Rapid Path Planning for Dubins Vehicles under Environmental Currents
University of Connecticut（康涅狄格大学）；Naval Undersea Warfare Center（海军水下作战中心）
本文提出了一种快速的（实时的）解决方案的最小时间路径规划问题的Dubins车辆在环境流（风或洋流）。实时解决方案在时间紧迫的情况下至关重要（例如在动态变化的环境下重新规划或跟踪快速移动的目标）。通常，杜宾问题需要求解六种路径类型;然而，由于电流的存在，其中四种路径类型需要求解涉及超越函数的求根问题。因此，现有的方法导致高的计算时间，其适用性的实时应用是有限的。在这方面，为了获得一个实时的解决方案，本文提出了一种新的方法，其中只有一个子集的两个Dubins路径类型（LSL和RSR）被使用，有直接的解析解存在的电流。然而，这两种路径类型不提供完全可达性。我们表明，通过扩展的可行范围内的圆弧在LSL和RSR路径类型从$2π$ $4π$：1）完全可达性的任何目标构成的保证，和2）路径与相应的$2π$弧路径相比，可以产生较低的时间成本。理论性质严格建立，支持几个例子，并通过广泛的蒙特卡罗模拟比较Dubins的解决方案进行评估。
2020-09-09 cs.RO cs.SY eess.SY
Probabilistically Safe Control of Noisy Dubins Vehicles
Boston University（波士顿大学）
针对噪声Dubins车辆，通过马尔可夫决策过程（MDP）和概率计算树逻辑（PCTL）最大化满足时序逻辑规约的概率，并保证原环境中的满足概率有下界。
2012-07-05 cs.RO cs.SY eess.SY
Occlusion-Aware Ground Target Tracking by a Dubins Vehicle using Visibility Volumes
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对城市遮挡环境下 Dubins 无人机跟踪地面已知轨迹目标的问题，提出基于可见性体积的时变防区外轨道与引导控制方法，并通过仿真和飞行试验验证。
2025-06-10 cs.RO cs.SY eess.SY
Solving Area Coverage Problem with UAVs: A Vehicle Routing with Time Windows Variation
Middle East Technical University（中东技术大学）
在现实生活中，通过无人机（UAV）覆盖区域来为一组大区域提供安全保障是一个由多个目标组成的难题。如果区域覆盖必须在整个特定的时间窗口内持续，这些困难就更大了。我们解决这个问题，考虑车辆路径问题的时间窗口（VRPTW）的变化，其中代理的能力是一个和每个客户（目标区域）必须同时提供一个以上的车辆，而不违反时间窗口。在这个问题中，我们的目标是找到一种方法，以覆盖所有地区的必要数量的无人机在时间窗口内，最小化总行驶距离，并提供一个快速的解决方案，通过满足额外的约束，每个代理人有有限的燃料。我们提出了一种新的算法，它依赖于聚类的目标区域，根据其时间窗口，然后递增地产生运输问题，每个集群和准备好的无人机。然后用单纯形算法求解运输问题，得到最优解。所提出的算法和其他实现的算法的性能进行评估，以比较解决方案的质量与实际问题的大小的示例场景。
2020-03-16 cs.AI cs.MA
On Efficient Computation of Shortest Dubins Paths Through Three Consecutive Points
University of Waterloo（滑铁卢大学）
本文研究了在三个连续点上计算曲率受限移动Dubins车辆最优路径的问题，提出新的几何分析方法，改进了Dubins TSP路线的计算效率和解的质量。
2016-09-21 cs.RO cs.SY eess.SY
A Novel Model for 3D Motion Planning for a Generalized Dubins Vehicle with Pitch and Yaw Rate Constraints
Department of Electrical Engineering and Computer Science, University of California, Irvine（加州大学 Irvine 分校 电气工程与计算机科学系）；Department of Mechanical Engineering, Texas A&M University（德克萨斯大学 A&M 学院 机械工程系）；DCS Corporation（DCS 公司）；Control Science Center, Air Force Research Laboratory, Wright-Patterson Air Force Base（空军研究实验室 威格伍德-帕特森空军基地 控制科学中心）
本文提出一种新模型和快速算法，用于固定翼无人机的三维路径规划，通过体固定坐标系考虑完整车辆姿态，使用两个控制输入表示有限的俯仰和偏航率，生成更短可行路径。
2026-05-15 cs.RO math.OC
Trajectory Generation using Sharpness Continuous Dubins-like Paths with Applications in Control of Heavy Duty Vehicles
Scania, Autonomous Transport Solutions（斯堪尼亚，自主运输解决方案）
本文提出了一种考虑转向执行器速率和扭矩限制的轨迹生成框架，通过连续尖锐度曲线提升重载车辆的自主驾驶性能。
2018-05-07 cs.RO cs.SY eess.SY
