RRT-GPMP2: A Motion Planner for Mobile Robots in Complex Maze Environments
University College London（伦敦大学学院）
针对复杂迷宫环境下移动机器人的运动规划需求，提出融合GPMP2轨迹优化算法与RRT采样算法优势的RRT-GPMP2规划器，经仿真与海洋机器人虚拟场景应用验证了其性能与实用性。
2024-12-10 cs.RO
Hybrid Classical/RL Local Planner for Ground Robot Navigation
University of Maryland（马里兰大学）；Nokia Bell Labs（诺基亚贝尔实验室）
本文提出一种混合经典与强化学习的局部规划器，通过元推理根据环境在实时速度空间探索规划器和强化学习规划器之间切换，在真实机器人实验中实现导航时间提升26%。
2024-10-04 cs.RO
SMUG Planner: A Safe Multi-Goal Planner for Mobile Robots in Challenging Environments
本文提出SMUG安全多目标规划器，融合分层状态有效性检查、LazyPRM*知情采样与迭代动态规划，可在数秒内安全规划访问十余个目标的路径，并在ANYmal上实现崎岖地形自主多目标导航。
2023-06-08 cs.RO
SPF-EMPC Planner: A real-time multi-robot trajectory planner for complex environments with uncertainties
College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学学院）
本文提出SPF-EMPC规划器，通过安全概率场建模动态障碍物不确定性并结合无约束优化生成轨迹，再由扩展状态模型预测控制实现带约束的精确跟踪，显著提升多机器人在复杂不确定环境中的实时安全导航成功率。
2024-10-17 cs.RO
Evaluation of Sampling-Based Optimizing Planners for Outdoor Robot Navigation
Norwegian University of Life Sciences（挪威生命科学大学）；University of Lincoln（林肯大学）
基于采样的最优路径规划（SBO）主要用于机器人手臂操作任务。已经进行了一些研究工作，以评估各种SBO规划师的手臂操作的性能。然而，没有太多的工作是突出性能的SBO规划者在移动机器人导航的背景下，在室外3D环境。为此，本文对开放式运动规划库（OMPL）中主要SBO规划器的性能进行了评估。由于大量现有的SBO规划器，实验和选择一个合适的规划器的规划问题可能是繁重和模糊的。SBO计划者的概率性质也会给这个过程增加偏差。为了解决这一问题，我们评估所有可用的SBO规划者在OMPL的随机规划问题生成方法迭代的性能。评估是在各种状态空间适合不同的微分约束的移动机器人。规划设置的重点是在户外环境中的移动机器人的导航。室外环境的表示是用预建的三维地图完成的，在表示机器人身体的3D框和三维地图之间执行碰撞检查，以验证采样状态。选择了路径长度、平滑度和最终解状态等评价指标。根据选定的指标，从不同的SBO规划者的绩效进行了比较。实验结果表明，并行计算对加快最优解的收敛速度具有重要意义。几个SBO方法，利用并行计算产生更好的结果一致的所有状态空间不同的规划查询。
2021-03-25 cs.RO
Combined Task and Motion Planning for a Dual-arm Robot to Use a Suction Cup Tool
Osaka University（大阪大学）；National Inst. of AIST（国立先进工业科学技术研究所）
提出了一种双臂机器人使用吸盘工具的联合任务和运动规划器。该规划器由三个子规划器组成：一个吸附位姿规划器和两个回握和运动规划器。吸力姿态子规划器使用工具和物体的模型来找到吸盘工具在物体上吸力的所有可用姿态。再抓握和运动子规划器构建表示所有可能的抓握序列的再抓握图，以将吸盘工具从初始姿势重新定向和移动到目标姿势。分别对单个吸盘和吸盘与物体的复合体进行了规划。建议的规划器的输出是一个序列的机器人运动，使用吸盘工具来操纵对象以下的人的指令。该规划器进行了检查和分析的仿真实验和现实世界的执行，使用几个现实世界的任务。结果表明，该规划器具有高效、鲁棒性强的特点，能够在几秒钟内生成顺序的转接和转移机器人运动，完成复杂的组合任务和运动规划任务。
2019-08-31 cs.RO
MissionGPT: Mission Planner for Mobile Robot based on Robotics Transformer Model
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
本文提出基于Transformer和大语言模型的MissionGPT方法，仅凭相机数据即可为移动机器人规划并执行任务，基本动作成功率超50%，可扩展至任意类型和数量的机器人。
2024-11-07 cs.RO
Sampling-Based Multi-Modal Multi-Robot Multi-Goal Path Planning
Computational Robotics Lab ETH Zürich（机器人计算实验室ETH Zurich）
本文提出基于采样的多机器人多目标路径规划方法，解决多机器人协同任务中的路径规划问题，实现概率完备和渐进最优的规划算法。
