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
Robust Planning and Control of Omnidirectional MRAVs for Aerial Communications in Wireless Networks
Ricerca sul Sistema Energetico（能源系统研究）；Czech Technical University in Prague（布拉格捷克技术大学）；College of Computing, Mohammed VI Polytechnic University（穆莱·伊斯梅尔polytechnic大学计算机学院）
本文研究全向多旋翼飞行器（o-MRAVs）在无线网络空中通信中的鲁棒规划与控制，通过独立控制位置和姿态提升轨迹规划与天线对准能力，相比欠驱动飞行器在动态场景中更具可靠性和效率优势。
2025-04-21 cs.RO
Model-Based Planning and Control for Terrestrial-Aerial Bimodal Vehicles with Passive Wheels
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（湖州学院（浙江大学湖州研究院））
针对陆空两栖载具双模态动力学导致的规划控制难题，提出基于统一动力学模型与微分平坦性的优化轨迹规划及非线性模型预测控制框架，实现精确跟踪与平滑模态切换。
2024-03-01 cs.RO
Trajectory Planning and Control for Differentially Flat Fixed-Wing Aerial Systems
New York University（纽约大学）；Autonomous Robotics Research Center-Technology Innovation Institute（自主机器人研究中心-技术创新研究院）
针对固定翼无人机实时轨迹规划与控制的挑战，本文提出一种利用微分平坦特性生成动态可行轨迹并支持持续重规划的方法，通过仿真与真实实验验证了其在风扰动等恶劣条件下的有效性。
2025-02-01 cs.RO
Combined Aerial Cooperative Tethered Carrying and Path Planning for Quadrotors in Confined Environments
Luleå University of Technology（吕勒奥理工大学）；University of Patras（帕特雷大学）
本文提出一种组合式空中协同系留搬运与路径规划框架，通过组合机构简化自由度并生成动态体封装四旋翼-绳索系统，实现RRT无碰撞路径规划，并经MPC控制实验验证有效性。
2025-04-01 cs.RO
High-Speed Motion Planning for Aerial Swarms in Unknown and Cluttered Environments
Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）
本研究针对未知杂乱环境下无人机集群的高速协同飞行需求，提出首个考虑未知环境的去中心化同步运动规划框架HDSM，在成功率、速度和耗时上均优于现有方法，并通过纳米无人机完成概念验证。
2024-07-12 cs.RO
Informative Path Planning for Active Learning in Aerial Semantic Mapping
Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
航空影像的语义分割是测绘和对地观测的重要工具。然而，用于分割的监督式深度学习模型依赖于大量高质量的标记数据，这是劳动密集型的，并且生成耗时。为了解决这个问题，我们提出了一种新的方法，使用无人机（UAV）自动收集有用的数据进行模型训练。我们利用贝叶斯方法来估计模型的不确定性在语义分割。在任务期间，语义预测和模型不确定性被用作地形映射的输入。我们的管道的一个关键方面是将映射模型的不确定性链接到基于主动学习的机器人规划目标。这使我们能够自适应地引导无人机收集信息量最大的地形图像，由人类标记用于模型训练。我们对真实数据的实验评估显示，与静态覆盖路径相比，使用我们的信息规划方法在最大限度地提高模型性能和减少标签工作方面具有优势。
2022-09-02 cs.RO
QuadHand: A Compact Quadrotor Aerial Manipulator with MRC-SDF-Based Whole-Body Motion Planning
Nanyang Technological University（南洋理工大学）；NTU–VinUni Joint Research Laboratory for Embodied AI and Robotics（南洋理工大学-维纳大学具身智能与机器人联合研究实验室）；VinUniversity（维纳大学）
本文提出紧凑型四旋翼空中机械臂QuadHand，结合MRC-SDF多关节机器人中心符号距离场与时空全身轨迹优化，实现复杂环境下安全可执行的空中操作。
2026-09-29 cs.RO
Path Planning with Potential Field-Based Obstacle Avoidance in a 3D Environment by an Unmanned Aerial Vehicle
