款的数量证明通过分析不同的机器人和障碍配置的收敛性。我们评估我们的方法,使用两个模拟域,使用基于路线图的策略来合成满足碰撞概率界限的轨迹。
2021-01-27 cs.AI cs.RO
RoboNav-Arm: Agentic AI-Driven Navigation and Obstacle Avoidance for Robotic Manipulator in Cluttered Environments
Centre for Artificial Intelligence and Robotics (CAIR), Indian Institute of Technology Mandi(人工智能与机器人中心(CAIR),印度曼迪理工学院)
针对杂乱环境中机器人操纵器面临的挑战,提出含环境、中央协调和规划模块的安全任务执行框架,能实时检测与定位障碍物,依环境选算法规划轨迹并优化,在Gazebo Classic中评估,展现动态场景鲁棒性。
2026-07-14 cs.RO
Active Safety Envelopes using Light Curtains with Probabilistic Guarantees
Carnegie Mellon University(卡内基梅隆大学)
为了安全地在未知环境中航行,机器人必须准确地感知动态障碍物。我们没有直接使用LiDAR传感器测量场景深度,而是探索使用一种更便宜、分辨率更高的传感器:可编程光幕。光幕是可控的深度传感器,仅沿用户选择的表面进行感测。我们使用光幕来估计场景的安全范围:一个将机器人与所有障碍物隔开的假设表面。我们表明,生成感测随机位置(从特定分布)的光幕可以快速发现具有未知对象的场景的安全包络。重要的是,我们产生的理论上的安全保证的概率检测障碍物使用随机窗帘。我们将随机窗帘与基于机器学习的模型相结合,该模型可以有效地预测和跟踪安全外壳的运动。我们的方法准确地估计安全信封,同时提供概率安全保证,可用于验证机器人感知系统的效率,以检测和避免动态障碍物。我们评估我们的方法在一个模拟的城市驾驶环境和现实世界的环境中移动的行人使用光幕设备,并表明我们可以有效地估计安全信封。项目网址:https://siddancha.github.io/projects/active-safety-envelopes-with-guarantees
2021-07-08 cs.AI cs.CV cs.LG
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
Planning Smooth and Safe Control Laws for a Unicycle Robot Among Obstacles
Faculty of Information Technology and Electrical Engineering, University of Oulu(奥卢大学信息科技与电气工程学院);Department of Advanced Computing Sciences, Maastricht University(马斯特里赫特大学高级计算科学系)
本文提出了一种框架,用于在存在障碍物的环境中安全导航单轮点机器人至目标位置,通过引入新的QP公式生成减少总弯曲和总转向的Cinfinity光滑向量场,并设计非线性反馈控制器保证安全集的前向不变性。
2026-04-19 cs.RO
Probabilistic Trajectory Planning for Static and Interaction-aware Dynamic Obstacle Avoidance
University of Southern California(南加州大学)
无碰撞移动机器人导航是许多机器人应用的重要问题,特别是在杂乱的环境中。在这种环境中,障碍物可以是静态的或动态的。动态障碍物还可以是交互式的,即根据其他实体的行为改变其行为。机器人系统的感知和预测模块创建这种环境的概率表示和预测。在本文中,我们提出了一种新的预测表示的动态障碍物的交互行为。然后,我们提出了一个实时的轨迹规划算法,概率避免碰撞对静态和互动的动态障碍,并产生动态可行的轨迹。在决策过程中,我们的规划器模拟动态障碍物的互动行为,以响应规划机器人采取的行动。我们显式地减少碰撞概率对静态和动态的障碍物使用多目标搜索制定。然后,我们制定了一个二次规划,以安全地适应一个平滑的轨迹搜索结果,同时试图保持搜索过程中计算的碰撞概率。我们评估我们的算法广泛的模拟,以显示其在不同的环境和配置下使用78000随机生成的情况下的性能。我们比较其性能的静态和动态避障使用4500随机生成的情况下,一个国家的最先进的轨迹规划算法。我们表明,我们的算法实现了高达3.8倍的成功率,使用低至0.18倍的时间基线使用。我们实现了我们的算法的物理四旋翼,并显示其在现实世界中的可行性。
