Intention Communication and Hypothesis Likelihood in Game-Theoretic Motion Planning
Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）
针对多机器人博弈规划中目标函数并非先验已知且通信可能出错的问题，提出结合意图通信、假设似然与离散贝叶斯滤波的容错滚动时域规划器，并在三类自动驾驶仿真场景中验证其安全性。
2022-09-26 cs.GT cs.RO cs.SY
2DGS-Planner: Rasterization-based Path Planning in 2D Gaussian Splatting Map
2DGS-Planner是基于2D高斯溅射地图的地面机器人路径规划器，通过光栅化读取几何信息，实验显示其路线图连通性、 clearance 估计及规划成功率优于基线。
2026-10-09 cs.RO
Human-Like Implicit Intention Expression for Autonomous Driving Motion Planning: A Method Based on Learning Human Intention Priors
Tongji University（同济大学）
本文提出一种基于人类意图先验和最大熵逆强化学习的自动驾驶运动规划方法，通过构建轨迹空间约束和奖励函数选择类人轨迹，在真实数据集上验证了其在类人程度、意图表达和计算效率上的优势。
2024-09-04 cs.RO
Efficient Path Planning In Manipulation Planning Problems by Actively Reusing Validation Effort
University of Stuttgart（斯图加特大学）；TU Berlin（柏林工业大学）
在操纵规划和任务及运动规划设置中出现的路径规划问题通常是重复的：同一操纵器在仅轻微改变的空间中移动。尽管有这种信息再利用的潜力，但很少有规划者充分利用现有的信息。为了更好地实现这种重用，我们将碰撞检查分解为可重用和不可重用的部分。然后，我们把操作规划中的路径规划问题的序列作为一个多查询路径规划问题。这允许使用规划器，主动地最小化多个查询的规划工作，并且通过这样做，主动地重用先前的知识。我们实现了这种方法在ESTO * 和努力有序LazyPRM*，并在多个模拟机器人的例子基准。此外，我们还表明，分解冲突检查的方法还可以在同一问题的多个不同实例上重用所获得的知识，即，在多查询操作规划场景中。规划者使用分解碰撞检查优于其他规划者在初始解决方案的时间高达两个因素，同时提供了类似的解决方案的质量。
2023-03-01 cs.RO
SAH-Drive: A Scenario-Aware Hybrid Planner for Closed-Loop Vehicle Trajectory Generation
Beihang University（北京航空航天大学）；University of Macau（澳门大学）
针对自动驾驶规划在长尾场景的泛化与实时性难题，提出结合规则与学习的混合规划器SAH-Drive，利用双时间尺度决策神经元与扩散调节器，在保持计算效率的同时显著提升泛化能力并达到SOTA。
2025-05-30 cs.RO
Local Planner Bench: Benchmarking for Local Motion Planning
Delft University of Technology（代尔夫特理工大学）
局部运动规划是机器人领域的一个重要研究课题，每年都有许多有前途的算法发表。然而，在现场比较不同的方法是困难和耗时的。在本文中，我们提出了localPlannerBench，一个新的基准套件，允许快速和无缝的比较本地运动规划算法。该项目的重点在于环境和仿真案例的可扩展性。localPlannerBench开箱即用，已经支持从简单的2D点质量到成熟的3D 7DoF操纵器的许多仿真案例，并且可以直接使用URDF文件添加您自己的自定义机器人。后处理器是内置的，可以扩展自定义指标和图。要集成您自己的运动规划器，只需创建一个从提供的基类派生的包装器。最终，我们的目标是提高本地运动规划算法的可重复性，并鼓励标准化的开源比较。
2022-10-12 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
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
Dual-arm Assembly Planning Considering Gravitational Constraints
Osaka University（大阪大学）；National Inst. of AIST（国立先进工业科学技术研究所）
多个物体的双臂装配规划是一个具有挑战性的任务和运动规划（TAMP）问题。装配规划不仅要考虑物体和机器人的位姿约束，还要考虑可能破坏成品零件的重力约束。本文提出了一种规划器，规划的双臂装配三个以上的对象。自动生成抓取位姿和装配位姿，同时搜索和回溯抓取空间和装配空间，加速机器人手臂的运动规划。同时，该方法在机器人运动规划过程中考虑了重力约束，避免了成品零件断裂。在实验和分析部分，我们比较和分析了每个过程的时间成本和所提出的规划器中使用的不同参数的影响。最佳值用于执行各种机器人装配任务的实际执行。通过实验证明该规划器是鲁棒的和有效的。
