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
A Novel Knowledge-Based Genetic Algorithm for Robot Path Planning in Complex Environments
University of Guelph（圭尔夫大学）
提出了一种新的基于知识的遗传算法用于非结构化复杂环境中移动机器人的路径规划，该算法设计了5个针对具体问题的算子，以实现高效的机器人路径规划。建议的遗传算法将机器人路径规划的领域知识纳入其专门的运营商，其中一些还结合了局部搜索技术。提出了一种独特而简单的机器人路径表示方法，并提出了一种简单而有效的路径评价方法，该方法能准确地检测出碰撞，并能很好地反映机器人路径的质量。该算法能够找到一个接近最优的机器人路径在静态和动态的复杂环境。仿真研究表明了该算法的有效性和效率。通过比较研究，证明了专用遗传算子在解决机器人路径规划问题的遗传算法中不可替代的作用。
2022-09-03 cs.AI cs.RO cs.SY
Exploring Robot Trajectory Planning -- A Comparative Analysis of Algorithms And Software Implementations in Dynamic Environments
University of Lincoln（林肯大学）
本文比较分析了动态环境中机器人轨迹规划算法及其软件实现，旨在解决适应性和实时分析问题，以更好地应对不可预测环境。
2024-07-18 cs.RO cs.SE cs.SY
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology（宁波工程学院）
随着机器人技术和人工智能领域的发展不断深入，路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状，重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究，并给出了一些求解方法。
2014-01-07 cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology（波兹南理工大学）
在本文中，我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外，规划者应该检查多个约束，如静态稳定性，自碰撞，与地形的碰撞，以及腿的工作空间。结果，检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中，我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后，我们提出了一种新的规划方法，提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）
在人口密集的动态环境中，机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地，移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑，分为全局路径规划和局部路径规划。在此框架内，路径规划方法的最新进展，在文件中，同时检查他们的优点和缺点。值得注意的是，最近开发的速度障碍法及其变种，作为当地的规划者进行了全面的分析。此外，作为当前机器人应用中广泛使用的无模型方法，本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley（加州大学伯克利分校）
多关节机器人的运动规划具有挑战性。由于问题的复杂性，大多数现有的工作分解运动规划作为更容易的子问题。然而，由于不一致的性能指标，只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题，提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Learning and Using Abstractions for Robot Planning
Arizona State University（亚利桑那州立大学）
机器人运动规划涉及计算一系列有效的机器人配置，使机器人从其初始状态到目标状态。解决运动规划问题最佳使用分析方法被证明是PSPACE困难。基于采样的方法试图有效地近似最优解。通常，基于采样的规划器使用统一的采样器来覆盖整个状态空间。在本文中，我们提出了一个基于深度学习的框架，该框架可以识别环境中对解决给定运动规划问题至关重要的机器人配置。这些状态用于偏置采样分布，以减少规划时间。我们的方法适用于一个统一的网络，并根据环境和机器人生成域相关的网络参数。我们评估我们的方法与学习和链接规划器在三个不同的设置。结果表明，显着改善运动规划时间相比，目前的采样为基础的运动规划。
2021-07-22 cs.RO
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology（麻省理工学院）
