Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments
Institute of Intelligent Industrial Technologies and Systems, National Research Council of Italy（意大利国家研究委员会智能工业技术与系统研究所）；Institute of Cognitive Sciences and Technologies, National Research Council of Italy（意大利国家研究委员会认知科学与技术研究所）；University of Brescia（布雷西亚大学）
本文针对动态环境中人机多智能体系统，提出任务与运动解耦的组合规划框架，通过时间线规划与在线运动规划优化任务排序、分配和执行，在协作制造场景中验证可缩短执行时间并扩展应用范围。
2023-03-27 cs.AI cs.RO
A Game-Theoretic Framework for Joint Forecasting and Planning
Cornell University（康奈尔大学）
针对人机交互中预测最可能运动不安全而规划最坏情况导致机器人过度保守的问题，提出一种以规划器对演示者性能为收益的博弈论框架，实现联合规划与预测，有效提升了人群导航与真实数据中的安全性。
2023-10-20 cs.AI
Path Planning Games
Vanderbilt University（范德堡大学）
路径规划是机器人控制中的一个基本和广泛探索的问题。我们提出了一个新的经济角度的路径规划。具体来说，我们研究战略之间的互动路径规划代理使用博弈论路径规划框架。我们的重点是两个重要目标之间的经济紧张关系：代理人实现其目标的效率和安全性。我们首先开发一种新的数学公式的路径规划，权衡这些目标，当其他代理的行为是固定的。然后，我们使用这个公式近似纳什均衡的路径规划游戏，以及开发一个多智能体合作的路径规划制定。通过几个案例研究，我们表明，在一个路径规划游戏，安全性往往是显着妥协相比，合作的解决方案。
2019-10-30 cs.AI cs.GT cs.MA
Game-theoretic Objective Space Planning
University of Pennsylvania（宾夕法尼亚大学）；Technical University of Munich（慕尼黑工业大学）
提出博弈论目标空间规划框架，通过抽象离散化动作、离线群体综合和反事实遗憾最小化，在头对头赛车中提升学习效率和胜率，并可泛化至新对手与环境。
2023-10-10 cs.AI cs.RO
Hierarchical Game-Theoretic Planning for Autonomous Vehicles
University of California, Berkeley（加州大学伯克利分校）；KTH Royal Institute of Technology（KTH皇家理工学院）；Stanford University（斯坦福大学）
自动驾驶汽车在道路上的行为会影响其他驾驶员的行为，无论是超车、谈判合并还是避免事故。这种相互依赖，最好用动态博弈论来描述，在车辆的规划和对其他驾驶员行为的预测之间建立了强耦合，并构成了一个直接影响自动驾驶技术安全性和可行性的开放性问题。不幸的是，动态游戏的计算要求太高，无法满足自动驾驶在连续状态和动作空间中的实时约束。在本文中，我们介绍了一种新的游戏理论的自动驾驶轨迹规划算法，使实时性能分层分解的基础动态游戏到一个长期的“战略”游戏，简化的动态和完整的信息结构，和一个短期的“战术”游戏，完整的动态和简化的信息结构。战略博弈的价值被用来指导战术规划，隐含地扩展规划范围，推动局部轨迹优化更接近全局解决方案，最重要的是，定量地考虑自动驾驶汽车和人类驾驶员相互影响的能力和激励。此外，我们的方法承认人类决策的非确定性模型，而不是依赖于完全理性的预测。与现有技术相比，我们的研究结果展示了更丰富，更安全，更有效的自主行为。
2018-10-13 cs.AI cs.MA cs.RO
Solving Multiagent Planning Problems with Concurrent Conditional Effects
Imperial College London（帝国理工学院）；Universitat Pompeu Fabra（庞培法布拉大学）
在这项工作中，我们提出了一种新的方法来解决并发多智能体规划问题，其中几个代理并行。我们的方法依赖于从并发多智能体规划到经典规划的编译，使我们能够使用现成的经典规划器来解决原始的多智能体问题。该解决方案可以直接解释为一个并发计划，满足一组给定的并发约束，同时避免并发操作相关的指数爆炸。我们的计划器是第一个处理动作效果的人，这些动作效果取决于其他智能体正在做什么。从理论上讲，我们表明，汇编是健全的和完整的。经验上，我们表明，我们的编译可以解决具有挑战性的多智能体规划问题，需要并发的行动。
