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
Staged Contact Optimization: Combining Contact-Implicit and Multi-Phase Hybrid Trajectory Optimization
Carnegie Mellon University（卡内基梅隆大学）
本文提出分阶段接触优化（SCO），通过分阶段收紧接触约束，结合接触隐式优化与多阶段混合轨迹优化的优势，在双足和四足机器人上实现了更快且更优的轨迹求解。
2023-09-18 cs.RO
RALTPER: A Risk-Aware Local Trajectory Planner for Complex Environment with Gaussian Uncertainty
Southeast University（东南大学）
本研究针对高斯不确定性复杂环境下的自动驾驶车辆，提出风险感知局部轨迹规划器RALTPER，通过结合概率风险评估与非线性优化实现避碰，经多场景仿真验证其在狭窄区域等场景下的规划安全性与效率更优。
2024-08-11 cs.RO
SURESTEP: An Uncertainty-Aware Trajectory Optimization Framework to Enhance Visual Tool Tracking for Robust Surgical Automation
University of California San Diego（加利福尼亚大学圣迭戈分校）
SURESTEP框架通过建模工具跟踪的运动与观测不确定性，并最小化最终工具分布熵的上界来优化轨迹，在dVRK真实缝合针重新抓取任务中显著优于未优化基线，提升了手术自动化的鲁棒性。
2024-03-29 cs.RO
SURE: Safe Uncertainty-Aware Robot-Environment Interaction using Trajectory Optimization
Technical University of Munich (TUM)（慕尼黑技术大学）；New York University (NYU)（纽约大学）；Carnegie Mellon University (CMU)（卡内基梅隆大学）
提出SURE框架，通过分支轨迹处理接触时间不确定性，在轨迹优化中实现鲁棒性，在推车杆平衡和机器人抓蛋任务中分别提升21.6%和40%的成功率。
2026-06-23 cs.RO
SHIFT Planner: Speedy Hybrid Iterative Field and Segmented Trajectory Optimization with IKD-tree for Uniform Lightweight Coverage
本文提出SHIFT Planner框架，集成语义建图与自适应覆盖规划，通过扩散场模型动态调整轨迹和速度，实现均匀轻量覆盖。
2025-04-24 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
Hybrid Dynamics Modeling and Trajectory Planning for a Cable-Trailer System with a Quadruped Robot
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（人工智能与自动化学院，华中科技大学）；Department of Data Science, City University of Hong Kong（数据科学系，城市大学）；Embodied AI Center of Shanghai AI Lab（上海人工智能实验室具身智能中心）
本文提出了一种混合动力学模型和搜索算法，用于四足机器人与电缆-拖车系统的轨迹规划，通过几何多边形碰撞避免约束实现安全高效的运动控制。
2025-11-05 cs.RO
Hybrid Trajectory Optimization for Autonomous Terrain Traversal of Articulated Tracked Robots
Harbin Institute of Technology（哈尔滨工业大学）；Tsinghua University（清华大学）
提出一种铰接式履带机器人自主地形跨越的混合轨迹优化方法，通过平面接触模型与混合运动模式实现实时规划，在仿真与真实场景中验证了其在时间、能效、稳定性与平滑度上的优势。
2023-11-23 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
Trajectory Planning Under Stochastic and Bounded Sensing Uncertainties Using Reachability Analysis
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