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证，而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中，我们提出了概率Chekov（p-Chekov），一个快速反应的运动规划系统，可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作，将轨迹优化集成到稀疏路线图框架中，p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性，而无需凸化障碍物。本文提供的全面的理论和实证分析表明，p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México（墨西哥自治理工学院）
本文提出了一种多机器人运动规划方法，通过工作空间分解的离散搜索提高规划效率，核心方法是分层子问题扩展和工作空间分解细化，主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
Experience-based Subproblem Planning for Multi-Robot Motion Planning
Texas A&M University（德克萨斯农工大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术学院）
提出基于经验的子问题规划方法，通过构建低维子问题解的数据库并应用于大规模场景，解决了多机器人运动规划在复杂任务中的可扩展性与效率问题。
2024-11-13 cs.RO
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University（克莱姆森大学）；Air Force Research Laboratory（美国空军研究实验室）
机器人符号运动规划是在离散空间中指定和规划机器人任务，然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展，但仍存在许多挑战，包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中，分布式符号运动规划的多机器人系统的发展，以解决可扩展性。更具体地说，组合推理方法的发展，以分解的全局规划问题，原子命题的观察，通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性，一个动态的，定量的，和概率的人对机器人的信任模型的开发，以帮助这种分解。此外，提出了一种基于信任的实时切换框架，用于在自主和手动运动规划之间切换，以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估，证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 cs.RO
Energy Optimized Robot Arm Path Planning using Differential Evolution in Dynamic Environment
Jadavpur University（贾达沃普尔大学）
机器人由于其高效率和高精度的性能而广泛应用于工业中。在生产线的制造阶段，最有趣的问题之一是最大限度地减少这些机器人操作器消耗的能量的显着高的百分比。机器人的能量最优控制是一个复杂的问题，因为它需要深入了解机器人的运动学和动力学行为。提出了一种基于差分进化算法的工业机器人手臂在多障碍物工作空间中能量有效路径规划的新方法。路径规划问题被制定为一个优化问题，其目的是确定最短的和能量最优路径的机器人手臂从其给定的初始位置到预定义的目标位置，而不会碰到障碍物。这种进化算法在轨迹规划中的应用是有利的，因为路径规划问题的精确解并不总是预先可用的，并且必须动态地确定。实验表明，基于DE的路径规划算法优于其竞争者在一个显着的方式。
2018-06-23 cs.RO
Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization
运动规划是机器人技术中的一个关键环节，它使机器人能够自主导航。粒子群优化算法是一种简单但功能强大的优化技术，已被有效地应用于许多复杂的多维优化问题。提出了一种基于粒子群优化的路径规划算法，用于计算移动机器人在静态凸障碍物环境中的最短无碰撞路径。该算法通过对机器人起始位置和目标位置之间生成的网格线进行随机采样来找到最优路径。所提出的算法的功能说明通过不同的情况下的仿真结果。
2020-08-23 cs.RO
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架，融合视觉基础模型提升机器人操作与运动规划，实现实时调整和持续学习，并通过实验验证其在动态环境中的部署潜力。
2023-09-20 cs.RO
