S-RRT*-based Obstacle Avoidance Autonomous Motion Planner for Continuum-rigid Manipulator
The University of Tokyo（东京大学）
本文提出基于S-RRT*的连续体-刚体混合机械臂运动规划方法，结合逆瞬时运动学与零空间技术实现路径跟踪和避障，并在复杂环境中验证了路径质量与计算时间优势。
2024-09-27 cs.RO
Optimal Point-to-Point Trajectory Tracking of Redundant Manipulators using Generalized Pattern Search
研究平面冗余度机械臂的最优点到点轨迹规划问题。其主要目标是最小化末端执行器在轨迹上每个中间点的位置误差之和，使末端执行器能够准确地跟踪指定的轨迹。将遗传算法与模式搜索相结合，提出了一种广义模式搜索GPS算法，用于最优航迹的设计。为了验证所提出的算法，仿真的3-D-O-F平面机械手具有不同的末端执行器轨迹进行了。将遗传算法与广义模式搜索算法进行了比较，结果表明，GPS具有良好的跟踪性能。
2006-01-14 cs.RO
Planning Optimal Trajectories for Mobile Manipulators under End-effector Trajectory Continuity Constraint
Singapore Centre for 3D Printing (SC3DP)（新加坡3D打印中心）；Nanyang Technological University (NTU)（南洋理工大学）；Eureka Robotics（尤里卡机器人公司）
针对移动操作臂运动规划中因基座冗余带来的挑战，提出将末端执行器轨迹连续性约束下的规划问题解耦为最优基座轨迹规划与操作臂轨迹求解的方法，并通过硬件实验和仿真验证了其在移动打印任务中的有效性。
2024-03-06 cs.RO
BoundPlanner: A convex-set-based approach to bounded manipulator trajectory planning
Automation and Control Institute (ACIN), TU Wien（自动化与控制研究所（ACIN），维也纳技术大学）
BoundPlanner通过基于凸集的轨迹规划方法，实现机械臂在考虑运动学和碰撞约束下的高效在线轨迹规划。
2026-02-16 cs.RO
Trajectory Control for Differential Drive Mobile Manipulators
WPI（伍斯特理工学院）
针对室内仓库中的移动机械臂，提出一种计算执行器指令的轨迹控制方法，使系统在不违反非完整约束的前提下跟踪期望轨迹，并在 Fetch 机器人上验证了动力学建模、轨迹规划、状态机和逆运动学等核心贡献。
2023-03-31 cs.RO
TORM: Fast and Accurate Trajectory Optimization of Redundant Manipulator given an End-Effector Path
KAIST（韩国科学技术院）
冗余机械手具有多个逆运动学解决方案，每个末端执行器位姿。因此，在笛卡尔空间中，可以存在遵循给定末端效应器路径的关节的许多轨迹。在本文中，我们提出了一个轨迹优化的冗余机械手（TORM）合成轨迹，按照给定的末端执行器路径准确，同时实现平滑和无碰撞的操作。我们的方法从整体上结合了三个所需的属性到轨迹优化过程中，通过集成雅可比的逆运动学求解方法和基于优化的运动规划方法。具体来说，我们使用两阶段梯度下降优化轨迹，以减少更新过程中不同属性之间的潜在竞争。为了避免陷入局部最小值，我们迭代地探索不同的候选轨迹与我们的局部更新。我们比较我们的方法与国家的最先进的方法在测试场景中，包括外部障碍和两个非障碍问题。我们的方法鲁棒性最大限度地减少姿态误差，同时满足各种理想的属性。
2020-11-07 cs.RO
Overcoming Dynamic Environments: A Hybrid Approach to Motion Planning for Manipulators
UTS: Robotics Institute（UTS机器人研究所）；University of Technology Sydney（悉尼科技大学）
本文提出一种结合改进速度势场与基于采样运动规划器的混合方法，以提升机械臂在动态不确定环境中的运动规划效率、稳定性与计算可行性。
2025-04-09 cs.RO
Robust adaptive fuzzy sliding mode control for trajectory tracking for of cylindrical manipulator
Hanoi University of Industry（河内工业大学）；Thai Binh University（太平大学）
本研究提出鲁棒自适应模糊滑模控制（AFSMC）方法，结合模糊逻辑与滑模控制，提升圆柱机械臂轨迹跟踪精度、稳定性与抗干扰能力，仿真验证其优于传统方法。
2025-08-07 cs.RO
NEO: A Novel Expeditious Optimisation Algorithm for Reactive Motion Control of Manipulators
Australian Centre for Robotic Vision (ACRV)（澳大利亚机器人视觉中心）；Queensland University of Technology（昆士兰科技大学）
