Bi-AM-RRT*: A Fast and Efficient Sampling-Based Motion Planning Algorithm in Dynamic Environments
Yanshan University（燕山大学）；Southern University of Science and Technology（南方科技大学）
针对动态环境中移动机器人的最优运动规划问题，提出融合辅助度量、双向采样与新重布线方法的 Bi-AM-RRT*，在路径长度和搜索时间上表现更优。
2023-04-30 cs.RO
Optimised Informed RRTs for Mobile Robot Path Planning
Stellenbosch University（斯泰伦博斯大学）
针对基础RRT路径规划次优、RRT*计算成本高的问题，本文提出优化型信息引导RRT算法族，结合信息引导采样与多种路径优化器加速收敛，实验证明基于基础RRT的该算法在不同规划时长下均优于基于RRT*的同类算法。
2023-10-29 cs.RO cs.SY eess.SY
Informable Multi-Objective and Multi-Directional RRT* System for Robot Path Planning
Princeton University（普林斯顿大学）
多目标或多目的地路径规划对于移动机器人应用至关重要，例如移动即服务，机器人检测和电动汽车长途充电。本文提出一个随时迭代系统来同时求解多目标路径规划问题和确定目的地的访问顺序。该系统包括一个随时不变形的多目标和多方向的RRT* 算法，以形成一个简单的连通图，和一个建议的求解器，由一个增强的最便宜的插入算法和遗传算法，以解决放松旅行商问题在多项式时间。此外，通常会为机器人检查和车辆路由提供一系列路点，以便机器人可以优先访问某些设备或感兴趣的区域。我们表明，所提出的系统可以固有地将这些知识，并可以通过具有挑战性的拓扑导航。所提出的随时随地系统进行评估，为现实世界的驾驶应用程序建立的大型和复杂的图形。所有实现都是用多线程C++编写的，可以在https://github.com/UMich-BipedLab/IMOMD-RRTStar上找到。
2022-05-30 cs.RO
SMARRT: Self-Repairing Motion-Reactive Anytime RRT for Dynamic Environments
University of Connecticut（康涅狄格大学）
研究了动态环境中具有移动障碍物的快速重规划问题。由于对于随机移动的障碍物，未来的状态是不可预测的，因此所提出的称为SMARRT的方法对障碍物运动做出反应，并基于当前干扰障碍物状态（即，位置和速度）。SMARRT是快速和有效的，并执行碰撞检查，只有在部分路径段接近机器人的可行性检查范围内。如果路径是不可行的，则修剪与视野内的路径相关联的树部分，同时保持已经探索的区域的最大树结构。然后，创建多分辨率效用图以捕获用于计算多尺度平铺上的每个单元的重新规划效用的环境信息。在地图上应用分层搜索方法，有效地找到采样单元。最后，在采样单元内绘制均匀样本，以进行快速重新规划。SMARRT方法通过模拟运行进行验证，并与四种现有方法进行比较，评估结果。与现有方法相比，SMARRT方法在旅行时间、重新规划时间和成功率方面都有显着改善。
2021-09-10 cs.RO
Multi-agent RRT*: Sampling-based Cooperative Pathfinding (Extended Abstract)
Czech Technical University in Prague（捷克布拉格技术大学）；Delft University of Technology（代尔夫特理工大学）
合作寻路是为多个移动代理寻找一组不冲突的轨迹的问题。它的应用包括移动机器人团队的规划，如自主飞机，汽车或水下航行器。用于协作寻路的最先进的算法通常依赖于一些启发式前向搜索寻路技术，其中A* 通常是选择的算法。在这里，我们提出了MA-RRT*，一种新的算法，多代理路径规划，建立在最近提出的渐近最优采样为基础的算法，寻找单代理最短路径称为RRT*。我们实验评估的算法的性能，并表明，基于采样的方法提供了更好的可扩展性比经典的前向搜索方法在相对较大，但稀疏的环境，这是典型的在现实世界中的应用，如多飞机防撞。
2013-02-12 cs.AI cs.MA cs.RO
Neural Informed RRT*: Learning-based Path Planning with Point Cloud State Representations under Admissible Ellipsoidal Constraints
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对RRT*路径规划收敛效率问题，提出结合规则启发与学习优势的Neural Informed RRT*，通过点云表示、Neural Focus和Neural Connect模块提升性能，保留理论特性并在真实机器人导航中验证有效。
2024-03-07 cs.RO
${\tt KRAFT}$: Sampling-Based Kinodynamic Replanning and Feedback Control over Approximate, Identified Models of Vehicular Systems
Rutgers University（罗格斯大学）
针对近似动力学模型下复杂动力学机器人轨迹执行安全性不足的问题，提出KRAFT方法，整合采样式动力学重规划、反馈控制与安全机制，经SysId调优模型，实验验证了规划层反馈闭环与长时域推理的重要性。
2024-09-17 cs.RO
Smooth Path Planning Using a Gaussian Process Regression Map for Mobile Robot Navigation
ONERA, Université Paris-Saclay（ONERA、巴黎-萨克雷大学）