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
本文研究未知环境下空中机器人的路径规划与避障问题，提出一种基于旋转组件改进 APF 的算法，结合 MPC 跟踪器实现轨迹快速重规划，仿真表明其有效解决了局部极小值问题并生成了更优避障路径。
2023-06-28 cs.RO
Planning for Aerial Robot Teams for Wide-Area Biometric and Phenotypic Data Collection
Iowa State University（爱荷华州立大学）
针对野外生物数据汇集的多无人机平台联合任务分配和路径规划问题，提出了一种有效且可实现的解决方案。与任务相关的传感要求引起了传统的车辆路径问题与覆盖/传感约束的一个不可思议的变种。在多机器人路径规划问题的情况下，我们的问题减少到一个$m$ TSP问题。为了驯服与问题相关的计算挑战，我们提出了一个分层的解决方案，从目标分配问题的车辆路径问题。作为一个有形的分配问题的解决方案，我们使用基于聚类的技术，将时间的不确定性的基数和位置的机器人。最后，我们在我们的多四轴飞行器平台上实现了所提出的技术。
2020-11-03 cs.RO
FIESTA: Fast Incremental Euclidean Distance Fields for Online Motion Planning of Aerial Robots
Hong Kong University of Science and Technology（香港科技大学）
欧几里德符号距离场（ESDF）能方便地查询障碍物的距离和梯度信息，对空中机器人的在线运动规划有重要的应用价值。快速增量式建立ESDF地图是进行实时运动规划的瓶颈。在本文中，我们研究这个问题，并提出了一个映射系统FIESTA逐步建立全球ESDF地图。通过引入两个独立的更新队列分别用于插入和删除障碍物，并使用索引数据结构和双向链表进行地图维护，该算法使用BFS框架更新尽可能少的节点。我们的ESDF地图具有很高的计算性能，并产生接近最佳的结果。理论和实验结果表明，该方法在性能和准确性方面优于其他最新方法。我们将FIESTA集成到一个完整的四旋翼系统，并通过仿真和机载实验进行验证。我们将我们的方法作为开源软件发布给社区。
2019-07-26 cs.RO
Trajectory Planning for Hybrid Unmanned Aerial Underwater Vehicles with Smooth Media Transition
Univ. Fed. do Rio Grande – FURG（里奥格兰德联邦大学）；Univ. Fed. de Minas Gerais（米纳斯吉拉斯联邦大学）；AuRos Robotics；Universidade de Campinas（坎皮纳斯大学）
在过去的十年中，人们在混合无人水下航行器的研究中付出了巨大的努力，这些机器人可以轻松地飞行和潜入水中，具有不同程度的机械适应性。然而，这方面的文献大多集中在物理设计，施工的实际问题，以及最近，低层次的控制策略。在高级智能的背景下，如运动规划和与现实世界的交互方面，几乎没有做过什么。因此，我们在本文中提出了一种轨迹规划方法，允许碰撞避免对未知的障碍物和空中和水生介质之间的平滑过渡。我们的方法是基于经典的快速探索随机树，其主要优点是能够处理障碍物，复杂的非线性动力学，模型的不确定性和外部干扰的变体。该方法使用的动力学模型的\hydrone，一个混合动力车辆提出了高水下性能，但我们相信它可以很容易地推广到其他类型的空中/水上平台。在实验部分中，我们提出了在充满障碍物的环境中的模拟结果，其中机器人被命令执行不同的媒体运动，证明了我们的策略的适用性。
2021-12-27 cs.RO
Dynamic Motion Planning for Aerial Surveillance on a Fixed-Wing UAV
Delhi Technological University（德里理工大学）
提出了一种有效的无人机路径规划算法。特别强调的是最大限度地扩大调查面积，同时坚持无人机的约束和部分已知和更新的环境。在概率路线图构建阶段引入了Voronoi偏差，以识别搜索空间的最大监视的某些关键里程碑。一个运动学上可行的，但粗糙的旅游连接这些里程碑是由全球路径规划器。然后，本地路径规划器基于无人机作为Dubins车辆并考虑任何即将发生的障碍物来生成全局路径的连续节点之间的平滑运动基元。利用马尔可夫决策过程（Markov Decision Process，MDP）对无人机的控制策略进行建模，确定无人机在最小偏离当前路径的情况下规避附近障碍物的最优行动，并在动态和静态障碍物的仿真环境中对所提算法的有效性进行了评估。
2017-05-22 cs.RO
Safe Aerial 3D Path Planning for Autonomous UAVs using Magnetic Potential Fields
Department of Computer Engineering and Software Engineering, Polytechnique Montréal（蒙特利尔理工学院计算机工程与软件工程系）；MILA（蒙特利尔人工智能实验室）
本文提出3DMaxConvNet，通过卷积自编码器从LiDAR点云生成障碍物感知的磁势场，实现高效安全的三维路径规划，在不同城市环境中均取得100%成功率，且运行速度显著优于A*和RRT*(3k)。
