iPolicy: Incremental Policy Algorithms for Feedback Motion Planning
Shanghai University（上海大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出iPolicy增量策略算法，通过集成采样与集值最优控制方法，在采样状态空间上执行异步值迭代以同时解决路径规划与控制器综合问题，并证明了其收敛性。
2024-01-05 cs.RO cs.SY eess.SY
An Incremental Sampling-based Algorithm for Stochastic Optimal Control
Massachusetts Institute of Technology（麻省理工学院）
针对连续时间连续空间随机最优控制问题，提出增量马尔可夫决策过程（iMDP）算法，通过随机采样状态空间生成离散化序列并异步值迭代，以任意精度逼近最优策略。
2012-02-24 cs.RO cs.SY eess.SY
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
TRUST-Planner: Topology-guided Robust Trajectory Planner for AAVs with Uncertain Obstacle Spatial-temporal Avoidance
School of Aerospace Engineering, Beijing Institute of Technology（北京理工大学航空航天工程学院）；Key Laboratory of Dynamics and Control of Flight Vehicle, Ministry of Education（教育部飞行器动力学与控制重点实验室）
提出TRUST-Planner拓扑引导分层规划框架，通过动态增强可见概率图、无终端最小控制多项式和动态距离场实现复杂动态环境下的鲁棒时空避障，达到96%成功率和毫秒级计算效率。
2026-05-28 cs.RO
Real-Time Trajectory Planning for Autonomous Driving with Gaussian Process and Incremental Refinement
Hong Kong University of Science and Technology（香港科技大学）
动态环境下的实时的【形】运动动力学轨迹规划是自动驾驶的关键，但具有挑战性。在这封信中，我们提出了一个有效的轨迹规划系统，自动驾驶在复杂的动态场景中，通过迭代和增量路径速度优化。利用规划问题的解耦结构，基于高斯过程的路径规划器首先在Frenét坐标系下，考虑静态避障和曲率约束，生成一条弧长连续的参数化路径。我们从理论上证明了它是著名的加加速度最优解的一个很好的推广。提出了一种有效的s-t图搜索方法来寻找沿生成路径的速度分布，以应对动态环境。最后，路径和速度被增量地和迭代地优化，以确保运动动力学的可行性。各种模拟场景的静态障碍物和动态代理验证了我们所提出的方法的有效性和鲁棒性。实验结果表明，我们的方法可以运行在20 Hz。源代码作为开源软件包发布。
2022-05-24 cs.RO
Robust Stochastic Shortest-Path Planning via Risk-Sensitive Incremental Sampling
University of Maryland（马里兰大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对现有随机最短路径增量采样方法保守、未考虑尾部风险的问题，提出结合CVaR的风险敏感RRT*算法，在保证复杂度相近的同时提升路径鲁棒性、降低故障率。
2024-08-16 cs.AI cs.RO cs.SY
A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements
Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）
本研究提出通用开源TAMP建模仿真框架与创新元技术，通过几何分析剪枝任务规划探索以提升效率，适配增量SMT规划器，在可移动障碍物导航基准问题中验证有效性并对比前沿算法性能。
2024-08-11 cs.AI cs.RO
Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments
提出NEO-Planner，利用神经网络规划器直接从原始传感器观测预测时空参数，为轨迹优化提供知情初始值，减少计算时间并保持轨迹质量，适用于未知环境中的自主无人机导航。
2025-08-08 cs.AI cs.RO
Hierarchical Planning with Annotated Skeleton Guidance
Texas A&M University（德克萨斯农工大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术研究所）