2019-03-02 cs.RO
FC-Planner: A Skeleton-guided Planning Framework for Fast Aerial Coverage of Complex 3D Scenes
The Hong Kong University of Science and Technology（香港科技大学）；Sun Yat-Sen University（中山大学）
本文提出 FC-Planner 骨架引导框架，利用 SSD、骨架视点生成与分层并行规划，实现复杂三维场景无需预处理的快速、完整且短路径无人机覆盖。
2024-09-10 cs.RO
Time-aware Motion Planning in Dynamic Environments with Conformal Prediction
Lehigh University（理海大学）；University of California Riverside（加州大学河滨分校）
本文提出基于符合预测的时间感知运动规划框架，通过全局和局部规划器结合自适应分位数机制，实现动态环境中鲁棒且高效的轨迹生成与安全保证。
2025-11-22 cs.RO
Physics-based Motion Planning: Evaluation Criteria and Benchmarking
Institute of Industrial and Control Engineering, Universitat Politècnica de Catalunya（加泰罗尼亚理工大学工业与控制工程研究所）
运动规划已经从处理简单的几何问题发展到基于物理的问题，这些问题结合了机器人和物理世界施加的kinodynamic和物理约束。因此，用于评估基于物理的运动规划器的标准超出了通常用作评估几何规划器的度量的计算复杂性（例如，在规划时间方面），以便还考虑在动态参数方面的解决方案的质量。本研究提出了一个评估标准，并分析了几个kinodynamic规划器的性能，这是基于物理的运动规划的核心，使用不同的场景与固定和可操纵的对象。RRT、EST、KPIECE和SyCLoP用于基准测试。结果表明，KPIECE计算出的时间最优解的成功率最高，而SyCLoP计算出的功率最优的解决方案中使用的规划器。
2017-09-30 cs.RO
SeGMan: Sequential and Guided Manipulation Planner for Robust Planning in 2D Constrained Environments
Bilkent University（毕尔肯大学）
本文提出混合运动规划框架SeGMan，结合采样与优化技术及引导式前向搜索，通过自适应子目标选择和可泛化启发式方法，有效解决2D受限环境中的复杂顺序操作挑战，并在迷宫类任务中优于现有方法。
2025-03-06 cs.RO
Stochastic Functional Gradient Path Planning in Occupancy Maps
University of Sydney（悉尼大学）
规划安全路径是机器人自主性的主要组成部分。几十年来，它一直是一个活跃的研究领域，拥有大量的规划方法。规划者通常可以分为轨迹优化者或基于采样的规划者。后者是占用地图的主要规划范例。轨迹优化需要对算法进行重大修改，以解决地图传感器覆盖不完整造成的上下文信息缺口。然而，好处是巨大的，因为轨迹优化器可以在路径安全和效率之间进行权衡。在这项工作中，我们改进了我们以前的工作随机功能梯度规划。我们引入了一种新的表达路径表示的基础上核近似，允许成本有效的模型更新的基础上随机样本。以前的随机函数梯度规划器的主要缺点是立方成本，源于其非参数路径表示。我们的新的近似内核为基础的模型，另一方面，有一个固定的线性成本，仅取决于用于表示path.We的特征的数量表明，随机性的样本是至关重要的规划和目前的比较，其他国家的最先进的规划方法在模拟和真实的占用数据。实验结果表明，随机近似核方法在占用地图路径规划中的优势。
2017-05-17 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
IA-TIGRIS: An Incremental and Adaptive Sampling-Based Planner for Online Informative Path Planning
Robotics Institute, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所）；Department of Mechanical Engineering, Brigham Young University（杨百翰大学机械工程系）
本文提出IA-TIGRIS，一种用于实时任务的增量和自适应采样路径规划方法，通过增量优化和动态更新信念地图，提升信息获取效率，实验证明其在无人机应用中信息增益提升达38%。
2026-04-01 cs.RO