2023-02-24 cs.RO
Provably Safe Robot Navigation with Obstacle Uncertainty
随着无人机和自动驾驶汽车的普及,机器人在现实条件下安全运行变得越来越重要。输入真实系统的噪声信息意味着机器人必须使用对环境的估计来规划导航。在这些情况下,有效地保证所产生的运动计划是安全的已被证明是困难的。我们研究如何保证一个轨迹或政策是安全的,只有不完美的观察环境。我们研究了各种数学形式主义的安全性的影响,并得出了一个数学概念的安全性的长期执行,即使在观测信息的条件。我们提出了有效的算法,可以证明轨迹或政策是安全的,比以前的工作更严格的界限。值得注意的是,环境的复杂性不会影响我们的方法评估轨迹或策略是否安全的能力。然后,我们使用这些安全检查方法来设计一个安全的RRT规划算法的变体。
2017-05-31 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
Unified Control Framework for Real-Time Interception and Obstacle Avoidance of Fast-Moving Objects with Diffusion Variational Autoencoder
本文提出基于扩散变分自编码器的统一控制框架,通过离线稠密轨迹图与扩展卡尔曼滤波实现机械臂对快速运动目标的实时拦截与动态避障。
2024-04-02 cs.AI 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
Provably Safe Trajectory Optimization in the Presence of Uncertain Convex Obstacles
Massachusetts Institute of Technology(麻省理工学院)
现实世界的环境本质上是不确定的,为了在这些环境中安全运行,机器人必须能够围绕这种不确定性进行规划。在运动规划的上下文中,我们希望系统能够在机器人移动时保持可接受的安全水平,即使不知道附近障碍物的确切位置。在本文中,我们解决这个机会约束运动规划问题,使用顺序凸优化框架。为了约束碰撞的风险所产生的计划运动,我们采用几何对象称为$ε$ -阴影计算机器人和不确定的障碍物之间的碰撞风险的上限。我们使用这些$ε$阴影为基础的估计约束的非线性轨迹优化问题,然后我们解决迭代线性化的非凸风险约束。这种顺序优化方法可以快速找到完成所需运动的轨迹,同时保持用户指定的碰撞风险限制。我们的方法可以应用于具有任意凸几何形状的机器人和环境;即使在复杂的环境中,它也能在不到一秒的时间内运行,并为规划轨迹的安全性提供可证明的保证,从而实现在现实环境中快速,反应和安全的机器人运动。
2020-03-17 cs.RO
Local Path Planning with Dynamic Obstacle Avoidance in Unstructured Environments
Sabanci University(萨班哲大学);German Aerospace Center (DLR)(德国航空航天中心)
针对无人地面车辆在动态障碍物密集非结构化环境中的局部路径规划问题,提出结合基于切线的路径规划与外推方法的决策算法,通过处理多项式轨迹动态障碍物,生成无碰撞路径,实现安全导航。
2025-11-11 cs.RO math.DS math.OC
Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications
Department of Marine Technology, Norwegian University of Science and Technology(挪威科学技术大学海洋技术系)
本文提出一种混合风险感知导航架构,结合障碍物概率建模与平滑轨迹优化,提升自主水面 vessel 在动态环境中的安全性和自主性。
2026-03-24 cs.RO
Keep it Upright: Model Predictive Control for Nonprehensile Object Transportation with Obstacle Avoidance on a Mobile Manipulator
Technical University of Munich(慕尼黑工业大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所);University of Toronto Robotics Institute(多伦多大学机器人研究所);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所);Vector Institute for Artificial Intelligence(矢量人工智能研究所)