我们提出了一个分层的机器人引导运动规划算法来指导移动机器人。一个好的骨架映射了包含重要自由度的c空间子空间的连通性，并且能够指导规划者快速找到所需的解决方案。然而，有时骨架并不紧密地代表自由c空间，这经常误导当前的骨架引导规划者。随着C空间被采样，分层的信标引导的规划策略逐渐放松其对工作空间骨架的依赖，从而递增地返回次优路径，这是标准信标引导算法中不能保证的特征。实验比较标准的导航规划器和其他懒惰的规划策略显示显着改善路线图建设运行时间，同时保持多查询问题在混乱的环境中的路径质量。
2022-06-23 cs.RO
Voxblox: Incremental 3D Euclidean Signed Distance Fields for On-Board MAV Planning
ETH Zürich（苏黎世联邦理工学院）
微型飞行器（MAV）在非结构化的、未探索的环境中运行，需要快速灵活的本地规划，当探索地图的新部分时可以重新规划。轨迹优化方法满足这些需求，但需要障碍物距离信息，这可以通过欧几里德符号距离场（ESDF）给出。我们提出了一种方法来逐步建立ESDFs从截断符号距离场（TSDF），一种常见的隐式表面表示在计算机图形学和视觉。TSDF可以快速构建和平滑许多观测结果中的传感器噪声，并设计用于生成表面网格。网格允许人类操作员更好地评估机器人的环境，并设定高级别的任务目标。我们表明，我们可以更快地建立TSDF比Octomaps，它是更准确地建立ESDFs的TSDF比占用地图。我们的完整系统称为voxblox，将作为开源软件提供，并在单个CPU核心上实时运行。我们验证我们的方法上的微型飞行器，通过使用我们的系统与轨迹优化本地规划，完全在船上和实时。
2017-04-21 cs.RO
FALCON: Fast Autonomous Aerial Exploration using Coverage Path Guidance
Southern University of Science and Technology（南方科技大学）；Sun Yat-Sen University（中山大学）
针对现有自主空中探索规划器频繁重访已探索区域、效率低下的问题，本文提出FALCON框架，通过分层覆盖路径引导优化探索流程，经多场景实验验证性能优于现有最优方案，且已开源代码与评估环境。
2025-05-16 cs.RO
Globally Guided Trajectory Planning in Dynamic Environments
TU Delft（代尔夫特理工大学）
在与人类共享的环境中导航移动机器人具有挑战性。从机器人的角度来看，人类是必须避免的动态障碍。这些障碍物使无碰撞空间非凸，这导致每个障碍物有两种不同的通过行为（向左或向右通过）。对于局部规划器，例如滚动时域轨迹优化，每种行为都代表了规划器可能陷入的局部最优。这可能导致缓慢或不安全的动作，即使存在更好的计划。在这项工作中，我们确定多个局部最优驾驶行为的轨迹，通过考虑他们的拓扑结构。通过传播拓扑信息，使这种识别在连续迭代中保持一致。最合适的高级轨迹引导基于局部优化的规划器，从而产生快速安全的运动规划。我们验证了移动机器人在仿真和现实世界的实验所提出的规划。
2023-03-14 cs.RO
Autonomous UAV Exploration of Dynamic Environments via Incremental Sampling and Probabilistic Roadmap
Carnegie Mellon University（卡内基梅隆大学）
自主探索需要机器人迭代地生成信息轨迹。虽然基于采样的方法在无人机探测中是高效的，但是这些方法中的许多方法没有有效地利用来自先前规划迭代的采样信息，导致冗余计算和较长的探测时间。此外，很少有明确显示其在动态环境中的探索能力，即使他们可以实时运行。为了克服这些局限性，我们提出了一种新的动态探索计划（DEP）探索未知的环境，使用增量采样和概率路线图（PRM）。在我们的采样策略中，节点是增量添加的，并均匀分布在探索的区域中，从而产生最佳视点。为了进一步缩短探索时间并确保安全性，我们的规划器基于欧几里德符号距离函数（ESDF）地图局部优化路径并对其进行细化。同时，作为多查询规划器，PRM允许所提出的规划器快速搜索替代路径，以避免动态障碍物的安全探索。仿真实验表明，我们的方法安全地探索动态环境，并在探索时间，路径长度和计算时间方面优于基准规划器。
2021-03-21 cs.AI 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
FASTER: Fast and Safe Trajectory Planner for Flights in Unknown Environments
Aerospace Controls Laboratory, MIT（麻省理工学院航空航天控制实验室）
通过未知环境的高速轨迹规划需要算法技术，该算法技术能够在获得关于操作环境的新信息时实现快速反应时间，同时保持安全性。计算易处理性的要求通常会导致优化问题，不包括障碍物约束（碰撞检查的解决方案）或使用凸分解的自由空间，然后强加一个特设的时间分配方案的轨迹的每个间隔。此外，安全保证通常通过具有局部规划器来获得，该局部规划器在自由已知空间中规划具有最终“停止”条件的轨迹。然而，这两个决定通常会导致缓慢和保守的轨迹。我们提出了FASTER（快速和安全的轨迹规划器）来克服这些问题。FASTER通过使本地规划器能够在自由已知和未知空间中进行优化来获得高速轨迹。通过在每个重新规划步骤开始时在自由已知空间中始终具有可行的、安全的备用轨迹来确保安全保证。此外，我们提出了一个混合二次规划公式，其中求解器可以选择的轨迹间隔分配，并有效地使用先前的重新规划迭代的结果计算的时间分配启发式。该算法在仿真和实际硬件中进行了广泛的测试，在未知的杂波环境中显示出敏捷的飞行速度高达3.6米/秒。
