IEEE RA-L

Distributionally Robust Safety Under Arbitrary Uncertainties: A Safety Filtering Approach

在任意不确定性下的分布鲁棒安全：一种安全过滤方法

Daniel M. Cherenson, Haejoon Lee, Taekyung Kim, Dimitra Panagou

AI总结 本文研究如何在分布模糊性下确保非线性系统的概率安全，提出了一种基于备份的安全过滤框架，通过在高性能名义策略和认证备份策略之间切换来保证安全，并采用分布鲁棒方法处理任意不确定性，通过采样方法验证了方法的有效性。

Comments 11 pages, 6 figures, submitted to IEEE Robotics and Automation Letters (RA-L); Project Page: https://dcherenson.github.io/drs-gk

Perception-Aware Autonomous Exploration in Feature-Limited Environments

具备感知能力的自主探索：在特征受限环境中

Moji Shi, Rajitha de Silva, Hang Yu, Riccardo Polvara, Marija Popović

机构 * MAVLab, TU Delft（代尔夫特理工大学MAV实验室） ； Lincoln Center for Autonomous Systems (L-CAS), School of Engineering and Physical Sciences, University of Lincoln（林肯自主系统中心（L-CAS），工程与物理科学学院，林肯大学） 纠错

AI总结 本文提出了一种层级感知-aware的自主探索框架，用于配备立体相机的无人机，在探索过程中考虑特征可见性，通过全局特征图关联候选前沿与预期特征质量，优化连续偏航轨迹以保持稳定特征跟踪，实验证明其在不同纹理环境下的有效性。

Comments accepted to RAL