2026-04-17 cs.RO
Hybrid Task Constrained Planner for Robot Manipulator in Confined Environment
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种混合优化框架，在配置空间和零空间中联合搜索，为受限环境中的冗余机器人臂生成满足任务约束和避碰要求的高质量轨迹，并在抛光场景中验证其优于现有方法。
2023-04-18 cs.RO
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University（东南大学）；Tongji University（同济大学）
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加，经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展，基于深度强化学习（Deep Reinforcement Learning，DRL）的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的，并且不依赖于先前的结构化地图。最重要的是，基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中，我们提供了一个系统的审查各种运动规划方法。首先，我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果，并分析了它们的性能特点。随后，我们集中总结了基于RL的运动规划方法，包括运动规划器结合RL的改进，基于地图的RL运动规划器，和多机器人协作规划方法。最后，我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战，回顾了一些最先进的工作，这些问题，并提出了未来的研究建议。
2022-02-23 cs.RO
Following Is All You Need: Robot Crowd Navigation Using People As Planners
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出利用行人作为规划器的机器人人群导航框架，通过规则评估选择领导者并跟随其子目标，无需预测或数据驱动模块即可实现安全高效且类人的导航。
2025-08-07 cs.RO
Impact-Aware Online Motion Planning for Fully-Actuated Bipedal Robot Walking
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
跟踪具有特定定时的一般步行路径的能力对于双足机器人在复杂环境中避免动态障碍物（例如行人）的操作安全性和可靠性至关重要。本文介绍了一个在线的，全身运动规划器，产生所需的影响意识的运动，全驱动双足机器人行走。所提出的规划器的主要新颖之处在于它能够实时产生所需的运动，尊重离散的冲击动力学和所需的冲击时间。为了得到建议的规划，全驱动双足机器人行走的全阶混合动力学模型，包括连续动力学和离散装载的影响。接下来，介绍了所提出的影响感知在线运动规划器。最后，一个3-D双足机器人的仿真结果证实了所提出的在线碰撞感知规划器的有效性。在线规划器能够在0.6秒内生成一个步行步的全身运动，这比典型的双足步行步短。
2019-10-25 cs.RO
A Dual-arm Robot that Autonomously Lifts Up and Tumbles Heavy Plates Using Crane Pulley Blocks
Osaka University（大阪大学）；National Inst. of AIST（日本产业技术综合研究所）
针对双臂机器人利用起重机滑轮组完成重板的起吊和翻转作业，提出了一种规划动作序列和运动的规划器。这个问题的动机是现代协作机器人的低有效载荷。而不是直接操作沉重的板，协作机器人不能负担，本文开发了一个规划器，协作机器人操作起重机滑轮组。计划者假设目标板预先连接到起重机吊钩。对双臂动作序列进行了优化，规划了机器人双臂拉动起重机滑轮组的绳索吊起板材的运动。起重机滑轮组减少了每个机械臂需要承受的有效载荷。当板被抬起到一个令人满意的姿势，规划器计划的推动运动的机器人手臂之一，同时考虑力和力矩的约束，在板翻滚。本文介绍了规划器的技术细节，并使用两个通用机器人UR3手臂制成的双臂机器人进行了几次实验和分析。深入研究和比较了各种参数和优化目标的影响。结果表明，该规划器是灵活和有效的。
2021-01-23 cs.RO
Safe Planner: Empowering Safety Awareness in Large Pre-Trained Models for Robot Task Planning
Harbin Institute of Technology（哈尔滨工业大学）；Intelligent Science & Technology Academy Limited of CASIC（中国航天科工集团智能科技研究院有限公司）；Institute of Computer Application Technology, Norinco Group（中国兵器工业集团计算机应用技术研究所）
针对大模型缺乏真实场景认知导致机器人规划不安全的问题，提出 Safe Planner 框架，通过安全预测模块指导大模型规划器，在模拟和真实环境中实现了高任务成功率与高安全性。
