PAAMP: Polytopic Action-Set And Motion Planning for Long Horizon Dynamic Motion Planning via Mixed Integer Linear Programming
Robotics Engineering Department, Worcester Polytechnic Institute（沃斯特理工学院机器人工程系）；Electrical Engineering Department, California Polytechnic State University（加州州立大学弗雷斯诺分校电子工程系）
本文提出PAAMP方法，通过多边形动作集将长时间动态运动规划转化为混合整数线性规划问题，用于解决复杂动态系统中的运动规划与约束满足问题。
2024-08-28 cs.RO
Towards Search-based Motion Planning for Micro Aerial Vehicles
University of Pennsylvania（宾夕法尼亚大学）；UC San Diego（加州大学圣地亚哥分校）
基于搜索的运动规划已被用于移动机器人的许多应用。然而，由于微型飞行器（MAVs）复杂的动力学和实时计算的要求，它还没有得到充分的发展和应用，规划的全状态轨迹。在本文中，我们探讨了一个基于搜索的运动规划框架，计划动态可行的，无碰撞，分辨率最佳和完整的轨迹。本文扩展了基于搜索的规划方法，以解决三个重要的情况下，微型飞行器导航：（i）规划安全的轨迹存在的运动不确定性;（ii）规划与约束的视野和（iii）规划在动态环境中。我们表明，这些问题可以有效地解决，高效地使用所提出的基于搜索的运动基元规划。
2018-10-07 cs.RO
Search-Based Robot Motion Planning With Distance-Based Adaptive Motion Primitives
Faculty of Electrical Engineering, University of Sarajevo, Bosnia and Herzegovina（萨拉热窝大学电气工程学院）；RWTH Aachen University, Germany（亚琛工业大学）
本文提出将自由构型空间中的burs作为自适应运动基元融入图搜索算法，结合采样与搜索规划，在SMPL库中实现，显著提升高自由度机械臂在复杂场景下的路径规划效率。
2025-07-01 cs.AI cs.CG cs.RO
Group-Control Motion Planning Framework for Microrobot Swarms in a Global Field
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
提出面向全局场微型机器人群体的 group-control 运动规划框架，证明 STLC 条件及最少分组数，并分析复杂度权衡与基元设计。
2024-12-10 cs.RO
Trajectory Planning without Trajectory Data: A Manifold-Guided Approach
Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；Harvard University（哈佛大学）
提出流形引导的轨迹规划方法，仅用状态观测学习状态空间流形并利用其几何构造轨迹，实现对未见约束的泛化，在基准上表现优异且无需轨迹数据。
2026-10-08 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
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley（加州大学伯克利分校）
多关节机器人的运动规划具有挑战性。由于问题的复杂性，大多数现有的工作分解运动规划作为更容易的子问题。然而，由于不一致的性能指标，只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题，提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University（莱斯大学）
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库，利用了流行的MoveIt库和机器人操作系统（ROS）中间件。Robowflex提供了一个增强的API，用于在单个程序中制作和操作运动规划查询，使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例，同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1）开发新的运动规划器，2）评估运动规划器，以及3）使用运动规划作为子例程的复杂问题（例如，任务和运动规划）。Robowflex还提供可视化功能，与其他机器人库的集成（例如，DART和Tesseract），并补充其他机器人软件包。使用我们的库，用户不需要是ROS或MoveIt的专家，就可以设置运动规划查询，从结果中提取信息，并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
