qRRT: Quality-Biased Incremental RRT for Optimal Motion Planning in Non-Holonomic Systems
提出了一种基于采样的非完整系统最优运动规划方法。它使用通过经验学习的原则来推断工作空间内区域的成本。该成本信息用于偏置产生解决方案轨迹的增量式基于图的搜索算法。迭代改进的成本信息和搜索偏置产生的解决方案，被证明是渐近最优的。所提出的框架建立在增量快速探索随机树（RRT）的随机采样为基础的搜索和强化学习（RL）学习工作空间成本。一系列的实验进行了评估和证明所提出的方法的性能。
2021-01-07 cs.AI cs.RO
Voxblox: Incremental 3D Euclidean Signed Distance Fields for On-Board MAV Planning
ETH Zürich（苏黎世联邦理工学院）
微型飞行器（MAV）在非结构化的、未探索的环境中运行，需要快速灵活的本地规划，当探索地图的新部分时可以重新规划。轨迹优化方法满足这些需求，但需要障碍物距离信息，这可以通过欧几里德符号距离场（ESDF）给出。我们提出了一种方法来逐步建立ESDFs从截断符号距离场（TSDF），一种常见的隐式表面表示在计算机图形学和视觉。TSDF可以快速构建和平滑许多观测结果中的传感器噪声，并设计用于生成表面网格。网格允许人类操作员更好地评估机器人的环境，并设定高级别的任务目标。我们表明，我们可以更快地建立TSDF比Octomaps，它是更准确地建立ESDFs的TSDF比占用地图。我们的完整系统称为voxblox，将作为开源软件提供，并在单个CPU核心上实时运行。我们验证我们的方法上的微型飞行器，通过使用我们的系统与轨迹优化本地规划，完全在船上和实时。
2017-04-21 cs.RO
Guided Incremental Local Densification for Accelerated Sampling-based Motion Planning
Aurora Innovation Inc.（奥罗拉创新公司）；Paul G. Allen School of Computer Science and Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
基于采样的运动规划器依赖于增量致密化来发现逐渐更短的路径。在计算开始$x_s$和目标$x_t$之间的可行路径$ξ$之后，通知集（IS）通过保守地消除不能产生较短路径的点来修剪配置空间$\mathcal{C}$。通过从该知情集采样的致密化保持从整个配置空间采样的渐近最优性。对于路径长度$c(ξ)$和欧几里德启发式$h$，$IS = \{ x | x \in \mathcal{C}, h(x_s, x) + h(x, x_t) \leq c(ξ) \}$。依赖于启发式可以使IS在高维或复杂环境中特别保守。此外，IS仅在发现较短路径时缩小。因此，如果加密和规划的每次迭代不能产生更短的路径，则浪费了来自加密和规划的每次迭代的计算工作，尽管改进了搜索树中的顶点的成本。我们的关键见解是，即使在这样的失败，更短的路径到顶点的搜索树（而不仅仅是目标）可以立即改善规划的采样策略。GuILD（Guided Incremental Local Densification）利用这些信息从IS的局部子集中进行采样。我们表明，GuILD显着优于均匀采样的知情集在模拟$\mathbb{R}^2$，$SE(2)$环境和操作任务中的$\mathbb{R}^7$。
2021-04-11 cs.RO
iPolicy: Incremental Policy Algorithms for Feedback Motion Planning
Shanghai University（上海大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出iPolicy增量策略算法，通过集成采样与集值最优控制方法，在采样状态空间上执行异步值迭代以同时解决路径规划与控制器综合问题，并证明了其收敛性。
2024-01-05 cs.RO cs.SY eess.SY
Incremental Sampling-based Algorithm for Minimum-violation Motion Planning
Massachusetts Institute of Technology（麻省理工学院）；Royal Institute of Technology（皇家理工学院）；Masaryk University（马萨里克大学）
研究了具有微分约束的动态系统在满足一组安全性规则的同时，满足给定可达性目标的控制策略综合问题。特别注意的是，只有当一个子集的安全规则被违反，成为可行的目标。所提出的算法计算的控制律，最大限度地减少不安全的水平，同时保证达到预期的目标。这个问题的动机是自动驾驶汽车在城市环境中导航，同时遵循道路规则，例如“始终在右车道行驶”和“不要频繁改变车道”。基于采样的运动规划算法，如概率道路图（PRM）和快速探索随机树（RRT）背后的想法，逐步构建一个有限的具体化的动态作为一个持续的Kripke结构。与此结合，使用捕获安全规则的加权有限自动机，以便找到最小化违反安全规则的最佳轨迹。我们证明了所提出的算法保证渐近最优性，即，几乎必然收敛到最优解。我们提出了一个自主的城市移动按需系统的模拟实验和实施的结果。
2013-11-06 cs.RO
Sampling-based Incremental Information Gathering with Applications to Robotic Exploration and Environmental Monitoring
College of Engineering, University of Michigan（密歇根大学工程学院）；Centre for Autonomous Systems (CAS), University of Technology Sydney（悉尼科技大学自主系统中心）