Reparametrization of 3D CSC Dubins Paths Enabling 2D Search
University of Pennsylvania（宾夕法尼亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对三维空间中受最小转弯半径约束的车辆，本文提出 CSC Dubins 路径的新参数化方法，将规划降为二维变量搜索并提供梯度，实验表明其可在多数平面与三维场景中有效求解。
2025-03-13 cs.RO
An Approximation Algorithm for a Shortest Dubins Path Problem
Associate Professor Department of Mechanical Engineering Texas A \& M University College station, Texas, U.S.A, 77843；Professor Department of Electrical；Computer Engineering University of Florida Gainesville, Florida, U.S.A., 32611
本文提出了一种改进的近似算法，将短路径问题的解的质量保证从3.04降低到2.04，通过实验证明了该方法的有效性。
2016-04-18 cs.RO cs.SY eess.SY
Trajectory elongation strategies with minimum curvature discontinuities for a Dubins vehicle
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
针对Dubins车辆在两有向点间的任意长度曲率有界轨迹设计问题，提出基于三段变半径圆弧、最多两个切换点的八类CCC轨迹构造方法，推导了可达长度集合并通过仿真验证。
2024-10-05 cs.RO cs.SY eess.SY
The Weighted Markov-Dubins Problem
Texas A&M University（得克萨斯农工大学）；Infoscitex Corp.（Infoscitex公司）；Air Force Research Laboratory（美国空军研究实验室）
在这篇文章中，经典的Markov-Dubins问题的一个变化被认为是，它涉及在一个平面上的曲率约束的最小成本的路径与规定的初始和最终的配置，不同的边界的左，右曲率，和罚款$μ_L$和$μ_R$的左，右转弯，分别。该问题推广了经典的Markov-Dubins问题和非对称左/右Markov-Dubins问题。所提出的公式可用于建模无人机（UAV）的罚款与转弯时由于高度损失或硬件故障或环境条件导致的左转弯和右转弯的成本不同。利用最优控制理论，本文的主要结果表明，最优路径属于至多由$21$候选路径组成的一个集合，每个候选路径至多由5段组成。与经典的Markov-Dubins问题不同，作为经典Markov-Dubins问题的候选路径的$CCC$路径对于加权Markov-Dubins问题不是最优的。此外，当$μ_L$和$μ_R$趋于零时，所得到的加权Markov-Dubins问题的候选路径列表可简化为标准$CSC$和$CCC$路径以及相应的退化路径.
2022-11-13 cs.RO math.OC
Sampling-Based Tour Generation of Arbitrarily Oriented Dubins Sensor Platforms
KAIST（韩国科学技术院）；Korea Aerospace University（韩国航空大学）
本文描述了一种配方，并开发了一种新的程序，从远程可执行任务的角度来看，一队无人机（UAV）。在复杂的任务环境中，车辆的特性可能在传感能力、范围、方向或运动约束方面不同。本文的目的是找到一组路径，最大限度地减少成本的总和，而每个任务区域访问一次，在一定的合理假设。将异构多无人机路径规划问题转化为一个广义异构多基地旅行商问题（GHMDATSP），它是旅行商问题的一个变形.建议的转换过程中的一个实例的GHMDATSP到一个格式的非对称，旅行推销员问题（ATSP），以获得旅游车队的总成本最小化。ATSP的实例使用Lin-Kernighan-Helsgaun启发式算法求解，并将结果逆变换为GHMDATSP格式的实例以获得一组路线。一个额外的基于局部优化的路径细化过程有助于获得高质量的解决方案。数值实验验证了该方法的有效性和适用性。
2018-08-09 cs.DS cs.RO
Time-Optimal Path Planning in a Constant Wind for Uncrewed Aerial Vehicles using Dubins Set Classification
Carnegie Mellon University（卡内基梅隆大学）
本文针对常值风中转弯速率受限UAV的时间最优路径规划问题，提出在空气相对坐标系下将候选摆线轨迹限定于子集的方法，相比已有Bang-Straight-Bang方法减少37.4%计算量，并发布开源C++代码库。
2023-11-03 cs.RO
Minimal Exposure Dubins Orienteering Problem
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；George Mason University（乔治梅森大学）