Anytime Game-Theoretic Planning with Active Reasoning About Humans' Latent States for Human-Centered Robots
UC Berkeley（加州大学伯克利分校）；Honda Research Institute（本田研究所）
一个以人为中心的机器人需要推理其人类伙伴的认知局限性和潜在的非理性，以实现无缝交互。本文提出了一种基于博弈论的机器人行为规划方法，该方法集成了迭代推理模型、部分可观测马尔可夫决策过程和机会约束蒙特卡罗信念树搜索。我们的规划器使机器人能够安全和积极地推理其人类伙伴的潜在认知状态（有限的智能和非理性），以更好地最大化其效用。我们在自动驾驶领域验证了我们的方法，在该领域中，我们的行为规划器和低级别运动控制器分层控制自动驾驶汽车来协商交通合并。仿真和用户研究表明，我们的计划的有效性。
2021-09-26 cs.RO
Autonomous Vehicle Parking in Dynamic Environments: An Integrated System with Prediction and Motion Planning
University of California, Berkeley（加州大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文提出了一种集成的运动规划系统的自主车辆（AV）停车在其他移动车辆的存在。拟议的系统包括1）预测周围车辆运动的混合环境预测器和2）对预测做出反应的战略运动规划器。混合环境预测器通过扩展卡尔曼滤波器和自适应观测器进行短期预测。它还将短期预测与驾驶员行为成本图相结合，以进行长期预测。该策略运动规划器包括：1）基于模型预测控制的安全控制器，用于轨迹跟踪; 2）基于搜索的撤退规划器，用于在紧急情况下寻找规避路径; 3）基于优化的修复规划器，用于在原始路径无效时规划新路径。仿真验证表明，所提出的方法在初始规划，运动预测，安全跟踪，在紧急情况下撤退，和轨迹修复方面的有效性。
2022-04-26 cs.RO
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
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
Impact-Aware Online Motion Planning for Fully-Actuated Bipedal Robot Walking
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
跟踪具有特定定时的一般步行路径的能力对于双足机器人在复杂环境中避免动态障碍物（例如行人）的操作安全性和可靠性至关重要。本文介绍了一个在线的，全身运动规划器，产生所需的影响意识的运动，全驱动双足机器人行走。所提出的规划器的主要新颖之处在于它能够实时产生所需的运动，尊重离散的冲击动力学和所需的冲击时间。为了得到建议的规划，全驱动双足机器人行走的全阶混合动力学模型，包括连续动力学和离散装载的影响。接下来，介绍了所提出的影响感知在线运动规划器。最后，一个3-D双足机器人的仿真结果证实了所提出的在线碰撞感知规划器的有效性。在线规划器能够在0.6秒内生成一个步行步的全身运动，这比典型的双足步行步短。
2019-10-25 cs.RO
GFM-Planner: Perception-Aware Trajectory Planning with Geometric Feature Metric
Dalian University of Technology（大连理工大学）
本文提出GFM-Planner框架，通过几何特征度量、度量编码地图和感知感知轨迹规划，引导机器人主动选择特征丰富区域的轨迹以提升LiDAR定位精度。
2025-07-22 cs.RO
NeurRAFT: Robot Motion Planning via Anchor-Level Flow Matching with Clearance-Aware Preference Tuning
Texas A&M University（德克萨斯农工大学）
NeurRAFT是基于锚点级流匹配与避障距离感知偏好调优的生成式机器人运动规划框架，可显著提升杂乱环境下的无碰撞规划性能，且能零样本迁移至Franka机器人。
2026-08-26 cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology（波兹南理工大学）
在本文中，我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外，规划者应该检查多个约束，如静态稳定性，自碰撞，与地形的碰撞，以及腿的工作空间。结果，检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中，我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后，我们提出了一种新的规划方法，提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
