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
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
Asymptotically-Optimal Motion Planning using Lower Bounds on Cost
Tel-Aviv University（特拉维夫大学）
图上的许多路径查找算法（如A*）都是通过使用启发式函数来加速的，该函数给出了到达目标的成本下限。为了应用类似的技术来加速基于采样的运动规划算法，我们使用有效的下限配置之间的成本紧密估计的成本去。然后，我们使用这些估计在任何时候的渐近最优算法，我们称之为运动规划使用下限（MPLB）。MPLB基于最近由Janson和Pavone提出的快速行进树（FMT*）算法。我们的方法的一个优点是，在许多情况下（特别是随着样本数量的增长），碰撞检测的重量在计算中几乎可以忽略不计的最近邻调用。我们证明，MPLB执行没有更多的碰撞检测调用比FMT* 的随时版本。此外，我们在模拟中证明，对于某些情况下，这里提出的算法工具可以有效地产生低成本的路径，同时只花费一小部分的运行时间在碰撞检测。
2014-09-30 cs.RO
Asymptotically Optimal Sampling-based Kinodynamic Planning
基于采样的算法被视为高维运动规划的实用解决方案。最近的进展已经利用随机几何图论来展示如何用这些方法也可以实现渐近最优性。实现这一理想的属性的动态系统需要解决一个两点边值问题（BVP）的基础动力系统的状态空间。这是困难的，但是，如果不是不切实际的，生成一个边界元法求解器的各种重要的动态模型的机器人或物理模拟的。因此，一个开放的挑战是，当规划系统而不访问BVP求解器时，是否有可能实现最优性保证。这项工作解决了上述问题，并介绍了如何实现渐进最优的Kinodynamic规划增量采样为基础的规划器，通过引入一个新的严格的框架。两种新的方法，稳定稀疏RRT（SST）和SST*，结果从这个分析，这是渐近接近最优和最优的，分别。该技术被证明是快速收敛到高质量的路径，而他们只保持一个稀疏的样本集，这使得他们的计算效率。使用动态系统基准的实验结果，以及物理模拟机器人的规划者的良好性能得到证实。
2016-02-05 cs.RO
Asymptotically Optimal Sampling-based Planners
Rutgers University（罗格斯大学）；Rice University（莱斯大学）
一个渐近最优的基于采样的规划器采用采样来解决机器人运动规划问题，并返回路径的成本收敛到最优的解决方案的成本，作为样本的数量接近无穷大。这篇全面的文章涵盖了运动规划算法的渐近最优性的理论特征，并追溯了它的起源，分析模型，实际性能，扩展和应用。
2020-10-06 cs.RO
Asymptotically-Optimal Multi-Query Path Planning for a Polygonal Robot
Rutgers, the State University of New Jersey（罗格斯大学（新泽西州立大学））
针对多边形机器人的多查询路径规划，提出旋转堆叠可见性图（RVG）算法，通过堆叠不同方向的简化可见性图实现同时平移与旋转，该算法分辨率完备且渐近最优，实验证明其在计算时间和解最优性上显著优于现有方法。
2025-03-25 cs.RO
Task and Motion Informed Trees (TMIT*): Almost-Surely Asymptotically Optimal Integrated Task and Motion Planning
Rice University（莱斯大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；University of Oxford（牛津大学）
高水平的自主性需要离散和连续的推理来决定采取什么行动以及如何执行这些行动。集成任务和运动规划（TMP）算法联合解决这些混合问题以考虑离散符号动作之间的约束（即，任务计划）和它们的连续几何实现（即，运动计划）。这种联合的方法解决了更困难的问题比方法，解决任务和运动子问题独立。TMP算法结合并扩展了任务和运动规划的结果。TMP主要关注计算性能和完整性，较少关注解的最优性。最优TMP是困难的，因为独立的最优子问题可能不是最优的集成解决方案，这只能通过联合优化两个计划。本文提出了任务和运动信息树（TMIT*），一个最佳的TMP算法，结合的结果，从最大完工时间最优的任务规划和几乎必然渐近最优的运动规划。TMIT* 交错不对称的前向和逆向搜萦，以延迟计算昂贵的操作，直到必要的，并直接在问题的混合状态空间中执行有效的知情搜索。这使它能够快速解决问题，然后收敛到最佳的解决方案与额外的计算时间，所证明的评估机器人操作基准问题。
2022-10-17 cs.RO
Adaptively Informed Trees (AIT*): Fast Asymptotically Optimal Path Planning through Adaptive Heuristics