针对非结构化危险环境中的地面机器人导航，提出基于 GPR 连续地形表示并结合 A*、T-RRT 与 BCO 的平滑路径规划框架，实验验证了联合使用连续表示和不同先验的优势。
2024-07-08 cs.RO
Hybrid Terrain-Aware Path Planning: Integrating VD-RRT* Exploration and VD-D* Lite Repair
The Grainger College of Engineering, Electrical and Computer Engineering Department, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院）；The Grainger College of Engineering, Industrial and Enterprise Systems Engineering Department, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院）
提出融合Bekker压力-沉陷模型与坡度惩罚的连续代价度量，结合精确转向原语，采用VD-RRT*全局探索与VD-D* Lite局部修复，实现毫秒级重规划，硬件试验验证软土与坡度环境实时导航。
2025-10-15 cs.RO cs.SY eess.SY
Safe Motion Planning for a Mobile Robot Navigating in Environments Shared with Humans
Center of Ubiquitous Computing（普适计算中心）；Faculty of Information Technology and Electrical Engineering（信息技术与电气工程学院）；University of Oulu（奥卢大学）；Politecnico di Milano（米兰理工大学）
在本文中，机器人导航与人类共享的环境被认为是，并提出了一个成本函数，可以利用$\text{RRT}^\text{X}$，随机采样为基础的重新规划算法，保证渐近最优，允许一个安全的运动。成本函数是由危险指数加权的路径长度，该危险指数基于使用线性随机模型（假设恒定的纵向速度和变化的横向速度）和基于GMM/GMR的模型（在人类轨迹的实验数据集上计算）执行的人类运动的预测。所提出的方法是使用在现实世界中收集的人类轨迹的数据集进行验证。
2022-06-15 cs.RO
Real-Time Kinodynamic Motion Planning for Omnidirectional Mobile Robot Soccer using Rapidly-Exploring Random Tree in Dynamic Environment with Moving Obstacles
Universitas Gadjah Mada（加札马达大学）
RoboCup中型组联赛（RoboCup MSL）通过机器人足球比赛为研究移动机器人导航、多机器人协作、通信和集成提供了一个标准化的实验平台，在这种高度动态和对抗性的环境中，机器人足球比赛是一种非常重要的比赛。运动动力学运动规划是机器人运动学领域的一个重要研究课题，它是指机器人在避障的同时，遵循其动力学规律进行运动轨迹规划。提出了一种基于Kinodynamic-RRT* 方法的全向机器人运动动力学运动规划。在这项工作中还考虑了轨迹跟踪控制执行规划轨迹。对机器人平移和旋转方向的运动规划进行解耦。然后，我们实现了kinodynamic-RRT* 与双积分器模型规划的平移轨迹。利用满足速度和加速度约束的最小时间轨迹发生器生成旋转轨迹。然后使用PI控制跟踪计划轨迹。为适应环境的变化，开发了运动规划和轨迹跟踪的并发软件模块。使用基于机器人操作系统（ROS）的RoboCup仿真系统对所产生的系统进行了应用和测试。仿真结果表明，运动规划系统能够生成无碰撞轨迹，轨迹跟踪系统能够跟踪生成的轨迹。在高度动态的环境中，在线方案能够重新规划轨迹。
2019-05-12 cs.RO
RRT$^η$: Sampling-based Motion Planning and Control from STL Specifications using Arithmetic-Geometric Mean Robustness
Boston University（波士顿大学）
RRT$^η$通过整合AGM鲁棒性度量，实现基于STL规范的高效运动规划与控制，提升多约束场景下的鲁棒性与性能。
2026-02-18 cs.RO
Rationally Inattentive Path-Planning via RRT*
Odyssey Space Research（奥德赛空间研究公司）；University of Texas at Austin（得克萨斯大学奥斯汀分校）
我们考虑的路径规划方案的移动机器人在配置空间中的障碍物下存在的随机干扰。在不确定配置空间上提出了一种新的路径长度度量，并与现有的RRT* 算法相结合。该度量是两个项的加权和，这两个项捕获机器人行进的欧几里得距离和感知成本，即，机器人必须感知的环境信息量，以安全地遵循路径。路径长度函数的拓扑结构的总变差度量的连续性示出和最优性的理性疏忽RRT* 算法进行了讨论。三个数值研究显示新算法的实用性。
2020-02-28 cs.RO cs.SY eess.SY
AM-RRT*: Informed Sampling-based Planning with Assisting Metric
University of Oxford（牛津大学）；Ocado Technology（奥卡多科技公司）