Ray-based Interference Free Workspace Analysis and Path Planning for Cable-Driven Robots
The Chinese University of Hong Kong（香港中文大学）
本文采用基于光线的方法研究了任意缆索驱动机器人在缆索和障碍物作用下的无干涉工作空间。从这一点继续，点到点的路径规划和验证技术，以确保所产生的运动是在工作空间内进行了研究。
2022-09-23 cs.RO
Task and Skill Planning: Hierarchical Robot Planning with Black-Box Skills
本文提出了一种基于通用技能的分层机器人规划框架，通过可组合交互原语整合运动规划与闭合回路控制器，实现在复杂长期任务中的高效执行。
2026-07-30 cs.AI cs.RO
Decentralized Lifelong Path Planning for Multiple Ackerman Car-Like Robots
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
针对连续域中非完整约束机器人的终身路径规划难题，将离散域SOTA多机器人规划关键思想扩展至多个Ackerman类车机器人，提出高性能集中式与去中心化规划器，实现精确SE(2)目标位姿轨迹规划并经仿真与实验验证。
2024-02-19 cs.RO
Learning to Ground Objects for Robot Task and Motion Planning
SUNY Binghamton（纽约州立大学宾汉姆顿分校）
任务和运动规划（TAMP）算法已经被开发用于帮助机器人规划离散和连续空间中的行为。机器人面临复杂的现实世界场景，其中几乎不可能对所有对象或其物理属性进行建模以用于机器人规划（例如，在厨房或购物中心）。在本文中，我们定义了一个新的以对象为中心的TAMP问题，其中TAMP机器人不知道对象属性（例如，块的大小和重量）。然后，我们介绍了任务运动对象为中心的规划（{ \bf TMOC}），一个接地TAMP算法，学习地面对象和它们的物理属性与物理引擎。TMOC对于那些涉及动态复杂机器人多对象交互的任务特别有用，这些任务很难事先建模。我们已经证明和评估TMOC在模拟和使用一个真正的机器人。结果表明，TMOC在累积效用方面优于文献中的竞争基线。
2022-02-15 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
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架，用于UR5e机械臂的主动碰撞避免，以提升人机协作安全性。
2026-09-29 cs.RO
Intractability of Optimal Multi-Robot Path Planning on Planar Graphs
Rutgers University（罗格斯大学）
研究了平面图上多机器人路径规划问题最优解的计算复杂性。对于四个常见的时间和距离为基础的目标，我们表明，多个机器人的相关路径优化问题都是NP完全的，即使底层图形是平面的。在平面图上建立多机器人最优路径规划问题的计算困难性具有重要的实际意义。特别是，我们的研究结果表明，解决这些问题的首选方法，当机器人的数量很大时，是增加平面环境，以减少机器人之间的共享路径在这些路径上的相反方向行驶。事实上，这种提高效率的结构，如高速公路和高架十字路口，在机器人和运输应用中无处不在。
2015-12-06 cs.CC cs.RO
Chance Constrained Motion Planning for High-Dimensional Robots
Massachusetts Institute of Technology（麻省理工学院）
本文介绍了概率Chekov（p-Chekov），一个机会约束运动规划系统，可应用于高自由度（DOF）机器人运动不确定性和不完善的状态信息。给定过程和观测噪声模型，它可以找到可行的轨迹，满足用户指定的边界上的碰撞概率。利用我们以前在确定性运动规划中的工作，将轨迹优化集成到稀疏路线图框架中，p-Chekov在高维任务的规划速度方面表现出优越性。P-Chekov将线性二次高斯运动规划方法应用到机器人状态概率分布的估计中，将积分理论应用到航路点碰撞风险估计中，并采用风险分配方法来分配航路点之间的允许故障概率。与其他现有的风险感知规划器不同，p-Chekov可以应用于高自由度的机器人规划任务，而无需对环境进行凸化。本文的实验结果表明，该p-Chekov系统可以有效地降低碰撞风险，并满足用户指定的机会约束，在典型的现实世界规划场景的高自由度机器人。
2018-11-07 cs.RO
Path planning for Robotic Mobile Fulfillment Systems
University of Paderborn（帕德博恩大学）；Leuphana University of Lüneburg（吕讷堡莱法纳大学）
