State Supervised Steering Function for Sampling-based Kinodynamic Planning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
RRT* 和BIT* 等基于采样的运动规划器在应用于运动动力学运动规划时，依赖于转向功能来生成连接采样状态的时间最优解决方案。实现精确的转向功能，需要解析解的时间最优控制问题，或非线性规划（NLP）求解器来解决边界值问题给出系统的kinodynamic方程。不幸的是，解析解对于许多现实世界的领域是不可用的，并且NLP求解器在计算上昂贵得令人望而却步，因此快速且最佳的运动动力学运动规划仍然是一个悬而未决的问题。我们通过引入状态监督转向函数（S3F）来解决这个问题，S3F是一种学习时间最优转向函数的新方法。S3F能够比其NLP对应物更快地产生转向函数数量级的接近最优的解决方案。在三个具有挑战性的机器人领域进行的实验表明，RRT* 使用S3F显着优于最先进的规划方法的解决方案的成本和运行时间。我们进一步提供了一个证明的概率完整性的RRT* 修改使用S3F。
2022-06-15 cs.RO
Real-Time Kinodynamic Motion Planning for Omnidirectional Mobile Robot Soccer using Rapidly-Exploring Random Tree in Dynamic Environment with Moving Obstacles
Universitas Gadjah Mada（加札马达大学）
RoboCup中型组联赛（RoboCup MSL）通过机器人足球比赛为研究移动机器人导航、多机器人协作、通信和集成提供了一个标准化的实验平台，在这种高度动态和对抗性的环境中，机器人足球比赛是一种非常重要的比赛。运动动力学运动规划是机器人运动学领域的一个重要研究课题，它是指机器人在避障的同时，遵循其动力学规律进行运动轨迹规划。提出了一种基于Kinodynamic-RRT* 方法的全向机器人运动动力学运动规划。在这项工作中还考虑了轨迹跟踪控制执行规划轨迹。对机器人平移和旋转方向的运动规划进行解耦。然后，我们实现了kinodynamic-RRT* 与双积分器模型规划的平移轨迹。利用满足速度和加速度约束的最小时间轨迹发生器生成旋转轨迹。然后使用PI控制跟踪计划轨迹。为适应环境的变化，开发了运动规划和轨迹跟踪的并发软件模块。使用基于机器人操作系统（ROS）的RoboCup仿真系统对所产生的系统进行了应用和测试。仿真结果表明，运动规划系统能够生成无碰撞轨迹，轨迹跟踪系统能够跟踪生成的轨迹。在高度动态的环境中，在线方案能够重新规划轨迹。
2019-05-12 cs.RO
Search-based Kinodynamic Motion Planning for Omnidirectional Quadruped Robots
Zhejiang University（浙江大学）
自主导航在四足机器人系统中发挥着越来越重要的作用。然而，大多数现有的作品四足机器人导航使用传统的基于搜索或基于样本的方法不考虑四足机器人的kinodynamic特性，产生kinodynamically不可行的部分，难以跟踪。在本文中，我们介绍了一个完整的导航系统，考虑到全向能力的四足机器人。首先，我们使用kinodynamic路径寻找方法，以获得光滑，动态可行，时间最优的初始路径，并添加碰撞成本作为软约束，以确保安全。然后基于四足机器人的全方位模型，采用时间弹性带（TEB）方法对轨迹进行了细化。我们的工作的优越性能，证明通过模拟和现实世界的实验，我们的四足机器人爵英迷你。
2021-03-11 cs.RO
The Virtues of Laziness: Multi-Query Kinodynamic Motion Planning with Lazy Methods
University of Colorado Boulder（科罗拉多大学博尔德分校）；Lab0, Inc.（Lab0公司）
提出LazyBoE多查询运动学动力学运动规划方法，通过离散状态与控制空间、懒惰碰撞检查及控制序列传播，在降低规划时间和物理仿真成本的同时提高了成功率。
2024-06-04 cs.RO
BBoE: Leveraging Bundle of Edges for Kinodynamic Bidirectional Motion Planning
University of Colorado Boulder（科罗拉多大学博尔德分校）
BBoE是一种双向运动动力学采样规划器，通过边束策略结合探索与利用，在杂乱环境中快速找到低成本可行解，减少规划时间并提高成功率。
2026-10-30 cs.RO
Kinodynamic Task and Motion Planning using VLM-guided and Interleaved Sampling
Department of Computer Science and Engineering（计算机科学与工程系）
本文提出一种基于VLM引导和交错采样的运动动力学任务与动作规划方法，通过混合状态树联合决策任务和运动，提升规划效率和成功率。