2020-05-13 cs.RO
MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness
School of Surveying and Mapping, Information Engineering University（测绘学院，信息工程大学）；School of Geodesy and Geomatics, Hubei Luojia Laboratory（地质测绘学院，湖北珞珈实验室）
MMH-Planner通过多模式混合轨迹规划方法，结合实时空间感知提升无人机飞行效率，优化规划效率与计算成本。
2026-03-03 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
Sampling-based Roadmap Planners are Probably Near-Optimal after Finite Computation
基于采样的运动规划器已被证明是各种高维、几何复杂的运动规划问题的有效解决方案，并在多个领域中得到应用。这些方法的传统观点是，它们通过放弃形式保证来有效地解决挑战，而是在完整性和最优性方面获得渐近性质。最近的工作认为，基于Monte Carlo实验，这些方法也表现出理想的概率属性的完整性和最优性有限计算后。本文件正式确定了这些保证。它证明了渐近最优的基于路线图的方法（例如，PRM*）在有限迭代n之后在具有间隙ε的最佳路径长度I* 的界限内。该函数的形式为P（|在- I*|{ \leq } δI*）{ \leq } Psuccess，其中δ是PRM* 图中路径长度的错误项，In。证明了一般维欧氏空间和评估模拟这个界限。讨论如何在实践中使用这个界限，以及稀疏路线图的界限。
2014-04-08 cs.RO
Heuristic-based Incremental Probabilistic Roadmap for Efficient UAV Exploration in Dynamic Environments
Carnegie Mellon University（卡内基梅隆大学）
针对动态环境中无人机探索效率低和重规划困难的问题，提出HIRE规划器，通过启发式前沿区域增量构建概率路线图，并结合动态更新与避障模块，实现高效安全的自主探索。
2023-09-17 cs.RO
A Skeleton-Based Topological Planner for Exploration in Complex Unknown Environments
Brain-Inspired Application Technology Center (BATC), School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（脑启发应用技术中心（BATC）、电子信息与电气工程学院、上海交通大学）
针对现有未知环境自主探索方法存在重复路径多、计算开销高的问题，提出基于骨架拓扑图的STGPlanner探索框架，通过增量骨架提取、轻量拓扑图构建与有限状态机规划路径，提升探索效率并减少往返机动，性能优于现有最优方法。
2025-11-17 cs.RO
Large Trajectory Models are Scalable Motion Predictors and Planners
Shanghai Qi Zhi Institute（上海期智研究院）；Fudan University（复旦大学）；Pegasus Tech（飞马科技）；Tsinghua University（清华大学）；Shanghai Jiaotong University（上海交通大学）
本文提出 State Transformer（STR），将运动预测与规划统一为序列建模任务，并证明大型轨迹模型遵循扩展定律，可在分布外场景中实现合理预测和长期规划推理。
2024-02-28 cs.AI cs.CV cs.RO
Learned Parameter Selection for Robotic Information Gathering
University of Southern California（南加州大学）；University of Michigan（密歇根大学）；Amazon（亚马逊）
当机器人被部署在现场进行环境监测时，它们通常执行预先编程的运动，例如割草机路径，而不是自适应方法，例如信息路径规划。其中一个原因是自适应方法依赖于参数选择，这些参数选择对于正确设置至关重要，并且对于非专业人员来说难以选择。在这里，我们展示了如何通过训练强化学习代理在信息路径规划的每次迭代中选择规划器参数来自动配置规划器以进行信息路径规划。我们用3种不同环境的37个实例演示了我们的方法，并将其与纯（端到端）强化学习技术以及不使用学习模型来改变规划器参数的方法进行了比较。与基于端到端学习的方法相比，我们的方法在不同环境中的累积奖励平均提高了9.53%;我们还通过现场实验证明了它如何易于用于促进信息收集机器人的高性能部署。