本文提出了一个收集的路径规划算法的实时移动的多个机器人在机器人移动履行系统（RMFS）。机器人被指派将存储单元移动到工作站的拣选员，而不是要求拣选员去存储区域。路径规划算法的目标是为机器人找到路径，以满足没有冲突或死锁的请求。最先进的路径规划算法，包括WHCA*，FAR，BCP，OD&ID和CBS，经过调整以适应RMFS中的路径规划，并集成在仿真工具中，以引导机器人在存储和检索过程中从起点到目的地。在模拟研究中考虑了十种不同的布局，其中包括各种数量的机器人，楼层，吊舱，车站和存储区域的大小。性能指标的吞吐量，路径长度和搜索时间进行了监测。仿真结果表明，最好的算法的基础上，每个性能指标。
2018-11-19 cs.AI cs.RO
Robot Path Planning Algorithms: A Review of Theory and Experiment
这本书的目的是介绍不同的机器人路径规划算法，并建议一些最合适的，能够运行在各种机器人和抗干扰。实时性、自主性以及识别高风险区域和风险管理的能力是这些方法中提到的其他功能。
2018-11-13 cs.RO
k-Color Multi-Robot Motion Planning
Tel-Aviv University（特拉维夫大学）
我们提出了一个简单而自然的扩展的多机器人运动规划问题，其中的机器人被划分成组（颜色），这样，在每个组的机器人是可互换的。每个机器人不再需要移动到特定的目标，而是移动到分配给其组的某个目标位置。我们称这个问题为k-颜色多机器人运动规划，并提供了一个专门设计的基于采样的算法来解决它。在该算法的核心是一个新的技术，其中k-颜色问题减少到几个离散的多机器人运动规划问题。这些减少将基本样本放大为机器人的大量自由放置和路径集合。我们证明了该算法的性能的情况下，圆盘机器人和多边形机器人在平面上平移的实现。我们表明，该算法成功地和有效地应对了各种具有挑战性的情况下，涉及许多机器人，而该算法的简化版本，可以被视为一个普遍的基于采样的算法的K-颜色的情况下，即使在简单的情况下失败。有趣的是，我们的算法优于PRM的标准多机器人问题，其中每个机器人都有一个独特的颜色建立的实现。
2013-05-13 cs.RO
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University（东南大学）；Tongji University（同济大学）
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加，经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展，基于深度强化学习（Deep Reinforcement Learning，DRL）的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的，并且不依赖于先前的结构化地图。最重要的是，基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中，我们提供了一个系统的审查各种运动规划方法。首先，我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果，并分析了它们的性能特点。随后，我们集中总结了基于RL的运动规划方法，包括运动规划器结合RL的改进，基于地图的RL运动规划器，和多机器人协作规划方法。最后，我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战，回顾了一些最先进的工作，这些问题，并提出了未来的研究建议。
2022-02-23 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
Capability Iteration Network for Robot Path Planning
Shanghai Jiao Tong University（上海交通大学）
路径规划是机器人领域的一个重要课题。最近，基于值迭代的深度学习模型已经取得了良好的性能，例如值迭代网络（VIN）。然而，以前的方法收敛速度慢，精度低，在大地图上，因此限制在智能体与复杂的运动学，如足式机器人的路径规划。因此，我们提出了一种新的价值迭代的路径规划方法称为能力迭代网络（CIN）。CIN利用稀疏奖励映射，并使用状态-动作转移概率对代理的能力进行编码，而不是以前模型中的卷积核。提出了端到端训练和单独训练能力模块两种训练方法，大大加快了收敛速度。在不同的场景下，包括2D，3D网格世界和真实的机器人与不同的地图大小的路径规划实验进行。结果表明，CIN具有更高的精度，更快的收敛速度，和更低的随机种子的敏感性相比，以前的VI为基础的模型，因此更适用于实际的机器人路径规划。
2021-04-29 cs.RO
Fast Motion Planning for High-DOF Robot Systems Using Hierarchical System Identification