在这篇文章中，我们提出了一个基于采样的运动规划算法配备了一个信息理论的收敛标准，增量信息运动规划。所提出的方法允许密集的地图表示，并将完整的状态不确定性纳入规划过程。该问题被公式化为一个约束最大化问题。我们的方法是建立在快速探索的信息收集算法，并受益于基于采样的最佳运动规划算法的优势。我们提出了两个信息函数及其变种的快速和在线计算。我们证明了一个信息理论的收敛，整个勘探和信息收集任务的平均地图熵的最小上界的基础上。收敛性分析的结果，信息驱动的运动控制的自然自动停止的标准。我们使用三种方案来演示所提出的算法的性能：建议的信息函数和传感器配置选择的比较，未知环境中的机器人探索，以及使用自主水面车辆收集的公开数据集在湖泊中的无线信号强度监测任务。
2017-09-23 cs.RO
Incrementally Stochastic and Accelerated Gradient Information mixed Optimization for Manipulator Motion Planning
Zhejiang University（浙江大学）
本文介绍了一种新的运动规划器，增量随机和加速梯度信息混合优化（iSAGO），机器人在狭窄的工作空间。首先，我们提出了一个有效的约束优化的基础上的惩罚方法的混合动量通知iSAGO的整体方案。在随机部分，我们通过基于自适应动量（Adam）方法的子泛函的随机选择来产生自适应随机动量，以解决身体-障碍物卡住的情况。针对随机部分收敛速度慢的问题，结合加速梯度下降（AGD）算法提高规划效率。采用贝叶斯树推理（BTI）将全局轨迹优化（SAGO）转化为增量式子轨迹优化（iSAGO），进一步提高了计算效率和成功率。最后，我们调整关键参数，并将iSAGO与书架上的LBR-iiwa和存储架上的AUBO-i5上的其他5个规划器进行基准测试。结果表明，iSAGO的成功率最高，求解效率适中。
2022-07-19 cs.RO math.OC
An Incremental Inverse Reinforcement Learning Approach for Motion Planning with Separated Path and Velocity Preferences
Delft University of Technology（代尔夫特理工大学）；Honda Research Institute Europe（欧洲本田研究院）
本文提出增量式逆强化学习方法，从动觉示教中分离学习路径与速度奖励，并分两步规划轨迹，使 Franka 机械臂可经少量用户反馈适配个人运动偏好。
2023-04-25 cs.RO
Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions
本文提出一种交织调度与运动规划的增量学习框架，用于多物体共享空间的调度与运动规划，通过符号时空运动抽象提升复杂时空约束下的执行效率。
2026-03-19 cs.AI cs.RO
An Incremental Sampling and Segmentation-Based Approach for Motion Planning Infeasibility
Robotics Research Center, IIIT Hyderabad（IIIT海得拉巴机器人研究中心）；Department of Informatics, Bioengineering, Robotics, and Systems Engineering, University of Genoa（热那亚大学信息学院、生物工程、机器人与系统工程系）
提出一种检测运动规划不可行性的算法，通过近似机器人配置空间为离散空间，从障碍区域采样分隔起始和目标来判定规划不可行，逐步构建配置空间并划分连通分量，在多场景演示，讨论优化及高维扩展性。
2026-07-13 cs.RO
Safe Planning through Incremental Decomposition of Signal Temporal Logic Specifications
Carnegie Mellon University（卡内基梅隆大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出通过时间分解信号时态逻辑规范为可达性和不变性约束并顺序调度，以提升轨迹规划效率，在线性和非线性系统上优于现有方法。
2024-03-19 cs.LO cs.RO cs.SY
Toward Asymptotically-Optimal Inspection Planning via Efficient Near-Optimal Graph Search
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Carnegie Mellon University（卡内基梅隆大学）
检查规划，允许机器人检查一组感兴趣的点的规划运动的任务，在诸如工业、现场和医疗机器人等领域中具有应用。检查规划可能在计算上具有挑战性，因为检查感兴趣点的运动规划上的搜索空间随着检查点的数量呈指数增长。我们提出了一种新的方法，增量随机检查路线图搜索（IRIS），计算检查计划的长度和一组检查点渐近收敛到最佳的检查计划。IRIS使用基于采样的算法递增地加密运动规划路线图，并在生成的路线图上执行高效的接近最优的图搜索。我们证明了IRIS的功效，在模拟平面5自由度机械手检查任务和医疗内窥镜检查任务的连续并行手术机器人在解剖分割从病人的CT数据。我们表明，IRIS计算更高质量的检测路径数量级比现有的最先进的方法。
2019-07-01 cs.RO
Dispertio: Optimal Sampling for Safe Deterministic Sampling-Based Motion Planning
RWTH Aachen（亚琛工业大学）；German Aerospace Center (DLR)（德国航空航天中心）；Robert Bosch GmbH, Corporate Research（罗伯特·博世有限公司企业研究院）；KTH Stockholm（瑞典皇家理工学院）
