Density Planner: Minimizing Collision Risk in Motion Planning with Dynamic Obstacles using Density-based Reachability
Technical University of Munich（慕尼黑工业大学）；Massachusetts Institute of Technology（麻省理工学院）；Boston University（波士顿大学）
本文提出密度规划器，利用神经网络与Liouville方程学习不确定系统密度演化，通过梯度优化最小化碰撞风险，在动态障碍物环境中实现比模型预测控制快100倍的在线规划。
2023-02-27 cs.RO cs.SY eess.SY
Limited Visibility and Uncertainty Aware Motion Planning for Automated Driving
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
不利的天气条件和城市环境中的遮挡导致感知受损。不确定性在自动车辆的不同模块中处理，范围从传感器水平到情况预测直到运动规划。本文主要研究在具有遮挡的不确定环境模型下的运动规划问题。我们提出了一种方法，以保持碰撞自由的最坏情况下的演变给定的场景。我们定义的标准，衡量可用的利润率的碰撞，同时考虑到可见性和相互作用，并因此集成的条件，将这些标准应用到一个基于优化的运动规划。我们通过在几个不同的城市场景中验证我们的方法的一般性。
2018-10-30 cs.RO
Single-query Path Planning Using Sample-efficient Probability Informed Trees
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
在这项工作中，我们提出了一种新的基于采样的路径规划方法，称为SPRINT。该方法能够快速、鲁棒地求解高维路径规划问题。其效率来自于最大限度地减少冲突检查样本的数量。这种抽样的减少依赖于预测样本在搜索过程中有用的可能性的统计学。具体而言，算法（1）优先考虑更有希望的搜索区域;（2）从局部最小区域中挑选样本;（3）引导搜索远离先前观察到的碰撞状态。经验评估表明，我们的方法发现更短或相当长度的解决方案的路径在显着更少的时间比常用的方法。我们证明，这些性能的提高可以在很大程度上归因于我们的方法，以实现样本效率。
2021-05-31 cs.RO
Perception-driven sparse graphs for optimal motion planning
Massachusetts Institute of Technology（麻省理工学院）
大多数现有的运动规划算法假设在生成运动规划之前完全确定（某种质量的）图。在机器人的许多新兴应用中，例如，快速移动的敏捷空中机器人具有受限的嵌入式计算平台和视觉传感器，不能立即获得密集的世界地图，并且它们的构建在计算上是昂贵的。我们提出了一种新的算法来生成计划图，它耦合了感知和运动规划过程，以提高计算效率。该算法在规划子问题和映射子问题之间反复切换，每次更新都基于另一个子问题，直到找到一个有效的轨迹，得到的轨迹保持了一个可证明的性质，即在计算实验中只利用一小部分传感数据，提供相对于完整（未映射）环境的最优轨迹。
2018-08-01 cs.RO
Quotient-Space Motion Planning
CNRS-AIST Joint Robotics Laboratory（CNRS-AIST联合机器人实验室）
运动规划算法通过计算穿过机器人的配置空间的路径来计算机器人的运动。为了提高运行时间的运动规划算法，我们建议嵌套机器人在彼此之间，创建一个嵌套的配置空间的约束空间分解。基于此分解，我们定义了一个新的基于路线图的运动规划算法称为商空间路线图规划（QMP）。该算法开始增长的最低维商空间上的一个图形，切换到下一个商空间一旦一个有效的路径已经找到，并不断更新每个商空间上的图形同时，直到一个有效的路径中的配置空间已经found.We表明，该算法是概率上完整的，并优于一组国家的最先进的算法实现在开放的运动规划库（OMPL）。
2018-08-03 cs.RO
An Effective Algorithmic Framework for Near Optimal Multi-Robot Path Planning
Massachusetts Institute of Technology（麻省理工学院）