FFRob: Leveraging Symbolic Planning for Efficient Task and Motion Planning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
由于混合配置空间的高维性和多模态性，涉及多个对象的移动操作问题的求解具有挑战性。执行纯几何搜索的planet在解决这些问题时非常慢，因为它们无法分解配置空间。符号任务规划器可以有效地构建涉及许多变量的计划，但不能表示操作所需的几何和运动约束。我们提出了解决任务和运动规划问题的FFRob算法。首先，我们引入扩展动作规范（EAS）作为一个通用的规划表示，支持任意谓词作为条件。我们适应现有的启发式搜索思想解决\proc{strips}规划问题，特别是删除松弛，解决EAS问题的实例。然后，我们将EAS表示和规划者的操作问题，导致FFRob。FFRob迭代离散任务和运动规划问题，使用批量采样的操作原语和多查询路线图结构，可以条件化，以评估可移动物体的不同放置下的可达性。这种结构使EAS规划者能够有效地计算包含几何和运动规划约束的几何学，以给出到目标的距离的严格估计。此外，我们表明FFRob是概率完整的，并有有限的预期运行时间。最后，我们实证证明FFRob的有效性，复杂和多样化的任务和运动规划任务，包括重排规划和可移动物体之间的导航。
2017-12-01 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
Integrating asymptotically-optimal path planning with local optimization
许多机器人在不可预测的环境中运行，需要一个在线的路径规划算法，可以快速计算高质量的路径。渐近最优规划器能够找到最优路径，但收敛速度较慢。局部优化算法能够快速改进解，但不能保证收敛到最优解。在本文中，我们开发了一种新的方法来整合一个渐进最优规划与局部优化。我们使用RRTConnect* 和一个捷径本地优化器测试我们的方法。与最先进的RRTConnect* 渐进最优规划器相比，我们的方法可以显著提高性能，并且当两者都有3秒的规划时间时，计算路径的执行速度要快31%。
2017-08-21 cs.RO
H-MaP: An Iterative and Hybrid Sequential Manipulation Planner
Bilkent University（比尔肯特大学）
H-MaP是一种混合顺序操作规划器，通过解耦物体轨迹与操作规划，处理复杂任务，在七个任务中优于现有方法，尤其在受限环境中表现突出。
2024-11-09 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
Assembly Sequence Planning for Motion Planning
National Institute of Advanced Industrial Science and Technology (AIST)（日本国立产业技术综合研究所（AIST））；Osaka University（大阪大学）
本文提出了一个规划器，以找到一个最佳的装配序列，装配多个对象。规划器的输入是对象的网格模型、组件中对象之间的相对姿态以及组件的最终姿态。输出是最佳组装序列，即（1）应该以哪个顺序组装物体，（2）应该从哪个方向放下物体，以及（3）每个物体的候选抓握。该规划器通过自动排列、评估和搜索可能的装配序列来找到最优解，同时考虑稳定性、可抓握性和可装配性。期望能指导机器人利用平移运动进行装配。输出为运动规划算法提供初始和目标配置。它可以被机器人使用，并使用几个模拟和真实世界的执行来演示。
2016-09-11 cs.RO
Motion Planning in Non-Gaussian Belief Spaces (M3P): The Case of a Kidnapped Robot
Texas A&M University（得克萨斯农工大学）
由于执行器和传感器的噪声特性，不确定性下的规划是物理系统的关键要求。使用信念空间方法，规划解决方案往往会生成导致信息寻求行为的行动，从而减少状态不确定性。虽然最近的工作已经处理了高斯信念的规划，但在许多情况下，多模态信念是潜在信念的更准确表示。在信息对称的环境中尤其如此，这种环境会导致不确定的数据关联，从而自然导致对状态的多模态假设。因此，计划者不能简单地将行动建立在最可能的状态上。我们提出了一种算法，该算法使用滚动时域规划方法来规划动作，该动作顺序地将多模态信念消歧为单峰高斯，并在真实状态上实现紧密定位，称为多模态运动规划器（M3P）。通过将基于高斯采样的信念空间规划器与M3P相结合，并在规划器和信念表示中引入切换行为，我们提出了一个整体的信念空间规划问题的端到端解决方案。二维地面机器人导航问题的仿真结果表明，我们的方法的性能。
2015-06-05 cs.RO
Neural-Guided RuntimePrediction of Planners for Improved Motion and Task Planning with Graph Neural Networks
Sanctuary Cognitive Systems Corp.（圣所认知系统公司）；Simon Fraser University（西蒙弗雷泽大学）