2026-05-11 cs.RO
Whole-body motion planning and safety-critical control for aerial manipulation
School of Mechanical and Aerospace Engineering, Nanyang Technological University, Singapore（机械与航空航天工程学院，南洋理工大学，新加坡）；Department of Aerospace Engineering, Seoul National University, South Korea（航空航天工程系，首尔国立大学，韩国）
本文提出基于超级二次曲面的空中操作器全身运动规划与安全关键控制框架，通过融合Voronoi图与平衡流形生成平滑轨迹，并设计高阶控制屏障函数实现碰撞避让，实验验证其在复杂环境中的高效性和鲁棒性。
2026-05-15 cs.RO
Mesh Manifold based Riemannian Motion Planning for Omnidirectional Micro Aerial Vehicles
ETH Zürich（苏黎世联邦理工学院）；Microsoft（微软公司）
本文提出了一种新的在线路径规划方法，使空中机器人与表面的互动。我们提出了一个解决问题的轨迹，驱动机器人对一个表面，并沿着它移动。三角形网格被用来作为一个表面地图表示，是免费的固定离散化，并允许非常大的离散。我们建议利用平面参数化方法来获得原始表面的低维拓扑等价表示。此外，我们解释了原始表面及其低维表示为流形近似，允许使用黎曼运动策略（RMP），从而产生一个高效，通用和优雅的运动生成框架。我们比较几个快速探索随机树（RRT）规划，定制的CHOMP变体，和离散测地线算法。使用广泛的模拟现实世界的数据，我们表明，建议的规划器可以可靠地规划高质量的近最佳轨迹，以最小的计算成本。随附的多媒体附件演示了一个真正的OMAV的可行性。所获得的路径显示小于10%的偏差，从理论上的最佳，同时促进反应性重新规划在kHz的刷新率，使飞行机器人执行运动规划与复杂的表面相互作用。
2021-02-20 cs.RO
Realizing the Aerial Robotic Worker for Inspection Operations
University of Nevada, Reno（内华达大学里诺分校）
本报告概述了一组最近的贡献，在该领域的路径规划，开发，使实现自主空中机器人工作人员进行检查操作。具体的算法贡献解决了机器人检查和探索的几个基本挑战，特别是那些最佳覆盖规划给定的先验已知模型的结构被检查，全覆盖，优化和快速的检查路径规划，以及完全未知的环境和结构的有效探索。所有开发的路径规划器支持完整和非完整系统，并尊重板上的传感器模型和约束。概述所取得的成果，然后是一个集成架构，以便在已知和未知环境中实现完全自主和高效的基础设施检测。
2017-03-08 cs.RO
Risk-aware Path and Motion Planning for a Tethered Aerial Visual Assistant in Unstructured or Confined Environments
Texas A&M University（德克萨斯A&M大学）
本研究旨在发展系留式无人机的路径与运动规划演算法，以视觉辅助非结构化或受限环境中的遥操作主机器人。对于核操作、拆弹小组、灾难机器人和其他具有新任务或高度闭塞环境的领域，实践的新兴状态是使用两个机器人，一个主机器人和一个辅助机器人，作为视觉助手，通过提供外部视角来克服传感器的感知限制。然而，使用助理的好处受到限制，至少有三个原因：（1）用户倾向于选择次优视点，（2）仅考虑地面机器人助手，忽略了用于室内飞行的小型无人驾驶航空器系统的快速发展，（3）为第二遥控机器人引入整个机组人员不是成本有效的，可能引入进一步的团队合作需求，因此可能导致沟通不畅本论文提出以自主式系留空中视觉助手取代辅助机器人及其操作人员。随着预先建立的理论的观点质量的基础上启示，本文旨在定义和表示机器人运动风险在非结构化或受限的环境。基于这些理论，一种新的高层次的路径规划算法的开发，使风险意识规划，平衡之间的权衡，以提供安全和值得信赖的视觉辅助飞行的视点质量和运动风险。然后在系留无人机平台上实现规划的飞行轨迹。感知和致动被定制为以低级运动套件的形式适合系留代理，包括具有可忽略的计算开销的新颖的基于系留的定位模型、基于位置和速度控制的系留机身的运动基元以及两个不同的运动基元。
2020-07-19 cs.RO
Whole-Body Integrated Motion Planning for Aerial Manipulators
School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能系统工程学院）；Differential Robotics Technology Co., Ltd.（差分机器人技术有限公司）
提出一种面向四旋翼空中机械臂的全身一体化运动规划框架，通过灵活航点约束、时空优化与模仿学习，实现复杂任务下的安全可行轨迹生成，并经仿真和真机验证九项操作技能。
2025-09-29 cs.RO
Search-based 3D Planning and Trajectory Optimization for Safe Micro Aerial Vehicle Flight Under Sensor Visibility Constraints