我们提出了一个集中的算法框架，解决多机器人路径规划问题，在一般的，二维的，连续的环境，同时最大限度地减少全球的任务完成时间。该框架获得高水平的有效性，通过组成的连续环境的最佳离散化和随后的快速，接近最佳的解决方案所产生的离散规划问题。这种原则性的方法在速度和支持的机器人密度方面实现了数量级的更好性能。对于各种各样的环境中，我们的方法被证明是计算全球接近最优的解决方案，为50个机器人在几秒钟内与机器人包装接近对方。在极端情况下，该方法可以始终如一地解决数百个机器人占用超过30%的自由空间的问题。
2015-07-13 cs.RO
Multi-Robot Association-Path Planning in Millimeter-Wave Industrial Scenarios
Linköping University（林雪平大学）
工业4.0机器人的大规模开发需要先进的无线解决方案，以取代灵活性较低且成本较高的有线网络。在这方面，毫米波（mm波）可以提供高数据率，但是它们的特征在于需要密集无线电部署的不均匀覆盖。在这种情况下，覆盖漏洞和大量切换可能会降低通信吞吐量和可靠性。与传统的多机器人路径规划（MPP）相比，我们定义了一种多机器人关联路径规划（MAPP）问题，旨在共同优化机器人的路径和机器人接入点（AP）的关联。在MAPP中，我们专注于最小化的路径长度，以及在保持连通性的同时，保持连接的数量。我们提出了一个算法，可以解决MAPP在多项式时间，它是能够数值逼近全局最优。我们表明，所提出的解决方案是能够保证网络的连通性，并显着减少的数量相比，最大限度地减少路径长度。
2020-03-21 cs.NI cs.RO
Optimized Path Planning for USVs under Ocean Currents
Marine Thinking
本文针对海流环境下的USV路径规划问题，通过引入时空贝叶斯推断跟踪和预测海流的新时空因子改进了GPMP2算法，实现了平滑性、避障和海流因素的优化，有效降低了成本并提升了性能。
2024-02-10 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
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
Unified Multi-Contact Fall Mitigation Planning for Humanoids via Contact Transition Tree Optimization
Duke University（杜克大学）
本文提出了一种多接触的方法，广义的人形跌倒缓解规划，统一惯性塑造，保护性的步伐，和手接触的战略。规划器优化接触序列和机器人状态轨迹。进行高级树搜索以迭代地生长联系人转换树。在树的每个边缘，轨迹优化用于计算机器人稳定轨迹，该轨迹产生期望的接触过渡，同时最小化动能。此外，在树的每个节点，优化器试图找到一个自运动（惯性成形运动），以消除动能。本文还提出了一种快速有效的初始种子生成方法，以利于轨迹优化。实验表明，我们提出的算法可以产生复杂的稳定策略的模拟机器人在不同的初始推力和环境形状。
2018-10-14 cs.RO
Continuous Planning for Inertial-Aided Systems
University of Technology Sydney（悉尼科技大学）；UTS Robotics Institute（悉尼科技大学机器人研究所）
惯性辅助系统需要连续的运动激励以及其他原因来表征测量偏差，这将实现定位框架所需的精确积分。本文提出了使用信息的路径规划，以找到最佳的轨迹，最大限度地减少不确定性的IMU偏差和自适应轨迹的方法，以指导规划者对轨迹，帮助收敛。关键的贡献是一种新的回归方法，高斯过程（GP）的基础上，从RRT * 规划算法的一个变种，以加强连续性和可区分的航点之间。我们采用线性算子应用到GP核函数来推断不仅连续的位置轨迹，而且速度和加速度。线性泛函的使用使得能够将由IMU测量给出的速度和加速度约束施加在位置GP模型上。仿真和实际实验结果表明，在状态估计框架中，规划IMU偏差收敛有助于最小化定位误差。
2022-09-12 cs.RO
Real-Time Trajectory Planning for Aerial Perching
Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）
提出了一种新的空中栖息轨迹规划方法。与现有的工作相比，终端状态和轨迹持续时间可以自适应地调整，而不是预先确定的。此外，我们的规划器是能够最小化的切向相对速度的安全性和动态可行性的前提下。这一特点在机动性较低或空间不够的微型空中机器人上尤为明显。此外，我们设计了一个灵活的转换策略，以消除终端约束，减少优化变量。此外，我们采取精确的SE（3）运动规划，以确保无人机不会接触到着陆平台，直到最后一刻。所提出的方法进行了验证板上的手掌大小的微型航空机器人具有相当有限的推力和力矩（推重比1.7）栖息在一个移动的倾斜表面。实验结果表明，该规划器能在20ms内生成最优轨迹，并在2ms内实现热启动.
