Configuration Space Decomposition for Scalable Proxy Collision Checking in Robot Planning and Control
University of California San Diego(加州大学圣地亚哥分校)
复杂高维环境下机器人的实时运动规划是一个亟待解决的问题。运动规划算法及其底层碰撞检查器对于任何机器人控制堆栈都至关重要。在机器人运动规划中,碰撞检测占据了很大一部分计算时间。现有的碰撞检查器在速度和精度之间进行权衡,并且对于高维复杂环境的扩展性很差。我们提出了一种新的空间分解方法,使用K-Means聚类的正运动学空间加速代理碰撞检查。我们训练个人配置空间模型使用Fastron,一个核心感知器算法,在这些分解的子空间,产生紧凑而高度准确的模型,可以快速查询和更好地扩展到更复杂的环境。我们在7自由度Baxter机器人上演示了这种名为Decomposed Fast Perceptron(D-Fastron)的新方法,与最先进的几何碰撞检查器相比,碰撞检查速度平均快29倍,运动规划速度快9.8倍。
2022-01-26 cs.RO
Reactive Neural Path Planning with Dynamic Obstacle Avoidance in a Condensed Configuration Space
FZI Research Center for Information Technology(FZI信息技术研究中心)
我们提出了一个生物启发的方法,动态避障路径规划。在自组织神经网络(SONN)生成的机器人压缩位形空间中进行路径规划。机器人本身和静态以及动态障碍物从笛卡尔任务空间映射到配置空间的预先计算的运动学。浓缩的空间代表了环境的认知地图,灵感来自于哺乳动物大脑中的位置细胞和认知地图的概念。训练数据的生成以及评估进行了一个真正的工业机器人伴随着仿真。为了在变化的环境中评估反应式无碰撞在线规划,实现了一个演示器。然后,对基于样本的规划师进行了比较研究。因此,我们可以证明机器人能够在动态变化的环境中运行,并在0.02秒内重新规划其运动轨迹,这证明了我们的概念的实时能力。
2022-07-08 cs.RO
Parameterization of configuration space obstacles in three-dimensional rotational motion planning
Warsaw University of Technology(华沙理工大学)
本研究探讨三维旋转运动规划中位形空间的精确几何。对于给定的三角剖分或球近似场景,物体绕给定点旋转,导出了位形空间障碍物的参数化。所获得的结果是一个重要的一步,走向一个完整的描述丰富的结构的配置空间在三维旋转运动规划。
2017-09-19 cs.CG cs.RO
Learning to Generate Cost-to-Go Functions for Efficient Motion Planning
Samsung AI Center(三星人工智能中心)
传统的运动规划对于实际机器人来说是计算上繁重的,涉及大量的碰撞检查和相当大的成本值的迭代传播。我们提出了一种新的神经网络架构,它可以直接产生的成本去(c2 g)函数为一个给定的配置空间和目标配置。该网络的输出是一个连续函数,其在配置空间中的梯度可以直接用于生成运动规划中的轨迹,而不需要延长的迭代或广泛的碰撞检查。这种高阶函数(即,生成另一函数的函数)表示位于我们的运动规划架构c2 g-HOF的核心,其可以将工作空间作为输入,并且在配置空间图(C-map)上生成成本-去函数。2D和3D环境的仿真结果表明,c2 g-HOF在执行时间上可以比在执行期间探索配置空间的方法快几个数量级。我们还提出了一个实现的c2 g-HOF产生的轨迹,机器人操作器直接从工作空间的开销图像。
2020-10-27 cs.RO
A neural signed configuration distance function for path planning of picking manipulators
Department of Information Technology, Uppsala University(信息技术系,乌普萨拉大学)
针对拾取机械臂路径规划问题,提出一种神经符号配置距离函数(nSCDF)作为隐式障碍物表示,通过构建配置空间中的无碰撞球体,将多查询路径规划器中的点替换为球体,从而快速生成无碰撞走廊并利用凸规划优化路径,实验表明该方法在显著减少时间的同时生成接近渐近最优的路径。
2026-05-25 cs.RO
A Versatile Neural Network Configuration Space Planning and Control Strategy for Modular Soft Robot Arms
Biorobotics Institute and the Department of Excellence in Robotics and AI(生物机器人研究所和机器人与人工智能卓越部门);Scuola Superiore Sant’Anna(圣安娜高等学院);CREATE Lab(CREATE实验室);EPFL(瑞士联邦理工学院)
本文提出S2C2A策略,通过biLSTM前向模型进行状态到构型规划,并用基于biLSTM的构型控制器实现绳索驱动模块化软体机器人臂的精确控制,支持离线位姿控制、避障及在线交互任务。