2019-06-19 cs.AI
Differentially Private Multi-Agent Planning for Logistic-like Problems
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
计划是通过预先制定计划来提高代理人工作效率的主要方法之一。然而，在规划过程中，代理商面临着私人信息泄露的风险。针对物流类问题提出了一种强隐私保护的规划方法。这种方法通过解决两个挑战而优于现有方法：1）同时实现强隐私性、完整性和效率，以及2）解决通信约束。这两个挑战在许多现实世界的应用中普遍存在，包括军事环境中的物流和网络中的分组路由。为了解决这两个问题，我们的方法采用了差分隐私技术，既可以保证强隐私和控制通信开销。据我们所知，本文是第一个应用差分隐私领域的多代理规划作为一种手段，保护隐私的代理物流类问题。我们从理论上证明了我们的方法的强大的隐私性和完整性，并实证证明了其效率。我们还从理论上分析了我们的方法的通信开销，并说明了如何差分隐私可以用来控制它。
2022-12-04 cs.AI cs.CR
FAPE: a Constraint-based Planner for Generative and Hierarchical Temporal Planning
LAAS-CNRS（法国国家科学研究中心自动化系统实验室）；Université de Toulouse（图卢兹大学）；INSA（法国国立应用科学学院）；CNRS（法国国家科学研究中心）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
时间规划提供了许多优点时，基于表达的表示。时间轴可以提供所需的表现力，但以搜索效率为代价。我们在这里提出了一个时间规划器，称为FAPE，它支持ANML建模语言的许多表达时间的功能，而不会失去效率。FAPE的表示连贯地集成了灵活的时间表与分层细化方法，可以提供有效的控制知识。提出了一种新的可达性分析技术，并用于开发因果网络来约束搜索空间。它被用于设计有根据的推理方法、推理方法和有效的搜索策略。在该领域的共同基准上的实验结果允许评估FAPE的组件和搜索策略，并将其与IPC规划者进行比较。结果表明，所提出的方法是有竞争力的表达较少的规划，往往优于分层控制知识时提供。FAPE是一个免费提供的系统，提供了其他功能，这里没有涉及，例如计划与行动的集成，以及在部分可观察环境中处理感知动作。
2020-10-25 cs.AI
Fault-Tolerant Offline Multi-Agent Path Planning
Tokyo Institute of Technology（东京工业大学）；Sorbonne University（索邦大学）；CNRS（法国国家科学研究中心）；Institut Universitaire de France（法国大学研究院）
我们研究了一种新的图形路径规划问题的多个代理，可能会在运行时崩溃，并阻止部分工作空间。在我们的设置中，代理可以检测相邻的崩溃代理，并在运行时改变所遵循的路径。然后，目标是为每个代理准备一组路径和切换规则，确保所有正确的代理到达目的地而不会发生冲突或死锁，尽管其他代理发生意外崩溃。这样的规划对于建立可靠的多机器人系统是有吸引力的。我们提出了问题的形式化、理论分析（例如计算复杂性）以及如何解决这个离线规划问题。
2022-11-25 cs.AI cs.MA cs.RO
A Theoretical Framework for Parallel Lifelong MAPF Using Group Decentralized Planning
Carnegie Mellon University（卡内基梅隆大学）
针对L-MAPF问题，本文证明RHCR的近最优性，提出并行规划的GD-RHCR框架，其在扩展智能体规模时仍能保持高吞吐量和低单规划成本。
2026-08-19 cs.AI cs.MA cs.RO
Reachability and Coverage Planning for Connected Agents: Extended Version
Univ Rennes（雷恩大学）；CNRS（法国国家科学研究中心）；IRISA（雷恩计算机科学与应用数学研究所）；Inria（法国国家信息与自动化研究所）
由于机器人在信息收集任务中的吸引力越来越大，我们研究了多智能体路径规划问题，其中智能体必须保持互连。我们通过一个拓扑图来建模一个区域，该拓扑图指定了代理的运动和连接约束。我们研究了理论上的复杂性的可达性和覆盖问题的一个舰队的连接代理的各类拓扑图。我们建立了这些问题的复杂性已知的类，并引入了一个新的类称为视线可移动图承认有效的算法。
2019-03-11 cs.AI cs.DS cs.MA
Efficient Decision-Theoretic Planning: Techniques and Empirical Analysis