在本文中，我们提出了一种新的算法，扩展RRT* 和RT-RRT* 的在线路径规划在复杂的，动态的环境。基于采样的方法通常在具有狭窄通道的环境中表现不佳，这是移动机器人的许多室内应用以及计算机游戏的共同特征。我们的方法扩展了基于RRT的采样方法，使辅助距离度量的使用，以提高在有障碍物的环境中的性能。该辅助度量可以是在视线被阻挡时具有比欧几里德度量更好的属性的任何度量，该辅助度量与标准欧几里德度量结合使用，使得算法可以从辅助度量中获益，同时保持先前RRT变体的期望属性-即树覆盖的概率完整性和路径长度的渐近最优性。我们还介绍了一种新的方法，有针对性的重新布线，旨在缩短搜索时间和路径长度的任务，目标反复变化。我们证明，我们的方法提供了相当大的改进，现有的多查询规划，如RT-RRT* 时，使用扩散距离作为辅助度量，找到接近最佳的路径，减少了几个数量级的搜索时间。实验结果表明，规划时间减少了99.5%，路径长度减少了9.8%，比现有的实时RRT规划器在各种环境中。
2021-09-09 cs.AI cs.RO
Finding Coordinated Paths for Multiple Holonomic Agents in 2-d Polygonal Environment
FEL, CTU in Prague（布拉格捷克理工大学电气工程学院）
避免冲突是自治移动代理系统的重要任务之一。我们专注于问题的连续协调路径的多个移动磁盘代理在2-D环境中的多边形障碍。该问题是PSPACE困难的，状态空间随着代理数量呈指数级增长。因此，现有技术的方法主要包括反应式技术和基于采样的迭代算法。我们比较了广泛使用的反应方法ORCA的性能与三种变体的流行的规划算法RRT* 应用于多智能体路径规划，并发现一种算法相结合的反应碰撞避免和RRT* 规划，我们称之为ORCA-RRT* 可以用来解决的情况下，是达到的技术。我们的实验表明：1）该算法的反应部分可以有效地解决许多涉及大量代理的多代理路径查找问题，RRT* 算法通常无法在有限的时间内找到解决方案，以及2）该算法的规划组件能够解决许多包含局部最小值的实例，其中反应技术通常失败。
2014-02-14 cs.AI cs.RO
Motion Planning for Minimally Actuated Serial Robots
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Tel-Aviv University（特拉维夫大学）
针对最小驱动串联机器人（MASR）缺乏逆运动学求解与通用运动规划算法的问题，提出基于数据驱动IK模型的MASR-RRT*算法，可最小化动作时间，性能优于标准RRT*，并经真实机器人实验验证。
2024-08-12 cs.RO
Batch Informed Trees (BIT*)
Utah State University（犹他州立大学）
通过复杂障碍空间的路径规划是许多移动机器人应用的基本要求。最近，一种快速收敛的路径规划算法，批通知树（BIT*），介绍了。这项工作作为一个简明的写作和解释BIT*。这项工作包括BIT* 的描述和BIT* 如何操作，BIT* 的图形演示，以及BIT* 与最优快速探索随机树（RRT*）相比的仿真结果。
2023-03-10 cs.RO
GVD-Exploration: An Efficient Autonomous Robot Exploration Framework Based on Fast Generalized Voronoi Diagram Extraction
Soochow University（苏州大学）；National University of Singapore（新加坡国立大学）；Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）
针对RRT随机采样导致的边界提取低效问题，提出基于广义Voronoi图（GVD）的多选择机器人探索框架，包含端到端建图、启发式边界提取与多选择分配方案，在效率和鲁棒性上优于RRT方法。
2023-09-12 cs.RO
Model Predictive Trajectory Optimization With Dynamically Changing Waypoints for Serial Manipulators
Technische Universität Wien (TUW)（维也纳技术大学）；AIT Austrian Institute of Technology GmbH（奥地利技术研究院有限公司）
针对短时域在线轨迹优化难以纳入动态路点的问题，提出路点模型预测控制（wMPC），通过分割规划时域并缩短时域长度，实现低计算负载的实时重规划，实验验证其性能与离线RRT型规划器相当。
2024-02-07 cs.RO
Motion Planning for a Humanoid Mobile Manipulator System
Ecole Centrale de Lille（里尔中央理工学院）；Beihang University（北京航空航天大学）
提出了一种高冗余度非完整仿人移动双臂机械臂系统，研究了实现“类人”自主导航和操纵任务的运动规划。首先，提出了一种改进的MaxiMin NSGA-Ⅱ算法，该算法优化了5个目标函数，同时解决了移动基座和机械臂之间的奇异性、冗余性和耦合性问题，设计了操纵目标物体的最优位姿。然后，为了将初始位姿和最优位姿联系起来，设计了离线运动规划算法。提出了一种高效的直连双向RRT和梯度下降算法，大大减少了采样节点，并提出了一种几何优化方法进行路径修剪。此外，头向前的行为，通过计算合理的方向，并将其分配给移动基地，以提高人机交互的质量。第三，通过引入实时传感、碰撞测试和控制循环来更新动态环境中的机器人运动，从而扩展到在线规划。第四，提出了一种基于通路点的电子工程多目标遗传算法，通过优化四个目标函数来设计“类人”通路。最后，大量的仿真结果验证了所提出的算法的有效性。
2018-06-19 cs.RO
Hybrid Task and Motion Planning with Reactive Collision Handling for Multi-Robot Disassembly of Complex Products: Application to EV Batteries