2024-11-11 cs.RO
A Task-Efficient Reinforcement Learning Task-Motion Planner for Safe Human-Robot Cooperation
Department of Mechanical Engineering, Vrije Universiteit Brussel（布鲁塞尔自由大学机械工程系）；imec；Flanders Make（弗拉芒制造）；Artificial Intelligence (AI) Lab, Vrije Universiteit Brussel（布鲁塞尔自由大学人工智能实验室）
本文提出一种混合强化学习规划框架，结合交互式运动规划器与RL任务规划器，在保证安全的同时提升人机协作效率，减少重规划次数。
2025-10-14 cs.RO
Planning to Build Soma Blocks Using a Dual-arm Robot
Osaka University（大阪大学）
本文提出一种规划器，可以自动找到一个最佳的装配序列，双臂机器人装配体块。该规划器利用物体的网格模型和装配的最终状态来生成所有可能的装配序列，并通过考虑稳定性、可抓握性、可装配性以及对第二臂的需求来评估最优装配序列。特别是，当工作台和其他工件的支撑不足以产生稳定的装配时，需要考虑第二臂。规划器将参考辅助抓取来额外地保持和支撑不稳定的部件，使得机器人可以进一步组装新的工件并最终达到稳态。规划器的输出是最优装配顺序、候选抓取、装配方向和辅助抓取（如果有的话）。规划器的输出可用于指导双臂机器人执行装配任务。该规划器在模拟和现实世界的执行进行了验证。
2020-03-02 cs.RO
A Real-Time Receding Horizon Sequence Planner for Disassembly in A Human-Robot Collaboration Setting
University at Buffalo（布法罗大学）；University of Florida（佛罗里达大学）
产品拆卸是一个劳动密集型的过程，远未实现自动化。通常情况下，拆卸不够稳健，无法处理不同形状、型号和物理不确定性的产品品种，这些不确定性是由于组件缺陷、组件使用过程中的损坏或产品信息不足造成的。为了克服这些困难，并通过人机协作实现拆卸过程的自动化，同时又不增加过多的计算成本，本文提出了一种实时的【形】滚动时域序列规划器，该规划器在考虑实时的【形】人体运动的同时，在机器人和操作员之间分配任务.序列规划器旨在解决拆卸线中的几个问题，如不同的方向，人类操作员的安全约束，人类操作的不确定性，以及大量的拆卸任务的计算成本。提出的拆卸序列规划器识别的位置和方向的拆卸物品，以及人类操作员的位置，并获得一个最优的拆卸序列，遵循拆卸规则和安全约束的人类操作。实验测试验证了该规划器的有效性：机器人能够按照最优顺序定位和拆卸部件，并明确考虑人类操作员的实时的【形】运动，在不违反安全约束的情况下与人类操作员协作。
2020-07-06 cs.RO
HiCRISP: An LLM-based Hierarchical Closed-Loop Robotic Intelligent Self-Correction Planner
Shanghai Jiao Tong University（上海交通大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Oxford（牛津大学）
针对 LLM 机器人系统执行中难以自校正的问题，本文提出分层闭环框架 HiCRISP，可监控并修正高层规划与低层动作错误，虚拟和真实基准实验验证了其优越性能。
2024-04-08 cs.RO
MR. POP: Multi-Robot Parallel Optimizing Planner for Almost-Surely Asymptotically Optimal Planning
Columbia College, Columbia University（哥伦比亚大学哥伦比亚学院）；Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系）；Department of Computer Science, Purdue University（普渡大学计算机科学系）
提出MR. POP，一种基于GPU并行和dRRT的a.s.a.o.多机器人规划器，实现100%求解率且速度优于现有方法，并提升下游优化器成功率。
2026-09-28 cs.RO
D2CoPlan: A Differentiable Decentralized Planner for Multi-Robot Coverage
University of Maryland, College Park（马里兰大学帕克分校）；Drexel University（德雷塞尔大学）
多机器人覆盖规划问题的集中式方法缺乏可扩展性。基于学习的分布式算法提供了一个可扩展的途径，除了将面向数据的特征生成功能带到表中，允许与其他基于学习的方法集成。为此，我们提出了一个基于学习的，可区分的分布式覆盖规划（D2COPL A N），它的规模有效地在运行时和代理的数量相比，专家算法，并执行与经典的分布式算法。此外，我们还表明，D2COPlan可以与其他学习方法无缝结合，进行端到端的学习，从而获得比单独训练的模块更好的解决方案，为进一步研究经典方法仍然难以实现的任务打开了大门。
2022-09-19 cs.RO
Robot Agnostic Visual Servoing considering kinematic constraints enabled by a decoupled network trajectory planner structure