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；Carnegie Mellon University（卡内基梅隆大学）
本文讨论了执行有效的决策理论规划的技术。我们给出了一个概述的DRIPS决策理论的细化规划系统，它使用抽象有效地确定最佳计划。我们提出了自动生成搜索控制信息，这可以显着提高规划的性能的技术。我们评估DRIPS的效率与搜索控制规则和没有一个复杂的医疗规划问题，并比较其性能的分支定界决策树算法。
2013-02-20 cs.AI
Decision-Theoretic Planning: Structural Assumptions and Computational Leverage
University of British Columbia（不列颠哥伦比亚大学）；Brown University（布朗大学）；University of Washington（华盛顿大学）
不确定性下的规划是自动顺序决策研究中的一个核心问题，并且已经被许多不同领域的研究人员所解决，包括人工智能规划，决策分析，运筹学，控制理论和经济学。虽然在这些领域采用的假设和观点往往有很大的不同，但这些领域的研究人员感兴趣的许多规划问题可以建模为马尔可夫决策过程（MDP），并使用决策理论的技术进行分析。本文介绍了一个概述和综合的MDP相关的方法，显示他们如何提供一个统一的框架，在人工智能研究的规划问题建模的许多类。它还描述了MDP的结构特性，当表现出特定类别的问题，可以利用在建设最优或近似最优的政策或计划。规划问题通常在用于描述性能标准的回报和价值函数、用于描述状态转换和观察的函数以及用于描述状态、动作、回报和观察的特征之间的关系中具有结构。专门的表示和采用这些表示的算法可以通过利用这些不同形式的结构来实现计算杠杆。某些人工智能技术--特别是那些基于使用结构化、内涵式表示的技术--可以用这种方式来看待。本文调查了几种类型的表示为经典和决策理论规划问题，规划算法，利用这些表示在许多不同的方式，以减轻计算负担的建设政策或计划。它主要关注基于AI风格表示的抽象、聚合和分解技术。
2011-05-27 cs.AI
Automatic Verification of Sound Abstractions for Generalized Planning
Sun Yat-sen University（中山大学）
广义规划研究一组规划问题的一般解的计算。求解广义规划的通解并保证其正确性一直是广义规划中的一个关键问题。抽象被广泛用于解决广义规划问题。合理抽象的解是那些对广义规划问题有正确性保证的解。最近，Cui等人提出了广义规划的统一抽象框架。他们给出了广义规划问题的健全和完整抽象的模型论定义。本文基于Cui et al.的工作，我们探讨了自动验证的声音抽象的广义规划。我们首先提出了声音抽象的证明论特征。在此基础上，给出了一阶可验证的可靠抽象的充分条件。为了实现它，我们利用回归扩展，并开发方法来处理计数和传递闭包。最后，我们实现了一个健全的抽象验证系统，并报告了几个领域的实验结果。
2022-05-24 cs.AI
Theoretical Foundations for Abstraction-Based Probabilistic Planning
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）
不确定性下的世界和行为建模是决策理论规划框架中的核心问题之一。这种表示必须足够普遍，以捕捉现实世界的问题，但同时它必须提供一个基础上，理论结果可以得出。我们在这里提出的框架中的中心概念是仿射算子，它是构造概率分布（凸）集的工具，可以被认为是置信函数和区间质量分配的推广。在世界的状态的不确定性建模的概率分布集，表示为仿射树，而行动被定义为树操纵器。一个小集合的仿射算子的关键属性，形成的基础上，大多数现有的基于操作的概率动作投影和动作抽象的定义。我们推导并证明了正确的三个投影规则，生动地说明了在平面投影中的精度和复杂性的权衡。最后，我们将展示Haddawy和Doan确定的三种类型的动作抽象在本框架中的表现。
2013-02-13 cs.AI
Decision-Theoretic Planning with Concurrent Temporally Extended Actions
Michigan State University（密歇根州立大学）
我们研究了一个模型，规划下的不确定性与temporallyextended行动，多个行动可以同时采取在每个决策时期。我们的模型是基于选项框架，并结合它与因子化的状态空间模型，其中的一组选项可以被划分为影响不相交的状态变量的类。我们发现，一组decisionepochs并发选项定义了一个半马尔可夫decisionprocess，如果潜在的时间上扩展的行动被并行arenjoined马尔可夫选项。这个属性允许我们使用SMDP算法来计算并发操作上的价值函数。并发选项模型允许选项的重叠执行，以实现更高的性能或执行复杂的任务。我们描述了一个简单的实验，使用navigationtask，说明如何并发选项的结果在一个更快的计划相比，只有一个选项的情况下，在一个时间。