Extreme Robotics Laboratory, School of Metallurgy and Materials, University of Birmingham（极端机器人实验室，冶金与材料学院，伯明翰大学）；Department of Applied Artificial Intelligence and Robotics, Aston University（应用人工智能与机器人学院，阿斯顿大学）
本文提出一种基于视觉的任务与运动规划框架，用于多机器人协同拆解复杂产品，通过学习型RRT规划器和混合安全层提高路径紧凑性和安全性，实验显示在电动汽车电池拆解中显著降低路径长度和扫过体积。
2026-04-20 cs.RO
Two-Step Online Trajectory Planning of a Quadcopter in Indoor Environments with Obstacles
Automation and Control Institute (ACIN), TU Wien（维也纳工业大学自动化与控制研究所）；Center for Vision, Automation and Control, AIT Austrian Institute of Technology（奥地利技术研究所视觉、自动化与控制中心）；Department of Computer Science, University of Liverpool（利物浦大学计算机科学系）
提出了一种在室内未知障碍物环境下的两步在线轨迹规划算法。在第一步中，基于采样的路径规划技术，如最佳快速探索随机树（RRT*）算法和视线（LOS）算法，生成一个无碰撞的路径组成的多路点。然后，在第二步中，约束二次规划被用来计算一个光滑的轨迹，通过所有计算的航路点。这项工作的主要贡献是开发了一个灵活的轨迹规划框架，可以检测环境中的变化，如新的障碍物，并计算替代轨迹实时的。该算法积极考虑环境中的所有变化，并只在被新障碍物占据的航路点上执行重新规划过程。这有助于减少计算时间并实时的实现所提出的方法。该算法的可行性评估使用英特尔航空准备飞行（RTF）四轴飞行器在模拟和现实世界的实验。
2023-02-06 cs.RO
CyPhyHouse: A Programming, Simulation, and Deployment Toolchain for Heterogeneous Distributed Coordination
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
程序设计语言、库和开发工具已经改变了移动计算和机器学习的应用程序开发过程。本文介绍了CyPhyHouse -一个工具链，旨在为分布式移动机器人应用程序提供类似的编程，调试和部署的好处。用户可以使用高级事件驱动Koord程序设计语言开发与硬件无关的分布式应用程序，而不需要控制器设计或分布式网络协议方面的专业知识。CyPhyHouse的模块化，平台独立的中间件实现这些功能，使用标准算法的路径规划（RRT），控制（MPC），互斥等一个高保真，可扩展的，多线程的模拟器Koord应用程序的开发模拟相同的应用程序代码的几十个异构代理。同样的编译代码也可以部署在异构的移动平台上。CyPhyHouse在改进设计周期方面的有效性在机器人测试平台中得到了明确说明，该测试平台通过在内部地面和飞行器上开发、模拟和部署分布式任务分配应用程序。
2019-10-10 cs.RO
Real-Time Long Range Trajectory Replanning for MAVs in the Presence of Dynamic Obstacles
Innopolis University（伊诺波利斯大学）
实时的【形】远程局部规划是一项具有挑战性的任务，特别是在存在动力学障碍的情况下。我们提出了一个完整的系统，这是能够执行本地重新规划的实时的【形】。在系统初始化阶段需要期望的轨迹;系统开始初始化系统的子组件，包括点云处理器、轨迹估计器和规划器。然后，多旋翼飞行器开始按给定轨迹移动。当它检测到障碍物时，它会将轨迹从当前姿势重新调整到预定义的距离，并结合所需的轨迹。点云处理器用于识别车辆周围最近的障碍物。对于重新规划，快速探索随机树（RRT*）与两个修改，允许规划在毫秒尺度的轨迹使用。一旦我们重新规划了所需的路径，就可以计算速度分量（x，y和z）和偏航率。这些值以恒定频率发送到控制器，以自主操纵车辆。最后，我们分别评估了每个组件，并在模拟和真实环境中测试了整个系统。
2020-05-04 cs.RO
MRRT: Multiple Rapidly-Exploring Random Trees for Fast Online Replanning in Dynamic Environments
University of Connecticut（康涅狄格大学）
本文提出了一种新的算法，称为MRRT，它使用多个快速探索的随机树的快速在线重新规划的自主车辆在动态环境中移动障碍物。该算法建立在具有多树结构的RRT算法之上。首先，RRT算法被应用到寻找初始解的基础上的部分知识的环境。然后，机器人开始执行这条路径。在每次迭代中，机器人的传感器收集新的障碍物配置并用于重新规划路径。这些新信息可以来自未知的静态障碍物（例如，海底布局）以及移动障碍物。然后，为了适应环境的变化，采用了两个程序：1）边缘修剪，2）树木再生。具体地，边缘修剪过程通过树检查碰撞状态，并且仅移除无效边缘，同时保持已经探索的区域的树结构。由于删除了无效边，树可能会被分解为多个不相交的树。因此，RRT算法被应用于重新生长树。具体来说，样本是随机创建的，并通过连接到最近的节点来连接到其局部邻域中的所有不相交树。最后，为机器人找到了一种新的解决方案。所提出的MRRT算法的优点如下：i）保留最大的树结构，只修剪的边缘碰撞的障碍，ii）保证概率的完整性，和iii）是快速重新规划的计算效率，因为所有不相交的树被保持为未来的连接，并同时扩大。
2021-04-22 cs.AI cs.RO cs.SY
R-LGP: A Reachability-guided Logic-geometric Programming Framework for Optimal Task and Motion Planning on Mobile Manipulators
