Oct, 2019

未知环境中的映射预测运动规划

PDF
TL;DR本研究提出结合地图预测和运动规划的统一方法，用于安全、高效自主导航未知环境中的动态约束机器人，避免了传统方法在选择中间目标时依赖于启发式方法。通过使用机器人对其环境的观测结果作为背景信息，我们设计了一种基于数据驱动的地图预测方法，将其作为规划轨迹的依据，从而实现了不依赖于边界选择的运动规划。实验表明，相对于朴素的边界追赶方法，本地图预测运动规划策略在减少轨迹所需时间方面有明显改善，并且与使用更复杂的边界选择启发式方法的方法相比，具有更短的计算时间。
发现论文，激发创造
  • 面向敏捷自主机器人在未知环境中的导航与恢复的基于 GP 的鲁棒运动规划框架

    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

  • 基于前向仿真的机器人探索规划

    本研究针对部分已知环境探索问题，以信息论目标函数为目标，将其视为部分可观察马尔可夫决策过程 (POMDP)，并通过 open-loop 逼近算法求解。提出了新的互信息采样逼近方法用于移动机器人，结果显示 POMDP 探索算法在某些情况下可以提高性能。

    Feb, 2015

  • PEANUT: 预测和导航到未知目标

    本文提出了一种学习环境中空间和语义规律的简单方法，通过从不完整的语义地图中预测未观测对象的位置来实现。该方法可以轻松地使用少量数据进行监督式训练，并可以在没有强化学习的情况下，将模型融入到 ObjectNav 的模块化流程中，该模型在 HM3D 和 MP3D ObjectNav 数据集上取得了最佳成果。

    Dec, 2022

  • 虚拟到实际的深度强化学习：用于无地图导航的移动机器人连续控制

    通过深度强化学习方法训练，可直接应用于未知的虚拟和实际环境中的地面移动机器人的无地图运动规划器。

    Mar, 2017

  • 通过非局部信息提供的预测改进可靠导航在不确定性下的表现

    使用非本地可用信息预测进入未知空间的长期目标导航，在部分映射环境中改善可靠性；通过图神经网络依赖于非本地信息进行预测，确保可靠性；在实验证明相比非学习基线和仅使用本地信息的学习参考规划器，成本可降低 9.3％和 14.9％。

    Jul, 2023

  • 探索基于地图特征的高效注意力车辆运动预测

    本文将使用基于 Efficient Attention 的模型，从 Argoverse 1.0 基准测试中的最小地图信息中提取过去的轨迹和地图特征，以实现关于自动驾驶的运动预测。

    May, 2022

  • 带拓展空间 POMDP 规划的人群意图感知导航

    本文提出了一种混合在线部分可观察马尔可夫决策过程规划系统，针对多模态不确定性对自主导航的影响。通过使用多查询运动规划和在线 POMDP 求解器，我们实现了更加灵活和高效的实时方法，从而更好地解决了密集人群和障碍物之间的自主导航问题，并获得了更高的安全性和效率。

    Jun, 2022

  • 复杂未知杂乱环境下的 GP 引导 MPPI 高效导航

    GP-MPPI 是基于在线学习的控制策略，将 MPPI 与基于稀疏高斯过程（SGP）的局部感知模型相结合，通过构建方差表面来引导机器人在未知、杂乱环境中进行自主导航，确保机器人安全到达目标并避开障碍物。

    Jul, 2023

  • 结合启发式和多智体强化学习的多机器人路径规划

    提出了一种结合启发式搜索、经验法则和多智能体强化学习的路径规划方法 MAPPOHR，将启发式搜索用于生成全局路径，用经验法则和奖励函数激励实时规划器，用多智能体强化学习算法实现实时规划，实验证明该方法比传统学习和启发式方法的规划性能更好且学习效率更高。

    Jun, 2023

  • 基于安全学习的自动驾驶最优运动规划

    本文提出了使用机器学习的启发式搜索方法来实现城市道路自动驾驶的优化路径规划，以解决动态障碍物对路线规划的影响问题。

    May, 2018