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
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
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
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
Sampling-Based Temporal Logic Path Planning
Boston University（波士顿大学）
在本文中，我们提出了一个基于采样的运动规划算法，找到一个无限的路径满足线性时序逻辑（LTL）公式在一组属性满足某些地区在给定的环境。该算法有三个主要特点。首先，它是增量的，在这个意义上，用于在每次迭代中找到满意路径的过程仅与在该迭代中生成的新样本的数量成比例。其次，底层图是稀疏的，这保证了整个方法的低复杂度。第三，它在概率上是完备的。包括说明的有用性和性能的方法的例子。
2013-07-27 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
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
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
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
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
Scaling Long-Horizon Online POMDP Planning via Rapid State Space Sampling
Australian National University（澳大利亚国立大学）；Rice University（莱斯大学）
提出ROP-RaS3求解器，利用快速状态空间采样生成宏动作，避免穷举动作空间，在长时域POMDP规划中性能大幅超越现有方法。
2024-11-11 cs.RO
Learning from Local Experience: Informed Sampling Distributions for High Dimensional Motion Planning
University of California, Berkeley（加州大学伯克利分校）；FANUC Advanced Research Lab（发那科高级研究实验室）
针对高维系统下基于经验的运动规划方法因查询差异大在随机环境性能受限的问题，提出通过工作空间分解与图搜索解耦子问题并利用各子问题先验经验的采样规划框架，经2D、6D机器人实验验证，其在规划时间和成本上优于现有算法。
2023-06-15 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
Evaluating Trajectory Collision Probability through Adaptive Importance Sampling for Safe Motion Planning
Stanford University（斯坦福大学）
本文提出了一种工具，用于解决在许多算法规划机器人轨迹的不确定性的关键组成部分：评估的机器人的行动是由一个闭环反馈政策附近的标称规划轨迹的安全性。我们描述了一个自适应的重要性采样蒙特卡罗框架，使一个给定的控制策略的概率避碰约束的满意度的评估，也提供了相关的证书的准确性（在置信区间的形式）。特别是这种自适应技术非常适合于解决复杂的刚体碰撞检查应用于非线性机器人动力学。作为一种蒙特卡罗方法，它适合于并行计算的易处理性，并且通常适用于广泛的可模拟系统，包括替代噪声模型。数值实验证明了自适应重要性采样程序的有效性，并进行了讨论。
2017-06-01 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
Combining Sampling- and Gradient-based Planning for Contact-rich Manipulation
Politecnico di Milano（米兰理工大学）；Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达勒·莫勒人工智能研究所）；Scuola Universitaria Professionale della Svizzera Italiana (SUPSI)（瑞士意大利语区应用科学大学）；Università della Svizzera Italiana (USI)（瑞士意大利语区大学）；Fraunhofer IPK（弗劳恩霍夫制造工程和自动化研究所）
针对富接触操作中不连续动力学规划的数值稳定性和速度挑战，提出结合交叉熵方法初始化梯度求解器的规划方法，实现了平滑稳定的接触规划，优于仅用梯度的MPC和CEM。
2024-03-24 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
Long-Horizon Motion Planning via Sampling and Segmented Trajectory Optimization
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种混合机器人运动规划器，产生长期的运动规划机器人导航的环境中的障碍。我们提出了一种混合规划器，RRT* 与分段轨迹优化（RRT*-sOpt），它结合了基于采样的规划，基于优化的规划和轨迹分裂的优点，快速规划无碰撞和动态可行的运动计划。在生成规划时，RRT* 层快速采样出一条半最优路径，并将其设置为初始参考路径。然后，sOpt层将参考路径进行拆分，并对每个分段进行优化。然后，它再次分割新的轨迹，并重复该过程，直到整个轨迹收敛。我们还建议减少收敛前的段数，以进一步减少计算时间。仿真结果表明，RRT*-sOpt受益于混合结构与轨迹分裂，并在各种机器人平台和场景中表现稳健。
2022-04-17 cs.RO
Search-based versus Sampling-based Robot Motion Planning: A Comparative Study
Delft University of Technology（代尔夫特理工大学）；RWTH Aachen University（亚琛工业大学）
本文在统一规划条件和场景下基准比较 OMPL 的 RRT-Connect 与 SMPL 的 ARA*，揭示两类运动规划器在高维空间及不同动作采样方案下的性能差异。
2024-06-17 cs.RO
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
TIGRIS: An Informed Sampling-based Algorithm for Informative Path Planning
Carnegie Mellon University（卡内基梅隆大学）
信息化路径规划是机器人技术中一个重要且具有挑战性的问题，仍然需要以一种允许广泛实施和现实世界实际采用的方式来解决。其中的各种原因，一个是缺乏的方法，允许在高维空间和非平凡的传感器约束的信息路径规划。在这项工作中，我们提出了一个基于采样的方法，使我们能够应对大的和高维的搜索空间的挑战。这是通过在高维连续空间中执行知情采样并在奖励估计中沿边缘合并潜在信息增益来完成的。该方法快速生成一个全局路径，最大化的信息增益为给定的路径预算约束。我们讨论了我们的实现的一个例子使用情况下，搜索多个感兴趣的对象在一个大的搜索空间使用一个固定翼无人机与前向摄像头的细节。我们将我们的方法与基于抽样的计划者基线进行比较，并展示了我们的贡献如何使我们的方法始终超过基线18.0%。因此，我们提出了一个实用的和可推广的信息路径规划框架，可用于非常大的环境，有限的预算，和高维搜索空间，如机器人与运动约束或高维配置空间。