2026-03-05 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
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
KRRF: Kinodynamic Rapidly-exploring Random Forest algorithm for multi-goal motion planning
Czech Technical University in Prague（捷克理工大学）
本文提出KRRF算法，通过同时生长多棵运动学动态树并利用树间启发式加速，先规划目标间轨迹再求解TSP确定访问顺序，从而高效求解运动学动态多目标运动规划问题，实现代价降低1.1至2倍。
2025-05-09 cs.RO
PINSAT: Parallelized Interleaving of Graph Search and Trajectory Optimization for Kinodynamic Motion Planning
The Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人研究所）
PINSAT通过系统并行化INSAT中的图搜索与轨迹优化，降低规划时间并提高成功率，在6自由度障碍物环境下实现高效动力学运动规划。
2024-03-16 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
A Genetic Approach to Gradient-Free Kinodynamic Planning in Uneven Terrains
Innopolis University（因诺波利斯大学）；University of Lincoln（林肯大学）
针对三角网格建模不平坦地形中类车机器人的运动动力学规划问题，提出基于遗传算法的GAKD算法，通过滚动时域内启发式变异遗传优化轨迹，相比MPPI等方法通行成本提升20%，为复杂环境路径规划提供实用方案。
2025-04-17 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
The Generalized Label Correcting Method for Optimal Kinodynamic Motion Planning
Massachusetts Institute of Technology（麻省理工学院）
几乎所有的自主机器人系统都使用某种形式的运动规划来计算通过其环境的参考运动。自主机器人在广泛的应用中的日益增加的使用产生了对适用于这些新应用领域中的任何一个的有效的通用运动规划算法的需要。本文提出了一种基于可容许输入信号集直接前向搜索的分辨率完全最优运动动力学运动规划算法。这种通用标签校正方法的优点是它不需要像相关方法那样的本地规划子程序。初步材料集中在新的拓扑性质的规范问题制定，用于显示连续性的性能目标。这些意见被用来推导出一个概括的贝尔曼的最优性原则的背景下，kinodynamic运动规划。然后提出了一种广义标签校正算法，该算法利用这些结果从搜索中修剪候选输入信号，当它们的成本大于相关信号时。本论文的第二部分讨论了运动动力学运动规划的可接受算法。推导出了一个可容许性条件，该条件可用于验证特定问题的候选算法的可容许性。这个条件也刻画了一个凸集的可容许算法。一个线性规划制定，以获得一个启发式，这是尽可能接近最佳的成本去，而其余的容许。这种优化是合理的，通过显示其解决方案与Hamilton-Jacobi-Bellman方程的解决方案相一致。最后，提出了一个平方和松弛的无限维线性规划，以获得可证容许的近似解。
2017-05-12 cs.RO
Kinodynamic Motion Planning for Multi-Legged Robot Jumping via Mixed-Integer Convex Program
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
提出了一种基于混合整数凸规划（MICP）的多足足式机器人跳跃运动学运动规划框架，该框架同时考虑质心运动、接触点、扳手和步态序列。该方法将位形空间离散化和可行扳手多面体（FWP）的构造相结合，将运动学约束、执行器限制、摩擦锥约束和步态排序编码到一个MICP中。MICP可以有效地解决了全球最佳的现成的数值求解器，并提供高动态跳跃运动，而不需要初始猜测。仿真和实验结果表明，所提出的方法可以找到新颖灵巧的机动，直接部署在两足足式机器人平台上，以穿越具有挑战性的地形。
2020-11-03 cs.RO
KDF: Kinodynamic Motion Planning via Geometric Sampling-based Algorithms and Funnel Control
Oden Institute for Computational Engineering and Sciences at the University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Rice University（莱斯大学）
