Globalized Constrained Stein Variational Inference for Diverse Feasible Robot Motion Planning
PEARL Lab, Dept. of Computer Science, TU Darmstadt(珍珠实验室,达姆施塔特工业大学计算机科学系);Robotics Institute Germany (RIG)(德国机器人研究所)
研究机器人运动规划多模态问题,提出SteinSQP方法,通过约束斯坦变分推理演化粒子集合,用无矩阵原始对偶算法解决子问题,引入优点函数全局化方法,在多任务中表现良好,收敛快且可行性高。
2026-07-15 cs.RO
Posterior Sampling for Anytime Motion Planning on Graphs with Expensive-to-Evaluate Edges
University of Washington(华盛顿大学)
碰撞检查是运动规划中的一个计算瓶颈,需要明确推理何时执行此计算的惰性算法。面对碰撞的不确定性,乐观的态度可以最大限度地减少找到最短路径之前的检查次数。然而,这可能需要非常长的时间来计算,在此期间没有发现其他可行路径。对于许多实时应用程序,我们反而需要强大的随时性能,定义为最小化随时间产生的可行路径的累积长度。我们引入后验采样运动规划(PSMP),一个随时懒惰的运动规划算法,利用学习后验的边缘碰撞,快速发现一个初始的可行路径,并逐步产生较短的路径。PSMP获得了$\tilde{O}(\sqrt{\mathcal{S} \mathcal{A} T})$的期望遗憾界,并在一组二维和七维规划问题上优于比较基线。
2020-03-20 cs.RO
Safe, Optimal, Real-time Trajectory Planning with a Parallel Constrained Bernstein Algorithm
University of Michigan(密歇根大学)
为了在世界中移动,移动机器人通常使用滚动时域策略,其中它们执行旧计划,同时计算新计划以合并新传感器信息。一个计划应该是动态可行的,这意味着它服从机器人的动力学和避障等约束;它应该有活性,这意味着机器人不会停下来计划太频繁,它不能完成任务;它应该是最优的,这意味着机器人试图满足用户指定的费用函数,如尽快到达目标位置。基于可达性的轨迹设计(RTD)是一种可以生成可证明的动态可行规划的规划方法。然而,RTD解决了非线性多项式优化程序在每个规划迭代,防止最优性保证;此外,RTD可以挣扎与活性,因为机器人必须刹车停止时,求解器发现局部最小值或无法找到一个可行解。本文提出了RTD*,它可证明在每次规划迭代中找到全局最优计划(如果存在这样的计划)。该方法是由一种新的离散约束伯恩斯坦算法(PCBA),这是一个分支定界法多项式优化。本文的贡献是:PCBA的实施;证明PCBA的时间和内存使用的界限;比较PCBA的最先进的求解器;和演示的PCBA/RTD* 上的移动机器人。RTD* 在具有随机放置障碍物的各种环境中的实时规划的最优性和活性方面优于RTD。
2020-03-03 cs.RO math.OC
Dynamically Feasible Path Planning in Cluttered Environments via Reachable Bezier Polytopes
California Institute of Technology(加州理工学院)
本文提出利用可达贝塞尔多面体并结合GPU加速的分层控制架构,为非线性控制系统在杂乱环境中高效生成无碰撞且动力学可行的路径,并在三维跳跃任务中验证了框架的有效性。
2024-11-20 cs.RO cs.SY eess.SY
Receding Fixed-Horizon Optimization for Near-Time-Optimal Trajectory Planning and Control
College of Artificial Intelligence, Nankai University, Tianjin 300350, PR China(人工智能学院,南开大学,天津)
针对自动驾驶车辆时间最优轨迹规划的两大挑战,提出分层凸优化框架,分解问题为短固定时域规划循环,实验显示其成功率更高、计算时间更短,可实现可靠实时近时间最优轨迹规划。
2026-08-31 cs.RO math.OC
Feasible Computationally Efficient Path Planning for UAV Collision Avoidance
Nanyang Technological University(南洋理工大学);Fuzhou University(福州大学)
提出了一种鲁棒的、计算效率高的无人机实时避碰算法--基于记忆的壁面跟随人工势场法(MWF-APF)。新算法在沿墙法(WFM)和人工势场法(APF)之间切换,提高了态势感知能力。考虑历史轨迹,避免重复错误决策。此外,它可以有效地应用于低计算能力的平台。最后,以配备有限个飞行时间测距仪的四旋翼飞行器为例,验证了该算法的有效性。通过软件仿真和物理飞行试验验证了MWF-APF方法在复杂场景下的性能。
