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
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
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
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
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
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
Constrained Iterative LQG for Real-Time Chance-Constrained Gaussian Belief Space Planning
Tsinghua University（清华大学）；Shanghai Qizhi Institute（上海期智研究院）；University of California, Berkeley（加州大学伯克利分校）；University of Tokyo（东京大学）
不确定条件下的运动规划对于自动驾驶汽车等安全关键系统具有重要意义。这样的系统必须满足必要的约束（例如，碰撞避免），其具有来自受干扰的系统动态或噪声传感器测量的潜在不确定性。然而，现有的运动规划方法不能有效地找到一般非线性和非凸设置下的鲁棒最优解。本文提出了机会约束的高斯置信空间规划问题，并提出了一种实时的【形】求解约束迭代线性二次高斯（CILQG）算法。在该算法中，我们迭代地计算一个高斯近似的信念和转换的机会约束。我们评估我们的方法在模拟自动驾驶规划任务的静态和动态障碍物的有效性。结果表明，CILQG能更好地处理不确定性，计算时间比基线方法更快。
2021-08-21 cs.RO 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
Dynamically Constrained Motion Planning Networks for Non-Holonomic Robots
University of California San Diego（加州大学圣迭戈分校）
可靠的机器人实时规划在当今快速扩张的自动化生态系统中至关重要。在这样的环境中，传统的方法，计划放松约束变得不可靠或运动约束的机器人慢。本文介绍了算法动态运动规划网络（动态MPNet），运动规划网络的扩展，非完整机器人，解决实时运动规划的挑战，使用神经规划方法。我们提出了对训练和规划网络的修改，使其能够进行实时规划，同时提高训练的数据效率和训练模型的泛化能力。我们评估我们的模型在模拟规划任务的非完整机器人。我们还展示了实验结果的室内导航任务使用Dubins车。
2020-08-12 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
A Multi-robot Coverage Path Planning Algorithm Based on Improved DARP Algorithm
Sichuan University（四川大学）
针对多机器人覆盖路径规划问题，本文改进DARP算法，利用A*分配任务并结合基于Up-First的STC实现全覆盖，提升了效率与覆盖率。
2023-04-19 cs.RO
TMSTC*: A Turn-minimizing Algorithm For Multi-robot Coverage Path Planning
Guangdong University of Technology（广东工业大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
覆盖路径规划是移动机器人的一个主要应用，它要求机器人沿着规划的路径移动以覆盖整个地图。对于大规模的任务，覆盖路径规划大大受益于多个机器人。在本文中，我们描述了回合最小化多机器人生成树覆盖星（TMSTC*），一个改进的多机器人覆盖路径规划（mCPP）算法的基础上MSTC*。该算法将地图划分为最小的砖块作为树的分支，从而将问题转化为求二部图的最大独立集。实验结果表明，该方法能够减少多机器人的转弯次数，从而比其他算法更快地完成地形覆盖任务.
2022-12-05 cs.RO
CAP: A Connectivity-Aware Hierarchical Coverage Path Planning Algorithm for Unknown Environments using Coverage Guidance Graph
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出连通性感知分层覆盖路径规划算法CAP，通过在线增量构建覆盖引导图指导路径规划，在仿真和机器人实验中显著提升了覆盖时间、路径长度和重叠率指标。
2025-03-01 cs.RO
Revisiting Boustrophedon Coverage Path Planning as a Generalized Traveling Salesman Problem