2013-01-10 cs.AI
Decision-Theoretic Planning with non-Markovian Rewards
National ICT Australia（澳大利亚国家信息通信技术研究院）；The Australian National University（澳大利亚国立大学）
奖励依赖于历史而不仅仅是当前状态的决策过程被称为非马尔可夫奖励决策过程（NMRDP）。在决策理论规划中，许多期望的行为更自然地表示为执行序列的属性，而不是状态的属性，NMRDPs形成了一个更自然的模型比通常采用的完全马尔可夫决策过程（MDP）模型。虽然更易于处理的解决方案的方法开发的MDPs不直接适用于非马尔可夫奖励的存在下，一些解决方案的方法已经提出了在文献中的NMRDPs。这些都利用了时间逻辑中的非马尔可夫奖励函数的紧凑规范，自动将NMRDP转换为等效的MDP，并使用有效的MDP求解方法来求解。本文介绍了NMRDPP（非马尔可夫奖励决策过程规划器），一个软件平台的开发和实验的方法，决策理论规划与非马尔可夫奖励。当前版本的NMRDPP实现，在一个单一的接口，一个家庭的方法的基础上现有的以及新的方法，我们详细描述。这些方法包括动态规划、启发式搜索和结构化方法。使用NMRDPP，我们比较的方法，并确定某些问题的功能，影响其性能。NMRDPPs对非马尔可夫奖励的处理受到TLPlan规划器中特定于域的搜索控制知识的处理的启发，它将其作为特例。在第一届国际概率规划竞赛中，NMRDPP能够在独立于域和手工编码的轨道上竞争并表现良好，后者使用搜索控制知识。
2011-09-11 cs.AI
Information-Theoretic Abstractions for Planning in Agents with Computational Constraints
Georgia Institute of Technology（佐治亚理工学院）；University of North Carolina, Charlotte（北卡罗来纳大学夏洛特分校）
在本文中，我们开发了一个框架，路径规划的抽象，不提供给代理先验，而是出现作为一个功能的可用计算资源。我们展示了如何在一个环境中的路径规划问题可以系统地近似解决一系列更容易解决的问题上的抽象的原始空间。对问题的性质进行了分析，并给出了一些理论结果和讨论。一个数值例子来显示该方法的实用性和证实的理论研究结果。最后，我们提供了一个讨论，详细介绍了所提出的方法，随时算法和有限理性的连接。
2021-02-23 cs.AI cs.IT cs.RO
Stochastic Fairness and Language-Theoretic Fairness in Planning on Nondeterministic Domains
TU Wien（维也纳工业大学）；Univ. Roma “La Sapienza”（罗马第一大学）；Univ. Sydney（悉尼大学）
我们解决两个中心概念的公平性在文献中的规划不确定性完全可观察域。第一个，我们称之为随机公平，是经典的，并假设一个环境，概率使用可能未知的概率。第二种是语言理论的，它假设如果一个动作从一个给定的状态无限频繁地被采取，那么它的所有可能的结果应该无限频繁地出现（我们称之为状态-动作公平）。虽然这两个概念符合标准的可达性目标，他们分歧的时间延长的目标。这一重要的差异已被忽视的规划文献，我们认为已导致混乱，在一些已公布的算法，使用减少国家行动的公平性，他们是不正确的，而正确的随机公平性。我们补救这一点，并提供了一个最佳的声音和完整的算法，解决状态行动公平规划LTL/LTLf目标，以及正确的证明目标复杂性的下限（我们的证明是足够一般，它提供了新的证明也为非公平性和随机公平的情况下）。总体而言，我们表明，随机公平性比状态行动公平性表现得更好。
2019-12-24 cs.AI cs.FL
Planning for Novelty: Width-Based Algorithms for Common Problems in Control, Planning and Reinforcement Learning
University of Melbourne（墨尔本大学）
基于宽度的算法通过状态新颖性的一般定义来搜索解决方案。这些算法已被证明导致在经典规划的最先进的性能，并已成功地应用到基于模型和无模型的设置，其中的动态问题是通过仿真引擎。基于宽度的算法的性能在理论上是通过规划宽度的概念来理解的，为它们的运行时间和内存消耗提供多项式保证。为了促进跨研究社区的协同作用，本文总结了基于宽度的规划领域，并调查当前和未来的研究方向。
2021-06-09 cs.AI