不确定环境下的轨迹规划是一个非常活跃的研究课题。以前的工作预测状态和状态估计不确定性沿轨迹检查碰撞安全。他们假设随机或有界的传感不确定性。然而，GNSS伪距通常被建模为在城市环境中包含具有附加偏差的随机不确定性。因此，给定偏差的界限，规划者需要考虑随机和有界的传感不确定性。在我们以前的工作中，我们提出了一个可达性分析，预测状态和状态估计的不确定性下的随机和有界的不确定性。然而，我们忽略了这些不确定性之间的相关性，导致状态不确定性的不完美近似。在本文中，我们通过预测状态不确定性作为独立量的函数来改进我们的可达性分析。我们设计了一个度量的预测不确定性比较候选轨迹在规划过程中。最后，对基于GNSS的固定翼无人机城市导航规划器进行了验证。
2020-12-17 cs.RO
CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction
University of Connecticut（康涅狄格大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
本文提出 CUQDS 框架，结合学习型高斯过程回归与统计型共形 P 控制，在分布偏移下对现有轨迹预测模型进行在线不确定性量化，并同时提升预测精度、降低估计不确定性。
2025-02-04 cs.LG cs.RO
Mediating between Contact Feasibility and Robustness of Trajectory Optimization through Chance Complementarity Constraints
Georgia Institute of Technology（佐治亚理工学院）；George W. Woodruff School of Mechanical Engineering（乔治·W·伍德拉夫机械工程学院）；Department of Electrical and Computer Engineering（电气与计算机工程系）
随着机器人从实验室进入现实世界，运动规划将需要考虑模型的不确定性和风险。对于涉及间歇性接触的机器人运动，规划接触中的不确定性尤为重要，因为未能成功地建立和保持接触可能是灾难性的。在这里，我们在地形几何形状和摩擦特性的不确定性模型，并结合风险敏感的目标与机会约束，提供一个权衡鲁棒性的不确定性和约束满足与任意高的可行性保证。我们评估我们的方法在两个简单的例子：推块系统的基准和单腿料斗。我们证明，机会约束单独产生的轨迹类似于使用严格的互补性约束，但是，当配备了一个强大的目标，我们的机会约束可以调解之间的权衡鲁棒性的不确定性和严格的约束满足。因此，我们的研究可能是一个重要的一步推理接触不确定性的运动规划。
2021-09-30 cs.RO
Uncertainty Guided Exploratory Trajectory Optimization for Sampling-Based Model Predictive Control
Robotics, Sensing and Networks Laboratory (RSN)（机器人、感知与网络实验室）；University of Minnesota（明尼苏达大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出UGE-TO算法，通过生成分离样本提升配置空间覆盖，结合动态影响增强轨迹多样性，进一步集成到UGE-MPC中，实验证明在复杂环境中具有更高的探索效率和更快的收敛速度。
2026-04-13 cs.RO
A Hybrid Sampling-Based Trajectory Planner with Game-Theoretic Guidance for Autonomous Racing
Professorship of Autonomous Vehicle Systems, TUM School of Engineering and Design, Technical University of Munich（慕尼黑工业大学工程与设计学院自动驾驶车辆系统教授组）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
针对自主赛车在多智能体场景下的规划问题，提出将博弈论推理集成到基于采样的运动规划器的混合架构，利用离线学习势函数和在线梯度优化生成交互参考路径，在模拟环境中验证该方法能诱导防御行为且无计算负担。
2026-07-16 cs.RO
A Hybrid Method for Online Trajectory Planning of Mobile Robots in Cluttered Environments
Intel Labs（英特尔实验室）；Intel Tecnología de México（英特尔墨西哥技术公司）
提出了一种已知环境下的在线轨迹规划方法。该算法是一个融合的采样为基础的技术和基于模型的优化，通过二次规划。前者用于有效地生成无障碍路径，而后者考虑到机器人的动力学约束，以生成时间相关的轨迹。这项工作的主要贡献在于制定一个凸优化问题的生成的无障碍路径，保证是可行的。因此，与先前提出的方法相比，不需要迭代公式。所提出的方法进行了比较，与国家的最先进的方法，成功率和计算时间显着改善。为了说明这种方法的有效性，在线规划，所提出的方法被应用到流体自主导航的四轴飞行器在多个环境中，包括多达200个障碍。下文中介绍的场景是迄今为止报道的在线规划和导航的一些最密集的混乱实验。观看视频https://youtu.be/DJ1IZRL5t1Q
2019-08-22 cs.RO