2022-07-19 cs.RO
Probabilistically Safe Corridors to Guide Sampling-Based Motion Planning
Cornell Tech（康奈尔理工学院）；University of Pennsylvania（宾夕法尼亚大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在本文中，我们引入了一个新的概率安全的本地转向原语采样为基础的运动规划在复杂的高维配置空间。我们的本地转向过程是基于一个新的概念，凸概率安全走廊，构造周围的配置使用切线超平面的置信度椭球高斯混合模型从以前的碰撞历史。因此，我们建议扩展一个随机的运动规划图向一个样本目标使用其投影到概率安全走廊，有效地利用配置空间的局部几何形状选择适当的转向方向和适应转向步长。我们观察到，建议的本地转向过程产生有效的转向运动周围的困难区域的配置空间，如狭窄的通道，同时尽量减少碰撞的可能性。我们评估了建议的转向方法与随机运动规划器在一些规划方案，无论是在模拟和物理7自由度机械臂，证明了我们的安全指导本地规划器的有效性超过标准的直线规划器。
2019-01-01 cs.RO
Finding Near-optimal Solutions in Multi-robot Path Planning
Agent Technology Center, Dept. of Computer Science, Faculty of Electrical Engineering, CTU in Prague（布拉格捷克理工大学电气工程学院计算机科学系智能体技术中心）；Algorithmics, EEMCS, Delft University of Technology（代尔夫特理工大学电气工程、数学与计算机科学学院算法组）；iRobot Inc., Pasadena（iRobot公司（帕萨迪纳））
我们处理的问题，规划无碰撞的机器人在共享空间中运行的轨迹。给定每个机器人的起始位置和目的地位置，任务是找到所有机器人的轨迹，以最小的总成本到达目的地，使得机器人在遵循找到的轨迹时不会碰撞。我们的方法从每个机器人的单独最佳轨迹开始，然后因与其他机器人碰撞而受到惩罚。惩罚逐渐增加，并且迭代地重新规划各个轨迹以考虑增加的惩罚，直到找到无碰撞的解决方案。我们发现，这样的惩罚方法在最优值已知的情况下构造出具有接近最优值的成本的轨迹，并且在其他情况下，其成本比优先规划生成的轨迹低4- 10%，并且最高可达40%。这比通过局部碰撞避免技术（例如ORCA）生成的轨迹更便宜。
2014-10-20 cs.RO
ART-TEB: Adaptive Trajectory Planning for Mobile Robots in Cluttered Environments
Department of Computer Science and Engineering（计算机科学与工程系）
提出ART-TEB自适应轨迹规划算法，通过分段碰撞测试和位姿校正提升杂乱环境下移动机器人的安全性与规划效率，仿真和实验验证其成功率与速度显著优于现有方法。
2026-10-01 cs.RO
Path Planning Algorithm for Extinguishing Forest Fires
B S Abdur Rahman University（B S 阿卜杜勒·拉赫曼大学）
气候变化的主要影响之一是森林的破坏。森林的破坏有很多种方式，但大部分森林都是由于野火而被摧毁的。在本文中，我们提出了一个路径规划算法，用于灭火，使用无线传感器和执行器网络（WSAN）检测火灾。由于森林火灾的研究大多是基于无线传感器网络（WSNs）的，并且在覆盖、消息传输、节点部署、针对无线传感器网络中传感器节点的电池电量耗尽问题，本文重点研究了Actor移动到火灾发生的目标区域并进行灭火的路径规划方法，提出了一种增量式路径规划方法，“执行者”在有障碍物和无障碍物的环境中灭火的动作。这是通过将确定的移动与使用传感器获得的目标位置读数进行比较来完成的，直到Actor到达目标区域以灭火。
2012-03-18 cs.RO
Stop-N-Go: Search-based Conflict Resolution for Motion Planning of Multiple Robotic Manipulators
Sogang University（西江大学）
针对拥挤环境中多机械臂因共享空间导致目标位置被阻挡的运动规划问题，提出基于 A* 搜索的 Stop-N-Go 冲突解决方法，通过向轨迹插入暂停以最小化总完成时间，成功解决基线方法无法求解的挑战性实例。
2024-10-10 cs.RO
Probabilistic motion planning for non-Euclidean and multi-vehicle problems
George Mason University（乔治梅森大学）；Temple University（天普大学）
针对非欧几里得与多车辆问题，本文提出灵活框架证明PRM*、RRT和RRT*算法在非欧几里得设定下保持渐近最优，并保证协作系统的轨迹规划收敛性。
2023-06-28 cs.RO math.MG math.OC
Neural Elevation Models for Terrain Mapping and Path Planning