我们提出了NEO，一个快速和纯粹的反应式运动控制器的机械手，可以避免静态和动态的障碍物，同时移动到所需的末端执行器的姿态。此外，我们的控制器最大限度地提高了机器人在轨迹过程中的可操作性，同时避免了关节位置和速度限制。NEO被包装成一个严格的凸二次规划，考虑到障碍物，关节限制，和7度的自由度机器人的可操作性，一般是在几毫秒内解决。虽然NEO不是为了取代国家的最先进的运动规划，我们的实验表明，它是一个可行的替代方案，具有中等复杂的场景，同时也能够反应控制。对于更复杂的场景，NEO更适合作为反应式局部控制器，与全局运动规划器结合使用。我们比较近地天体运动规划的标准基准模拟，并说明和验证其操作的物理机器人在动态环境中。我们提供了一个实现我们的控制器的开源库。
2021-02-03 cs.RO
Output Mode Switching for Parallel Five-bar Manipulators Using a Graph-based Path Planner
University of Notre Dame（圣母大学）
并联机器人位形流形比串联机器人具有更强的非线性。从质量上看，它们可以看到拥有额外的褶皱。通过将这样的流形投影到工程相关的空间上，例如输出工作空间或输入致动器空间，这些折叠投射出表现出非光滑行为的边缘。例如，在一个五杆机构的全局工作空间边界内出现了几个局部工作空间边界，它们只约束机构的某些输出模式。这种边界的存在，表现在输入和输出的投影，作为一个来源的混乱时，这些投影的研究专门，而不是配置流形本身。特别是，非对称并联机器人的设计已被混淆的奇异投影在其输入和输出空间的存在。在本文中，我们表示的配置空间的半径图，然后加权每个边缘通过解决一个优化问题，使用同伦连续量化传输质量。然后，我们采用了图形路径规划器近似的配置点，避免低传输质量的区域之间的测地线。我们的方法自动生成能够在非相邻输出模式之间转换的路径，该运动涉及密切多个工作空间边界（局部，全局或两者）。我们将我们的技术应用到两个非对称的五杆的例子，演示如何传输特性和其他特性的工作空间可以通过切换输出模式进行选择。
2022-09-22 cs.CG cs.RO
Multi 3D Camera Mapping for Predictive and Reflexive Robot Manipulator Trajectory Estimation
University of Oslo（奥斯陆大学）；Oslo University Hospital（奥斯陆大学医院）
随着技术的进步，机器人操纵器和视觉环境传感器变得越来越便宜和广泛。然而，机器人控制仍然是更好地适应这些技术的一个限制因素。机器人操作器在结构化的机器人中表现得很好，但不能很好地适应意外的变化，比如人们进入工作空间。我们提出了一种方法，结合3D摄像机的工作空间映射，和一个预测和自反的机器人操作器的轨迹估计，以允许更有效和更安全的操作在动态仿真。在一个真正的UR5机器人的实验中，我们的方法已被证明可以提供更短，更平滑的轨迹相比，反应轨迹规划器在相同的条件下。此外，机器人通过初始化自反运动成功地避免了任何接触，即使当障碍物意外接近机器人时也是如此。我们工作的主要目标是使操作在非结构化动态调度中更加灵活，不仅要避开障碍物，还要在不久的将来与人类执行协作任务时进行适应。
2016-10-12 cs.RO
Real-Robot Deep Reinforcement Learning: Improving Trajectory Tracking of Flexible-Joint Manipulator with Reference Correction
University of Bonn（波恩大学）
双关节机械臂是由复杂的非线性动力学，定义了一个具有挑战性的控制问题。在这项工作中，我们提出了一种方法来学习外环关节轨迹跟踪控制器与深度强化学习。由随机策略表示的控制器在两个小时内直接在真实机器人上学习。这是通过有界参考校正动作和使用无模型离策略学习方法来实现的。此外，提出了一个明智的政策初始化，其中代理是预先训练的学习模拟。我们测试我们的方法上的7自由度的巴克斯特机器人机械手。我们证明了所提出的方法是能够在多次运行时，直接应用于真正的机器人一致的学习。我们的方法产生的政策，显着提高了轨迹跟踪精度相比，供应商提供的控制器，概括到一个看不见的有效载荷。
2022-03-14 cs.RO
TopAY: Efficient Trajectory Planning for Differential Drive Mobile Manipulators via Topological Paths Search and Arc Length-Yaw Parameterization
State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou 310027, China（浙江大学工业控制技术状态重点实验室）；Huzhou Institute of Zhejiang University, Huzhou 313000, China（浙江大学湖州研究院）
针对差动驱动移动机械臂轨迹规划的高维与非完整约束挑战，提出TopAY框架，通过拓扑路径搜索、并行采样及弧长-偏航参数化多项式表示提升效率与成功率，源代码已开源。
2025-11-17 cs.RO
Toward Generalist Neural Motion Planners for Robotic Manipulators: Challenges and Opportunities
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学）；Lab of Biomechatronics and Intelligent Robotics, Department of Biomedical Engineering, Tandon School of Engineering, New York University（生物机械与智能机器人实验室，生物医学工程系，Tandon工程学院，纽约大学）；Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学）；Zachry Department of Civil and Environmental Engineering, Texas A&M University（土木与环境工程系，德克萨斯A&M大学）