本研究提出一种全身约束的模型预测控制方法,用于移动机械臂在非抓取平衡物体时快速避障,并通过最小静态可行摩擦系数增强鲁棒性,实验验证了高达2.0米/秒速度和7.9米/秒²加速度的性能。
2023-10-16 cs.RO
Neural Networks in Mobile Robot Motion
研究了在部分结构化环境中安全移动的自主机器人的路径规划与智能控制问题。这个环境可能涉及任意数量的障碍物,它们的形状和大小都是任意的;其中一些是允许移动的。我们描述了我们的方法来解决移动机器人控制中的运动规划问题,使用神经网络为基础的技术。本文提出了一种基于两个神经网络的机器人无碰撞路径的构造方法。第一神经网络用于使用超声测距仪数据来确定“自由”空间。第二个神经网络为工作空间中路径的下一个机器人部分“找到”安全方向,同时避开最近的障碍物。所提出的技术生成的路径的仿真例子。
2004-12-11 cs.AI 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
DODGER: Safety-Guided Reinforcement Learning for Robot Navigation Among Dynamic Obstacles
Yonsei University(延世大学);Seoul National University(首尔大学);University of Michigan(密歇根大学);Korea Institute of Science and Technology (KIST)(韩国科学技术研究院)
提出DODGER安全引导强化学习框架,直接执行策略动作并利用CBF过滤参考和约束违反塑造避碰行为,在仿真和真实人形实验中实现无运行时安全过滤器的动态障碍物导航。
2026-10-06 cs.RO cs.SY eess.SY
Danger-aware Adaptive Composition of DRL Agents for Self-navigation
National University of Singapore(新加坡国立大学)
自主导航是指移动机器人在避免与障碍物碰撞的同时自动到达目标的能力,是移动机器人所需的基本技能。近年来,深度强化学习(DRL)在机器人导航算法的发展中显示出巨大的潜力。然而,训练机器人同时学习到达目标和避障的技能仍然是困难的。另一方面,虽然提出了许多基于DRL的避障算法,但很少有人被重用于更复杂的导航任务。本文提出了一种新的导航感知自适应组合(DAAC)框架,将两个单独的DRL训练的代理,避障和目标达成,构建一个导航代理没有任何重新设计和再训练。这种自适应合成方法的关键在于,避障智能体输出的价值函数作为评估当前情况的风险水平的指标,这反过来又决定了这两个智能体对下一步行动的贡献。仿真和实际测试结果表明,组合导航网络可以控制机器人完成困难的导航任务,在未知复杂环境中安全、快速地实现一系列连续目标。
2020-01-08 cs.RO
Realtime Trajectory Smoothing with Neural Nets
Nanyang Technological University(南洋理工大学);DENSO CORP.(电装公司);Eureka Robotics(尤里卡机器人公司)
为了安全有效地与人类合作,工业机器人需要能够快速改变其运动,以应对环境的突然变化,例如在规划的轨迹上出现障碍物。在实时运动规划中,通过视觉系统实时的检测障碍物,并相对于障碍物的当前位置规划新的轨迹,并立即在机器人上执行。然而,现有的实时运动规划器缺乏平滑后处理步骤-这在基于采样的运动规划中至关重要-导致规划的轨迹不稳定,因此效率低下且不太人性化。在这里,我们提出了一个实时轨迹平滑的基础上的捷径技术来解决这个问题。利用一种新的神经网络的快速间隙推理,所提出的方法是能够一致地平滑的6自由度工业机器人手臂的轨迹在200 ms内的商业GPU。我们将建议平滑到一个完整的视觉-运动规划-执行循环,并展示了一个实时的,平滑的,性能的工业机器人受到动态障碍。
2022-03-17 cs.RO
Vision-aided UAV navigation and dynamic obstacle avoidance using gradient-based B-spline trajectory optimization
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于机载视觉和梯度B样条轨迹优化的无人机导航方法,结合引导点算法与滚动时域距离场同时避开静态和动态障碍物,实现实时安全导航。
2024-01-12 cs.AI cs.RO