Fraunhofer Institute for Communication, Information Processing and Ergonomics FKIE（弗劳恩霍夫通信、信息处理与工效学研究所FKIE）；University of Bonn（波恩大学）
微型飞行器的安全导航不仅需要根据静态环境地图的无障碍飞行路径，而且还需要对先前未知和动态对象的感知和反应。这意味着机载传感器覆盖了当前的飞行方向。由于微型飞行器的有效载荷有限，传感器对环境的全面覆盖必须与飞行时间相权衡。因此，通常只覆盖环境的一部分。我们提出了一个组合allocentric完整的规划和轨迹优化的方法，考虑到这些传感器的可见性约束。优化后的轨迹在Velodyne Puck Lite 3D激光扫描仪的顶角内产生飞行路径，从而实现低级别的碰撞避免，以感知飞行方向上的障碍物。此外，优化的轨迹考虑到飞行动力学，并包含沿路径的速度和加速度。我们评估我们的方法与大疆矩阵600 MAV和仿真采用硬件在环。
2019-08-28 cs.RO
FC-Planner: A Skeleton-guided Planning Framework for Fast Aerial Coverage of Complex 3D Scenes
The Hong Kong University of Science and Technology（香港科技大学）；Sun Yat-Sen University（中山大学）
本文提出 FC-Planner 骨架引导框架，利用 SSD、骨架视点生成与分层并行规划，实现复杂三维场景无需预处理的快速、完整且短路径无人机覆盖。
2024-09-10 cs.RO
Fast and Safe Aerial Payload Transport in Urban Areas
University of Arizona（亚利桑那大学）
本文研究了在城市地区通过单个四轴飞行器快速安全地进行空中有效载荷运输的问题。四轴飞行器有效载荷系统（QPS）被视为一个刚体，并与非线性动力学建模。城市区域被建模为一个充满障碍物的环境与障碍物的几何形状，通过将现实的激光雷达数据。我们的方法有效载荷运输分解成高层次的运动规划和低层次的轨迹控制。对于低层轨迹跟踪，应用反馈线性化控制来稳定地跟踪四轴飞行器的期望轨迹。对于高级运动规划，我们集成A* 搜索和多项式规划来定义四轴飞行器的安全轨迹，确保避免碰撞、四轴飞行器旋翼速度和跟踪误差的有界性，以及从任意初始位置快速到达目标目的地。
2022-06-21 cs.RO
Design, Contact Modeling, and Collision-inclusive Planning of a Dual-stiffness Aerial RoboT (DART)
School of Manufacturing Systems and Networks, Ira A. Fulton Schools of Engineering, Arizona State University（制造系统与网络学院，伊拉·A·福尔顿工程学院，亚利桑那州立大学）
本文提出双刚度飞行机器人DART，通过锁定机构切换刚性与柔性模式以适应不同环境，并基于线性互补系统理论建立碰撞响应预测模型，推进了空中机器人的包含碰撞轨迹规划。
2025-04-26 cs.RO
Trajectory Planning and Tracking of Hybrid Flying-Crawling Quadrotors
East China University of Science and Technology（华东理工大学）；Fudan University（复旦大学）
针对混合飞行-爬行四旋翼飞行器的混合运动需求，提出含考虑爬行限制的地空路径搜索、适配变形时间的轨迹跟踪的规划跟踪框架，经多场景仿真与实机实验验证性能优异。
2024-05-14 cs.RO
Cooperative Aerial Coverage Path Planning for Visual Inspection of Complex Infrastructures
Luleå University of Technology（吕勒奥理工大学）
本文研究了利用多个无人机对复杂基础设施进行检测（离线三维重建）的协同覆盖路径规划（C-CPP）问题。该方案基于基础设施的先验3D模型，能够为无人机生成多条路径，以便在短时间内实现完整的合作覆盖。最初，被检查的基础设施被水平平面切片，其具有识别结构的分支的能力，并且这些分支将被处理为UAV的路径规划的断点，以基于UAV的当前飞行时间在更短的时间内协作地执行覆盖任务，并且更现实。通过利用SLAM和运动恢复结构方法，利用单目或立体传感器，将从覆盖范围收集的多个数据集合并用于基础设施的离线稀疏和密集3D重建。所提出的C-CPP的性能已经在多个室内和现实的室外基础设施检测实验中进行了实验评估。
2016-12-05 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
Eva-Tracker: ESDF-update-free, Visibility-aware Planning with Target Reacquisition for Robust Aerial Tracking
Dalian University of Technology（大连理工大学）