我们将采样为基础的规划技术与基于漏斗的反馈控制开发KDF，一个新的框架，通过漏斗控制解决运动动力学运动规划问题。所考虑的系统发展受到复杂的，非线性的和不确定的动态（又名微分约束）。首先，我们使用一个几何规划器，以获得一个高层次的安全路径在用户定义的扩展自由空间。其次，我们开发了一个低层次的漏斗控制算法，保证系统的路径安全跟踪。规划器和控制算法都不使用关于系统的基本动态的信息，这使得所提出的方案易于分布到各种不同的系统和场景。直观地，漏斗控制模块能够隐式地适应系统的动态，从而允许部署纯几何运动规划器。大量的计算机模拟和6自由度机械臂的实验结果验证了所提出的方法。
2021-04-24 cs.RO
Sampling-based Task and Kinodynamic Motion Planning under Semantic Uncertainty
Kevin T. Crofton Department of Aerospace and Ocean Engineering, Virginia Tech（弗吉尼亚理工大学凯文·T·克罗夫顿航空航天与海洋工程系）；Smead Department of Aerospace Engineering Sciences, University of Colorado Boulder（科罗拉多大学博尔德分校斯米德航空航天工程科学系）
本文研究了在不确定环境中集成任务和运动学动态运动规划问题，提出了一种结合决策技术和采样运动规划的 anytime 算法，证明了算法的正确性和渐进最优性。
2026-04-01 cs.RO
db-A*: Discontinuity-bounded Search for Kinodynamic Mobile Robot Motion Planning
TU Berlin（柏林工业大学）
我们考虑时间最优的运动规划的动力系统是不变性的，许多移动机器人，如差分驱动器，汽车，飞机，和多旋翼的属性。我们的主要见解是，我们可以扩展图搜索算法的连续情况下，共生使用优化。对于图搜索，我们引入不连续有界A*（db-A*），A* 算法的推广，使用基于采样的规划器的概念和数据结构。Db-A* 重用短轨迹，即所谓的运动基元，作为边缘，并允许顶点处的最大用户指定不连续性。利用轨迹优化对这些轨迹进行局部修复，这也提供了新的改进的运动基元。我们的新的运动动力学运动规划器，kMP-db-A*，几乎肯定渐近最优的行为和计算接近最优的解决方案迅速。为了进行经验验证，我们提供了第一个基准测试，比较了不同设置中多个动力系统上基于搜索、采样和优化的时间最优运动规划。与基线相比，kMP-db-A* 始终能够解决更多问题实例，找到成本更低的初始解决方案，并且收敛速度更快。
2022-08-01 cs.RO
A Terrain-Adaptive epsilon-Constraint MPC for Uneven Terrain Kinodynamic Planning
Laboratório de Engenharia de Sistemas e Robótica, Universidade Federal da Paraíba（系统与机器人工程实验室，帕拉伊巴联邦大学）；School of Computer Science, University of Lincoln（计算机科学学院，林肯大学）
本文提出了一种适应地形的epsilon约束MPC方法，用于解决车辆在不规则地形上同时优化路径效率和姿态稳定性的规划问题，通过动态调整epsilon界限来实时探索帕累托前沿，并通过半参数模型结合分析车辆动力学和稀疏高斯过程来捕捉车辆-地形动力学。
2026-09-01 cs.RO
Kinodynamic Planning on Constraint Manifolds
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（工业机器人信息研究所，CSIC-UPC）
本文提出了一种运动学和动力学约束系统的运动规划器。前者出现在系统中存在运动学回路时，例如在并联机械手中，在合作完成给定任务的机器人中，或在涉及与环境接触的情况下。后者是必要的，以获得现实的轨迹，考虑到力作用在系统上。运动学约束使状态空间成为一个隐式定义的流形，这使得常用的运动规划技术的应用变得复杂。为了解决这个问题，规划器增量地构造状态空间流形的图集，并且使用该图集来生成随机状态并且动态地模拟系统朝向这些状态的转向。然后利用所得到的工具在状态空间上构建一个快速探索的随机树（RRT）。据我们所知，这是第一个随机kinodynamic规划隐式定义的状态空间。本文提出的测试案例验证了显着复杂的系统中的方法。
2017-05-22 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
Online Time-Informed Kinodynamic Motion Planning of Nonlinear Systems
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）
