One Interface, Many Robots: Unified Real-Time Low-Level Motion Planning for Collaborative Arms
Robotics Research Center (RRC), Nanyang Technological University（南洋理工大学机器人研究中心）；WinGs Robotics LLC（WinGs 机器人有限责任公司）
本文提出一个统一的实时低级运动规划接口，用于协作机器人臂，旨在提高在异构硬件平台上的应用性和可移植性。通过n次多项式插值与二次规划求解器结合，生成平滑连续可微的轨迹。在三个不同场景中验证了方法的可靠性、通用性和易用性。
2026-04-09 cs.RO
Motion planning and Collision Avoidance using Non-Gradient Vector Fields. Technical Report
University of Michigan（密歇根大学）
本文提出了一种新的反馈方法，用于单机器人在静态障碍物环境中的运动规划，并将其推广到多机器人系统的分布式规划和协调。该方法采用了一个家庭的2维解析向量场，其积分曲线表现出各种模式，这取决于一个参数λ的值。更具体地，对于λ的先验已知值，矢量场具有偶极类型的唯一奇点，并且可以用于将单极转向目标配置。此外，对于λ的唯一值，矢量场具有连续的奇点，积分曲线被用来定义绕障碍物的流动。然后，通过在静态障碍物环境中适当地混合吸引和排斥矢量场，可以构建几乎全局的反馈运动规划。该方法不受汇（稳定节点）远离目标点的外观。与其他类似的方法是免费的局部极小值相比，所提出的方法不需要任何参数调整，使所需的收敛性能。本文还讨论了扩展的方法，多个机器人的分布式协调和控制，其中每个机器人需要导航到一个目标配置，同时避免与其余的机器人碰撞，同时只使用本地信息。更具体地说，基于适用于单机器人的情况下的结果，提出了一个运动协调协议，保证多机器人系统的安全性和几乎全局收敛的机器人到他们的目标配置。所提出的方法的有效性证明通过在静态和动态环境中的仿真结果。
2014-10-13 cs.RO
HyperGuider: Virtual Reality Framework for Interactive Path Planning of Quadruped Robot in Cluttered and Multi-Terrain Environments
Skoltech（斯科尔科沃科学技术研究院）
四足平台由于其在崎岖地形中的高机动性和可通行性而成为一个活跃的研究课题。然而，确定机器人是否可以通过嘈杂的环境以及如何精确计算其路径是非常具有挑战性的。此外，所计算的路径可能穿过具有动态对象或环境的区域，这些动态对象或环境对于机器人或周围的人是危险的。因此，我们提出了一种新的概念性的方法，教四足机器人导航通过用户引导的路径规划在虚拟现实（VR）。我们的系统包含全局和局部路径规划器，允许机器人通过迭代学习生成路径。VR界面允许用户与环境交互，并在具有挑战性的场景中协助四足机器人。对比实验结果表明，人与路径规划算法的协同工作使算法的计算速度平均提高了35.58%，在测试场景下，路径长度平均非临界性地增加了6.66%。此外，用户将VR界面描述为不需要物理需求（2.3/10），并高度评价其性能（7.1/10）。对于在杂乱和非结构化环境中导航的任务，仍然需要找到一条不太理想但更安全的路径的能力。
2022-09-20 cs.HC cs.RO
KINO: A Keyframe Interface for VLM Planning and Whole-Body Control in Humanoid Loco-Manipulation
ETH Zürich（苏黎世联邦理工学院）
提出分层框架KINO，以运动关键帧连接VLM规划与RL控制，通过显著性采样策略将人形移动操作成功率从44%提升至92%，并在仿真和Unitree G1上验证。
2026-09-17 cs.RO
Skill-Nav: Enhanced Navigation with Versatile Quadrupedal Locomotion via Waypoint Interface
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
Skill-Nav通过路点接口将四足运动技能与分层导航框架结合，利用深度强化学习训练策略，实现复杂地形中的自主导航与避障，实验验证其有效性。
2025-09-07 cs.RO
LLM3:Large Language Model-based Task and Motion Planning with Motion Failure Reasoning