Robot Patrol: Using Crowdsourcing and Robotic Systems to Provide Indoor Navigation Guidance to The Visually Impaired
Purdue University(普渡大学)
本文提出Robot Patrol集成系统,融合众包、计算机视觉与机器人框架,为视障人士提供室内障碍物、活动及情境导航信息,并通过Wizard of Oz实验评估其优势与局限。
2023-06-05 cs.CY cs.RO
Safe Navigation using Neural Radiance Fields via Reachable Sets
Researcher, Hitachi America Ltd.(Hitachi America Ltd.研究人员);Sr. Researcher, Hitachi America Ltd.(Hitachi America Ltd.高级研究人员)
本文提出利用可达集和神经辐射场进行安全导航,通过约束最优控制解决路径规划问题,验证了在复杂环境中安全避障的能力。
2026-04-29 cs.RO cs.SY eess.SY
NeuroHJR: Hamilton-Jacobi Reachability-based Obstacle Avoidance in Complex Environments with Physics-Informed Neural Networks
Department of Physical Science, Indian Institute of Science Education and Research(物理科学系,印度科学教育与研究学院);Department of Aerospace Engineering, Indian Institute of Science(航空航天工程系,印度科学研究院);Department of Computer Science and Engineering, Shiv Nadar University(计算机科学与工程系,施瓦斯纳大学)
NeuroHJR利用物理引导神经网络近似Hamilton-Jacobi可达性方法,实现复杂环境中高效实时障碍物避障。
2025-12-01 cs.RO cs.SY eess.SY
Exploring Adversarial Obstacle Attacks in Search-based Path Planning for Autonomous Mobile Robots
Department of Computer Science, University College London(计算机科学系,伦敦大学学院)
研究针对自主移动机器人路径规划中对抗性障碍攻击的鲁棒性,通过模拟和现实实验验证攻击对路径规划的影响,揭示环境因素对算法鲁棒性的重要性。
2025-12-08 cs.RO
Vision-Based Goal-Conditioned Policies for Underwater Navigation in the Presence of Obstacles
University of Toronto(多伦多大学);McGill University(麦吉尔大学)
我们提出了Nav2Goal,一种用于目标条件视觉导航的数据高效和端到端学习方法。我们的技术是用来训练的导航政策,使机器人导航接近稀疏的地理航点提供的用户没有任何事先的地图,所有同时避免障碍物和选择的路径,覆盖用户知情的感兴趣的区域。我们的方法是基于条件模仿学习的最新进展。由人类专家演示通用、安全和信息化的操作。学习的政策,随后扩展到目标条件的训练与后见之明重新标记,由机器人的相对定位系统,这不需要额外的手动注释的指导。我们将我们的方法部署在公海的水下机器人上,以收集珊瑚礁的科学相关数据,这使得我们的机器人能够安全自主地操作,即使在非常接近珊瑚的地方。我们的现场部署已经展示了超过一公里的自主视觉导航,机器人可以到达40个航路点,同时收集科学相关的数据。这是在距离敏感珊瑚0.5米的高度范围内进行的,并表现出明显的学习敏捷性,以克服动荡的海洋条件,并积极避免碰撞。
2020-06-29 cs.RO
ClearNav: Perception-Aligned Quadrotor Flight Using Differential-Physics
Worcester Polytechnic Institute(伍斯特理工学院);Northeastern University(东北大学)
ClearNav是一种基于微分物理的导航策略,通过约束运动方向、惩罚障碍物附近速度,在仿真和真实杂乱环境中提升四旋翼飞行的成功率、降低碰撞率。
2026-10-14 cs.AI cs.LG cs.RO
Arena-Bench: A Benchmarking Suite for Obstacle Avoidance Approaches in Highly Dynamic Environments