2025-06-08 cs.RO
Multi-Fingered Grasp Planning via Inference in Deep Neural Networks
University of Utah(犹他大学)
我们提出了一种新的方法来多指抓取规划利用学习的深度神经网络模型。我们训练一个基于体素的三维卷积神经网络来预测抓取成功概率作为一个函数的视觉信息的对象和把握配置。然后,我们可以制定抓取规划推断的把握配置,最大限度地提高把握成功的概率。此外,我们学习了一个先验的把握配置作为一个混合密度网络的条件下,我们的基于体素的对象表示。我们表明,这个对象的条件先验提高了把握推理时,与学习掌握成功预测网络相比,学习,对象不可知的先验,或不知情的统一先验。我们的工作是第一个直接规划高品质的多指掌握配置空间使用深度神经网络,而不需要一个外部规划。我们验证了我们的推理方法进行多手指抓取的物理机器人。我们的实验结果表明,我们的规划方法优于现有的神经网络抓取规划方法。
2020-03-19 cs.RO
PRESTO: Fast Motion Planning Using Diffusion Models Based on Key-Configuration Environment Representation
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Korea Advanced Institute of Science and Technology(韩国科学技术院);Sony AI(索尼人工智能公司)
本研究提出PRESTO运动规划框架,基于关键构型表征近似C-space障碍物作为扩散模型条件,结合训练正则化与轨迹优化生成无碰撞轨迹,在狭窄通道场景中优于现有基线。
2025-03-19 cs.RO
Motion Planning for Multi-Link Robots by Implicit Configuration-Space Tiling
Tel-Aviv University(特拉维夫大学)
我们研究自由飞行的多连杆机器人的运动规划问题,并开发了一个基于采样的算法,是专门为任务量身定制的。我们的工作是基于一个简单的观察,一组配置的机器人是自碰撞自由是独立的障碍物或机器人的确切位置。这使得在解决运动规划问题时无需在线执行昂贵的自碰撞检查,假设一些离线预处理。特别是,给定一个特定的机器人类型,我们的算法预先计算平铺路线图,有效地和隐式编码的自碰撞自由(子)空间在整个配置空间,后者可以是无限的。为了回答任何查询,在任何给定的场景中,我们遍历平铺路线图,同时只测试与障碍物的碰撞。我们的算法比普遍的范例,其中预先计算的路线图取决于机器人和手头的情况下,建议更多的灵活性。我们通过各种模拟展示了这种方法在开放和封闭链多连杆机器人上的有效性,在某些情况下,我们的算法比最先进的算法快50倍以上。
2015-11-25 cs.RO
Configuration-Space Flipper Planning on 3D Terrain
ShanghaiTech University(上海科技大学)
脚蹼是履带式机器人运动系统的重要组成部分,用于非结构化地形,特别是在救援场景中。实现这种救援机器人的完全和半自主是许多研究工作的目标。在这项工作中,我们提出了一种算法来规划一个小型救援机器人的形态与四个鳍状肢在3D地面没有任何额外的传感器,如压力传感器。为了实现这一目标,我们将救援机器人简化为充气地形上的骨架。它的形态可以用几个参数的组态来表示。然后,我们计划在3D地形上的移动与四个单独操纵的鳍状肢。我们在三种不同的障碍物上进行了真实的机器人实验。结果表明,我们非常有效地移动鳍状肢,因此能够很好地应对这些地形。
2020-03-11 cs.RO
Probabilistically Safe Corridors to Guide Sampling-Based Motion Planning
Cornell Tech(康奈尔理工学院);University of Pennsylvania(宾夕法尼亚大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
在本文中,我们引入了一个新的概率安全的本地转向原语采样为基础的运动规划在复杂的高维配置空间。我们的本地转向过程是基于一个新的概念,凸概率安全走廊,构造周围的配置使用切线超平面的置信度椭球高斯混合模型从以前的碰撞历史。因此,我们建议扩展一个随机的运动规划图向一个样本目标使用其投影到概率安全走廊,有效地利用配置空间的局部几何形状选择适当的转向方向和适应转向步长。我们观察到,建议的本地转向过程产生有效的转向运动周围的困难区域的配置空间,如狭窄的通道,同时尽量减少碰撞的可能性。我们评估了建议的转向方法与随机运动规划器在一些规划方案,无论是在模拟和物理7自由度机械臂,证明了我们的安全指导本地规划器的有效性超过标准的直线规划器。
2019-01-01 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
Automated Urban Planning for Reimagining City Configuration via Adversarial Learning: Quantification, Generation, and Evaluation
