Stochastic Path Planning in Correlated Obstacle Fields
Department of Mathematics and Statistics, Auburn University(数学与统计学系,阿伯杜大学)
针对障碍物空间相关且状态不确定的导航难题,提出基于高斯随机场建模、两阶段学习的路径规划框架,经理论验证与实验证明性能优于基线,可应对复杂灾害类导航挑战。
2025-10-21 cs.LG stat.CO stat.ML
Overhang Tower: Resource-Rational Adaptation in Sequential Physical Planning
研究探讨了人类在资源受限下如何通过物理预测机制和规划策略的双重转变实现连续物理规划,揭示了资源理性架构在计算成本与预测精度之间的灵活平衡。
2026-04-10 cs.AI
Computational Tradeoff in Minimum Obstacle Displacement Planning for Robot Navigation
University of Genoa(热那亚大学)
本文从移动机器人运动规划的角度研究了最小障碍位移规划问题。该问题通过移动障碍物来寻找到达目标的最优路径,而移动障碍物由于与障碍物碰撞而不存在路径。然而,这个问题是计算上昂贵的,并且在可移动障碍物的数量的大小上呈指数增长。这项工作着眼于近似的解决方案,是计算密集度较低,从最佳解决方案的最佳成本的一个因素不同。
2023-02-14 cs.AI cs.RO
Minimum Displacement Motion Planning for Movable Obstacles
University of Genoa(热那亚大学)
本文提出了一个最小位移运动规划问题,其中障碍物的最小位移量,以找到一个可行的路径。我们定义了一个度量的机器人障碍物相交的交叉和使用此惩罚机器人障碍重叠。采用实际的机器人动力学,规划者首先找到一条路径,通过障碍物,最大限度地减少机器人障碍物的交叉点。然后,该度量被用来迭代地取代障碍物,以实现一个可行的路径。提供了几个例子,成功地证明了所提出的问题。
2022-04-27 cs.AI cs.RO
Learning Obstacle Representations for Neural Motion Planning
Inria(法国国家信息与自动化研究所);École normale supérieure(巴黎高等师范学院);CNRS(法国国家科学研究中心);PSL Research University(巴黎文理研究大学);University Grenoble Alpes(格勒诺布尔大学);Grenoble INP(格勒诺布尔理工学院)
运动规划和避障是机器人应用中的关键挑战。虽然先前的工作成功地为已知环境提供了优秀的解决方案,但在新的动态环境中基于传感器的运动规划仍然很困难。在这项工作中,我们解决基于传感器的运动规划从学习的角度来看。在视觉识别的最新进展的动机,我们认为学习适当的表示运动规划的重要性。我们提出了一个新的障碍表示的基础上的PointNet架构和训练它与避障政策。我们的实验评估我们的方法在具有挑战性的环境中的刚体运动规划,并展示了显着的改进,在准确性和效率方面的最先进的。
2020-11-07 cs.AI cs.CV cs.LG
TowerMind: A Tower Defence Game Learning Environment and Benchmark for LLM as Agents
Newcastle University(新castle大学);University of Auckland(奥克兰大学)
本文提出TowerMind,一个基于塔防子类型的轻量级、多模态游戏环境,用于评估大语言模型在长期规划和决策中的能力,并揭示其与人类专家的性能差距及关键局限性。
2026-05-26 cs.AI
PushWorld: A benchmark for manipulation planning with tools and movable obstacles
Intrinsic Innovation(Intrinsic创新公司);DeepMind(深度思维);Stanford University(斯坦福大学)
虽然人工智能的最新进展已经在星际争霸和围棋等环境中实现了人类水平的性能,但许多物理推理任务对现代算法仍然具有挑战性。到目前为止,很少有算法已经评估的物理任务,涉及操纵对象时,存在可移动的障碍物,必须使用工具来执行操作。为了促进对此类任务的研究,我们引入了PushWorld,这是一个具有简单物理学的环境,需要使用可移动障碍物和工具进行操纵规划。我们在PDDL和OpenAI Gym环境中提供了超过200个PushWorld谜题的基准测试。我们在这个基准上评估了最先进的经典规划和强化学习算法,我们发现这些基线结果低于人类水平的性能。然后,我们提供了一个新的经典的规划启发式,解决了基线中的大多数难题,虽然它比最好的基线规划器快40倍,但它仍然低于人类水平的性能。
2023-02-01 cs.AI
A Horizon-slicing Approach to Minimum Obstacle Displacement Planning for Robot Navigation
IIIT Hyderabad(海得拉巴国际信息技术学院);University of Genoa(热那亚大学)
本文研究机器人导航中的最小障碍物位移规划问题,证明其NP难,并提出一种计算强度较低、可在路径长度与障碍物位移量间权衡的近似解。
2026-09-22 cs.AI cs.RO
Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance
Faculty of Mathematics, Physics and Informatics, Comenius University Bratislava(布拉迪斯拉发夸美纽斯大学数学、物理与信息学院)