本文探讨了通用神经运动规划器在机器人机械臂中的挑战与机遇，分析了现有方法的优缺点，并提出了改进方向。
2026-03-25 cs.AI cs.RO
RINGO: Real-time Navigation with a Guiding Trajectory for Aerial Manipulators in Unknown Environments
Institute of Robotics and Automatic Information System（机器人与自动信息系统研究所）；College of Artificial Intelligence（人工智能学院）；Tianjin Key Laboratory of Intelligent Robotics（天津市智能机器人重点实验室）；Nankai University（南开大学）；Institute of Intelligence Technology and Robotic Systems（智能技术与机器人系统研究所）；Shenzhen Research Institute of Nankai University（南开大学深圳研究院）
针对空中操作器在未知受限环境中规划适应性差、轨迹保守的问题，提出RINGO实时导航框架，以多旋翼轨迹为引导，同步考虑多旋翼与末端执行器位置，生成兼容工作空间的无碰撞轨迹，实现未知环境实时导航且保守性更低。
2025-04-14 cs.RO
Many-RRT*: Robust Joint-Space Trajectory Planning for Serial Manipulators
USACE ERDC, Information Technology Lab（美国陆军工程兵团工程研究中心信息科技实验室）；Collaborative Robotics Lab（协作机器人实验室）
Many-RRT*通过同时规划多个目标解决串联机械臂在关节空间中规划的鲁棒性和最优性问题，显著提高了轨迹质量和成功率。
2026-03-04 cs.RO
Dynamic Evaluation of Classical and Control-Aware Optimal Trajectory Planning in Robot Manipulators
研究机器人操作器轨迹规划，提出控制感知最优轨迹规划框架，纳入动力学和执行器努力，用中点线性化策略，通过统一评估框架对比经典方法，能降低跟踪误差等，证明仅运动学平滑不能确保高效执行。
2026-07-10 cs.RO
Efficient Multi-Robot Motion Planning for Manifold-Constrained Manipulators by Randomized Scheduling and Informed Path Generation
Rice University（里士满大学）
本文提出StAC方法，通过随机调度和双向反馈实现高效多机器人运动规划，减少路径生成数量，提升在受限空间中的操作效率。
2026-02-12 cs.RO
Predictive Barrier Lyapunov Function Based Control for Safe Trajectory Tracking of an Aerial Manipulator
IIIT-Hyderabad（海得拉巴国际信息技术学院）；TCS Research（塔塔咨询服务研究院）；University of Michigan（密歇根大学）
本文提出了一种新的控制器框架，提供轨迹跟踪的空中机械手（AM），同时确保系统在未知的有界干扰下的安全运行。这里考虑的AM是一个2自由度（度的自由度）机械手刚性连接到无人机。我们提出的控制器结构如下传统的内环PID控制的姿态动力学和外环控制器跟踪参考轨迹。外环控制是基于模型预测控制（MPC）的限制，使用障碍李雅普诺夫函数（BLF）的AM的安全操作。基于BLF的约束提出了两个目标，即1）避免AM碰撞静态障碍物，如矩形墙，2）保持末端执行器的机械手在所需的工作空间。建议的BLF确保上述目标得到满足，即使在存在未知的有界干扰。所提出的控制器的能力，证明通过高保真非线性模拟与来自一个真正的实验室规模AM的参数。我们比较我们的控制器与其他国家的最先进的MPC控制器的AM的性能。
2022-12-09 cs.RO
Trajectory Optimization for Quadruped Mobile Manipulators that Carry Heavy Payload
Italian Institute of Technology（意大利技术研究院）；University of Genoa（热那亚大学）
提出了一种简化的基于模型的轨迹优化（TO）公式，用于已知质量的四足移动机械臂的运动规划。建议的有效载荷感知制定同时计划运动，有效载荷操纵，并考虑机器人和有效载荷模型的动态，同时保持计算效率。在存在重型有效载荷的情况下，由于有效载荷操纵在优化中的贡献，该方法在运动学要求高的运动中表现出减少的腿部伸展（从而增加可操纵性）。该框架的计算效率和性能进行了验证，通过一些模拟和实验研究与双手动四足CENTAURO机器人进行其手臂上的有效载荷，超过其质量的15%，并穿越非平坦地形。
2022-10-13 cs.RO
Time-Optimal Handover Trajectory Planning for Aerial Manipulators based on Discrete Mechanics and Complementarity Constraints