2023-03-09 cs.RO
STAGE: Scalable and Traversability-Aware Graph based Exploration Planner for Dynamically Varying Environments
Luleå University of Technology（吕勒奥理工大学）
提出STAGE框架，利用两层图表示和不确定性感知，实现大规模探索并动态处理场景变化，通过子图重用和路径更新提升效率，在仿真和真实机器人上验证。
2024-02-04 cs.AI 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
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
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
A Planning and Control Framework for Humanoid Systems: Robust, Optimal, and Real-time Performance
人形机器人越来越多地要求在交互式和人类包围的环境中操作，同时实现复杂的运动和操纵任务。为了完成这些任务，机器人专家们不懈地寻求产生全身协调行为的先进方法，同时实现各种规划和控制目标。毫无疑问，这些目标对机器人和控制界提出了根本性的挑战。为了减少理论基础和实际实现之间的性能差距，我们提出了一个规划和控制框架的人形，特别是足式机器人，实现高性能和敏捷的运动。一个特别的重点是强大的，最佳的和实时的【形】性能。该框架包括三个层次：首先，我们提出了一个强大的最优相空间规划框架，动态腿运动在粗糙的地形。该框架是一个混合运动规划器，包括一系列的关键组件。第二，我们采取了一个步骤，正式合成高层次的反应规划全身运动在受约束的环境。我们制定了一个两个球员的时间逻辑游戏之间的接触规划和它的可能敌对的环境。第三，我们提出了一个分布式控制架构的延迟倾向的人形机器人系统。一个中心的实验现象，观察到的高阻抗分布控制器的稳定性是高度敏感的阻尼反馈延迟，但刚度反馈延迟小得多。我们追求的分布式控制器的阻尼反馈的努力是在附近的控制工厂执行的详细分析，和刚度反馈的努力是在一个容易延迟的集中控制过程中实施。
2017-01-20 cs.RO math.OC
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
Toward Safety-Aware Informative Motion Planning for Legged Robots
University of Michigan（密歇根大学）
本文报道了一个集成的框架，安全意识的信息运动规划适合足式机器人。信息收集计划者考虑到环境的密集随机地图，而安全约束通过控制障碍函数（CBF）来执行。该规划器是基于增量探索信息收集（IIG）算法，并允许使用模型预测控制（MPC）的形式主义闭环kinodynamic节点扩展。机器人探索和信息收集问题本质上是路径依赖问题。也就是说，沿着路径收集的信息取决于状态和观察历史。因此，仅基于模块化成本的运动规划不会导致用于探索的合适规划。我们提出了SAFE-IIG，这是一种综合信息运动规划算法，它考虑到：1）经由在环境的随机地图上计算的子模块信息函数的机器人的感知视场，2）经由用于闭环多水平节点扩展的离散时间CBF和MPC的机器人的动力学和安全约束，以及3）通过设置信息论规划视野的自动停止准则。仿真结果表明，SAFE-IIG算法能够在稠密地图上规划出安全的、动态可行的路径。
2021-03-26 cs.RO
Learning How to Walk: Warm-starting Optimal Control Solver with Memory of Motion
Idiap Research Institute（Idiap研究所）；EPFL（洛桑联邦理工学院）；LAAS-CNRS（法国国家科学研究中心自动化系统实验室）
在本文中，我们提出了一个框架，建立一个记忆的运动热启动的最优控制求解器的运动任务的人形机器人。我们使用HPP Loco3D，一个多功能的运动规划器，离线生成一组动态一致的全身轨迹存储为运动的记忆。学习问题被制定为一个回归问题，以预测一个单步运动给定所需的接触位置，这是用来作为一个积木，用于产生多步运动。然后，预测的运动被用作快速最优控制求解器Crocoddyl的热启动。我们已经表明，该方法设法减少所需的迭代次数，以达到收敛从$\sim$ 9.5到只有$\sim$ 3.0迭代的单步运动和从$\sim$ 6.2到$\sim$ 4.5迭代的多步运动，同时保持解决方案的质量。
2020-02-28 cs.RO math.OC
Dispersion-Minimizing Motion Primitives for Search-Based Motion Planning
University of Pennsylvania（宾夕法尼亚大学）