本文提出结合深度可逆Koopman算子DIKU与可达性分析方法ASKU，在线近似非线性系统的时间信息集，并设计直接采样技术加速时间最优动力学运动规划，实验验证其近实时性能与优越规划效果。
2024-07-03 cs.RO
Real-Time Stochastic Kinodynamic Motion Planning via Multiobjective Search on GPUs
Stanford University（斯坦福大学）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
在本文中，我们提出了并行不确定性感知的多目标规划算法，用于解决随机kinodynamic运动规划问题，其中一个寻求一个低成本的，动态可行的运动计划受到碰撞概率（CP）的约束。为了确保候选运动计划的详尽评估（根据需要权衡性能和安全性的竞争目标），ESTA增量地构建问题的帕累托前沿，考虑优化目标和CP的近似值。这是通过大规模并行多目标搜索来执行的，在这里重点实现GPU。在探索阶段结束时，ESTA搜索运动计划的帕累托集合，以确定被证明满足CP约束的最低成本解决方案（根据渐近精确估计）。我们引入了一种新的基于粒子的CP近似方案，设计用于高效的GPU实现，它占了轨迹执行的历史依赖关系。我们提出了四旋翼规划的数值实验，其中，在~100毫秒内，通过其探索阶段的过程中，评估超过10万个部分计划，确定解决方案。结果表明，这种多目标搜索实现了较低的运动计划成本，对于相同的CP约束，相比基于安全缓冲区的搜索启发式和重复RRT试验。
2017-02-23 cs.RO
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
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
Sampling-based Kinodynamic Planning with World Models
Purdue University（普渡大学）
本文提出两种适用于世界模型隐空间的采样式运动-动力学规划策略，在模拟和真实推方块任务中，其规划效率和成功率均优于CEM、MPPI等优化器。
2026-10-12 cs.RO
db-LaCAM: Fast and Scalable Multi-Robot Kinodynamic Motion Planning with Discontinuity-Bounded Search and Lightweight MAPF
本文提出db-LaCAM，结合现代MAPF算法的高效性和 kinodynamic 规划器的动态感知能力，通过预计算的运动原语生成运动序列，实现高效多机器人运动规划，实验表明其在50个机器人场景中运行速度提升十倍。
2026-03-24 cs.RO
Ultrafast Sampling-based Kinodynamic Planning via Differential Flatness
Department of Computer Science, Rice University（计算机科学系，里士大学）；Ken Kennedy Institute（肯尼迪研究所）
本文提出FLASK框架，利用微分平坦性将运动规划问题从状态空间转换到平坦输出空间，通过并行计算实现快速、精确的动态可行性轨迹生成，适用于多种机器人系统。
2026-09-18 cs.RO
Towards Learning Efficient Maneuver Sets for Kinodynamic Motion Planning
Rutgers University（罗格斯大学）
动态系统的规划是具有挑战性的，因为通常没有可用的本地规划器，并且探索状态空间的唯一原始方法是控制的前向传播。在这种情况下，树抽样为基础的规划已经开发出来，其中一些实现渐近最优传播随机控制在每次迭代。虽然对于分析是理想的，但随机控制导致在实践中缓慢收敛到高质量轨迹。这个简短的立场声明首先认为，如果一个kinodynamic规划者有机会适当地平衡开发探索权衡本地演习，规划者的每次迭代性能显着提高。在规划过程中生成这样的机动可以通过策划随机控制的大样本来实现。然而，这在计算上非常昂贵。如果这样的机动可以快速生成，规划器的性能也将作为计算时间的函数得到改善。为了客观，这个简短的立场声明主张将现代机器学习框架与最先进的，知情的和渐进最佳的Kinodynamic规划器相结合。所提出的方法涉及使用神经网络来推断机器人系统的动力学，适当地平衡上述开发探索权衡本地演习。特别是，提出了一个神经网络架构，它被训练，以反映在线策展过程中的选择，给定的局部障碍和启发式信息。规划器使用这些机动来有效地探索底层状态空间，同时仍然保持期望的属性。模拟环境和系统中的初步迹象是有希望的，但也指出了一些挑战，激励在这一方向上进一步研究。
2019-07-18 cs.RO
Multi-Objective Kinodynamic Motion Planning with Asymptotic Pareto Optimality
University of Colorado Boulder（科罗拉多大学博尔德分校）