Karlsruhe University of Applied Sciences (HKA)（卡尔斯鲁厄应用科学大学（HKA））
本研究提出一种由检测网络与考虑运动学约束的速度轨迹规划器组成的解耦结构视觉伺服方法，无需重训练即可跨机器人系统迁移，在多系统多任务下实现了亚毫米级位置误差与小于1°的姿态误差。
2024-12-12 cs.RO
Finding shorter paths for robot arms using their redundancy
许多机器人手臂可以使用许多不同的关节配置来完成一项任务。通常，这些配置中只有一个被路径规划器用作目标。理想情况下，机器人的路径规划器将能够使用额外的配置来找到更高质量的路径。在本文中，我们使用额外的目标配置，以找到显着更短的路径，更快地执行相比，任意选择一个目标配置的规划。在葡萄藤修剪机器人手臂实验中，我们提出的方法减少了58%的执行时间。
2017-08-21 cs.RO
Legibot: Generating Legible Motions for Service Robots Using Cost-Based Local Planners
Sorbonne University（索邦大学）；CNRS（法国国家科学研究中心）；Institut des Systemes Intelligents et de Robotique（智能与机器人系统研究所）
针对社交机器人需清晰传达意图的问题，提出将易读性融入基于代价的局部运动规划，并给出集成感知与定位的部署技术栈。
2024-04-07 cs.RO
InteLiPlan: An Interactive Lightweight LLM-Based Planner for Domestic Robot Autonomy
Middlesex University（中塞克斯大学）；Oxford Robotics Institute, University of Oxford（牛津机器人研究所，牛津大学）
InteLiPlan是一种基于大语言模型的轻量级交互式规划器，通过实时机载计算实现家用机器人自主性和鲁棒性的提升，成功完成95%的任务执行率。
2026-01-25 cs.RO
Online Next-Best-View Planner for 3D-Exploration and Inspection With a Mobile Manipulator Robot
Fraunhofer FKIE（弗劳恩霍夫通信、信息处理与人机工程研究所）
执行面向终端用户的自主探索的机器人系统可以部署在不同的场景中，这些场景不仅需要映射，而且还需要终端用户对感兴趣区域的同时检查。在这项工作中，我们提出了一种新的下一个最佳视图（NBV）的规划，它可以执行充分的探索和面向用户的探索与检查的区域的兴趣使用移动机械手机器人。作为多目标优化（MOO）的一个实例，我们解决了探测-检查问题，并提出了一种基于加权和的信息增益函数，用于计算安装在手臂上的RGB-D相机的NBVs。对于这两种类型的探测任务，我们将我们的方法与现有的最先进的探测方法进行比较，并证明了我们在总体积映射和较低计算要求方面的改进。移动机械手机器人的实际实验证明了该方法的实用性和有效性。
2022-03-18 cs.RO
Finding the Easy Way Through -- the Probabilistic Gap Planner for Social Robot Navigation
Honda Research Institute EU GmbH（本田欧洲研究院）；Honda Research Institute JP Co., Ltd.（本田日本株式会社）；Honda R&D Co., Ltd.（本田研发株式会社）
提出概率间隙规划器（PGP），通过将轨迹规划分解为宏观冲突避免与协作碰撞避免两步，引导智能体趋向人群间隙，提升了多密度人群中的导航性能并减少碰撞。
2025-06-26 cs.RO
DiPPeR: Diffusion-based 2D Path Planner applied on Legged Robots
University College London（伦敦大学学院）
提出DiPPeR，一种基于扩散的快速二维路径规划框架，用于四足机器人，通过图像条件扩散规划器和CNN流水线，在迷宫及真实机器人上验证，轨迹生成平均快23倍，可行路径一致性达87%。
2024-05-29 cs.RO
An Extended Treatment of Uncertainty Constrained robotic Exploration: An Integrated Exploration Planner
Cornell University（康奈尔大学）
高效的机器人探索未知的，传感器有限的，全球信息不足的环境提出了独特的挑战，路径规划算法。在这些困难的环境中，一般来说，无法确定路径完成和任务成功的保证。集成探索（IE），努力结合定位和探索，必须解决，以创建一个自主机器人系统能够在新的和具有挑战性的环境中长期运行。本文制定了一个概率框架，允许创建的探索算法提供概率保证成功。一个新的连接之间的哈密顿路径问题和探索。保证概率信息资源管理器（G-PIE）开发的IE问题，提供了一个概率保证路径完成，渐近最优的探索。提出了一种称为RH-PIE的滚动时域公式，它解决了G-PIE中存在的指数复杂性。最后，RH-PIE规划器通过自主，硬件在环实验进行了验证。
2017-04-28 cs.RO