I-Planner: Intention-Aware Motion Planning Using Learning Based Human Motion Prediction
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个运动规划算法来计算无碰撞和平滑的轨迹，高自由度机器人与人类在一个共享的工作空间。我们的方法使用离线学习的人类行为以及时间的连贯性来预测人类的行动。我们的意图感知在线规划算法使用学习的数据库来计算基于预测动作的可靠轨迹。我们表示预测的人体运动使用高斯分布和计算安全的运动规划碰撞概率的严格上限。我们还描述了新的技术，以占人体运动预测中的噪声。我们强调了我们的规划算法在复杂的模拟场景和现实世界的基准与7自由度机器人手臂在一个工作空间与人类执行复杂的任务。我们证明了我们的意图感知规划的好处，在这种不确定的环境中计算安全的轨迹。
2017-11-27 cs.RO
Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models
Zachry Department of Civil and Environmental Engineering, Texas A&M University（德克萨斯A&M大学Zachry土木与环境工程系）
本文提出流运动策略，一种基于流匹配模型的机械臂运动规划方法，通过生成路径分布实现高效推理优化。
2026-08-18 cs.AI cs.RO
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架，用于UR5e机械臂的主动碰撞避免，以提升人机协作安全性。
2026-09-29 cs.RO
Kinetostatic Path Planning for Continuum Robots By Sampling on Implicit Manifold
Georgia Institute of Technology（佐治亚理工学院）
本文针对连续体机器人在外部弹性接触下的路径规划问题，提出在隐式流形上进行准静态规划，并采用AtlasRRT*算法，仿真证明其在成功率和计算效率上优于欧几里得空间规划器。
2023-09-16 cs.RO
Towards Efficient Motion Planning for UAVs: Lazy A* Search with Motion Primitives
University of Southern California（南加州大学）；University of Michigan（密歇根大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文针对无人机机载计算资源受限导致实时规划困难的问题，将惰性搜索概念引入基于搜索的规划算法，提出基于运动基元的 Lazy A* 搜索方法，可高效找到无碰撞且动态可行的最优轨迹，显著提升计算效率。
2024-11-12 cs.RO
Approximating Constraint Manifolds Using Generative Models for Sampling-Based Constrained Motion Planning
任务约束下的基于采样的运动规划是具有挑战性的，因为配置空间中的零测量约束流形使得拒绝采样即使不是不可能，也是极其低效的。提出了一种基于学习的约束运动规划问题采样策略。我们研究了两个著名的深度生成模型，条件变分自编码器（CVAE）和条件生成对抗网（CGAN）的使用，以生成满足约束的样本配置。而不是预先计算的图形，我们使用生成模型的约束参数近似的约束流形。这种方法允许有效地绘制满足约束的样本在线，而不需要修改现有的基于采样的运动规划算法。我们评估这两个生成模型的效率，他们的抽样精度和抽样分布的覆盖率。在两个机器人平台上进行了不同约束任务的仿真和实验。
2022-04-14 cs.AI 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
ST-RRT*: Asymptotically-Optimal Bidirectional Motion Planning through Space-Time
TU Berlin（柏林工业大学）；University of Stuttgart（斯图加特大学）
我们提出了一个运动规划器规划通过动态障碍物，速度约束，和未知的到达时间的时空。我们的算法，时空RRT*（ST-RRT*），是一个概率完全，双向运动规划算法，这是渐近最优的最短到达时间。我们实验评估ST-RRT* 在两个抽象的（2D磁盘，8D磁盘在混乱的空间，并在一个狭窄的通道问题），和模拟机器人路径规划问题（顺序规划的8DoF移动机器人，和7 DoF机械臂）。所提出的规划优于RRT连接和RRT* 的初始解决方案的时间，并达到最终的解决方案的成本。ST-RRT* 的代码可在开放式运动规划库（OMPL）中找到。
2022-03-04 cs.RO
Motion Planning for Multirotor Aerial Vehicles in Plan-based Control Paradigm: a Review