Eva-Tracker通过无ESDF更新和基于可见性的路径规划，实现更稳健的空中目标跟踪，降低计算开销。
2026-02-13 cs.RO
PolyFly: Polytopic Optimal Planning for Collision-Free Cable-Suspended Aerial Payload Transportation
University of California Berkeley, Department of Electrical Engineering and Computer Sciences（加州大学伯克利分校电子工程与计算机科学系）；Worcester Polytechnic Institute, Robotics Engineering（沃思黑德技术学院机器人工程）
PolyFly通过多面体最优规划实现无碰撞缆悬空空载运输，提升飞行效率和环境适应性。
2026-01-19 cs.RO
PredRecon: A Prediction-boosted Planning Framework for Fast and High-quality Autonomous Aerial Reconstruction
The Hong Kong University of Science and Technology（香港科技大学）；Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）；Sun Yat-Sen University（中山大学）
PredRecon通过表面预测模块从部分重建推断完整表面，并结合分层规划器依次优化全局覆盖、局部MVS性能和轨迹平滑性，实现快速高质量的自主空中三维重建。
2023-02-09 cs.RO
Automated Cinematography Motion Planning for UAVs
本项目研究无人机自动化摄影运动规划算法，使四旋翼在避开障碍物的同时将目标保持在画面内，并完成仿真与测试。
2024-09-01 cs.RO
Sparse-Graph-Enabled Formation Planning for Large-Scale Aerial Swarms
Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院工业控制国家重点实验室（ cyber-systems and control研究所））；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）
针对大规模无人机编队轨迹规划中的维度灾难问题，提出一种保留全局刚性的稀疏图构建方法，在保留30%连接边时实现与完全图相当的误差和恢复性能，并将规划效率提升近一个数量级。
2024-03-26 cs.RO
Model Predictive Control for Optimal Motion Planning of Unmanned Aerial Vehicles
Vietnam National University Hanoi（越南河内国家大学）；Fulbright University Vietnam（富布赖特越南大学）；Duy Tan University（岘港东亚大学）
本文提出一种适用于未知复杂环境的无人机最优运动规划器，通过将局部传感器点云转为体素网格生成轨迹，并利用模型预测控制结合代价函数与约束优化轨迹，实验证明该方法能生成更短更平滑的轨迹且具备更快更稳定的速度曲线和高能效。
2024-10-13 cs.RO
Online Trajectory Optimization for Dynamic Aerial Motions of a Quadruped Robot
Massachusetts Institute of Technology（麻省理工学院）
这项工作提出了一个两部分的框架，在线规划和执行的动态空中运动的四足机器人。运动规划通过质心动量为基础的非线性优化，是一般足以产生丰富的新的动态运动集的基础上，仅根据用户指定的接触时间表和所需的发射速度的机器人。由于这种非线性优化对于实时滚动时域控制来说是不容易处理的，因此在空中运动的准备中经由非线性优化来规划运动一次，然后使用基于变分的最优控制器来连续跟踪运动，该基于变分的最优控制器对存在于实际硬件中的不确定性（诸如建模误差或干扰）提供鲁棒性。运动规划通常需要0.05-0.15秒，而最佳控制器在500 Hz时找到稳定的反馈输入。在MIT Mini Cheetah上的实验结果表明，该框架可以可靠地产生成功的空中运动，如跳上和跳下平台、旋转、翻转、桶形滚转和跨越障碍物的跳跃。
2021-10-12 cs.RO
Star-Convex Constrained Optimization for Visibility Planning with Application to Aerial Inspection
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；The University of Hong Kong（香港大学）
在机器人的许多应用中，可视能力是至关重要的，如检查和监视等。如果没有对目标的可视性的保证，一些任务最终无法完成，甚至失败。在本文中，我们提出了一个可见性保证规划的星凸约束优化。可见空间本质上是星形凸多面体，通过直接在点云上寻找可见点来生成。利用SCP的性质，建立了轨迹优化的可见性约束。弹道被限制在由凸多面体和SCP组成的安全可见的飞行走廊内。我们进一步放宽可见性约束，将有约束的轨迹优化问题转化为无约束的问题，可以可靠有效地求解。为了验证所提出的规划器的能力，我们提出了在现场检查的实际应用。实验结果表明，该方法具有高效性、可扩展性和可视性等优点，具有广泛的应用前景。