Contact Planning for the ANYmal Quadruped Robot using an Acyclic Reachability-Based Planner
University of Oxford（牛津大学）；Sabanci University（萨班哲大学）；CNRS（法国国家科学研究中心）
尽管四足机器人在过去十年中取得了巨大的进步，但在高度不均匀和混乱的环境中选择良好的接触点（立足点）仍然是一个公开的挑战。本文建立在一种已成功用于人形机器人的最先进方法的基础上，并将其应用于我们的机器人平台;四足机器人ANY-mal。所提出的算法将问题分解为两个子问题：首先生成机器人的引导轨迹，然后沿着该轨迹创建接触。这两个子问题都依赖于需要调整的近似和算法。这项工作的主要贡献是解释该算法如何被重新调整到与任何故障一起工作，并在现实的动态模拟中显示该方法与各种测试的相关性。
2019-04-17 cs.RO
A Clinical Dataset for the Evaluation of Motion Planners in Medical Applications
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；University of North Carolina School of Medicine（北卡罗来纳大学医学院）
使用自主机器人来提高医生的能力和实现新的程序的前景已经导致了相当大的努力，在开发医疗机器人和纳入自主能力。运动规划是在要求近乎完美的安全性、可靠性和精度的环境中工作的任何此类系统的核心组件。尽管已经为医疗机器人开发了大量有前途的运动规划器，但还没有建立一种标准化和临床意义的方法来比较现有算法并评估新的规划器和机器人。我们提出了医疗运动规划数据集（Med-MPD），一个公开的数据集的真实临床场景中的各种器官的评估运动规划器的微创医疗机器人的目的。我们的目标是，这个数据集作为创建一个更大的强大的医疗运动规划基准框架的第一步，推进对医疗运动规划器的研究，并解除一些产生医疗评估数据的负担。
2022-10-19 cs.RO
Anytime Game-Theoretic Planning with Active Reasoning About Humans' Latent States for Human-Centered Robots
UC Berkeley（加州大学伯克利分校）；Honda Research Institute（本田研究所）
一个以人为中心的机器人需要推理其人类伙伴的认知局限性和潜在的非理性，以实现无缝交互。本文提出了一种基于博弈论的机器人行为规划方法，该方法集成了迭代推理模型、部分可观测马尔可夫决策过程和机会约束蒙特卡罗信念树搜索。我们的规划器使机器人能够安全和积极地推理其人类伙伴的潜在认知状态（有限的智能和非理性），以更好地最大化其效用。我们在自动驾驶领域验证了我们的方法，在该领域中，我们的行为规划器和低级别运动控制器分层控制自动驾驶汽车来协商交通合并。仿真和用户研究表明，我们的计划的有效性。
2021-09-26 cs.RO
T3 Planner: A Self-Correcting LLM Framework for Robotic Motion Planning with Temporal Logic
本文提出 T3 Planner，通过三级级联模块和 STL 验证器让 LLM 自纠正机器人运动计划，显著提升复杂时空逻辑任务的规划可行性，并可蒸馏至 Qwen3-4B 高效部署。
2025-10-19 cs.RO
Arm Manipulation Planning of Tethered Tools with the Help of a Tool Balancer
Osaka University（大阪大学）
机器人操纵系留工具在机器人工作单元中被广泛看到。它们可能会导致工具的电缆上的过度应变或与机器人手臂的不希望的缠绕。本文提出了一种具有电缆方向约束的工具平衡器悬挂的系留工具的操作规划器。规划器使用方向约束来限制平衡器的电缆的弯曲，而机器人操纵工具，并将其放置在所需的姿势。这些约束减少了缠绕并减小了由线缆在机器人关节上引起的扭矩。仿真和真实世界的实验表明，受约束的规划器可以成功地规划机器人运动的悬浮系留工具的操作，防止机器人损坏电缆或得到其手臂纠缠，潜在地避免事故。该规划器在制造单元中具有广阔的应用前景。
2018-12-15 cs.RO
APPLE: Adaptive Planner Parameter Learning from Evaluative Feedback
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Army Research Laboratory（陆军研究实验室）
经典的自主导航系统可以以无碰撞的方式控制机器人，通常具有可验证的安全性和可解释性。然而，当面对新的环境时，在系统能够如预期那样导航之前，通常需要专家对系统参数进行微调。为了减轻这一要求，最近提出的自适应规划参数学习范式允许机器人\emph{learn}如何动态调整规划参数使用远程操作的演示或纠正干预非专家用户。然而，这些交互方式要求用户完全控制移动机器人，这就要求用户熟悉机器人遥操作。作为替代方案，我们介绍\textsc{apple}，自适应规划参数学习从\emph{Evaluative Feedback}（实时，标量值的行为评估），这代表了一个要求较低的互动方式。仿真和物理实验表明，\textsc{apple}可以实现更好的性能相比，规划器与静态默认参数，甚至产生改进的学习参数，从更丰富的交互方式。
2021-08-22 cs.RO