University of Stuttgart（斯图加特大学）
规划空中机器人的时间最优轨迹在许多无人机应用中至关重要，例如救援任务和包裹递送，近年来已被广泛研究。然而，它仍然涉及到一些挑战，特别是在将特殊任务要求纳入规划以及空中机器人的动力学时。在这项工作中，我们研究的情况下，空中机械手应移交一个包裹从移动的移动机器人在时间最优的方式。而不是手动设置的方法轨迹，这使得它很难确定最佳的总旅行时间，以完成动态限制内所需的任务，我们提出了一个优化框架，它结合了离散力学和互补约束（DMCC）在一起。在所提出的框架中，系统动力学约束与离散变分拉格朗日力学，提供可靠的估计结果，也根据我们的实验。切换机会是基于期望的互补性约束自动确定和布置的。最后，通过数值仿真和硬件实验验证了所提出框架的性能。
2022-09-01 cs.RO
A Novel Planning Framework for Complex Flipping Manipulation of Multiple Mobile Manipulators
Shanghai Jiao Tong University（上海交通大学）；Hong Kong University of Science and Technology（香港科技大学）；Great Bay University（大湾区大学）
针对多移动机械臂在闭链约束下的构型不连通问题，提出将轨迹覆盖选择建模为集合覆盖的三步规划框架，以判断无重抓可行性或最小化重抓次数。
2024-10-25 cs.RO
Planning a Sequence of Base Positions for a Mobile Manipulator to Perform Multiple Pick-and-Place Tasks
Osaka University（大阪大学）；National Institute of Advanced Industrial Science and Technology (AIST)（国立先进工业科学技术研究所（AIST））
在本文中，我们提出了一个规划器，计划一系列的移动机械手的基础位置，有效地和强大的收集存储在不同的托盘中的对象。我们实现了高效率，通过探索共同的领域，移动机械手可以抓住存储在多个托盘中的对象，同时移动移动机械手的共同领域，以减少移动移动基地所需的时间。我们确保鲁棒性，通过优化的基础位置与最佳的间隙定位的不确定性，使移动机械手可以完成任务，即使有一定的偏差，从计划的基础位置。此外，考虑到不同风格的对象放置在托盘中，我们分析了可行的方案，动态更新的基础上的剩余对象或目标对象的基础上，在一轮的任务被挑选的位置。在实验部分中，我们在各种场景下检查我们的规划器，包括不同的对象放置：（1）规则放置的玩具对象;（2）随机放置的工业部件;以及在线执行的不同方案：（1）应用全局静态基准位置;（2）动态更新基准位置。实验结果证明了该方法的有效性、鲁棒性和可行性。
2020-10-01 cs.RO
Optimal Whole Body Trajectory Planning for Mobile Manipulators in Planetary Exploration and Construction
University of Salerno（萨勒诺大学）；ALTEC S.p.A.（阿尔泰克公司）；Trasys International（特拉西斯国际公司）
针对移动机械臂在行星探测中的基座与臂分离规划导致次优的问题，提出基于离散动态规划与最优插值的全身规划器OptiWB，利用运动学冗余规避碰撞并提升相机可见性，在ESA简化漫游车上验证。
2024-05-23 cs.RO
Flexible-Joint Manipulator Trajectory Tracking with Learned Two-Stage Model employing One-Step Future Prediction
University of Bonn（波恩大学）
在人机协作和共享工作空间任务期间，经常使用双关节机械手来提高安全性。然而，关节的灵活性大大降低了运动的精度，特别是在高速和廉价的致动器。在本文中，我们提出了一种基于学习的方法来识别未知的动力学的柔性关节机械手，提高在高速的轨迹跟踪。我们提出了一个两阶段的模型，它是由一个一步向前动态未来预测器和逆动态估计。第二部分是基于线性时不变动力学算子来近似前馈关节位置和速度命令。我们在真实世界的数据上对模型进行端到端的训练，并在Baxter机器人上对其进行评估。我们的实验表明，与没有预测的相同模型相比，用一步未来状态预测来增强输入可以提高性能。我们比较关节位置，关节速度和末端执行器的位置跟踪精度对经典的基线控制器和几个简单的模型。
2021-12-06 cs.RO
A Task-Driven, Planner-in-the-Loop Computational Design Framework for Modular Manipulators
Humanoids and Human Centered Mechatronics Research Line, Italian Institute of Technology (IIT) Genoa, Italy（意大利理工学院（IIT）热那亚人类与以人为中心的机电研究组）；Department of Industrial Engineering, University of Trento, Trento, Italy（特伦托大学工业工程系）
本文提出了一种面向任务的模块化机械臂计算设计框架，通过整合轨迹规划与形态优化，实现高效灵活的机械臂设计。
2025-12-18 cs.RO