Trajectory Planning for Hybrid Unmanned Aerial Underwater Vehicles with Smooth Media Transition
Univ. Fed. do Rio Grande – FURG（里奥格兰德联邦大学）；Univ. Fed. de Minas Gerais（米纳斯吉拉斯联邦大学）；AuRos Robotics；Universidade de Campinas（坎皮纳斯大学）
在过去的十年中，人们在混合无人水下航行器的研究中付出了巨大的努力，这些机器人可以轻松地飞行和潜入水中，具有不同程度的机械适应性。然而，这方面的文献大多集中在物理设计，施工的实际问题，以及最近，低层次的控制策略。在高级智能的背景下，如运动规划和与现实世界的交互方面，几乎没有做过什么。因此，我们在本文中提出了一种轨迹规划方法，允许碰撞避免对未知的障碍物和空中和水生介质之间的平滑过渡。我们的方法是基于经典的快速探索随机树，其主要优点是能够处理障碍物，复杂的非线性动力学，模型的不确定性和外部干扰的变体。该方法使用的动力学模型的\hydrone，一个混合动力车辆提出了高水下性能，但我们相信它可以很容易地推广到其他类型的空中/水上平台。在实验部分中，我们提出了在充满障碍物的环境中的模拟结果，其中机器人被命令执行不同的媒体运动，证明了我们的策略的适用性。
2021-12-27 cs.RO
Locomotion Planning through a Hybrid Bayesian Trajectory Optimization
ETH Zurich（苏黎世联邦理工学院）
腿式系统的运动规划需要推理合适的接触时间表。接触序列和定时构成了一个混合动力系统，并规定了一个子集的可实现的运动。最先进的方法将运动规划视为最优控制问题。为了降低计算复杂性，一种常见的策略将脚步规划与运动优化分离，并使用几何学来规划接触。在本文中，我们提出了学习接触时间表选择高层次的任务描述使用贝叶斯优化。定义了一种双层优化，其中高斯过程模型预测由运动规划非线性程序生成的轨迹的性能。代理，因此，保留的能力，理由有关合适的接触时间表，而明确的计算相应的梯度是避免的。我们描绘的算法在其一般形式，并提供规划单腿跳跃的结果。我们的方法能够学习与人类直觉一致的联系人时间表转换。它表现出竞争力的启发式基线预测任务适当的接触时间表。
2019-03-09 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
Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios
School of Information；Software Engineering, University of Electronic Science；Sichuan Provincial Key Laboratory for Human Disease Gene Study, Sichuan Academy of Medical Sciences \& Sichuan Provincial People's Hospital, University of Electronic Science；Research Unit for Blindness Prevention, Chinese Academy of Medical Sciences, Sichuan Academy of Medical Sciences；Sichuan Provincial People’s Hospital, Chengdu, Sichuan, China.
本文提出一种动量约束混合启发式轨迹优化框架，通过残差增强深度强化学习模块优化轨迹，提升视障场景下的安全性和效率。
2026-04-16 cs.RO
The Hybrid Extended Bicycle: A Simple Model for High Dynamic Vehicle Trajectory Planning
Center for Robotics, Mines Paris, PSL University（PSL大学巴黎矿业中心机器人中心）；Heex Technologies（希克斯技术公司）
针对高自动驾驶场景下突发高动态机动的车辆建模需求，提出基于LSTM的混合扩展自行车模型，结合MPPI框架实现操控极限下的精准可行轨迹规划。
2024-07-10 cs.RO
A Hybrid Approach for Trajectory Control Design
Sapienza University of Rome（罗马第一大学）
本文提出了一种设计轨迹跟踪反馈控制律的方法，它嵌入了非参数统计模型，如高斯过程（GP）。其目的是尽量减少未建模的动态，如不希望的滑移。所提出的方法具有避免复杂的terramechanics分析的好处，直接估计从数据的机器人动力学的广泛的一类轨迹。在真实和模拟环境中的实验证明，所提出的方法是有前途的。
2022-11-19 cs.LG cs.RO stat.ML
Trajectory Planning for Safe Dual Control with Active Exploration
Department of Robotics, University of Michigan（密歇根大学机器人学系）；Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）