Stanford（斯坦福大学）
本文提出神经高程模型（NEMos），将神经辐射场适配为2.5维连续可微地形，并基于可微高度场实现梯度优化的平滑路径规划，实验验证其重建质量与路径平滑性优于离散方法。
2024-05-24 cs.RO
Off the Beaten Track: Laterally Weighted Motion Planning for Local Obstacle Avoidance
Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所）；Defence Research and Development Canada（加拿大国防研究与发展部）
本研究提出一种横向加权运动规划方法，结合曲线规划空间与新边代价度量，并配套MPC架构，在5公里现场试验中验证了其优于直接路径跟踪MPC的局部避障与路径保持性能。
2024-11-07 cs.RO
Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering
Chair of Automatic Control Engineering（自动控制工程教授会）
本文提出一种结合随机模型预测控制与分支结构的方法，用于在多模态不确定性下进行运动规划，通过场景聚类提高实时计算性能并减少保守性。
2026-05-21 cs.RO
Considering Perspectives for Automated Driving Ethics: Collective Risk in Vehicular Motion Planning
Eindhoven University of Technology（埃因霍温理工大学）；CARISSMA Institute of Safety in Future Mobility（未来移动安全研究所）；Technische Hochschule Ingolstadt（因戈尔施塔特技术大学）；TNO（荷兰代尔夫特理工大学）
本文提出了一种考虑多视角风险的自动驾驶运动规划策略，通过平衡所有道路使用者的风险来提高整体交通安全性和效率，同时体现人类驾驶行为的伦理考量。
2026-02-26 cs.RO
TAPE: Tether-Aware Path Planning for Autonomous Exploration of Unknown 3D Cavities Using a Tangle-Compatible Tethered Aerial Robot
Createk Design Lab, University of Sherbrooke（谢布克大学Createk设计实验室）
提出一种两级分层路径规划方法，通过全局TSP最小化距离和局部可调决策函数平衡路径成本与系绳长度，实现未知三维空腔的自主探索，仿真和实地测试验证了有效性。
2026-07-01 cs.RO
Autonomous Waypoint Generation with Safety Guarantees: On-Line Motion Planning in Unknown Environments
University of Alberta（阿尔伯塔大学）
未知环境中的在线运动规划是一个具有挑战性的问题，因为它需要（i）确保避免碰撞和（ii）最小化运动时间，同时连续预测下一步去哪里。先前的在线运动规划方法假设环境的粗略地图是可用的，从而简化了问题。本文提出了一种反应式在线运动规划，鲁棒自主航路点生成（RAW），移动机器人导航在未知的和非结构化的环境。RAW生成机器人周围的局部最大椭球，使用半定规划，使周围的障碍物位于椭球之外。然后，强化学习代理在机器人的视野中，在椭圆体内部生成本地航路点。机器人导航到航路点，过程迭代直到它到达目标。通过遵循航路点，机器人导航通过一系列重叠的椭圆，并避免碰撞。机器人的安全性从理论上得到了保证，并通过四种不同实验装置的严格数值实验进行了验证。通过比较RAW轨迹与全局最优轨迹，以经验的方式显示了近最优性。
2017-09-02 cs.RO
Task and Motion Informed Trees (TMIT*): Almost-Surely Asymptotically Optimal Integrated Task and Motion Planning
Rice University（莱斯大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；University of Oxford（牛津大学）
高水平的自主性需要离散和连续的推理来决定采取什么行动以及如何执行这些行动。集成任务和运动规划（TMP）算法联合解决这些混合问题以考虑离散符号动作之间的约束（即，任务计划）和它们的连续几何实现（即，运动计划）。这种联合的方法解决了更困难的问题比方法，解决任务和运动子问题独立。TMP算法结合并扩展了任务和运动规划的结果。TMP主要关注计算性能和完整性，较少关注解的最优性。最优TMP是困难的，因为独立的最优子问题可能不是最优的集成解决方案，这只能通过联合优化两个计划。本文提出了任务和运动信息树（TMIT*），一个最佳的TMP算法，结合的结果，从最大完工时间最优的任务规划和几乎必然渐近最优的运动规划。TMIT* 交错不对称的前向和逆向搜萦，以延迟计算昂贵的操作，直到必要的，并直接在问题的混合状态空间中执行有效的知情搜索。这使它能够快速解决问题，然后收敛到最佳的解决方案与额外的计算时间，所证明的评估机器人操作基准问题。