Innopolis University（Innopolis大学）
通常，最佳运动规划可以局部地和全局地执行。在这种规划中，选择局部规划技术还是全局规划技术主要取决于环境条件是动态的还是静态的。因此，最适当的选择是使用局部规划或局部规划与全局规划。在设计局部和全局最优运动规划时，要记住的关键指标是执行时间、渐近最优性和对动态障碍物的快速反应。这样的规划方法与诸如路径规划之后进行平滑的其他方法相比可以更有效地解决上述目标度量。因此，本研究的首要目标是分析相关文献，以了解如何制定的运动规划，特别是轨迹规划，问题时，被应用于实时生成最佳轨迹的多旋翼飞行器（MAVs），影响所列指标。作为研究的结果，轨迹规划问题被分解为一组子问题，并确定和详细描述了解决每个问题的方法列表。随后，对2010年至2022年期间最突出的成果进行了总结，并以时间轴的形式进行了介绍。
2023-01-30 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
Vectorizing Projection in Manifold-Constrained Motion Planning for Real-Time Whole-Body Control
Department of Computer Science, Purdue University（普渡大学计算机科学系）；School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）
本文提出一种基于SIMD加速的流形约束运动规划器，通过并行化视角重新审视基于投影的约束满足方法，实现对复杂系统如人形机器人轨迹规划的实时约束满足。
2026-04-14 cs.RO
Dispersion-Minimizing Motion Primitives for Search-Based Motion Planning
University of Pennsylvania（宾夕法尼亚大学）
基于搜索的运动基元规划是一种功能强大的运动规划技术，可以在非结构化环境中的尺寸、重量和功率受限的平台上提供动态可行性、最优性和实时计算时间。然而，运动规划图的优化设计，而规划器的性能至关重要，还没有一个主要的重点，以前的工作。本文提出了解决这个问题，通过引入一种方法，选择顶点和边的运动基元图，是在采样理论的基础上，并导致理论保证计划的完整性。通过最小化由轨迹成本引起的度量空间中的图顶点的分散度，我们用我们的运动基元图最优地覆盖可行轨迹的空间。与由均匀输入空间采样定义的基线运动基元相比，我们的运动基元图具有较低的分散度，找到了一个具有较少迭代的图搜索的计划，并且只有一个参数要调整。
2021-03-26 cs.RO
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架，融合视觉基础模型提升机器人操作与运动规划，实现实时调整和持续学习，并通过实验验证其在动态环境中的部署潜力。
2023-09-20 cs.RO
Motion Planning for Autonomous Vehicles: When Model Predictive Control Meets Ensemble Kalman Smoothing
Department of Mechanical Engineering, University of Kansas（机械工程系，堪萨斯大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文将基于神经网络车辆模型的NMPC运动规划重构为贝叶斯估计问题，并用序贯集合卡尔曼平滑器求解，显著降低计算成本。
2025-05-10 cs.RO
T* : A Heuristic Search Based Algorithm for Motion Planning with Temporal Goals
NetApp India（NetApp印度公司）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；SAP India（SAP印度公司）
运动规划是自主移动机器人应用开发中需要解决的核心问题。基本的运动规划问题涉及为机器人生成用于点到点导航的轨迹，同时避开障碍物。基于启发式的搜索算法，如A* 已被证明是非常有效的解决这样的规划问题。最近，已经有越来越多的兴趣，在指定复杂的运动计划，使用时间逻辑。在最先进的算法中，时间逻辑运动规划问题减少到一个图搜索问题和Dijkstra的最短路径算法用于计算满足规格的最优轨迹。A* 算法在使用适当的启发式算法时，可以有效地生成图中的最优路径。在时序逻辑路径规划中使用A* 算法的主要挑战是没有机器人的单一目的地状态的概念。在这篇论文中，我们提出了一种新的运动规划算法T*，它使用了时间逻辑路径规划\emph{opportunistically}中的A* 搜索过程来生成满足时间逻辑查询的最优轨迹。我们的实验结果表明，T* 实现了一个数量级的改进，比国家的最先进的算法，以解决许多时间逻辑运动规划问题。
2019-10-02 cs.RO
COAST: Constraints and Streams for Task and Motion Planning