From Edge to Edge: A Flow-Inspired Scheduling Planner for Multi-Robot Systems
School of Computer Science, Sun Yat-sen University（中山大学计算机学院）；School of Aeronautics and Astronautics, Sun Yat-sen University（中山大学航空与航天学院）
本文提出了一种受流启发的实时调度规划器，用于多机器人系统在复杂障碍环境中实现从边缘到边缘的高效协同穿越。
2026-02-01 cs.RO
DiPPeST: Diffusion-based Path Planner for Synthesizing Trajectories Applied on Quadruped Robots
University College London（伦敦大学学院）
DiPPeST是一种基于扩散的图像和目标条件轨迹生成器，通过零样本适配和实时局部路径细化，在四足机器人上实现高避障成功率，并在狭窄环境中优于现有局部规划器。
2024-05-29 cs.RO
Robot Local Planner: A Periodic Sampling-Based Motion Planner with Minimal Waypoints for Home Environments
Frontier Research Center, Toyota Motor Corporation（丰田汽车公司前沿研究中心）；Department of Information Science, Faculty of Information Science, Aichi Institute of Technology（爱知技术大学信息科学系）
本研究提出了一种基于周期采样的机器人局部规划器，通过减少路径点和提高鲁棒性，实现家庭环境中的高效安全运动规划。
2026-02-24 cs.RO
Towards a Unified Planner For Socially-Aware Navigation
University of Nevada, Reno（内华达大学雷诺分校）
本文提出了一种新的统一社会感知导航（USAN）架构的框架，并解释了它在社会辅助机器人（SAR）应用的需要。我们的方法强调人与人之间的距离，以及如何使用空间通信来构建一个统一的规划器，用于人机协作环境。社交感知导航（SAN）对于帮助人类在机器人周围感到舒适和安全至关重要; HRI的研究表明，SAN的重要性超越了安全和舒适。SAN在机器人的感知智能、社交能力和社交能力方面起着至关重要的作用，从而增加了机器人在公共场所的接受度。人类的环境是非常动态的，并提出了严重的社会挑战，旨在与人互动的机器人。为了使机器人能够应对不断变化的动态情况，需要推断意图并检测交互环境中的变化。SAN在社会机器人社区中获得了极大的兴趣;然而，据我们所知，没有计划者可以在自主感知上下文后自发地适应不同的交互上下文。最近的大部分努力都涉及针对单一背景的社会路径规划。在这项工作中，我们提出了一种新的方法，一个统一的架构SAN，可以规划和执行轨迹的自主感知的互动环境，是人类友好的。我们的方法利用机器学习和优化工具增强了机器人操作系统（ROS）的导航堆栈。我们使用基于机器学习的上下文分类器和基于PaCcET的本地规划器修改了ROS导航堆栈，以实现USAN的目标。我们讨论我们的初步结果和具体计划，把碎片在一起实现USAN。
2018-10-11 cs.RO
Look Before You Leap: Socially Acceptable High-Speed Ground Robot Navigation in Crowded Hallways
Massachusetts Institute of Technology（麻省理工学院）
本文提出一种允许“peek-and-pass”机动的规划器，旨在解决拥挤走廊场景中的“机器人冻结问题”，在不违反社会规范的前提下缩短机器人到达目标的时间，并通过仿真和硬件演示验证了其有效性。
2024-03-20 cs.RO
db-LaCAM: Fast and Scalable Multi-Robot Kinodynamic Motion Planning with Discontinuity-Bounded Search and Lightweight MAPF
本文提出db-LaCAM，结合现代MAPF算法的高效性和 kinodynamic 规划器的动态感知能力，通过预计算的运动原语生成运动序列，实现高效多机器人运动规划，实验表明其在50个机器人场景中运行速度提升十倍。
2026-03-24 cs.RO
Tethered Tool Manipulation Planning with Cable Maneuvering
Osaka University（大阪大学）；National Inst. of AIST（日本产业技术综合研究所）
在本文中，我们提出了一个规划器使用双臂机器人操纵系留工具。规划器生成机器人运动序列，以操纵工具及其电缆，同时避免机器人电缆纠缠。首先，规划器生成一个对象操作运动序列（OMMS）来处理工具，并将其放置在所需的姿势。其次，规划器检查与OMMS相关联的工具运动，并计算电缆滑块的候选位置，以操纵工具电缆并避免碰撞。最后，规划器确定最佳滑块位置以避免缠绕，并生成线缆操纵运动序列（CMMS）以将滑块放置在这些位置。机器人执行OMMS和CMMS来处理工具及其电缆，以避免缠绕和过度的电缆弯曲。仿真和真实世界的实验有助于验证所提出的方法。
2019-09-24 cs.RO