本文研究了一种受预算约束的双控问题，通过整合鲁棒规划与主动探索，在保证安全性和预算可行性的同时，平衡即时任务性能与长期不确定性降低。
2026-04-16 cs.RO
Multi-mode Trajectory Optimization for Impact-aware Manipulation
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Honda Research Institute Europe (HRI-EU)（本田欧洲研究所）；Shenzhen Institute for Artificial Intelligence and Robotics for Society (AIRS), The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）深圳市人工智能与机器人研究院）
从自由运动到接触的过渡是机器人技术中的一个具有挑战性的问题，部分原因是其混合性质。此外，在运动规划水平上忽略冲击的影响通常会导致难以控制的冲击接触力。在本文中，我们介绍了一种碰撞感知的多模式轨迹优化（TO）的方法，结合了混合动力学和混合控制在一个连贯的方式。一个关键的概念是一个明确的接触力传递模型中的TO方法。这允许同时优化接触力、接触定时、连续运动轨迹和顺应性，同时满足任务约束。我们比较我们的方法对标准的合规性控制和物理模拟中的影响不可知的TO方法。此外，我们实验验证所提出的方法与机器人机械手的任务，停止大动量物体。
2020-09-03 cs.RO
Chance-Constrained Trajectory Planning with Multimodal Environmental Uncertainty
University of British Columbia（不列颠哥伦比亚大学）；Seoul National University（首尔大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
本文针对GMM多模态环境不确定性下的安全轨迹规划，提出混合整数锥近似和CVaR方法，并在自动驾驶数据上验证了其有效性。
2025-03-09 cs.RO cs.SY eess.SY
THREAD: Trajectory Planning for Hybrid Rigid-Soft Manipulators with Environment-Aware Diffusion
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland College Park（马里兰大学帕克分校）
提出首个基于扩散的混合刚柔机械臂轨迹规划器THREAD，通过物理启发损失联合约束刚柔段，实现狭窄环境穿行，任务成功率92.4%，碰撞减少5倍。
2026-06-23 cs.AI cs.RO
Non-Gaussian Chance-Constrained Trajectory Planning for Autonomous Vehicles under Agent Uncertainty
Massachusetts Institute of Technology（麻省理工学院）
智能体行为可以说是自动驾驶车辆轨迹规划中最大的不确定性来源。这个问题激发了大量的工作，在行为预测社区学习丰富的分布的未来状态和行动的代理。然而，目前大多数关于代理或障碍物不确定性下的机会约束轨迹规划的工作要么假设高斯不确定性或线性约束，这是有限的，要么需要采样，这在计算上难以编码在优化问题中。在本文中，我们通过提出一种由具有潜在非高斯分量的多项式和混合模型定义的上限机会约束的方法来扩展最新技术水平。我们的方法实现了它的通用性，通过使用统计矩的分布在浓度不等式的上限约束违反的概率。通过这种方法，基于优化的轨迹规划器可以规划相对于代表智能体未来位置预测的广泛分布的机会约束的轨迹。在实验中，我们表明，由此产生的优化问题可以解决与国家的最先进的非线性规划求解器计划轨迹足够快，在线使用。
2020-07-15 cs.RO cs.SY eess.SY
Representing the Unknown - Impact of Uncertainty on the Interaction between Decision Making and Trajectory Generation
Institute of Control Engineering（控制工程研究所）
本文探讨了不确定性对自动驾驶车辆运动规划问题参数和环境模型要求的影响，强调了决策制定与轨迹生成之间明确接口的重要性。
2018-08-07 cs.RO cs.SY eess.SY
Stochasticity in Motion: An Information-Theoretic Approach to Trajectory Prediction
Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Freiburg（弗赖堡大学）
本文提出一种基于信息论的方法，用于轨迹预测中的不确定性量化与分解，将不确定性分为偶然和认知成分，兼容先进预测器，并在nuScenes数据集上验证了不同架构对不确定性量化和鲁棒性的影响。
2025-02-28 cs.AI cs.RO