针对运动动力学约束下系统的多目标运动规划挑战，提出基于稳定稀疏RRT算法的统一框架，衍生出三种算法分别用于字典序最小化、约束优化和帕累托前沿逼近，提供理论保证并经实证评估验证有效性。
2026-07-29 cs.RO
Admissible Velocity Propagation : Beyond Quasi-Static Path Planning for High-Dimensional Robots
School of Mechanical and Aerospace Engineering, NTU（南洋理工大学机械与宇航工程学院）；Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier (LIRMM), CNRS / Université de Montpellier（蒙彼利埃计算机、机器人与微电子实验室（LIRMM），法国国家科学研究中心/蒙彼利埃大学）；Department of Mechano-Informatics, University of Tokyo（东京大学机械信息学系）
路径速度分解是一种直观而强大的方法，以解决复杂的Kinodynamic运动规划。困难的轨迹规划问题解决在两个单独的，更简单的步骤：第一，找到一个路径的配置空间，满足几何约束（路径规划），第二，找到一个时间参数化的路径满足kinodynamic约束。一个基本的要求是，在第一步中找到的路径应该是时间参数化的。大多数现有的作品通过在路径规划步骤中强制执行准静态约束来满足这一要求，从而导致完整性的重要损失。我们提出了一种方法，使路径速度分解，发现真正的动态运动，即运动，不是准静态可执行的。在所提出的方法的核心是一个新的算法--容许速度传播--给定一条路径和该路径开始时的可达速度的区间，精确有效地计算系统在遍历路径后可以达到的所有速度的区间，同时尊重系统kinodynamic约束。将该算法与通常的基于采样的规划器相结合，然后产生一个新的轨迹规划器，可以适当地处理kinodynamic约束，同时保留与路径速度分解相关的优点。我们证明了所提出的方法的效率，一些困难的kinodynamic规划问题，特别是准静态方法保证失败。
2016-09-30 cs.RO
MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints
University of California San Diego（加州大学圣地亚哥分校）
Kinodynamic运动规划（Kinodynamic Motion Planning，KMP）是在运动学和动力学约束下，寻找机器人运动的方法。到目前为止，相当多的方法解决KMP问题和那些存在的斗争，找到接近最优的解决方案，并表现出高计算复杂性的规划空间维数增加。为了解决这些挑战，我们提出了一个可扩展的，模仿学习为基础的，模型预测运动规划网络框架，快速找到接近最优的路径解决方案，最坏情况下的理论保证实际欠驱动系统的kinodynamic约束。我们的框架介绍了两种算法建立在神经生成器，神经网络，和一个并行模型预测控制器（MPC）。生成器向给定目标输出各种通知状态，鉴别器从其中选择最佳可能子集进行扩展。MPC在满足给定约束的同时，局部地连接所选择的通知状态，从而得到可行的、接近最优的解决方案。我们评估我们的算法上的一系列混乱，kinodynamically约束，欠驱动的规划问题，结果表明显着改善计算时间，路径质量和成功率超过现有的方法。
2021-01-17 cs.AI cs.LG cs.RO
BOWConnect: Parallel Bayesian Optimization over Windows with Learned Local Cost Maps for Sample-Efficient Kinodynamic Motion Planning
Louisiana State University New Orleans（路易斯安那州立大学新奥尔良分校）；Florida International University（佛罗里达国际大学）
提出BOWConnect双向并行运动动力学规划器，通过窗口贝叶斯优化学习局部代价图引导采样，解决高维空间样本效率低、动态约束下代价启发式不可靠及窄通道规划难题，在基准测试中实现100%成功率。
2026-06-26 cs.RO
Efficient Multi-Robot Motion Planning with Precomputed Translation-Invariant Edge Bundles
Smead Aerospace Engineering Sciences, University of Colorado Boulder（科罗拉多大学博尔德分校航空航天工程科学系）；Department of Computer Science, University of Colorado Boulder（科罗拉多大学博尔德分校计算机科学系）；Cherry Creek High School, Greenwood Village, CO, USA（科罗拉多州格里诺村樱桃溪高中）
本文提出KiTE-Extend方法，通过预计算轨迹段提升多机器人运动规划效率，尤其在多智能体场景中显著改善规划性能和可扩展性。