University of California, Los Angeles（加州大学洛杉矶分校）；BIGAI（北京智源人工智能研究院）
提出LLM^3框架，利用大语言模型通过运动失败推理迭代优化任务与运动规划，实现领域无关接口，仿真与物理实验验证其有效性与实用性。
2024-08-21 cs.AI cs.RO
Admissible heuristics for obstacle clearance optimization objectives
University of Oxford（牛津大学）
状态空间中的障碍清除率是路径规划中的一个重要优化目标，因为它可以产生安全的路径。本技术报告提出了可接受的解决方案和路径成本算法，这可以用来提高性能的知情路径规划算法。
2021-05-01 cs.RO
Speech-Based Human-Exoskeleton Interaction for Lower Limb Motion Planning
University of Alberta（阿尔伯塔大学）；University of Calgary（卡尔加里大学）；University of Lethbridge（莱斯布里奇大学）；San Jose State University（圣何塞州立大学）
本研究提出由语音处理系统、有限状态机和中枢模式发生器构成的下肢外骨骼语音运动规划策略SBMP，实验验证其语音识别误差低，运动完成速度比移动界面快54%，可解放双手维持姿势稳定，适用于下肢障碍人群的辅助与康复。
2023-10-04 cs.HC cs.RO
QTOS: An Open-Source Quadruped Trajectory Optimization Stack
Vanderbilt University（范德堡大学）
QTOS是一个开源四足机器人轨迹优化栈，集成全局与局部规划、模拟、控制和机器人接口，简化高层导航目标到低层命令的转化，并提升复杂地形长距离步态规划的稳定性与适应性。
2023-09-16 cs.RO
Lang2Manip: A Tool for LLM-Based Symbolic-to-Geometric Planning for Manipulation
Khalifa University Center for Autonomous Robotic Systems (KUCARS)（卡利法大学自主机器人系统中心）；Khalifa University（卡利法大学）；Institute of Industrial and Control Engineering (IOC)（工业与控制工程研究所）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
Lang2Manip通过结合LLM和Kautham框架，实现通用的符号到几何操作规划，适用于多种机器人和任务。
2025-12-18 cs.RO
Graph-Based Simultaneous Path and Foothold Planning for Multi-Limbed Intra-Vehicular Robots in Space Stations
Tohoku University（东北大学）；New Industry Creation Hatchery Center (NICHe), Tohoku University（东北大学新产业创造孵化中心）
针对空间站多肢体舱内机器人，提出基于图论的路径与立足点同步规划框架，在满足可操作性约束下高效搜索可行站立序列，并经ISS舱体三维仿真验证其可行性与高效性。
2026-09-29 cs.RO
Meta-Optimization and Program Search using Language Models for Task and Motion Planning
TU Berlin（柏林技术大学）
本文提出一种基于语言模型的元优化与程序搜索方法，通过将轨迹优化问题的程序搜索作为接口并利用零阶方法优化数值参数，解决任务与运动规划中高层规划与低层运动生成的接口问题，在物体操作和绘图任务上优于现有方法。
2025-09-17 cs.RO
Human-Centric Aware UAV Trajectory Planning in Search and Rescue Missions Employing Multi-Objective Reinforcement Learning with AHP and Similarity-Based Experience Replay
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科中心）；University of Luxembourg（卢森堡大学）