Berlin Institute of Technology(柏林工业大学)
安全自主导航的能力,特别是在动态环境中,对移动机器人来说至关重要。近年来,DRL方法在动态避障方面表现出优越的性能。然而,这些基于学习的方法通常是在专门设计的仿真环境中开发的,并且很难与传统的规划方法进行测试。此外,这些方法到真正的机器人平台的集成和部署尚未完全解决。在本文中,我们提出了阿里纳板凳,一个基准套件训练,测试和评估导航规划在不同的机器人平台上的三维环境。它提供了设计和生成高度动态评估世界、场景和自主导航任务的工具,并完全集成到机器人操作系统中。为了展示我们的套件的功能,我们在我们的平台上训练了一个DRL代理,并将其与各种现有的基于模型和基于学习的导航方法进行了比较。最后,我们部署了真实机器人的方法,并证明了结果的可重复性。该代码可在github.com/ignc-research/arena-bench上公开获取。
2022-07-11 cs.RO cs.SY eess.SY
Safe Polytope-in-Polytope Motion Planning and Control with Control Barrier Functions
KU Leuven(鲁汶大学)
提出一种安全局部运动规划与控制方法,通过模型预测控制器中的离散时间控制障碍函数约束,保证多面体机器人足迹始终位于连续更新的凸自由空间内,计算时间随障碍物数量增加最多降低91倍。
2026-06-08 cs.RO
Collision-Aware Traversability Analysis for Autonomous Vehicles in the Context of Agricultural Robotics
Université de Haute-Alsace(上阿尔萨斯大学);Université Clermont Auvergne(克莱蒙奥弗涅大学);Technology & Strategy Engineering SAS
本文针对农业机器人非结构化环境中的安全导航问题,提出一种基于LIDAR与多光谱相机三维光谱地图的碰撞感知可通过性分析方法,融合多光谱植被检测指标和物理可通过性指标,使机器人能安全通过可变形障碍物。
2025-03-11 cs.RO
LiDAR point-cloud processing based on projection methods: a comparison
Shanghai Jiao Tong University(上海交通大学);Politecnico di Milano(米兰理工大学)
准确和快速响应的感知系统是自动驾驶汽车安全运行的基础。3D目标检测方法处理由LiDAR传感器给出的点云,以提供每次检测的准确深度和位置信息,以及其尺寸和分类。然后,该信息用于跟踪自动驾驶车辆周围的车辆和其他障碍物,并且还用于向控制单元馈送以确保避免碰撞和运动规划。现今,目标检测系统可分为两大类。第一种是基于几何的,它利用对3D点的几何和形态学操作来检索障碍物。秒是基于深度学习的,其处理3D点,或3D点云的细化,使用深度学习技术来检索一组障碍物。本文对这两种方法进行了比较,并在一辆真正的自动驾驶汽车上实现了每个类。估计的算法的准确性进行了评估与实验测试进行蒙扎ENI电路。本车和障碍物的位置由GPS传感器通过RTK校正给出,这保证了比较的准确地面实况。这两种算法都已在ROS上实现,并在消费者笔记本电脑上运行。
2020-08-03 cs.RO
Safety-Control of Mobile Robots Under Time-Delay Using Barrier Certificates and a Two-Layer Predictor
Wayne State University(韦恩州立大学)
执行快速和敏捷的机动是必不可少的自主移动机器人的安全操作。此外,时间延迟的存在限制了系统的响应时间,并且妨碍了安全性能。因此,本文提出了一种模块化和可扩展的安全控制设计,利用史密斯预测器和障碍证书,以安全和一致地避免不同的足迹障碍。所提出的解决方案包括一个两层的预测补偿伺服系统和角度控制回路中的时间延迟。建议的预测器配置显着提高了瞬态性能,并减少了响应时间。障碍证书用于确定机器人航向角的安全范围,以避免碰撞。所提出的避障技术可以方便地与各种轨迹跟踪算法集成,从而提高了设计的灵活性。角度条件是自适应计算和校正机器人的航向角和角速度。此外,该方法还可以适应多个障碍物,并从障碍物的形状,数量和分布来简化控制结构。该控制结构只有8个可调参数,便于大型移动机器人系统的控制校准和调整。大量的实验结果验证了安全控制的有效性。
2021-04-30 cs.RO cs.SY eess.SY
Autonomous search of an airborne release in urban environments using informed tree planning