不同的应用，如环境监测和军事行动，需要观察预定义的目标位置，自主移动机器人可以协助这些任务。在这种情况下，定向问题（OP）是一个众所周知的路由问题，其中的目标是通过访问最有价值的位置来最大化目标函数，然而，考虑到有限的旅行预算（例如，长度、时间、能量）。然而，传统的路由问题的公式通常忽略了一些环境的特殊性，如障碍物或威胁区。在本文中，我们解决的OP考虑Dubins车辆在存在一个已知的部署传感器领域。我们提出了一个新的多目标公式称为最小暴露Dubins定向问题（MEDOP），其主要目标是：（i）最大化收集的奖励，（ii）最小化代理的暴露，即，被发现的可能性。该解决方案是基于一种进化算法，迭代地改变要访问的位置的子集和序列，每个位置上的方向，以及用于确定路径的转弯半径。结果表明，我们的方法可以有效地找到一组不同的解决方案，同时优化这两个目标。
2020-10-22 cs.RO
Reasoning about Safety of Learning-Enabled Components in Autonomous Cyber-physical Systems
Toyota Research Institute of North America（丰田北美研究院）；University of Southern California（南加州大学）
本文提出基于模拟的方法生成屏障证书函数，用于验证包含神经网络控制器的机电系统安全性。通过线性规划求解器从随机初始状态获得的模拟轨迹中找到候选生成函数，并利用SMT求解器验证其安全性。
2018-04-11 cs.AI cs.SY eess.SY
Planning Visual Inspection Tours for a 3D Dubins Airplane Model in an Urban Environment
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文研究了规划一个三维Dubins飞机模型的最小长度的旅游视觉检查位于地面或物体的外表面在城市环境中的一系列目标的问题。对象是表示建筑物或其他结构的2.5D挤出多边形。可见性体积定义了满足可行空域和成像约束的每个目标的容许（无遮挡）观察位置的集合。将具有邻域的Dubins旅行售货员问题（DTSPN）扩展到三维，其可见性体积由三角形网格近似。提出了四种采样算法，用于在每个可见性体积内采样车辆配置以定义底层DTSPN的顶点。此外，提出了一种启发式方法，以提高计算时间，通过近似的3D Dubins飞机的边缘成本与下限，用于解决一系列的查看位置。然后，基于观察位置的相对几何形状，为观察位置分配俯仰角和航向角。建议的采样方法和approxistics进行了比较，通过蒙特卡洛实验，模拟视图规划旅游在一个现实的城市环境。
2023-01-12 cs.RO cs.SY eess.SY
Multi-AUV Kinematic Task Assignment based on Self-organizing Map Neural Network and Dubins Path Generator
College of Information Engineering, Shanghai Maritime University（上海海事大学信息工程学院）；Logistics Engineering College, Shanghai Maritime University（上海海事大学物流工程学院）；Mechanics Institute, University of Shanghai for Science and Technology（上海理工大学力学研究所）
针对多AUV在运动学约束下的任务分配问题，提出结合Dubins路径算法与改进SOM神经网络的算法，通过动态调整权重实现任务重分配，仿真证明其能有效完成多AUV路径规划与任务分配。
2024-06-25 cs.RO cs.SY eess.SY
A Game Between Two Identical Dubins Cars: Evading a Conic Sensor in Minimum Time
Centro de Investigación Científica y de Educación Superior de Ensenada (CICESE)（恩塞纳达科学研究与高等教育中心（CICESE））
本文用微分博弈分析两辆相同 Dubins 车的锥形传感器追逃问题，给出终局时间最优策略，并发现两类奇异曲面及标准障碍构造越界现象。
2025-01-07 cs.RO math.OC
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
$ε^*$+: 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
Cooperative Planning for Fuel-constrained Aerial Vehicles and Ground-based Refueling Vehicles for Large-Scale Coverage
IIIT-Delhi（德里印度理工学院）；CNLS, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室非线性研究中心）；Texas A&M University（得克萨斯农工大学）；Loughbrough University（拉夫堡大学）
低成本无人机需要多次加油才能实现大面积覆盖。加油站的数量及其位置在确定覆盖效率方面起着至关重要的作用。在本文中，我们提出了使用地面加油车（RV），以增加无人机的操作范围在空间和时间域。确定UAV和RV的最佳路线以及选择最佳加油位置以帮助最小化覆盖时间是一个具有挑战性的问题，这是由于不同的车辆速度、加油位置放置之间的耦合以及每个位置处的覆盖区域。针对无人机和RV执行覆盖任务的耦合航路规划问题，提出了一种两阶段策略。第一阶段计算一个最小的加油站，允许一个可行的无人机路线。在第二阶段，考虑到第一阶段生成的可行加油地点集，开发多个混合整数线性规划（MILP）公式来规划无人机和加油车的最佳路线。不同配方的性能进行了经验比较。此外，计算效率的算法被开发来解决路由问题。进行了大量的模拟，以证实所提出的方法的有效性。
2018-05-11 cs.RO