本文提出融合AHP与基于相似性经验回放的多目标强化学习框架，以兼顾作业、舒适与安全来规划搜救无人机轨迹，并调查性别线索和拟人化设计对公众接受与信任的影响。
2024-02-28 cs.AI cs.HC cs.LG
Arranging Test Tubes in Racks Using Combined Task and Motion Planning
Graduate School of Engineering Science, Osaka University（大阪大学工程科学研究生院）；Miraca Research Institute G. K.（Miraca研究所株式会社）
为了解决临床检验中大量试管搬运的迫切需要，替代或减少人工劳动，研制了一种机器人操作系统。它介绍了该系统的技术细节，该系统在3D视觉和人工智能（AI）推理/规划的帮助下将试管分离和排列在机架上。所开发的系统只需要一个人把一个机架与混合和非排列的管在机器人面前。机器人自主地执行识别、推理、规划、操纵等，并返回具有分离和排列的管的机架。该系统使用简单，不需要机器人方面的专业知识。我们希望这样的系统在帮助管理公共卫生方面发挥重要作用，并希望类似的系统可以扩展到其他临床操作，如处理混合器和移液器。
2020-05-07 cs.RO
A Mid-level Planning System for Object Reorientation
National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所）；Hokkaido Research Organization（北海道研究机构）；Osaka University（大阪大学）；Tsukuba University（筑波大学）
本文介绍了一个面向对象重定向的中间规划系统。它包括一个抓取规划器，一个布局规划器，和一个重抓取序列求解器。给定对象的初始和目标姿态，中级规划系统找到将对象从初始重新定向到目标的手配置的序列。这个中级规划系统通过提供两个末端执行器位姿作为输入而对低级运动规划算法开放。它还通过提供接口功能（如将对象以给定的旋转放置到给定的位置）向高级符号规划者开放。该规划系统演示了几个仿真例子和真实的机器人执行使用Kawada Hiro机器人和Robotiq 85夹具。
2016-08-10 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
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University（莱斯大学）
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库，利用了流行的MoveIt库和机器人操作系统（ROS）中间件。Robowflex提供了一个增强的API，用于在单个程序中制作和操作运动规划查询，使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例，同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1）开发新的运动规划器，2）评估运动规划器，以及3）使用运动规划作为子例程的复杂问题（例如，任务和运动规划）。Robowflex还提供可视化功能，与其他机器人库的集成（例如，DART和Tesseract），并补充其他机器人软件包。使用我们的库，用户不需要是ROS或MoveIt的专家，就可以设置运动规划查询，从结果中提取信息，并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
RoboArm-NMP: a Learning Environment for Neural Motion Planning
Technion（以色列理工学院）；Faculty of Electrical And Computer Engineering（电气与计算机工程学院）；Faculty of Data and Decision Science（数据与决策科学学院）
本文提出RoboArm-NMP学习环境，用于评估机器人操作器的神经运动规划算法，通过比较多种设计点，发现最佳方法能泛化到新目标但难以泛化到新障碍物配置。
2024-05-25 cs.LG cs.RO
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research（瓦赫宁根大学及研究中心）