基于知情采样的规划算法利用问题知识以获得更好的搜索性能。这些知识通常表示为解决方案成本的启发式估计，并用于排序搜索。这种知情搜索的实际改进取决于启发式的准确性。选择一个合适的启发式是困难的。适用于整个问题域的启发式方法通常定义简单，评估成本低，但对于特定的问题实例可能没有好处。特定于问题实例的启发式通常很难定义或评估成本很高，但会使搜索本身变得微不足道。本文提出了自适应信息树（AIT*），一个几乎必然渐近最优的基于抽样的规划器的基础上BIT*。AIT* 通过使用非对称双向搜索来同时估计和利用特定于问题的启发式，从而使其搜索适应每个问题实例。这使得它能够快速找到初始解并收敛到最优解。AIT* 与RRT-Connect一样快速地解决了测试问题，同时也向最佳方向收敛。
2020-03-05 cs.RO
Asymptotically near-optimal RRT for fast, high-quality, motion planning
Tel-Aviv University（特拉维夫大学）
我们提出了下界树RRT（LBT-RRT），一个基于单查询采样的算法，是渐近接近最优的。即，从LBT-RRT提取的解收敛到最优解的近似因子1+ 1/4内的解。我们的算法允许快速RRT算法和渐近最优RRT* 和RRG算法之间的连续插值。当近似因子为1时（即，不允许近似），LBT-RRT的行为类似于RRG。当近似因子无界时，LBT-RRT的行为与RRT相似。在这两者之间，LBT-RRT被证明产生的路径具有比RRT更高的质量，并且比RRT* 运行得更快。这是通过维护一个树来完成的，树是RRG路线图的子图，第二个是辅助图，我们称之为下界图。这两个路线图的组合比RRT* 维护的路线图更快，有效地保证了渐近接近最优。我们建议使用LBT-RRT进行高质量的随时运动规划。我们证明了从3到12自由度的情况下，该算法的性能，并表明，即使对于小的近似因子，该算法产生高质量的解决方案（相当于RRG和RRT*）与运行时间开销很少RRT相比。
2015-03-04 cs.RO
Nearest-Neighbourless Asymptotically Optimal Motion Planning with Fully Connected Informed Trees (FCIT*)
Estimation, Search, and Planning (ESP) Research Group, Queen’s University, Kingston ON, Canada（皇后大学估计、搜索与规划研究组）；Department of Computer Science, Rice University, Houston TX, USA（里士满大学计算机科学系）；Department of Computer Science, Purdue University, West Lafayette IN, USA（普渡大学计算机科学系）；Ken Kennedy Institute, Rice University, Houston TX, USA（里士满大学肯尼迪研究所）
本文提出全连接信息树（FCIT*）算法，利用SIMD并行性降低边评估成本并消除最近邻结构，在MotionBenchMaker数据集上比现有ASAO和满足型算法更快找到初始解并渐近收敛到最优。
2025-03-07 cs.RO
Refined Analysis of Asymptotically-Optimal Kinodynamic Planning in the State-Cost Space
Tel-Aviv University（特拉维夫大学）；Rutgers University（罗格斯大学）；Stanford University（斯坦福大学）
我们提出了一种新的AO-RRT分析：一种基于树的计划器，用于具有运动动力学约束的运动规划，最初由Hauser和Zhou（AO-X，2016）描述。AO-RRT探索状态成本空间，并已被证明在实践中有效地获得高质量的解决方案，而不依赖于计算密集型两点边界值求解器的可用性。我们的主要贡献是单树版本的算法的最优性证明-一个以前没有分析过的变体。我们的证明只需要一个温和的和容易验证的问题和系统的假设：成本函数和动力学的Lipschitz连续性。特别是，我们证明，对于任何系统满足这些假设，任何轨迹具有分段常数控制功能和积极的清除障碍物可以近似任意以及由AO-RRT发现的轨迹。我们还讨论了实际方面的AO-RRT和目前的实验比较的算法的变体。
2020-03-09 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
AORRTC: Almost-Surely Asymptotically Optimal Planning with RRT-Connect
Purdue University（普渡大学）
AORRTC通过扩展RRT-Connect实现几乎确定性渐进最优规划，以高效且可靠的方式解决高自由度机器人运动规划问题。
2025-09-24 cs.RO
An Asymptotically-Optimal Sampling-Based Algorithm for Bi-directional Motion Planning
Stanford University（斯坦福大学）；Carlos III University of Madrid（马德里卡洛斯三世大学）