2022-04-09 cs.RO
Motion Planning for Aerial Pick-and-Place based on Geometric Feasibility Constraints
Westlake University（西湖大学）；Loughborough University（拉夫堡大学）；Sun Yat-sen University（中山大学）
针对由四旋翼和Delta臂组成的空中机械臂抓取-放置运动规划问题，提出基于几何可行性约束的部分解耦框架，可高效计算轨迹并避障，经真实平台实验验证有效。
2023-06-08 cs.RO cs.SY eess.SY
Autonomous Aerial Manipulation at Arbitrary Pose in SE(3) with Robust Control and Whole-body Planning
Department of Aerospace Engineering（航空航天工程系）；Automation and Systems Research Institute (ASRI)（自动化与系统研究所）；Seoul National University（首尔国立大学）
本文针对全向空中机械臂提出几何鲁棒控制与两步优化全身运动规划框架，使其能在SE(3)任意位姿下于障碍物附近自主完成抓取、拉拽等复杂操作，并通过接近90°和180°俯仰角实验验证了有效性。
2025-08-27 cs.RO
URA*: Uncertainty-aware Path Planning using Image-based Aerial-to-Ground Traversability Estimation for Off-road Environments
Mississippi State University（密西西比州立大学）
本文提出URA*方法，利用集成CNN从航空图像估计非道路可通行性，并通过不确定性感知规划与快速重规划提升自主导航路径质量，在多个数据集上优于传统规划算法。
2023-09-15 cs.AI cs.RO
Connectivity-Aware UAV Path Planning with Aerial Coverage Maps
Department of ECE, Hong Kong University of Science and Technology, Hong Kong（香港科技大学电子工程系）；Department of EIE, The Hong Kong Polytechnic University, Hong Kong（香港理工大学电子工程系）
本文提出了一种利用UAV可控移动来克服地面用户优化的蜂窝网络在空中覆盖不连续问题的连接意识UAV路径规划方法，通过引入两个新指标量化UAV路径的蜂窝连接质量，并利用空中覆盖图提供准确的散射覆盖孔位置，将UAV路径规划问题转化为在连接约束下寻找最短路径的问题。
2019-06-01 cs.NI cs.RO cs.SY
Wind-Aware Optimal Trajectory Planning for Efficient Gliding of Fixed-Wing Aerial Systems
New York University（纽约大学）；University of California Berkeley（加州大学伯克利分校）
本文提出非线性多目标轨迹规划器，通过伯恩斯坦多项式生成三次连续轨迹，结合风速估算优化滑翔性能，实验证明在风扰和障碍物情况下具有稳定性和可靠性。
2026-05-15 cs.RO
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs)
Center for Technologies in Robotics and Mechatronics Components, Innopolis University（英诺波利斯大学机器人与机电一体化组件技术中心）
我们探索路径规划其次是运动动力学平滑，同时确保车辆动力学的可行性微型飞行器。为此，我们选择了基于几何的运动规划技术\textquotedblleft RRT* \textquotedblright \;。在所提出的技术中，我们修改了原始RRT* 引入自适应搜索空间和转向功能，这有助于增加规划器的一致性。此外，我们提出了多个RRT*，它产生一组所需的路径，提供了最佳的路径是其中选择。然后，应用运动动力学平滑技术，得到动态可行的无障碍路径，并利用b样条曲线生成未知环境下的自主机动轨迹。最后，我们在各种模拟环境中测试了所提出的技术。
2020-08-29 cs.CV cs.RO math.OC
MASPA: An efficient strategy for path planning with a tethered marsupial robotics system
University of Seville（塞维利亚大学）
本文针对有袋机器人系统提出了一种基于空间离散化的路径规划策略，通过利用系绳凸性和障碍物几何特征高效确定UAV可行起飞点，显著缩短路径长度并在数秒内求解，优于RRT*基线算法。
2024-12-23 cs.RO
Relative Positioning for Aerial Robot Path Planning in GPS Denied Environment