本文介绍了Fields 2Cover，一个新的开源库覆盖路径规划（CPP）的农用车辆。虽然现在有几种CPP解决方案，但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架，用于规划覆盖路径，开发新技术，并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构，支持各种车辆，可用于各种应用，包括农场。它的核心模块是：一个岬生成器，一个条带生成器，一个路线规划器和路径规划器。机器人操作系统（ROS）的接口也提供了作为add-on. In本文中，库的功能，规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms
Imperial College London（伦敦帝国理工学院）；Ryerson University（瑞尔森大学）
路径规划是移动机器人技术中的一个重要组成部分。存在各种各样的路径规划算法，但很少有人尝试对算法进行整体基准测试或统一它们的接口。此外，随着深度神经网络的最新进展，迫切需要促进这种基于学习的规划算法的开发和基准测试。本文介绍了PathBench，一个平台，用于开发，可视化，培训，测试和基准测试现有和未来的，经典的和学习的2D和3D路径规划算法，同时提供支持机器人操作系统（ROS）。支持许多现有的路径规划算法;例如A*，波前，快速探索随机树，值迭代网络，门控路径规划网络;并且集成新算法很容易并且明确指定。我们通过比较实现的经典和学习算法的指标，如路径长度，成功率，计算时间和路径偏差的基准测试能力的PathBench。这些评估是在内置的PathBench地图和来自视频游戏和现实世界数据库的外部路径规划环境中完成的。PathBench是开源的。
2021-05-04 cs.LG cs.RO
Reinforcement Learning-Based Coverage Path Planning with Implicit Cellular Decomposition
LG Electronics（LG电子）
在一个通用的已知环境中的覆盖路径规划被证明是NP难的。当环境未知时，机器人需要依靠在覆盖过程中建立的在线地图信息进行路径规划，因此设计具有合理性能的启发式或近似算法成为一个重要的研究方向。这样的算法在覆盖区域或覆盖成本方面具有次优性能，例如，覆盖时间或能量消耗。在本文中，我们提供了一个系统的分析的覆盖问题，并制定它作为一个最佳的停止时间的问题，覆盖性能和成本之间的权衡明确占。接下来，我们证明了强化学习（RL）技术可以用来解决计算问题。为此，我们提供了一些技术和实际的考虑，以促进RL算法的应用和提高解决方案的效率。最后，通过在网格世界环境和Gazebo模拟器中的实验，我们证明了基于强化学习的算法能够有效地覆盖真实的未知室内环境，并且性能优于当前的最新技术水平。
2021-10-18 cs.AI cs.LG cs.RO
Reactive Locomotion Decision-Making and Robust Motion Planning for Real-Time Perturbation Recovery
Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们研究的问题，推动恢复双足机器人运动，并提出了一个反应性的决策和鲁棒规划框架运动弹性外部扰动。拒绝扰动是一个基本的能力，双足机器人，并已被广泛研究的运动文献。然而，对抗性干扰和侵略性转向可导致负的横向步长（即，交叉腿场景）具有不稳定运动和自碰撞风险。这些运动规划问题在计算上是困难的，并且还没有在分层集成的任务和运动规划方法下进行探索。我们探讨了一个规划和决策框架，紧密联系的线性时间逻辑为基础的反应合成与轨迹优化，结合机器人的全身动力学，运动学和腿部碰撞避免的限制。在高层次的离散符号决策和低层次的连续运动规划之间，行为树作为一个反应接口来处理运动过程中任何时候发生的扰动。我们的实验结果表明，我们的方法在产生弹性恢复行为响应于不同的扰动从任何方向与有界的幅度的有效性。
2022-03-02 cs.RO cs.SY eess.SY
Technical Report: Reactive Semantic Planning in Unexplored Semantic Environments Using Deep Perceptual Feedback
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种反应式规划系统，该系统通过整合和利用深度感知学习和概率语义推理的进步来实现，通过紧密集成的语义表示来丰富环境的拓扑表示。我们的架构结合了目标检测与语义SLAM，提供强大的，反应式的逻辑以及几何规划在未开发的环境。此外，通过结合人体网格估计算法，我们的系统能够实时的反应和响应语义标记的人体运动和姿态。新的正式结果允许跟踪适当的非对抗性移动目标，同时保持相同的碰撞避免保证。我们建议的经验效用的建议控制架构的数值研究，包括比较与一个国家的最先进的动态重新规划算法，并在不同的设置与几何和语义目标的轮式和腿式平台上的物理实现。