机器人技术的一个关键挑战是在杂乱的环境中有效地生成最佳的机器人运动，并保证安全。最近，确定性的最佳采样为基础的运动规划已被证明实现良好的性能，为此，特别是在规划效率，最终解决方案的成本，质量保证以及非概率的完整性。然而它们的应用仍然限于相对简单的系统（即，线性、完整、欧几里得状态空间）。在这项工作中，我们将这种技术扩展到对称和最佳无漂移系统的类提出分散，离线分散优化技术计算采样集，知道差分约束，采样为基础的机器人运动规划。我们证明了该方法，当结合PRM*，是确定性完成，并保留渐近最优性。此外，在我们的实验中，我们表明，建议的确定性抽样技术优于几个基线和替代方法的规划效率和解决方案的成本。
2019-09-30 cs.RO
Sampling-Based Motion Planning: A Comparative Review
本文系统综述基于采样的运动规划算法，梳理其历史、代表性规划器及扩展，并在24个挑战性问题上进行比较评估，为研究者和实践者提供选型指南。
2023-09-22 cs.RO
LES: Locally Exploitative Sampling for Robot Path Planning
Institute for Robotics and Intelligent Machines（机器人与智能机器研究所）；Georgia Institute of Technology（佐治亚理工学院）
基于采样的算法通过在搜索空间中生成随机样本并递增地生长连通图或树来解决路径规划问题。传统上，这些算法中使用的采样策略偏向于探索以获取关于搜索空间的信息。相比之下，这项工作提出了一个基于优化的过程，生成新的样本，以提高成本来的价值的顶点在一个街区。该算法的应用程序增加了一个剥削偏置采样和结果在一个更快的收敛到最优解相比，其他国家的最先进的采样技术。这是证明使用基准实验进行fora各种更高的维度机器人规划任务。
2021-02-25 cs.RO
Guided Sampling-Based Motion Planning with Dynamics in Unknown Environments
George Mason University（乔治梅森大学）
针对部分建图环境中运动规划重规划开销大、易振荡的问题，提出结合高层离散层与历史解引导运动树扩展的增强型采样规划框架，有效提升规划速度与解的一致性。
2023-06-15 cs.RO
Anytime Incremental $ρ$POMDP Planning in Continuous Spaces
Technion - Israel Institute of Technology（以色列理工学院）
本文提出随时求解器ρPOMCPOW，通过动态细化信念表示和增量计算依赖信念奖励，在连续空间ρPOMDP规划中显著提升效率与求解质量。
2025-02-04 cs.AI cs.LG cs.RO
Integrating Fast Regional Optimization into Sampling-based Kinodynamic Planning for Multirotor Flight
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；The University of Hong Kong（香港大学）
对于实时多旋翼运动动力学运动规划，基于采样的方法的效率通常受到难以采样的同伦类（如狭窄通道）的阻碍。在本文中，我们解决这个问题的混合计划。我们首先提出了一个快速的区域优化器，利用局部环境的信息，然后将其集成到一个全局采样过程，以确保更快的收敛。在不同的基于采样的方法上结合局部优化，在各种具有挑战性的环境中显着提高了成功率和减少了规划时间。我们还提出了一个细化模块，充分调查所产生的轨迹的全球采样，大大提高了其平滑性，可以忽略不计的计算工作。基准测试结果表明，与最先进的方法相比，我们提出的方法可以更好地利用以前的轨迹。应用该规划方法生成了一个仿真的四旋翼系统的轨迹，并在实时应用中验证了其能力。
2021-03-09 cs.RO
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University（暨南大学）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）；Wuyi University（五邑大学）；South China University of Technology（华南理工大学）
本文提出TRACE算法，利用分层覆盖树实现未知环境的在线覆盖路径规划，通过局部优化和全局路径引导，显著提升覆盖效率。
2026-09-21 cs.RO
GAIDE: Graph-based Attention Masking for Spatial- and Embodiment-aware Motion Planning
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学，College Station, TX 77843, USA）；Zachry Department of Civil and Environmental Engineering, Texas A&M University, College Station, TX 77843 USA（Zachry 市政与环境工程系，德克萨斯A&M大学，College Station, TX 77843 USA）
GAIDE是一种基于图的神经指导采样器，通过结合空间结构和机械臂的具身性提升运动规划的效率和成功率。
2026-03-03 cs.RO
Advanced BIT* (ABIT*): Sampling-Based Planning with Advanced Graph-Search Techniques
Oxford Robotics Institute (ORI)（牛津机器人研究所）