2022-10-11 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
Learning to Sample: Reinforcement Learning-Guided Sampling for Autonomous Vehicle Motion Planning
本文提出一种结合强化学习的采样方法，用于提升自动驾驶车辆在复杂城市环境中的运动规划效率与可靠性。
2026-03-23 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
Sampling-Based Methods for Factored Task and Motion Planning
csail.mit.edu（麻省理工学院计算机科学与人工智能实验室）
本文提出了一个通用的制定一大类离散时间规划问题，与混合状态和控制空间，作为因子转换系统。分解允许将状态转换描述为多个约束的交集，每个约束影响状态和控制变量的子集。许多可移动物体的机器人操作问题涉及约束，这些约束一次只影响几个变量，因此表现出大量的因子分解。我们开发了一个理论框架，用于解决基于采样算法的因子转换系统。该框架的特点的解决方案所在的子流形上的条件，导致一个强大的可行性，结合降维约束的表征。然后，它将这些条件连接到相应的条件采样器，这些条件采样器可以被组合以产生该子流形上的值。我们提出了两个域独立的，概率完整的规划算法，作为输入，一组条件采样。我们证明了这些算法的经验效率上的一组具有挑战性的任务和运动规划问题，包括采摘，放置和推动。
2019-02-12 cs.RO
FPAS: Frontier-Based Path Planning with Adaptive Sampling for Large-Scale Unknown Environments
Seoul National University（首尔大学）
提出FPAS框架，通过前沿概念引导目标导向任务，并基于前沿开放度自适应采样，在保持高目标到达性能的同时显著提升计算效率。
2026-06-23 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
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
Evaluating Path Planning Strategies for Efficient Nitrate Sampling in Crop Rows
Carnegie Mellon University（卡内基梅隆大学）
本文比较了A*、DQN和启发式搜索三种路径规划策略在作物行硝酸盐采样中的表现，发现启发式搜索最快且成功率100%，为精准农业混合策略奠定基础。
2025-03-10 cs.RO
AIT* and EIT*: Asymmetric bidirectional sampling-based path planning
University of Oxford（牛津大学）
最优路径规划是在起点和终点之间找到一个有效的状态序列，以优化目标的问题。知情的路径规划算法顺序与问题的具体知识表示为启发式搜索，可以比不知情的算法更有效的数量级。当启发式方法既准确又计算成本低时，它们是最有效的，但这些特征往往是相互矛盾的。这使得选择适当的物理学困难的许多问题。本文提出了两个几乎必然渐近最优的基于采样的路径规划算法，自适应知情树（AIT*）和努力知情树（EIT*），以解决这一挑战。这些算法使用不对称的双向搜索，其中两个搜索不断地相互通知。这使得AIT* 和EIT* 能够通过同时计算和利用越来越精确的、针对具体问题的算法来提高规划性能。AIT* 和EIT* 相对于其他基于采样的算法的好处表现在12个问题的抽象，机器人和生物医学领域优化路径长度和障碍清除。实验结果表明，AIT* 和EIT* 优于其他算法的问题优化障碍清除，先验成本算法往往是无效的，仍然表现良好的问题最小化路径长度，这种算法往往是有效的。
2022-10-21 cs.RO
Optimal Sampling-based Motion Planning in Gaussian Belief Space for Minimum Sensing Navigation
University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对高斯信念空间中采样规划缺乏解质量保证的问题，提出 IG-PRM* 以最小化欧几里得与信息论代价加权和，并证明其渐近收敛至全局最优。
2023-06-01 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
Analysis of Motion Planning by Sampling in Subspaces of Progressively Increasing Dimension
University of South Carolina（南卡罗来纳大学）；United States Naval Academy（美国海军学院）
尽管现代基于采样的运动规划器具有性能优势，但近实时地解决高维规划问题仍然是一个挑战。应用包括超冗余机械手，蛇形和人形机器人。直觉的基础上，许多这些问题的情况下，不需要机器人独立行使每一个自由度，我们介绍了一种增强流行的基于采样的规划算法，旨在规避指数依赖的维度。我们建议开始在一个低维子空间的配置空间的搜索，希望一个简单的解决方案将被迅速找到。在生成一定数量的样本后，如果没有找到解，则将搜索子空间的维数增加1，并在更高维的子空间中继续采样。在最坏的情况下，搜索子空间扩展到包括完整的配置空间-使得完整性属性与底层的基于采样的平面器相同。我们的实验比较增强和传统版本的RRT，RRT连接，双向T-RRT的平面超冗余机械手和巴克斯特人形机器人表明，通常发现使用这种方法的解决方案要快得多，运行时间似乎是不太敏感的尺寸的完整的配置空间。我们探讨重要的实施问题，在采样过程中，并讨论其局限性。
2018-01-30 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
Learning Implicit Sampling Distributions for Motion Planning
GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
基于采样的运动规划器由于其有效且均匀地探索状态空间的能力而获得了很大的成功。然而，对于许多任务，不均匀地探索状态空间可能更有效，特别是当存在关于其结构的先验信息时。先前的方法尝试使用手工选择的方法来修改采样分布，该方法可以很好地用于特定环境，但不是通用的。本文提出了一种基于策略搜索的方法，作为一种自适应的方式来学习隐式采样分布，为不同的环境。它利用过去在类似环境中搜索的信息，在新环境中生成更好的分布，从而降低整体计算成本。我们的方法可以与各种基于采样的规划器相结合，以提高性能。我们的方法验证了一些任务，包括7自由度的机器人手臂，显示出显着的改进，碰撞检查的数量以及与基线方法相比扩展的节点数。
2018-06-06 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
Combining Machine Learning and Sampling-Based Search for Multi-Goal Motion Planning with Dynamics
George Mason University（乔治梅森大学）
本文提出一种结合机器学习、TSP和采样运动规划的方法，用于障碍物密集环境中的多目标运动规划，通过预测成本矩阵指导树扩展，实验验证了其高效性和可扩展性。
2025-03-26 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