2020-05-04 cs.RO
Technical Report: Sensor-Based Reactive Symbolic Planning in Partially Known Environments
University of Pennsylvania（宾夕法尼亚大学）；Massachusetts Institute of Technology（麻省理工学院）
本文考虑的问题，完成组装的被动对象在非凸环境中，杂乱的凸障碍物的未知位置，形状和大小，满足一个特定的分离假设。一个差分驱动机器人配备了一个夹具和激光雷达传感器，能够感知它的环境只在本地，是用来定位被动物体在所需的配置。该方法结合了一个深思熟虑的规划师生成高层次的，符号命令的优点，收敛和避障的反应规划，需要很少的板载计算和在线使用的正式保证。通过形式化证明和数值仿真验证了该方法的有效性。
2018-02-13 cs.RO
Technical Report: Distributed Sampling-based Planning for Non-Myopic Active Information Gathering
University of Pennsylvania（宾夕法尼亚大学）
研究了多机器人系统的主动信息采集问题。具体来说，我们考虑的情况下，机器人的任务是减少不确定性的动态隐藏状态在复杂的环境中发展。大多数现有的信息收集方法是集中式的，因此，它们不能应用于分布式机器人团队，其中与中央用户的通信不可用。为了解决这一挑战，我们提出了一种新的分布式采样为基础的规划算法，可以显着提高机器人和目标的可扩展性，同时降低计算成本。在我们的非近视方法中，所有机器人都并行地构建局部树，探索信息空间及其相应的运动空间。当机器人构建各自的局部树时，它们与邻居进行通信，通过分布式卡尔曼滤波器交换和聚合关于隐藏状态的局部信念。我们证明了所提出的算法是概率完全的和渐近最优的。我们提供了大量的模拟结果，证明了所提出的算法的可扩展性，它可以解决大规模的，多机器人的信息收集任务，这是计算上具有挑战性的集中式方法。
2021-07-23 cs.RO
Technical Report: Reactive Planning for Mobile Manipulation Tasks in Unexplored Semantic Environments
University of Pennsylvania（宾夕法尼亚大学）
复杂的操作任务，如多个对象的重排规划，是组合困难的问题。现有的算法要么不能很好地扩展，要么假设了大量关于环境的先验知识，很少有算法能提供任何严格的保证。在本文中，我们提出了一种新的混合控制架构，实现这样的任务与移动机械手。在离散方面，我们丰富了时间逻辑规范与移动操作原语，如移动到一个点，并把握或移动对象。此类规范被转换为自动机表示，它将任务的物理基础编排到移动性或操纵控制器。从离散到连续无功控制器的接地是在线的，并且可以对发现未知障碍物做出响应，或者决定将阻止任务完成的可移动物体推开。尽管问题的复杂性，我们证明，在特定的条件下，我们的架构享有可证明的完整性的离散侧，可证明的终止连续侧，并避免了环境中的所有障碍。模拟说明了我们的架构，可以处理复杂性增加的任务，同时也响应未知的障碍或意外的不利配置的效率。
2021-03-24 cs.RO
Enabling Humans to Plan Inspection Paths Using a Virtual Reality Interface
University of Antwerp（安特卫普大学）
在这项工作中，我们研究人类是否可以手动生成高质量的机器人路径进行光学检查。通常，使用自动算法来解决检查规划问题。自动算法的使用意味着需要来自用户的专业知识来设置算法。我们的目标是通过委托一个非专家的人类用户来完成规划任务，来取代这种对专业经验的需求。我们在虚拟现实中通过直观的可视化和交互来增强该用户。为了研究人类是否可以生成高质量的检测路径，我们进行了用户研究，其中来自不同经验类别的用户使用所提出的虚拟现实界面生成检测路径。从我们的研究中可以得出结论，没有经验的用户可以生成高质量的检查路径：用户生成的路径的中值检查质量范围在各种检查规划场景的最先进的自动算法的质量的66- 81%之间。然而，我们注意到，用户的性能存在相当大的差异，这是一些典型用户行为的结果。这些行为进行了讨论，并提供了可能的解决方案。
2019-09-13 cs.HC cs.RO
Remote Life Support Robot Interface System for Global Task Planning and Local Action Expansion Using Foundation Models