University of Central Florida(中佛罗里达大学);Virginia Tech(弗吉尼亚理工大学);University of Macau(澳门大学)
城市规划是指设计一个地区的土地使用配置的努力。然而,为了获得有效的城市规划,城市专家必须花费大量的时间和精力来分析复杂的规划约束,基于领域知识和个人经验。为了减轻他们的沉重负担并制定一致的城市规划,我们想问人工智能能否加速城市规划过程,以便人类规划师只根据特定需求调整生成的配置?深度生成模型的最新进展提供了一个可能的答案,它启发我们从对抗学习的角度自动化城市规划。然而,三个主要的挑战出现:1)如何定义一个定量的土地利用配置?2)如何自动化配置规划?3)如何评估生成的配置的质量?在本文中,我们系统地解决这三个挑战。具体来说,1)我们定义一个土地利用配置作为一个纬向通道张量。2)我们将自动化城市规划问题转化为深度生成学习的任务。目标是在给定目标区域的周围环境的情况下生成配置张量。3)我们提供了定量的评估指标,并进行了广泛的实验,以证明我们的框架的有效性。
2021-12-26 cs.AI cs.RO
Connectivity-Aware Representations for Constrained Motion Planning via Multi-Scale Contrastive Learning
Seoul National University(首尔大学);Artificial Intelligence Institute (AIIS), Seoul National University(首尔大学人工智能研究所);Department of Mechanical Engineering, Seoul National University(首尔大学机械工程系);Kwangwoon University(光云大学);ASRI, AIIS, Seoul National University(首尔大学ASRI、AIIS);Advanced Institutes of Convergence Technology(先进融合技术研究所)
本文提出一种多尺度对比学习方法,通过学习连接性意识的表示,选择连接区域的起始和目标配置,提高运动规划的成功率并减少规划时间。
2026-03-26 cs.RO
Fast Planning Over Roadmaps via Selective Densification
University of Michigan(密歇根大学)
提出了一种通过位形空间进行快速运动规划的选择性加密方法。我们通过迭代添加配置来创建一系列路线图。我们将这些路线图组织成层,并在层之间的相同配置之间添加边缘。我们找到一条路径,使用最佳优先搜索,我们提出的剩余规划时间的估计为指导。这种估计倾向于扩展更接近目标的节点和更稀疏层上的节点。我们提出的路径质量和最大深度的节点扩展使用我们提出的图和启发式的证据。我们还提出了实验比较选择性加密双向RRT连接,以及许多图搜索方法。在需要对致密层进行探索的困难环境中,我们发现选择性致密化比所有其他方法都能更快地找到解决方案。
2020-02-12 cs.RO
Efficient Distance-Optimal Tethered Path Planning in Planar Environments: The Workspace Convexity
Zhejiang University(浙江大学)
本文的主要贡献是证明了全方位绳系机器人工作空间(即所有绳长允许的机器人配置)的凸性,以及一组利用工作空间凸性的距离最优绳系路径规划算法。证明了该工作空间在拓扑上是一个单连通子集,在几何上是所有构形集合的一个凸子集。作为一个直接的结果,两个配置之间的系绳长度允许的最优路径被证明正是无系绳碰撞的局部最短路径的同伦指定的级联的系绳曲线的给定的配置,它可以简单地通过执行一个无系绳路径缩短过程中的2D环境中,而不是在预先计算的工作空间中的路径搜索过程中构造。凸性是绳系机器人运动学的一个内在属性,因此对所有高级距离最优绳系路径规划任务具有普遍影响:用目标配置预计算(GCP)过程代替最耗时的工作空间预计算(WP)过程,用无绳系路径缩短过程代替同伦感知路径搜索过程。受工作空间凸性的启发,自然提出了解决以下问题的有效算法:(a)最优系留重构(TR)规划问题通过局部非系留路径缩短(UPS)过程来解决,(b)经典的最优系留路径(TP)规划问题通过GCP过程和$n$ UPS过程来求解(从起始配置到目标位置,其中目标系绳状态未被分配),其中,$n$是访问目标位置的系绳长度容许配置的数量,(c)访问多个目标位置的序列的最佳系绳运动,称为
2022-08-08 cs.RO
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México(墨西哥自治理工学院)
本文提出了一种多机器人运动规划方法,通过工作空间分解的离散搜索提高规划效率,核心方法是分层子问题扩展和工作空间分解细化,主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
Swept Volume-Aware Trajectory Planning and MPC Tracking for Multi-Axle Swerve-Drive AMRs
School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院)