路径规划是一个活跃的研究领域，对机器人的许多应用至关重要。流行的技术包括基于图形的搜索和基于采样的规划器。这些方法很强大，但也有局限性。本文继续努力结合他们的优势，并减轻他们的局限性，使用统一的规划模式。它通过将路径规划问题视为搜索和近似的两个子问题，并在基于采样的近似上使用高级图搜索技术来实现这一点。这种观点导致了高级BIT*。ABIT* 结合了截断的随时基于图的搜索，如ATD*，与随时几乎肯定渐近最优的基于采样的规划器，如RRT*。这使得它能够快速找到初始解，然后以随时随地的方式收敛到最优解。ABIT* 在$\mathbb{R}^{4}$和$\mathbb{R}^{8}$中的测试问题上优于现有的单查询、基于采样的规划器，并在NASA/JPL-Caltech的实际问题上得到了验证。
2020-02-16 cs.RO
Analysis of Asymptotically Optimal Sampling-based Motion Planning Algorithms for Lipschitz Continuous Dynamical Systems
Massachusetts Institute of Technology（麻省理工学院）；University of Queensland（昆士兰大学）
在过去的20年中，大量的工作致力于开发基于采样的运动规划算法，例如快速探索随机树（RRT）及其渐近最优版本（例如RRT*）。然而，RRT* 的渐近最优性仅适用于线性和全驱动系统或少数非线性系统（例如Dubin的汽车），其中转向功能可用。本文的目的是表明，渐近最优的运动规划的动力系统微分约束可以实现不使用转向功能。我们开发了一种新的分析基于采样的规划算法，采样控制空间。这一分析表明，任何Lipschitz连续动力系统的渐近最优路径规划可以通过直接对控制空间进行采样来实现。我们还确定这类算法的收敛速度的理论界。随着迭代次数的增加，由这些算法生成的轨迹以概率1接近最优控制轨迹。模拟结果是有希望的。
2014-05-12 cs.RO
Sampling-based Algorithms for Optimal Motion Planning Using Closed-loop Prediction
Georgia Institute of Technology（佐治亚理工学院）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
微分约束下的运动规划，即运动动力学运动规划，是机器人学中的经典问题之一。目前，最先进的方法围绕流行的基于采样的算法的运动动力学变体，如快速探索随机树（RRT）。然而，仍然存在挑战，例如，如何在保证最优性的同时包括复杂的动态。如果开环动态是不稳定的，则通过控制空间中的随机采样的探索变得低效。我们描述了一种新的基于采样的算法，称为CL-RRT#，它利用了RRT#算法的思想和RRT算法的变体，该算法使用闭环预测生成轨迹。规划与闭环预测的想法，使我们能够处理复杂的不稳定的动态，并避免需要找到计算困难的转向程序。RRT#算法中提出的搜索技术允许我们通过搜索替代参考轨迹来提高解的质量。使用非完整系统的数值模拟表明所提出的方法的好处。
2016-01-23 cs.RO
Improving Efficiency of Sampling-based Motion Planning via Message-Passing Monte Carlo
CSAIL, MIT（MIT计算机科学与人工智能实验室）；ELLIS Institute（埃里克·林斯研究所）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（图宾根人工智能中心）；Case Western Reserve University（凯斯西储大学）
本文提出利用消息传递蒙特卡洛生成低差异均匀采样点集，以提升高维空间中基于采样的运动规划效率，并实验验证其优于传统采样方法。
2025-08-26 cs.RO
Joint Sampling and Trajectory Optimization over Graphs for Online Motion Planning
Facebook AI Research（脸书人工智能研究院）
在最流行的运动规划技术中，采样和轨迹优化由于其分别处理紧约束和高维系统的能力而获得成功。然而，在更高维度的采样和局部最小值问题的优化限制，阻碍了他们超越静态场景在离线设置的能力。在这里，我们考虑高度动态的环境，需要一个快速的在线解决方案。我们提出了一个统一的方法，利用采样和优化的互补优势，并交错它们都在一种方式，非常适合这个具有挑战性的问题。在多个合成和现实的模拟环境中的基准测试，我们表明，我们的方法在各种指标上表现得更好，对基线只采用采样或只优化。项目页面：https://sites.google.com/view/jistplanner
2021-07-28 cs.RO
Posterior Sampling for Anytime Motion Planning on Graphs with Expensive-to-Evaluate Edges
University of Washington（华盛顿大学）
碰撞检查是运动规划中的一个计算瓶颈，需要明确推理何时执行此计算的惰性算法。面对碰撞的不确定性，乐观的态度可以最大限度地减少找到最短路径之前的检查次数。然而，这可能需要非常长的时间来计算，在此期间没有发现其他可行路径。对于许多实时应用程序，我们反而需要强大的随时性能，定义为最小化随时间产生的可行路径的累积长度。我们引入后验采样运动规划（PSMP），一个随时懒惰的运动规划算法，利用学习后验的边缘碰撞，快速发现一个初始的可行路径，并逐步产生较短的路径。PSMP获得了$\tilde{O}(\sqrt{\mathcal{S} \mathcal{A} T})$的期望遗憾界，并在一组二维和七维规划问题上优于比较基线。
2020-03-20 cs.RO
Conformalized Non-uniform Sampling Strategies for Accelerated Sampling-based Motion Planning