过去的十年已经充分证明了通过学习复杂的输入/输出关系可以实现的卓越功能。从数学上讲，最重要和最不透明的关系之一是问题的结构和有效的解决方法之间的关系。在这里，我们定量连接的规划问题的结构的性能给定的采样为基础的运动规划（SBMP）算法。我们证明，运动规划问题的几何关系可以很好地捕捉图神经网络（GNNs）预测SBMP运行时间。通过使用一个算法组合，我们表明，GNN预测的运行时间对特定的问题，可以利用加速在线运动规划在导航和操纵任务。此外，问题到运行时的映射可以被反转，以识别更容易由特定SBMP解决的子问题。我们提供了一个激励的例子，如何使用这些知识来提高综合任务和运动规划模拟的例子。这些成功依赖于GNN的关系结构来捕获从低维导航任务到3D环境中的高自由度操作任务的可扩展泛化。
2022-07-29 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
BITKOMO: Combining Sampling and Optimization for Fast Convergence in Optimal Motion Planning
TU Berlin（柏林工业大学）；BITS Pilani（比尔拉科学技术学院皮拉尼分校）；KTH Royal Institute of Technology（KTH皇家理工学院）
基于最优采样的运动规划和轨迹优化是生成最优运动规划的两个相互竞争的框架。这两个框架具有互补的特性：基于采样的规划器通常收敛缓慢，但提供了最优性保证。然而，轨迹优化器通常收敛速度很快，但在非凸问题（例如，有障碍物的情况）中不能提供全局最优性保证。为了实现两全其美，我们引入了一个新的计划，BITKOMO，它集成了渐近最优批通知树（BIT*）计划与K阶马尔可夫优化（KOMO）轨迹优化框架。我们的规划器是随时随地，并保持由BIT* 提供的相同的渐近最优性保证，同时还利用了KOMO轨迹优化器的快速收敛。我们的实验评估我们的计划，涉及高维配置空间的操作方案，多达两个7自由度的机械手，障碍物和狭窄的通道。即使KOMO失败，BITKOMO也比KOMO更成功，并且在收敛到最优解方面优于BIT*。
2022-09-16 cs.RO
Humanoid Path Planning over Rough Terrain using Traversability Assessment
Institute of Human and Machine Cognition（人类与机器认知研究所）；University of West Florida（西佛罗里达大学）；Pusan National University（釜山国立大学）；Boardwalk Robotics, Inc.（Boardwalk机器人公司）
我们提出了一个规划框架，旨在人形导航具有挑战性的地形。该框架旨在使用2.5D高度图规划可遍历，平滑和无碰撞的路径。规划器由两个阶段组成。第一阶段由A* 规划器组成，该规划器使用地形特征对可通行性进行推理。提出了一种新的成本函数，它编码的双足步态直接到图形结构，使自然的路径，是强大的小差距的可通行性。第二阶段是一个优化框架，在进一步提高可遍历性的同时平滑路径。该规划器在模拟中的各种地形上进行了测试，并与脚步规划器和平衡控制器相结合，以创建一个集成的导航框架，该框架在DRC Boston Dynamics Atlas机器人上进行了演示。
2022-03-01 cs.RO
Path Planning for Manipulation using Experience-driven Random Trees
Edinburgh Centre for Robotics（爱丁堡机器人中心）；University of Edinburgh（爱丁堡大学）；Heriot-Watt University（赫瑞瓦特大学）；Rice University（莱斯大学）
机器人系统可能会经常遇到类似的操纵规划问题，导致类似的运动计划。代替从头开始规划每个问题，优选的是利用先前计算的运动规划，即，经验，以方便规划。已经提出了不同的方法来利用新的任务实例的先验信息。然而，这些方法依赖于大量的经验，当没有一个与当前问题密切相关时，这些方法就会失败。因此，一个开放的挑战是将先前的经验概括为不一定与先前相似的任务实例的能力。这项工作解决了上述挑战，提出了经验是“可分解的”和“可延展的”的命题，即，体验的部分适合于相关地探索机器人任务空间的连通性，即使在非体验区域中。两个新的规划师从这个洞察力的结果：经验驱动的随机树（ERT）和它的双向版本ERTConnect。这些规划者采用基于树采样的策略，增量地提取和调制单个路径体验的部分，以组成有效的运动规划。我们展示了我们的方法的任务实例，显着不同于以往的经验，并与相关国家的最先进的经验为基础的规划。虽然他们的修复策略无法概括数十次经验的先验，但我们的计划者，只有一次经验，在成功率和计划时间方面都显着优于他们。我们的规划器在开放式运动规划库中实现并免费提供。
2021-02-28 cs.RO
Dynamic Channel: A Planning Framework for Crowd Navigation
Carnegie Mellon University（卡内基梅隆大学）；Honda Research Institute（本田研究所）