针对多轴全向驱动AMR转弯时扫掠体积大、传统系统控制复杂的问题,提出结合扫掠体积最小化、SDF路径规划与独立车轮转向MPC的框架,实现实时优化与精确跟踪,提升效率与安全性并开源。
2025-02-11 cs.RO
Sampling-based Path Planning Algorithms: A Survey
WPI(伍斯特理工学院)
本文综述自主机器人路径规划领域的基于采样算法,介绍地图表示类型,重点分析PRM、RRT及其优化版本PRM*、RRT*的优化实现与优势。
2023-04-23 cs.RO
Interactive Motion Planning for Human-Robot Collaboration Based on Human-Centric Configuration Space Ergonomic Field
Department of Mechanical and Automation Engineering, T-Stone Robotics Institute, The Chinese University of Hong Kong(机械与自动化工程系,T-Stone机器人研究所,香港中文大学);Idiap Research Institute(Idiap研究所);Department of Advanced Robotics, Istituto Italiano di Tecnologia(先进机器人系,意大利Istituto Italiano di Tecnologia)
本文提出基于配置空间人体工学场的运动规划方法,通过高效算法构建人体工学场并集成到阻抗控制机器人中,实验表明其在协作任务中有效降低人体工学成本和肌肉激活,提升人机协作效率。
2025-12-16 cs.RO
A Fast Method for Planning All Optimal Homotopic Configurations for Tethered Robots and Its Extended Applications
College of Information Engineering, Zhejiang University of Technology(浙江工业大学信息工程学院);Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology(香港科技大学电子与计算机工程系);Department of Computer Science, University of Liverpool(利物浦大学计算机科学系)
针对系绳机器人运动规划受长度和缠绕约束的挑战,提出CDT-TCS算法,通过单次计算高效求解2D环境中所有位置的最优可行构型,并扩展出路径规划、多目标访问及无系绳规划算法,仿真与实验证明其显著优于现有方法。
2025-07-16 cs.RO
CSSDF-Net: Safe Motion Planning Based on Neural Implicit Representations of Configuration Space Distance Field
IRMV Lab, Department of Automation, Shanghai Jiao Tong University(IRMV实验室,自动化系,上海交通大学)
本文提出CSSDF-Net,通过学习配置空间中的连续签名距离场,实现统一的安全性几何概念,结合安全约束轨迹优化和递推预测控制,支持零样本泛化和高效避障。
2026-03-19 cs.RO
Selective Densification for Rapid Motion Planning in High Dimensions with Narrow Passages
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)
本文提出一种基于多分辨率采样与选择性密集化的高效运动规划框架及其双向版本,通过稀疏与密集样本的无缝切换,在保持规划速度和完备性的同时有效应对高维窄通道环境,并在多种配置空间和真实机器人实验中优于现有最先进方法。
2025-07-21 cs.RO
Planning Multi-Fingered Grasps as Probabilistic Inference in a Learned Deep Network
University of Utah(犹他大学)
我们提出了一种新的方法来多指抓取规划利用学习的深度神经网络模型。我们训练一个卷积神经网络来预测抓取成功率,作为物体的视觉信息和抓取配置的函数。然后,我们可以制定抓取规划推断的把握配置,最大限度地提高把握成功的概率。我们使用反向传播算法在神经网络内部使用梯度上升优化来有效地执行此推断。我们的工作是第一个直接规划高品质的多指掌握配置空间使用深神经网络,而不需要一个外部的规划。我们验证我们的推理方法执行多指和两指掌握真实的机器人。我们的实验结果表明,我们的规划方法优于现有的神经网络规划方法;同时提供其他几个好处,包括学习数据效率高,速度快,足以部署在真正的机器人应用程序。
2018-04-10 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
Configuration Space Distance Fields for Manipulation Planning