CQUniversity Australia（澳大利亚中央昆士兰大学）
针对丛林火灾场景下GPS信号不可靠导致的自主无人机初始定位难题，提出相对定位方案，使无人机群无需GPS即可建立与基地的相对位置，完成灾区侦察并返航。
2024-09-16 cs.AI cs.RO
Multi-UAV Adaptive Path Planning Using Deep Reinforcement Learning
University of Bonn（波恩大学）
有效的航空数据汇集在许多遥感应用中是重要的。在大规模监测场景中，部署一组无人驾驶飞行器（UAV）可以提高空间覆盖范围和对个别故障的鲁棒性。然而，一个关键的挑战是无人机的合作路径规划，以有效地实现联合任务的目标。提出了一种新的基于深度强化学习的多智能体信息路径规划方法，用于无人机团队自适应地形监测场景。我们引入了新的网络特征表示，以有效地学习在3D工作空间中的路径规划。通过利用反事实基线，我们的方法明确地解决了信用分配学习合作行为。我们的实验评估表明，改进的规划性能，即更快地映射感兴趣的区域，相对于非反事实的变体。合成和现实世界的数据的结果表明，我们的方法具有优越的性能相比，最先进的非学习为基础的方法，同时可转移到不同的团队规模和沟通的限制。
2023-03-02 cs.RO
Robust Collision-free Lightweight Aerial Autonomy for Unknown Area Exploration
ETRI（韩国电子通信研究院）；KAIST（韩国科学技术院）；NASA-JPL（美国国家航空航天局喷气推进实验室）；California Institute of Technology（加州理工学院）
无碰撞路径规划是在未知环境中进行自主探索的基本要求，特别是在受限空间或障碍物附近时。本研究提出了一种使用小型无人机的自主探索技术。设计了一种基于激光雷达测距的局部端点选择方法，并生成从当前位置到所选端点的路径。采用基于欧氏距离场的网格搜索方法，生成的路径实时显示一致的无碰撞路径。仿真结果一致表明了所提出的路径规划方法的安全性和可靠性。在三个不同的矿井中进行了真实世界的实验，展示了在各种结构条件的环境中成功的自主探测飞行。结果表明，所提出的轻型空中机器人系统的飞行自主框架的高性能。此外，我们的无人机在DARPA地下挑战赛的隧道赛道比赛（第一阶段）中执行自主任务。
2021-03-16 cs.RO
Efficient Path Planning and Tracking for Multi-Modal Legged-Aerial Locomotion Using Integrated Probabilistic Road Maps (PRM) and Reference Governors (RG)
California Institute of Technology（加州理工学院）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Northeastern University（东北大学）
已经有几个成功的生物启发的足式机器人的实现，可以小跑，步行，跳跃健壮，即使在存在重大的意外干扰。尽管取得了这些成就，但多模态腿式系统的实际控制和高级决策算法却被忽视了。在自然界中，鸟类等动物令人印象深刻地展示了多种移动模式，包括腿和空中运动。它们能够在巨大的墙壁、狭小的空间上进行稳健的运动，并且可以从不可预测的情况中恢复，例如突然的阵风或光滑的表面。受这些动物的多功能性和结合腿和空中机动性来适应环境的能力的启发，我们的主要目标是设计和控制足式机器人，在一个平台上集成两种完全不同的运动形式，地面和空中机动性。我们的机器人，赫斯基碳，正在开发集成空中和腿部运动，并转换之间的腿部和空中移动。本研究利用参考调速器（RG）来维持腿式移动的效率，并使用概率路径图（PRM）和3D A* 算法来产生基于腿式移动和空中移动的能量成本的最优路径
2022-05-12 cs.RO cs.SY eess.SY
Disturbance-Aware Flight for Aerial Robots in Narrow Space
School of Robotics and Automation, Nanjing University（南京大学机器人与自动化学院）
针对无人机在狭窄空间自主飞行因干扰和空间受限面临的挑战，提出干扰感知规划与控制框架DAPCF，通过双环观测器估计干扰、引入干扰风险函数及设计MDNMPC，使四旋翼能穿越狭窄隧道，性能优于人类飞行员。
2026-07-21 cs.RO
Information-driven Path Planning for Hybrid Aerial Underwater Vehicles
Shanghai Jiao Tong University（上海交通大学）
提出了一种新的快速探索自适应采样树（RAST）算法，用于海气三维环境下混合式航空水下航行器（HAUV）的自适应采样任务。该算法创新性地结合了基于竞赛的选点采样策略、信息启发式搜索过程和快速探索随机树（RRT）算法框架。因此，可以引导车辆到感兴趣的区域的科学家进行采样，并生成一个无碰撞的路径，最大限度地收集信息的HAUV的海流或风的环境影响和有限的预算的约束下。仿真结果表明，快速搜索自适应采样树算法比快速探索信息收集树（RIGT）算法和粒子群优化（PSO）算法具有更高的寻优性能、更快的求解速度和更好的稳定性。
2022-04-08 cs.RO cs.SY eess.SY