2021-02-08 cs.RO
Probabilistic Recursively Feasible Motion Planning Under Uncertain Environments
School of Electrical Engineering, Korea Advanced Institute of Science(韩国科学技术院电气工程学院)
本文提出了一种概率递归可行模型预测控制框架,通过保证递归可行性概率来解决不确定环境中安全运动规划的挑战,主要贡献是通过闭式表达式计算轨迹的均值和协方差,并构建安全约束以确保递归可行性。
2026-05-18 cs.RO cs.SY eess.SY
GCS-Bridging: Restoring Connectivity of Disconnected Convex Sets for Graph-of-Convex-Sets Motion Planning
State Key Laboratory of Robotics and Systems, Harbin Institute of Technology(哈尔滨工业大学机器人技术与系统国家重点实验室);School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航天工程学院)
针对凸集图(GCS)规划中起始与目标区域断开的问题,提出GCS-Bridging方法,通过无碰撞点路径与凸集膨胀恢复连通性,模拟与硬件实验验证其高成功率与实用性。
2026-08-25 cs.RO
Robust and Recursively Feasible Real-Time Trajectory Planning in Unknown Environments
Seoul National University(首尔国立大学)
在未知环境中的移动机器人运动规划面临的挑战,同时保持对未建模的不确定性和持久的可行性的冗余发现问题的鲁棒性。也就是说,在处理不确定性时,运动规划器必须更新其轨迹,以实时的【形】适应新显示的环境;如果不这样做,可能会涉及不安全的情况。许多现有的规划算法通过保持执行紧急制动所需的间隙来保证这些,紧急制动本身是一种鲁棒且持续可行的机动。然而,这种机动不适用于制动不可能或有风险的系统,例如固定翼飞机。为此,我们提出了一个实时的【形】鲁棒规划,递归地保证持久的可行性,而不需要任何制动。该规划器从滚动时域局部轨迹的前向可达集开始,通过构造一个连续组成的漏斗循环,确保对有界不确定性和持久可行性的鲁棒性。我们实现了所提出的算法的机器人车跟踪速度固定的参考轨迹。实验结果表明,该算法可以在16 Hz以上的频率下运行,同时成功地避免了系统进入任何死胡同,保持了安全性和可行性。
2021-07-14 cs.RO
Implicit Graph Search for Planning on Graphs of Convex Sets
The Robotics Institute at Carnegie Mellon University(卡内基梅隆大学机器人研究所);the University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对凸集图(GCS)在大规模机器人运动规划中计算慢的问题,提出INSATxGCS和IxG*两种隐式图搜索方法,通过交替图搜索与轨迹优化加速规划并保证完备性与最优性。
2024-10-11 cs.RO
Convex Risk Bounded Continuous-Time Trajectory Planning in Uncertain Nonconvex Environments
MIT(麻省理工学院)
在本文中,我们解决的轨迹规划问题,在不确定的非凸静态和动态环境中,包含概率位置,大小和几何形状的障碍物。为了解决这个问题,我们提供了一个风险有界的轨迹规划方法,寻找连续时间的轨迹,保证有界的风险在规划时间范围内。风险被定义为与不确定障碍物发生碰撞的概率。现有的方法来解决风险有界的轨迹规划问题要么是有限的高斯不确定性和凸障碍或依赖于基于采样的方法,需要不确定性样本和时间离散化。为了解决风险有界的轨迹规划问题,我们利用风险轮廓的概念,将风险有界的规划问题转化为一个确定性的优化问题。风险等值线是不确定环境中具有有界风险的所有点的集合。所得到的确定性优化,在一般情况下,非线性和非凸时变优化。我们提供了基于平方和优化的凸方法来有效地解决所得到的非凸时变优化问题,并获得连续时间的风险有界的轨迹,而无需时间离散化。所提供的方法处理任意概率不确定性,非凸和非线性,静态和动态的障碍,并适用于在线轨迹规划问题。
2021-06-10 cs.RO cs.SY eess.SY
Convex Risk Bounded Continuous-Time Trajectory Planning and Tube Design in Uncertain Nonconvex Environments
MIT, Computer Science;Artificial Intelligence Laboratory. These authors contributed equally to the paper.