双向搜索是一种广泛使用的策略，以提高基于采样的运动规划算法的成功率和收敛速度。然而，很少有结果是合并双向搜索和渐近最优性到现有的最优规划，如PRM*，RRT*，和FMT*。本文的目的就是填补这一空白。具体而言，本文提出了一种双向的，基于采样，渐进最优算法双向FMT*（BFMT*），扩展了快速行进树（FMT*）算法的双向搜索，同时保持其关键属性，主要是懒惰的搜索和渐近最优性，通过收敛的概率。BFMT* 在一组随机抽取的样本上执行双源、惰性动态规划递归，相应地生成两个搜索树：一个在初始配置的成本空间中，另一个在目标配置的成本空间中。数值实验说明了BFMT* 的优势，其单向对应，以及一些其他国家的最先进的规划。
2015-07-27 cs.RO
AO-ARC: Almost-Surely Asymptotically Optimal Multi-Robot Motion Planning with ARC
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院Parasol实验室）
提出AO-ARC方法，通过迭代调用ARC求解有界MRMP实例，实现初始解速度与最先进可行性求解器相当，且随机器人数量增加收敛更快更可靠，并证明其渐近最优性。
2026-06-29 cs.RO
Planning with Learned Dynamics: Probabilistic Guarantees on Safety and Reachability via Lipschitz Constants
University of Michigan（密歇根大学）
我们提出了一种方法，反馈运动规划系统的未知动态提供概率保证的安全性，可达性和目标稳定性。为了找到一个域，在这个域中，可以信任真实动态的学习控制仿射近似，我们估计真实动态和学习动态之间的差异的Lipschitz常数，并确保估计在给定的概率下是有效的。提供的系统至少有尽可能多的控制状态，我们还推导出存在条件的一步反馈法，可以保持真正的系统在一个小范围内的标称轨迹规划与学习动态。我们的方法将反馈律的存在作为基于采样的规划器中的约束，该规划器返回围绕标称规划的反馈策略，确保如果Lipschitz常数估计有效，则真实系统在计划执行期间是安全的，达到目标，并且最终在关于目标的小集合中是不变的。我们通过使用6D四旋翼和7DOF Kuka臂的学习模型进行规划来演示我们的方法。我们表明，使用相同的学习动力学进行规划而不考虑误差范围或反馈法的存在的基线可能无法稳定在计划周围并变得不安全。
2021-10-19 cs.LG cs.RO cs.SY
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
Informed Sampling for Asymptotically Optimal Path Planning (Consolidated Version)
Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
任何时候几乎必然渐近最优规划器，如RRT*，递增地找到搜索域中每个状态的路径。一旦找到初始解决方案，这是低效的，因为然后仅需要考虑可以提供更好解决方案的状态。这些状态的精确知识需要解决问题，但可以近似与数学。本文正式定义了这些状态集，并演示了如何使用它们来分析任意规划问题。它使用众所周知的$L^2$规范（即，欧几里得距离）来分析最小路径长度问题，并表明现有方法的有效性在因子上降低（即，比指数更快）与状态维度。它提出了一种方法来解决这个灾难的维数直接采样长超球体（即，对称$n$ -维椭圆），其定义了$L^2$通知集。通过知情RRT* 证明了这种直接知情采样技术的重要性。RRT* 的这种扩展比现有技术对状态维数和问题大小的理论依赖性更小，并且允许在某些问题上线性收敛。实验表明，找到更好的解决方案比现有的技术更快的抽象规划问题和HERB，双臂操作机器人。
2018-08-17 cs.RO
Gaussian Belief Trees for Chance Constrained Asymptotically Optimal Motion Planning
University of Colorado Boulder（科罗拉多大学博尔德分校）
在本文中，我们解决的问题，基于采样的运动规划运动和测量的不确定性与概率保证。我们推广传统的基于采样树的运动规划算法的确定性系统，并提出信念- $\mathcal{A}$，一个框架，扩展任何kinodynamic树为基础的规划器的线性（或线性化）系统的信念空间。我们引入适当的抽样技术和距离度量的信念空间，保持概率的完整性和渐近最优性能的基础计划。我们证明了我们的方法有效地找到安全的低成本路径，并在模拟渐近最优，完整和非完整系统的有效性。
2022-10-04 cs.RO cs.SY eess.SY
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
Planning for Optimal Feedback Control in the Volume of Free Space
Massachusetts Institute of Technology（麻省理工学院）
研究了d维构形空间中障碍物间的最优反馈规划问题。提出了一种基于采样的渐近最优反馈规划方法。我们的方法结合了增量建设的德洛内三角剖分，体积碰撞检测模块，和一个修改后的快速推进方法来计算一个收敛序列的反馈函数。收敛性和渐近运行时间的理论证明和研究在数值实验中，所提出的方法相比，最先进的渐近最优路径规划。实验结果表明，该方法与已有的算法相比具有较好的竞争力。与许多路径规划算法计算的最短轨迹不同，在我们的情况下，所得到的反馈函数可以直接用于机器人导航。最后，我们提出了一个简单的扩展我们的方法，处理动态环境中的障碍物可以出现，消失，或移动。