Idiap Research Institute(伊迪亚普研究所);EPFL(洛桑联邦理工学院);Zhejiang University(浙江大学)
本文提出配置空间距离场(CDF),将SDF引入机器人配置空间用于优化,提供高效关节角度距离查询与导数,并提出计算融合算法及多层感知机神经表示,在避障与7轴Franka机器人规划中验证了有效性。
2024-06-03 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
Planning Shorter Paths in Graphs of Convex Sets by Undistorting Parametrized Configuration Spaces
Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室(CSAIL))
针对非线性参数化导致凸集图(GCS)运动规划在原始空间次优的问题,提出扩展GCS至非凸目标的方法以修正优化场景,在保持可行性的同时显著缩短路径长度和轨迹持续时间,且运行时间增幅极小。
2025-04-14 cs.RO
Motion Planning in Irreducible Path Spaces
National Institute of Advanced Industrial Science and Technology (AIST)(产业技术综合研究所)
机械系统的运动可以定义为通过其构形空间的路径。计算这样的路径具有随着配置空间的维度指数地缩放的计算复杂性。我们建议通过引入不可约路径--具有最小扫掠体积的路径来降低位形空间的维数。本文由三个部分组成:第一部分,我们定义了所有不可约路径的空间,并证明了在不可约路径空间中规划路径保持了任何运动规划算法的完备性。在第二部分中,我们在一定的假设下构造了一个串联运动链不可约路径空间的近似。在第三部分中,我们进行运动规划使用的不可约路径空间的机械蛇在涡轮机的环境中,一个机械章鱼与八个手臂在管道系统和侧向运动的人形机器人移动通过一个房间的门,并通过一个洞在墙上。我们证明了一个不可约路径的概念可以应用到任何运动规划算法考虑曲率约束。
2018-09-14 cs.RO
Constrained Bimanual Planning with Analytic Inverse Kinematics
Massachusetts Institute of Technology(麻省理工学院);Computer Science and Artificial Intelligence Laboratory (CSAIL)(计算机科学与人工智能实验室)
针对双臂机器人操纵物体时末端执行器变换固定的约束,提出利用解析逆运动学参数化配置空间,将可行集从零测度转为正测度,并兼容多种现有规划算法。
2024-03-13 cs.RO
Fast Marching Tree: a Fast Marching Sampling-Based Method for Optimal Motion Planning in Many Dimensions
Stanford University(斯坦福大学)
在本文中,我们提出了一种新的概率采样为基础的运动规划算法称为快速行军树算法(FMT*)。该算法是专门针对解决复杂的运动规划问题,在高维配置空间。该算法被证明是渐近最优的,收敛到最优解的速度比其国家的最先进的同行,主要是PRM* 和RRT*。FMT* 算法对预定数量的概率抽取样本执行“惰性”动态规划递归,以生成路径树,该路径树在到达成本空间中稳定地向外移动。与以前基于几乎必然收敛概念的分析方法不同,FMT* 算法在概率收敛概念下进行了分析:这种方法的额外数学灵活性允许收敛速度界限--这是基于最佳采样的运动规划领域的第一个。具体地说,对于一定的调谐参数和配置空间的选择,我们得到了一个收敛速度界的顺序$O(n^{-1/d+ρ})$,其中$n$是采样点的数量,$d$是配置空间的维数,和$ρ$是一个任意小的常数。我们继续证明渐近最优性的一些变化FMT*,即当配置空间是非均匀采样时,当成本不是弧长,当连接的基础上最近的邻居,而不是一个固定的连接半径的数量。一系列维度和障碍物配置的数值实验证实了我们的理论和启发式论点,表明对于给定的执行时间,FMT* 返回的解决方案比PRM* 或RRT* 好得多,特别是在高维配置空间和场景中碰撞检查成本高昂。
2015-02-06 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
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
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
Planning coordinated motions for tethered planar mobile robots
Singapore Centre for 3D Printing(新加坡3D打印中心);Nanyang Technological University(南洋理工大学)