The University of Tokyo（东京大学）
提出一种基于模板变量的机器人接口系统，通过生成提示收集现场信息并提供选项反馈，解决语言指令中不确定信息的传达问题，并在真实生命支持任务中验证了其有效性。
2024-11-15 cs.RO
Semi-Autonomous Planning and Visualization in Virtual Reality
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
用于机器人的虚拟现实（VR）接口提供机器人在其环境中的三维（3D）视图，这允许人们更好地规划在紧凑或杂乱空间中的复杂机器人运动。在我们之前的工作中，我们创建了一个VR界面，以允许人形机器人的远程操作。如本文所述，我们现在关注的是一个人在回路规划器，操作员可以通过功能航点在VR中发送更高级别的操作和导航目标，在3D虚拟空间中可视化机器人规划器的结果，然后拒绝，更改或确认发送给机器人的计划。此外，我们已经调整了我们的接口，除了人形机器人的移动操作机器人也工作。有关视频演示，请参阅https://youtu.be/wEHZug_fxrA上的随附视频。
2021-04-23 cs.RO
Bootstrapping Human-Like Planning via LLMs
Navy Center for Applied Research in AI, US Naval Research Laboratory（美国海军人工智能应用研究中心）
本文研究如何结合自然语言接口与拖放界面，利用大语言模型生成人类风格的动作序列，并与手工指定的动作序列进行比较。
2025-06-27 cs.AI cs.HC cs.RO
Scaling Laws of Motion Forecasting and Planning -- Technical Report
Waymo LLC（Waymo公司）
本研究在自动驾驶运动预测与规划任务中，发现编码器-解码器自回归Transformer模型的性能随计算预算呈幂律提升，闭环指标随缩放改善，并确定了模型参数与数据规模的最优缩放比例，以及推理时采样聚类可提升小模型效率。
2025-09-08 cs.AI cs.LG cs.RO
Using Human-Guided Causal Knowledge for More Generalized Robot Task Planning
Brown University（布朗大学）
涉及人工智能（AI）的研究的一个主要挑战是开发算法，这些算法可以找到可以推广到不同环境和任务的问题的解决方案。与人工智能不同，人类善于找到可以转移的解决方案。我们假设这是因为他们的解决方案是由因果模型告知的。我们建议使用人类引导的因果知识来帮助机器人找到可以推广到新环境的解决方案。我们开发和测试的语言接口，天真的参与者可以用来沟通这些因果模型的规划的可行性。我们发现初步证据表明，参与者能够使用我们的界面，并生成因果模型，实现近泛化。我们概述了一个实验，旨在测试远泛化使用我们的接口，并描述我们的长期目标，这些因果模型。
2021-10-09 cs.AI cs.RO
AutoDRIVE Simulator -- Technical Report
Nanyang Technological University（南洋理工大学）
AutoDRIVE被设想为一个规模化自动驾驶汽车的综合研究平台。这项工作是实现这样一个研究平台的更大目标的垫脚石。特别是，这项工作提出了一个伪现实的模拟器规模的自动驾驶汽车，这是针对简单性，模块化和灵活性。AutoDRIVE Simulator不仅模拟真实的系统动力学，还模拟全面的传感器套件和真实的执行器响应。该模拟器还具有一个通信桥，以便与外部开发的自动驾驶软件栈接口，这使用户能够方便地设计和开发他们的算法，并在我们的模拟器上进行测试。目前，该桥接器与机器人操作系统（ROS）兼容，并且可以直接与作为该项目的一部分开发的Python和C++脚本接口。网桥支持本地和分布式计算。
2022-11-17 cs.RO
Feedback-Based Mobile Robot Navigation in 3-D Environments Using Artificial Potential Functions Technical Report
本文提出了一种用于三维环境中移动机器人导航的人工势场方法，通过多项式函数构造并验证了在存在障碍物时的导航性能。
2026-01-14 cs.RO cs.SY eess.SY
Technical Report: Safe, Aggressive Quadrotor Flight via Reachability-based Trajectory Design