Department of Electrical and Systems Engineering, Washington University in St. Louis（电气与系统工程系，华盛顿大学圣路易斯分校）
本文提出一种基于保形预测的非均匀采样策略，通过将采样偏向经认证的区域来加速基于采样的运动规划，并首次为采样区域提供概率正确保证，实验证明其规划更快且泛化性更好。
2025-11-06 cs.RO
xFLIE: Leveraging Actionable Hierarchical Scene Representations for Autonomous Semantic-Aware Inspection Missions
Luleå University of Technology（卢莱大学）
xFLIE通过3DLSG实现自主语义感知检查任务的高效路径规划和导航
2026-02-10 cs.RO
Exploiting collisions for sampling-based multicopter motion planning
University of California, Berkeley（加州大学伯克利分校）
具有碰撞弹性设计的多旋翼飞行器可以在涉及碰撞的轨迹上运行。本文提出了一种基于采样的方法，可以利用碰撞更好的运动规划。该方法是建立在RRT* 算法的基础上，并利用快速运动基元生成和碰撞检查的多旋翼。它通过检测运动基元和障碍物之间的潜在交叉点来生成碰撞状态，并将这些状态与其他采样状态连接以形成包含碰撞的轨迹。我们表明，允许碰撞有助于提高基于采样的规划器在隧道等狭窄空间中的性能。最后，给出了一个跟踪碰撞包容规划器生成的轨迹的实验。
2020-11-08 cs.RO
Generalizing Informed Sampling for Asymptotically Optimal Sampling-based Kinodynamic Planning via Markov Chain Monte Carlo
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
渐进最优运动规划器（如RRT*）已被证明可以逐步逼近起始状态和目标状态之间的最短路径。一旦找到初始解，通过将后续样本限制到可能改善当前解的状态空间区域，可以显着改善其性能。当运动规划问题位于欧几里德空间中时，可以直接对该区域$X_{inf}$（称为信息集）进行采样。然而，当在非欧几里德状态空间中规划微分约束时，不存在直接采样$X_{inf}$的解析解。在这种域中对$X_{inf}$进行采样的现有技术方法（例如分层拒绝采样（HRS））在高维状态空间中可能仍然很慢。这可能会导致规划算法花费其大部分时间试图产生样本在$X_{inf}$，而不是探索it.In本文中，我们提出了一种替代方法来产生样本的通知集$X_{inf}$的设置范围很广。我们的主要见解是重铸这个问题作为一个采样均匀内的子水平集的隐式非凸函数。这种重新设计使我们能够应用蒙特卡洛抽样方法，在机器学习和优化社区中非常有效地使用，以解决我们的问题。我们表明，使用我们的采样器可以加快收敛速度，在高维问题的高质量的解决方案，在广泛的情况下。
2017-10-17 cs.RO
Optimal Sampling-Based Motion Planning under Differential Constraints: the Driftless Case
Institute for Computational & Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所）；Department of Statistics, Stanford University（斯坦福大学统计系）；Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空航天系）
微分约束下的运动规划是机器人学中的经典问题。到目前为止，最先进的技术是基于采样的技术，快速探索随机树算法作为一个领先的例子。然而，这个问题在许多方面仍然是开放的，包括对所获得的解决方案的质量的保证。在本文中，我们提供了一个彻底的理论框架，以评估最优性保证的采样为基础的算法规划微分约束下。我们利用这个框架来设计和分析两种新的基于采样的算法，保证收敛，随着样本数量的增加，到一个最佳的解决方案（即差分概率路线图算法和差分快速行进树算法）。我们的重点是无漂移控制仿射动力学模型，它准确地模拟了一大类机器人系统。在本文中，我们使用的概念，收敛概率（而不是收敛几乎肯定）：额外的数学灵活性，这种方法产生收敛速度的界限-第一次在该领域的最佳采样为基础的运动规划差分约束。数值实验证实了我们的理论结果，并进行了讨论。
2015-03-02 cs.RO
Interleaving Optimization with Sampling-Based Motion Planning (IOS-MP): Combining Local Optimization with Global Exploration
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
计算机器人的全局最优运动计划具有挑战性，部分原因是它需要同时从宏观角度（即，考虑多个同伦类中的路径）和微观视点（即，局部优化路径质量）。我们介绍了基于采样的运动规划（IOS-MP），一种新的方法，有效地结合了全局探索和局部优化，快速计算高质量的运动计划的交织优化。我们的方法结合了两个范例：（1）渐近最佳采样为基础的运动规划，这是有效的全局探索，但相对缓慢的局部细化路径，和（2）优化为基础的运动规划，局部优化路径快速，但缺乏全局视图的配置空间。IOS-MP迭代地在全局探索和局部优化之间交替，在两者之间共享信息，以提高运动规划效率。我们评估IOS-MP，因为它的规模方面的维度和复杂性，以及证明其有效性的7自由度机械手指定的任务，使用目标配置和工作空间目标区域。
2016-09-20 cs.RO
Scaling Sampling-based Motion Planning to Humanoid Robots