研究多绳系平面移动机器人的运动规划问题。每个机器人都通过柔性电缆连接到固定基座上。由于机器人共享一个共同的工作空间,机器人,电缆和障碍物之间的相互作用给规划带来了很大的困难。以前的工作已经研究了检测目标电缆配置是否相交(或纠缠)的问题。在这里,我们感兴趣的运动规划问题:如何规划和协调机器人运动,以实现一个给定的不相交的目标电缆配置。我们确定了四种可能的运动模式,这取决于(i)机器人是否沿直线移动或沿电缆移动;(ii)机器人顺序移动或同时移动。我们深入分析了直线和并行,这是最实用的运动模式。特别是,我们提出的算法,(a)检测是否一个给定的目标电缆配置是可实现的直线和并发运动,以及(b)返回一个有效的协调运动计划。对算法进行了详细的分析,并在仿真和硬件实验中进行了验证。
2019-05-20 cs.RO
Multimodal Trajectory Optimization for Motion Planning
brain.kyutech.ac.jp(脑科学研究(此处原机构名实际应为京都工艺短期大学脑科学相关部门,但根据给定文本仅提取到该域名,严格按原文输出),注:原文本中affilnum 1和2可能对应不同机构,但文本仅给出邮箱域名,无明确机构名,按规则无明确机构时返回空数组,此处原文本仅显示邮箱,无明确机构名,故修正为:{)
现有的运动规划方法通常具有两个缺点:1)目标配置需要由用户指定,以及2)在给定条件下仅生成单个解。在实践中,存在多个可能的目标配置来实现任务。虽然目标配置的选择显著影响所得到的轨迹的质量,但是对于用户来说指定最佳目标配置并不是微不足道的。此外,在轨迹优化中使用的目标函数通常是非凸的,并且它可以具有实现可比成本的多个解。在这项研究中,我们提出了一个框架,确定对应于成本函数的不同模式的多个轨迹。我们减少了识别成本函数的模式的问题,估计密度引起的分布的基础上的成本函数。该框架使用户能够从多个候选轨迹中选择一个更好的解决方案,从而更容易调整成本函数,并获得满意的解决方案。我们评估了我们提出的方法与运动规划任务在2D和3D空间。我们的实验表明,该算法是能够确定这些任务的多个解决方案。
2020-09-23 cs.RO
One-Step Model Predictive Path Integral for Manipulator Motion Planning Using Configuration Space Distance Fields
Department of Information Physics and Computing, The University of Tokyo(东京大学信息物理与计算系)
提出将构型空间距离场与模型预测路径积分结合,利用CDF梯度统一代价函数并缩短规划时域至一步,实现高效避障,在2D环境和7自由度机械臂仿真中成功率近100%,控制频率超750Hz。
2026-06-16 cs.RO
geodex: A Library for Motion Planning on Riemannian Manifolds
University of Toronto Institute for Aerospace Studies (UTIAS)(多伦多大学航空航天研究所);Vector Institute for Artificial Intelligence(向量人工智能研究所)
针对现有运动规划库忽略机器人构型空间内在几何的问题,提出开源库 geodex,通过统一接口支持多种流形和自定义黎曼度量,实现更短、低能耗的规划。
2026-10-08 cs.RO
Learning Configuration Space Belief Model from Collision Checks for Motion Planning
Carnegie Mellon University(卡内基梅隆大学)
对于高维构形空间中的运动规划,一个重要的计算瓶颈是碰撞检测。我们的目标是通过使用碰撞测试的结果创建配置空间的信念模型来减少碰撞检查的预期数量。我们假设机器人的配置空间是一个连续的环境空间,相邻的点往往共享相同的碰撞状态。这使我们能够制定一个概率模型,分配给未评估的配置是无碰撞的信念估计。我们已经提出了一个详细的比较分析的各种kNN方法和距离度量用于评估C-空间的信念。我们还提出了一个加权矩阵在C空间,以提高性能的kNN方法。此外,我们提出了一种拓扑方法,利用C空间的高阶结构来生成一个信念模型。我们的研究结果表明,我们提出的拓扑方法优于kNN方法,实现更高的模型精度,同时计算效率。
2019-02-10 cs.AI cs.RO
Manipulating Deformable Objects by Interleaving Prediction, Planning, and Control
University of Michigan(密歇根大学)
我们提出了一个框架,可变形对象的操作,交错规划和控制,使复杂的操作任务,而不依赖于高保真建模或仿真。我们要解决的关键问题是什么时候应该使用计划,什么时候应该使用控制来完成任务?Plantoms的设计是为了通过复杂的配置空间找到路径,但对于高度欠驱动的系统,如可变形物体,实现一个特定的配置是非常困难的,即使与高保真模型。相反,控制器可以被设计为实现特定的配置,但它们可能会被困在不期望的局部极小值,由于障碍。我们的方法由三个部分组成:(1)一个全局运动规划器生成的变形对象的总运动;(2)一个局部控制器的变形对象的配置的细化;和(3)一个新的死锁预测算法,以确定何时使用规划与控制。通过将规划与控制分离,我们能够使用可变形对象的不同表示,降低整体复杂性并实现运动的有效计算。我们提供了一个详细的证明,我们的计划,这是有效的,尽管事实上,我们的系统是欠驱动,我们没有一个转向功能的概率完备性。然后,我们证明,我们的框架是能够成功地执行几个操作任务,绳子和布在模拟中,不能单独使用我们的控制器或规划器。这些实验表明,我们的规划器可以有效地生成路径,在四分之三的场景中平均花费不到一秒的时间找到可行的路径。我们还表明,我们的框架是有效的16自由度的物理机器人,可达性和双臂的限制,使规划更加困难。