针对含概率障碍物的不确定非凸动静环境,本文利用风险等值线将规划转化为确定性优化,并通过平方和凸优化实现无时间离散化的连续时间风险有界轨迹及最大安全管设计。
2023-06-04 cs.AI cs.RO math.OC
Distributed Motion Coordination Using Convex Feasible Set Based Model Predictive Control
Noweigian University of Science and Technology(挪威科技大学);Carnegie Mellon University(卡内基梅隆大学)
基于优化的运动协调方法在现实世界的多智能体系统中的实现仍然具有挑战性,由于其高计算复杂性和潜在的死锁。提出了一种基于凸可行集(CFS)算法的分布式模型预测控制(MPC)方法,用于自动驾驶中的多车运动协调。利用CFS对避碰约束进行凸化处理,可以实时的计算出避碰轨迹。我们分析了潜在的死锁,并表明可以通过改变车辆的期望速度来解决死锁。MPC结构确保了我们的算法对低水平跟踪误差具有鲁棒性。所提出的分布式方法已在多个具有挑战性的多车辆环境中进行了测试,包括非结构化道路,交叉口,交叉口,队列形成,合并和超车的情况。数值结果和与其他方法(包括集中MPC和倒数速度障碍)的比较表明,该方法计算效率高,鲁棒性好,避免了死锁。
2021-06-02 cs.RO
Belief Space Planning for Risk Signal Temporal Logic via Mixed-Integer Convex Programming
KTH Royal Institute of Technology(瑞典皇家理工学院);Digital Futures(数字未来机构)
本文针对高斯信念空间中的风险信号时序逻辑(RiSTL)规划问题,提出一种混合整数凸规划(MICP)方法,证明其可靠完备且保留全局最优轨迹,并通过数值模拟验证了方法有效性。
2026-10-14 cs.RO
A Self-Supervised Learning Approach to Rapid Path Planning for Car-Like Vehicles Maneuvering in Urban Environment
Institute of Robotics and Machine Intelligence(机器人与机器智能研究所);Poznan University of Technology(波兹南理工大学)
一个有效的路径规划器的自动汽车类车辆应该处理强大的运动学约束,特别是在有限的空间,而在城市交通中机动时经常遇到的,并应能够快速规划,因为城市交通场景是高度动态的。最先进的规划算法以高计算成本处理这种困难的情况,通常会产生不确定的结果。然而,利用在相同或相似环境中获得的过去规划经验,可以快速生成可行的局部路径。虽然通过监督训练的学习对于真实的交通场景是有问题的,但本文引入了一种新的基于神经网络的路径规划方法,该方法采用基于梯度的自监督学习算法来预测可行路径。这种方法充分利用了以往的经验,并迅速产生可行的机动计划,汽车类车辆有限的转向角。这种方法的有效性已被计算实验所证实。
2020-03-02 cs.LG cs.RO
Learning feasible transitions for efficient contact planning
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学(MBZUAI));Munich Institute of Robotics and Machine Intelligence, Technical University of Munich(慕尼黑工业大学慕尼黑机器人与机器智能研究所)
针对四足机器人在踏石等受限环境中的混合接触规划难题,提出学习动态可行性分类器与目标调整网络并集成到MCTS规划器中,以提升在线搜索速度和准确性。
2024-12-04 cs.RO
Augmenting GRIPS with Heuristic Sampling for Planning Feasible Trajectories of a Car-Like Robot
Moscow Institute of Physics and Technology(莫斯科物理技术学院);LLC “Integrant”(Integrant有限责任公司);Federal Research Center “Computer Science and Control” RAS(俄罗斯科学院联邦研究中心“计算机科学与控制”)
非完整移动机器人的运动动力学运动规划是一个具有挑战性的问题,目前还没有一个通用的解决方案。求解该问题的一种计算效率高的方法是首先建立一条几何路径,然后将该路径转换为运动学上可行的路径。信息路径平滑(GRIPS)是最近推出的方法,这样的转换。GRIPS迭代地使路径变形并添加/删除路径点,同时尝试通过所提供的遵循运动学约束的转向函数连接每对连续的路径点。该算法相对较快,但不幸的是,不能保证它会成功。在实践中,它往往无法产生可行的轨迹,汽车类机器人与大转弯半径。在这项工作中,我们介绍了一系列的修改,旨在提高成功率的GRIPS汽车类机器人。主要的改进是增加了额外的步骤,即沿着几何路径的瓶颈部分(如急转弯)对航点进行逐点采样。实验评估的结果提供了一个明确的证据表明,建议的算法的成功率是高达40%,比原来的GRIPS和击中酒吧的90%,而其运行时间较低。
2021-08-15 cs.AI cs.RO
Towards Efficient Motion Planning for UAVs: Lazy A* Search with Motion Primitives