在密集的人类环境中的实时导航是机器人技术中的一个具有挑战性的问题。大多数现有的路径规划器不能考虑行人的动态，因为在搜索空间中引入时间作为额外的维度在计算上是禁止的。或者，大多数局部运动规划器只解决即将发生的碰撞避免，而不能提供长期的最优性。在这项工作中，我们提出了一种方法，称为动态通道，解决这个全球到本地的困境。我们的方法结合了高层次的拓扑路径规划和低层次的运动规划到一个完整的流水线。通过将路径规划问题表述为三角空间中的图搜索，我们的规划器能够明确地推理障碍动态并有效地捕获环境变化。我们评估我们的方法在公共行人数据集上的效率和性能，并将其与最先进的动态避障规划算法进行比较。
2019-03-01 cs.RO
Urban Metric Maps for Small Unmanned Aircraft Systems Motion Planning
University of Michigan（密歇根大学）
小型无人机系统（UAS）低空城市飞行规划需要精确的飞行器、环境地图和风险模型，以确保飞行计划考虑城市景观以及空域约束。本文提出了一套运动规划指标设计的小型无人机城市飞行。我们定义了基于地图和基于路径的指标，从整体上表征运动计划的质量。建议的指标检查的背景下，代表性的几何，图形为基础的，基于采样的运动规划应用于多旋翼小型无人机。提出了一种新的多目标启发式算法，并应用于基于图和采样的运动规划器在四个城市无人机飞行高度层。蒙特卡洛案例研究在纽约市的城市环境说明度量地图属性和规划师的性能。运动计划被评估为规划算法、位置、范围和飞行高度的函数。
2021-02-14 cs.RO
Robot Local Planner: A Periodic Sampling-Based Motion Planner with Minimal Waypoints for Home Environments
Frontier Research Center, Toyota Motor Corporation（丰田汽车公司前沿研究中心）；Department of Information Science, Faculty of Information Science, Aichi Institute of Technology（爱知技术大学信息科学系）
本研究提出了一种基于周期采样的机器人局部规划器，通过减少路径点和提高鲁棒性，实现家庭环境中的高效安全运动规划。
2026-02-24 cs.RO
Online State-Time Trajectory Planning Using Timed-ESDF in Highly Dynamic Environments
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）
在线状态时间轨迹规划在高度动态环境中仍然是一个未解决的问题，由于不可预测的运动的移动障碍物和灾难的维数从状态时间空间。现有的状态时间规划器通常是基于随机采样方法或离散状态图上的路径搜索来实现的。这些规划器的平滑性、路径间隙和规划效率通常不能令人满意。在这项工作中，我们提出了一个基于梯度的规划在高度动态的环境中的在线轨迹生成的状态时间空间。为了实现基于梯度的优化，我们提出了一个定时ESDT，支持距离和梯度查询的状态时间键。基于Timed-ESDT，我们还定义了一个光滑的先验和障碍似然函数，这是兼容的状态时间空间。轨迹规划，然后制定一个MAP问题，并解决了一个有效的数值优化。此外，为了提高规划器的最优性，我们还定义了一个状态时间图，然后进行路径搜索，以找到一个更好的初始化优化器。通过集成图搜索，规划质量得到显著提高。模拟和基准数据集上的实验结果表明，我们的规划器可以优于国家的最先进的方法，证明了其显着的优势，比传统的。
2020-10-29 cs.RO
FM-Planner: Foundation Model Guided Path Planning for Autonomous Drone Navigation
School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学）
本文提出FM-Planner，利用基础模型（LLM和VLM）引导无人机路径规划，通过仿真基准测试和真实实验验证其可行性，为自主导航提供实际实现。
2025-05-27 cs.AI cs.RO
HINT-Plan: Human Intention-Aware Robot Task Planning in Context-Rich Environments using Vision Language Models
University of Stuttgart（斯图加特大学）；University of Luxembourg（卢森堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
HINT-Plan利用视觉语言模型预测人类意图并转化为目标状态，结合层次化场景图进行形式化任务规划，在仿真中实现69.71%成功率，显著优于基线，提升主动人机协作决策。
2026-09-17 cs.AI cs.RO
Inspection Planning Primitives with Implicit Models