2015-04-29 cs.RO
dRRT*: Scalable and Informed Asymptotically-Optimal Multi-Robot Motion Planning
Univ. of Michigan（密歇根大学）；Rutgers Univ.（罗格斯大学）；Tel Aviv Univ.（特拉维夫大学）
许多令人兴奋的机器人应用需要具有许多自由度的多个机器人，例如操纵器，以协调它们在共享工作空间中的运动。原则上，在这种情况下发现高质量的路径可以通过探索所有机器人的复合空间来实现。基于采样的规划器通过在相应的配置空间中构建路线图或树数据结构来实现这一点，并且可以实现渐近最优。然而，运动规划的难度使得在多个机器人的复合空间中明确地构造这样的结构是不切实际的。这项工作提出了一个可扩展的解决方案，这样的耦合多机器人问题，它提供了理想的路径质量保证，也是计算效率。特别是，建议的\drrtstar \是一个知情的，渐近最优的扩展先前的采样为基础的多机器人运动规划，\drrt。先前的方法引入了为每个机器人构建路线图的想法，并在复合空间中隐式地搜索这些结构的张量积。这项工作确定的条件收敛到最佳路径的多机器人问题，以前的方法没有实现。在此分析的基础上，\drrt \是第一次适当地适应，以实现理论保证，然后进一步扩展，以便利用有效的算法搜索时，所有机器人的复合空间。还研究了各种机器人共享某些自由度的情况。仿真结果表明，新算法\drrtstar \，收敛到高质量的路径迅速和规模，以更高的机器人数量的各种替代品失败。这项工作还展示了规划者解决涉及多个真实世界机器人手臂的问题的能力。
2019-03-03 cs.RO
Mathematical Properties of Generalized Shape Expansion-Based Motion Planning Algorithms
Indian Institute of Technology Madras（印度马德拉斯理工学院）
运动规划是自主系统和机器人技术的一个重要方面，也是一个活跃的研究领域。最近提出的采样为基础的运动规划算法，被称为“广义形状扩展”（GSE），已被证明具有显着的改善，在计算时间超过几个现有的完善的算法。GSE也被证明是概率完全的。然而，GSE的渐近最优性还有待研究。为此，在本文中，我们表明，GSE算法是不是渐近最优的，通过研究其行为的长廊问题。为了得到一个概率完全且渐近最优的广义形状基算法，本文提出了一种改进的广义形状基算法，即GSE* 算法。GSE* 算法的上述所需的数学性质是合理的，其详细的分析。数值模拟结果与GSE* 算法的理论结果一致。
2021-02-23 cs.RO
Asymptotically Optimal Belief Space Planning in Discrete Partially-Observable Domains
Technical University of Berlin（柏林工业大学）；University of Stuttgart（斯图加特大学）；Realtime Robotics Inc.（实时机器人公司）
本文提出改进的路径树优化方法，通过基于相机的状态采样器扩展信念空间图搜索，在离散部分可观测域中实现渐近最优运动应急规划，并在多个高维场景中验证了其更高成功率和更低内存占用。
2023-09-19 cs.RO
APT*: Asymptotically Optimal Motion Planning via Adaptively Prolated Elliptical R-Nearest Neighbors
School of Computation, Information and Technology (CIT), Technical University of Munich（计算信息与技术学院（CIT），慕尼黑技术大学）；State Key Laboratory for Novel Software Technology and the School of Science and Technology, Nanjing University (Suzhou Campus)（新型软件技术国家重点实验室和南京大学（苏州校区）科学与技术学院）；School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学）
APT*在FDIT*基础上引入自适应批量大小和椭圆r近邻模块，通过环境反馈动态调节搜索过程，在R^4至R^16维度上优于现有单查询采样规划器并完成真实机器人操作验证。
2025-08-27 cs.RO
Just in time Informed Trees: Manipulability-Aware Asymptotically Optimized Motion Planning