University of Southern California(南加州大学);University of Michigan(密歇根大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文针对无人机机载计算资源受限导致实时规划困难的问题,将惰性搜索概念引入基于搜索的规划算法,提出基于运动基元的 Lazy A* 搜索方法,可高效找到无碰撞且动态可行的最优轨迹,显著提升计算效率。
2024-11-12 cs.RO
A Convex Optimization Approach to Smooth Trajectories for Motion Planning with Car-Like Robots
Stanford University(斯坦福大学)
在最近的过去,已经提出了几种基于采样的算法来计算无碰撞和动态可行的轨迹。然而,这种算法的输出是众所周知的锯齿状。在本文中,通过专注于机器人与汽车一样的动力学,我们提出了一种快速,简单的启发式算法,命名为凸弹性平滑(CES)算法,轨迹平滑和速度优化。CES算法的灵感来自于弹性带规划的早期工作,并迭代地执行形状和速度优化。该算法的主要特点是,这两个优化问题都可以通过凸规划来解决,使得CES特别快。一系列的数值实验表明,CES算法返回高质量的解决方案,在几百毫秒的事情,因此似乎适合于实时实现。
2015-10-26 cs.RO
An NMPC Approach using Convex Inner Approximations for Online Motion Planning with Guaranteed Collision Avoidance
University of Freiburg(弗莱堡大学);Robert Bosch GmbH(罗伯特·博世股份有限公司)
尽管移动机器人已经存在了几十年,但轨迹优化和连续时间碰撞避免仍然是积极研究的主题。现有的方法在路径质量、计算复杂性和运动动力学可行性之间进行权衡。这项工作的方法的问题,使用非线性模型预测控制(NMPC)的框架,这是基于一种新的凸内近似的避碰约束。所提出的凸内近似(CIAO)方法发现kinodynamically可行的和连续的时间无碰撞的轨迹,在几个迭代,通常一个。对于可行的初始化,该方法保证找到可行的解决方案,即它保持可行性。我们的实验评估表明,CIAO优于最先进的基线规划效率和路径质量方面。在具有12个状态的机器人上的实验表明,它也可以扩展到高维系统。此外,真实世界的实验表明,它的能力,统一的轨迹优化和跟踪的安全运动规划在动态环境中。
2020-03-01 cs.RO cs.SY eess.SY
Learning Unions of Convex Sets via Invertible Latent Decomposition for Path Planning
Korea University(高丽大学);ETH Zurich(苏黎世联邦理工学院)
提出ILD框架,联合学习可逆映射和潜在空间中的显式凸多面体并集,实现路径规划,并通过可见性引导采样保持凸集连通性,在多种环境中取得更高成功率。
2026-06-11 cs.RO
Learning-based Fast Path Planning in Complex Environments
The Chinese University of Hong Kong(香港中文大学);Baidu Research(百度研究院);Tencent Robotics X(腾讯机器人X实验室);Soochow University(苏州大学);Southern University of Science and Technology(南方科技大学);Shenzhen Research Institute of the Chinese University of Hong Kong(香港中文大学深圳研究院)
本文提出了一种新的路径规划算法,以实现在复杂环境中的快速路径规划。现有的大多数路径规划算法都难以在复杂环境中快速找到可行路径甚至失效。然而,我们提出的框架可以通过使用基于学习的预测模块和基于采样的路径规划模块来克服这个困难。预测模块利用自动编码器-解码器类卷积神经网络(CNN)来输出可行路径可能所在的有希望区域。在这个过程中,环境被视为RGB图像输入我们设计的CNN模块,输出也是RGB图像。不需要额外的计算,因此我们可以保持每秒60帧(FPS)的高处理速度。结合基于采样的路径规划器,我们可以从输出图像中提取可行路径,以便机器人可以从开始到目标跟踪它。为了证明所提出的算法的优势,我们比较了它与传统的路径规划算法在一系列的仿真实验。结果表明,该算法可以实现更好的性能,规划时间,成功率和路径长度。
2021-10-19 cs.RO
B4P: Simultaneous Grasp and Motion Planning for Object Placement via Parallelized Bidirectional Forests and Path Repair
Department of Computer Science, Rice University(计算机科学系,里士大学)
针对抓取、放置与运动规划顺序解耦导致的次优问题,提出B4P双向森林并行规划框架,同步生成满足放置约束的抓取与可行运动,并实现超线性加速。
2025-07-24 cs.RO
Space-Time Graphs of Convex Sets for Multi-Robot Motion Planning
School of Computing Science, Simon Fraser University(计算科学学院,西蒙·弗雷泽大学)
针对多机器人在含动态障碍物的杂乱或狭窄环境中的运动规划难题,提出凸集时空图(ST-GCS)规划器,通过凸集覆盖时空域并构建统一凸优化生成时间最优轨迹,辅以精确凸分解保留轨迹作障碍物,实现比现有采样方法更高的成功率、更优的解质量及快数个数量级的运行速度。