Stanford University（斯坦福大学）；Toyota Research Institute（丰田研究所）
针对现有TAMP算法扩展性差、求解耗时久的问题，提出概率完备的采样式算法COAST，结合基于流的运动规划与高效约束任务规划策略，在三个测试域中累计任务规划时间较基线快一个数量级。
2024-05-14 cs.RO
Decision-Time Postponing Motion Planning for Combinatorial Uncertain Maneuvering
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
运动规划涉及城市驾驶中组合机动变量之间的决策。规划者必须考虑机动变量的不确定性和相关风险，并随后选择机动方案。在本文中，我们提出了一种规划方法，考虑预测中的不确定性，并在高不确定性的情况下，推迟到以后的时间内的规划范围内的组合决策。使用我们提出的方法，计划安全但同时不过度保守的运动。
2020-12-13 cs.RO
Spatio-Temporal Lattice Planning Using Optimal Motion Primitives
University of Waterloo（滑铁卢大学）
本文将任意格上的最小t-张成运动基元选择建模为混合整数线性规划，并结合基于A*的规划与振荡消除算法，在停车场和高速场景验证了自动驾驶效果。
2023-07-17 cs.RO
Geometry-Aware Sampling-Based Motion Planning on Riemannian Manifolds
Institute for Aerospace Studies, University of Toronto（航空航天研究 institute，多伦多大学）
本文提出基于采样的运动规划框架，直接在黎曼流形上操作，利用黎曼几何距离近似和自然梯度引导局部规划，实验证明其在非欧几里得几何下能生成更优轨迹。
2026-08-06 cs.RO
Quotient-Space Motion Planning
CNRS-AIST Joint Robotics Laboratory（CNRS-AIST联合机器人实验室）
运动规划算法通过计算穿过机器人的配置空间的路径来计算机器人的运动。为了提高运行时间的运动规划算法，我们建议嵌套机器人在彼此之间，创建一个嵌套的配置空间的约束空间分解。基于此分解，我们定义了一个新的基于路线图的运动规划算法称为商空间路线图规划（QMP）。该算法开始增长的最低维商空间上的一个图形，切换到下一个商空间一旦一个有效的路径已经找到，并不断更新每个商空间上的图形同时，直到一个有效的路径中的配置空间已经found.We表明，该算法是概率上完整的，并优于一组国家的最先进的算法实现在开放的运动规划库（OMPL）。
2018-08-03 cs.RO
Fast Kinodynamic Planning on the Constraint Manifold with Deep Neural Networks
Poznan University of Technology（波兹南理工大学）；Technische Universität Darmstadt（达姆施塔特工业大学）；Huawei R&D London（华为伦敦研发中心）；German Research Center for AI (DFKI)（德国人工智能研究中心）
运动规划是机器人技术中一个成熟的研究领域，具有许多基于优化或采样状态空间的成熟方法，适用于求解运动学运动规划。然而，当需要在约束条件下的动态运动和计算时间是有限的，在约束流形上的快速kinodynamic规划是必不可少的。近年来，基于学习的解决方案已成为经典方法的替代方案，但它们仍然缺乏对复杂约束的全面处理，例如在考虑机器人动力学的同时在任务空间的低维流形上进行规划。本文介绍了一种新型的学习规划框架，该框架利用了约束流形的概念，包括动力学和神经规划方法。我们的方法生成满足任意约束条件的计划，并在很短的恒定时间内计算它们，即神经网络的推理时间。这使得机器人能够反应性地规划和重新规划，使我们的方法适用于动态环境。我们验证了我们的方法在两个模拟任务，并在一个苛刻的现实世界的情况下，我们使用库卡LBR Iiwa 14机器人手臂执行机器人空气曲棍球的打击运动。
2023-01-12 cs.AI cs.RO
Robust Task and Motion Planning for Long-Horizon Architectural Construction Planning
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）
在建筑和施工过程中集成机器人系统是提高建筑行业效率的核心兴趣。此类系统的自动规划使设计分析工具成为可能，并为设计师和工程师提供更快的设计迭代周期。然而，通用的任务和运动规划（TAMP）的长期建设过程是超出了目前的方法的能力。在本文中，我们开发了一个多智能体TAMP框架的长期问题，如建设一个全面的建设。为此，我们通过基于采样的运动规划，有限的地平线的方法，和特定于任务的结构稳定性优化，允许有效的任务分解的逻辑几何规划框架。我们表明，我们的框架是能够构建一个大型展馆从几百个几何独特的建筑元素从开始到结束自主。