Efficient Safety Testing of Autonomous Vehicles via Adaptive Search over Crash-Derived Scenarios
Rui Zhou（独立研究者）
针对自动驾驶车辆在安全关键场景下的测试效率问题，提出自适应大变邻域模拟退火算法（ALVNS-SA），结合真实碰撞数据库与黑盒系统，实现了84.00%的安全关键场景覆盖率，显著优于传统方法。
2025-08-07 cs.AI cs.RO
Robotic Coverage for Continuous Mapping Ahead of a Moving Vehicle
University of Waterloo（滑铁卢大学）
在本文中，我们研究的问题，使用无人机提供当前的地图信息的环境中移动的地面车辆的前面。我们提出了一个简单的覆盖计划，称为共形割草机计划，使无人机扫描的路线提前地面车辆。该计划只需要有限的知识，地面车辆的未来路径。对于一类曲率约束的地面车辆路径，我们表明，所提出的计划需要的无人机速度不超过两倍的速度所需的覆盖最优计划。我们还建立必要和足够的无人机速度，相对于地面车辆速度，成功地覆盖任何路径的曲率限制集。通过仿真验证了该方案的有效性，结果表明，提供覆盖所需的速度与地面车辆路径的曲率密切相关，同时也说明了测绘要求与无人机和地面车辆的相对速度之间的关系。
2019-09-07 cs.RO
T$^{\star}$-Lite: A Fast Time-Risk Optimal Motion Planning Algorithm for Multi-Speed Autonomous Vehicles
University of Connecticut（康涅狄格大学）；Naval Undersea Warfare Center（海军水下作战中心）
在本文中，我们开发了一种新的算法，称为T $^{\star}$ -Lite，使变速自动驾驶汽车的快速时间风险最优运动规划。T $^{\star}$ -Lite算法是先前开发的T $^{\star}$算法的显著更快版本。T $^{\star}$ -Lite使用T $^{\star}$的新时间风险成本函数;然而，它使用的不是基于网格的方法，而是基于渐进最优采样的运动规划器。此外，它利用最近开发的广义多速度Dubins运动模型（GMDM）的样本到样本kinodynamic运动规划。基于样本的方法和GMDM显着降低了计算负担的T $^{\star}$，同时提供合理的解决方案的质量。采样点从由两个位置坐标加上车辆航向和速度组成的四维配置空间中绘制。具体而言，T $^{\star}$ -Lite使运动规划器能够根据车辆与障碍物的接近程度选择车辆速度和方向，以生成更快、更安全的路径。在本文中，T $^{\star}$ -Lite是使用RRT $^{\star}$运动规划器开发的，但适应其他运动规划器是简单的，取决于规划器的需要
2020-08-29 cs.AI cs.RO cs.SY
Meander Based River Coverage by an Autonomous Surface Vehicle
University of South Carolina（南卡罗来纳大学）
自主覆盖对于在河流上执行的环境调查和勘探任务在效率和数据汇集质量方面都具有巨大的重要性。大多数河流调查都是使用非常相似的方法手动进行的。使用这些实践来自动化这些过程可以提高调查操作的质量。除了人类对图案类型的专业知识之外，还可以使用河流蜿蜒来确定覆盖方向来优化河流的覆盖范围。在这项工作中，我们使用的隐含信息的水流速度，推断从曲线的河流，以减少成本的覆盖。我们使用自主水面车辆（ASV）部署所提出的方法，并证明我们的方法的效率。此外，我们比较所提出的方法与以前的覆盖技术在我们的实验室。当考虑到蜿蜒的覆盖时间平均减少了20%以上。ASV的部署是在美国南卡罗来纳州的Congaree河上进行的，并产生了超过27公里的总覆盖轨迹。
2019-08-07 cs.RO
Riverine Coverage with an Autonomous Surface Vehicle over Known Environments
University of Puget Sound（普吉特湾大学）
目前，对河流的环境监测和调查工作主要是用人工操作的船只进行的。在该领域中，区域的自主覆盖对于提高覆盖的质量和效率都是至关重要的。本文利用人类在河流勘探和数据汇集策略方面的专业知识，使用自主水面车辆（ASV）自动化和优化这些过程。特别是，提出了三个确定性算法的部分和完整的覆盖范围内的河流段，提供不同的路径长度，覆盖密度，和转向模式。这些策略提高了准确性和效率相比，人类performance.The提出的方法进行了广泛的测试，在模拟使用不同形状和大小的真实河流的地图。此外，为了验证它们在现实世界中的性能，这些算法成功地部署在美国南卡罗来纳州康加里河的几个部分，在该领域产生了超过35公里的覆盖轨迹。
2019-08-07 cs.RO
Systematic Analysis of the Sensor Coverage of Automated Vehicles Using Phenomenological Sensor Models
Institute of Automotive Technology, Technical University of Munich（慕尼黑工业大学汽车技术研究所）
本文的目的是提出一个系统的分析自动驾驶汽车的传感器覆盖。由于可能的交通状况数量不受限制，因此必须在自动驾驶汽车的安全评估中选择要测试的场景。本文介绍了现象学传感器模型可以用来识别系统特定的相关场景。在自动驾驶中，主要使用以下传感器：摄像头、超声波、\radar和\lidarohne。基于文献，现象学模型已开发的四种传感器类型，其中考虑到的现象，如环境影响，传感器的属性和类型的对象被检测。这些现象学模型具有比简单的理想传感器模型显著更高的可靠性，并且比现实的物理传感器模型需要更低的计算成本，这代表了传感器覆盖的系统调查的最佳折衷。模拟结果表明，不同的系统配置之间存在显着差异，从而支持系统特定的选择自动驾驶汽车的安全评估的相关方案。
