Jointly-optimized Trajectory Generation and Camera Control for 3D Coverage Planning
KIOS Research and Innovation Centre of Excellence(KIOS卓越研究与创新中心);University of Cyprus(塞浦路斯大学)
本文提出一种联合优化UAV轨迹与相机控制的三维覆盖规划方法,通过光线追踪和混合整数规划实现物体表面最大覆盖,并经真实与合成实验验证。
2025-04-08 cs.RO cs.SY eess.SY
CT-CPP: Coverage Path Planning for 3D Terrain Reconstruction Using Dynamic Coverage Trees
University of Connecticut(康涅狄格大学)
这封信解决了三维覆盖路径规划(CPP)问题的地形重建未知的障碍丰富的环境。由于传感器的限制,所提出的方法,称为CT-CPP,执行分层扫描的3D区域收集地形数据,其中的旅行序列是使用的概念,覆盖树(CT)与TSP启发的树遍历策略进行优化。CT-CPP方法在高保真水下模拟器上进行了验证,并将结果与现有的地形跟随CPP方法进行了比较。结果表明,CT-CPP产生的轨迹长度,能量消耗和重建误差显着减少。
2021-12-02 cs.AI cs.RO cs.SY
Decentralized Coverage Path Planning with Reinforcement Learning and Dual Guidance
Shanghai Jiao Tong University(上海交通大学)
以分散的方式规划多机器人的覆盖路径,增强了覆盖任务处理不确定故障的鲁棒性。为了以分布式方式为每个机器人实现高效率,对复杂环境和合作代理意图的全面理解至关重要。不幸的是,现有的工作通常只考虑这些因素的一部分,导致不平衡的分区或不必要的重叠。为了解决这个问题,我们引入了一个分散的强化学习框架与双重指导训练每个代理,以解决分散的多覆盖路径规划问题,直接通过环境状态。由于分布式机器人需要其他意图来执行更好的覆盖效率,我们利用两种指导方法,人工势场和启发式指导,包括和整合其他意图到每个机器人的观察。通过我们构建的框架,结果表明我们的代理成功地学习确定自己的子区域,同时实现全覆盖,平衡的子区域和低重叠率。然后,我们在这些子区域内实现生成树覆盖,为每个机器人构建实际路线并完成给定的覆盖任务。我们的性能还与最先进的分散式方法进行了比较,显示重叠率最多降低10%,同时在类似环境中执行高效率。
2022-10-14 cs.RO cs.SY eess.SY
Autonomous and Resilient Control for Optimal LEO Satellite Constellation Coverage Against Space Threats
低地球轨道卫星星座覆盖范围已成为各种空间应用的基础平台。然而,快速变化的安全环境,如轨道碎片和敌对的空间威胁,极大地危及卫星星座的安全和卫星星座覆盖的完整性。由于在轨修复具有挑战性,因此需要一种分布式和自主的保护机制,以确保卫星星座覆盖范围的适应性和自我修复,以抵御不同的攻击。为此,我们建立了一个集成和分布式的框架,使弹性卫星星座覆盖规划和控制在一个单一的轨道。每个卫星都可以单独做出决定,从对抗性和非对抗性攻击中恢复,并继续提供覆盖服务。我们首先提供模型和方法来衡量覆盖性能。然后,我们将联合弹性覆盖规划控制问题表示为两阶段问题。提出了一种覆盖博弈模型来求解弹性覆盖规划中的均衡星座部署,并给出了一种基于Agent的均衡星座部署算法。采用多路点模型预测控制(MPC)方法实现自主自愈控制。最后,我们使用一个典型的低轨卫星星座作为案例研究,以证实的结果。
2022-03-03 cs.SY eess.SY
A Planning Framework for Persistent, Multi-UAV Coverage with Global Deconfliction
Carnegie Mellon University(卡内基梅隆大学);Mitsubishi Heavy Industries, Ltd.(三菱重工业株式会社)
多机器人覆盖规划旨在为一队机器人确定无碰撞路径,使它们能够共同观察环境中的兴趣点。持续覆盖是传统覆盖的一种变体,其中环境中的覆盖水平随着时间的推移而衰减。因此,机器人必须不断地重新访问环境的部分以保持期望的覆盖水平。要在现实世界中实现这一点,我们需要解决许多子问题。虽然存在这些子问题的标准解决方案,但没有一个完整的框架,可以在实际环境中解决所有单个挑战。我们调整并结合这些解决方案,提出了一个规划框架,用于多个无人机(UAV)的持续覆盖。具体来说,我们运行一个连续循环的目标分配和全球性的去冲突,kinodynamic路径规划多无人机。我们在模拟和现实世界中评估我们的框架。特别是,我们证明了(i)我们的框架在资源充足的情况下表现出优雅的覆盖率,我们保持持久的覆盖率;如果资源不足(例如,对于给定大小的环境,无人机太少),覆盖水平衰减缓慢,(ii)与其他较弱的,更本地的碰撞检查计划相比,在我们的框架中,规划与全球去冲突会导致可忽略的更高的价格。(视频:https://youtu.be/aqDs6Wymp5Q)
2019-10-16 cs.AI cs.RO cs.SY
Unscented Optimal Control for 3D Coverage Planning with an Autonomous UAV Agent