Teaching LLMs to Ask: Self-Querying Category-Theoretic Planning for Under-Specified Reasoning
Stanford University（斯坦福大学）
SQ-BCP通过自查询和桥梁假设解决不充分推理问题，显著降低资源违规率并保持高质量计划。
2026-01-27 cs.AI
Theoretical Analysis of Quality Diversity Algorithms for a Classical Path Planning Problem
University of Passau（帕绍大学）；The University of Adelaide（阿德莱德大学）
本文对Map-Elites质量多样性算法在全对最短路径问题上的行为进行理论分析，证明其能高效并行求解，并提出加速的父代选择技术。
2024-12-16 cs.AI cs.NE
A Framework for Decision-Theoretic Planning I: Combining the Situation Calculus, Conditional Plans, Probability and Utility
University of British Columbia（不列颠哥伦比亚大学）
本文展示了我们如何将行动的逻辑表示和决策理论以一种对两者来说都很自然的方式结合起来。特别是，我们假设一个公理化的域的情况演算，使用什么基本上是赖特的解决方案的框架问题，在完成的公理定义的状态变化。不确定性是根据独立选择逻辑来处理的，独立选择逻辑允许独立的选择和给出选择结果的逻辑程序。作为结果的一部分，是（最终）状态效用的规范。机器人采用机器人计划，类似于GOOGLE程序设计语言。在这个逻辑中，我们可以根据行动、不确定性和效用的公理化来定义条件计划的预期效用。什么？规划问题就是要找到期望效用最高的方案。这与POMDPs最近的结构化表示有关;在这里，我们使用随机情景演算规则来指定状态转移函数和奖励/价值函数。最后，我们表明，与随机框架公理，行动表示在概率BCPPS是指数大于使用这里提出的表示。
2013-02-13 cs.AI
Online Robust Planning under Model Uncertainty: A Sample-Based Approach
本文提出鲁棒稀疏采样（RSS），首个面向鲁棒MDP的在线规划算法，利用样本平均近似高效计算鲁棒值函数，在不确定动力学环境中优于标准稀疏采样。
2025-09-19 cs.AI
Toward a language-theoretic foundation for planning and filtering
我们解决的问题，基本的算法问题的自动化协同设计的机器人硬件与其相应的软件。具体来说，我们认为机器人的传感器和驱动套件的退化可能对该机器人完成其任务的能力的影响。我们引入了一个新的正式结构，概括和巩固各种知名的结构，包括许多形式的计划，规划问题，和过滤器，到一个单一的数据结构称为procrustean图，并给出这些图形结构的语义在形式语言理论的基础上的想法。我们描述了一个收集的procrustean图（语义保持和语义突变）的操作，并显示如何通过应用这些操作可以回答一系列关于机器人硬件的破坏性变化的问题。我们还强调了这种新的方法和现有的研究线程之间的联系，包括组合过滤，Erdmann的战略复杂，和混合自动机。
2018-07-23 cs.AI cs.RO
Active Markov Information-Theoretic Path Planning for Robotic Environmental Sensing
National University of Singapore（新加坡国立大学）；Carnegie Mellon University（卡内基梅隆大学）
最近的研究在多机器人探索和地图集中在采样环境领域，这是典型的高斯过程（GP）建模。现有的信息理论的探索策略，学习基于GP的环境场地图采用非马尔可夫问题结构，因此规模差的历史观测的长度。因此，使用这些策略进行原位、实时主动采样在计算上变得不切实际。为了减轻这种计算负担，本文提出了一种基于马尔可夫的方法，有效的信息理论的路径规划主动采样的GP为基础的领域。我们分析了解决基于马尔可夫路径规划问题的时间复杂度，并分析表明，它的规模优于得出的非马尔可夫策略，随着规划范围的长度增加。对于一类称为样带采样任务的探索任务，我们提供了理论上的保证，我们的主动采样性能的马尔可夫为基础的政策，从理想的环境场条件和采样任务设置可以建立限制其性能下降，由于违反马尔可夫假设。对实际温度和浮游生物密度场数据的实证评估表明，我们的基于马尔可夫的政策通常可以实现主动采样性能相比，广泛使用的非马尔可夫贪婪政策在不太有利的现实条件和任务设置，同时享受显着的计算增益。
2011-01-28 cs.AI cs.LG cs.MA