Human-Robot Interfaces and Interaction(HRI2), Istituto Italiano Di Tecnologia (IIT)（人机交互（HRI2），意大利技术研究所（IIT））；Swiss Federal Technology Institute of Lausanne (EPFL)（洛桑联邦理工学院（EPFL））；Technical University of Munich（慕尼黑技术大学）；School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学）；School of Computer Science, University of Nottingham, UK（计算机科学学院，诺丁汉大学（英国））
JIT*算法通过两个核心模块提升运动规划效率，优化路径发现并减少奇异点风险，适用于高维机器人路径规划。
2026-01-27 cs.RO
Rapidly-Iterating Grid-Based Near-Optimal Kinodynamic Motion Planning
本文提出RDG算法，一种基于网格分解的渐近近最优动力学运动规划方法，通过常数时间复杂度的快速迭代生成高质量解，并在10自由度环境下相比SST和DIRT显著提升解质量与成功率。
2026-09-22 cs.RO
Deterministic Sampling-Based Motion Planning: Optimality, Complexity, and Performance
Stanford University（斯坦福大学）
基于概率采样的算法，如概率路线图（PRM）和快速探索随机树（RRT）算法，代表了最成功的方法之一，机器人运动规划，由于其强大的理论属性（在概率的完整性，甚至渐近最优性方面）和显着的实际性能。这种算法是概率性的，因为它们通过连接配置空间中独立且相同分布的随机点来计算路径。然而，它们的随机化方面使得一些任务具有挑战性，包括安全关键型应用程序的认证和使用离线计算来改善实时执行。因此，一个重要的开放问题是，是否可以通过考虑确定性，而不是随机抽样序列获得类似的（或更好的）理论保证和实际性能。本文的目的就是对这个问题提供一个严格的答案。具体来说，我们首先表明，PRM，为一定的选择调谐参数和确定性低色散采样序列，是确定性渐近最优。其次，我们的收敛速度的特点，我们发现，次优因子可以非常明确的上界的采样序列的l2-分散和PRM的连接半径。第三，我们证明了一个渐进最优版本的PRM存在计算和空间复杂度任意接近O（n）（理论下限），其中n是序列中的点的数量。这与现有的渐近最优概率规划器的O（n logn）复杂度结果形成鲜明对比。最后，通过数值实验，我们表明，规划与确定性低色散采样通常提供优越的性能，路径成本和成功率。
2016-05-03 cs.RO
Batch Informed Trees (BIT*): Informed Asymptotically Optimal Anytime Search
Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
机器人中的路径规划通常需要为连续值和/或高维问题找到高质量的解决方案。这些问题是具有挑战性的，大多数规划算法解决简化的近似。流行的近似包括图和随机样本，分别用于基于图的搜索和基于随时采样的规划。基于图的搜索，如A*，传统上使用算法来搜索先验图，以潜在的解决方案质量。这使得他们的搜索效率，但离开他们的性能取决于所选择的近似。如果它的分辨率太低，那么他们可能找不到（合适的）解决方案，但如果它太高，那么他们可能需要非常长的时间才能找到。基于随时抽样的计划器，如RRT*，传统上使用随机抽样来逐步逼近问题域。这使得他们可以提高分辨率，直到找到合适的解决方案，但使他们的搜索依赖于近似的顺序。随机样本的任意序列同时在每个方向上逼近问题域，但在包含解决方案方面可能效率极低。本文统一和扩展这两种方法，开发批通知树（BIT*），一个知情的，随时抽样为基础的计划。BIT* 通过使用采样和启发式算法交替逼近和搜索问题域，有效解决了连续路径规划问题。它的搜索是按潜在的解决方案的质量，如在A*，其近似提高无限的额外的计算时间，如在RRT*。分析表明，它几乎肯定是渐近最优和实验优于现有的基于采样的规划器，特别是在高维规划问题。
2020-01-27 cs.RO
Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning
Australian Centre for Robotics（澳大利亚机器人中心）；School of Aerospace, Mechanical and Mechatronic Engineering（航空航天、机械与机电工程学院）
本文提出了一种基于学习的全对运动规划方法，通过双 Lipschitz 双射构造平滑的目标条件神经ODEs，理论结果表明该模型在任意目标位置下能保证全局指数稳定性与安全性，且提供了收敛速率、跟踪误差和向量场大小的显式界。
2026-09-23 cs.RO cs.SY eess.SY
AURA: Asymptotically Optimal Uncertainty-Robust Replanning Algorithm for Kinodynamic Systems
Department of Robotics Engineering, Worcester Polytechnic Institute (WPI)（机器人工程系，沃斯通理工大学）
提出AURA元规划框架，通过在线重规划和优化控制输入，在运动不确定性下实现渐近最优轨迹规划与跟踪精度提升。
2026-10-09 cs.RO
Sampling-based Algorithms for Optimal Motion Planning