KIOS Research and Innovation Centre of Excellence (KIOS CoE)(KIOS卓越研究与创新中心(KIOS CoE));University of Cyprus(塞浦路斯大学)
提出一种概率鲁棒控制器,将3D覆盖规划表述为带逻辑约束的最优控制问题,通过Unscented变换实现鲁棒的开环覆盖计划设计。
2023-06-30 cs.RO cs.SY eess.SY
Efficient Probabilistic Planning with Maximum-Coverage Distributionally Robust Backward Reachable Trees
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(信息与决策系统实验室,麻省理工学院);Draper, Cambridge MA 02139(Draper,剑桥MA 02139)
本文提出两种针对线性高斯系统的多查询运动规划算法,利用分布鲁棒后向可达树和新型模糊集公式,实现高概率到达目标区域,并证明在特定条件下达到最大或更优覆盖,通过仿真验证有效性。
2025-10-06 cs.RO cs.SY eess.SY
Comparison of Innovative Strategies for the Coverage Problem: Path Planning, Search Optimization, and Applications in Underwater Robotics
本文比较了TSP、MST和OCP三种覆盖路径规划策略,用于水下机器人检测放射性源,发现OCP在时间受限时更优但计算成本高,MST更快但次优,为任务优先级下的算法选择提供指导。
2025-06-18 cs.RO cs.SY eess.SY
Coverage Path Planning For Multi-view SAR-UAV Observation System Under Energy Constraint
针对多视角SAR-UAV观测系统,提出基于自适应密度峰值聚类和粒子群优化的覆盖路径规划方法,以在能量约束下最大化覆盖率并降低计算复杂度。
2025-05-22 cs.SY eess.SY
Integrated Ray-Tracing and Coverage Planning Control using Reinforcement Learning
KIOS Research and Innovation Centre of Excellence(KIOS卓越研究与创新中心);University of Cyprus(塞浦路斯大学)
本文提出将光线追踪与覆盖规划控制集成,将约束最优控制问题转化为马尔可夫决策过程,并用Q-learning学习最优控制律,实现有限传感域下移动智能体对物体表面的高效覆盖。
2023-04-19 cs.RO cs.SY eess.SY
SDP Synthesis of Maximum Coverage Trees for Probabilistic Planning under Control Constraints
Massachusetts Institute of Technology(麻省理工学院);Laboratory for Information and Decision Systems(信息与决策系统实验室)
提出MAXCOVAR BRT多查询算法,通过新颖优化公式和h-BRS概念,在控制约束与随机不确定性下构建路线图,实现可证明的最大覆盖概率规划。
2024-03-21 cs.RO cs.SY eess.SY
Continuous World Coverage Path Planning for Fixed-Wing UAVs using Deep Reinforcement Learning
TUM School of Engineering and Design, Technical University of Munich(慕尼黑技术大学工程与设计学院);Dept. of Electrical Engineering and Computer Sciences, University of California, Berkeley(加州大学伯克利分校电气工程与计算机科学系)
针对固定翼无人机在连续环境中的覆盖路径规划问题,提出基于AM-SAC与自适应课程的深度强化学习方法,以学习节能且满足曲率约束的完整覆盖策略。
2025-05-13 cs.LG cs.RO cs.SY
Connectivity-Aware UAV Path Planning with Aerial Coverage Maps
Department of ECE, Hong Kong University of Science and Technology, Hong Kong(香港科技大学电子工程系);Department of EIE, The Hong Kong Polytechnic University, Hong Kong(香港理工大学电子工程系)
本文提出了一种利用UAV可控移动来克服地面用户优化的蜂窝网络在空中覆盖不连续问题的连接意识UAV路径规划方法,通过引入两个新指标量化UAV路径的蜂窝连接质量,并利用空中覆盖图提供准确的散射覆盖孔位置,将UAV路径规划问题转化为在连接约束下寻找最短路径的问题。
