Temporal logics and formal synthesis for robot planning and control
KTH Royal Institute of Technology（皇家理工学院）
本文介绍线性时间逻辑和信号时间逻辑作为机器人行为的规范语言，并讨论从离散图/游戏到采样运动规划、轨迹优化和控制证书的形式化综合方法，最后指出实际部署中的挑战。
2026-06-23 cs.RO
Predictive Spray Switching for an Efficient Path Planning Pattern for Area Coverage
本文针对耕地区域覆盖任务提出一种与特定路径规划模式匹配的预测性喷嘴开关逻辑，通过多模式串联实现名义无损喷雾，并与Boustrophedon路径规划下的反应式开关逻辑对比，分析路径长度减少与开关次数增加之间的权衡。
2025-07-05 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
Physics-based Motion Planning with Temporal Logic Specifications
Institute of Industrial and Control Engineering (IOC), Universitat Politècnica de Catalunya (UPC) – Barcelona Tech（加泰罗尼亚理工大学工业与控制工程研究所）
当今机器人技术的主要焦点之一是为机器人提供高度的自主性。在这个方向上的一个基本步骤是让他们能够在离散和连续的空间中进行规划，以找到完成复杂任务所需的运动。在这条线上，最近的一些方法描述的任务与线性时序逻辑（LTL）和离散动作的原因，以指导基于采样的运动规划，目的是找到动态可行的运动，满足时序逻辑任务规范。本论文提出了一种LTL规划方法，一方面，使用本体来描述和推理的任务，增强，并包括基于物理的运动规划，以允许有目的地操纵的对象，另一方面。该建议已被实施，并说明了教学的例子与移动机器人在简单的情况下，一些目标被占用的对象，必须被删除，以完成任务。
2017-10-01 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
RHH-LGP: Receding Horizon And Heuristics-Based Logic-Geometric Programming For Task And Motion Planning
TU Berlin（柏林工业大学）；International Max Planck Research School for Intelligent Systems（马克斯·普朗克智能系统国际研究学院）；Bilkent University（比尔肯特大学）
机器人操作的顺序决策和运动规划会导致组合复杂性。对于长期任务，特别是当环境包括许多可以交互的对象时，规划效率变得更加重要。为了规划这种长时间任务，我们提出了RHH-LGP算法的组合任务和运动规划（TAMP）。首先，我们提出了一个TAMP方法（基于逻辑几何规划），有效地使用基于几何的算法来解决长期操作任务。该规划器的效率，然后进一步提高了滚动时域制定，从而在RHH-LGP。我们证明了我们的方法的鲁棒性和有效性，在各种各样的长期任务，需要推理与大量的对象的相互作用。使用我们的框架，我们可以解决的任务，需要多个机器人，包括移动机器人和蛇形步行机器人，形成新的异构运动学结构自主。通过结合基于几何的规划与迭代规划，我们的方法带来了一个数量级的减少规划时间在所有调查的问题。
2022-03-06 cs.RO
Belief Space Planning for Risk Signal Temporal Logic via Mixed-Integer Convex Programming
KTH Royal Institute of Technology（瑞典皇家理工学院）；Digital Futures（数字未来机构）
本文针对高斯信念空间中的风险信号时序逻辑（RiSTL）规划问题，提出一种混合整数凸规划（MICP）方法，证明其可靠完备且保留全局最优轨迹，并通过数值模拟验证了方法有效性。
2026-10-14 cs.RO
LTLCodeGen: Code Generation of Syntactically Correct Temporal Logic for Robot Task Planning
Contextual Robotics Institute, University of California San Diego（情境机器人研究所，加州大学圣地亚哥分校）
本文提出LTLCodeGen，利用代码生成将自然语言指令翻译为语法正确的线性时序逻辑公式，结合语义占用地图实现机器人导航任务规划，并在模拟和真实实验中验证其有效性。
2025-08-06 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
DT*: Temporal Logic Path Planning in a Dynamic Environment
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
机器人路径规划是机器人领域的主要问题之一。当一个机器人被赋予一个任务的形式的线性时序逻辑（LTL）规范，这样的任务需要重复执行，我们希望机器人遵循最短的循环路径，使机器人在给定的时间内完成任务的次数得到最大化。在本文中，我们解决的LTL路径规划问题在动态环境中，新到达的动态障碍物可能会使一些可用的路径在任何任意时间点。我们提出了DT*，基于SMT的滚动时域规划策略，该策略根据工作空间的当前状态重复解决优化问题，以引导机器人在当前情况下遵循最佳可用路径。我们实现了我们的算法使用Z3 SMT求解器，并广泛评估LTL规范捕获在仓库环境中的拾取和放置应用程序。我们比较我们的SMT为基础的算法与两个精心制作的贪心算法。实验结果表明，该算法能有效地处理线性空间路径规划中工作空间的动态性。
2021-03-04 cs.RO
Accelerating Signal-Temporal-Logic-Based Task and Motion Planning of Bipedal Navigation using Benders Decomposition
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院）