Rolling in the Deep -- Hybrid Locomotion for Wheeled-Legged Robots using Online Trajectory Optimization
ETH Zürich（苏黎世联邦理工学院）；Delft University of Technology（代尔夫特理工大学）；Boston Dynamics（波士顿动力公司）
轮式足式机器人具有高度敏捷和多功能运动的潜力。腿和轮子的组合可能是任何需要在具有挑战性的地形上快速和长距离移动技能的现实世界应用的解决方案。在本文中，我们提出了一个在线轨迹优化框架轮式四足机器人能够执行混合步行驱动运动策略。通过将优化问题分解为轮和基座轨迹规划，高维轮足式机器人的运动规划变得更加易于处理，可以以模型预测控制的方式实时在线求解，并且对于不可预测的干扰变得鲁棒。参考运动由分层全身控制器跟踪，该控制器向机器人发送扭矩命令。我们的方法是验证四足机器人与非转向轮连接到它的腿。该机器人执行混合运动的各种步态序列在粗糙的地形。此外，我们在美国国防高级研究计划局（DARPA）地下挑战赛中验证了机器人平台，机器人在那里快速绘制地图，导航和探索动态地下环境。
2020-02-06 cs.RO cs.SY eess.SY
Hybrid Trajectory Optimization of Simple Skateboarding Tricks through Contact
Massachusetts Institute of Technology (MIT)（麻省理工学院）
提出一种混合动力学轨迹优化方法，通过控制滑板上点质量位置并施加离散接触约束，使二维简化滑板成功完成ollie技巧。
2023-10-17 cs.RO cs.SY eess.SY
Energy-efficient Hybrid Model Predictive Trajectory Planning for Autonomous Electric Vehicles
School of Information Technology, Monash University Malaysia（马来西亚莫纳什大学信息技术学院）；School of Engineering, Monash University Malaysia（马来西亚莫纳什大学工程学院）；Institute for Infocomm Research, A*STAR（新加坡科研局信息通信研究所）；National Science Library, Chinese Academy of Sciences（中国科学院国家科学图书馆）
针对电动汽车续航与充电挑战，提出无需额外硬件的节能型混合模型预测规划器(EHMPP)，仿真验证其能提升11.74%被动回收能量并有效提升自动驾驶电动汽车能源效率。
2024-11-09 cs.AI cs.RO
Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios
本文提出一种结合残差增强深度强化学习的动量约束混合启发式轨迹优化框架，用于提升视障场景下的导航鲁棒性与安全性。
2025-12-05 cs.AI cs.RO
A Hierarchical Hybrid Learning Framework for Multi-agent Trajectory Prediction
Wuhan University of Technology（武汉理工大学）
精确和鲁棒的邻近智能体轨迹预测是自主车辆在复杂场景中穿越的关键。近年来提出的大多数方法都是基于深度学习的，因为它们在编码复杂交互方面很强大。然而，不合理的预测往往会产生，因为它们严重依赖于过去的观察，不能有效地捕捉到稀疏样本的瞬态和偶然的相互作用。在本文中，我们提出了一个分层的混合框架，深度学习（DL）和强化学习（RL）的多智能体轨迹预测，以应对预测运动的挑战，形成多尺度的相互作用。在DL阶段，交通场景被划分为多个中等规模的异构图，在此基础上，采用Transformer风格的GNN来编码中间和全局级别的异构交互。在RL阶段，我们利用DL阶段预测的关键未来点将交通场景划分为局部子场景。为了模拟运动规划过程，以便产生轨迹预测，基于变换器的近端策略优化（PPO）结合车辆运动学模型设计规划运动的主要影响下的微观相互作用。多目标奖励旨在平衡以代理为中心的准确性和场景兼容性。实验结果表明，我们的建议相匹配的国家的最先进的Argoverse预测基准。可视化结果还表明，分层学习框架捕捉到了多尺度的相互作用，提高了预测轨迹的可行性和顺应性。
2023-03-24 cs.CV cs.RO
DiffuSearch: How Hybrid Trajectory Planning Benefits from Aligned Objectives in Diffusion and Action Space
Robert Bosch GmbH（罗伯特·博世有限公司）；University of Lübeck（吕贝克大学）；University of Freiburg（弗赖堡大学）
DiffuSearch是一种采用统一驾驶目标的混合轨迹规划器，结合引导式扩散模型与MCTS，在自动驾驶基准上实现了SOTA性能，有效减少碰撞并提升舒适性。
2026-09-03 cs.AI cs.RO
Trajectory Optimization of Chance-Constrained Nonlinear Stochastic Systems for Motion Planning Under Uncertainty