Autonomous Systems Lab, ETH Zurich（苏黎世联邦理工学院自主系统实验室）
在本文中，我们提出了一个路径规划器的低空地形覆盖在已知的环境与无人旋翼微型飞行器（MAVs）。机载系统可以通过使用摄像机、探地合成孔径雷达（GPSAR）和金属探测器对疑似危险区域（SHA）进行调查来协助人道主义排雷。大多数可用的覆盖规划器实现的微型飞行器不考虑障碍物，因此不能部署在有障碍的环境中。我们描述了一个开源的框架来执行覆盖规划的多边形飞行走廊的障碍。我们的规划师扩展boustrophedon覆盖规划通过优化不同的扫描组合，以找到最佳的扫描路径，并考虑在过渡飞行期间的障碍细胞之间。我们评估320合成地图上的路径规划，并表明它能够解决现实的规划实例足够快，在现场运行。该规划器实现了14%的路径成本低于传统的覆盖规划器。我们验证了一个真正的平台上，我们显示了低海拔覆盖在一个倾斜的地形与树木的规划。
2019-07-22 cs.RO
Simulating Coverage Path Planning with Roomba
覆盖范围路径规划涉及访问在有障碍物的环境中的每个未被占用的状态。在本文中，我们探讨了这个问题，在最初未知的代理环境中，为了模拟真空吸尘机器人的任务。对先前工作的调查显示，在应用学习来解决这个问题方面很少努力。在本文中，我们探索使用深度强化学习对覆盖路径规划问题进行建模，并将其与流行的真空清洁机器人Roomba的内置算法的性能进行比较。
2022-10-10 cs.AI cs.RO
Coverage Path Planning using Path Primitive Sampling and Primitive Coverage Graph for Visual Inspection
A*STAR Artificial Intelligence Initiative (A*AI)（新加坡科技研究局人工智能计划（A*AI））；Institute of High Performance Computing（高性能计算研究所）；Carnegie Mellon University（卡内基梅隆大学）
对于无人机视觉检测应用来说，规划路径以收集目标物体的表面信息对于提高效率和降低总体成本至关重要。覆盖路径规划（CPP）的问题往往是制定这些检测应用程序，因为覆盖的要求。传统上，研究人员通常首先规划和优化视点以捕获表面信息，然后优化访问所选视点的路径。在本文中，我们提出了一种新的规划方法，直接采样和规划的检测路径的摄像机配备的无人机，以获取视觉和几何信息的目标结构作为视频流设置在复杂的3D环境。该规划方法首先通过体素膨胀和减法的基础上使用采样方法生成的目标对象周围的通路点和路径基元。然后提出了一种新的基元覆盖图（PCG）编码的拓扑信息，飞行距离和可见性信息，与采样的途经点和路径基元。最后进行图搜索，在PCG中找到结果路径，完成具有覆盖要求的检测任务。通过仿真和现场试验验证了该方法的有效性。
2019-08-08 cs.RO
Optimization-Based Motion Planning for Autonomous Agricultural Vehicles Turning in Constrained Headlands
University of California, Davis（加利福尼亚大学戴维斯分校）
针对自主农业车辆在狭窄不规则地头转弯困难的问题，提出一种基于优化的运动规划算法，在田间几何与障碍物约束下生成平滑无碰撞的转弯轨迹。
2024-06-11 cs.RO cs.SY eess.SY
MSTC*:Multi-robot Coverage Path Planning under Physical Constraints
Shanghai Key Laboratory of Trustworthy Computing（上海市可信计算重点实验室）；Engineering Research Center of Software/Hardware Co-design Technology and Application (MoE)（软硬件协同设计技术与应用教育部工程研究中心）；School of Software Engineering, East China Normal University（华东师范大学软件工程学院）
对于大规模的任务，覆盖路径规划（CPP）可以大大受益于多个机器人。提出了一种基于螺旋生成树覆盖的多机器人覆盖路径规划算法MSTC*。我们的算法结合了严格的物理约束，如地形的可通行性和材料的承载能力。我们比较我们的算法对国家的最先进的mCPP规则的网格地图和真实的实地地形在模拟环境中。实验结果表明，我们的方法显着优于现有的螺旋STC为基础的mCPP方法。我们的算法可以为所有机器人找到一组平衡良好的工作负载分布，因此，实现了完成覆盖的总体最短时间。
2021-08-10 cs.RO
Complete and Near-Optimal Robotic Crack Coverage and Filling in Civil Infrastructure
本文提出了一种同时基于传感器的检查和足迹覆盖(SIFC)规划与控制设计，用于自主机器人裂缝映射与填充。该方法通过在线构建目标地图实现未知目标信息的处理，并通过实验验证了算法在减少机器人行驶距离、保证完整感知覆盖和近最优足迹覆盖方面的有效性。