2025-06-27 cs.AI cs.RO
A Real-Time Framework for Intermediate Map Construction and Kinematically Feasible Off-Road Planning Without OSM
School of Computer Science, University of Lincoln, United Kingdom(林肯大学计算机科学学院);Center of Autonomous Technologies, Innopolis University, Innopolis, Russia(伊诺波利斯大学自主技术中心)
针对越野环境自主导航的传统全局路径规划实时性差、运动学不可行、内存效率低的问题,提出一种构建含地理特征的中间地图、分三步求解的规划框架,在数平方公里地图上1.5秒即可生成可行路径,适用于搜救、农业等多类越野导航任务。
2025-10-04 cs.RO cs.SY eess.SY
Minimum Displacement Motion Planning for Movable Obstacles
University of Genoa(热那亚大学)
本文提出了一个最小位移运动规划问题,其中障碍物的最小位移量,以找到一个可行的路径。我们定义了一个度量的机器人障碍物相交的交叉和使用此惩罚机器人障碍重叠。采用实际的机器人动力学,规划者首先找到一条路径,通过障碍物,最大限度地减少机器人障碍物的交叉点。然后,该度量被用来迭代地取代障碍物,以实现一个可行的路径。提供了几个例子,成功地证明了所提出的问题。
2022-04-27 cs.AI cs.RO
Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
提出Plan-R1两阶段轨迹规划框架,通过原则对齐与行为学习解耦,结合规则奖励和方差解耦GRPO,显著提升自动驾驶规划的安全性和可行性。
2026-06-02 cs.CV cs.RO
Neural Motion Planning for Autonomous Parking
Hanyang University(汉阳大学)
本文提出了一种混合运动规划策略,该策略将深度生成网络与传统的运动规划方法相结合。现有的规划方法,如A* 和混合A* 被广泛用于路径规划任务,因为他们的能力,以确定可行的路径,即使在复杂的环境中,但是,他们有效率方面的限制。为了克服这些局限性,引入了一种基于神经网络的路径规划算法,即神经混合A*。本文提出了使用条件变分自编码器(CVAE)引导搜索算法,利用CVAE的能力,学习有关的规划空间的停车环境的信息。一个非均匀的扩展策略是利用的基础上的可行的轨迹分布在演示中学习。所提出的方法有效地学习了一个给定的状态的表示,并在算法性能方面的改进。
2021-11-16 cs.LG cs.RO
Efficient Distance-Optimal Tethered Path Planning in Planar Environments: The Workspace Convexity
Zhejiang University(浙江大学)
本文的主要贡献是证明了全方位绳系机器人工作空间(即所有绳长允许的机器人配置)的凸性,以及一组利用工作空间凸性的距离最优绳系路径规划算法。证明了该工作空间在拓扑上是一个单连通子集,在几何上是所有构形集合的一个凸子集。作为一个直接的结果,两个配置之间的系绳长度允许的最优路径被证明正是无系绳碰撞的局部最短路径的同伦指定的级联的系绳曲线的给定的配置,它可以简单地通过执行一个无系绳路径缩短过程中的2D环境中,而不是在预先计算的工作空间中的路径搜索过程中构造。凸性是绳系机器人运动学的一个内在属性,因此对所有高级距离最优绳系路径规划任务具有普遍影响:用目标配置预计算(GCP)过程代替最耗时的工作空间预计算(WP)过程,用无绳系路径缩短过程代替同伦感知路径搜索过程。受工作空间凸性的启发,自然提出了解决以下问题的有效算法:(a)最优系留重构(TR)规划问题通过局部非系留路径缩短(UPS)过程来解决,(b)经典的最优系留路径(TP)规划问题通过GCP过程和$n$ UPS过程来求解(从起始配置到目标位置,其中目标系绳状态未被分配),其中,$n$是访问目标位置的系绳长度容许配置的数量,(c)访问多个目标位置的序列的最佳系绳运动,称为
2022-08-08 cs.RO
Quad-LCD: Layered Control Decomposition Enables Actuator-Feasible Quadrotor Trajectory Planning
School of Engineering and Applied Science, University of Pennsylvania(工程与应用科学学院,宾夕法尼亚大学);EPFL(瑞士联邦理工学院)
针对四旋翼电机饱和导致失控坠毁的问题,本文提出Quad-LCD,通过控制分解并从仿真轨迹数据学习跟踪惩罚,显著降低激进机动坠毁率并在Crazyflie上验证可行性。
2025-05-15 cs.RO cs.SY eess.SY
Trajectory Optimization for UAV-Based Medical Delivery with Temporal Logic Constraints and Convex Feasible Set Collision Avoidance
State Key Laboratory of Multimodal Artificial Intelligence Systems(多模态人工智能系统国家重点实验室);Vanke School of Public Health(万科公共卫生学院);School of Automation(自动化学院)