针对双足导航中信号时序逻辑约束下任务与运动规划的NP难及非凸约束加剧的计算复杂度问题，提出基于Benders分解的迭代割平面方法，将问题划分为主问题与子问题，实验证明其规划速度快于其他算法。
2025-08-20 cs.RO
D-LGP: Dynamic Logic-Geometric Program for Reactive Task and Motion Planning
Idiap Research Institute（Idiap研究所）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
针对组合任务与运动规划（TAMP）计算负担重、难以在线重规划的问题，提出集成动态树搜索与全局优化的D-LGP方法，在三个基准上表现优于现有技术，并具备应对现实世界不确定性的反应能力。
2024-04-29 cs.RO
Motion Planning Under Temporal Logic Specifications In Semantically Unknown Environments
Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学）
本文针对语义标签概率未知的环境，提出一种基于乘积自动机与值迭代在线重规划的自动机理论方法，用于实现scLTL时空逻辑任务，并通过理论与实验验证其有效性。
2025-11-05 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
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
Resilient Temporal Logic Planning in the Presence of Robot Failures
Washington University at St. Louis（圣路易斯华盛顿大学）；University of Pennsylvania（宾夕法尼亚大学）
针对移动机器人团队现有LTL任务规划路径无法应对机器人能力意外故障的问题，提出一种弹性规划算法，通过基于机器人当前可用技能重分配子任务且最小化对现有运动计划的干扰来适配故障，经实验和理论验证兼具效率与弹性。
2023-10-02 cs.RO
Probabilistic Framework for Constrained Manipulations and Task and Motion Planning under Uncertainty
University 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）
逻辑几何规划（Logic-Geometric Programming，LGP）是一种功能强大的运动和操纵规划框架，它使用描述问题离散方面的逻辑规则来表示分层结构，例如，触摸、抓握、击打或推动，并求解所得到的平滑轨迹优化。逻辑的表达能力允许LGP处理复杂的，大规模的顺序操作和工具使用规划问题。在本文中，我们将LGP公式推广到随机域。基于控制推理的对偶性，我们解释LGP在随机域拟合高斯混合后验路径分布，其中每个逻辑配置文件定义一个单一的高斯路径分布。该框架使机器人能够优先考虑各种交互模式，并获得有趣的行为，如接触开发的不确定性减少，最终提供一个复合控制方案，是反应的干扰。补充视频可以在https://youtu.be/CEaJdVlSZyo上找到
2020-03-09 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
Attraction-Based Receding Horizon Path Planning with Temporal Logic Constraints
Masaryk University（马萨里克大学）
在本文中，我们的目标是规划一个机器人在分区环境中的运动动态变化，本地感知奖励。我们假设可以给出关于奖励动态的任意假设。该机器人的目标是完成一个高层次的时序逻辑监视任务，并在访问区域的奖励收集本地优化。这两个目标往往相互冲突，只有在两者之间达成妥协。我们通过考虑用户定义的偏好函数来解决这个问题，该函数捕获了收集高奖励的重要性和对调查区域取得进展的重要性之间的权衡。我们的解决方案利用了基于自动机的方法来进行模型检验的想法。我们展示了利用和建议的框架中的一个说明性的例子的好处。
2012-08-29 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
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
Sampling-based path planning under temporal logic constraints with real-time adaptation
Chinese University of Hong Kong（香港中文大学）
在机器人在线执行过程中，时态逻辑任务的重新规划是非常困难的。这项研究介绍了一个有效的路径规划，计算时间逻辑目标的解决方案，并立即适应非静态和部分未知的环境。给定先验知识和任务规范，规划器首先通过增长基于采样的搜索树来识别初始可行解。在执行计算计划的同时，机器人维护一个解决方案库，以不断增强计划的未完成部分并存储备份计划。当遇到意想不到的障碍或认识到先验知识中的缺陷时，计划者会更新现有的计划。在获得高级路径后，轨迹生成器通过将其划分为运动基元的段来跟踪路径。我们的规划集成到一个自主移动机器人系统，进一步部署在多旋翼机有限的板载处理能力。在模拟和真实世界的实验中，我们的规划器被证明可以快速有效地适应环境的不确定性。
2023-02-22 cs.RO
Optimal Multi-Robot Path Planning with Temporal Logic Constraints
Boston University（波士顿大学）；University of Waterloo（滑铁卢大学）；Massachusetts Institute of Technology（麻省理工学院）