A Robust Closed-Loop Biped Locomotion Planner Based on Time Varying Model Predictive Control
IEETA / DETI University of Aveiro（阿威罗大学IEETA / DETI）
由于人形机器人的不稳定性和地形的不可预测性，开发鲁棒的运动是一项复杂的任务。一个强大的运动规划器是产生稳定的运动轨迹的基本组成部分之一。本文提出了一种最优的闭环轨迹规划器，即使在具有挑战性的条件下，也可以规划参考轨迹。该规划器基于时变模型预测控制（TVMPC）方案设计，能够考虑系统的状态、输入和输出以及混合输入输出中的一些约束。此外，建议的规划器考虑到垂直运动的质心~（COM），以产生步行与大部分伸展的膝盖，这是更像人类。此外，该规划器使用发散运动分量（DCM）的概念，在线修改参考ZMP，以提高机器人在严重干扰存在下的耐受水平。通过使用~ \mbox{MATLAB}进行几次仿真，验证了所提出的规划器的性能和鲁棒性。仿真结果表明，所提出的规划器能够鲁棒地产生机器人的运动轨迹。
2019-09-15 cs.RO
CORE Planner: Contextual-memory Oriented Reinforcement-learning in Unknown Environments for Robot Navigation
提出CORE规划器，结合稀疏可见图与Transformer网络，实现未知环境下的高效导航，并通过上下文记忆机制避免局部最优，支持零样本仿真到现实迁移。
2026-06-28 cs.RO
A Signal Temporal Logic Planner for Ergonomic Human-Robot Collaboration
Czech Technical University in Prague（捷克技术大学（布拉格））；University of Twente（特文特大学）
本文提出一种基于信号时序逻辑（STL）的人机协作任务设计与轨迹生成方法，在满足载荷和充电等约束下兼顾人体工程学，并通过仿真验证了其有效性。
2023-06-16 cs.RO
DynaCon: Dynamic Robot Planner with Contextual Awareness via LLMs
SungKyunKwan University（成均馆大学）；Purdue University（普渡大学）；Kyung Hee University（庆熙大学）
针对无地图陌生环境导航问题，本文提出 DynaCon 系统，融合实时反馈、对象服务器、提示工程与 LLM 推理，使机器人具备情境感知和动态路径规划能力，并通过真实机器人实验验证有效性。
2023-09-27 cs.RO
FRTree Planner: Robot Navigation in Cluttered and Unknown Environments with Tree of Free Regions
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Great Bay University（大湾区大学）
针对杂乱且含狭窄通道的未知环境导航问题，提出FRTree规划器，通过动态构建自由区域树整合实时感知信息，结合机器人几何分析与双层轨迹优化，在仿真及实机实验中生成更优的安全高效运动规划。
2025-02-13 cs.RO
CMP-IRRT*: A Perception-Assisted Height-Adaptive Planner for Quadruped Robots
School of Integrated Circuits, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区集成电路学院）
针对四足机器人二维规划中低障碍物处理低效的问题，提出基于CMP-IRRT*的感知辅助高度自适应规划器，通过高度条件碰撞检测和Mamba引导采样，减少探索节点，在可穿越场景中路径长度最多缩短16.3%。
2026-10-08 cs.RO
Real-time gait planner for human walking using a lower limb exoskeleton and its implementation on Exoped robot
下肢外骨骼是近年来发展起来的一种运动辅助技术。行走模式生成是这些机器人设计中的一个基本课题。大多数外骨骼的常用方法是使用预先记录的模式作为查找表。这种方法存在一些不足，包括数据存储限制和与行走参数相关的调节性差。因此，需要对人类行走模式进行建模以用于外骨骼。现有的几个模型提供了一段一段的步行模式，仅在每个步幅周期开始时生成固定的步行参数。在本文中，我们提出了一个实时的【形】步行模式生成方法，使步行参数在步幅变化。为此，两个反馈控制的三阶系统被提出作为最优轨迹规划器，用于生成每个关节位置的x和y分量的轨迹。根据预先考虑的行走约束条件，得到了轨迹的边界条件。此外，一个成本函数的目的是为每个轨迹规划器，以增加轨迹的平滑度。我们使用庞特里亚金的最小值原理设计的反馈控制器，以跟踪边界条件，以这样一种方式，使成本函数最小化。最后，利用逆运动学方程，为Exoped机器人生成合适的关节角，并在Exoped机器人上实现。步态规划的良好性能证明了作为一个模拟的结果被保持的轨迹的二阶导数连续性，和用户满意度被确定的实验测试。
2018-06-22 cs.RO
Through the Clutter: Exploring the Impact of Complex Environments on the Legibility of Robot Motion