2026-05-10 cs.RO
Safety Assurance for Quadrotor Kinodynamic Motion Planning
Department of Mechanical and Aerospace Engineering, University of Houston, Houston TX, 77004 USA（机械与航空航天工程系，休斯顿大学，休斯顿 TX，77004 USA）
针对动力学运动规划可能违反系统安全运行约束的问题，本文提出运行时安全保障方法，结合基于采样的几何规划器与LQR控制输入安全滤波器，并在Crazyflie 2.0三维仿真中验证。
2025-07-23 cs.RO
Incorporating Stochastic Models of Controller Behavior into Kinodynamic Efficiently Adaptive State Lattices for Mobile Robot Motion Planning in Off-Road Environments
University of Rochester（罗切斯特大学）；DEVCOM Army Research Laboratory（陆军研究实验室）；Parsons（帕尔逊公司）
本研究提出三种将随机控制器行为模型融入KEASL规划器的方法，实验表明其产生更保守轨迹，降低预测碰撞概率，但相比扩大障碍物足迹的基线，规划成功率有所下降。
2025-08-06 cs.RO
iDb-RRT: Sampling-based Kinodynamic Motion Planning with Motion Primitives and Trajectory Optimization
New York University（纽约大学）；TU Berlin（柏林工业大学）；ETH Zurich（苏黎世联邦理工学院）
提出iDb-RRT，一种结合运动基元与轨迹优化的采样型动力学运动规划算法，具备概率完备性，在30个问题、8个系统的基准测试中，求解速度比先前方法快最多10倍，尤其适用于长轨迹和狭窄通道场景。
2024-03-16 cs.RO
db-CBS: Discontinuity-Bounded Conflict-Based Search for Multi-Robot Kinodynamic Motion Planning
Technical University of Berlin（柏林工业大学）
提出 db-CBS，融合 CBS 与不连续性有界 A*，经三层冲突约束和轨迹优化实现异构多机器人动力学规划，成功率更高且成本更低。
2025-03-18 cs.RO
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs)
Center for Technologies in Robotics and Mechatronics Components, Innopolis University（英诺波利斯大学机器人与机电一体化组件技术中心）
我们探索路径规划其次是运动动力学平滑，同时确保车辆动力学的可行性微型飞行器。为此，我们选择了基于几何的运动规划技术\textquotedblleft RRT* \textquotedblright \;。在所提出的技术中，我们修改了原始RRT* 引入自适应搜索空间和转向功能，这有助于增加规划器的一致性。此外，我们提出了多个RRT*，它产生一组所需的路径，提供了最佳的路径是其中选择。然后，应用运动动力学平滑技术，得到动态可行的无障碍路径，并利用b样条曲线生成未知环境下的自主机动轨迹。最后，我们在各种模拟环境中测试了所提出的技术。
2020-08-29 cs.CV cs.RO math.OC
Iterative Methods for Efficient Sampling-Based Optimal Motion Planning of Nonlinear Systems
KAIST（韩国科学技术院）；nuTonomy Inc.（NuTonomy公司）
本文扩展了RRT* 算法，最近开发的，但广泛使用的基于采样的最佳运动规划，以有效地处理非线性kinodynamic约束。运动微分约束中的非线性常导致在树构造中难以选择合适的距离度量和计算优化的轨迹段。为了解决这两个困难，这项工作采用仿射二次调节器为基础的伪度量的距离测量，并利用迭代两点边值问题求解器计算优化段。建议的扩展，然后保留RRT* 框架的固有渐近最优性，同时有效地处理各种kinodynamic约束。三个数值算例验证了该方法的适用性。
2016-03-14 cs.RO
Kinodynamic Motion Planning for a Team of Multirotors Transporting a Cable-Suspended Payload in Cluttered Environments
Faculty of Electrical Engineering and Computer Science, Technical University of Berlin（柏林工业大学电机工程与计算机科学学院）；New York University（纽约大学）