在本文中，我们提出了一种方法，自动规划最佳路径的一组机器人，满足一个共同的高层次的任务规范。每个机器人在环境中的运动被建模为一个加权的过渡系统。任务是作为一个线性时间逻辑公式。此外，优化命题必须反复满足。目标是最小化满足优化命题的实例之间的最大时间。我们的方法是保证计算一组最佳的机器人路径。我们利用时间自动机表示，以捕捉环境中的机器人的相对位置。然后，我们得到一个互模拟的时间自动机作为一个有限的过渡系统，捕获的机器人的联合行为，并应用我们以前的算法为单个机器人的情况下，以优化组运动。我们提出了一个在道路网络环境中的持久性监测任务的模拟。
2011-06-30 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
Lexicographic Minimum-Violation Motion Planning using Signal Temporal Logic
School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算信息与技术学院）；ZF Friedrichshafen AG（弗赖堡汽车集团）；Institute of System Dynamics, HTWG Konstanz（康斯坦茨HTWG系统动力学研究所）
提出一种将字典序多目标优化转化为单目标标量优化的方法，通过非均匀量化和位移扩展MPPI求解器，并引入结合时空违规的谓词鲁棒性度量，实现可解释且可扩展的字典序STL最小违规运动规划。
2026-08-20 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
Robust Multi-Robot Optimal Path Planning with Temporal Logic Constraints
Boston University（波士顿大学）；University of Waterloo（滑铁卢大学）；United Technologies Research Center（联合技术研究中心）
在本文中，我们提出了一种方法，自动规划鲁棒最优路径的一组机器人，满足一个共同的高层次的任务规范。每个机器人在环境中的运动被建模为一个加权的过渡系统，任务是作为一个线性时序逻辑（LTL）公式在一组命题满足的区域的环境。此外，优化命题必须反复满足。目标是最小化满足优化命题的实例之间的最大时间，同时确保LTL公式即使在机器人的旅行时间的不确定性是满意的。我们的特点是一类LTL公式是强大的机器人定时误差，我们生成最佳路径，如果没有定时误差存在，我们提出的边界上的偏差从最佳值的存在错误。我们实施和实验评估我们的方法，考虑在道路网络环境中的持久性监测任务。
2012-07-10 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
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
Signal Temporal Logic Compliant Co-design of Planning and Control
Centre for Cyber-Physical Systems, IISc, Bangalore, India（印度班加罗尔IISc中心）；Technical University Delft（代尔夫特技术大学）
针对自主机器人的STL任务，提出融合规划与控制的无模型协同设计方法，通过强化学习运动基元库与基于采样的STL规划生成可行轨迹，并在差速驱动和四足机器人上验证。
2025-07-25 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
Optimization-based Task and Motion Planning under Signal Temporal Logic Specifications using Logic Network Flow
George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology（佐治亚理工学院机械工程学院）；Georgia Institute of Technology（佐治亚理工学院）；School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
针对信号时序逻辑规范下的任务与运动规划问题，提出Logic Network Flow框架，将时序谓词编码为网络流边约束，实现更紧凸松弛，在多机器人规划案例中计算效率优于传统Logic Tree方法。
2025-09-30 cs.FL 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
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
H-WM: Robotic Task and Motion Planning Guided by Hierarchical World Model
Huawei Noah’s Ark Lab（华为诺亚实验室）；University of Toronto（多伦多大学）；University of British Columbia（不列颠哥伦比亚大学）；McGill University（麦吉尔大学）
H-WM通过结合逻辑和视觉世界模型，实现机器人任务和运动规划中的鲁棒长视界推理与稳定引导。
2026-10-01 cs.RO
MT* : Multi-Robot Path Planning for Temporal Logic Specifications
SAP Labs, India（思爱普实验室（印度））；IIT Kanpur, India（印度坎普尔理工学院）
我们解决的路径规划问题，一队机器人满足一个复杂的高层次的任务规范的形式的线性时序逻辑（LTL）公式。针对此问题的最新方法采用自动机理论的模型检验技术来解决此问题。这种方法涉及计算的产品图的Buchi自动机产生的LTL规范和一个联合过渡系统，它捕获的集体运动的机器人，然后使用Dijkstra的最短路径算法计算的最短路径。我们提出MT*，算法，减少了计算负担，为多机器人系统产生这样的计划显着。我们的方法生成一个简化版本的产品图，而不计算完整的联合过渡系统，这是计算昂贵的。然后，它将完整的任务规范划分给参与的机器人，并独立地生成各个机器人的轨迹。我们的方法在计算时间方面比最先进的方法有很大的加速，与最先进的方法不同，它可以很好地随机器人的数量和工作空间的大小而扩展
2021-03-04 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