University of Nevada, Reno（内华达大学雷诺分校）
针对杂乱环境中机器人运动可读性问题，提出基于环境熵的杂乱度测量方法和基于势场的新型运动规划器，实验证明其在杂乱环境中显著提升了运动可读性并揭示了现有研究的不足。
2024-05-31 cs.RO
MRPB 1.0: A Unified Benchmark for the Evaluation of Mobile Robot Local Planning Approaches
College of Artificial Intelligence, Nankai University（南开大学人工智能学院）；Tianjin Key Laboratory of Intelligent Robotics, Nankai University（南开大学天津智能机器人重点实验室）；School of Marine Science and Technology, Northwestern Polytechnical University（西北工业大学航海学院）；Faculty of Robot Science and Engineering, Northeastern University（东北大学机器人科学与工程学院）；College of Systems Engineering, National University of Defense Technology（国防科技大学系统工程学院）
局部规划是移动机器人实现完全自主的关键技术之一，得到了广泛的研究。为了对移动机器人局部规划方法进行统一、全面的评价，本文提出了一个新的移动机器人局部规划基准MRPB 1.0。该基准有利于运动规划研究人员谁想要比较一个新的本地规划器的性能相对于许多其他国家的最先进的方法，以及在移动机器人行业的终端用户谁想要选择一个本地规划器，表现最好的一些感兴趣的问题。我们精心设计了各种模拟场景，以挑战当地规划师的适用性，包括大规模，部分未知和动态复杂环境。此外，三种类型的原则性评价指标进行了精心设计，以定量评估当地规划者的表现，其中的安全性，效率和运动的平稳性进行了综合考虑。我们提出了建议的基准在两个流行的开源本地规划师的应用程序，以显示基准的实用性。此外，还提供了一些见解和指导原则的设计和选择当地的规划师。基准测试网站包含所设计的模拟场景的所有数据，这些场景的详细描述，以及示例代码。
2021-03-19 cs.RO
EV-Planner: Energy-Efficient Robot Navigation via Event-Based Physics-Guided Neuromorphic Planner
Purdue University（普渡大学）
提出EV-Planner，结合事件相机与物理引导神经网络，利用浅层SNN检测目标并预测最优飞行时间，实现无人机节能避障导航。
2024-01-03 cs.RO
SACPlanner: Real-World Collision Avoidance with a Soft Actor Critic Local Planner and Polar State Representations
Åbo Akademi University（奥博学术大学）；Nokia Bell Labs（诺基亚贝尔实验室）
我们研究了基于强化学习（RL）的ROS局部规划器的训练性能，以及它们在现实世界机器人上产生的轨迹。我们表明，最近的增强软演员评论（SAC）算法，如RAD和DrQ实现几乎完美的训练后，只有10000集。我们还观察到，在现实世界的机器人，由此产生的SACPlanner是更积极的障碍比传统的ROS本地规划，如DWA。
2023-03-21 cs.RO
LLM-as-BT-Planner: Leveraging LLMs for Behavior Tree Generation in Robot Task Planning
Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Technical University of Munich（慕尼黑技术大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对机器人装配任务中行为树手动构建费力的问题，提出LLM-as-BT-Planner框架，利用大语言模型结合上下文学习和微调自动生成行为树，提升生成成功率。
2025-06-18 cs.RO
Viewing Robot Navigation in Human Environment as a Cooperative Activity
LAAS-CNRS, Universit de Toulouse, CNRS（法国国家科学研究中心系统分析与架构实验室，图卢兹大学，法国国家科学研究中心）
我们认为，在人类环境中的导航可以被视为合作活动，特别是在约束的情况下。人类在一个共享的空间中移动时，同时相互帮助和遵守。合作有助于行人有效地达到自己的目标，并尊重他人的个人空间等公约。为了达到与人类相当的效率，机器人需要预测人类的轨迹，并在同一共享空间中相应地规划自己的轨迹。在这项工作中，我们提出了一个导航规划，能够规划这样的合作轨迹，同时执行机器人的运动学约束，避免其他非人类的动态障碍。使用强大的社会约束的预计时间到未来可能发生的碰撞，兼容性的人-机器人运动方向，和mathemics，我们的计划是能够复制类人的导航行为，不仅在开放的空间，而且在封闭的区域。除了调整机器人轨迹，规划者还能够通过在同一优化框架内联合计算人类和机器人轨迹来主动提出协同导航解决方案。我们展示了丰富性和性能的合作规划与模拟和现实世界的实验上的多个交互式导航方案。
2017-08-16 cs.RO