本文研究无人机在城市环境中执行时间敏感医疗配送的轨迹优化问题,通过信号时间逻辑编码任务目标并利用凸可行集方法实现安全避障。
2025-08-26 cs.RO cs.SY eess.SY
Designing Multi-Stage Coupled Convex Programming with Data-Driven McCormick Envelope Relaxations for Motion Planning
University of California, Los Angeles(加州大学洛杉矶分校)
对于多肢机器人,由于非线性的存在,具有姿态和力约束的运动规划往往是一个困难的优化问题,这也会导致求解时间的延长。我们提出了一个多阶段的优化框架与数据驱动的级间耦合约束,以解决非线性。聚类和进化的方法来找到麦考密克信封松弛被用来找到特定问题的参数。然后在先前阶段中使用所学习的约束,这提供了后续阶段的高级知识。这导致改进的求解时间和结果的可解释性。规划器通过10公斤的六足机器人上的多个行走和攀爬任务进行验证。
2021-09-14 cs.RO
BoundPlanner: A convex-set-based approach to bounded manipulator trajectory planning
Automation and Control Institute (ACIN), TU Wien(自动化与控制研究所(ACIN),维也纳技术大学)
BoundPlanner通过基于凸集的轨迹规划方法,实现机械臂在考虑运动学和碰撞约束下的高效在线轨迹规划。
2026-02-16 cs.RO
Optimal Vehicle Trajectory Planning for Static Obstacle Avoidance using Nonlinear Optimization
Guangzhou Xiaopeng Motors Technology Co Ltd(广州小鹏汽车科技有限公司)
针对自动驾驶轨迹规划需兼顾可行性、舒适性与商用计算效率的需求,提出基于非线性优化的新型算法,可生成运动学可行、舒适性最优的静态障碍物避障轨迹,且在两类硬件平台上均实现毫秒级快速生成。
2023-07-18 cs.RO
Motion Primitives based Path Planning with Rapidly-exploring Random Tree
George Mason University(乔治梅森大学)
我们提出了一种方法,使用快速探索随机树(RRT)生成机器人kinodynamically可行路径。我们利用运动原语作为一种方式来捕捉机器人的动态,并使用这些运动原语建立与RRT树的分支。由于每个分支都是使用机器人的运动基元构建的,不会导致与障碍物的碰撞,因此保证所得到的路径满足机器人的kinodynamic约束,从而可以用于导航,而无需对生成的轨迹进行任何后处理。我们证明了我们的方法在模拟的2D环境中使用简单的机器人模型与各种运动原语的有效性。
2022-10-27 cs.RO
Kinodynamic Motion Planning for Multi-Legged Robot Jumping via Mixed-Integer Convex Program
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea Advanced Institute of Science and Technology(韩国科学技术院)
提出了一种基于混合整数凸规划(MICP)的多足足式机器人跳跃运动学运动规划框架,该框架同时考虑质心运动、接触点、扳手和步态序列。该方法将位形空间离散化和可行扳手多面体(FWP)的构造相结合,将运动学约束、执行器限制、摩擦锥约束和步态排序编码到一个MICP中。MICP可以有效地解决了全球最佳的现成的数值求解器,并提供高动态跳跃运动,而不需要初始猜测。仿真和实验结果表明,所提出的方法可以找到新颖灵巧的机动,直接部署在两足足式机器人平台上,以穿越具有挑战性的地形。
2020-11-03 cs.RO
Motion Planning around Obstacles with Convex Optimization
Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学)
轨迹优化为动态约束下的高维空间运动规划提供了成熟的工具。然而,当面对复杂的配置空间,混乱的障碍,机器人专家通常回落到基于采样的规划,斗争在非常高的维度和连续的微分约束。事实上,障碍是许多教科书中的例子有问题的非凸性的概率优化问题的来源。在这里,我们表明,凸优化,事实上,可以用来可靠地规划周围的障碍物的轨迹。具体来说,我们考虑规划问题的碰撞避免的约束,以及成本惩罚和硬约束的形状,持续时间和速度的轨迹。结合Bézier曲线的性质和最近提出的在凸集图(GCS)中寻找最短路径的框架,我们将规划问题表示为紧凑的混合整数优化。与现有的混合整数规划器形成鲜明对比,我们的程序的凸松弛是非常紧的,并且其解决方案的廉价舍入通常足以设计全局最优轨迹。这将混合整数规划还原为简单的凸优化,并自动为规划的轨迹提供最优性边界。我们建议的计划GCS,其基本的优化框架后。我们演示了GCS在模拟各种机器人平台,包括四旋翼飞行通过建筑物和双臂机械手(14个自由度)在有限的空间移动。使用数值实验的七度的自由度机械手,我们表明,GCS可以通过在更短的时间内找到更高质量的轨迹优于广泛使用的基于采样的规划。
2022-05-09 cs.RO
Coupling Tensor Trains with Graph of Convex Sets: Effective Compression, Exploration, and Planning in the C-Space