基于搜索的运动基元规划是一种功能强大的运动规划技术，可以在非结构化环境中的尺寸、重量和功率受限的平台上提供动态可行性、最优性和实时计算时间。然而，运动规划图的优化设计，而规划器的性能至关重要，还没有一个主要的重点，以前的工作。本文提出了解决这个问题，通过引入一种方法，选择顶点和边的运动基元图，是在采样理论的基础上，并导致理论保证计划的完整性。通过最小化由轨迹成本引起的度量空间中的图顶点的分散度，我们用我们的运动基元图最优地覆盖可行轨迹的空间。与由均匀输入空间采样定义的基线运动基元相比，我们的运动基元图具有较低的分散度，找到了一个具有较少迭代的图搜索的计划，并且只有一个参数要调整。
2021-03-26 cs.RO
Reactive Integrated Mission and Motion planning
University of Notre Dame（圣母大学）
在动态环境中，其他代理可以操纵工作空间中的对象，正确的施工操作规划是一个具有挑战性的问题。代理之间的动作和运动的紧密耦合以及任务规范的复杂性使得该问题在计算上难以处理。针对部分已知环境下的移动机器人操作系统，提出了一种反应式集成任务和运动规划方法。我们引入了一个多层次的协同框架，接收高层次的任务规范表示在线性时序逻辑，并产生动态可行的和无碰撞的运动轨迹来实现it.In高层次的层，任务规划器之间的机器人和他们的环境构建一个象征性的两人游戏，合成一个策略，以适应其他机器人施加的工作空间的变化。一个双边的协同层被开发来映射所设计的任务计划到一个集成的任务和运动规划器，构建一组机器人任务，根据任务策略移动对象。在低层次规划阶段，可验证的运动控制器的设计，可以递增组成，以保证安全的运动规划为每个高层次的诱导任务。所提出的框架与多机器人仓库的例子与移动对象到不同的位置的任务说明。
2017-11-06 cs.RO
An Incremental Inverse Reinforcement Learning Approach for Motion Planning with Separated Path and Velocity Preferences
Delft University of Technology（代尔夫特理工大学）；Honda Research Institute Europe（欧洲本田研究院）
本文提出增量式逆强化学习方法，从动觉示教中分离学习路径与速度奖励，并分两步规划轨迹，使 Franka 机械臂可经少量用户反馈适配个人运动偏好。
2023-04-25 cs.RO
Gated Path Planning Networks
Carnegie Mellon University（卡内基梅隆大学）
价值迭代网络（VIN）是有效的可微分路径规划模块，可由代理用于执行导航，同时仍然保持整个架构的端到端可微分性。尽管它们的有效性，但它们有几个缺点，包括训练不稳定性，随机种子敏感性和其他优化问题。在这项工作中，我们将VIN重新构建为递归卷积网络，这表明VIN将递归卷积与非常规的最大池激活相结合。从这个角度来看，我们认为，标准的门控经常性更新方程可以潜在地缓解优化问题的VIN。由此产生的架构，我们称之为门控路径规划网络，显示出经验优于VIN的各种指标，如学习速度，超参数灵敏度，迭代次数，甚至泛化。此外，我们表明，这种性能差距是一致的，在不同的迷宫过渡类型，迷宫的大小，甚至显示成功的一个具有挑战性的3D环境中，规划者只提供第一人称RGB图像。
2018-06-17 cs.AI cs.LG cs.RO
xFLIE: Leveraging Actionable Hierarchical Scene Representations for Autonomous Semantic-Aware Inspection Missions
Luleå University of Technology（卢莱大学）
xFLIE通过3DLSG实现自主语义感知检查任务的高效路径规划和导航
2026-02-10 cs.RO
Real-Time Online Re-Planning for Grasping Under Clutter and Uncertainty
University of Leeds（利兹大学）
我们考虑在杂乱中抓取的问题。虽然近年来已经开发了运动规划器来解决这个问题，但这些规划器大多是针对开环执行而定制的。然而，在这个领域中的开环执行可能会失败，因为不可能以足够的精度对多体多接触物理系统的动力学进行建模，也不可能期望机器人知道物体的确切物理特性，例如摩擦，惯性和几何特性。因此，我们提出了一个在线重新规划的方法，通过杂波抓取。主要挑战是该领域需要较长的规划时间，这使得快速重新规划和流畅执行难以实现。为了解决这个问题，我们提出了一个容易并行化的随机轨迹优化算法，产生一系列的最优控制。我们表明，通过运行此优化器，只有少量的迭代，它是可能的执行实时的重新规划周期，以实现反应性的操作混乱和不确定性。
2018-10-09 cs.RO
Balancing Global Exploration and Local-connectivity Exploitation with Rapidly-exploring Random disjointed-Trees
NVIDIA, USA（美国NVIDIA公司）
本文提出了一种名为RRdT*的增量最优多查询规划器，通过使用多个断树来利用空间的局部连通性，通过马尔可夫链随机采样，并在局部连通性利用失败时主动探索全局空间，将局部利用与全局探索的平衡转化为多臂老虎机问题，从而提高采样效率。