University of Oxford（牛津大学）；Oxford Robotics Institute（牛津大学机器人研究所）；Istituto Italiano di Tecnologia（意大利技术研究院）
本文提出 R-LGP 框架，通过基于采样的可达性图融合障碍信息并剪枝不可行动作序列，增强 LGP 以解决高自由度移动机械臂的最优 TAMP 问题。
2024-03-05 cs.RO
Online Search-based Collision-inclusive Motion Planning and Control for Impact-resilient Mobile Robots
University of California, Riverside（加州大学河滨分校）
本文重点研究碰撞包容性运动规划和控制的冲击弹性移动机器人的新兴范式转变，并开发了一个统一的层次框架，在未知和部分可观察的混乱空间导航。在较低的水平，我们开发了一个变形恢复控制和轨迹重新规划策略，处理碰撞，可能会发生在运行时，本地。低级别系统主动检测碰撞（通过内置的-house中的移动机器人上的嵌入式霍尔效应传感器），使机器人能够从碰撞中恢复，并局部调整碰撞后的轨迹。然后，在更高的层次上，我们提出了一个基于搜索的规划算法，以确定如何最好地利用潜在的冲突，以提高某些指标，如控制能量和计算时间。我们的方法建立在具有跳跃点的A* 上。我们生成了一个新的启发式函数，碰撞检查和调整技术，从而使A* 算法收敛速度更快，通过开发和利用可能的碰撞达到目标。通过结合全局A* 算法和局部变形恢复和重新规划策略生成的整体分层框架，以及该框架的各个组件，在仿真和实验中进行了广泛的测试。消融研究将链接到相关的最先进的基于搜索的碰撞避免规划器（用于整体框架），以及基于搜索的碰撞避免和基于采样的碰撞包容性全局规划器（用于更高级别）。结果表明，我们的方法的碰撞包容性运动规划和控制在未知的环境中孤立的障碍物一类的冲击弹性机器人在2D操作的有效性。
2022-10-18 cs.RO cs.SY eess.SY
A Rapid Adapting and Continual Learning Spiking Neural Network Path Planning Algorithm for Mobile Robots
University of California, Irvine（加州大学欧文分校）
提出一种结合脉冲神经网络波前规划器与E-prop学习的导航系统，能在复杂环境中自适应映射多维度通行成本并规划出比A*和RRT*更短更低成本的路径，且兼容低功耗神经形态硬件。
2024-04-23 cs.RO
Sampling-Based Trajectory (re)planning for Differentially Flat Systems: Application to a 3D Gantry Crane
Automation and Control Institute (ACIN), TU Wien（维也纳工业大学自动化与控制研究所（ACIN））；Center for Vision, Automation and Control, AIT Austrian Institute of Technology（奥地利技术研究所（AIT）视觉、自动化与控制中心）
在本文中，基于采样的实验室规模的三维门式起重机在静态障碍物的环境中的轨迹规划算法，并受到限制的门式起重机系统的速度和加速度。重点是开发一个快速的运动规划算法，差分平面系统，中间结果可以存储和重用的进一步任务，如重新规划。所提出的方法是基于知情的最优快速探索随机树算法（知情RRT*），这是用来建立轨迹树，重新规划时，开始和/或目标状态改变重用。与现有的方法相比，所提出的运动规划算法采用了线性二次最小时间（LQTM）局部规划器。因此，动态性能，如时间最优性和平滑的轨迹直接考虑在所提出的算法。此外，通过结合分支定界方法对轨迹树进行修剪，该算法可以消除树中对找到更好的解决方案没有贡献的点。这有助于在运动（重新）规划期间抑制存储器消耗并降低计算复杂性。对一个三维门式起重机的仿真结果表明了该方法的可行性。
2023-03-26 cs.RO cs.SY eess.SY
Real-Time Fast Marching Tree for Mobile Robot Motion Planning in Dynamic Environments
Ingenuity Labs Research Institute（Ingenuity Labs研究院）
针对动态环境下移动机器人运动规划问题，提出RT-FMT算法，融合FMT*与RT-RRT*特性，实现局部-全局路径协同生成、动态避障及树结构复用，仿真验证其在执行成本、到达时间上优于RT-RRT*，且局部路径预执行可有效缩短到达时间。
2025-02-13 cs.RO cs.SY eess.SY
FMT$^{\mathrm{X}}$: Lazy Wavefront Search for Dynamic Replanning
本文提出FMT$^{\mathrm{X}}$算法，通过代价改进测试和直接代价推送实现动态重规划，实验显示其在路径质量、修复工作量及碰撞检查效率上表现良好，明确了碰撞检测策略对规划性能的影响。
2026-08-21 cs.AI cs.RO cs.SY
RRT-GPMP2: A Motion Planner for Mobile Robots in Complex Maze Environments
University College London（伦敦大学学院）
针对复杂迷宫环境下移动机器人的运动规划需求，提出融合GPMP2轨迹优化算法与RRT采样算法优势的RRT-GPMP2规划器，经仿真与海洋机器人虚拟场景应用验证了其性能与实用性。
2024-12-10 cs.RO
Fast and Safe Trajectory Optimization for Mobile Manipulators With Neural Configuration Space Distance Field
Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学机器人与自主系统研究组）；Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系）；Idiap Research Institute（Idiap研究所）；Institute of Data Science, The University of Hong Kong（香港大学数据科学研究所）
本文提出广义配置空间距离场（GCDF）用于移动机械臂的快速且安全轨迹优化，通过神经网络生成连续距离场并结合高效的凸优化框架实现高精度碰撞推理。
2026-01-27 cs.RO
Digital-Twin Evaluation for Proactive Human-Robot Collision Avoidance via Prediction-Guided A-RRT*
Department of Mechanical and Aerospace Engineering, Tandon School of Engineering, New York University（1 机械与航空航天工程系，工程学院，纽约大学）
针对人机协作主动避碰需求，提出融合细粒度人体运动预测、A-RRT*规划与数字孪生验证的安全框架，在试验中实现100%避碰、高安全间距与快速重规划，性能优于传统运动学规划器。
2025-10-03 cs.RO
SIL-RRT*: Learning Sampling Distribution through Self Imitation Learning
Czech Technical University in Prague（布拉格捷克技术大学）
针对移动对象安全可行轨迹规划问题，提出基于自模仿学习的SIL-RRT*算法，通过深度神经网络预测采样分布扩展RRT*，在2D和3D环境中验证其样本效率更高且可扩展到复杂环境，为高维机器人运动规划提供新方案。
2024-11-26 cs.RO
Dynamic Optimization Fabrics for Motion Generation
Delft University of Technology（代尔夫特理工大学）
优化结构是一种实时局部运动生成的几何方法，其中运动是通过组合表现出所需运动行为的几个微分方程来设计的。我们将这个框架推广到动态场景和非完整机器人，并证明了基本属性可以保存。我们表明，收敛到所需的轨迹和避免移动的障碍物，可以保证使用简单的建设规则的组件。此外，我们提出了优化织物和模型预测控制之间的第一个定量比较，并表明，优化织物可以产生类似的轨迹具有更好的可扩展性，因此，更高的重新规划频率（高达500 Hz的7自由度机械臂）。最后，我们提出了几个机器人，包括非完整移动机械手与10自由度和避免移动的人，支持理论研究结果的实证结果。
2023-03-08 cs.RO
Sampling-based path planning under temporal logic constraints with real-time adaptation
Chinese University of Hong Kong（香港中文大学）
在机器人在线执行过程中，时态逻辑任务的重新规划是非常困难的。这项研究介绍了一个有效的路径规划，计算时间逻辑目标的解决方案，并立即适应非静态和部分未知的环境。给定先验知识和任务规范，规划器首先通过增长基于采样的搜索树来识别初始可行解。在执行计算计划的同时，机器人维护一个解决方案库，以不断增强计划的未完成部分并存储备份计划。当遇到意想不到的障碍或认识到先验知识中的缺陷时，计划者会更新现有的计划。在获得高级路径后，轨迹生成器通过将其划分为运动基元的段来跟踪路径。我们的规划集成到一个自主移动机器人系统，进一步部署在多旋翼机有限的板载处理能力。在模拟和真实世界的实验中，我们的规划器被证明可以快速有效地适应环境的不确定性。
2023-02-22 cs.RO
A Shared Control Framework for Mobile Robots with Planning-Level Intention Prediction
Member, IEEE（IEEE会员）；Senior Member, IEEE（IEEE高级会员）
针对移动机器人共享控制中人类意图理解问题，提出含规划级意图预测的共享控制框架，联合建模意图域预测与路径重规划为马尔可夫决策过程并通过深度强化学习求解，仿真训练无需人类参与，能降低操作员工作量并提升安全性。
2026-10-27 cs.RO
LASMP: Language Aided Subset Sampling Based Motion Planner
University at Albany（奥尔巴尼大学）；GE Aerospace Research（GE航空航天研究院）
LASMP 利用 RoBERTa 语言模型解析自然语言指令来引导 RRT 采样，将节点数减少 55%、采样查询减少 80%，在复杂室内环境中实现更高效安全的机器人运动规划。
2024-10-01 cs.AI cs.HC cs.LG
Reinforcement learning based local path planning for mobile robot
Kahramanmaraş İstiklal University（卡赫拉曼马拉什独立大学）；Kahramanmaraş Sütçüimam University（卡赫拉曼马拉什苏楚伊玛姆大学）
本研究评估基于深度Q-Learning（DQN）和深度DQN的强化学习方法，用于移动机器人在线局部路径规划，以解决离线重规划与在线数据需求问题，实现避障导航。
2023-10-24 cs.AI cs.RO
Connected Reconfiguration of Polyominoes Amid Obstacles using RRT*
University of Houston（休斯顿大学）；TU Braunschweig（布伦瑞克工业大学）