2024-09-28 cs.RO cs.SY eess.SY
Robot Coverage Path Planning for General Surfaces Using Quadratic Differentials
Stony Brook University（石溪大学）；Dalian University of Technology（大连理工大学）
机器人覆盖路径规划（即，通过一个或多个机器人提供给定域的完全覆盖）是机器人和运动规划领域中的经典问题。目标是提供几乎完全覆盖，同时尽量减少重复访问的区域。本文主要研究三维空间中一般曲面上的路径规划问题，包括复杂拓扑的平面域、复杂地形和一般曲面。其主要思想是采用一种自然的、内在的、全局的曲面参数化方法来进行机器人路径规划，即全纯二次微分。除了少量的零点（奇点），表面上的每个点都被赋予一个自然由复数表示的uv坐标。我们表明，自然，高效的机器人路径可以通过使用这样的坐标系。该方法是基于内在的几何形状，因此可以适用于一般的表面勘探在3D。
2017-01-26 cs.RO
Multi-UAV Coverage Path Planning for the Inspection of Large and Complex Structures
A*STAR Institute of Information Research (IR)（新加坡科技研究局信息研究所）；A*STAR Institute of High Performance Computing (IHPC)（新加坡科技研究局高性能计算研究所）；A*STAR Initiative for Artificial Intelligence and Analytics (AI)（新加坡科技研究局人工智能与分析计划）；Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）
我们提出了一个多无人机覆盖路径规划（CPP）框架的大规模，复杂的3D结构的检查。在所提出的基于采样的覆盖路径规划方法中，我们将多无人机检测应用归结为多智能体覆盖路径规划问题。将集合覆盖问题（SCP）和车辆路径问题（VRP）这两个NP难问题相结合，提出了一种集合覆盖车辆路径问题（SC-VRP），并采用改进的有偏随机密钥遗传算法（BRKGA）进行求解。我们测试我们提出的方法，几个复杂的3D结构与3D模型从OpenStreetMap中提取。所提出的方法优于以前的方法，通过减少高达48%的计划检查路径的长度
2020-07-26 cs.RO
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
Offline Grid-Based Coverage path planning for guards in games
McGill University（麦吉尔大学）
穷举覆盖的算法在视频游戏中有应用，可以实现自动游戏级探索。目前的设计使用简单的逻辑，经常导致性能差或表现出不自然的行为。在本文中，我们介绍了一种新的算法覆盖的二维多边形（孔）的地区。我们假设地图布局的先验知识，并使用基于网格的世界表示。从简单的布局到实际游戏中使用的更复杂的地图，对几种场景的实验分析显示出良好的性能。这项工作作为第一步，建立一个更有效的覆盖路径规划算法的非玩家角色。
2020-01-15 cs.AI cs.RO
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
Gaussian Belief Trees for Chance Constrained Asymptotically Optimal Motion Planning
University of Colorado Boulder（科罗拉多大学博尔德分校）
在本文中，我们解决的问题，基于采样的运动规划运动和测量的不确定性与概率保证。我们推广传统的基于采样树的运动规划算法的确定性系统，并提出信念- $\mathcal{A}$，一个框架，扩展任何kinodynamic树为基础的规划器的线性（或线性化）系统的信念空间。我们引入适当的抽样技术和距离度量的信念空间，保持概率的完整性和渐近最优性能的基础计划。我们证明了我们的方法有效地找到安全的低成本路径，并在模拟渐近最优，完整和非完整系统的有效性。
2022-10-04 cs.RO cs.SY eess.SY
Probabilistic Guaranteed Path Planning for Safe Urban Air Mobility Using Chance Constrained RRT
University of California San Diego（加州大学圣地亚哥分校）；San Diego State University（圣地亚哥州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
安全是城市空中交通成功的关键因素，特别是在动态和不确定的环境中。提出了一种基于RRT和机会约束的不确定障碍物路径规划算法。通过将概率约束转化为确定性约束，建立了高斯分布障碍物的机会约束模型。通过对系统状态的模拟和凸约束的评估，可以确定每个时间步的概率可行域。通过建立机会约束RRT，该算法不仅享有基于采样的算法的好处，但也纳入了不确定性的制定。仿真结果表明，利用该算法可以规划出符合概率避障要求的连接起点和目标点的轨迹。