2022-10-17 cs.RO
Planning of efficient trajectories in robotized assembly of aerostructures exploiting kinematic redundancy
University of Salerno（萨莱诺大学）
随着时间的推移，航空航天生产量不断增加，机器人解决方案已逐步引入航空装配线，以实现高质量标准，高生产率，灵活性和降低成本。机器人工作单元有时以安装在滑道上的机器人为特征，以增加机器人工作空间。滑动引入了额外的自由度，使系统在运动学上冗余，但该功能很少用于提高性能。本文提出了一种新的概念，在轨迹规划，利用冗余，以满足额外的要求。采用动态规划技术，计算优化的轨迹，最小化或最大化感兴趣的性能指标。该用例定义在LABOR（复合材料航空结构的精益自动化装配和控制）项目上，该项目采用安装在线性轴上的两个协作的六轴机器人来执行机身壁板的装配操作。考虑到该工作单元的需求，最大限度地减少了不必要的机器人运动以提高安全性，最大限度地提高了机械刚度以增加钻孔操作期间的稳定性，避免了碰撞，同时遵守了关节限制和可用的规划时间。在仿真环境中进行实验，在那里执行的最佳轨迹，突出显示所产生的性能和改进相对于非优化的解决方案。
2021-07-09 cs.RO
AIT* and EIT*: Asymmetric bidirectional sampling-based path planning
University of Oxford（牛津大学）
最优路径规划是在起点和终点之间找到一个有效的状态序列，以优化目标的问题。知情的路径规划算法顺序与问题的具体知识表示为启发式搜索，可以比不知情的算法更有效的数量级。当启发式方法既准确又计算成本低时，它们是最有效的，但这些特征往往是相互矛盾的。这使得选择适当的物理学困难的许多问题。本文提出了两个几乎必然渐近最优的基于采样的路径规划算法，自适应知情树（AIT*）和努力知情树（EIT*），以解决这一挑战。这些算法使用不对称的双向搜索，其中两个搜索不断地相互通知。这使得AIT* 和EIT* 能够通过同时计算和利用越来越精确的、针对具体问题的算法来提高规划性能。AIT* 和EIT* 相对于其他基于采样的算法的好处表现在12个问题的抽象，机器人和生物医学领域优化路径长度和障碍清除。实验结果表明，AIT* 和EIT* 优于其他算法的问题优化障碍清除，先验成本算法往往是无效的，仍然表现良好的问题最小化路径长度，这种算法往往是有效的。
2022-10-21 cs.RO
Lexicographic Minimum-Violation Motion Planning using Signal Temporal Logic
School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算信息与技术学院）；ZF Friedrichshafen AG（弗赖堡汽车集团）；Institute of System Dynamics, HTWG Konstanz（康斯坦茨HTWG系统动力学研究所）
提出一种将字典序多目标优化转化为单目标标量优化的方法，通过非均匀量化和位移扩展MPPI求解器，并引入结合时空违规的谓词鲁棒性度量，实现可解释且可扩展的字典序STL最小违规运动规划。
2026-08-20 cs.RO
RAMP: Reaction-Aware Motion Planning of Multi-Legged Robots for Locomotion in Microgravity
Tohoku University（东北大学）
微重力下的机器人机动性对于扩大人类对外层空间的利用和探索是必要的。生物启发的多腿足式机器人是安全和精确运动的一种可能的解决方案。然而，在微重力下的机器人的动态运动可能会导致故障，由于过度的运动反应所造成的夹持器分离。我们提出了一种新的反应感知运动规划（RAMP），以提高运动的安全性，在微重力环境下，通过减少机器人的动量变化，降低失去与地面接触的风险。RAMP通过低反作用力摆动轨迹（LRECT）最大限度地减少摆动动量，同时将此动量分配到整个身体，确保支撑夹持器的零速度并最大限度地减少运动反作用力。我们验证了所提出的方法与动态模拟表明RAMP的能力，以产生一个安全的运动，而不分离的支持抓手，导致机器人到达其指定的位置。我们在使用空气悬浮系统的实验中进一步验证了RAMP，证明反作用力显着降低，并提高了微重力下的移动性。
2023-01-19 cs.RO
On the Performance of Jerk-Constrained Time-Optimal Trajectory Planning for Industrial Manipulators
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Dexterity, Inc.（德克斯特蒂公司）
本文提出一种加加速度约束时间最优轨迹规划新方法，通过利用公式凸性形成保守不等式约束并迭代求解n维序列线性规划，在真实机器人上验证了其在峰值功率、扭矩效率和跟踪能力上的性能提升。
2024-04-11 cs.RO
GOMP: Grasp-Optimized Motion Planning for Bin Picking