Technical University of Munich(慕尼黑技术大学);Northeastern University(东北大学)
TANGO通过结合张量压缩与图优化,在C空间中实现高效、几何感知的运动规划,提升轨迹生成的质量和效率。
2026-03-12 cs.RO
Mixed Discrete and Continuous Planning using Shortest Walks in Graphs of Convex Sets
Massachusetts Institute of Technology(麻省理工学院);University of California, Santa Barbara(加州大学圣芭芭拉分校);Toyota Research Institute(丰田研究院)
研究凸集图中的最短游走问题,通过半定规划综合代价-到达函数的分段二次下界并引导增量搜索算法求近似最短游走,统一了机器人学中混合离散-连续规划问题并实现高性能与计算效率。
2025-07-15 cs.RO
PAAMP: Polytopic Action-Set And Motion Planning for Long Horizon Dynamic Motion Planning via Mixed Integer Linear Programming
Robotics Engineering Department, Worcester Polytechnic Institute(沃斯特理工学院机器人工程系);Electrical Engineering Department, California Polytechnic State University(加州州立大学弗雷斯诺分校电子工程系)
本文提出PAAMP方法,通过多边形动作集将长时间动态运动规划转化为混合整数线性规划问题,用于解决复杂动态系统中的运动规划与约束满足问题。
2024-08-28 cs.RO
Planning Shorter Paths in Graphs of Convex Sets by Undistorting Parametrized Configuration Spaces
Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室(CSAIL))
针对非线性参数化导致凸集图(GCS)运动规划在原始空间次优的问题,提出扩展GCS至非凸目标的方法以修正优化场景,在保持可行性的同时显著缩短路径长度和轨迹持续时间,且运行时间增幅极小。
2025-04-14 cs.RO
Bi-Level Optimization for Contact and Motion Planning in Rope-Assisted Legged Robots
Dipartimento di Ingegneria e Scienza dell’Informazione (DISI), University of Trento(工程与信息科学系(DISI),特伦托大学);Inria, Université de Lorraine, CNRS(法国国家信息与自动化技术研究院(Inria)、洛林大学、法国国家科学研究中心(CNRS))
本文提出了一种用于绳索辅助机器人垂直表面攀爬的规划框架,采用双层优化方法解决混合整数问题,同时优化绳索张力和腿部力,验证于新型攀爬机器人平台。
2026-10-16 cs.RO
Feedback Motion Planning Under Non-Gaussian Uncertainty and Non-Convex State Constraints
Texas A&M University(德克萨斯农工大学)
过程和测量不确定性下的规划是一个具有挑战性的问题。在其最一般的形式中,它可以被建模为部分观测马尔可夫决策过程(POMDP)问题。然而,POMDPs通常很难解决时,底层空间是连续的,特别是当信念是非高斯,和困难进一步加剧时,也有非凸约束的状态。解决此类具有挑战性的POMDP的现有算法在计算和内存方面都很昂贵。在非高斯置信空间中,通过求解一般非线性观测模型的凸规划,给出了一种反馈策略。该解决方案涉及一个滚动时域控制策略,使用粒子滤波器的非高斯信念表示。我们开发了一种在状态空间中捕获非凸约束的方法,并调整优化以纳入此类约束。这种方法的一个关键优点是,它不会在优化问题中引入额外的变量,因此比置信空间中现有的约束问题更具可扩展性。我们证明了该方法在不同情况下的性能。
2016-01-12 cs.RO
Modified Hybrid A* Collision-Free Path-Planning for Automated Reverse Parking
Ohio State University(俄亥俄州立大学)
本文提出改进的混合A*算法用于自动倒车,结合动态模型和碰撞避障功能,实现碰撞自由的可行路径规划。
2025-12-12 cs.RO cs.SY eess.SY
A Homotopy Invariant Based on Convex Dissection Topology and a Distance Optimal Path Planning Algorithm
Zhejiang University of Technology(浙江工业大学)
本文提出基于凸剖分的同伦不变量以编码路径类,并设计 CDT-RRT* 算法主动探索未知同伦类、结合 Elastic Band 求取类内最短路径,实验表明其性能达到当前最优水平。
2023-08-06 cs.RO
Efficient and Interaction-Aware Trajectory Planning for Autonomous Vehicles with Particle Swarm Optimization