Information-Theoretic Approach to Efficient Adaptive Path Planning for Mobile Robotic Environmental Sensing
Carnegie Mellon University（卡内基梅隆大学）
机器人探索和地图绘制的最新研究集中在采样环境热点领域。这种探索任务由Low，Dolan和Khosla（2008）在称为MASP的不确定性框架下的顺序决策理论规划中进行了形式化。求解MASP的时间复杂度近似依赖于地图分辨率，这限制了其在大规模、高分辨率勘探和填图中的应用。为了减轻这种计算困难，本文提出了一种信息理论的方法，MASP（iMASP）的有效的自适应路径规划，通过重新制定的成本最小化的iMASP作为一个奖励最大化的问题，其时间复杂度变得独立的地图分辨率和不太敏感，增加机器人团队的规模，理论和经验证明。使用奖励最大化对偶，我们得到了一个新的自适应最大熵采样的变体，从而提高了诱导探索策略的性能。它还使我们能够建立理论界限量化的性能优势，最佳自适应非自适应政策和性能质量的近似最优与最佳自适应政策。我们的分析和经验表明，iMASP为基础的政策采样的对数高斯过程的政策广泛使用的高斯过程中映射的热点领域的优越性能。最后，我们提供了充分的条件，当满足时，保证自适应性在假设的环境模型下没有好处。
2013-05-27 cs.AI cs.LG cs.MA
Fuzzy Categorical Planning: Autonomous Goal Satisfaction with Graded Semantic Constraints
Stanford University（斯坦福大学）
FCP通过引入模糊度量和Lukasiewicz t-范数提升自然语言规划中模糊约束的处理能力，有效应对多步骤计划中的质量退化问题。
2026-01-27 cs.AI
A Metric Hybrid Planning Approach to Solving Pandemic Planning Problems with Simple SIR Models
Monash University（莫纳什大学）
本文提出一种基于度量混合规划的方法，将SIR模型扩展为带封锁的状态转移模型，并通过加入有效不等式提升规划器效率，以求解流行病缓解规划问题。
2024-09-30 cs.AI
An Information-Theoretic Approach to Persistent Environment Monitoring Through Low Rank Model Based Planning and Prediction
Cornell University（康奈尔大学）
机器人可用于在人类难以穿越的地区收集环境数据。然而，限制仍然存在于区域的大小，机器人可以直接观察每单位时间。我们介绍了一种方法，选择有限数量的观察点在一个大的区域，我们可以预测的状态，在该地区的未观测点。我们结合了一个低秩模型的目标属性与信息最大化的路径规划，以预测整个区域的属性的状态。我们的方法是不可知的目标属性和机器人监控平台的选择。我们在两个真实环境数据集上模拟评估了我们的方法，每个数据集都包含来自一百万到两百万个可能的采样位置的观测结果。我们比较了一个随机采样器和四个变化的基线采样器从生态学文献。我们的方法优于基线方面的平均Fisher信息增益每个样本，并在大多数试验中进行平均重建误差。
2020-09-02 cs.AI cs.RO
MEXGEN: An Effective and Efficient Information Gain Approximation for Information Gathering Path Planning
School of Computer & Mathematical Sciences, The University of Adelaide（阿德莱德大学计算机与数学科学学院）；STELaRLab, Lockheed Martin Australia（洛克希德·马丁澳大利亚公司STELaRLab实验室）
本文提出MEXGEN近似方法，用于提升信息收集路径规划中信息增益预测的准确性和计算效率，并通过理论分析和多旋翼机器人实验验证其在无线电源跟踪与定位中的性能优势。
2024-05-04 cs.AI cs.RO
A Categorical Representation Language and Computational System for Knowledge-Based Planning
University of Maryland（马里兰大学）；Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）；Topos Institute（拓扑斯研究所）；University of Florida（佛罗里达大学）
本文提出一种基于范畴论（$\mathsf{C}$-集合和双推重写）的规划表示语言，以处理隐式世界变化，相比经典一阶逻辑表示在处理隐式前提和效果上更具优势，并为知识图谱和关系数据库建模规划提供形式语义。