Optimization-based Trajectory Tracking Approach for Multi-rotor Aerial Vehicles in Unknown Environments
Innopolis University（Innopolis大学）
本文的目标是开发一种基于连续优化的参考轨迹的细化，以“推”出的障碍物占据的空间在全球阶段的多旋翼飞行器在未知的环境中。我们提出的方法包括两个规划者：一个全球规划者和本地规划者。全局规划器在轨迹经过障碍物或接近障碍物时对初始参考轨迹进行细化，并让局部规划器计算接近最优控制策略。全局规划器包括两种凸规划方法：第一种方法有助于细化参考轨迹，第二种方法有助于在第一种方法未能细化时恢复参考轨迹。全局规划器主要关注实时性能和避障，而所提出的基于约束非线性模型预测控制的局部规划器的公式确保了安全性、动态可行性和低速机动的参考轨迹跟踪精度，条件是局部规划器和全局规划器的平均计算时间分别为0.06 s（15 Hz）和0.05 s（20 Hz）。NVIDIA Jetson Xavier NX计算机我们的实验结果证实，在杂乱的环境中，所提出的方法优于其他三种方法：基于采样的寻路其次是轨迹生成，本地规划器，基于图形的寻路其次是轨迹生成。
2022-02-12 cs.RO
XMoP: Whole-Body Control Policy for Zero-shot Cross-Embodiment Neural Motion Planning
Arizona State University（亚利桑那州立大学）
提出XMoP神经策略，通过在超三百万程序化采样机械臂上训练全局控制策略，实现零样本跨本体运动规划，并在7台商用机械臂上平均达到70%成功率及sim-to-real泛化。
2025-07-13 cs.RO
Robust Dynamic Control Barrier Function Based Trajectory Planning for Mobile Manipulator
School of Mechanical Engineering and Automation, Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳）机械工程与自动化学院）；Graduated School of Information Science and Technology, Osaka University（大阪大学信息科学与技术研究生院）
针对高维机器人动态轨迹规划的传统方法痛点，提出结合DCBF与扰动观测器的RDCBF规划器，可在复杂动态障碍环境下兼顾扰动与不确定性，实现安全精确避障，经移动机械臂实验验证性能优异。
2024-06-22 cs.RO
Primitive-based Truncated Diffusion for Efficient Trajectory Generation of Differential Drive Mobile Manipulators
本文提出一种学习增强的运动规划器，通过关键点序列提取模块和基于原始的截断扩散模型提升轨迹生成效率与多样性。
2026-04-05 cs.RO
Reachable Sets for Safe, Real-Time Manipulator Trajectory Design
Mechanical Engineering, University of Michigan（密歇根大学机械工程学院）；Robotics Institute, University of Michigan（密歇根大学机器人研究所）；Mechanical and Industrial Engineering, Louisiana State University（路易斯安那州立大学机械与工业工程学院）；Naval Architecture and Marine Engineering, University of Michigan（密歇根大学船舶与海洋工程学院）；Ford Motor Company（福特汽车公司）；Office of Naval Research（美国海军研究办公室）
对于在任意环境中操作的机器人手臂，特别是在人附近，关键是要证明其运动规划算法的安全性。然而，在安全性和实时的【形】性能之间经常存在权衡;可以仔细设计安全计划，也可以快速生成潜在不安全的计划。本文提出了一种具有安全保证的滚动时域实时的【形】轨迹规划器ARMTD（Autonomous Reachability-based Manipulator Trajectory Design）。该方法首先计算（离线）一组可达的参数化轨迹为每个关节的手臂。每个轨迹包括一个故障安全机动（制动停止）。在运行时，在每个滚动时域规划迭代，ARMTD构造一个参数化的可达集的工作空间中的整个手臂，并将其与障碍物相交，以生成次可微的，可证明保守的碰撞避免的轨迹参数的约束。然后，ARMTD根据这些约束条件对参数进行轨迹优化。在6自由度手臂上，ARMTD在仿真方面优于CHOMP，从不崩溃，并在硬件上完成各种实时的【形】规划任务。
2020-09-29 cs.RO
Rapid Vibration Suppression and Trajectory Tracking of a Serial Manipulator with Multi-Flexible Links
School of Aerospace Engineering, Xiamen University（厦门大学航空航天工程学院）
本文提出了一种基于 backstepping 的输出反馈框架，用于快速抑制多连杆串联柔性 manipulator 的振动并实现末端跟踪，通过 DeepONet 近似实现实时部署和可扩展性。
2026-05-17 cs.RO
Learning-based Initialization of Trajectory Optimization for Path-following Problems of Redundant Manipulators