2022-03-12 cs.RO cs.SY eess.SY
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research（瓦赫宁根大学及研究中心）
本文介绍了Fields 2Cover，一个新的开源库覆盖路径规划（CPP）的农用车辆。虽然现在有几种CPP解决方案，但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架，用于规划覆盖路径，开发新技术，并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构，支持各种车辆，可用于各种应用，包括农场。它的核心模块是：一个岬生成器，一个条带生成器，一个路线规划器和路径规划器。机器人操作系统（ROS）的接口也提供了作为add-on. In本文中，库的功能，规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
Optimal Control-Based UAV Path Planning with Dynamically-Constrained TSP with Neighborhoods
KAIST（韩国科学技术院）
本文提出一种基于采样 roadmap 算法的无人机路径规划方法，通过最优控制生成路径以减少计算时间并提升解的质量，解决动态约束 TSP 带邻居问题。
2016-12-18 cs.RO cs.SY eess.SY
Predictive Spray Switching for an Efficient Path Planning Pattern for Area Coverage
本文针对耕地区域覆盖任务提出一种与特定路径规划模式匹配的预测性喷嘴开关逻辑，通过多模式串联实现名义无损喷雾，并与Boustrophedon路径规划下的反应式开关逻辑对比，分析路径长度减少与开关次数增加之间的权衡。
2025-07-05 cs.RO
Corner Cases: Headland Coverage Path Planning for Autonomous Driving in Arable Farming
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）
该研究针对农田自动驾驶地头覆盖路径规划问题，提出修改多边形角落以实现倒车转向的新方法，在特定角度角落覆盖效果优于现有方法，适用性经真实田地图验证。
2026-09-04 cs.RO
Path Planning for Spot Spraying with UAVs Combining TSP and Area Coverages
Findklein GmbH（芬德克莱因有限公司）
针对农田杂草定点喷洒，本文融合TSP启发式与区域覆盖路径规划，通过三组真实实验验证算法，并发现区域覆盖长度对总航程影响显著。
2025-02-19 cs.RO
Edge Coverage Path Planning for Robot Mowing
Wayne State University（韦恩州立大学）
由于机器人技术的快速发展，机器人割草正在出现，以解放人类从繁琐和耗时的景观工作。传统上，机器人割草被认为是一个“覆盖路径规划”的问题，与简化，将非凸障碍转化为凸障碍。此外，通常通过机器人外接圆对转换后的障碍物进行扩张以避免碰撞。然而，当应用于机器人割草时，草坪中的障碍物通常是非凸的，想象一下草坪上的花园，使得所提到的障碍物处理方法将填充一些凹进区域，使得它们不再被机器人接近，并且因此沿着草坪边缘产生不可避免的未切割区域，这使景观的优雅变得暗淡并且引起返工。为了缩小草坪边缘周围的未切割区域，我们在此将该问题重新构建为一个全新的问题，命名为“边缘覆盖路径规划”问题，该问题专用于路径规划，目标是覆盖边缘。相应地，我们提出了两种规划方法，“大小盘”和“滑动盘”规划方法来解决这个问题，利用图像形态学处理和计算几何技能。通过验证，我们提出的方法可以优于传统的“外接圆膨胀”的方法。
2022-09-12 cs.RO
A Hierarchical Coverage Path Planning Algorithm for Unknown Environments
Jinan University（暨南大学）；Beijing Institute of Technology（北京理工大学）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出一种未知环境下的在线分层覆盖路径规划算法，通过增量分解树组织子区域并动态更新全局覆盖路线，仿真验证其相比三种基线算法在路径长度和重叠率上提升了覆盖效率。
2026-09-14 cs.RO
Cooperative Aerial Coverage Path Planning for Visual Inspection of Complex Infrastructures
Luleå University of Technology（吕勒奥理工大学）