2020-08-27 cs.RO
Coverage based testing for V&V and Safety Assurance of Self-driving Autonomous Vehicles: A Systematic Literature Review
University of York（约克大学）
自动驾驶汽车（SAV）越来越受到业界和公众的关注。科技和汽车公司正在投入大量资金用于SAV的研发，以确保他们在未来的SAV市场中占据领先地位。SAV进入公共道路的主要障碍之一是公众对SAV的安全性缺乏信心。为了确保安全性，并为公众提供对SAV安全性的信心，世界各地的研究人员已经使用基于覆盖率的测试进行验证和确认（V&V）以及SAV的安全保证。本文的目的是调查的覆盖标准提出的研究人员在过去的十年中使用的覆盖最大化技术，到现在为止，以确保安全的SAVs。我们在本文中对此调查进行了系统性文献综述（SLR）。我们提出了一个分类的基础上使用的覆盖标准现有的研究。本文还提出了一些研究空白和研究方向，以使该领域的进一步研究成为可能。本文提供了一个知识体系的SAVs的安全保证领域。我们相信，这一SLR的结果将有助于V&V的进展和SAV的安全保证。
2021-03-07 cs.AI cs.RO cs.SE
Diffusion-based Reinforcement Learning for Dynamic UAV-assisted Vehicle Twins Migration in Vehicular Metaverses
Guangdong University of Technology（广东工业大学）；Nanyang Technological University（南洋理工大学）；Shanghai Jiaotong University（上海交通大学）；Beijing Jiaotong University（北京交通大学）；ZTE Corporation（中兴通讯股份有限公司）
本文针对车辆元宇宙中车辆孪生迁移导致的RSU负载不均问题，提出无人机辅助的动态迁移框架，并设计基于扩散的强化学习算法和启发式路径规划方法，以降低时延并提升迁移质量。
2024-06-08 cs.AI cs.RO
Multi-Depth Uniform Coverage Path Planning for Unmanned Surface Vehicle Surveying
AZTI Foundation（AZTI基金会）；Tsinghua University（清华大学）；University of the Basque Country (UPV/EHU)（巴斯克国家大学（UPV/EHU））；University of Technology Sydney（悉尼技术大学）；IKERBASQUE
本文提出一种新型自动覆盖路径规划算法，用于无人水面舰艇的水深勘测。通过整合粗略的深度信息预处理目标区域，并自适应引导路径生成和探测范围配置，优化路径间距以实现更一致的海底覆盖。
2026-05-13 cs.RO
Constrained Heterogeneous Vehicle Path Planning for Large-area Coverage
Carnegie Mellon University（卡内基梅隆大学）；A*STAR Artificial Intelligence Initiative (A*AI)（新加坡科技研究局人工智能倡议（A*AI））；IHPC, A*STAR（新加坡科技研究局高性能计算研究所）
对于由地面车辆支持的多个UAV（无人飞行器）自主地覆盖大区域存在强烈的需求。受UAV电池寿命和通信距离的限制，大区域的完全覆盖通常涉及多次起飞和着陆以给电池充电，以及通过地面车辆在操作区域之间运输UAV。在本文中，我们介绍了一种新的大面积覆盖的规划框架，集体优化的空中和地面车辆的路径。我们的方法首先将一个大的区域划分为子区域，每个子区域都可以由给定的无人机机队覆盖而无需重新充电。然后为每个子区域生成UAV操作路线或轨迹。其次，将试验任务分配给不同的无人机，并同时优化无人机访问其指定轨迹的顺序，以最小化总的无人机飞行距离。最后，通过求解非对称旅行商问题（ATSP），找到了一条访问所有子区域的地面车辆运输路径。虽然寻找全局最优路径分配和转移路径可以用混合二次规划（MIQP）来表示，但MIQP即使对于小问题也是难以处理的。我们发现，解决方案的时间可以减少到接近实时的水平，首先找到一个可行的解决方案，使用随机密钥遗传算法（RKGA），然后通过解决一个小得多的MIQP局部优化。
2019-11-22 cs.RO
Heterogeneous Fixed-wing Aerial Vehicles for Resilient Coverage of an Area
University of Hawai’i at Mānoa（夏威夷大学马诺阿分校）
本文提出了一种分布式的方法来提供持久的覆盖任意形状的区域使用异构覆盖的固定翼无人机（UAV），并恢复从多个UAV的同时故障。所提出的方法讨论了水平均匀部署和维护的固定翼无人机给定的边界信息和最小游荡半径的同质舰队。无人机部署在不同的高度水平，以提供异构的覆盖和感测。在给定最小游荡半径和区域边界的情况下，我们使用一种有效的正方形布局方法来部署无人机。无人机以同步运动的方式在这些包装方块上的圆圈上徘徊，以实现全覆盖目标。一个自上而下的层次结构的正方形包装，其中每个外部广场（超级广场）被划分成四个相等大小的内部广场（子广场），被利用来引入部署的无人机网络的弹性。对于失效的子区域无人机，在考虑有效覆盖的情况下选择替代邻居，并将其部署到更高高度的相应超区域，以恢复全覆盖，并与子区域的覆盖质量进行权衡。这是一种分布式方法，因为所有决策都是在损失区域的近距离内进行的，并且它可以缩放并适应各种大规模区域和UAV配置。仿真结果表明了该方法的有效性。