School of Computing, The Australian National University（澳大利亚国立大学计算学院）；Abyss Solutions（Abyss解决方案）
本文提出基于隐式模型的检查规划原语，使基于采样的检查规划器能高效利用神经SDFs表示，减少内存使用并提升规划效率。
2025-10-08 cs.AI cs.RO
Learn and Link: Learning Critical Regions for Efficient Planning
School of Computing, Informatics, and Decision Systems Engineering（计算、信息与决策系统工程学院）；Arizona State University（亚利桑那州立大学）；Tempe, Arizona 85281（（地址，不应提取））
本文提出了一种新的方法来学习运动规划（MP）的环境中的关键区域是从一组给定的运动计划，并用于提高性能的新的环境和问题的情况。我们引入了一套新的基于采样的运动规划器，学习和链接。我们的规划人员利用关键区域来克服均匀采样的局限性，同时仍然保持基于采样的算法固有的正确性保证。我们还表明，卷积神经网络（CNN）可用于识别运动规划问题的关键区域。我们评估学习和链接对规划师从开放式运动规划库（OMPL）使用一套广泛的实验具有挑战性的运动规划问题。我们表明，我们的方法需要更少的规划时间比现有的抽样为基础的规划师。
2020-03-07 cs.AI cs.RO
sbp-env: Sampling-based Motion Planners' Testing Environment
School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）
基于采样的运动规划器测试环境（sbp-env）是一个完整的功能框架，用于快速测试运动规划的不同基于采样的算法。战略性业务伙伴关系环境规划侧重于对框架的不同方面进行修补的灵活性，并将主要规划组成部分分为两类：（一）抽样者和（二）规划者。运动规划研究的重点主要集中在（i）提高采样效率（使用启发式或学习分布等方法）和（ii）规划器使用不同例程构建连通图的算法方面。因此，通过分离两个组件，可以快速交换不同的组件来测试新的想法。
2021-10-28 cs.AI cs.RO
Robot Motion Planning as Video Prediction: A Spatio-Temporal Neural Network-based Motion Planner
Rutgers University（罗格斯大学）
基于神经网络的机器人运动规划方法由于其强大的学习能力和固有的高度并行性而成为一种有吸引力的方法。尽管目前在这方面的发展，有效地捕捉和处理重要的顺序和空间信息，以直接和同时的方式，仍然是相对不足的探索。为了克服这一挑战并释放神经网络在运动规划任务中的潜力，本文提出了STP-Net，这是一个端到端的学习框架，可以充分提取和利用重要的时空信息来形成有效的神经运动规划器。通过将机器人的运动解释为视频片段，机器人运动规划被转换为可以由STP-Net以空间和时间有效的方式执行的视频预测任务。在不同的可见和不可见环境中的经验评估表明，STP-Net在规划速度和路径成本方面表现出非常有前途的性能，准确率接近100%（也就是成功率）。与现有的基于神经网络的运动规划器相比，STP-Net在2D随机森林、2D迷宫和3D随机森林环境中分别实现了至少5倍、2.6倍和1.8倍的速度和更低的路径成本。此外，在多机器人运动规划任务中，STP-网络可以快速、同时地计算出多条近似最优路径
2022-08-24 cs.LG cs.RO
PC-Planner: Physics-Constrained Self-Supervised Learning for Robust Neural Motion Planning with Shape-Aware Distance Function
Zhejiang University（浙江大学）；Shenzhen University（深圳大学）
针对Eikonal方程神经规划器在具形机器人复杂场景中表现不佳的问题，提出物理约束自监督框架PC-Planner，通过单调与最优约束稳定训练，并引入形状感知距离场实现高效碰撞检查与自适应规划。
2024-09-30 cs.GR cs.RO
Toward Generalist Neural Motion Planners for Robotic Manipulators: Challenges and Opportunities
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学）；Lab of Biomechatronics and Intelligent Robotics, Department of Biomedical Engineering, Tandon School of Engineering, New York University（生物机械与智能机器人实验室，生物医学工程系，Tandon工程学院，纽约大学）；Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学）；Zachry Department of Civil and Environmental Engineering, Texas A&M University（土木与环境工程系，德克萨斯A&M大学）