University of Maryland at College Park（马里兰大学帕克分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个有效的算法运动规划和控制的机器人系统具有高的自由度。这些包括高自由度软体机器人或与可变形环境交互的关节式机器人。我们的方法考虑到动力学约束，并提出了一种新的技术，使用数据驱动的方法来加速前向动力学计算。我们预先计算机器人系统的前向动力学函数的分层自适应网格。此外，我们利用欠驱动机器人系统的属性，并执行这些计算的几个自由度。我们提供我们的近似正向动力学计算的误差范围，并使用我们的方法为基础的优化运动规划和基于学习的反馈控制。我们的配方是用于运动规划的两个高自由度机器人系统：一个高自由度线驱动的弹性机器人手臂和水下游泳机器人在水中操作。与基于精确动态函数计算的现有技术相比，我们观察到性能上的一到两个数量级的改进。
2018-10-05 cs.RO
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
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University（莱斯大学）
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库，利用了流行的MoveIt库和机器人操作系统（ROS）中间件。Robowflex提供了一个增强的API，用于在单个程序中制作和操作运动规划查询，使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例，同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1）开发新的运动规划器，2）评估运动规划器，以及3）使用运动规划作为子例程的复杂问题（例如，任务和运动规划）。Robowflex还提供可视化功能，与其他机器人库的集成（例如，DART和Tesseract），并补充其他机器人软件包。使用我们的库，用户不需要是ROS或MoveIt的专家，就可以设置运动规划查询，从结果中提取信息，并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
JEDAI: A System for Skill-Aligned Explainable Robot Planning
Arizona State University（亚利桑那州立大学）
本文介绍了JEDAI，这是一个针对非AI专家的推广和教育工作而设计的AI系统。JEDAI的特点是从综合任务和运动规划以及可解释的人工智能的研究思想的新颖合成。JEDAI帮助用户创建高级、直观的计划，同时确保这些计划可由机器人执行。它还为用户提供有关错误的自定义解释，并帮助他们提高对AI规划以及底层机器人系统的限制和功能的理解。
2022-03-11 cs.AI cs.RO
Object Placement Planning and Optimization for Robot Manipulators
KTH Royal Institute of Technology（KTH皇家理工学院）；Yale University（耶鲁大学）；Örebro University（厄勒布鲁大学）
我们解决的问题运动规划的机器人机械手的任务，把一个掌握的对象在一个混乱的环境。在这个任务中，我们需要为物体定位一个无碰撞的姿势，a）便于物体的稳定放置，b）机器人操纵器可以到达，c）优化用户给定的放置目标。由于放置目标，该问题比从一开始就定义目标姿态的经典运动规划更具挑战性。为了解决这个问题，我们提出了一个随时算法，集成了基于采样的运动规划的机器人操作器与一个新的分层搜索合适的放置位姿。我们评估我们的方法在双臂机器人两个不同的放置目标，并观察其有效性，即使在具有挑战性的情况下。
2019-07-04 cs.RO
Deep Reinforcement Learning for Mobile Robot Path Planning
Northeastern University（东北大学）；University of Michigan（密歇根大学）；University of Washington（华盛顿大学）
针对移动机器人路径规划问题，本文设计含奖励函数与参数优化的DRL算法，并结合双向搜索混合A*算法，在嵌入式机器人平台上实现更优规划且占用更少计算资源。
2024-04-10 cs.RO
Robot Motion Planning in Learned Latent Spaces
Stanford University（斯坦福大学）
本文提出了基于潜在采样的运动规划（L-SBMP），一种通过学习可规划的潜在表示来计算复杂机器人系统运动规划的方法。最近的工作在控制机器人系统有效地利用本地，低维嵌入高维动力学。在本文中，我们将这些最新进展与基于采样的运动规划（SBMP）技术相结合，以设计一种能够规划传统方法（例如，类人机器人，甚至是在视觉空间中进行规划的系统）。具体来说，学习的潜在空间是通过一个自动编码网络，一个动态网络，和碰撞检查网络，这反映了SBMP的三个主要算法原语，即状态采样，本地转向，和碰撞检查。值得注意的是，这些网络可以只通过系统状态和动作的原始数据以及监督冲突检查器来训练。在这些网络的基础上，使用基于RRT的算法直接在潜在空间中规划运动-我们将这种探索算法称为学习潜在RRT（L2 RRT）。该算法全局地探索潜在空间，并能够推广到新的环境。整体的方法证明了两个规划问题，即视觉规划问题，规划发生在视觉（像素）空间，和一个人形机器人规划问题。