Mechanical Engineering, University of Michigan, Ann Arbor, MI（机械工程，密歇根大学，安娜堡，MI）
本文提出了一种基于可达性的四旋翼飞行轨迹设计方法，通过在线规划中创新性地使用Zonotopes来确保在存在轨迹依赖性跟踪误差的情况下飞行安全，实验显示在500个随机复杂环境中实现了最高5m/s的激进飞行且无碰撞。
2019-06-18 cs.RO cs.SY eess.SY
Desiderata for Planning Systems in General-Purpose Service Robots
University of Washington（华盛顿大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
通用服务机器人预计将根据用户的要求承担广泛的任务。知识表示和规划系统是必不可少的灵活的自主机器人，但该领域缺乏一个统一的观点，功能是必不可少的通用服务机器人。对用户、环境和整个机器人系统的不同假设阻碍了通用服务机器人的规划与推理的进展。在这份立场文件中，我们提出了必要的规划与推理系统，以促进通用服务机器人。每个项目都借鉴了我们对办公室和家庭服务机器人的研究经验以及这些环境的需求。我们的需求强调支持自然的人机界面，以及当与人类和环境的交互失败时，强大的回退方法。我们强调为实现这些目标而开展的相关工作。
2019-07-04 cs.RO
Task Space Planning with Complementarity Constraint-based Obstacle Avoidance
在本文中，我们提出了一个基于任务空间的本地运动规划器，它结合了避免碰撞和约束末端执行器的运动在执行任务。我们的主要技术贡献是开发了一种新的机器人运动状态演化模型，其中碰撞避免被编码为互补约束。我们表明，避免碰撞的运动状态演化可以表示为线性互补问题（LCP）。使用LCP模型以及SE（3）中的螺旋线性插值（ScLERP），我们表明，即使存在与障碍物的潜在碰撞，也可以通过直接从开始移动到目标姿势来计算两个给定任务空间姿势之间的路径。的可扩展性的规划证明了使用物理机器人的实验。我们目前的模拟和实验结果与碰撞避免和任务限制，以显示我们的方法的有效性。
2021-04-16 cs.RO
Technical Report: Reactive Navigation in Partially Known Non-Convex Environments
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种可证明正确的方法，机器人导航在2D环境中的混乱熟悉，但意想不到的非凸，星形的障碍，以及完全未知的，凸的障碍。我们预先假设一个有限范围的机载传感器，能够识别，定位和（利用建设性的立体几何的想法）在线生成从其目录的熟悉，非凸形状的隐式表示的每一个。这些表示是坐标到完全凸模型规划空间的在线变化的基础，其中先前开发的在线构造产生可证明正确的反应控制器，该反应控制器被拉回到物理感测的表示以生成实际的机器人命令。我们扩展到差分驱动机器人的建设，并建议使用正式的证明和数值模拟的经验效用的建议控制架构。
2018-10-28 cs.RO
One For All: LLM-based Heterogeneous Mission Planning in Precision Agriculture
Department of Computer Science（计算机科学系）；Engineering University of California, Merced, CA, USA.（加州大学默塞德分校工程学院）；Department of Informatics, Bioengineering, Robotics（信息学、生物工程、机器人学系）；Systems Engineering, University of Genova, Italy（系统工程系，热那亚大学）
提出基于LLM的自然语言机器人任务规划器，通过预定义原语将人类语言转换为可执行描述，支持非技术用户通过通用接口控制异构机器人执行复杂农业任务。
2025-06-11 cs.AI cs.RO
MiMo-Embodied: X-Embodied Foundation Model Technical Report
Xiaomi Embodied Intelligence Team（小米具身智能团队）
MiMo-Embodied是首个跨具身基础模型，成功整合并实现自动驾驶和具身AI领域的最先进性能，在17个具身AI基准和12个自动驾驶基准中均取得新纪录，通过多阶段学习、数据构建和CoT/RL微调实现领域间的强正迁移。
2026-04-28 cs.CL cs.CV cs.RO