University of Edinburgh（爱丁堡大学）
规划人形机器人的平衡和无碰撞运动是不平凡的，特别是当它们在复杂的环境中操作时，例如到达障碍物后面的目标或通过狭窄的通道。我们提出了一种方法，使我们能够应用现有的采样为基础的算法规划轨迹人形机器人利用自定义的状态空间表示，有偏的采样策略，和一个强大的逆运动学求解器的基础上的转向功能。我们的方法不需要事先离线计算，因此可以很容易地将工作转移到新的机器人平台上。我们测试了所提出的方法解决实际达到的任务，38度的自由人形机器人，美国宇航局瓦尔基里，表明我们的方法是能够生成有效的运动计划，可以执行先进的全尺寸人形机器人。我们还提出了一个基准之间的不同运动规划算法评估各种达到运动问题。这使我们能够找到合适的算法来解决类人运动规划问题，并确定这些算法的局限性。
2016-07-29 cs.RO
Sampling-Based Temporal Logic Path Planning
Boston University（波士顿大学）
在本文中，我们提出了一个基于采样的运动规划算法，找到一个无限的路径满足线性时序逻辑（LTL）公式在一组属性满足某些地区在给定的环境。该算法有三个主要特点。首先，它是增量的，在这个意义上，用于在每次迭代中找到满意路径的过程仅与在该迭代中生成的新样本的数量成比例。其次，底层图是稀疏的，这保证了整个方法的低复杂度。第三，它在概率上是完备的。包括说明的有用性和性能的方法的例子。
2013-07-27 cs.RO
Motion Planning as Online Learning: A Multi-Armed Bandit Approach to Kinodynamic Sampling-Based Planning
University of Michigan（密歇根大学）
针对kinodynamic运动规划在无转向函数时难获高质量解的问题，将采样偏置建模为非平稳多臂老虎机问题，结合kinodynamic RRT转移聚类与老虎机算法自适应采样，可更快获更优解并提升执行成功率。
2023-08-26 cs.RO
Sampling Strategies for Path Planning under Kinematic Constraints
INRIA Rhône-Alpes（法国国立信息学与自动化研究院罗讷-阿尔卑斯研究中心）
概率路径规划器的一个众所周知的弱点是所谓的窄通道问题，其中必须探索具有相对较低的被采样概率的区域以找到解路径。已经提出了许多策略来缓解这个问题，其中大多数基于偏置采样分布。当问题中出现运动学约束时，位形空间通常变成不可参数化的隐式流形。不幸的是，这使大多数现有的采样偏差方法无效，这些方法依赖于空间的显式参数化来探索。在本文中，我们提出并评估了三种新的策略，以偏置下的存在下，在运动学约束系统的狭窄通道的采样。
2014-07-09 cs.RO
Asymptotically Optimal Lazy Lifelong Sampling-based Algorithm for Efficient Motion Planning in Dynamic Environments
Department of Mechanical Engineering, City University of Hongkong（机械工程系，香港城市大学）；Department of Electronic and Electrical Engineering, Southern University of Science and Technology（电子与电气工程系，南方科技大学）；Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（电子与计算机工程系，香港科技大学）
本文提出一种结合终身规划与惰性搜索的渐近最优采样路径规划算法，通过仅评估最优子路径候选和知情重连级联机制，在动态环境中实现高效重规划并收敛到最优解。
2025-07-22 cs.RO
Relevant Region Sampling Strategy with Adaptive Heuristic for Asymptotically Optimal Path Planning
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
本文提出一种基于自适应启发式相关区域的批量采样策略，通过结合最优到达代价与自适应剩余代价引导采样，在SE(2)和SE(3)空间中显著提升初始解质量并降低路径规划计算时间。
2023-05-25 cs.RO
Learning and Using Abstractions for Robot Planning
Arizona State University（亚利桑那州立大学）
机器人运动规划涉及计算一系列有效的机器人配置，使机器人从其初始状态到目标状态。解决运动规划问题最佳使用分析方法被证明是PSPACE困难。基于采样的方法试图有效地近似最优解。通常，基于采样的规划器使用统一的采样器来覆盖整个状态空间。在本文中，我们提出了一个基于深度学习的框架，该框架可以识别环境中对解决给定运动规划问题至关重要的机器人配置。这些状态用于偏置采样分布，以减少规划时间。我们的方法适用于一个统一的网络，并根据环境和机器人生成域相关的网络参数。我们评估我们的方法与学习和链接规划器在三个不同的设置。结果表明，显着改善运动规划时间相比，目前的采样为基础的运动规划。
2021-07-22 cs.RO
Informed RRT*: Optimal Sampling-based Path Planning Focused via Direct Sampling of an Admissible Ellipsoidal Heuristic
Carnegie Mellon University（卡内基梅隆大学）