Massachusetts Institute of Technology（麻省理工学院）
在过去的十年中，基于采样的路径规划算法，如概率路径图（PRM）和快速探索随机树（RRT），已被证明在实践中工作良好，并具有理论保证，如概率完整性。然而，很少有人致力于对这些算法返回的解的质量进行形式化分析，例如，作为样本数量的函数。本文的目的是填补这一空白，通过严格分析的渐近行为的解决方案的成本返回随机抽样为基础的算法作为样本的数量增加。提供了许多否定的结果，表征现有的算法，例如，表明，在温和的技术条件下，广泛使用的基于采样的算法返回的解决方案的成本几乎肯定收敛到一个非最优值。本文的主要贡献是引入了新的算法，即PRM* 和RRT*，它们可证明是渐近最优的，即，使得返回的解决方案的成本几乎肯定收敛到最优。此外，它表明，新算法的计算复杂性是在一个常数的因素，其概率完全（但不是渐近最优）的同行。本文的分析基于随机采样路径规划算法和随机几何图理论之间的新联系。
2011-05-05 cs.RO
Multilevel Motion Planning: A Fiber Bundle Formulation
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Stuttgart（斯图加特大学）；Technical University of Berlin（柏林工业大学）
本文基于纤维丛形式化多层次抽象，开发了渐近最优的采样运动规划方法QRRT*与QMP*，在21至100自由度场景下比经典规划器快2至6个数量级。
2023-10-23 cs.RO
Sparse Multilevel Roadmaps for High-Dimensional Robot Motion Planning
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）
稀疏路线图对于状态空间的压缩表示、确定问题的不可行性和在有限时间内终止都很重要。然而，稀疏路线图不能很好地扩展到高维规划问题。在以前的工作中，我们通过使用多级抽象来简化状态空间，从而提高了高维规划问题的规划性能。在这项工作中，我们通过开发一种新的算法，稀疏多层次的路线图规划（SMLR），将稀疏的路线图多级抽象。为此，我们表示多级抽象使用的语言纤维束，并推广稀疏的路线图规划者使用的概念，限制性采样的可见性区域。我们认为SMLR是概率完整的，渐近接近最优的继承稀疏路线图规划。在评估中，我们在具有挑战性的规划问题上优于稀疏路线图规划器，特别是高维，包含狭窄通道或不可行的问题。因此，我们证明稀疏的多级路线图作为一个有效的工具，可行的和不可行的高维规划问题。
2021-10-07 cs.RO
Scaling Motion Planning Infeasibility Proofs
Colorado School of Mines（科罗拉多矿业学院）
本文提出一种基于GPU流形三角剖分与批量处理的易并行算法，用于构造运动规划不可行性证明，相比此前方法加速两个数量级，并实现CPU/GPU协同的渐近完备运动规划。
2024-06-07 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
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
Safe Bubble Cover for Motion Planning on Distance Fields
University of California San Diego（加利福尼亚大学圣迭戈分校）；University of Technology Sydney（悉尼科技大学）
研究距离场上无碰撞轨迹规划问题，提出基于safe bubbles的三种算法（BRM、RBG、EBG）并结合分层规划方法，相比传统基线显著降低成本与计算量。
2024-08-23 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
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
A Forward-Inverse Dynamic Game Framework for Enhanced Multi-Agent Trajectory Planning
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
针对多智能体轨迹规划的动态博弈方法局限，本文提出带状态依赖权重的KL正则化动态博弈及上下文感知逆向博弈模块，经模拟与多机器人实验验证了其有效性。
2026-08-04 cs.RO
Pushing the Boundaries of Asymptotic Optimality in Integrated Task and Motion Planning
Rutgers University（罗格斯大学）
集成的任务和运动规划问题描述了一个多模态的状态空间，它通常被抽象为一组光滑的流形，通过过渡状态集连接。解决这些问题的一种方法是在每个流形中采样可达状态，同时采样过渡状态。先前的工作已经表明，为了实现这种分段平滑任务规划问题的渐近最优（AO）解，将基于AO采样的运动规划所需的连接半径加倍就足够了。这是在假设过渡集本身是平滑的情况下显示的。目前的工作建立在这一结果的基础上，并证明使用与标准AO运动规划相同的连接半径是足够的。此外，目前的工作研究的情况下，过渡集的有效状态空间的非光滑边界点，这是经常在实践中的情况下，如当一个夹具抓住一个对象。本文概括了通常在运动和任务规划中假设的间隙的概念，以包括这样的个体，潜在的非平滑过渡状态。结果表明，渐近最优性保留在此广义制度。