2020-01-27 cs.RO
Task-Space Constrained Stochastic Trajectory Optimization for Time-Optimal Forestry Crane Motion Planning
Automation & Control Institute (ACIN), TU Wien(自动化与控制研究所,维也纳工业大学);Center for Vision, Automation & Control, AIT Austrian Institute of Technology GmbH(视觉、自动化与控制中心,奥地利技术研究院有限公司)
针对液压泵流量约束下的林业起重机运动规划问题,提出TSC-VP-STO算法,通过任务空间约束联合优化轨迹与终端配置冗余自由度,相比基线算法平均轨迹时长减12 - 15%,泵流量利用改善,且经实际部署验证。
2026-07-21 cs.RO
A minimum swept-volume metric structure for configuration space
Inria(法国国家信息与自动化研究所);Département d’informatique de l’Ecole normale supérieure (ENS-PSL, CNRS, Inria)(巴黎高等师范学院(ENS-PSL、法国国家科学研究中心、法国国家信息与自动化研究所)计算机系);Center for Data Science, New York University(纽约大学数据科学中心)
借用固体力学和微分几何的基本思想,本演示文稿表明,由一个规则的固体进行广泛的一类体积保持变形的体积扫过诱导一个相当自然的度量结构与定义良好的和可计算的测地线在其配置空间。这一一般结果适用于具体类的关节式物体,如机器人操作器,我们证明了作为一个概念的证明,自由飞杆和平面机器人手臂的测地线路径的计算,以及它们在路径规划中的使用与许多障碍。
2022-11-21 cs.RO
Coupling Tensor Trains with Graph of Convex Sets: Effective Compression, Exploration, and Planning in the C-Space
Technical University of Munich(慕尼黑技术大学);Northeastern University(东北大学)
TANGO通过结合张量压缩与图优化,在C空间中实现高效、几何感知的运动规划,提升轨迹生成的质量和效率。
2026-03-12 cs.RO
Distributed Planning for Rigid Robot Formations using Consensus on the Transformation of a Base Configuration
Technical University of Denmark(丹麦技术大学)
针对杂乱环境中的刚性多机器人编队导航问题,提出一种基于基础构型变换一致性的去中心化分布式规划方法,可保证编队约束并具备反应式规划所需的运行时效率。
2023-07-14 cs.RO cs.SY eess.SY
Harmonious Sampling for Mobile Manipulation Planning
KAIST(韩国科学技术院)
移动操作规划通常采用解耦的方法,即分别在基座和机械手上进行规划。虽然这种方法速度很快,但它可能会生成次优路径。另一个方向是在高维位形空间中联合调整基座和机械手的耦合方法。这种耦合方法解决了解耦方法的次最优性和不完整性,但由于其过多的计算开销而没有被广泛使用。鉴于这种权衡的空间,我们提出了一个简单的,但有效的移动操作采样方法,和谐采样,主要是在困难的地区,我们需要同时操纵基地和机械手执行耦合的方法。我们的方法通过一个低维的基空间,利用可达性地图的目标末端执行器的姿态和广义沃罗诺伊图检测到的狭窄通道识别这样的困难区域。对于其余的简单区域,我们主要在具有预定义的联合配置的基本配置上执行采样,从而加速规划过程。我们比较我们的方法与解耦和耦合的方法在六个不同的问题,不同的难度。我们的方法在实验上显示了有意义的改进,在解耦方法的基础上,找到初始解决方案的时间(最多快5.6倍)和最终解决方案的成本(最多低17%),特别是在空间狭窄的困难场景中。我们还展示了这些好处与一个真正的,移动胡博机器人。
2019-09-27 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
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
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
Comparing SONN Types for Efficient Robot Motion Planning in the Configuration Space
FZI Research Center for Information Technology(FZI信息技术研究中心)