快速探索随机树（RRT）在运动规划中很受欢迎，因为它们可以有效地找到单查询问题的解决方案。最优RRT（RRT*s）将RRT扩展到寻找最优解的问题，但在这样做时，渐近地找到从初始状态到规划域中每个状态的最优路径。这种行为不仅效率低下，而且与它们的单查询性质不一致。对于寻求最小化路径长度的问题，可以改进解的状态子集可以由长超球体描述。我们表明，除非这个子集被直接采样，改善解决方案的概率变得任意小，在大世界或高状态维度。在本文中，我们提出了一个精确的方法，集中搜索直接采样这个子集。所提出的采样技术的优点证明了一种新的算法，知情RRT*。该方法保留了与RRT* 相同的完整性和最优性概率保证，同时提高了收敛速度和最终解的质量。我们提出的算法作为一个简单的修改RRT*，可以进一步扩展更先进的路径规划算法。我们的实验表明，它优于RRT* 的收敛速度，最终的解决方案的成本，并能够找到困难的通道，同时表现出较少的依赖于状态的尺寸和范围的规划问题。
2014-11-28 cs.RO
Complete Motion Planning using Workspace-Fibered Decomposition for nR-Planar Manipulator
Robotics Research Center, IIIT Hyderabad（IIIT海得拉巴机器人研究中心）
针对杂乱环境中nR平面冗余机械手的运动规划问题，提出工作空间纤维分解框架，通过递归提升低维子链可达工作空间简化规划，实验显示其可保留无碰撞连通性并降低碰撞检测复杂度。
2026-08-04 cs.RO
Free-configuration Biased Sampling for Motion Planning: Errata
本文档包含我们的论文“用于运动规划的自由配置偏置采样“中提出的采样方法的改进和更新的收敛性证明。
2013-11-03 cs.AI cs.RO
Efficient Sampling of Transition Constraints for Motion Planning under Sliding Contacts
University of Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Technical University of Berlin（柏林工业大学）
用于操纵、对象探索或平衡的基于接触的运动规划通常需要找到固定和滑动接触的序列，并规划从环境中的一个接触到另一个接触的过渡。然而，大多数现有的算法集中在控制和学习方面的滑动接触，但没有嵌入到一个原则性的框架，以提供保证的完整性或最优性的问题。为了解决这个问题，我们提出了一种方法来扩展基于约束的规划使用接触过渡滑动接触。这种转换是整个接触序列所需的基本操作。为了对滑动接触进行建模，我们定义了一个滑动接触约束，允许机器人在基于网格的对象的表面上滑动。为了利用滑动接触之间的过渡，我们开发了一个接触过渡采样器，它使用三种约束模式：接触的起始表面，没有接触和接触的目标表面。我们对这些过渡模式进行统一采样，这使得它们可用于基于采样的规划算法。我们的方法进行评估，通过测试它的两个，三个和七个内部自由度与不同的对象和各种采样为基础的规划算法的机械臂。这表明，滑动接触约束可以作为一个基本的方法来规划高维机器人系统的长期接触序列。
2021-03-16 cs.RO
Sampling-Based Motion Planning with Discrete Configuration-Space Symmetries
Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院）
本文研究具有离散对称性的构型空间中的采样运动规划问题，提出高效实现关键采样原语的方法，并通过理论分析和实验证明其能降低样本复杂度、缩短路径长度和运行时间。
2025-07-17 cs.RO
Motions in Microseconds via Vectorized Sampling-Based Planning
Rice University（莱斯大学）
本文通过在基于采样的规划器中引入细粒度并行与矢量化关键子程序，将高自由度机器人运动规划提速500倍以上，实现微秒级、千赫兹级规划。
2023-09-28 cs.RO
Relevant Region Exploration On General Cost-maps For Sampling-Based Motion Planning
Georgia Institute of Technology（佐治亚理工学院）
渐近最优抽样为基础的规划者需要一个智能的探索策略，以加速收敛。在找到初始解之后，改进的一个必要条件是在所谓的“知情集”中生成新的样本。然而，如果所选择的启发式算法不能提供一个很好的估计的解决方案的成本，知情抽样可能是无效的集中搜索。这项工作提出了一种算法来采样的“相关区域”，这是一个子集的知情集。相关区域利用来自计划器的树结构的成本信息，减少对启发式的依赖，并进一步集中搜索。在统一和一般的成本空间设置的基准测试证明了相关区域抽样的有效性。
2021-03-19 cs.RO
Robotic Motion Planning using Learned Critical Sources and Local Sampling
Indian Institute of Technology Kharagpur（印度理工学院哈拉格普尔分校）
基于采样的方法被广泛用于机器人运动规划。传统上，这些样本是从概率（或确定性）分布中抽取的，以均匀地覆盖状态空间。尽管在概率上是完全的，但它们在受限环境中无法在合理的时间内找到可行的路径，在受限环境中必须通过狭窄的通道（瓶颈区域）。现有技术训练学习模型（学习器）以在这些瓶颈区域上选择性地预测样本。然而，这些算法完全依赖于这个学习器生成的样本来导航通过瓶颈区域。随着规划问题的复杂性增加，使该学习器对工作空间结构的细微变化具有鲁棒性所需的数据量和时间在计算上变得难以处理。在这项工作中，我们提出了（1）一个有效的和强大的方法来使用学习器来定位瓶颈区域和（2）两个算法，使用本地采样方法来利用这些瓶颈区域的位置进行有效的运动规划，同时保持概率的完整性。我们测试我们的算法2维规划问题和7维机器人手臂规划，并报告显着的收益，以及学习的基线。
2020-06-07 cs.RO