本文研究了使用基于采样的方法，RRT*，在复杂的环境中，可能存在多个障碍物，重新配置一组二维连接瓷砖。由于目标应用程序是使用移动机器人自动构建离散的蜂窝结构，因此存在确定在重新配置期间可以拾取哪些瓷砖以及可以将其放置在何处的约束。我们比较我们的方法，两个算法作为全球和本地规划，并表明，我们能够找到更有效的构建序列使用合理数量的样本，在不同密度的障碍物的环境中。
2022-10-26 cs.RO
Socially Adaptive Path Planning Based on Generative Adversarial Network
Robotics and Microsystems Center, School of Mechanical and Electric Engineering, Soochow University（苏州大学机电工程学院机器人与微系统中心）
本文针对机器人社会自适应路径规划泛化性不足的问题，提出结合GAN与RRT*及RTIRL的GAN-RTIRL框架，通过示范路径更新模型，提升路径拟人化程度和同伦率。
2024-04-29 cs.RO cs.SY eess.SY
Deformation Recovery Control and Post-Impact Trajectory Replanning for Collision-Resilient Mobile Robots
University of California, Riverside（加州大学河滨分校）
本文主要研究了碰撞包容的碰撞恢复移动机器人运动规划。我们提出了一个新的变形恢复和重新规划策略，以处理可能发生的碰撞，在运行时。与仅在保守的局部空间中生成轨迹或需要具有高计算成本的碰撞检查的碰撞避免方法相反，我们的方法直接生成（局部）轨迹，仅施加航点约束。如果发生碰撞，我们的方法然后估计碰撞后的状态，并从那里计算一个中间航路点，以从碰撞中恢复。为了实现这一点，我们开发了两个新的组件：1）变形恢复控制器，优化机器人的状态在碰撞后恢复阶段，和2）后的影响轨迹重新规划器，调整下一个路点的信息，从碰撞的机器人通过，并产生一个基于多项式的最小努力轨迹。该策略进行了实验评估与全方位的冲击弹性轮式机器人。该机器人是在室内设计的，并且它可以借助于在机器人的主底盘和周围的偏转环状结构之间实施的霍尔效应传感器来感知碰撞。
2021-08-04 cs.RO cs.SY eess.SY
Improved Discrete RRT for Coordinated Multi-robot Planning
Czech Institute of Informatics, Robotics, and Cybernetics, Czech Technical University in Prague（捷克理工大学信息学、机器人与控制论研究所）；Czech Technical University in Prague（捷克理工大学）
本文讨论了一个移动机器人的车队的协调问题-的问题，找到一个最佳的一组无碰撞的轨迹在车队中的个人机器人。在过去的几十年中，已经引入了许多方法，但其中少数是实际适用的，即快速，产生接近最优的解决方案，并完成。我们提出了一种新的概率方法的基础上，快速探索随机树算法（RRT）显着提高其多机器人的离散环境的变体。实验结果表明，所提出的方法是足够快的解决问题，数十个机器人在几秒钟内。尽管由该方法生成的解决方案比（ter Mors等人，2010年），它解决了terMors算法失败的问题。
2019-01-22 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
Towards Learning Scalable Agile Dynamic Motion Planning for Robosoccer Teams with Policy Optimization
针对快节奏环境中多智能体动态运动规划的可扩展性与效率问题，提出基于策略优化的学习型动态导航模型，解决异构机器人团队在障碍物环境下的碰撞避免与目标到达问题，突破传统算法限制。
2025-02-08 cs.AI cs.LG cs.MA
$κ$-PMP: Enhancing Physics-based Motion Planners with Knowledge-based Reasoning
Institute of Industrial and Control Engineering (IOC), Universitat Politècnica de Catalunya (UPC) – Barcelona Tech（加泰罗尼亚理工大学巴塞罗那科技学院工业与控制工程研究所）
基于物理的运动规划是一项具有挑战性的任务，因为它需要计算机器人的运动，同时允许与环境中的（一些）障碍物进行可能的交互。为此目的，通常使用配备有充当状态传播器的动态引擎的运动动力学运动规划器。困难出现在设置足够的力的相互作用，因为这些相互作用可能会改变的可操纵的障碍物的姿态，从而促进或阻止的解决方案的路径的发现。本文提出了使用一个增强的状态传播器组成的动态引擎和一个低层次的几何推理过程，用于确定如何与对象进行交互，即从哪里和与哪些力量。被称为\k{appa} -PMP的建议可以与任何运动动力学规划器一起使用，从而产生例如\k{appa} -RRT。该方法还包括预处理步骤，该预处理步骤从根据本体描述的语义抽象知识推断推理过程所需的操纵知识。所提出的方法已被验证的几个例子，涉及完整的移动机器人，机器人与微分约束和串行机械手，并基准使用几个国家的最先进的运动动力学规划。结果表明，相对于简单的基于物理的规划，成功率和解决方案路径的质量的提高，功耗有显着差异。
2017-09-30 cs.RO
SLAP: Simultaneous Localization and Planning Under Uncertainty for Physical Mobile Robots via Dynamic Replanning in Belief Space: Extended version
NASA-JPL, Caltech（NASA-喷气推进中心，加州理工学院）；Dept. of Aerospace Eng. and Amato is with the Dept. of Computer Science（航空航天工程系和计算机科学系）；Dept. of Computer Science（计算机科学系）