Loughborough University(拉夫堡大学);Defence Science and Technology Laboratory(国防科学技术实验室)
使用自动驾驶汽车进行化学品源定位是灾害响应团队安全有效地处理化学品紧急情况的关键工具。虽然已经进行了大量的工作,使用自主系统的源定位,大多数以前的作品都假设一个开放的环境或采用简单的避障,独立的估计过程。在本文中,我们探讨了耦合的路径规划任务的源项估计和避障的整体框架。所提出的系统智能地产生潜在的气体采样位置的基础上,当前估计的风场和本地地图。然后,执行树搜索以生成朝向估计的源位置的路径,该路径绕过任何障碍物并且仍然允许探索潜在的优越采样位置。建议的知情树规划算法,然后测试对Entrotaxis技术在一系列高保真度的模拟。所提出的系统被发现,以减少源位置误差更有效地比Entrotaxis在一个功能丰富的环境,同时也表现出更加一致和强大的结果。
2022-10-04 cs.RO
Online Efficient Safety-Critical Control for Mobile Robots in Unknown Dynamic Multi-Obstacle Environments
Technical University of Munich(慕尼黑工业大学);University of Science and Technology Beijing(北京科技大学)
本文提出基于LiDAR的在线安全控制框架,通过DBSCAN聚类、最小包围椭圆和卡尔曼滤波在线构建动态控制屏障函数,并引入缓冲区减少激活数量,实现未知动态多障碍环境中的高效安全导航。
2024-02-26 cs.AI cs.RO
A Generalized Continuous Collision Detection Framework of Polynomial Trajectory for Mobile Robots in Cluttered Environments
The University of Hong Kong(香港大学);Baidu Research(百度研究院)
在本文中,我们介绍了一种广义连续碰撞检测(CCD)框架的移动机器人沿多项式轨迹在杂乱的环境中,包括各种静态障碍物模型。具体来说,我们发现,机器人和障碍物之间的碰撞条件可以转化为一组多项式不等式,其根可以有效地解决所提出的求解器。此外,我们测试了不同类型的移动机器人与各种运动学和动力学的约束,在我们的广义CCD框架,并验证它允许可证明的碰撞检查,并可以计算准确的时间的影响。此外,我们结合我们的架构与导航系统中的路径规划器。受益于我们的CCD方法,移动机器人能够安全地工作在一些具有挑战性的场景。
2022-06-27 cs.RO
Chance-Constrained Trajectory Optimization for High-DOF Robots in Uncertain Environments
Massachusetts Institute of Technology(麻省理工学院)
机器人技术的许多实际应用需要系统能够在不确定性的情况下安全运行。在运动规划的背景下,两种类型的不确定性是特别重要的规划安全的机器人轨迹时。第一个是环境不确定性-附近障碍物位置的不确定性,源于传感器噪声或(在障碍物未来位置的情况下)预测误差。第二类不确定性是机器人自身状态的不确定性,通常由跟踪或估计误差引起。为了实现高水平的安全性,机器人有必要考虑这两个不确定性来源。在本文中,我们提出了一种风险有界的轨迹优化算法,称为具有风险优化的顺序凸优化(SCORA),以解决机会约束的运动规划问题,尽管存在环境不确定性和跟踪误差。通过模拟实验,我们证明了SCORA显着优于国家的最先进的风险意识的运动规划者在规划时间和所产生的轨迹的安全。
2023-01-31 cs.RO
Sampling-based Path Planning Algorithms: A Survey
WPI(伍斯特理工学院)
本文综述自主机器人路径规划领域的基于采样算法,介绍地图表示类型,重点分析PRM、RRT及其优化版本PRM*、RRT*的优化实现与优势。
2023-04-23 cs.RO
Reactive Exploration of Unknown Environments for Redundant Robots using Virtual Model Control
University of Bologna(博洛尼亚大学);University of Cambridge(剑桥大学)
针对冗余机械臂在未知环境中的探索问题,提出一种基于评分选择目标体素和虚拟模型控制的主动探索方法,实现全身反应式避障,在120秒内达到90%以上地图覆盖率。
2026-10-07 cs.RO