University of California at Berkeley（加州大学伯克利分校）
快速可靠的机器人拣仓是自动化仓库的关键挑战，通常以每小时拣货量（PPH）衡量。我们探索增加PPH使用更快的运动的基础上优化了一组候选人的把握。这组抓取的来源是双重的：（1）抓取分析工具，如Dex-Net生成多个候选抓取，以及（2）这些抓取中的每一个都有一个机器人抓取器可以旋转的自由度。在本文中，我们提出了抓取优化运动规划（GOMP），一种算法，加快了执行的垃圾箱采摘机器人的操作，将机器人动力学和一组候选人的把握，由一个把握规划到一个优化的运动规划。我们计算运动优化与序列二次规划（SQP）和迭代更新的信赖域占非凸性质的问题。在我们的公式中，我们将运动限制在机器人的机械限制范围内，同时避开障碍物。我们进一步转换的问题，以时间最小化，反复缩短的时间范围的轨迹，直到SQP是不可行的。在UR 5的实验中，GOMP实现了9倍于基线规划器的加速。
2020-03-05 cs.RO
Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints
Department of Computer Science, University of Innsbruck（因斯布鲁克大学计算机科学系）
本文提出了一种基于对象中心抽象的统一任务与运动规划方法，利用现成AI启发式搜索生成物理可行计划，无需复杂几何推理。
2026-01-30 cs.AI 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
SCRAMPPI: Contingency-Constrained Planning using Hamilton-Jacobi Reachability
Northeastern University（东北大学）
本文提出SCRAMPPI算法，通过哈密顿-雅可比可达性分析实现移动机器人导航中的应急规划，结合采样基于规划器（MPPI）提升采样效率，实现实时生成主计划和应急计划。
2026-09-22 cs.RO
Sampling-based optimal kinodynamic planning with motion primitives
Politecnico di Milano（米兰理工大学）
本文提出了一种新的基于采样的运动规划器，它集成在RRT*（快速探索随机树星）的预先计算的运动基元的数据库，以减轻其计算负荷，并允许运动规划在动态或部分已知的环境。该数据库是通过考虑在一些网格空间中的初始和最终状态对的集合，并且为每一对确定与系统动态和约束兼容的最优轨迹，同时使成本最小化来构建的。在RRT* 算法中，通过在网格状态空间中随机提取样本并在数据库中选择将其连接到现有节点的最佳无障碍运动基元，将节点逐步添加到可行轨迹树中。如果一些节点可以从新的采样状态通过具有较低成本的无障碍运动原语到达，则树被重新布线。因此，运动规划的计算上更密集的部分被移动到数据库构建的初步离线阶段，代价是由于网格化而导致的一些性能降级。可以调整网格分辨率，以便在（次）最优性和数据库大小之间进行折衷。当网格分辨率趋于零且采样状态数趋于无穷大时，该规划器是渐近最优的。
2022-06-10 cs.RO
Heuristic Planner for Communication-Constrained Multi-Agent Multi-Goal Path Planning
Czech Technical University in Prague（布拉格捷克理工大学）；Charles University（查理大学）
本文研究通信受限的多智能体多目标路径规划问题，提出基于图搜索的算法，使机器人在保持通信连通的前提下访问所有目标并最小化完成时间。
2024-12-18 cs.MA cs.RO
Trajectory Planning for Non-Communicating Mobile Robots using Inverse Optimal Control
FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究所）；Institute of Control Systems, Karlsruhe Institute of Technology（卡尔斯鲁厄大学控制系统研究所）
针对非通信移动机器人在避碰场景中的高效交互，提出一种结合逆最优控制的轨迹规划与预测算法，通过估计未知目标状态并联合预测，实现更快的规划求解。
2026-05-29 cs.RO cs.SY eess.SY
Path Planning in Unknown Environments Using Optimal Transport Theory
本文介绍了一种基于图的，潜在的指导方法在未知的环境中的路径规划问题，障碍物是未知的，直到机器人是在接近障碍物的位置。受最优输运理论的启发，该方法首先生成一个连接初始和目标配置的图，然后利用已有的环境信息在图上找到一条路径。当新遇到的障碍物信息变得可用时，迭代地更新图形和路径。由此产生的方法是被证明是完整的确定性过程，即，当存在可行路径时，保证在有限次数的迭代中找到可行路径。该方法是可扩展的高维问题。此外，我们的方法不搜索整个域的路径，相反，该算法只探索一个子区域，可以描述的福克-普朗克方程的演变。我们证明了我们的算法的性能，通过几个数值例子与不同的环境和尺寸，包括高维的情况下。