California Institute of Technology（加州理工学院）；Jet Propulsion Laboratory（喷气推进实验室）
我们介绍gPC-SCP：基于广义多项式混沌序列凸规划计算连续时间机会约束随机非线性最优控制（SNOC）问题的次优解。该方法使机器人系统的运动规划的不确定性。gPC-SCP方法包括两个步骤。第一步是利用gPC展开和机会约束的分布鲁棒凸子集，推导出具有凸约束的\emph{deterministic}非线性最优控制（DNOC）的代理问题。第二步是使用序列凸规划来求解DNOC问题，以用于轨迹生成和控制。我们证明了在无约束的情况下，DNOC的最优值渐近收敛到SNOC的最优值，并且约束DNOC的任何可行解都是机会约束SNOC的可行解。我们还提出了预测-校正扩展（gPC-SCP $^\mathrm{PC}$）的实时运动轨迹生成随机不确定性的存在。在gPC-SCP $^\mathrm{PC}$方法中，我们首先使用gPC方法预测不确定性，然后优化运动计划以适应不确定性。我们经验性地证明了gPC-SCP和gPC-SCP $^\mathrm{PC}$方法对于以下两个测试用例的有效性：1）在致动和物理参数的不确定性下的碰撞检查和2）3DOF和6DOF机器人系统的随机障碍物模型的碰撞检查。在三自由度机器人航天器试验平台上验证了gPC-SCP方法的有效性。
2022-03-26 cs.AI cs.RO cs.SY
Reliable and Real-Time Highway Trajectory Planning via Hybrid Learning-Optimization Frameworks
本文提出混合高速公路轨迹规划框架，结合学习方法的适应性和优化方法的正式安全保证，确保在多车交互复杂情况下实现高可靠性和实时性。
2026-04-13 cs.RO cs.SY eess.SY
CC-VPSTO: Chance-Constrained Via-Point-Based Stochastic Trajectory Optimisation for Online Robot Motion Planning under Uncertainty
Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）；ICTEAM, UCLouvain（鲁汶大学ICTEAM）
本文提出CC-VPSTO方法，通过机会约束优化解决机器人在不确定性下的路径规划问题，结合蒙特卡洛采样和梯度自由优化，实现高效可靠的任务驱动控制。
2026-04-06 cs.RO cs.SY eess.SY
Optimization of Robot Trajectory Planning with Nature-Inspired and Hybrid Quantum Algorithms
Amazon Quantum Solutions Lab（亚马逊量子解决方案实验室）；AWS Intelligent and Advanced Compute Technologies, Professional Services（AWS智能与高级计算技术专业服务部）；AWS Center for Quantum Computing（AWS量子计算中心）；BMW Group（宝马集团）；Amazon.com, Inc.（亚马逊公司）；University of Washington（华盛顿大学）
我们解决了工业相关规模的机器人轨迹规划问题。我们的端到端解决方案集成了高度通用的随机密钥算法与模型堆叠和集成技术，以及用于解决方案优化的路径重链接。核心优化模块由有偏随机密钥遗传算法组成。通过独立于问题和依赖于问题的模块的明显分离，我们实现了一个有效的问题表示，与本地编码的约束。我们发现，其他算法的范例，如模拟退火的推广是直接的。我们为行业规模的数据集提供数值基准测试结果。我们的方法被发现始终优于贪婪的基线结果。为了评估当今量子硬件的能力，我们使用Amazon Braket上的qbsolv，将量子退火硬件上获得的结果与经典方法进行了补充。最后，我们将展示如何将后者集成到我们更大的管道中，为问题提供量子就绪的混合解决方案。
2022-06-08 cond-mat.dis-nn cs.NE cs.RO
Prediction uncertainty-aware planning using deep ensembles and trajectory optimisation
Virginia Tech（弗吉尼亚理工大学）
针对行人环境中确定性预测过度自信导致导航不安全的问题，提出基于深度集成概率轨迹预测并将不确定性纳入约束的规划器，通过真实数据集与分布外走廊场景验证。
2025-02-14 cs.RO
Joint Out-of-Distribution Detection and Uncertainty Estimation for Trajectory Prediction
Mercedes-Benz Group AG（梅赛德斯-奔驰集团股份公司）；Friedrich-Alexander-Universität（弗里德里希-亚历山大大学）；University Ulm（乌尔姆大学）
针对自动驾驶轨迹预测的可靠性评估问题，提出一种联合分布外检测与不确定性估计方法，通过高斯混合模型和误差回归网络在Shifts数据集上显著优于先前工作。
