考虑环境不确定性的安全运动规划
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
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
本文提出了一种考虑不确定环境模型中的运动规划方法,将可视性和交互性纳入考虑范围,在优化的运动规划器中集成应用这些条件,从而保证车辆在最坏情况下避免碰撞。
Oct, 2018
本文提出了一种适用于不确定环境下动态机器人避障的实时在线运动规划算法,通过将概率安全约束转化为风险轮廓的确定性约束,使用总和平方(SOS)编程验证管道的安全性,可保证系统状态与障碍碰撞的概率有限,该算法适用于多种长期任务。
Mar, 2023
在现代战场情景中,全球定位系统(GPS)的依赖性可能存在重大的漏洞。该研究提出了一种新的框架,将基于地标的定位与扩展卡尔曼滤波器(EKF)相结合,以预测沿战场移动实体的未来状态。结果表明,该方法不仅能确保移动单位的安全性,使其保持在安全轨迹上,而且能够适应不断演化的威胁环境,提高作战效能。
Feb, 2024
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。
Oct, 2019