2019-09-25 cs.RO math.OC
Adversarial Path Planning for Optimal Camera Positioning
ENS-PSL Research University（巴黎高等师范学院-PSL研究大学）
视觉传感器的使用正在蓬勃发展，其中包括检测和预防犯罪或危险事件的几种应用。虽然总覆盖率的最佳摄像机位置的问题已经解决了十年左右，最大限度地识别物体的“在途”的摄像机的安排仍然是开放的。本文的目的是攻击这个问题，通过提供一个对抗性的方法证明最优性的基础上的解决方案的Hamilton-Jacobi方程。首先假设一个对手的角度来看，即明确计算的路径最小化的检测概率和重建的质量的问题进行了攻击。在此基础上，我们引入了摄像机配置的最优性度量，并执行模拟退火算法来找到最优的摄像机位置。
2023-02-26 cs.CG cs.RO
Learning to Search in Task and Motion Planning with Streams
University of Toronto Robotics Institute（多伦多大学机器人研究所）
针对机器人任务运动规划中广度优先扩展对象集效率低的问题，提出用图神经网络引导的最佳优先符号规划器，提升了复杂场景规划效率，已在7自由度机械臂积木任务验证。
2023-08-23 cs.AI cs.RO
A Task-Motion Planning Framework Using Iteratively Deepened AND/OR Graph Networks
University of Genoa（热那亚大学）
提出了一种基于迭代深化与或图网络（TMP-IDAN）的任务运动规划（TMP）方法，该方法使用基于与或图网络的新颖抽象来表示任务级状态和动作。在从杂波中检索目标对象时，预先不知道抓取目标所需的对象重新排列的数量。为了应对这一挑战，与传统的基于AND/OR图的规划器相比，我们在线增长AND/OR图，直到目标抓取可行，从而获得AND/OR图的网络。与或图网络允许比传统任务规划器更快的计算。我们验证我们的方法，并评估其能力，使用巴克斯特机器人和国家的最先进的机器人模拟器在几个具有挑战性的非平凡的杂乱的桌面场景。实验表明，我们的方法是很容易扩展到越来越多的对象和不同程度的混乱。
2021-04-04 cs.AI cs.RO
Multi-Sensor Next-Best-View Planning as Matroid-Constrained Submodular Maximization
University of Hamburg（汉堡大学）；TU Darmstadt（达姆施塔特工业大学）；Tampere University（坦佩雷大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
3D场景模型在机器人中用于路径规划、对象操作和结构检查等任务。我们考虑使用多个机器人的团队捕获的深度图像创建3D模型的问题。每个机器人选择一个视点并从中捕获深度图像，然后将图像融合以更新场景模型。重复该过程，直到获得期望质量的场景模型。下一个最佳视图规划使用当前场景模型来选择下一个视点。目标是选择视点，使得使用它们捕获的图像最大程度地提高场景模型的质量。在本文中，我们解决了多个深度相机的下一个最佳视图规划。我们提出了一个效用函数，得分的观点，并避免多个传感器之间的重叠。我们表明，多传感器的下一个最佳视图规划与此效用函数是一个例子下的拟阵约束下的子模最大化。这使得规划问题可以通过多项式时间的贪心算法来解决，该算法产生的解与最优解相差一个常数因子。我们评估我们的规划算法的性能，在模拟实验中，多达8个传感器，并在现实世界的实验中，使用两个机器人手臂配备深度相机。
2020-07-04 cs.CV cs.RO
Shadoks Approach to Low-Makespan Coordinated Motion Planning
LIMOS, Université Clermont Auvergne（克莱蒙奥弗涅大学利摩斯实验室）；LIS, Aix-Marseille Université（艾克斯-马赛大学信息与系统科学实验室）
本文介绍了Shadoks团队在CG：SHOP 2021挑战赛中使用的策略。今年的问题是协调多个机器人的运动，以便在没有碰撞的情况下到达目标，并最大限度地减少完工时间。这是一个经典的多智能体路径寻找问题，其特殊性在于，在无界网格中的实例是高度密集的。使用本文中概述的算法，我们的团队赢得了203个实例中202个实例的最佳解决方案和至少105个实例的最佳解决方案的第一名。主要成分包括几种不同的策略来计算初始解决方案，再加上一个启发式称为冲突优化，以减少现有的解决方案的完工时间。
2022-03-09 cs.CG cs.RO
Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control
Continental AG（大陆集团）
本文提出将多模态预测器与分支模型预测控制相结合的框架，通过拓扑与碰撞风险引导的场景选择和自适应决策推迟策略，在交通交叉口和高速公路合流场景中提升自动驾驶的实时性、舒适性与安全性。
2024-05-06 cs.RO cs.SY eess.SY