2019-06-01 cs.NI cs.RO cs.SY
$ε^*$+: An Online Coverage Path Planning Algorithm for Energy-constrained Autonomous Vehicles
University of Connecticut(康涅狄格大学)
本文提出了一种新的算法,称为$ε^*$ +,使用能量受限的自主车辆的未知环境的在线覆盖路径规划。由于有限的电池尺寸,能量受限的车辆具有有限的操作时间持续时间。因此,在执行覆盖轨迹时,车辆必须在电池耗尽之前返回充电站进行充电。在这方面,$ε^*$ +算法使得车辆能够基于在整个覆盖过程中监测的剩余能量退回到充电站。这之后是一个前进轨迹,它将飞行器带到附近未探测的航路点重新开始覆盖过程,而不是将其带回到撤退轨迹的先前遗留点;从而减少了整体覆盖时间。所提出的$ε^*$ +算法是$ε^*$算法的扩展,该算法利用探索性图灵机(ETM)作为管理器,以来回轨迹导航车辆以实现完全覆盖。$ε^*$ +算法的性能在复杂场景中使用Player/Stage(高保真机器人模拟器)进行了验证。
2020-08-29 cs.AI cs.RO cs.SY
PRISM: Efficient and Locally Optimal Probabilistic Planning with Reachability Guarantees
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(信息与决策系统实验室,麻省理工学院);Draper
提出PRISM算法,通过将信念空间规划分解为确定性均值规划和协方差收缩,并引入在线局部优化,在满足状态和控制约束下实现高覆盖率和低成本,同时提供可达性保证。
2026-06-26 cs.RO cs.SY eess.SY
Radio-Coverage-Aware Path Planning for Cooperative Autonomous Vehicles
University of Perugia(佩鲁贾大学);Consorzio Nazionale Interuniversitario per le Telecomunicazioni(意大利全国电信联合委员会)
本文提出一种考虑无线覆盖的路径规划算法,通过修改Dijkstra和A*等算法的成本函数,优化路径选择以减少行驶距离并提高覆盖效率。
2026-05-13 cs.SY eess.SP eess.SY
C*: A Coverage Path Planning Algorithm for Unknown Environments using Rapidly Covering Graphs
Dept. of Electrical and Computer Engineering, University of Connecticut(电气与计算机工程系,康涅狄格大学)
C*是一种基于快速覆盖图的未知环境覆盖路径规划算法,通过高效采样和修剪技术实现最优覆盖,显著提升覆盖效率并防止覆盖孔形成。
2026-03-06 cs.RO cs.SY eess.SY
Optimal In-field Routing for Full and Partial Field Coverage with Arbitrary Non-Convex Fields and Multiple Obstacle Areas
在优化农业物流的背景下,本文涉及到最佳的现场路由的全部和部分领域覆盖任意非凸领域和多个障碍物领域。它是区分九个不同的现场路由任务:两个全域覆盖,七个部分域覆盖和一个过渡图的任何两个顶点之间的最短路径规划。它区分任务的相同或不同的开始和结束顶点、仅顶点子集的覆盖以及边或组合的子集。所提出的方法主要是针对具有较大操作宽度的喷洒和施肥以及具有独特的岬角路径的田地而开发的。仅必须覆盖边缘的特定子集与精确农业相关,并且还与具有有限装载能力的较小尺寸机械的优化物流操作相关。本研究的结果是命题的两个兼容的算法,分别为最佳的全覆盖和部分领域覆盖的路径规划。这些评估三个现实世界的领域,以证明其特点和计算效率。
2019-08-21 cs.SY eess.SY
REACT: Real-time Entanglement-Aware Coverage Path Planning for Tethered Underwater Vehicles
Artificial Intelligence in Robotics Laboratory (AiR Lab), Department of Electrical and Computer Engineering, Aarhus University(人工智能机器人实验室(AiR实验室),电气与计算机工程系,阿arhus大学);NestAI;EIVA a/s(EIVA公司);Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)(德国人工智能研究中心(DFKI));Automatic Control Group, Department of Electrical Engineering and Information Technology, Paderborn University(自动控制组,电气工程与信息科技系,帕德博恩大学)
REACT通过实时纠缠感知覆盖路径规划,实现了安全高效的水下结构检查,比传统方法快20%完成任务。
2026-02-06 cs.RO cs.SY eess.SY