2020-09-17 cs.RO
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
Towards Automated Safety Coverage and Testing for Autonomous Vehicles with Reinforcement Learning
University of Virginia（弗吉尼亚大学）
自动驾驶汽车（AV）安全测试可能需要的闭环验证超出了传统测试方法和离散验证的范围。验证将自动驾驶汽车系统置于其发布后在日常驾驶中可能遇到的场景或情况下进行测试。这些场景可以直接在物理（封闭试验场）或虚拟（模拟预定义场景）环境中控制，也可以在现实世界中的操作过程中自发出现（开放道路测试或模拟随机生成的场景）。在自动驾驶测试中，仿真主要有两个目的：帮助开发强大的自动驾驶汽车，并在发布前测试和验证自动驾驶汽车。由于涉及大量变量（其中大多数是连续的），从上述每个来源可以构建大量的情景变化，这带来了挑战。即使连续变量离散化，可能的组合数量也变得实际上不可行。为了克服这一挑战，我们建议使用强化学习（RL）来生成AV软件实现的失败示例和意外交通情况。尽管强化学习算法在游戏和一些机器人操作中取得了显著的效果，但这种技术还没有被广泛扩展到更具挑战性的现实世界应用中，如自动驾驶。
2020-05-22 cs.AI cs.LG cs.RO
Assessing behaviour coverage in a multi-agent system simulation for autonomous vehicle testing
University of Bristol（布里斯托大学）
本研究提出了一种基于模型预测控制的行人智能体，用于评估多智能体系统模拟在自动驾驶测试中的行为覆盖率，以提升系统安全性和可靠性。
2025-12-29 cs.LG cs.MA cs.RO
Probabilistic Safety Verification for an Autonomous Ground Vehicle: A Situation Coverage Grid Approach
Dept. of Computer Science University of York York, United Kingdom（计算机科学系 英国约克大学）
本文提出一种基于情境覆盖网格、概率建模与模型检验的自主地面车辆安全验证新方法，有效识别高风险情境并提供定量安全保证，支持系统稳健部署。
2025-07-16 cs.RO
Coverage of an Environment Using Energy-Constrained Unmanned Aerial Vehicles
Virginia Tech（弗吉尼亚理工大学）；University of South Carolina（南卡罗来纳大学）；University of Maryland（马里兰大学）
研究了在电池容量有限的情况下，无人机对环境的覆盖问题。我们考虑的场景中，无人机可以降落在无人地面车辆（UGV）和车载电池充电。UGV还可以在将UAV运输到下一个起飞地点的同时为UAV充电。我们提出了一种算法来解决一个新的变种的区域覆盖问题，考虑到这种共生的无人机和UGV系统。输入由一组交错的单元组成--矩形条，其宽度等于无人机上传感器的视场。目标是为无人机和UGV找到一个协调的策略，在最短的时间内访问并覆盖所有电池，同时最佳地找到充电多少，在哪里充电，以及何时充电。这包括访问和覆盖所有牢房的飞行时间、充电时间以及起飞和降落时间。我们展示了如何减少这个问题的一个已知的NP-难问题，广义旅行商问题（GTSP）。给定一个最优的GTSP求解器，我们的方法找到了无人机和UGV的最优覆盖路径。我们的公式模型多旋翼无人机以及混合无人机，可以在固定翼和垂直起降模式。我们评估我们的算法，通过模拟和概念验证实验。
2020-07-07 cs.RO
Intersection focused Situation Coverage-based Verification and Validation Framework for Autonomous Vehicles Implemented in CARLA
University of York（约克大学）；Boston University（波士顿大学）
自动驾驶汽车（AV），即自动驾驶汽车在安全关键领域运行，因为自动驾驶软件中的错误可能导致巨大的损失。从统计数据来看，道路交叉口是自动驾驶汽车运营设计领域（ODD）的一部分，具有最高的事故率。因此，测试自动驾驶汽车在道路交叉口的限制，并确保其在道路交叉口的安全性是相关的，因此，本文的重点。我们提出了一个基于情况覆盖率（SitCov）的AV测试框架，用于AV的验证与确认（V&V）和安全保证，该框架是在一个名为CARLA的开源AV模拟器中开发的。SitCov的自动驾驶测试框架的重点是在不同的环境和交叉口配置情况下的道路交叉口上的车辆与车辆的交互，使用情况覆盖标准的自动测试套件生成的自动驾驶汽车的安全保证。我们已经开发了一个本体的交叉情况，并使用它来生成一个情况超空间，即，从本体论中产生的所有可能情况的空间。为了评估我们的SitCov AV测试框架，我们在自我AV中植入了多个故障，并比较了基于情况覆盖和随机情况生成。我们发现，这两种生成方法触发的种子故障数量大致相同，但基于情况覆盖的生成告诉我们更多关于我们的自我AV的自动驾驶算法的弱点，特别是在边缘情况下。我们的代码是公开的在线，任何人都可以使用我们的SitCov AV测试框架，并使用它或进一步建立在它之上。本文的目的是有助于V&V和AV的开发领域，不仅从理论的角度来看，而且从开源软件贡献的角度来看，并发布一个灵活/有效的工具V&V和AV…
2022-01-25 cs.AI cs.MA cs.RO