Receding Horizon Navigation and Target Tracking for Aerial Detection of Transient Radioactivity
University of Delaware（特拉华大学）
针对四旋翼\ac{mav}在复杂的未知动态环境中进行被动导航和拦截运动目标的问题，提出了一种滚动时域规划与控制策略。利用在相对窄且短的\ac{fov}内生成点云的轻量级短程传感器以及在\ac{mav}上运行的基于\acs{ssd} -MobileNet的深度神经网络，所提出的运动规划和控制策略在传感器\acs{fov}内产生安全且动态可行的\ac{mav}轨迹，车辆使用该轨迹来自主导航、追踪和拦截其移动目标。该任务的完成不依赖于全局规划器或关于环境或移动目标的先验信息。在最大速度为4.5 ~ 5 m/s的复杂室内和室外环境中，数值和实验结果表明了该规划器的有效性。
2022-06-04 cs.RO
Path Planning Algorithms for Robotic Aquaculture Monitoring
无人机在快速有效地监控大面积区域方面具有巨大潜力。水产养殖是一个需要连续的水质数据来成功种植和收获鱼类的行业。混合空中水下机器人系统（HAUCS）旨在收集水产养殖池塘的水质数据，以降低农民的劳动力成本。无人机覆盖水产养殖场每个鱼塘的路线可以简化为车辆路线问题。创建数据集以模拟农场上池塘的分布，并用于评估HAUCS路径规划算法（HPP）。它的性能相比，谷歌线性优化包（GROP）和图形注意力模型（AM）的路由问题。对于50到200个池塘，GROP是最有效的求解器，但代价是运行时间较长，而对于大于200个池塘的实例，HPP在解决方案质量和运行时间方面优于其他方法。
2022-04-20 cs.RO
Autonomous visual inspection of large-scale infrastructures using aerial robots
Luleå University of Technology（吕勒奥理工大学）
本文提出了一种新的框架，通过建立一个具有强大的定位，规划和感知能力的全自主微型飞行器（MAV）团队，围绕3D基础设施进行视觉检测。拟议的空中检查系统在大规模上达到了高度的自主性，同时将空中机器人的实际部署推向了极限。在所提出的方法中，部署的MAV的结构的检查只依赖于他们的机载计算机和传感系统。开发的框架设想了一个模块化系统，结合了本地化，路径规划和映射领域的开放式研究挑战，具有快速现场部署和减少执行时间的整体能力，可以根据操作员的需求重复执行检查任务。所建立的系统的架构包括：1）一个基于几何的路径规划器的覆盖复杂结构的多个微型飞行器，2）一个准确而灵活的定位组件，它提供了一个精确的姿态估计的微型飞行器，通过使用超宽带融合惯性估计方案，和3）视觉数据后处理方案的三维模型的建立。所提出的框架的性能已经在多个真实的室外现场试验中得到了实验证明，所有这些试验都集中在风力涡轮机的具有挑战性的结构上作为主要测试用例。成功的实验结果，描绘了所提出的自主导航系统的优点，使技术对空中机器人检查。
2019-01-16 cs.RO
Remote ID Spoofing-Aware Trajectory Planning for Small Unmanned Aerial Systems
针对小型无人机在RID位置欺骗攻击下的轨迹规划问题，提出分散式欺骗感知框架，利用物理层观测评估广播可信度，检测定位欺骗代理，集成到规划器中，仿真显示可减少近空中碰撞事件且保持计算效率。
2026-07-23 cs.MA 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
Optimal Path Planning for Aerial Load Transportation in Complex Environments using PSO-Improved Artificial Potential Fields
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
本文提出一种基于PSO改进人工势场的方法，用于四旋翼吊挂载荷在复杂环境中的最优路径规划，通过优化势场系数并采用滑模控制，实现避障与最短路径运输。
2023-11-17 cs.RO cs.SY eess.SY
AirHunt: Bridging VLM Semantics and Continuous Planning for Efficient Aerial Object Navigation
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Department of Mechanical and Energy Engineering, Southern University of Science and Technology（南方科技大学机械与能源工程系）；Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系）；Department of Physics, Southern University of Science and Technology（南方科技大学物理系）
AirHunt通过融合视觉语言模型语义与连续规划，实现高效空中物体导航，提升开放集物体定位的准确性和效率。
2026-01-19 cs.AI cs.RO