Assisted Shortest Path Planning for a Convoy through a Repairable Network
Texas A & M University（德克萨斯A&M大学）；Air Force Research Laboratory（空军研究实验室）；Infoscitex Corporation（Infoscitex公司）
针对部分受阻网络中护航车队与服务车协同的路径规划问题，提出辅助最短路径问题（ASPP），并设计改进的广义永久标记算法$GPLA^*$高效求解最优路径。
2022-04-11 cs.RO math.CO
A Physics-Informed Neural Network Approach for UAV Path Planning in Dynamic Environments
针对动态环境下无人机路径规划问题，提出PINN框架，将动力学等约束嵌入学习，仿真显示其在多指标上优于A*等传统方法，可统一模型与数据驱动规划。
2026-08-21 cs.AI cs.RO
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
Multi-Agent Motion Planning with Bézier Curve Optimization under Kinodynamic Constraints
IEEE Robotics and Automation Letters（IEEE机器人与自动化 letters）
本文提出PSB规划器，通过考虑智能体的动力学约束，生成平滑的速度剖面，提升多智能体路径规划的效率与实用性。
2024-03-09 cs.MA cs.RO
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
Path Planning for Multiple Heterogeneous Unmanned Vehicles with Uncertain Service Times
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Wayne State University（韦恩州立大学）；Air Force Research Laboratory（空军研究实验室）
本文提出了一个框架，并制定解决路径规划问题的多个异构无人机（UV）与不确定的服务时间为每个车辆-目标对。车辆将受到与其总服务时间超过预设常数的持续时间成比例的惩罚。这些车辆的运动限制不同，在任务开始时位于不同的仓库。车辆还可以配备不同的传感器。目标是为每辆车找到一个在其各自的停车场开始和结束的行程，使得每个目标都被某辆车访问和服务，同时最小化总行驶距离和所有车辆所产生的预期惩罚之和。我们制定的问题作为一个两阶段的随机程序与追索权，目前的理论性质的制定和优势，使用这样的制定，而不是一个确定性的期望值制定，来解决这个问题。大量的数值模拟也证实了所提出的方法的有效性。
2017-02-24 cs.RO math.OC
Enhanced UAV Path Planning Using the Tangent Intersection Guidance (TIG) Algorithm
Journal of Automation, Mobile Robotics and Intelligent Systems（自动化、移动机器人与智能系统杂志）
本文提出TIG算法，通过椭圆切线交点方法生成可行路径，结合启发式规则和二次贝塞尔曲线平滑技术，在静态和动态环境中实现高效安全的无人机路径规划。
2025-08-26 cs.CV cs.RO
Explicit-risk-aware Path Planning with Reward Maximization
Texas A&M University（得克萨斯农工大学）；Department of Computer Science and Engineering, Texas A&M University（得克萨斯农工大学计算机科学与工程系）
本文开发了一种路径规划器，该路径规划器最小化风险（例如，运动执行），同时最大化累积奖励（例如，传感器视点的质量）由非结构化或受限环境中的视觉辅助或跟踪场景激发。在这些场景中，机器人在向目标移动时应保持最佳视点。然而，在非结构化或受限的环境中，某些路径可能会增加碰撞的风险，因此存在风险和回报之间的权衡。传统的状态相关风险或概率不确定性建模不考虑路径级风险或难以获得。该风险-回报计划器明确地将风险表示为运动计划的函数，即，路径。该规划器无需手动分配风险对规划器造成的负面影响，而是采用预先建立的视点质量地图，并同时规划目标位置和通往目标位置的路径，以便在最小化风险的同时最大化沿着整个路径的总体回报。给出了精确算法和近似算法，并在一个实际的绳系飞行器上进行了求解。除了视觉辅助问题，该框架还提供了一个新的规划范式，以解决动态风险和缺乏子结构最优性的最小风险规划，并平衡回报和风险之间的权衡。
2019-03-07 cs.AI cs.RO
Near-Optimal Coverage Path Planning with Turn Costs
TU Braunschweig（布伦瑞克工业大学）
本文针对复杂多边形环境中的覆盖路径规划问题，提出基于任意网格的系统化方法，同时考虑转弯代价、部分覆盖和异质通行代价，实现了具有理论保证的近最优高效覆盖。
2023-10-31 cs.CG cs.RO