研究机器人轨迹规划问题,提出基于自监督学习框架,利用正反模型作监督机制,在含障碍物环境下规划轨迹,实验证明方法可行,针对规划器问题提出并评估了额外训练机制和缓解策略。
2026-07-24 cs.AI cs.LG cs.RO
Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments
University of Verona(维罗纳大学)
本文提出融合MCTS与VO的在线运动规划方法,仅依赖障碍物当前位置和最大速度,在多达40个动态障碍物场景中提升安全性、效率与任务表现。
2025-01-16 cs.AI cs.RO
DPMPC-Planner: A real-time UAV trajectory planning framework for complex static environments with dynamic obstacles
Carnegie Mellon University(卡内基梅隆大学)
由于环境结构复杂、动态障碍物、测量噪声和不可预测的移动障碍物行为等不确定性,无人机的安全导航具有挑战性。虽然最近的大量工作实现了复杂的静态环境中的安全导航与复杂的映射算法,如占用地图和ESDF地图,这些方法不能可靠地处理动态环境中由于移动障碍物的映射限制。为了解决这个问题,本文提出了一个轨迹规划框架,以实现安全导航,考虑复杂的静态环境与动态障碍。为了可靠地处理动态障碍物,我们将环境表示分为静态映射和动态对象表示,这可以通过计算机视觉方法来获得。我们的框架首先生成一个静态轨迹的基础上提出的迭代走廊收缩算法。然后,反应机会约束模型预测控制与时间目标跟踪应用于避免动态障碍物的不确定性。在各种环境下的仿真结果表明,我们的算法在复杂的静态环境中的动态障碍物的安全导航的能力。
2022-03-12 cs.AI cs.RO
A Safer Vision-based Autonomous Planning System for Quadrotor UAVs with Dynamic Obstacle Trajectory Prediction and Its Application with LLMs
Wuhan University(武汉大学);ETH Zürich(苏黎世联邦理工学院);WFLS(武汉外国语学校);HUST(华中科技大学)
本文提出一种基于视觉的无人机自主规划系统,结合动态障碍物跟踪与轨迹预测,利用B样条搜索优化轨迹,在仿真和真实环境中验证了实时避障的可靠性,并探索了与LLMs的集成。
2023-12-23 cs.AI cs.CV cs.RO
POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
提出可嵌入的 POA 规划器,通过识别可通行与不可通行障碍物,让两轮机器人在高度杂乱环境中穿越可通行障碍,并较 GVD、A*、RRT* 最多缩短路径 43%、时间 39%。
2023-07-16 cs.AI cs.RO
Bypassing or flying above the obstacles? A novel multi-objective UAV path planning problem
University of Haute-Alsace(上阿尔萨斯大学);University of Lille(里尔大学);CNRS(法国国家科学研究中心);Centrale Lille(里尔中央理工学院)
针对无碰撞离散无人机路径规划问题,提出了一种新的多目标整数规划模型。考虑到绕过障碍物或在障碍物上方飞行的可能性,本研究旨在同时最小化路径长度、能量消耗和最大路径风险。静态环境表示为3D网格单元。由于该问题的NP-难性质,几个国家的最先进的进化多目标优化(EMO)算法与定制的交叉和变异算子,以找到一组非支配的解决方案。结果表明,应用算法在解决几个生成的测试用例的有效性。
2020-04-12 cs.AI cs.RO eess.SP
Search-Based Path Planning in Interactive Environments among Movable Obstacles
Shanghai Jiao Tong University(上海交通大学);Carnegie Mellon University(卡内基梅隆大学);University of Maryland(马里兰大学)
本文研究了PAMO问题,通过利用启发式引导搜索部分状态空间,提出了具备完备性和最优性保证的PAMO*及其连续空间扩展算法,实现了在复杂环境中快速规划最优路径。
2025-03-06 cs.AI cs.RO
Self-Supervised Learning-Based Path Planning and Obstacle Avoidance Using PPO and B-Splines in Unknown Environments
Department of Mechanical Engineering Univerisity of New Hampshire Durham, New Hampshire, USA(机械工程系 新罕布什尔大学 布鲁克林, 新罕布什尔州, 美国);Department of Mechanical Engineering The Citadel School of Engineering Charleston County, South Carolina, USA(机械工程系 蒂 Citadel 工程学院 查尔斯顿县, 南卡罗来纳州, 美国)
针对未知环境下自主机器人实时路径规划与避障需求,提出结合PPO、CNN与Actor-Critic架构的自监督学习框架SmartBSP,经仿真与ROS实时实验验证其具备良好鲁棒性与适应性。
2025-09-01 cs.AI cs.RO
An Integrated Localisation, Motion Planning and Obstacle Avoidance Algorithm in Belief Space