本文研究了利用多个无人机对复杂基础设施进行检测（离线三维重建）的协同覆盖路径规划（C-CPP）问题。该方案基于基础设施的先验3D模型，能够为无人机生成多条路径，以便在短时间内实现完整的合作覆盖。最初，被检查的基础设施被水平平面切片，其具有识别结构的分支的能力，并且这些分支将被处理为UAV的路径规划的断点，以基于UAV的当前飞行时间在更短的时间内协作地执行覆盖任务，并且更现实。通过利用SLAM和运动恢复结构方法，利用单目或立体传感器，将从覆盖范围收集的多个数据集合并用于基础设施的离线稀疏和密集3D重建。所提出的C-CPP的性能已经在多个室内和现实的室外基础设施检测实验中进行了实验评估。
2016-12-05 cs.RO
3D-CovDiffusion: 3D-Aware Diffusion Policy for Coverage Path Planning
IEEE
本文提出 3D-CovDiffusion，将覆盖路径规划转化为条件序列生成问题，采用几何条件扩散框架从三维点云合成轨迹，相比基线方法在轨迹平滑度、覆盖率等指标上实现显著提升。
2026-08-04 cs.RO
Embodied AI in Mobile Robots: Coverage Path Planning with Large Language Models
The University of Western Australia（西澳大利亚大学）
本文提出一种结合大语言模型与低层执行器的多层具身路径规划框架，并设计覆盖加权指标评估性能，实验表明其能提升LLMs空间推理能力，其中claude-3.5表现最优。
2024-07-04 cs.AI cs.RO
Approximate Environment Decompositions for Robot Coverage Planning using Submodular Set Cover
University of Waterloo（滑铁卢大学）；Avidbots Corp.（Avidbots公司）
针对机器人覆盖路径规划中的环境分解问题，提出基于子模集覆盖的重叠矩形扇区分解方法，并通过贪心算法给出扇区数量近似保证，实验表明其优于现有方法。
2024-09-04 cs.RO
Distributed area coverage path planning subject to the inclusion of a headland path
Findklein GmbH（芬德克莱因有限公司）
本文针对含地头路径约束的分布式区域覆盖路径规划问题，提出确定性方法，可结合多机器人及各类约束生成覆盖路径，还对比了Boustrophedon模式方法并凸显其优势。
2026-10-14 cs.RO
Reinforcement Learning-Based Coverage Path Planning with Implicit Cellular Decomposition
LG Electronics（LG电子）
在一个通用的已知环境中的覆盖路径规划被证明是NP难的。当环境未知时，机器人需要依靠在覆盖过程中建立的在线地图信息进行路径规划，因此设计具有合理性能的启发式或近似算法成为一个重要的研究方向。这样的算法在覆盖区域或覆盖成本方面具有次优性能，例如，覆盖时间或能量消耗。在本文中，我们提供了一个系统的分析的覆盖问题，并制定它作为一个最佳的停止时间的问题，覆盖性能和成本之间的权衡明确占。接下来，我们证明了强化学习（RL）技术可以用来解决计算问题。为此，我们提供了一些技术和实际的考虑，以促进RL算法的应用和提高解决方案的效率。最后，通过在网格世界环境和Gazebo模拟器中的实验，我们证明了基于强化学习的算法能够有效地覆盖真实的未知室内环境，并且性能优于当前的最新技术水平。
2021-10-18 cs.AI cs.LG cs.RO
Coverage Path Planning for Autonomous Sailboats in Inhomogeneous and Time-Varying Oceans: A Spatiotemporal Optimization Approach
Institute of Deep-sea Science and Engineering, Chinese Academy of Sciences（中国科学院深海科学与工程研究所）；Institute for Ocean Engineering, Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院海洋工程研究所）；ZJU-Hangzhou Global Scientific and Technological Innovation Center, Zhejiang University（浙江大学 Hangzhou 全球科技创新中心）；Department of Engineering, Faculty of Computing, Engineering and the Built Environment, Birmingham City University（伯明翰城市大学工程系）；School of Ocean and Civil Engineering, Shanghai Jiao Tong University（上海交通大学海洋与Civil Engineering学院）