本文提出一种在不确定性环境下通过信念空间动态重新规划实现物理移动机器人同时定位与规划的方法，通过在线重新规划循环改进离线策略，有效应对环境变化和大定位误差，优于FIRM方法。
2018-05-13 cs.RO cs.SY eess.SY
Distributionally robust risk map for learning-based motion planning and control: A semidefinite programming approach
Seoul National University（首尔国立大学）；Automation and Systems Research Institute（自动化与系统研究所）
本文提出了一种新的安全规范工具，称为分布式鲁棒风险地图（DR风险地图），在学习环境中运行的移动机器人。给定机器人的位置，该地图旨在可靠地评估与障碍物碰撞的条件风险值（CVaR），障碍物的运动由高斯过程回归（GPR）推断。不幸的是，推断的分布是受误差，使得难以准确地评估碰撞的CVaR。为了克服这一挑战，该工具在所谓的模糊性集合中测量最坏情况分布下的风险，该模糊性集合表征了允许的分布误差。为了解决无限维问题固有的DR-风险图的建设，我们推导出一个易于处理的半定规划公式，提供了一个上限的风险，利用现代分布鲁棒优化技术。作为运动规划的一个具体应用，一个分布式鲁棒RRT* 算法被认为是使用的风险地图，解决由GPR造成的分布错误。此外，运动控制方法的设计使用DR风险图在基于学习的模型预测控制（MPC）制定。特别地，提出了风险图的神经网络近似，以减少求解MPC问题的计算成本。建议的风险地图的性能和实用性证明，通过模拟研究，显示其能力，以确保移动机器人的安全，尽管学习错误。
2021-05-03 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
Gaussian Belief Space Path Planning for Minimum Sensing Navigation
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Tokyo Institute of Technology（东京工业大学）
我们提出了一种路径规划方法的移动机器人导航通过充满障碍的环境中产生一个参考路径是可追溯的适度的传感努力。所需的参考路径的特点是在一个充满障碍的高斯信念流形配备了一个新的信息几何距离函数的最短路径。我们引入的距离函数被证明是一个非对称的准伪度量，可以被解释为引导高斯信念所需的最小信息增益。提出了一种基于RRT * 的数值求解算法来求解最短路径问题。为了深入了解所提出的算法的渐近最优性，我们考虑的路径长度函数是连续的拓扑结构的总变分。仿真结果表明，所提出的方法是有效的，在各种机器人导航方案，以减少传感器的成本，如所需的频率的传感器测量和必须同时操作的传感器的数量。
2022-12-07 cs.IT cs.RO math.IT
Integrated Exploration and Sequential Manipulation on Scene Graph with LLM-based Situated Replanning
Beihang University（北航大学）；State Key Laboratory of General Artificial Intelligence（一般人工智能国家重点实验室）；University of California, Los Angeles（加州大学洛杉矶分校）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
EPoG通过结合基于图的全局规划器与LLM的定位局部规划器，实现探索与顺序操作规划的无缝结合，有效提升机器人在部分已知环境中的任务执行效率。
2026-02-14 cs.RO
A Solution to Adaptive Mobile Manipulator Throwing
EPFL（洛桑联邦理工学院）
移动机械手抛投是提高工厂动态操作灵活性和效率的一种很有前途的方法。它的主要挑战是有效地计划一个可行的投掷下广泛的任务规范。我们表明，移动机械手投掷问题可以简化为一个平面的问题，从而大大降低了计算成本。使用机器学习方法，我们建立了一个模型的对象的倒飞行动力学和机器人的运动学的可行性，这使得投掷运动生成在1毫秒内给定的查询目标位置。由于我们的方法的计算效率，我们表明，该系统是自适应的干扰下，通过重新规划的飞行替代解决方案，而不是坚持原来的投掷计划。
2022-08-03 cs.RO
Systematic Comparison of Path Planning Algorithms using PathBench
Ryerson University（瑞尔森大学）；Imperial College London（帝国理工学院）
路径规划是移动机器人的重要组成部分。经典的路径规划算法，如波前和快速探索随机树（RRT）被广泛应用于自主机器人。随着机器学习的发展，基于学习的路径规划算法得到了快速的发展。一个统一的路径规划接口，促进现有的和新的算法的开发和基准测试是必要的。本文介绍了PathBench，现有的和未来的，经典的和基于学习的路径规划算法在2D和3D网格世界环境中的开发，可视化，培训，测试和基准测试的平台。支持许多现有的路径规划算法;例如，A*，Dijkstra，路点规划网络，值迭代网络，门控路径规划网络;并且集成新算法很容易且明确规定。本文通过比较五种不同硬件系统和三种不同地图类型（包括内置PathBench地图、视频游戏地图和来自真实世界数据库的地图）的算法，探讨了PathBench的基准测试能力。使用路径长度、成功率和计算时间等参数来评估算法。还对真实世界的机器人进行了性能分析，以证明PathBench对机器人操作系统（ROS）的支持。PathBench是开源的。
2022-03-07 cs.AI cs.RO