An Adaptive Coverage Control Approach for Multiple Autonomous Off-road Vehicles in Dynamic Agricultural Fields
Dept. of Electrical and Computer Engineering, The University of Memphis, Memphis, TN 38152 USA（电气与计算机工程系，密苏里州孟菲斯大学）
本文提出一种自适应覆盖控制方法，利用无人机检测障碍物和地形，动态调整越野无人地面车辆的覆盖路径，以应对动态农业环境，仿真验证了其提高效率并保持稳健覆盖。
2025-09-08 cs.RO cs.SY eess.SY
Coordinated Coverage and Fault Tolerance using Fixed-Wing Unmanned Aerial Vehicles
University of Hawai‘i at Mānoa（夏威夷大学马诺阿分校）；East-West Center（东西方中心）
本文提出了一种方法，部署和维护一个舰队的同质固定翼无人机（UAV）的所有时间覆盖的一个区域。提出了两种空中盘旋布局方法：正方形布局和六边形布局，并给出了六边形布局在最小化无人机部署数量方面的优势。基于可用的无人机的数量和期望的徘徊高度，所提出的算法解决了一个优化问题，以计算该高度的徘徊圆的中心和徘徊半径。该算法还包括故障恢复能力的情况下，同时多个无人机故障。这些故障可能会在没有总体幸存者信息的情况下在该地区形成幸存者（活动）无人机集群。该算法在较高的高度部署一个具有较大通信能力的超级智能体来恢复故障。超级智能体收集幸存者的信息，并更新同质半径和相同高度的游荡圈的位置，以恢复全覆盖。幸存者的无人机会被告知，并使用杜宾的路径转移到新的游荡圈。已部署的无人机的可回收损失分数的程度的关系进行了分析，为不同的初始游荡半径。仿真结果证明了该方法的适用性，并比较了两种包装方法。
2020-05-17 cs.MA cs.RO
Coverage Path Planning with Budget Constraints for Multiple Unmanned Ground Vehicles
针对多机器人环境感知，本文提出融合可变编队覆盖路径规划与集群协同主动感知的状态机切换方法，并在气源定位建图实验中证明其比单模态方法收敛更快。
2023-06-07 cs.MA cs.RO
Optimal Trajectory Planning with Collision Avoidance for Autonomous Vehicle Maneuvering
Magna International Inc.（Magna国际公司）
针对自动驾驶泊车机动，本文提出基于序列凸优化和离散 Dubins 模型的最优轨迹规划方法，在避撞与车辆物理约束下实现高效、平滑的无碰撞运动。
2025-05-13 cs.RO cs.SY eess.SY
AG-CVG: Coverage Planning with a Mobile Recharging UGV and an Energy-Constrained UAV
Woods Hole Oceanographic Institution (WHOI)（伍兹霍尔海洋研究所）；University of Maryland（马里兰大学）；University of Southern California（南加利福尼亚大学）
针对能量受限UAV与移动充电UGV的覆盖路径规划问题，提出启发式方法，通过路径聚类和图匹配优化会合充电，平均降低11.33%会合开销，并完成实物验证。
2024-03-15 cs.RO
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
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
Traveing Salesperson Problems for a double integrator
本文针对速度有界、控制输入有界的双积分器提出了一些新的路径规划策略。首先，我们研究了旅行商问题（TSP）的以下版本：给定$\real^d$中的一组点，找到双积分器在点集上的最快行程。我们首先给出在最坏的情况下完成这样一次旅行所需时间的渐近界。然后，我们研究了一个随机版本的TSP的双积分点随机抽样均匀分布在一个紧凑的环境中的$\real^2$和$\real^3$。我们提出了新的算法，在一个恒定的因素内执行的最佳策略，具有很高的概率。最后，我们研究了一个动态TSP：给定一个随机过程，产生的目标，是否有一个政策，保证未访问的目标的数量不会随着时间的推移发散？如果存在这种稳定的政策，那么达到目标的最低等待时间是多少？我们提出了新的稳定滚动时域算法，其性能是在一个恒定的因素，从最佳的高概率，在$\real^2$以及$\real^3$。我们还认为，这些算法给一个特定的非完整车辆，Dubins车辆相同的性能。
2006-09-17 cs.RO
Team Orienteering Coverage Planning with Uncertain Reward
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能研究院）
许多市政当局和大型组织都有需要协调的车队，以执行垃圾回收或基础设施检查等任务。出于这一需要，本文重点讨论了常见的子问题，其中一个车队的车辆需要规划协调的路线，巡逻的迭代区域，同时最大限度地减少时间和空间相关的成本。特别地，在特定位置（例如，图上的顶点），我们假设成本以未知的速率在期望中线性增长，并且每当任何车辆访问顶点（表示服务于顶点的机器人）时，成本被重置为零。我们制定这个问题的图形术语，并称之为团队定向覆盖规划与不确定的回报（TOCPUR）。我们建议解决TOCPUR的同时估计在图上的每个顶点的累积成本，并解决一个新的变种的团队定向问题（TOP）迭代，我们称之为团队定向覆盖问题（TOCP）。我们提供了第一个混合整数规划制定的TOCP，作为一个显着的适应原来的TOP。我们引入了一个新的基准，由数百个随机生成的图比较不同的方法。我们提出的解决方案优于确切的TOP解决方案和贪心算法。此外，我们提供了一个演示我们的方法在一个团队的三个物理机器人在现实世界的环境。