2020-03-17 cs.RO
Motion planning in high-dimensional spaces
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
运动规划是一个关键的工具，使机器人导航通过一个环境中没有碰撞。机器人运动规划的问题已经在过去的几十年中进行了详细的研究，研究人员最初专注于平面移动机器人和低自由度（DOF）机器人手臂等系统。高自由度机器人必须在复杂的动态环境中实时的执行任务，因此需要快速的运动规划算法。在这篇综述中，我们讨论了几种类型的策略，运动规划在高维空间和剖析其中的一些，即基于网格搜索，基于采样和轨迹优化的方法。我们比较了它们，并概述了它们的优点和缺点，最后，提供了一个洞察未来的研究机会。
2018-07-19 cs.RO
Multi-Tree Guided Efficient Robot Motion Planning
Southern University of Science and Technology（南方科技大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院）
运动规划是机器人完成不同任务所必需的。快速探索随机树（RRT）及其变体由于其在状态空间中的快速搜索而被广泛应用于机器人运动规划中。然而，它们在许多复杂环境中表现不佳，因为运动规划需要同时考虑几何约束和微分约束。在这篇文章中，我们提出了一种新的机器人运动规划算法，利用多树来指导探索和开发。该算法首先维护两棵以上的树来搜索状态空间。每棵树都会探索当地的环境。从根开始的树会逐渐收集其他树的信息并向目标状态生长。这种同时勘探和开采的方法可以快速找到可行的轨迹。我们比较了所提出的算法与其他流行的运动规划算法。实验结果表明，我们的算法实现了最好的性能在不同的评价指标。
2022-05-18 cs.RO
Comment on "A Real-Time Approach for Chance-Constrained Motion Planning with Dynamic Obstacles"
Delft University of Technology（代尔夫特理工大学）
本文介绍了使用机会约束模型预测控制（MPC）解决一个水平基准避碰问题的结果。
2020-06-04 cs.RO
Urban Metric Maps for Small Unmanned Aircraft Systems Motion Planning
University of Michigan（密歇根大学）
小型无人机系统（UAS）低空城市飞行规划需要精确的飞行器、环境地图和风险模型，以确保飞行计划考虑城市景观以及空域约束。本文提出了一套运动规划指标设计的小型无人机城市飞行。我们定义了基于地图和基于路径的指标，从整体上表征运动计划的质量。建议的指标检查的背景下，代表性的几何，图形为基础的，基于采样的运动规划应用于多旋翼小型无人机。提出了一种新的多目标启发式算法，并应用于基于图和采样的运动规划器在四个城市无人机飞行高度层。蒙特卡洛案例研究在纽约市的城市环境说明度量地图属性和规划师的性能。运动计划被评估为规划算法、位置、范围和飞行高度的函数。
2021-02-14 cs.RO
Ontological Physics-based Motion Planning for Manipulation
Institute of Industrial and Control Engineering (IOC)（工业与控制工程研究所）；Universitat Politcnica de Catalunya (UPC) – Barcelona Tech（加泰罗尼亚理工大学 – 巴塞罗那科技大学）
机器人操作涉及机器人和物体之间发生接触的动作。在这个范围内，基于物理的引擎的可用性允许运动规划器包括刚体之间的动力学，这对于规划这种类型的动作是必要的。然而，基于物理的运动规划由于状态空间的高维度以及需要以低积分步骤工作以找到精确的解而在计算上是密集的。另一方面，操纵动作改变了进一步动作和运动的环境和条件。为了解决这个问题，使用本体表示的操作动作，使基于语义的推理过程，减少了运动规划的计算成本。本文提出了一个操作规划框架，其中基于物理的运动规划与本体知识表示和推理增强。该建议已被实施，并说明和验证了一个简单的例子。它在杂乱环境中抓取任务的用途目前正在开发中。
2017-10-29 cs.RO
Chance Constrained Motion Planning for High-Dimensional Robots
Massachusetts Institute of Technology（麻省理工学院）
本文介绍了概率Chekov（p-Chekov），一个机会约束运动规划系统，可应用于高自由度（DOF）机器人运动不确定性和不完善的状态信息。给定过程和观测噪声模型，它可以找到可行的轨迹，满足用户指定的边界上的碰撞概率。利用我们以前在确定性运动规划中的工作，将轨迹优化集成到稀疏路线图框架中，p-Chekov在高维任务的规划速度方面表现出优越性。P-Chekov将线性二次高斯运动规划方法应用到机器人状态概率分布的估计中，将积分理论应用到航路点碰撞风险估计中，并采用风险分配方法来分配航路点之间的允许故障概率。与其他现有的风险感知规划器不同，p-Chekov可以应用于高自由度的机器人规划任务，而无需对环境进行凸化。本文的实验结果表明，该p-Chekov系统可以有效地降低碰撞风险，并满足用户指定的机会约束，在典型的现实世界规划场景的高自由度机器人。