UAV Coverage Path Planning under Varying Power Constraints using Deep Reinforcement Learning
Technical University of Munich(慕尼黑工业大学);EURECOM(欧洲通信学院)
覆盖路径规划(CPP)是设计一个轨迹,使移动代理的每一个点的兴趣区域旅行的任务。我们提出了一种新的方法来控制无人机(UAV)携带相机的CPP任务与随机的开始位置和多个选项的着陆位置在一个环境中包含禁飞区。虽然已经提出了许多方法来解决类似的CPP问题,我们利用端到端的强化学习(RL)学习控制策略,概括了不同的功率约束的无人机。尽管最近电池技术有所改进,但小型无人机的最大飞行范围仍然是一个严重的限制,这是由于无人机的功耗变化难以预测而加剧的。通过使用类似于地图的输入通道,通过卷积网络层向智能体提供空间信息,我们能够训练双深度Q网络(DDQN)为无人机做出控制决策,平衡有限的功率预算和覆盖目标。所提出的方法可以应用于各种各样的环境,并协调复杂的目标结构与系统约束。
2021-02-12 cs.RO cs.SY eess.SY
Graph-based Simultaneous Coverage and Exploration Planning for Fast Multi-robot Search
Carnegie Mellon University(卡内基梅隆大学)
在大型未知环境中,通过并行化工作,使用多机器人舰队可以使搜索操作更加省时。这意味着机器人必须有效地执行协作映射(探索),同时搜索受害者的区域(覆盖范围)。以前的同步绘图和规划技术将这些问题视为单独的,并且没有利用统一方法的可能性。我们提出了一种新的探索覆盖规划器的桥梁映射和搜索域的随机树的增长集植根于通过映射产生的姿态图,以生成感兴趣的点,或任务。此外,重要的是,机器人首先优先考虑高信息任务,通过平衡覆盖和探索,在最短的时间内找到最多的受害者,这是目前的方法没有解决的。为了实现这一目标,我们还提出了一个新的多机器人任务分配器,制定了一个概念的层次信息启发式的时间关键的协作搜索。我们的研究结果表明,我们的算法产生了20%以上的覆盖效率,定义为平均每秒覆盖面积,与现有的最先进的。我们的算法和我们的多机器人搜索堆栈的其余部分是基于ROS和开源
2023-03-03 cs.MA cs.RO cs.SY
Planning of EM Skins for Improved Quality-of-Service in Urban Areas
最佳规划的电磁皮肤(EMS)安装在建筑物外墙上,以提高接收信号的强度,从而在大规模的城市地区的无线覆盖和/或服务质量(QoS),解决。更具体地说,系统的设计(SbD)范例的一个新的实例,提出了一个智能电磁环境(SEME)的实施,其中部署低成本的无源静态反射皮肤,以提高在选定的区域内接收的功率水平的兴趣(ROI)。由于SbD功能块的特别定制,包括利用数字孪生(DT)对无线覆盖条件进行准确而快速的评估,从而产生了有效的解决方案。数值结果,处理现实世界的试验台,显示评估的能力,潜力,和目前的局限性所提出的EMS规划策略。
2021-10-18 cs.SY eess.SY
Coverage Path Planning for Thermal Interface Materials
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);Robert Bosch GmbH(罗伯特·博世有限公司);Bosch Center for Artificial Intelligence (BCAI)(博世人工智能中心)
本文针对汽车电子热界面材料点胶路径规划问题,提出一种全自动优化方法,在满足制造约束的同时优于人工试错规划,并通过真实量产产品与设备实验验证了其有效性与可靠性。
2024-05-22 cs.LG cs.SY eess.SY
On the Application of Model Predictive Control to a Weighted Coverage Path Planning Problem
针对加权覆盖路径规划问题,提出带覆盖约束的新型模型预测控制方法,结合TSP启发式初始化可提升效果,仿真验证其性能优于朴素MPC。
2025-10-01 cs.MA cs.RO cs.SY
Energy-Aware Coverage Planning for Heterogeneous Multi-Robot System
针对异构多机器人覆盖问题,提出一种基于Lloyd算法的能量感知分布式控制律,考虑机器人能量容量与消耗速率差异,动态调整权重并划分区域,经仿真与真实实验验证优于三种基线方法。
2024-11-04 cs.MA cs.RO cs.SY
On the Use of the Observability Gramian for Partially Observed Robotic Path Planning Problems
Department of Electrical and Computer Engineering(电气与计算机工程系)
本文探讨了利用可观测性格拉姆矩阵作为估计性能代理进行优化的局限性,指出其可能产生误导性的路径规划结果。
2018-01-30 cs.RO cs.SY eess.SY