2020-05-19 cs.RO
Informed Hybrid Zonotope-based Motion Planning Algorithm
TUM School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）；TUM School of Engineering and Design, Technical University Munich（慕尼黑工业大学工程与设计学院）
本文提出HZ-MP算法，通过分解无障碍空间并利用椭球otope启发式方法进行低维面采样，集中探索有潜力的过渡区域，从而提高在狭窄通道或封闭目标场景下的规划效率。
2026-04-10 cs.RO
Optimal Kinodynamic Motion Planning Through Anytime Bidirectional Heuristic Search with Tight Termination Condition
University of New Hampshire（新罕布什尔大学）；University of Prince Edward Island（爱德华王子岛大学）
本文提出 BTIT* 算法，结合 anytime 双向启发式搜索，确保 meet-in-the-middle 属性和最优性，实验显示其在两个动力学基准上比非懒惰知情批量规划器更快收敛。
2026-04-13 cs.RO
Sampling-Based Multi-Modal Multi-Robot Multi-Goal Path Planning
Computational Robotics Lab ETH Zürich（机器人计算实验室ETH Zurich）
本文提出基于采样的多机器人多目标路径规划方法，解决多机器人协同任务中的路径规划问题，实现概率完备和渐进最优的规划算法。
2026-04-17 cs.RO
Multi-layer Motion Planning with Kinodynamic and Spatio-Temporal Constraints
The Thørväld Group（索尔瓦尔德集团）；Inria Paris-Rocquencourt（巴黎-罗quent court 国家科学研究中心）；Rajiv Gandhi University Doimukh（拉贾·甘地大学多伊穆克）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒姆研究实验室）；The Kumquat Consortium（昆克特联盟）
提出一种三层规划框架，通过几何引导路径和STL鲁棒性优化，联合满足运动动力学与时空约束，在Ackerman模型上实现高效复杂机动。
2025-05-22 cs.RO
Efficient high-quality motion planning by fast all-pairs r-nearest-neighbors
Blavatnik School of Computer Science, Tel-Aviv University（特拉维夫大学布拉瓦尼克计算机科学学院）；Tel Aviv University（特拉维夫大学）
基于采样的运动规划算法在构造路线图时通常依赖于最近邻（NN）查询。最近的研究结果表明，在各种设置NN查询可能是这种算法的计算瓶颈。此外，在一些渐近最优算法中，这些NN查询具有特定的形式：给定一组点和半径r，报告距离最多为r的所有点对。这就需要一个应用程序特定的NN数据结构，以有效地回答这种类型的查询。随机变换网格（RTG）最近由Aiger等人提出，作为回答这种查询的工具，并已被证明在这种情况下优于NN数据结构的常见实现。在这项工作中，我们采用RTG采样为基础的运动规划算法，并描述了一个有效的实现方法。我们表明，运动规划，RTG允许更快的收敛到高质量的解决方案相比，现有的NN数据结构。此外，RTG可以显著缩短批量PRM变体的构建时间;具体来说，我们在某些场景中展示了2到3倍的加速。
2014-09-29 cs.RO
Robust-RRT: Probabilistically-Complete Motion Planning for Uncertain Nonlinear Systems
Stanford University（斯坦福大学）；Technion（以色列理工学院）
鲁棒运动规划需要计算在所有可能的不确定性实现下都是安全的全局运动计划，无论是在系统动态中，机器人的初始位置，还是相对于外部干扰。目前的鲁棒运动规划方法要么缺乏理论保证，要么对系统动力学和不确定性分布进行限制性假设。在本文中，我们提出了强大的快速探索随机树（Robust-RRT）算法，该算法将前向可达性分析直接集成到基于采样的控制轨迹合成，以解决这些限制。我们证明了Robust-RRT是概率完备的（PC）的非线性Lipschitz连续动力系统的有界不确定性。换句话说，Robust-RRT最终找到在所有可能的不确定性实现下可行的鲁棒运动计划，假设存在这样的计划。我们的分析甚至适用于不稳定的系统，只承认短期可行的计划，这是因为我们明确考虑可达集沿控制轨迹的时间演化。由于在我们的分析中明确考虑了时间依赖性，PC适用于不稳定系统。据我们所知，这是最普遍的PC证明鲁棒采样为基础的运动规划，在类型的不确定性和动力系统，它可以处理。考虑到可达集的精确计算对于某些动力系统来说可能是计算昂贵的，我们将基于采样的可达性分析纳入Robust-RRT中，并在非线性、欠驱动和混合动力系统上展示了我们的鲁棒规划器。