本文提出一种面向多无人机缆绳悬挂载荷运输的动力学运动规划方法，通过分层几何采样与约束轨迹优化，在杂乱环境中显著降低跟踪误差和能耗，并提升狭窄空间队形变换场景的成功率。
2024-10-01 cs.MA cs.RO
Sampling-based optimal kinodynamic planning with motion primitives
Politecnico di Milano（米兰理工大学）
本文提出了一种新的基于采样的运动规划器，它集成在RRT*（快速探索随机树星）的预先计算的运动基元的数据库，以减轻其计算负荷，并允许运动规划在动态或部分已知的环境。该数据库是通过考虑在一些网格空间中的初始和最终状态对的集合，并且为每一对确定与系统动态和约束兼容的最优轨迹，同时使成本最小化来构建的。在RRT* 算法中，通过在网格状态空间中随机提取样本并在数据库中选择将其连接到现有节点的最佳无障碍运动基元，将节点逐步添加到可行轨迹树中。如果一些节点可以从新的采样状态通过具有较低成本的无障碍运动原语到达，则树被重新布线。因此，运动规划的计算上更密集的部分被移动到数据库构建的初步离线阶段，代价是由于网格化而导致的一些性能降级。可以调整网格分辨率，以便在（次）最优性和数据库大小之间进行折衷。当网格分辨率趋于零且采样状态数趋于无穷大时，该规划器是渐近最优的。
2022-06-10 cs.RO
RL-RRT: Kinodynamic Motion Planning via Learning Reachability Estimators from RL Policies
Google AI（谷歌人工智能）；University of New Mexico（新墨西哥大学）
本文解决了基于采样的Kinodynamic运动规划面临的两个挑战：一种方法来确定良好的候选状态的局部过渡和随后的计算棘手的转向这些候选状态之间。通过结合基于采样的规划，快速探索随机树（RRT）和一个有效的Kinodynamic运动规划器通过机器学习，我们提出了一个有效的解决方案，长期规划Kinodynamic运动规划。首先，我们使用深度强化学习来学习避障策略，该策略将机器人的传感器观察映射到动作，该动作在规划期间用作本地规划器，在执行期间用作控制器。其次，我们训练可达性估计在监督的方式，预测RL政策的时间，以达到一个状态的存在障碍。最后，我们引入RL-RRT，它使用RL策略作为局部规划器，并将可达性估计器作为距离函数，以使树的生长偏向有希望的区域。我们评估我们的方法对三个kinodynamic系统，包括物理机器人实验。在所有三个机器人测试的结果表明，RL-RRT优于最先进的kinodynamic规划的效率，也提供了一个更短的路径完成时间比转向功能免费的方法。学习的本地规划器策略和伴随的可达性估计器展示了到先前看不见的实验环境的可转移性，使得RL-RRT快速，因为昂贵的计算被简单的神经网络推理取代。视频：https://youtu.be/dDMVMTOI8KY
2019-07-12 cs.AI cs.LG cs.RO
iDb-A*: Iterative Search and Optimization for Optimal Kinodynamic Motion Planning
Technical University of Berlin（柏林工业大学）
针对复杂动力学机器人运动规划收敛慢或易失效的问题，提出迭代结合搜索与优化的iDb-A*算法，通过逐步减小不连续性、增加运动基元实现渐近最优，在多系统基准测试中表现优于现有方法。
2023-11-06 cs.RO
Kinodynamic Motion Planning via Funnel Control for Underactuated Unmanned Surface Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Uppsala University（乌普萨拉大学）
针对欠驱动无人水面艇，提出基于漏斗控制的运动学运动规划算法，通过扩展预设性能控制解决欠驱动与输入饱和问题，保证稳定性并生成无碰撞轨迹，经真实水域实验验证有效。
2024-04-26 cs.RO cs.SY eess.SY
Preprocessing-based Kinodynamic Motion Planning Framework for Intercepting Projectiles using a Robot Manipulator
University of Oxford（牛津大学）；Carnegie Mellon University（卡内基梅隆大学）
针对机器人拦截抛射物任务，提出基于离线预处理平滑轨迹的运动动力学规划框架，实现在极端时间约束下的实时无碰撞拦截，仿真和实物实验均验证了其高成功率。
2024-03-16 cs.RO
${\tt KRAFT}$: Sampling-Based Kinodynamic Replanning and Feedback Control over Approximate, Identified Models of Vehicular Systems