2018-11-07 cs.RO
The Open Motion Planning Library 2.0
Department of Computer Science, Rice University（计算机科学系，里士大学）；Department of Computer Science, Purdue University（计算机科学系，普渡大学）；Waymo, LLC（Waymo公司）；Metron, Inc.（Metron公司）；Ken Kennedy Institute at Rice University（里士大学肯尼迪研究所）
本文介绍OMPL 2.0，通过硬件加速实现实时运动规划，并集成现代AI研究流程，总结了库与运动规划领域的共同发展及其对研究社区的影响。
2026-08-03 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
Anytime Motion Planning on Large Dense Roadmaps with Expensive Edge Evaluations
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
我们提出了一个算法框架，用于在大型密集几何路线图上进行有效的随时运动规划，在碰撞检查和边缘评估的计算成本很高的领域。大的密集路线图（图）通常可以确保大多数运动规划问题的高质量解决方案的存在，但是路线图的大小，特别是在高维空间中，使得现有的基于搜索的规划算法在计算上昂贵。我们以两种方式处理昂贵的搜索和冲突检查的挑战。首先，我们框架的问题，任何时候运动规划的路线图搜索的最短路径在整个路线图的一系列子图，产生的一些致密化策略。这使我们能够实现有界的次最优与有界的最坏情况下的规划工作。其次，对于搜索每个子图，我们开发了一个随时规划算法，使用的信念模型来计算未知配置的碰撞概率和搜索路径的帕累托最优的路径长度和碰撞概率。该算法是有效的碰撞检查，因为它搜索连续较短的路径。我们从理论上分析了我们的想法，并分别对高维运动规划问题进行评估。最后，我们将这两个想法一起应用在我们的算法框架中，用于任何时候的运动规划，并表明它在高维超立方体问题上优于BIT*。
2017-11-10 cs.RO
A Generalized Label Correcting Method for Optimal Kinodynamic Motion Planning
Massachusetts Institute of Technology（麻省理工学院）
提出了一种分辨率完备的最优运动动力学运动规划算法，并将其描述为广义标号校正（GLC）方法。与相关算法相比，GLC方法不需要局部规划子程序，并且受益于简单的实现。本文的主要贡献是GLC条件的构建和分析，这是所提出的算法的基础。数值实验表明，GLC方法的运行时间小于相关SST算法。
2017-03-15 cs.RO
Robot Motion Planning in Learned Latent Spaces
Stanford University（斯坦福大学）
本文提出了基于潜在采样的运动规划（L-SBMP），一种通过学习可规划的潜在表示来计算复杂机器人系统运动规划的方法。最近的工作在控制机器人系统有效地利用本地，低维嵌入高维动力学。在本文中，我们将这些最新进展与基于采样的运动规划（SBMP）技术相结合，以设计一种能够规划传统方法（例如，类人机器人，甚至是在视觉空间中进行规划的系统）。具体来说，学习的潜在空间是通过一个自动编码网络，一个动态网络，和碰撞检查网络，这反映了SBMP的三个主要算法原语，即状态采样，本地转向，和碰撞检查。值得注意的是，这些网络可以只通过系统状态和动作的原始数据以及监督冲突检查器来训练。在这些网络的基础上，使用基于RRT的算法直接在潜在空间中规划运动-我们将这种探索算法称为学习潜在RRT（L2 RRT）。该算法全局地探索潜在空间，并能够推广到新的环境。整体的方法证明了两个规划问题，即视觉规划问题，规划发生在视觉（像素）空间，和一个人形机器人规划问题。
2018-11-06 cs.RO
E$ \mathbf{^3} $MoP: Efficient Motion Planning Based on Heuristic-Guided Motion Primitives Pruning and Path Optimization With Sparse-Banded Structure
Nankai University（南开大学）；Zhejiang Lab（之江实验室）