本文提出了一种专为自主帆船设计的时空优化方法，解决非均匀和时变海洋环境中的覆盖路径规划问题，通过空间拓扑约束和时间预测规划提升覆盖效率。
2026-02-13 cs.RO
End-to-End Framework for Robot Lawnmower Coverage Path Planning using Cellular Decomposition
Honda R&D Co., Ltd.（本田技研控股有限公司）
本文提出一种端到端割草机覆盖路径规划框架，通过AdaptiveDecompositionCPP算法结合细胞分解与自适应合并，将用户边界高效转化为优化GPS路径，并在仿真和实测中验证了覆盖完整性与割草效率。
2025-06-06 cs.AI cs.RO
Coverage Path Planning with Track Spacing Adaptation for Autonomous Underwater Vehicles
NATO STO Centre for Maritime Research and Experimentation (CMRE)（北约科技组织海事研究与实验中心）
在本文中，我们解决地雷对抗（MCM）的搜索问题的自主水下航行器（AUV）调查海底使用侧视声纳。我们提出了一种覆盖路径规划方法，适应AUV的轨道间距与收集更好的数据的目的。我们通过在传感器范围的尾部移动覆盖重叠来实现这一点，其中预期数据质量最低。为了评估该算法，我们收集了三个海上实验的数据。自适应调查允许AUV从传感器范围被高估的情况下恢复，并导致减少区域覆盖差距。在另一个实验中，自适应调查显示，近30%的“最差”数据的数据质量提高了4.2%。
2020-06-23 cs.AI cs.RO
Coverage Path Planning for Redundant Manipulators using Generalized Spanning Trees
Center for AI & Robotics（人工智能与机器人中心）；New York University Abu Dhabi（纽约大学阿布扎比分校）
针对冗余机械臂表面覆盖问题，提出基于广义生成树的离线与在线联合生成树覆盖算法，通过多IK解建模为广义最小生成树，实现无重复覆盖路径，仿真验证了其高效性。
2026-09-09 cs.RO
UAV survey coverage path planning of complex regions containing exclusion zones
Military Institute of Science and Technology（军事科学技术学院）
本文提出一种无人机复杂凹多边形区域覆盖路径规划方法，通过多边形分解、深度优先搜索合并及直骨架偏移技术，实现含排除区域的连续安全路径规划。
2024-11-13 cs.CG cs.RO
Optimal Smooth Coverage Trajectory Planning for Quadrotors in Cluttered Environment
Guangdong Power Grid Co. Ltd.（广东电力电网公司）；Shenzhen Institute of Artificial Intelligence（深圳人工智能与机器人研究院）
针对电网场景下杂乱环境中的无人机覆盖任务，提出前端GA求解TSP、后端非线性最小二乘优化平滑性、耗时与避障的两阶段轨迹规划算法，并通过仿真验证其有效性。
2025-10-03 cs.RO
Risk-Aware Coverage Path Planning for Lunar Micro-Rovers Leveraging Global and Local Environmental Data
Tohoku University（东北大学）
本文提出一种面向月球微型巡视器的3D近视覆盖路径规划算法，结合全局与局部地形数据计算运动成本并集成定位建图，在仿真与实地测试中实现低能耗高覆盖率的自主探索。
2024-04-29 cs.RO
Adaptive grid-based decomposition for UAV-based coverage path planning in maritime search and rescue
针对海上搜救中无人机需快速完全覆盖搜索区域的问题，提出自适应网格分解（AGD）算法减少网格单元数，并结合混合整数规划（MIP）模型规划路径，实验显示其可减少最多20%的覆盖时间。
2024-12-01 cs.RO
Coverage Path Planning in Precision Agriculture: Algorithms, Applications, and Key Benefits
本文研究精准农业中的覆盖路径规划问题，分别提出基于波前覆盖算法的单机器人方法和包含凸多边形区域分配与最优路径生成的多机器人方法，以实现农田高效完整覆盖。
2025-01-08 cs.RO
Online Coverage Planning for an Autonomous Weed Mowing Robot with Curvature Constraints
University of Minnesota - Twin Cities（明尼苏达大学双城分校）
