带障碍物不确定性的可证明安全机器人导航
本研究提出了一种基于 Hamilton-Jacobi 可达性的实时安全分析方法,该方法可以在未知的环境下为自主车辆提供强有力的安全保障。
May, 2019
我们提出一种可行的、基于强化学习和约束控制轨迹规划的无人机多智能体安全运动规划器,可以处理不确定的、杂乱的工作空间,并确保安全性、避免碰撞。该方法能够实时实施,相对于仅基于学习的方法,训练过程更简单,数值模拟和实验证明了该方法的有效性。
Oct, 2023
本文提出了一种考虑机器人状态和环境不确定性的安全运动规划方法,旨在解决机器人定位中地标不确定性的问题,并给出了在高斯分布机器人运动、感知和障碍位置不确定性下的碰撞概率的精确表达式。
May, 2023
本文提出使用贝叶斯框架观察人类行为对模型准确性的影响,从而实现安全的机器人预测和运动规划。该方法可以建立一种概率保障的安全证书,并以四轴飞行器为例进行演示。
May, 2018
此研究比较了两种可学习导航策略(安全和不安全),表明安全策略能够在训练过程中生成具有更大间隙(与障碍物之间的距离)的轨迹,减少碰撞,且不影响整体性能。
Jul, 2023
针对智能四旋翼无人机,本文提出了一种稳健可靠的自主规划系统,结合动态障碍物的跟踪和轨迹预测实现高效可靠的自主飞行,采用轻量级目标检测算法识别动态障碍物,利用卡尔曼滤波跟踪和估计其运动状态,在规划阶段不仅考虑静态障碍物而且考虑动态障碍物的潜在移动,使用基于 B 样条的轨迹搜索算法生成轨迹,并通过各种约束进一步优化以提高安全性和与无人机运动特征的一致性,在仿真和实际环境中进行实验,结果表明我们的方法能够实时检测和避开动态环境中的障碍物,相较现有方法在可靠性上有更大优势。此外,在自然语言处理(NLP)技术展示出卓越的零样本泛化能力的进展下,更友好的人机交互变得可行,本研究还探索了自主规划系统与大型语言模型(LLMs)的集成。
Nov, 2023
该研究介绍了一种最小化控制和感知不确定性以确保安全可靠的自主车辆导航的框架,由两个不确定性感知模型组成:基于机器学习的车辆动力学模型和自我监督遍历估计模型。
Jun, 2023
提出了一种基于高斯过程(GP)的模型,用于主动检测未来运动规划失败的风险,并在风险超过阈值时触发恢复行为来从事实现目标的安全状态。该方法仅在仿真环境中进行训练,并可以泛化到不同机器人平台的实际环境中。仿真和物理实验证明了该框架既能预测规划器的失败,又能将机器人恢复到可能成功规划的状态,并以敏捷的运动方式进行操作。
Feb, 2024
本研究提出了一种基于不确定性的模型学习算法,以实现移动机器人学习导航和避免碰撞的目标,该算法可以估计碰撞概率并通过不确定度来控制行进速度,并利用神经网络从传感器中处理原始数据,实验结果表明,该方法能在模拟和真实的四旋翼和遥控汽车中有效地减少训练期间的危险碰撞。
Feb, 2017