Enhance Connectivity of Promising Regions for Sampling-based Path Planning
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of The Chinese University of Hong Kong（香港中文大学深圳研究院）
基于采样的路径规划算法通常采用均匀采样的方法来搜索状态空间。然而，在许多场景中，均匀采样可能会导致不必要的探索，例如有几个死胡同的环境。我们以前的工作提出了使用有希望的区域来指导采样过程，以解决这个问题。然而，预测的有希望的区域通常是断开的，这意味着它们不能连接开始和目标状态，导致缺乏概率完整性。这项工作的重点是加强预测有前途的地区的连通性。我们所提出的方法回归的连接概率的边缘在x和y方向。此外，该算法还计算了有希望边缘在损失中的权重，以引导神经网络更加关注有希望区域的连通性。我们进行了一系列的模拟实验，结果表明，有前途的区域的连通性显着改善。此外，我们分析了连通性对基于采样的路径规划算法的影响，并得出结论，连通性在保持算法性能方面起着至关重要的作用。
2022-07-22 cs.RO
Asymptotically Optimal Sampling-Based Motion Planning Methods
University of Oxford（牛津大学）
运动规划是自主机器人中的一个基本问题，它需要找到一条到达指定目标的路径，该路径要避开障碍物并考虑机器人的限制和约束。通常期望该路径还优化成本函数，诸如路径长度。连续值搜索空间的形式路径质量保证是一个活跃的研究领域。最近的研究结果已经证明，一些抽样为基础的规划方法概率收敛到最优解的计算工作量接近无穷大。本调查总结了这些流行的渐近最优技术背后的假设，并介绍了有关这一主题的重要正在进行的研究。
2021-01-13 cs.RO
Scaling Long-Horizon Online POMDP Planning via Rapid State Space Sampling
Australian National University（澳大利亚国立大学）；Rice University（莱斯大学）
提出ROP-RaS3求解器，利用快速状态空间采样生成宏动作，避免穷举动作空间，在长时域POMDP规划中性能大幅超越现有方法。
2024-11-11 cs.RO
Learning from Local Experience: Informed Sampling Distributions for High Dimensional Motion Planning
University of California, Berkeley（加州大学伯克利分校）；FANUC Advanced Research Lab（发那科高级研究实验室）
针对高维系统下基于经验的运动规划方法因查询差异大在随机环境性能受限的问题，提出通过工作空间分解与图搜索解耦子问题并利用各子问题先验经验的采样规划框架，经2D、6D机器人实验验证，其在规划时间和成本上优于现有算法。
2023-06-15 cs.RO
Asymptotically Optimal Sampling-Based Path Planning Using Bidirectional Guidance Heuristic
针对运动规划问题，提出渐近最优的BIGIT*算法，通过构建隐式双向初步运动树生成双向引导启发式，加速搜索，在模拟与实际无人机规划任务中性能优于现有方法。
2024-12-07 cs.RO
SC-Explorer: Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning
ETH Zürich（苏黎世联邦理工学院）；Technical University of Munich（慕尼黑工业大学）；Google（谷歌）
未知环境的探索是机器人技术中的一个基本问题，也是自治系统许多应用中的一个重要组成部分。探索未知环境的一个主要挑战是机器人必须在每个时间步利用有限的信息进行规划。虽然大多数当前的方法依赖于基于这些部分观察的算法和假设来规划路径，但我们提出了一种新的方法，通过利用3D场景完成来将深度学习集成到探索中，以实现明智，安全和可解释的探索映射和规划。我们的方法，SC-资源管理器，结合场景完成使用一种新的增量融合机制和新提出的分层多层映射方法，以保证安全和效率的机器人。我们进一步提出了一个信息丰富的路径规划方法，利用我们的映射方法和一个新的场景完成感知信息增益的能力。虽然我们的方法是普遍适用的，我们评估它在微型飞行器（MAV）的用例。我们在高保真仿真实验中仅使用移动硬件彻底研究了每个组件，并表明与基线相比，我们的方法可以将环境的覆盖率提高73%，而地图精度的降低幅度很小。即使场景完成不包括在最终的地图，我们表明，它们可以用来引导机器人选择更多的信息路径，加快了35%的机器人的传感器的场景测量。我们在一个完全自主的MAV上验证了我们的系统，即使在复杂的混乱环境中也能显示出快速可靠的场景覆盖。我们将我们的方法作为开源提供。
2022-09-15 cs.CV cs.RO
Evaluating Trajectory Collision Probability through Adaptive Importance Sampling for Safe Motion Planning
Stanford University（斯坦福大学）
本文提出了一种工具，用于解决在许多算法规划机器人轨迹的不确定性的关键组成部分：评估的机器人的行动是由一个闭环反馈政策附近的标称规划轨迹的安全性。我们描述了一个自适应的重要性采样蒙特卡罗框架，使一个给定的控制策略的概率避碰约束的满意度的评估，也提供了相关的证书的准确性（在置信区间的形式）。特别是这种自适应技术非常适合于解决复杂的刚体碰撞检查应用于非线性机器人动力学。作为一种蒙特卡罗方法，它适合于并行计算的易处理性，并且通常适用于广泛的可模拟系统，包括替代噪声模型。数值实验证明了自适应重要性采样程序的有效性，并进行了讨论。
2017-06-01 cs.RO