Path Planning Optimisation for SParse, AwaRe and Cooperative Networked Aerial Robot Teams (SpArC-NARTs): Optimisation Tool and Ground Sensing Coverage Use Cases
Institute for Systems and Robotics(系统与机器人研究所)
本文提出了一种用于稀疏、感知和协作网络化空中机器人团队的路径规划工具,通过考虑环境信息、能量限制和通信约束,优化任务目标并提升群体协作效率。
2026-07-21 cs.RO cs.SY eess.SY
Multi-UAV trajectory planning for 3D visual inspection of complex structures
University of Rijeka(里耶卡大学);University of Southern Denmark(南丹麦大学)
自主无人机在基础设施检查任务中的应用在减少操作时间、安全性和成本效益方面提供了好处。提出了一种基于热方程驱动区域覆盖(HEDAC)算法的三维多无人机自主体积覆盖和基础设施视觉检测轨迹规划方法。该方法使用势场生成轨迹,并实施距离场以防止碰撞并确定UAV的相机方向。在风力涡轮机和桥梁等复结构的目视检查过程中,它成功地实现了覆盖范围,在相同条件下可以检查更多的表面积,优于最先进的方法。所提出的轨迹规划方法提供了各种设置参数的灵活性,并适用于现实世界的检测任务。最后,所提出的方法可以潜在地应用于不同的自主无人机任务,甚至可以用作无人机运动控制方法,如果其计算效率的提高。
2022-12-07 cs.MA cs.RO cs.SY
Multi-UAV Active Sensing with Information Gain-based Planning and Belief Fusion
University of California, Berkeley(加州大学伯克利分校)
提出多无人机主动感知框架,利用信息增益路径规划与概率信念融合实现二元地形映射,在合成和真实农业图像上验证,相比随机游走和扫描覆盖降低熵与误差。
2026-06-09 cs.RO cs.SY eess.SY
Multi-UAV Planning for Cooperative Wildfire Coverage and Tracking with Quality-of-Service Guarantees
Georgia Institute of Technology(佐治亚理工学院)
近年来,研究人员委托机器人和无人机(无人机)团队进行准确的在线野火覆盖和跟踪。虽然大多数先前的工作集中在这种多机器人系统的协调和控制上,但迄今为止,这些UAV团队还没有被赋予推理火灾轨迹的能力(即,位置和传播动态)以在时间范围上提供性能保证。受空中野火监测问题的启发,我们提出了一个预测框架,该框架使多无人机团队能够在概率性能保证的情况下进行合作,以实现协作的现场覆盖和火灾跟踪。我们的方法使无人机推断的潜在火灾传播动力学的时间延长的协调在安全关键条件。我们推导出一组新的,分析的时间,和跟踪误差的界限,使无人机团队分配其有限的资源,并根据情况下的特定估计状态覆盖整个火灾区域,并提供概率性能保证。我们的结果不仅限于空中野火监测的案例研究,一般适用于问题,如搜索和救援,目标跟踪和边境巡逻。我们评估我们的方法在模拟和演示的物理多机器人测试平台上的建议框架,以考虑到真正的机器人动力学和限制。我们的定量评估验证了我们的方法的性能,分别比最先进的基于模型和强化学习基准测试的跟踪误差小7.5倍和9.0倍。
2022-06-21 cs.AI cs.RO cs.SY
Sim-to-Real Transfer of Deep Reinforcement Learning Agents for Online Coverage Path Planning
Department of Electrical Engineering, Linköping University, Sweden(瑞典林雪平大学电气工程系);Department of Information and Communication Engineering, Dalian University of Technology, China(中国大连理工大学信息与通信工程学院);School of Engineering, University of KwaZulu-Natal, Durban, South Africa(南非夸祖鲁-纳塔尔大学工程学院)
研究探索连续空间强化学习用于未知环境在线覆盖路径规划,提出基于前沿的自我中心地图表示与总变差奖励项,通过半虚拟环境实现模拟到现实迁移,性能优于现有方法且成功部署于真实机器人。
2025-08-23 cs.LG cs.RO cs.SY
Optimized Renewable Energy Planning MDP for Socially-Equitable Electricity Coverage in the US
Westminster High School, GA, USA(华盛顿州西敏公学);Department of Aeronautics and Astronautics, Stanford University(斯坦福大学航空航天系)
本研究提出基于马尔可夫决策过程的可再生能源分配优化框架,纳入预算、需求波动及社会脆弱性指标,实验证明该公平导向方法可提升可再生能源渗透率、减少低收入服务不足人口,实现公平与系统性能的平衡。
2025-08-15 cs.AI cs.CE cs.SY