用于放牧的土地约占美国土地的三分之一。这些地区可能非常崎岖。然而，他们需要保持，以防止杂草接管营养草地。这可能是一项艰巨的任务，特别是在有机农业的情况下，因为不能使用除草剂。在本文中，我们提出了设计的牛机器人，自主除草机器人的牧场。Cowbot是一款电动割草机，设计用于奶牛牧场的崎岖环境，并为有机农场的杂草控制提供了一种具有成本效益的方法。牛机器人的路径规划是具有挑战性的，因为牧场上的杂草分布是未知的。在有限的视野范围内，在线路径规划是必要的，以检测杂草和规划路径割草。研究了具有曲率和视野约束的自动割草机的一般在线路径规划问题。我们开发了两个在线路径规划算法，能够利用新的信息杂草优化路径长度，并确保覆盖。我们部署我们的算法上的Cowbot和进行现场实验，以验证我们的方法的适用性，实时路径规划。我们还进行了广泛的模拟实验，结果表明，我们的算法相比基线boustrophedon和随机搜索的覆盖路径的路径长度减少了60%。
2021-11-19 cs.RO
Multiobjective Coverage Path Planning: Enabling Automated Inspection of Complex, Real-World Structures
Brazilian Institute of Robotics（巴西机器人研究所）；SENAI CIMATEC（巴西国家工业培训服务西玛特克分校）；Department of Informatics, University of Oslo（奥斯陆大学信息学系）；SENAI Institute for Innovation in Automation（巴西国家工业培训服务自动化创新研究所）；Robotics Innovation Center, DFKI GmbH（德国人工智能研究中心机器人创新中心）
机器人规划中的一个重要的开放问题是3D检测路径的自主生成-也就是说，规划机器人移动的最佳路径，以检查目标结构。我们最近提出了一种新的规划路径的方法，允许检查复杂的3D结构，给定的三角形网格模型的结构。该方法不同于以往的方法，其重点是生成和考虑也计划，导致不完善的覆盖范围的检查目标。在许多实际任务中，如果检测路径的能量利用效率大大提高，那么我们可以接受检测覆盖范围的不完善。其关键思想是使用多目标进化算法同时优化检测计划的能量利用和覆盖范围，结果是一组计划探索不同的方法来平衡这两个目标。我们在这里测试我们的方法在一组检查目标的大小和复杂性变化很大，并比较其性能与两个国家的最先进的方法，完整的覆盖路径规划。结果加强了我们的信心，我们的方法，以产生良好的检查计划，为不同类型的目标的能力。该方法的优势是最清楚地看到现实世界的检查目标，因为传统的完全覆盖方法没有很好的方式生成计划的结构与隐藏的部分。多目标进化通过同时优化能量使用和覆盖范围来确保两者之间的良好平衡-无论是在100%覆盖可行时，还是在物体的大部分被隐藏时。
2019-01-22 cs.AI cs.RO
Adaptive Coverage Path Planning for Efficient Exploration of Unknown Environments
California Institute of Technology（加州理工学院）；Stanford University（斯坦福大学）；NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）；University of California Los Angeles（加州大学洛杉矶分校）
我们提出了一种方法来解决覆盖问题的目标自主探索任务时间约束下的未知环境。在这里，机器人的任务是规划一条地平线上的路径，使得其传感器足迹扫过的累积区域最大化。因为这个问题表现出一个递减的回报属性称为子模块，我们选择制定它作为一个基于树的顺序决策过程。这个公式使我们能够评估机器人的行动对未来世界覆盖状态的影响，同时考虑到机器人的可通行性风险和动态约束。为了快速找到接近最优的解决方案，我们提出了一个有效的近似覆盖传感器模型，适应当地环境。我们的方法在各种复杂的环境中进行了广泛的测试，并作为DARPA地下挑战赛的竞争项目的本地探索算法。
2023-02-06 cs.RO
Hierarchically Accelerated Coverage Path Planning for Redundant Manipulators
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对冗余机械臂表面覆盖任务，提出基于广义旅行商问题与分层精简图规模的加速路径规划方法，通过引导路径分解求解，仿真与实体实验验证有效性。
2025-02-26 cs.RO
Communication and Energy-Aware Multi-UAV Coverage Path Planning for Networked Operations
Department of Electrical Engineering, Indian Institute of Technology Kanpur（电子工程系，印度理工学院坎浦尔）
针对需持续通信的多无人机覆盖任务，提出通信与能量感知的mCPP方法，通过优化能量与连通半径组合生成路径，仿真与三机实验验证有效，通信范围匹配度达99%。
2025-04-21 cs.RO