2022-11-01 cs.RO
Path Planning Using Wassertein Distributionally Robust Deep Q-learning
Lund University（隆德大学）
本文从深度强化学习和分布鲁棒优化的角度研究了风险规避机器人路径规划问题。我们的问题制定涉及到建模的机器人作为一个随机线性动力系统，假设收集的过程噪声样本是可用的。我们投风险规避运动规划问题作为一个马尔可夫决策过程，并提出了一个连续的奖励函数设计，明确考虑到与障碍物碰撞的风险，同时鼓励机器人的运动目标。我们通过Lipschitz近似Wasserstein分布鲁棒深度Q学习来学习风险规避机器人控制动作，以对冲噪声不确定性。学习的控制动作导致从源到目标的安全和风险规避轨迹，避免所有障碍物。各种支持的数值模拟来证明我们所提出的方法。
2022-11-04 cs.RO cs.SY eess.SY
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
Group Marching Tree: Sampling-Based Approximately Optimal Motion Planning on GPUs
Stanford University（斯坦福大学）
本文提出了一种新的方法，命名为组行进树（GMT*）算法，规划在GPU上的速率服从控制回路内的应用程序，允许规划在现实世界中的设置通过重复计算接近最优的计划。GMT* 与快速行进树（Fast Marching Tree，FMT）算法类似，通过一组样本上的“惰性”动态规划递归来探索状态空间，以生成一棵接近最优路径的树。然而，GMT* 用近似动态规划改变了FMT的方法，即并行地扩大成本低于递增阈值的所有活动样本的组，而不仅仅是最低成本样本。这种组近似在样本集上实现了低级并行性，并且消除了对顺序数据结构的需要，而“惰性”冲突检查限制了线程发散--所有这些都有助于非常高效的GPU实现。虽然这种方法会产生一些次优，我们证明GMT* 保持渐近最优的常数乘法因子。我们展示了在差分约束下复杂规划问题的解决方案，在桌面GPU上可以在~10 ms内找到，在嵌入式GPU上可以在~30 ms内找到，这代表了最先进技术的显着加速，性能损失很小。最后，我们提出了一个方案，展示了在控制回路（~100 Hz）内规划在动态、不确定环境中运行的功效。
2017-05-05 cs.RO
Probabilistic completeness of RRT for geometric and kinodynamic planning with forward propagation
Tel-Aviv University（特拉维夫大学）；Technion（以色列理工学院）；Rutgers University（罗格斯大学）
快速探索随机树（RRT）算法是近二十年来最流行的运动规划技术之一。令人惊讶的是，尽管它的中心地位，有一个积极的辩论，在何种条件下RRT是概率完整的。我们提供了两个新的证明的概率完备性（PC）的RRT减少了一组假设。第一个是纯几何设置，我们只要求解决方案路径与障碍物有一定的间隙。对于向前传播的随机控制和持续时间的kinodynamic的情况下，我们只考虑另外温和的Lipschitz连续性条件。这些证明填补了RRT本身研究的空白。他们也奠定了良好的基础，为各种最近的和替代的采样为基础的方法，其PC属性依赖于RRT。我们的原始出版物在分析运动动力学RRT病例时包含一个错误。在这里，我们通过修改定理2的证明来纠正这个问题，特别是需要修改引理3。简单地说，定理2的原始（和错误的）证明使用了一系列大小相等的球。校正使用一系列半径增加的球。我们强调的是，修正仅在引理3和定理2的证明中。主要结果保持不变。
2022-05-31 cs.RO
Inspection planning under execution uncertainty
针对城市环境中定位误差导致的执行不确定性影响巡检规划性能的问题，提出基于IRIS框架、结合蒙特卡洛采样的IRIS-U²算法，可提供覆盖率、路径长度和碰撞概率的统计保证，经桥梁巡检案例验证有效，且有界次优解可在保保证的同时减耗时。
2024-04-10 cs.RO
The Provable Virtue of Laziness in Motion Planning
Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
Lazy Shortest Path（LazySP）类由运动规划算法组成，这些算法仅评估源和目标之间最短路径上的边。这些算法的设计是为了在边缘评估占主导地位的算法运行时间的设置中最大限度地减少边缘评估的数量;但是就这个目标而言，LazySP算法有多接近最优？我们的主要结果是分析上限，在概率模型中，LazySP算法所需的边缘评估的数量;匹配的下限表明，这些算法在最坏的情况下是渐近最优的。
2017-10-11 cs.DS cs.RO