School of Computing, Korea Advanced Institute of Science and Technology（计算机学院，韩国科学技术院）
本文提出了一种基于学习的初始轨迹生成方法，通过示例引导强化学习快速生成高质量初始轨迹，提升冗余机械臂轨迹优化的性能。
2026-02-09 cs.RO
FACTO: Function-space Adaptive Constrained Trajectory Optimization for Robotic Manipulators
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学）；Zachry Department of Civil and Environmental Engineering, Texas A&M University（Zachry 土木与环境工程系，德克萨斯A&M大学）
FACTO通过函数空间自适应约束优化提升机械臂轨迹规划的精度与可行性。
2026-02-23 cs.RO
On Model Predictive Path Following and Trajectory Tracking for Industrial Robots
Norwegian University of Science and Technology（挪威科技大学）；SINTEF DIGITAL（SINTEF数字研究所）
在这篇文章中，我们将展示如何模型预测路径跟踪控制器允许机器人机械手停止在障碍物的方式，模型预测轨迹跟踪控制器不能。我们提出了这两个控制器应用于机器人机械手，模拟两连杆机械手使用内点求解器，考虑离散化的最优控制问题，使用配置或龙格库塔，并讨论我们的实施模型预测路径跟踪控制器的实时可行性。
2017-03-07 cs.RO
CushionCatch: A Compliant Catching Mechanism for Mobile Manipulators via Combined Optimization and Learning
Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University（人工智能与机器人中心，深圳国际研究生院，清华大学）；School of Advanced Manufacturing, Sun Yat-Sen University（先进制造学院，中山大学）；School of Electrical and Automation Engineering, Hefei University of Technology（电气与自动化工程学院，合肥工业大学）；Navigation and Control Research Center, Department of Automation, Tsinghua University（导航与控制研究中心，自动化系，清华大学）
本文提出CCMM框架，结合优化规划与P-LSTM网络从人类演示中学习柔顺接取策略，实现移动机械臂高效接取飞行物体，并在仿真和真实场景中验证了高成功率和冲击力矩降低效果。
2025-09-18 cs.RO
Funnel planning and control for manipulators using neural Signed Configuration Distance Functions
ABB Robotics（ABB机器人公司）；Uppsala University（乌普萨拉大学）
该研究针对KDF规划器计算漏斗耗时的局限，提出基于nSCDF的机械臂漏斗规划与控制方案，使规划速度提升2倍、路径缩短20%、间隙提升5倍，且运动性能与鲁棒性均得到改善。
2026-10-14 cs.RO
SAH-Drive: A Scenario-Aware Hybrid Planner for Closed-Loop Vehicle Trajectory Generation
Beihang University（北京航空航天大学）；University of Macau（澳门大学）
针对自动驾驶规划在长尾场景的泛化与实时性难题，提出结合规则与学习的混合规划器SAH-Drive，利用双时间尺度决策神经元与扩散调节器，在保持计算效率的同时显著提升泛化能力并达到SOTA。
2025-05-30 cs.RO
Computationally Efficient Obstacle Avoidance Trajectory Planner for UAVs Based on Heuristic Angular Search Method
Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
为了在具有挑战性的环境中完成各种任务，在避免意外障碍物的同时完全自主导航的能力是无人机在实际应用中最关键的要求。在本文中，我们提出了这样一个计算效率高的避障轨迹规划器，可用于在混乱的未知环境。由于无人机上单个深度摄像机的视场较窄，周围障碍物的信息非常有限，难以实现最短的整条路径。因此，我们专注于轨迹规划器的时间成本和安全性，而不是其他因素。该规划器主要由点云处理器、基于启发式角度搜索的航路点发布器和基于最小加速度优化的运动规划器组成。此外，我们提出了几种技术，以提高安全性，使找到一个可行的轨迹尽可能大的可能性。所提出的方法被实现为实时运行在船上，并在仿真中进行了广泛的测试，迭代步骤的平均控制输出计算时间小于18 ms。
2020-12-28 cs.RO
Warm-Starting Optimization-Based Motion Planning for Robotic Manipulators via Point Cloud-Conditioned Flow Matching