2023-08-04 cs.RO
Control-Ready Uncertainty for Trajectory Diffusion
National University of Singapore（新加坡国立大学）；Smart Systems Institute, NUS（新加坡国立大学智能系统研究所）；LAAS-CNRS（法国国家科学研究中心自动化与系统分析实验室）
针对扩散模型提取不确定性需高代价蒙特卡洛采样的问题，提出轻量级模块SCOPE，为轨迹扩散模型增添可控制不确定性，在多任务评估中实现快速不确定性估计并提升闭环性能。
2026-10-09 cs.RO
GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates
University of Illinois at Chicago (UIC)（伊利诺伊大学芝加哥分校）
提出轨迹一致的不确定性估计方法GroundControl，通过卡尔曼滤波建模距离变化并结合轨迹特征，有效预测导航失败，在选择性风险-覆盖评估中优于基线。
2026-06-19 cs.RO
Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction
Mercedes-Benz AG（梅赛德斯-奔驰公司）；University of Freiburg（弗赖堡大学）；TU Delft（代尔夫特理工大学）
本文提出一种基于证据深度学习的多模态轨迹预测方法，通过正态逆伽马分布和狄利克雷分布分别估计位置与模式不确定性，实现单次前向传播实时推理，并在Argoverse数据集上验证了其可靠性与精度。
2025-03-07 cs.AI cs.RO
Role of Uncertainty in Anticipatory Trajectory Prediction for a Ping-Pong Playing Robot
University of California, Berkeley（加州大学伯克利分校）
针对乒乓球机器人需提前预测来球的问题，提出融合视觉模型不确定性的建模、预测与控制系统，使机器人更早启动，并通过仿真验证其收益与现有不确定性估计器的不足。
2023-12-05 cs.RO
Robotic Imitation of Human Assembly Skills Using Hybrid Trajectory and Force Learning
Osaka University（大阪大学）；National Institute of Advanced Industrial Science and Technology（国立先进工业科学技术研究院）
机器人装配任务涉及复杂和低间隙的插入轨迹，在不同阶段具有不同的接触力。虽然名义上的运动轨迹可以很容易地从人的演示，通过动觉教学，遥操作，仿真，以及其他方法，力的轮廓是很难获得，特别是当一个真正的机器人是不可用的。即使使用物理引擎，在仿真中也很难获得真实的力分布。由于装配过程中的现实差距和不确定性，这种模拟的力分布往往不适合实际的机器人装配。为了解决这个问题，我们提出了一个基于学习的组合框架，通过混合轨迹学习和力学习来模仿人类的装配技能。这项工作的主要贡献是开发了一个框架，结合分层模仿学习，学习标称运动轨迹，与基于强化学习的力控制计划学习最佳的力控制政策，可以满足标称轨迹，同时适应装配任务的力要求。为了进一步改进模仿学习部分，我们开发了一个分层的架构，遵循目标条件模仿学习的思想，离线生成\textit{skill}级别的轨迹学习策略。通过实验验证，我们证实，所提出的基于学习的框架是强大的装配任务中的不确定性，可以生成高质量的轨迹，并可以找到合适的力控制政策，适应任务的力要求更有效。
2021-03-10 cs.RO
Real-Time Trajectory Generation and Hybrid Lyapunov-Based Control for Hopping Robots
Robot Locomotion and Biomechanics Laboratory（机器人运动与生物力学实验室）
针对现有跳跃机器人无法直接控制空中轨迹、难以发挥效率优势的问题，提出实时非线性阻力补偿轨迹生成方法与配套李雅普诺夫控制器，可实现复杂空中轨迹跟踪与着陆姿态控制，适配多尺寸跳跃机器人及四旋翼。
2025-10-01 cs.RO
Experimental Characterization of Fingertip Trajectory following for a 3-DoF Series-Parallel Hybrid Robotic Finger
Department of Mechanical Engineering, Stony Brook University（机械工程系，石英布鲁克大学）
本文提出了一种三自由度连杆驱动的机器人手指，通过实验验证了其在任务空间轨迹跟踪中的高精度性能，为灵巧手部操作提供了新的基准。
2025-12-02 cs.RO
Propagating State Uncertainty Through Trajectory Forecasting
Ford Greenfield Labs（福特格林菲尔德实验室）；Stanford University（斯坦福大学）；NVIDIA（英伟达）