2019-02-27 cs.RO cs.SY eess.SY
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University（暨南大学）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）；Wuyi University（五邑大学）；South China University of Technology（华南理工大学）
本文提出TRACE算法，利用分层覆盖树实现未知环境的在线覆盖路径规划，通过局部优化和全局路径引导，显著提升覆盖效率。
2026-09-21 cs.RO
Revisiting Replanning from Scratch: Real-Time Incremental Planning with Fast Almost-Surely Asymptotically Optimal Planners
Estimation, Search, and Planning (ESP) Research Group, Queen’s University（估计、搜索与规划研究组，女王大学）；CoMMA Lab, Department of Computer Science, Purdue University（CoMMA实验室，计算机科学系，普渡大学）
本文提出使用快速几乎肯定渐近最优规划算法，通过模拟实验展示了其在实时增量规划中的有效性，能够有效应对变化障碍物环境。
2026-03-10 cs.RO
Minimizing Task Space Frechet Error via Efficient Incremental Graph Search
Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
我们提出了一个随时算法，生成一个无碰撞的配置空间路径，紧接着在任务空间中所需的路径，根据离散弗雷歇距离。通过利用计算几何的工具，我们使用叉积图来近似搜索空间。我们使用Dijkstra的图搜索算法的一个变体来有效地搜索和迭代地改进解决方案。我们比较多个建议的致密化策略和经验表明，我们的算法优于一组国家的最先进的规划师的一系列操作问题。最后给出了算法渐近最优性的证明。
2018-09-10 cs.RO
FUEL: Fast UAV Exploration using Incremental Frontier Structure and Hierarchical Planning
Hong Kong University of Science and Technology（香港科技大学）
自主探测是无人机各种应用的基础问题。然而，现有的方法，被证明是不够的探索率，由于缺乏有效的全球覆盖，保守的运动计划和低决策频率。在本文中，我们提出了燃料，一个分层的框架，可以支持快速无人机探索在复杂的未知环境。我们保持在整个空间所需的勘探规划的前沿信息结构（FIS），它可以在空间探索时逐步更新的关键信息。在FIS的支持下，一个分层的规划器计划探索运动在三个步骤中，找到有效的全球覆盖路径，细化一组本地的观点，并生成最短时间的轨迹序列。我们提出了广泛的基准测试和真实世界的测试，其中我们的方法以前所未有的效率（比最先进的方法快3-8倍）完成了探索任务。我们的方法将开源以造福社区。
2020-12-26 cs.RO
Lab2Car: A Versatile Wrapper for Deploying Experimental Planners in Complex Real-world Environments
Motional AD Inc.（Motional AD公司）
提出基于优化的封装器Lab2Car，将任意运动规划器的轨迹草图转换为安全可行的轨迹，使实验性规划器能在真实环境中安全测试，并在复杂城市场景中成功部署机器学习与经典规划器。
2025-03-05 cs.RO
FSMP: A Frontier-Sampling-Mixed Planner for Fast Autonomous Exploration of Complex and Large 3-D Environments
Nankai University（南开大学）；College of Artificial Intelligence（人工智能学院）；Institute of Robotics and Automatic Information System（机器人与自动信息系统研究所）
提出FSMP框架，结合基于前沿和采样的策略，利用FOV检测器与确定性采样构建增量路网，通过两阶段路径规划器实现复杂大型3-D环境的快速自主探索。
2025-02-28 cs.RO
Improving Kinodynamic Planners for Vehicular Navigation with Learned Goal-Reaching Controllers
Rutgers（罗格斯大学）