本文探讨了通用神经运动规划器在机器人机械臂中的挑战与机遇，分析了现有方法的优缺点，并提出了改进方向。
2026-03-25 cs.AI cs.RO
Real-time Funnel Generation for Restricted Motion Planning
University of California, Berkeley（加州大学伯克利分校）
在自主系统中，运动规划器生成由低级控制器跟踪的参考轨迹。为了安全操作，运动规划器在生成回避轨迹时应考虑不可避免的控制器跟踪误差。在这篇文章中，我们提出了一种方法来生成可证明安全的跟踪误差界，同时减少过度保守，存在于现有的方法。我们通过限制运动规划器的可能行为来实现这一目标。我们提供了一个代数方法的基础上的平方和规划的运动规划定义的限制，并找到小的范围内的跟踪误差。我们证明了我们的方法在两个案例研究，并展示了我们如何可以集成到已经开发的运动规划技术的方法。结果表明，我们的方法可以提供可接受的跟踪误差，其中以前的工作是不适用的。
2019-11-04 cs.RO math.OC
Fast and Scalable Game-Theoretic Trajectory Planning with Intentional Uncertainties
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科学与技术大学深圳-香港协同创新研究院）
针对多智能体意图不确定性导致博弈论轨迹规划计算负担重、可扩展性差的问题，提出将其建模为贝叶斯博弈并转化为势博弈，利用基于双重共识ADMM的分布式算法并行求解，实现了高效且可扩展的实时交互轨迹规划。
2025-07-16 cs.MA cs.RO
Towards Intention Recognition for Robotic Assistants Through Online POMDP Planning
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Institute of Computer Science, University of Osnabrück（奥斯纳布吕克大学计算机科学学院）
针对工业场景中机器人助手需应对干扰、噪声观测等挑战，本文提出基于在线POMDP规划的部分可观测模型实现意图识别，通过交织信息收集与主动任务达成主动目标识别，展示初步实验结果并讨论相关挑战。
2024-11-26 cs.AI cs.RO
Heuristic Planner for Communication-Constrained Multi-Agent Multi-Goal Path Planning
Czech Technical University in Prague（布拉格捷克理工大学）；Charles University（查理大学）
本文研究通信受限的多智能体多目标路径规划问题，提出基于图搜索的算法，使机器人在保持通信连通的前提下访问所有目标并最小化完成时间。
2024-12-18 cs.MA cs.RO
Local Non-Cooperative Games with Principled Player Selection for Scalable Motion Planning
Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）
提出一种基于局部非合作博弈的规划算法，通过滚动时域部署局部博弈和五种玩家选择方案，解决大规模多智能体系统的避碰运动规划问题，发现控制屏障函数优先排序是有效方案。
2023-10-19 cs.MA cs.RO
Motion Planning Networks: Bridging the Gap Between Learning-based and Classical Motion Planners
University of California San Diego（加州大学圣地亚哥分校）；Massachusetts Institute of Technology（麻省理工学院）
本文介绍了运动规划网络（MPNet），一个计算效率高，基于学习的神经规划解决运动规划问题。MPNet使用神经网络来学习在可见和不可见环境中进行路径规划的一般接近最优的算法。它获取环境信息，如来自深度传感器的原始点云，以及机器人的初始和期望的目标配置，并递归地调用自己来双向生成可连接的路径。除了找到直接连接和接近最优的路径，在一个单一的通行证，我们表明，最坏情况下的理论保证，可以证明，如果我们合并这个神经网络战略与经典的基于样本的规划者在一个混合的方法，同时仍然保留显着的计算和优化改进。为了训练MPNet模型，我们提出了一种主动的持续学习方法，使MPNet能够从流数据中学习，并在需要时主动要求专家演示，从而大大减少了用于训练的数据。我们验证MPNet对黄金标准和国家的最先进的规划方法在各种问题，从2D到7D机器人配置空间在具有挑战性和混乱的环境，结果显示显着的和一贯更强的性能指标，并激励神经规划一般作为一种现代战略，有效地解决运动规划问题。
2020-06-27 cs.AI cs.LG cs.RO