2018-11-06 cs.RO
Towards Multi-Robot Task-Motion Planning for Navigation in Belief Space
University of Genoa（热那亚大学）
自主机器人在大型知识密集型领域中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。在知识密集型领域，一方面，机器人必须在最高级别上进行推理，例如要导航到的区域或要拾取的对象及其属性;另一方面，必须在控制器执行级别上检查相应导航任务的可行性。此外，采用多个机器人提供比执行相同任务的单个机器人增强的性能能力。为此，我们提出了一个集成的多机器人任务运动规划框架导航知识密集型领域。特别是，我们认为一个分布式的多机器人设置机器人之间的相互观察。该框架旨在用于运动和感知不确定性下的运动规划，其正式名称为信念空间规划。基本的方法和它的局限性进行了讨论，为改进和未来的工作提供了建议。我们验证我们的方法在模拟的关键方面。
2020-10-01 cs.AI cs.RO
Sampling-Based Multi-Modal Multi-Robot Multi-Goal Path Planning
Computational Robotics Lab ETH Zürich（机器人计算实验室ETH Zurich）
本文提出基于采样的多机器人多目标路径规划方法，解决多机器人协同任务中的路径规划问题，实现概率完备和渐进最优的规划算法。
2026-04-17 cs.RO
Planning Coordinated Human-Robot Motions with Neural Network Full-Body Prediction Models
University of Stuttgart（斯图加特大学）；TU Berlin（柏林工业大学）
数值优化已经成为规划机器人平滑运动轨迹的一种流行方法。然而，当与人类共享空间时，适当平衡安全性，舒适性和效率仍然具有挑战性。这是值得注意的，因为人类会根据机器人的行为来调整自己的行为，这就需要进行复杂的规划和预测。在本文中，我们提出了一种新的优化为基础的运动规划算法，它产生的机器人运动，同时最大限度地提高人类的轨迹可能性下的数据驱动的预测模型。考虑规划和预测在一起，使我们能够制定目标和约束函数的联合人-机器人状态空间。该方法的关键是将潜在空间修改器添加到基于专用递归神经网络的可微分人类预测模型中。这些修改器允许在运动优化中改变人类预测。我们使用公开的MoGaze数据集对我们的方法进行了经验评估。我们的研究结果表明，所提出的框架优于目前的基线规划移交轨迹，避免机器人和人类之间的碰撞。我们的实验展示了协作运动轨迹，其中人类预测和机器人计划都相互适应。
2022-10-24 cs.RO
Towards Adaptive Planning of Assistive-care Robot Tasks
University of York（约克大学）；University of Málaga（马拉加大学）
这篇“研究预览”论文介绍了一种自适应路径规划框架，用于辅助护理应用中的机器人任务执行。该框架提供了一个基于图形的环境建模方法，使用Dijkstra算法进行动态路径查找。一个预测模块，使用概率模型检验估计通过环境中的人类的运动，允许运行时重新规划机器人的路径。我们说明了使用的框架模拟辅助护理案例研究，其中移动机器人导航通过环境和监测终端用户有轻度的身体或认知障碍。
2022-09-28 cs.RO
SRMP: Search-Based Robot Motion Planning Library
Amazon Robotics（亚马逊机器人）
针对现有运动规划框架难以满足高风险应用可预测性与可复现性要求的问题，研究团队提出专为机器人操作定制的SRMP框架，可生成一致可靠轨迹，支持多机器人操作与多平台集成，经评估满足工业级严苛要求并树立运动规划一致性新标准。
2025-09-29 cs.RO
Combinatorics of a Discrete Trajectory Space for Robot Motion Planning
DFKI（德国人工智能研究中心）
运动规划是机器人控制中的一个难题。问题的复杂性与机器人的位形空间维数直接相关。虽然在许多理论计算和实际应用中的配置空间建模为连续空间，我们提出了一个离散的机器人模型的基础上的基本硬件规格的机器人。使用格路径的方法，我们提供的运动规划的复杂性估计通过计数的数量可能的轨迹在一个离散的机器人配置空间。
2020-05-25 cs.AI cs.CC cs.DM
Path planning model of mobile robots in the context of crowds