配置空间(C空间)中的运动规划带来了诸如平滑轨迹的益处。随着自由度(DOF)的增加,它变得更加复杂。这是由于搜索空间的维数和DOF之间的直接关系。自组织神经网络(SONN)及其著名的候选者自组织映射(Self-Organizing Map)已被证明是C空间约简的有用工具,同时保留其底层拓扑结构,如[29]所示。在这项工作中,我们扩展了我们以前的研究与额外的模型,并适应从人类运动数据的方法对机器人的运动学。评估包括来自[29]的最佳性能模型和三个额外的SONN架构,代表了先前工作的后续延续。生成的轨迹,计划与不同的SONN模型,成功地在机器人模拟测试。
2022-03-18 cs.LG cs.RO
AgniNav: Configuration-Driven Cross-Embodiment Local Planning for Robot Navigation
Eastern Institute of Technology, Ningbo, China(东方理工(宁波));University of Nottingham, Nottingham, UK(诺丁汉大学);University of Science and Technology of China, Hefei, China(中国科学技术大学)
提出AgniNav框架,通过可配置的四参数安全包络实现单目视觉导航在轮式、四足和人形机器人间的零重训练迁移,联合调节感知与规划。
2026-06-09 cs.RO
Learning Manipulation States and Actions for Efficient Non-prehensile Rearrangement Planning
KTH Royal Institute of Technology(瑞典皇家理工学院);Yale University(耶鲁大学)
本文讨论了机器人在平面上的障碍物之间重新排列物体的非可移动的重新排列规划问题。我们提出了一个有效的规划算法,该算法的目的是强加一些假设的机器人的非可伸缩的操作能力,是简单的,以适应不同的机器人实施例。为此,我们将基于采样的运动规划与强化学习和生成式建模相结合。我们的算法探索的复合配置空间的对象和机器人作为一个搜索机器人的行动,前向模拟的物理模型。该搜索由生成模型引导,该生成模型提供机器人状态,对象可以从该机器人状态朝向期望状态运输,并且学习策略提供相应的机器人动作。作为一种有效的生成模型,我们采用了生成对抗网络。我们实现和评估我们的方法赋予配置空间的机器人在SE(2)。我们经验证明我们的算法设计选择的有效性,并观察到超过2倍的加速规划时间的各种测试方案相比,一个国家的最先进的方法。
2019-01-11 cs.RO
CDFlow: Generative Gradient Flows for Configuration Space Distance Fields via Neural ODEs
Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)(广东人工智能与数字经济实验室);College of Design and Engineering(设计与工程学院);College of Computer Science and Software Engineering(计算机科学与软件工程学院);School of Information Technology(信息技术学院)
本文提出CDFlow框架,利用神经常微分方程将构型空间距离场从单点最近碰撞建模扩展为多模态分布建模,并结合自适应细化采样,缓解梯度模糊并提升高自由度机器人运动规划的效率和鲁棒性。
2025-09-17 cs.RO
Asymptotically Optimal Path Planning With an Approximation of the Omniscient Set
Faculty of Electrical Engineering, Czech Technical University in Prague(布拉格捷克技术大学电气工程学院)
针对RRT*算法收敛慢的问题,提出两种近似全知集的采样方法以加速收敛,保证渐近最优性,且在3D、6D构型空间多场景中性能更优。
2025-03-20 cs.RO
Automated sequence and motion planning for robotic spatial extrusion of 3D trusses
Massachusetts Institute of Technology(麻省理工学院)
虽然机器人空间挤压已经证明了一种新的和有效的手段来制造三维桁架结构的建筑规模,一个主要的挑战仍然是在自动规划挤出序列和机器人运动桁架与无约束的拓扑结构。本文首次尝试在该领域严格制定挤压序列和运动规划(SAMP)的问题,使用CSP编码。此外,本研究提出一个新的层次规划框架,以解决挤压SAMP问题,通常有一个长期的规划视野和三维配置的复杂性。通过解耦序列和运动规划,规划框架能够有效地解决挤压序列,末端执行器位姿,关节配置,过渡轨迹与非标准拓扑结构的空间桁架。本文还提供了第一个详细的计算数据,以揭示解决SAMP问题的运行时瓶颈,这为未来的算法开发提供了洞察力和比较基线。连同算法的结果,本文还提出了一个开源和模块化的软件实现称为Choreo,是机器不可知的。为了证明该算法框架的强大功能,本文介绍了三个案例研究,包括真实制造和模拟结果。
2019-03-11 cs.RO