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学）；Zachry Department of Civil and Environmental Engineering, Texas A&M University（Zachry 市政与环境工程系，德克萨斯A&M大学）
针对基于优化的机器人运动规划初始化敏感易陷局部极小的问题，提出单视点云条件Flow Matching模型生成近优初始解，提升规划成功率与效率且泛化性强。
2025-10-03 cs.RO
KG-Planner: Knowledge-Informed Graph Neural Planning for Collaborative Manipulators
University at Buffalo（布法罗大学）；Texas A&M University（德克萨斯农工大学）
针对高维空间机器人无碰撞运动规划的效率与最优性平衡难题，提出整合工作空间物理知识的KG-Planner，通过建模空间结构的图与GNN生成近最优运动，在多场景实验中性能优于现有方法。
2024-05-13 cs.RO cs.SY eess.SY
Distributed Timed Elastic Band (DTEB) Planner: Trajectory Sharing and Collision Prediction for Multi-Robot Systems
Technische Universität Dortmund（多特蒙德工业大学）
移动机器人的自主导航是机器人学中的一个研究热点。然而，导航任务变得具有挑战性时，多机器人系统必须合作导航动态环境与死锁倾向的布局。我们提出了一个分布式定时弹性带（DTEB）规划，结合优先级规划与在线TEB轨迹规划，以扩展后者的能力，多机器人系统。拟议的规划器能够在复杂环境中导航时，反应性地避免即将发生的碰撞，并预测性地解决机器人团队之间潜在的僵局。我们的模拟结果表明，在不同的环境设置的规划器的可靠性能和通用性。我们的方法的代码和测试可以在线获得。
2023-03-20 cs.RO
Alternative Paths Planner (APP) for Provably Fixed-time Manipulation Planning in Semi-structured Environments
NVIDIA（英伟达）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
在许多应用中，包括物流和制造，机器人操纵器与人类或其他机器人一起在半结构化环境中操作。这些环境在很大程度上是静态的，但它们可能包含一些机器人必须避开的可移动障碍物。这些应用中的操纵任务通常是高度重复的，但需要快速可靠的运动规划能力，通常在严格的时间限制下。现有的基于预处理的方法是有益的，当环境是高度结构化的，但它们的性能下降的存在下，可移动的障碍物，因为这些不是先验建模。我们提出了一种新的预处理为基础的方法称为替代路径规划（APP），提供可证明的固定时间的规划保证在半结构化的环境。APP离线规划一组备选路径，使得对于可移动障碍物的任何配置，来自该组的路径中的至少一个是无碰撞的。在联机执行期间，可以在几微秒内有效地查找无冲突路径。我们评估APP上的7自由度的机器人手臂在半结构化域的不同复杂性，并证明APP是几个数量级的速度比国家的最先进的运动规划器为每个域。我们进一步验证了这种方法与机器人机械手的实时实验。
2021-03-27 cs.RO
Interactive Trajectory Planner for Mandatory Lane Changing in Dense Non-Cooperative Traffic
Northwestern University（西北大学）
当交通流非常拥挤且周围车辆不配合时，强制变道可能非常困难。在这项工作中，我们提出了一个互动的轨迹规划，这将首先尝试改变车道，只要确保安全。基于滚动时域规划，本车可以根据周围车辆的反应中止或继续变道。我们展示了我们的规划器在广泛的模拟与周围的车辆，初始速度范围从0.5至5米每秒，保险杠到保险杠的间隙范围从4到10米。自我车辆与我们的规划器可以改变车道安全和顺利。在大多数情况下，在1.8GHz Intel Core i7- 10610 U的笔记本电脑上，规划器每一步的计算时间都在10毫秒以内。
2023-03-04 cs.RO
Primitive-Planner: An Ultra Lightweight Quadrotor Planner with Time-optimal Primitives
Academy for Engineering and Technology, Fudan University（复旦大学工程与技术学院）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
本文提出一种超轻量级四旋翼规划器，利用时间最优原语库和确定性碰撞检测，以最低计算开销生成最短飞行轨迹，并通过真实实验验证鲁棒性。
2025-02-24 cs.RO
TGK-Planner: An Efficient Topology Guided Kinodynamic Planner for Autonomous Quadrotors
Zhejiang University（浙江大学）
在本文中，我们提出了一个轻量级的，但有效的拓扑引导Kinodynamic规划器（TGK规划器）的四旋翼侵略性飞行有限的机载计算资源。该系统遵循传统的层次规划工作流程，在寻路和轨迹优化两个子模块中采用了新颖的设计，提高了鲁棒性和效率。首先，我们提出了拓扑引导图，它粗略地捕获了环境的拓扑结构，并指导基于采样的Kinodynamic规划器的状态采样。通过这种方式，我们显着提高了寻找安全和动态可行轨迹的效率。然后，我们细化的光滑性和连续性的轨迹的优化框架，其中包括同伦约束，以保证轨迹的安全性。优化程序被配制成一个序列的二次规划（QP），可以在几毫秒内迭代求解。最后，所提出的系统集成到一个完全自主的四旋翼，并在各种模拟和现实世界的情况下进行验证。基准比较表明，我们的方法优于国家的最先进的方法方面的效率和轨迹质量。此外，我们将以开源软件包的形式发布我们的代码。