Beijing University of Chemical Technology（北京化工大学）
分析了基于RNN和视觉质量评价的人群环境下机器人路径规划模型。移动机器人路径规划是机器人导航的关键，也是机器人研究的一个重要领域。设机器人的运动空间为二维平面，在采用人工势场法进行路径规划时，将机器人的运动看作是在虚拟人工势场力作用下的一种运动。与简单的图像采集相比，复杂人群环境下的图像采集首先需要对图像进行预处理。我们主要使用OpenCV校准工具对采集的图像进行预处理。在方法学设计中，采用基于RNN的视觉质量评价方法滤除背景噪声.标定后的图像中仍然存在高斯噪声等冗余信息，影响后续的运算。提出了一种基于RNN的图像质量评价算法，并在此基础上进行了去噪处理。此外，新的路径规划模型的设计和仿真。通过与现有模型的比较，证明了该模型的鲁棒性。
2020-09-10 cs.RO
Underactuated Motion Planning and Control for Jumping with Wheeled-Bipedal Robots
Southern University of Science and Technology（南方科技大学）；National University of Singapore（新加坡国立大学）；University of Notre Dame（圣母大学）
本文研究了轮式双足机器人的跳跃运动，充分利用了轮式和腿式混合设计的优点。针对轮式双足机器人跳跃运动的运动规划和控制问题，提出了一种综合的分层规划方法。轮-双足动力学的欠驱动是需要解决的主要困难，特别是在规划问题中。为了解决这个问题，提出了一种新的轮式弹簧加载倒立摆（W-SLIP）模型来描述轮式双足机器人在跳跃过程中的基本动力学。依赖于微分平坦的性质的W-SLIP模型，一个易于处理的二次规划为基础的解决方案，规划跳跃运动的轮式双足机器人。结合考虑飞行相位运动的运动学规划方案，给出了完整的W-SLIP模型规划方案。为了使规划轨迹的准确跟踪，基于线性二次型调节器的车轮控制器和任务空间全身控制器的其他关节混合通过干扰观测器。整体规划和控制方案进行了验证，使用V-REP模拟原型轮式双足机器人。
2020-12-11 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
Planning Jerk-Optimized Trajectory with Discrete-Time Constraints for Redundant Robots
Delft University of Technology (TU Delft)（代尔夫特理工大学）；INRIA（法国国家信息与自动化研究所）；The Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong (CUHK)（香港中文大学）
针对含运动学冗余且刀具路径带大量离散时间路径点的制造机器人，提出一种在制造过程中同步优化运动加加速度的轨迹规划方法，以提高制造质量。
2020-02-15 cs.RO
Optimal Distributed Multi-Robot Communication-Aware Trajectory Planning using Alternating Direction Method of Multipliers
Technical University of Denmark（丹麦技术大学）
针对多机器人通信感知轨迹规划问题，提出基于预算交易分离通信约束并用一致性ADMM分布式求解的最优规划算法，且在巡检仿真中验证。
2024-08-09 cs.RO
Integer-Programming-Based Narrow-Passage Multi-Robot Path Planning with Effective Heuristics
Zhejiang University（浙江大学）
为了提高仓库类环境下多机器人系统的效率，研究了基于图的多机器人最优路径规划问题。提出了一种基于可编程方法的多机器人路径规划算法OMRPP。我们专注于减少成本所造成的一组机器人从他们的初始配置移动到目标配置在仓库般的环境。该方法的创新点包括：（1）提出了一种基于仓库类环境的拓扑地图提取方法，减小了构建IP模型的规模;（2）提出了单向通行约束，防止机器人在通行过程中发生不可解的碰撞。(3)提出了一种启发式结构，使IP模型总是具有可行的初始解，以保证模型的可解性。大量的仿真实验证明了该算法的有效性和性能。
2021-07-26 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
Visualizing Local Minima in Multi-Robot Motion Planning using Multilevel Morse Theory