2021-05-08 cs.RO
Efficient Domain Coverage for Vehicles with Second-Order Dynamics via Multi-Agent Reinforcement Learning
Simon Fraser University（西蒙弗雷泽大学）；Huawei Technologies Co., Ltd.（华为技术有限公司）
针对二阶动力学多智能体区域覆盖问题，提出基于MAPPO并融合LSTM与自注意力的强化学习方法，显著优于经典控制策略。
2023-10-16 cs.LG cs.MA cs.RO
Safe Trajectory Synthesis for Autonomous Driving in Unforeseen Environments
University of Michigan - Ann Arbor（密歇根大学安娜堡分校）
本文提出一种基于低保真模型的轨迹规划方法，通过保守的可达集和障碍物交集确保安全，同时证明了时间下界以保证安全性。
2017-04-28 cs.RO cs.SY eess.SY
Automatic Coverage Selection for Surface-Based Visual Localization
Queensland University of Technology（昆士兰科技大学）
定位是机器人、无人机和自动驾驶汽车在各种环境中运行的关键能力。在设计、训练或校准视觉定位系统时，一个关键的考虑因素是安装在平台上的视觉传感器的覆盖范围。例如，在空中环境中，平台的高度和摄像机视场对于向下的摄像机在任何一个时间可以感知多少环境起着关键作用。此外，在其他应用中，例如在道路上或室内环境中，诸如相机分辨率和传感器放置高度的其他因素也会影响该覆盖范围。传感器的覆盖范围及其数据的后续处理也具有重要的计算意义。在本文中，我们首次提出了一套方法，用于自动确定覆盖范围和视觉定位性能之间的权衡，使识别的最小视觉传感器覆盖所需的最佳定位性能，以最小的计算。我们开发了一个定位性能指标的重叠系数的基础上，并证明其预测能力的定位性能与一定的传感器覆盖范围。我们评估了我们的方法在几个具有挑战性的现实世界的数据集从空中和地面为基础的领域，并证明我们的方法是能够自动优化覆盖使用少量的校准数据。我们希望这些结果将有助于未来自主机器人，车辆和飞行系统的定位系统的设计。
2019-06-27 cs.RO
Optimizing Fuel-Constrained UAV-UGV Routes for Large Scale Coverage: Bilevel Planning in Heterogeneous Multi-Agent Systems
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文针对燃料受限的UAV-UGV异构多智能体系统大规模覆盖路径规划问题，提出多种启发式方法，结合最小集合覆盖、旅行商问题和带时间窗的车辆路径规划公式，实现可行且高效的协同路径求解。
2023-07-07 cs.RO
Can you see me now? Blind spot estimation for autonomous vehicles using scenario-based simulation with random reference sensors
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文提出一种基于3D仿真环境和Monte Carlo参考传感器模拟的方法，利用LiDAR点云或相机深度图像准确估计自动驾驶车辆传感器设置的盲点大小及物体检测概率，克服了传统几何近似的不真实性。
2024-02-14 cs.CV cs.RO
Hybrid Terrain-Aware Path Planning: Integrating VD-RRT* Exploration and VD-D* Lite Repair
The Grainger College of Engineering, Electrical and Computer Engineering Department, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院）；The Grainger College of Engineering, Industrial and Enterprise Systems Engineering Department, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院）
提出融合Bekker压力-沉陷模型与坡度惩罚的连续代价度量，结合精确转向原语，采用VD-RRT*全局探索与VD-D* Lite局部修复，实现毫秒级重规划，硬件试验验证软土与坡度环境实时导航。
2025-10-15 cs.RO cs.SY eess.SY
Expected Coverage of Random Walk Mobility Algorithm
无人驾驶飞行器（UAV）越来越多地用于勘探区域。许多移动性算法被设计成实现给定区域的快速覆盖。重点分析了具有独立移动性的对称随机游动移动算法的期望覆盖率。因此，我们证明了某些事件的依赖性，并开发马尔可夫模型，以提供一个分析解决方案的预期覆盖率。之后的解析解进行比较，另一项工作和模拟结果。
2018-01-30 cs.RO stat.AP