University of Genoa(热那亚大学)
随着机器人越来越多地被用于接近人类和物体,机器人必须在现实世界条件下安全有效地运行。然而,环境很少被完全了解。噪声传感器和致动误差复合到在估计环境特征时引入的误差。我们提出了一种新的方法(1)将这些不确定性的机器人状态估计和(2)计算碰撞的概率有关的估计机器人配置。给出了碰撞概率的无穷级数表达式,并证明了其收敛性。截断误差的上界也来自和所需的条款的数量证明通过分析不同的机器人和障碍配置的收敛性。我们评估我们的方法,使用两个模拟域,使用基于路线图的策略来合成满足碰撞概率界限的轨迹。
2021-01-27 cs.AI cs.RO
SERA: Safe and Efficient Reactive Obstacle Avoidance for Collaborative Robotic Planning in Unstructured Environments
在工业4.0时代,非结构化环境中多个机器人之间的安全高效协作变得越来越重要。然而,实现人类和其他机器人之间的鲁棒和自主协作需要现代机器人系统具有有效的接近感知和反应性避障。在本文中,我们提出了一种新的方法,反应全身避障,确保无冲突的机器人,机器人之间的互动,即使在动态环境中。与现有的基于Jacobian类型、基于采样或几何技术的方法不同,我们的方法利用了最新的深度学习进展和拓扑流形学习,使其能够以高计算效率和快速图遍历技术轻松推广到其他问题设置。我们的方法允许机器人手臂在没有直接接触的情况下主动避开任意3D形状的障碍物,这是对传统工业协作机器人设置的重大改进。为了验证我们的方法,我们在一个机器人平台上实现了它,该平台由具有优化的接近传感器位置的双6自由度机械臂组成,能够在不同程度的干扰下协同工作。具体而言,一只手臂在实现其预定目标的同时执行反应性全身避障,而另一只手臂则模仿具有独立和潜在对抗性运动的人类合作者的存在。我们的方法为非静止环境中的安全人机协作提供了一个强大而有效的解决方案。
2023-03-28 cs.AI cs.RO
Analysis of Optimality of Large Language Models on Planning Problems
本文研究了大型语言模型在规划问题中的最优性,通过Blocksworld领域和Path-Star图任务,发现增强推理的LLM在复杂多目标配置中显著优于传统规划器,且能精确跟踪理论最优限。
2026-04-03 cs.AI cs.CL
AutoDrone: Shortest Optimized Obstacle-Free Path Planning for Autonomous Drones
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);TEOCO Software Pvt. Ltd.(TEOCO软件私人有限公司)
随着技术的进步,无人机已经成为可以由人类控制飞行或到达目的地的无人驾驶飞行器。这也可以是自主的,其中无人机本身足够智能,可以找到从指定源到达目的地的最短无障碍路径。无论是规划中的智慧城市,还是受自然灾害影响的废墟,我们都可以将建筑物、任何表面竖立的结构或其他障碍物想象为无人机在直线视线路径上飞行的障碍物。为了解决无人机的这种路径规划,首先将整个景观的鸟瞰图转换为网格单元图,其中一些被占用表示障碍物,一些被占用表示自由路径,提出了一种在GPS导航坐标系中寻找最短无障碍路径的方法。因此,自动无人机(AutoDrone)将能够沿着最短路径从一个地方移动到另一个地方,而不会在二维空间中行驶时遇到障碍物。还阐述了将其扩展到长途旅行和3D空间的启发式。我们的方法在救援行动和以节能方式快速交付或拾取方面特别有益,我们的算法将有助于找出最短路径和飞行角度。在地图布局和障碍物位置的不同场景下进行实验,以了解由自主无人机计算的最短可行路线。
2021-12-03 cs.AI cs.RO
Genetic Algorithm Based System for Path Planning with Unmanned Aerial Vehicles Swarms in Cell-Grid Environments
University of A Coruna(拉科鲁尼亚大学);Faculty of Computer Science(计算机学院);CITIC
针对含固定障碍物环境中的多无人机全覆盖路径规划问题,提出一种基于遗传算法的进化计算系统,可在无目标点和额外先验信息下最小化飞行时间与资源消耗。
2024-12-04 cs.AI cs.RO
JPPD: Joint Prediction_Planning Diffusion with Differentiable Safety Guidance for Dynamic Obstacle Avoidance in Intelligent Transportation Systems
The University of Hong Kong(香港大学);Guangzhou College of Commerce(广州商学院)
提出联合预测-规划扩散框架,将参与者预测与机器人规划视为条件轨迹生成问题,通过可微安全势引导和条件流匹配提升共享空间中的安全性与效率。
2026-06-23 cs.AI cs.RO
Convex Risk Bounded Continuous-Time Trajectory Planning and Tube Design in Uncertain Nonconvex Environments
MIT, Computer Science;Artificial Intelligence Laboratory. These authors contributed equally to the paper.
针对含概率障碍物的不确定非凸动静环境,本文利用风险等值线将规划转化为确定性优化,并通过平方和凸优化实现无时间离散化的连续时间风险有界轨迹及最大安全管设计。
2023-06-04 cs.AI cs.RO math.OC