2020-11-08 cs.RO
NMPC trajectory planner for urban autonomous driving
ETH Zürich（苏黎世联邦理工学院）；Politecnico di Milano（米兰理工大学）
本文提出了一种基于非线性模型预测控制（NMPC）算法的自动驾驶轨迹规划器，该算法通过新颖的侧偏角计算来考虑Pacejka的非线性横向轮胎动力学以及零速度条件。在NMPC框架中，由于软约束和硬约束的实施，考虑了道路边界和障碍物（静态和移动）。NMPC问题的数值解是使用ACADO工具包与二次规划求解器qpOASES耦合进行的。所提出的NMPC轨迹规划器的有效性已经使用CarMaker多体模型进行了测试。由所示的模拟提供的时间分析结果表明，所提出的算法可以在来自上游估计块的数据的假设下在自动驾驶车辆的实时控制框架上实现。
2021-05-09 cs.RO
GASP: GPU-Accelerated Safe Planner for Real-Time Collision-Aware Motion Generation with Latent Trajectory Sampling
本研究提出GASP这一GPU加速安全规划器，结合隐式轨迹采样，可实现毫秒级碰撞感知关节空间运动生成，在机器人乒乓球任务中表现优异且大幅降低训练碰撞次数。
2026-08-06 cs.RO
Sampling-Based Follow-the-Leader Motion Planning for Manipulator-Mounted Continuum Robots
University of Toronto（多伦多大学）
本文提出了一种基于采样的跟随者-领导者运动规划方法，用于机械臂搭载的连续机器人，通过分离全局形状搜索与基座姿态确定，实现高效规划与高精度路径跟踪。
2026-05-12 cs.RO
Singularity Avoidance with Application to Online Trajectory Optimization for Serial Manipulators
Automation and Control Institute (ACIN), TU Wien（维也纳工业大学自动化与控制研究所（ACIN））；Center for Vision, Automation and Control, AIT Austrian Institute of Technology（奥地利技术研究所（AIT）视觉、自动化与控制中心）
本文提出一种基于已知奇异位形构建定制势函数的实时轨迹优化奇异性避免方法，经蒙特卡洛模拟验证，相比可操作性最大化方法，有效减少了计算时间并缩短了轨迹的时间和路径长度。
2023-03-31 cs.RO
A Novel Semi-Coupled Hierarchical Motion Planning Framework for Cooperative Transportation of Multiple Mobile Manipulators
School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai, China（机械工程学院，上海交通大学，上海，中国）
本文提出了一种新型半耦合分层框架，用于解决多移动机械臂协作运输中的运动规划问题，通过集中层和分层层的协同优化，提升了任务执行的成功率和效率。
2025-03-02 cs.RO
RALTPER: A Risk-Aware Local Trajectory Planner for Complex Environment with Gaussian Uncertainty
Southeast University（东南大学）
本研究针对高斯不确定性复杂环境下的自动驾驶车辆，提出风险感知局部轨迹规划器RALTPER，通过结合概率风险评估与非线性优化实现避碰，经多场景仿真验证其在狭窄区域等场景下的规划安全性与效率更优。
2024-08-11 cs.RO
Full-Dynamics Real-Time Nonlinear Model Predictive Control of Heavy-Duty Hydraulic Manipulator for Trajectory Tracking Tasks
Faculty of Engineering and Natural Sciences, Tampere University（工程与自然科学学院，塔尔基大学）
针对重型液压机械臂在安全约束下的轨迹跟踪问题，提出一种1kHz实时非线性模型预测控制框架，结合多重打靶与虚拟分解控制，实验验证其高精度与约束满足能力。
2025-10-27 cs.RO
Model Predictive Trajectory Optimization With Dynamically Changing Waypoints for Serial Manipulators
Technische Universität Wien (TUW)（维也纳技术大学）；AIT Austrian Institute of Technology GmbH（奥地利技术研究院有限公司）
针对短时域在线轨迹优化难以纳入动态路点的问题，提出路点模型预测控制（wMPC），通过分割规划时域并缩短时域长度，实现低计算负载的实时重规划，实验验证其性能与离线RRT型规划器相当。
2024-02-07 cs.RO