不确定性弥漫在现代机器人自主堆栈中，几乎每个组件（例如，传感器、检测、分类、跟踪、行为预测）产生连续或离散的概率分布。特别是轨迹预测，被不确定性所包围，因为它的输入是由（嘈杂的）上游感知产生的，它的输出是预测，通常是概率性的，用于下游规划。然而，大多数轨迹预测方法不考虑上游的不确定性，而是只采用最可能的值。因此，感知的不确定性不会通过预测传播，预测往往过于自信。为了解决这个问题，我们提出了一种新的方法，将感知状态的不确定性的轨迹预测，其中的一个关键组成部分是一个新的统计距离为基础的损失函数，鼓励预测的不确定性，更好地匹配上游的看法。我们评估我们的方法都在说明性的模拟和大规模的，真实世界的数据，证明其有效性传播感知状态的不确定性，通过预测和产生更多的校准预测。
2022-07-12 cs.CV cs.LG cs.RO
C2F-TP: A Coarse-to-Fine Denoising Framework for Uncertainty-Aware Trajectory Prediction
Central South University（中南大学）；Aalborg University（奥尔堡大学）
针对自动驾驶中由动态意图和多样场景引起的轨迹不确定性问题，提出粗到细去噪框架C2F-TP，通过时空交互模块采样多模态轨迹并利用条件去噪模型逐步去噪，在NGSIM和highD数据集上验证了有效性。
2024-12-24 cs.AI cs.LG cs.RO
Wasserstein Distributionally Robust Chance Constrained Trajectory Optimization for Mobile Robots within Uncertain Safe Corridor
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；School of Data Science, City University of Hong Kong（香港城市大学数据科学学院）
针对基于安全走廊的轨迹优化未考虑感知不确定性的问题，提出分布鲁棒安全走廊约束并集成到Bernstein基多项式轨迹优化框架中，证明其等价于凸二次规划，提升了不确定环境下的导航安全性，并通过微型UAV和Unitree A1验证。
2023-08-31 cs.RO
Switching control for tracking of a hybrid position-force trajectory
Eindhoven University of Technology（埃因霍温理工大学）
这项工作提出了一种控制律的机械手，其目的是实现所需的时变运动力的轮廓中存在的一个刚性的环境。在许多情况下，与环境的相互作用只影响机械手末端执行器的一个自由度。因此，重点是在这个接触自由度，并切换位置-力控制器，提出了执行混合的位置-力跟踪任务。充分条件，以保证输入状态稳定的切换闭环系统相对于有关的时变期望的运动力的轮廓的扰动。切换发生在机械手与环境接触或断开接触时。分析表明，为了保证闭环稳定性，同时跟踪任意时变的运动-力剖面，控制器应实现相当大的（往往是不现实的）量的阻尼，导致较差的跟踪性能。因此，我们建议重新设计的机械手与顺应手腕。为柔性手腕的设计提供了指导，同时采用所设计的切换控制策略，使得可以实现运动-力参考轨迹的稳定跟踪，并且可以避免机械手在与刚性环境接触时的弹跳。最后，数值模拟来说明该方法的有效性。
2015-03-02 cs.RO
The Uncertainty Aware Salted Kalman Filter: State Estimation for Hybrid Systems with Uncertain Guards
Carnegie Mellon University（卡内基梅隆大学）
在本文中，我们提出了一种更新机器人的状态信念，通过接触不确定的表面，并将此更新卡尔曼滤波器更准确的状态估计。检查如何保护表面的不确定性影响在每种模式中花费的时间，我们推导出一个保护突变矩阵-映射扰动之前的混合动力事件的扰动后-占额外的变化所产生的状态。此外，我们建议使用参数化重置函数-捕捉未知参数如何改变状态如何从一个模式映射到下一个模式-雅可比矩阵的帐户中产生的状态的额外的不确定性。这些映射的准确性示出通过模拟采样分布通过不确定的过渡事件，并比较由此产生的协方差。最后，我们将这些额外的条款纳入“不确定性意识加盐卡尔曼滤波器“，uaSKF，并显示在各种测试条件和系统的平均估计误差的峰值减少24-60%。
2022-07-29 cs.RO
Robust Execution of Contact-Rich Motion Plans by Hybrid Force-Velocity Control
Carnegie Mellon University（卡内基梅隆大学）
在混合力-速度控制中，机器人可以在某些方向上使用速度控制来遵循轨迹，同时在其他方向上执行力控制以保持与环境的接触，而不管位置误差如何。我们称这种执行方式为轨迹混合伺服。我们提出了一种算法来计算混合力-速度控制行动的混合伺服。我们量化的控制动作的鲁棒性，并制定控制合成优化问题之间的权衡不同的要求。我们的方法可以有效地计算力和速度控制的尺寸，方向和大小。我们通过实验证明了我们的方法在几个接触丰富的操作任务的有效性。视频链接：https://youtu.be/KtSNmvwOenM。
2019-03-07 cs.RO