多机器人运动规划问题往往存在许多局部极小点。必须将这些局部最小值可视化，以便我们可以更好地理解、调试和与多机器人系统交互。为了实现这一目标，我们提出了多机器人运动探测器，一种算法，通过引入基于组件的框架，通过减少每个机器人的组件空间使用纤维束，减少多机器人配置空间，从而扩展了以前的结果多层次莫尔斯理论。我们的算法利用这种组件结构搜索和可视化局部极小值。该算法的用户可以指定多级抽象和优化算法。我们使用这些信息来逐步建立一个局部最小树为一个给定的问题。我们证明了这种算法上的几个多机器人系统的多达20个自由度。
2020-04-29 cs.RO
Motion Planning Transformers: A Motion Planning Framework for Mobile Robots
University of California San Diego（加州大学圣地亚哥分校）；Purdue University（普渡大学）
快速高效的基于采样的运动规划（SMP）是许多机器人系统（例如自动驾驶汽车）的组成部分。提高这些规划器效率的一种流行技术是在规划域中限制搜索空间。现有的算法定义参数函数来约束搜索空间，但这些不扩展到非完整机器人系统。最近的基于学习的方法使用卷积和全连接网络的组合来编码规划空间。然而，这些方法仅限于固定的地图大小，这在现实世界中往往是不现实的。在本文中，我们介绍了一种基于变换的方法，运动规划Transformer，限制搜索空间通过学习辨别区域的有效路径从先验数据。该模型不仅学习限制简单的2D系统的搜索空间，但也为非完整的机器人系统。我们验证我们的方法在各种随机生成的环境中，不同的地图大小和计划轨迹的物理非完整机器人。我们还为Nav2规划栈提供了我们方法的ROS2插件。结果表明，我们的方法减少了搜索空间节点的2 - 12倍相比，传统的规划器，并具有更好的泛化能力比最近的学习为基础的规划器。
2022-11-13 cs.AI cs.RO
Configuration Space Decomposition for Scalable Proxy Collision Checking in Robot Planning and Control
University of California San Diego（加州大学圣地亚哥分校）
复杂高维环境下机器人的实时运动规划是一个亟待解决的问题。运动规划算法及其底层碰撞检查器对于任何机器人控制堆栈都至关重要。在机器人运动规划中，碰撞检测占据了很大一部分计算时间。现有的碰撞检查器在速度和精度之间进行权衡，并且对于高维复杂环境的扩展性很差。我们提出了一种新的空间分解方法，使用K-Means聚类的正运动学空间加速代理碰撞检查。我们训练个人配置空间模型使用Fastron，一个核心感知器算法，在这些分解的子空间，产生紧凑而高度准确的模型，可以快速查询和更好地扩展到更复杂的环境。我们在7自由度Baxter机器人上演示了这种名为Decomposed Fast Perceptron（D-Fastron）的新方法，与最先进的几何碰撞检查器相比，碰撞检查速度平均快29倍，运动规划速度快9.8倍。
2022-01-26 cs.RO
Hybrid Map-Based Path Planning for Robot Navigation in Unstructured Environments
National University of Defense Technology（国防科技大学）
快速准确的路径规划对于地面机器人在非结构化户外环境中实现安全高效的自主导航至关重要。然而，大多数利用2D或2.5D地图的现有方法都难以平衡地面机器人在这种具有挑战性的场景中导航的效率和安全性。在本文中，我们提出了一种新的混合地图表示融合的2D网格和2.5D数字高程图。在此基础上，提出了一种新的路径规划方法，它考虑了机器人的位姿在可通过性估计。通过这样做，我们的方法显式地将安全性作为规划约束，使机器人能够顺利地在非结构化环境中导航。所提出的方法已经在模拟数据集和真实机器人平台上进行了评估。实验结果证明了该方法的有效性和实用性。与最先进的基线方法相比，所提出的方法始终为机器人在不同的非结构化户外环境中生成更安全，更容易的路径。我们的方法的实现可在https://github.com/nubot-nudt/T-Hybrid-planner公开获得。
2023-03-09 cs.RO
Multi-Tree Guided Efficient Robot Motion Planning
Southern University of Science and Technology（南方科技大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院）
运动规划是机器人完成不同任务所必需的。快速探索随机树（RRT）及其变体由于其在状态空间中的快速搜索而被广泛应用于机器人运动规划中。然而，它们在许多复杂环境中表现不佳，因为运动规划需要同时考虑几何约束和微分约束。在这篇文章中，我们提出了一种新的机器人运动规划算法，利用多树来指导探索和开发。该算法首先维护两棵以上的树来搜索状态空间。每棵树都会探索当地的环境。从根开始的树会逐渐收集其他树的信息并向目标状态生长。这种同时勘探和开采的方法可以快速找到可行的轨迹。我们比较了所提出的算法与其他流行的运动规划算法。实验结果表明，我们的算法实现了最好的性能在不同的评价指标。
2022-05-18 cs.RO