针对复杂环境下的自主导航问题，提出了一种有效的运动规划方法。针对大规模、部分未知的复杂环境，设计了一种三层运动规划框架，包括全局路径规划、局部路径优化和时间最优速度规划。与现有的方法相比，这项工作的新颖性是双重的：1）提出了一种新的运动基元修剪策略，并将其完全集成到基于状态格的全局路径规划器中，以进一步提高图搜索的计算效率; 2）提出了一种新的软约束局部路径优化方法，其中，充分利用底层优化问题的稀疏带状系统结构来有效地解决该问题。我们验证了我们的方法在各种复杂的模拟场景和具有挑战性的现实任务中的安全性，平滑性，灵活性和效率。结果表明，与基于五次Bézier曲线的状态空间采样方法相比，全局规划阶段的计算效率提高了66.21%，机器人的运动效率提高了22.87%.我们将所提出的运动规划框架命名为E $ \mathrm{^3} $ MoP，其中数字3不仅意味着我们的方法是一个三层框架，而且还意味着所提出的方法在三个阶段是有效的。
2021-11-16 cs.RO
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University（克莱姆森大学）；Air Force Research Laboratory（美国空军研究实验室）
机器人符号运动规划是在离散空间中指定和规划机器人任务，然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展，但仍存在许多挑战，包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中，分布式符号运动规划的多机器人系统的发展，以解决可扩展性。更具体地说，组合推理方法的发展，以分解的全局规划问题，原子命题的观察，通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性，一个动态的，定量的，和概率的人对机器人的信任模型的开发，以帮助这种分解。此外，提出了一种基于信任的实时切换框架，用于在自主和手动运动规划之间切换，以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估，证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 cs.RO
Potential Based Diffusion Motion Planning
Brown University（布朗大学）；MIT（麻省理工学院）
针对高维空间运动规划易陷局部极小值的问题，提出基于神经网络学习易优化势函数的运动规划方法，性能优于现有方法且具备良好约束泛化能力。
2024-07-08 cs.CV cs.LG cs.RO
Cooperative Motion Planning for Non-Holonomic Agents with Value Iteration Networks
Daimler R&D（戴姆勒研发中心）；FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
协作运动规划仍然是机器人面临的一个具有挑战性的课题。最近，价值迭代网络（VIN）被提出来建模运动规划任务作为神经网络。在这项工作中，我们扩展VIN解决非完整约束下的合作规划任务。为此，我们将多个VIN互连，以尊重彼此的输出。通过迭代梯度下降生成合作策略。仿真验证表明，所得到的网络可以解决非完整运动规划问题，需要合作。
2017-09-15 cs.MA cs.RO
Appendix for the Motion Primitives-based Path Planning for Fast and Agile Exploration Method
University of Nevada, Reno（内华达大学里诺分校）
这篇手稿提出了我们的运动基元探索路径规划方法的敏捷探索使用空中机器人的增强。该方法现在进一步集成了全局规划层，以促进可靠的大规模勘探。本地和全球规划之间实施的分叉允许高效的勘探与在非常大的环境中进行规划的能力相结合，同时还确保安全及时地返回家园。一组新的模拟研究和实验结果，以证明新的改进和增强。该方法可以作为机器人操作系统（ROS）包开源。
2020-12-06 cs.RO
Assembly Sequence Planning for Motion Planning
National Institute of Advanced Industrial Science and Technology (AIST)（日本国立产业技术综合研究所（AIST））；Osaka University（大阪大学）
本文提出了一个规划器，以找到一个最佳的装配序列，装配多个对象。规划器的输入是对象的网格模型、组件中对象之间的相对姿态以及组件的最终姿态。输出是最佳组装序列，即（1）应该以哪个顺序组装物体，（2）应该从哪个方向放下物体，以及（3）每个物体的候选抓握。该规划器通过自动排列、评估和搜索可能的装配序列来找到最优解，同时考虑稳定性、可抓握性和可装配性。期望能指导机器人利用平移运动进行装配。输出为运动规划算法提供初始和目标配置。它可以被机器人使用，并使用几个模拟和真实世界的执行来演示。
2016-09-11 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
Prediction-Driven Motion Planning: Route Integration Strategies in Attention-Based Prediction Models