本文的目的是提高路径质量和计算效率的采样基kinodynamic规划器的车辆导航。它提出了一个学习框架，以确定有前途的控制在扩大过程中的抽样为基础的规划师。给定动态模型，离线训练强化学习过程以返回达到局部目标状态（即，在没有障碍物的情况下。通过专注于系统的动态而不了解环境，这个过程是数据高效的，并且对于机器人系统只发生一次。它可以在不同的环境中重复使用。规划器以明智的方式为学习的控制器生成在线局部目标状态，以偏向目标，并且以探索性的随机方式连续地生成。对于知情的扩展，本地目标状态生成通过（a）中轴信息的环境中的障碍物，或（b）波前信息的设置与可通行性成本。学习过程和由此产生的规划框架进行评估的第一和第二阶差分驱动系统，以及物理模拟的赛格威机器人。结果表明，所提出的集成的学习和规划可以产生更高的质量路径比采样为基础的Kinodynamic规划与随机控制在更少的迭代次数和计算时间。
2021-10-08 cs.RO
MR. POP: Multi-Robot Parallel Optimizing Planner for Almost-Surely Asymptotically Optimal Planning
Columbia College, Columbia University（哥伦比亚大学哥伦比亚学院）；Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系）；Department of Computer Science, Purdue University（普渡大学计算机科学系）
提出MR. POP，一种基于GPU并行和dRRT的a.s.a.o.多机器人规划器，实现100%求解率且速度优于现有方法，并提升下游优化器成功率。
2026-09-28 cs.RO
CMP-IRRT*: A Perception-Assisted Height-Adaptive Planner for Quadruped Robots
School of Integrated Circuits, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区集成电路学院）
针对四足机器人二维规划中低障碍物处理低效的问题，提出基于CMP-IRRT*的感知辅助高度自适应规划器，通过高度条件碰撞检测和Mamba引导采样，减少探索节点，在可穿越场景中路径长度最多缩短16.3%。
2026-10-08 cs.RO
RodFIter: Attitude Reconstruction from Inertial Measurement by Functional Iteration
Shanghai Jiao Tong University（上海交通大学）
本文提出了一种基于罗德里格斯向量的函数迭代方法（RodFIter），用于从陀螺仪测量中精确重建姿态，该方法在理论上能够准确重构增量姿态，并在姿态摆动运动中表现出优于主流姿态算法的精度。
2018-02-01 cs.RO cs.SY eess.SY
GPU Parallelization of Policy Iteration RRT#
School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）；Daniel Guggenheim School of Aerospace Engineering, Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院丹尼尔·古根海姆航空航天工程学院，机器人与智能机器研究所）
基于采样的规划已经成为复杂机器人的事实标准，因为它具有快速探索高维配置空间的优越能力。大多数现有的基于最优采样的规划算法本质上是顺序的，并且不能利用现代计算机硬件上可用的广泛并行性。此外，在这些算法中，探测和开发阶段的紧密同步限制了样本吞吐量和规划器性能。策略迭代RRT#（PI-RRT#）在开发阶段公开了细粒度的并行性，但尚未使用具体实现对这种并行性进行评估。我们首先提出了一种新的GPU实现PI-RRT#的开发阶段，并讨论了数据结构的考虑，以最大限度地提高并行性能。我们的实现实现了3- 4倍的加速比串行PI-RRT#实现的总体规划时间平均减少77.9%。作为第二个贡献，我们引入了批扩展RRT#算法，该算法放松了PI-RRT#中的同步，分别在串行和并行开发下实现了独立的12.97倍和12.54倍加速比。
2020-09-08 cs.RO
Ada-Detector: Adaptive Frontier Detector for Rapid Exploration
Nanjing University of Science and Technology（南京理工大学）；University of Macau（澳门大学）
本文提出了一种基于自适应快速探索随机树（RRT）的边界检测方法。机器人在探索未知环境时，可以实现实时增量边界检测。首先，我们的检测器通过感知周围环境结构自适应地调整RRT的采样空间。自适应采样空间可以根据环境结构大大提高RRT的成功采样率（成功添加到RRT树的样本数与采样尝试次数的比值），控制RRT的扩展偏差。其次，通过产生非均匀分布的样本，我们的方法还解决了滑动窗口中RRT的过采样问题，其中均匀随机采样导致两个相邻滑动窗口之间的重叠区域中的过采样。这样，我们的检测器更倾向于在最新探索的区域进行采样，提高了前沿检测的效率，实现了增量检测。我们验证了我们的方法在三个模拟的基准场景。实验结果表明，与SOTA方法DSV Planner相比，该方法的前沿检测时间减少了40%左右。
2022-04-13 cs.RO