2023-11-14 cs.AI cs.LO math.CT
Combining Geometric and Information-Theoretic Approaches for Multi-Robot Exploration
Virginia Tech（弗吉尼亚理工学院）
我们提出了一个算法，探索一个正交多边形使用一组$p$机器人。该算法结合了信息论探索算法和基于计算几何的探索算法的思想。我们发现，我们的算法的探索时间是有竞争力的（作为$p$的函数）相对于离线的最佳探索算法。该算法基于单机器人多边形搜索算法、用于高层规划的树搜索算法和用于低层规划的子模块定向算法。我们将讨论如何将这种策略适用于现实世界的设置，以处理嘈杂的传感器。除了理论分析，我们研究我们的算法的性能，通过模拟多个机器人和实验与一个机器人。
2020-04-15 cs.AI cs.RO
Simplified Belief-Dependent Reward MCTS Planning with Guaranteed Tree Consistency
Technion - Israel Institute of Technology（以色列理工学院）
部分可观测马尔可夫决策过程（POMDP）是众所周知的难以解决。最先进的在线求解器利用蒙特卡罗树搜索（MCTS）的思想。这些求解器快速收敛到信念树的最有希望的分支，避免了次优部分。这些算法中的大多数被设计为利用直接访问状态奖励，并假设信念依赖的奖励只不过是对状态奖励的期望。因此，它们不适用于更普遍和更基本的信念依赖性奖励设置。这种奖励的一个例子是使用信念的一组加权粒子近似的微分熵。这样的信息论奖励引入了显著的计算负担。在本文中，我们嵌入的范式简化MCTS算法。特别是，我们提出了简化的信息理论粒子滤波树（SITH-PFT），一种新的变体的MCTS算法，考虑信息理论的奖励，但避免了需要完全计算它们。我们取代了昂贵的计算信息理论的奖励与自适应的上限和下限。这些界限易于计算，并且仅根据算法的要求而收紧。至关重要的是，我们保证了与MCTS完全相同的信念树和解决方案，MCTS明确计算了原始的信息理论奖励。我们的方法是一般性的;也就是说，可以容易地插入任何收敛到回报界限的算法，以实现实质上的加速而没有任何性能损失。
2021-05-29 cs.AI cs.RO
Evaluating Guiding Spaces for Motion Planning
University of Illinois（伊利诺伊大学）；Texas A&M University（得克萨斯农工大学）
基于随机采样的算法被广泛应用于机器人运动规划中，由于问题的棘手性，并在实验上有效的范围广泛的问题实例。大多数变体不会随机均匀地抽样，而是使用各种方法来确定哪些样本将提供更多信息，或者更有可能参与最终解决方案。在这项工作中，我们定义了\emph{motion planning guiding space}，它封装了许多看似不同的工作在同一个框架下。此外，我们提出了一个信息理论的方法来评估引导规划的地方，重点放在所产生的有偏采样的质量。最后，我们分析了几个运动规划算法，以证明我们的定义和评估的适用性。
2022-10-16 cs.AI 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
Focused Model-Learning and Planning for Non-Gaussian Continuous State-Action Systems
Massachusetts Institute of Technology（麻省理工学院）
我们介绍了一个框架，模型学习和规划在随机域连续的状态和动作空间和非高斯过渡模型。它是有效的，因为（1）局部模型仅在规划者需要时才被估计;（2）规划者关注与当前规划问题最相关的状态;（3）规划者关注最具信息性和/或高价值的行动。理论分析表明了该方法的有效性和渐近最优性。在一个模拟的多模态推问题上，我们证明了我们的算法的有效性。
2016-10-23 cs.AI cs.LG cs.RO
Probabilistic Planning with Preferences over Temporal Goals
Worcester Polytechnic Institute（伍斯特理工学院）
我们提出了一个形式语言指定定性偏好的时间目标和随机系统中基于偏好的规划方法。使用自动机理论建模，所提出的规范允许我们表达偏好不同的结果集，其中每个结果描述了一组时间序列的子目标。我们定义了一个随机过程中可能的结果的偏好满意度的值，并开发了一个算法的时间约束的概率规划标记马尔可夫决策过程中，代理的目标是最大限度地满足其偏好公式在一个预定义的有限的持续时间。我们目前的实验结果使用随机网格世界的例子，并讨论可能的扩展建议的偏好模型。
2021-03-26 cs.AI cs.FL cs.SY