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Honda Research Institute(本田研究所)
本研究针对自动驾驶换道场景,提出结合粒子群优化、神经网络预测及多项式曲线拟合的轨迹规划方法,可实时生成平滑可行的换道轨迹,仿真对比验证了其有效性。
2024-02-02 cs.RO
Temporal Logic Motion Planning with Convex Optimization via Graphs of Convex Sets
University of Notre Dame(圣母大学)
本文将LTL运动规划建模为GCS最短路径并用凸优化求解,以连续贝塞尔曲线实现多项式复杂度、可靠性与概率完备性,并扩展至30自由度人形机器人。
2023-06-01 cs.FL cs.RO cs.SY
Enhanced Trust Region Sequential Convex Optimization for Multi-Drone Thermal Screening Trajectory Planning in Urban Environments
Institute of Automation, Chinese Academy of Science, China(中国科学院自动化研究所);Beijing Institute of Technology, China(北京理工大学);Institute of Automation, Chinese Academy of Sciences, China(中国科学院自动化研究所);Tsinghua University, China(清华大学)
本文提出增强信赖域序列凸优化(TR-SCO)算法,解决城市环境中多无人机热筛查的轨迹规划问题,在避碰、高度约束和覆盖率之间取得平衡,并通过仿真验证其相比传统凸优化方法在轨迹最优性和计算效率上的显著提升。
2025-08-28 cs.RO cs.SY eess.SY
A biconvex method for minimum-time motion planning through sequences of convex sets
Amazon Robotics(亚马逊机器人)
本文研究在速度和加速度约束下最短时间穿过凸集序列的平滑轨迹设计问题,提出一种双凸方法,通过交替求解凸子问题快速生成并迭代细化轨迹,保证收敛且无需调参,实验表明其速度和质量均优于现有求解器。
2025-04-26 cs.RO
Coverage Path Planning for Holonomic UAVs via Uniaxial-Feasible, Gap-Severity Guided Decomposition
University of Notre Dame(内布拉斯加大学)
针对完整无人机在应急响应中覆盖路径规划面临的问题,提出用递归双轴单调性标准及累积间隙严重性度量引导切割的分解策略,搭配全局优化器,降低路径长度和完成时间开销,优于其他15种CPP管道。
2026-07-29 cs.MA cs.RO
A Roadmap-Path Reshaping Algorithm for Real-Time Motion Planning
Tsinghua University(清华大学);BNRist(北京信息科学与技术国家研究中心)
实时的【形】运动规划是机器人系统的重要功能。与现有的先确定自由空间然后确定无碰撞路径的路线图算法不同,研究人员最近提出了几种基于凸松弛的平滑算法,其首先选择初始路径来连接起始配置和目标配置,然后重新整形该路径以满足其他要求(例如,无碰撞条件)。然而,基于凸松弛的平滑算法往往不能给出令人满意的路径,因为初始路径是随机选择的。此外,现有的基于凸松弛的光顺算法没有考虑曲率约束。在本文中,我们表明,我们可以首先网格整个配置空间,以挑选一个候选路径和重塑这个最短路径,以满足我们的目标。该算法继承了路标算法和凸可行集算法的优点。进一步讨论了如何利用Beamlet算法选择较好的初始路径和迭代优化算法调整路径的曲率来满足曲率约束,理论分析和数值试验结果表明,该算法几乎一定能找到一条可行路径,而且比最近提出的凸可行集算法所需时间要少得多.
2019-02-28 cs.RO
Fast Motion Planning for Non-Holonomic Mobile Robots via a Rectangular Corridor Representation of Structured Environments
KU Leuven(鲁汶大学);Flanders Make(法兰德斯制造研究院)
本研究提出了一种基于矩形走廊表示的高效运动规划框架,用于非完整移动机器人在复杂结构化环境中的快速导航。
2026-02-10 cs.RO
Search-Based Spatiotemporal and Multi-Robot Motion Planning on Graphs of Space-Time Convex Sets
Simon Fraser University(西蒙弗雷泽大学)
提出基于时空凸集图(ST-GCS)的算法框架,通过图搜索与连续轨迹优化结合,实现单/多机器人时间最优运动规划,在狭窄瞬态可行区域中显著加速。
2026-07-02 cs.AI cs.RO
Trajectory-Level Mode Guidance for Controllable Diffusion-Based Multi-Robot Motion Planning
Zhejiang University(浙江大学)
针对多机器人运动规划中融入部分轨迹先验且保持多模态生成的问题,提出在干净轨迹空间进行逐步引导的扩散模型方法,通过时间步依赖的引导强度融合规划代价与先验,实验验证了可控性与安全性。
2026-09-30 cs.RO