Rutgers University（罗格斯大学）
针对近似动力学模型下复杂动力学机器人轨迹执行安全性不足的问题，提出KRAFT方法，整合采样式动力学重规划、反馈控制与安全机制，经SysId调优模型，实验验证了规划层反馈闭环与长时域推理的重要性。
2024-09-17 cs.RO
Multi-Agent Motion Planning with Bézier Curve Optimization under Kinodynamic Constraints
IEEE Robotics and Automation Letters（IEEE机器人与自动化 letters）
本文提出PSB规划器，通过考虑智能体的动力学约束，生成平滑的速度剖面，提升多智能体路径规划的效率与实用性。
2024-03-09 cs.MA 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
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
Priority-based intersection management with kinodynamic constraints
MINES ParisTech（巴黎高等矿业学院）；Inria Paris - Rocquencourt（法国国立信息与自动化研究院巴黎-罗克库尔中心）
我们考虑的问题，协调的机器人集合在一个交叉区域考虑到动态约束，由于执行器的限制。我们采用协调空间的方法，这是标准的多机器人运动规划。假设机器人之间的优先级预先分配和存在的无碰撞轨迹尊重这些优先级，我们提出了一个可证明安全的轨迹规划满足kinodynamic约束。该算法是实时的运行，并返回安全（无碰撞）的轨迹。在合成数据上的仿真结果说明了该方法的优点。
2014-05-05 cs.RO
Safe Interval Path Planning With Kinodynamic Constraints
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Federal Research Center for Computer Science and Control of Russian Academy of Sciences（俄罗斯科学院联邦计算机科学与控制研究中心）；AIRI
安全区间路径规划（SIPP）是一种功能强大的算法，用于解决单智能体寻路问题，当智能体被限制在一个图中，并且该图的某些顶点/边由于填充环境的动态障碍物而在某些时间间隔被阻塞时。原始SIPP算法依赖于代理能够瞬时停止的假设。然而，这种假设在实践中往往不成立，例如，以巡航速度移动的移动机器人不能立即停止，而是需要逐渐减速到完全停止，这需要时间。换句话说，机器人受到Kinodynamic约束。不幸的是，正如我们在这项工作中所展示的，在这种情况下，原始SIPP是不完整的。为此，我们介绍了一种新的变体SIPP，可证明是完整的和最佳的规划与加速/减速。在实验评估中，我们表明原始SIPP的关键属性仍然适用于修改后的版本-与A* 相比，它执行的扩展少得多，因此速度明显更快。
2023-02-01 cs.AI cs.RO
Kinodynamic RRT*: Optimal Motion Planning for Systems with Linear Differential Constraints
我们提出了Kinodynamic RRT*，一种基于增量采样的方法，用于线性微分约束机器人的渐近最优运动规划。我们的方法扩展了RRT*，这是引入完整机器人（Karaman等。2011），通过使用一个固定的最终状态自由的最终时间控制器，精确和最佳地连接任何一对状态，其中的成本函数表示为一个权衡之间的持续时间的轨迹和所花费的控制工作。我们的方法概括了早期的工作扩展RRT* kinodynamic系统，因为它保证渐近最优的任何系统与可控的线性动力学，在任何维度的状态空间。我们的方法可以应用到非线性动力学，以及通过使用其一阶泰勒近似。此外，我们表明，对于具有幂零动力学矩阵的系统的丰富子类，可以导出最优轨迹的封闭形式的解决方案，这使得我们的算法的计算开销与传统RRT* 相比处于最低限度。我们证明了我们的方法的潜力，通过计算渐近最优轨迹在三个具有挑战性的运动规划方案：（i）一个平面机器人的4-D状态空间和双积分动态，（ii）一个飞行器的10-D状态空间和线性化四旋翼动力学，和（iii）一个车一样的机器人的5-D状态空间和非线性动力学。
2012-05-23 cs.DS cs.RO
Kinodynamic Motion Planning for Collaborative Object Transportation by Multiple Mobile Manipulators
Indian Institute of Technology Bombay（孟买印度理工学院）
本文提出了一种多移动机械臂协同运输物体的运动规划方法，通过全局路径规划和局部在线轨迹生成，结合运动动力学约束和障碍物处理，实现高效协同运输。
2025-12-07 cs.MA cs.RO math.OC