Institute of Measurement and Control Systems, Karlsruhe Institute of Technology (KIT)（测量与控制系统研究所，卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（信息技术研究所以）
本文提出基于注意力机制的运动预测模型，通过整合导航信息提升预测与规划任务的性能。
2025-12-03 cs.RO
A review of motion planning algorithms for intelligent robotics
University of Eastern Finland（东芬兰大学）；Shenzhen Technology University（深圳技术大学）
研究和分析了典型的运动规划算法的原理。这些包括传统的规划算法，监督学习，最优值强化学习，策略梯度强化学习。我们研究的传统规划算法包括图搜索算法、基于采样的算法和插值曲线算法。监督学习算法包括MSVM、LSTM、MCTS和CNN。最优值强化学习算法包括Q学习、DQN、双DQN、决斗DQN。策略梯度算法包括策略梯度法、行动者-批评者算法、A3 C、A2 C、DPG、DDPG、TRPO和PPO。通过分析比较，提出了评价运动规划算法性能和应用的新的通用标准。重点分析了最优值算法和策略梯度算法的收敛速度和稳定性。根据运动规划算法的原理和分析比较，提出了未来的发展方向。本文对机器人运动规划算法的优缺点、相互关系和未来发展趋势有了一个清晰全面的认识，为更好的运动规划算法的研究铺平了道路。
2021-02-05 cs.AI cs.RO
MotionBenchMaker: A Tool to Generate and Benchmark Motion Planning Datasets
Rice University（莱斯大学）；TU Berlin（柏林工业大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
最近，在机器人操作的运动规划方面已经有了丰富的发展，新的运动规划器不断被提出，每个都有自己独特的优点和缺点。然而，评估新的规划师是具有挑战性的，研究人员经常创建自己的特设问题的基准，这是耗时的，容易产生偏见，并不直接与其他国家的最先进的规划师进行比较。我们提出了MotionBenchMaker，一个开源的工具来生成基准数据集的现实机器人操作问题。MotionBenchMaker是一款可扩展且易于使用的工具，允许用户生成数据集并通过比较运动规划算法对其进行基准测试。从经验上讲，我们展示了使用MotionBenchMaker作为程序生成数据集的工具的好处，这有助于对规划者进行公平评估。我们还提出了一套40个预制数据集，5种不同的常用机器人在8个环境中，作为一个共同的基础，以加快运动规划的研究。
2022-02-15 cs.RO
FFRob: Leveraging Symbolic Planning for Efficient Task and Motion Planning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
由于混合配置空间的高维性和多模态性，涉及多个对象的移动操作问题的求解具有挑战性。执行纯几何搜索的planet在解决这些问题时非常慢，因为它们无法分解配置空间。符号任务规划器可以有效地构建涉及许多变量的计划，但不能表示操作所需的几何和运动约束。我们提出了解决任务和运动规划问题的FFRob算法。首先，我们引入扩展动作规范（EAS）作为一个通用的规划表示，支持任意谓词作为条件。我们适应现有的启发式搜索思想解决\proc{strips}规划问题，特别是删除松弛，解决EAS问题的实例。然后，我们将EAS表示和规划者的操作问题，导致FFRob。FFRob迭代离散任务和运动规划问题，使用批量采样的操作原语和多查询路线图结构，可以条件化，以评估可移动物体的不同放置下的可达性。这种结构使EAS规划者能够有效地计算包含几何和运动规划约束的几何学，以给出到目标的距离的严格估计。此外，我们表明FFRob是概率完整的，并有有限的预期运行时间。最后，我们实证证明FFRob的有效性，复杂和多样化的任务和运动规划任务，包括重排规划和可移动物体之间的导航。
2017-12-01 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
Octocopter Design: Modelling, Control and Motion Planning
这本书提供了一个解决方案的控制和运动规划设计的直升机系统。它包括一个特定的选择控制和运动规划算法，这是基于作者以前的研究工作，所以它可以作为一个参考设计指导学生，研究人员以及自动驾驶汽车爱好者。该控制是基于容错方法构建的，旨在增加系统检测和隔离潜在故障的机会，以产生可行的控制信号，其余的活动电机。所使用的运动规划算法是风险感知的，这意味着它在规划阶段考虑了与直升机系统的故障相关和任务相关机动性分析相关的约束。这样的规划器仅生成那些参考轨迹，在单电机故障和大多数双电机故障情况下，直升机系统沿着这些参考轨迹将是安全的并且能够良好地跟踪。书中提出的控制和运动规划算法旨在提高系统完成任务的整体可靠性。
2022-12-02 cs.RO
