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
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
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
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
Path Planning with Kinematic Constraints for Robot Groups
University of Southern California(南加州大学)
多个机器人的路径规划在AI和机器人领域得到了很好的研究。对于给定的离散化环境,机器人需要找到一组指定的目标位置的无碰撞路径。机器人可以是完全匿名的,非匿名的,也可以是有组织的。虽然这个抽象的问题存在强大的解决方案,他们通过忽略运动学约束简化假设,使其难以使用实际的机器人产生的计划。在本文中,我们提出了一种解决方案,它需要考虑运动学约束,如最大速度,同时保证用户指定的最小安全距离之间的机器人。我们展示了我们的方法在模拟和真实的机器人在2D和3D环境中。
2017-04-25 cs.AI cs.RO
Deep Reinforcement Learning for Motion Planning of Mobile Robots
Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所 IIS);Friedrich-Alexander-University Erlangen-Nuremberg (FAU)(弗里德里希-亚历山大-埃尔兰根-纽伦堡大学(FAU))
本文提出了一种新的运动和轨迹规划算法的非完整移动机器人,使用深度强化学习的最新进展。从随机初始状态开始,即,位置,速度和方向,机器人达到任意的目标状态,同时考虑运动学和动力学约束。我们的深度强化学习代理不仅处理连续的状态空间,还执行连续的动作,即,车轮的加速度和转向角的自适应。我们评估我们的运动和轨迹规划的移动机器人在仿真环境中的差分驱动。
2019-12-19 cs.AI cs.RO
Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems
UC Santa Barbara(加州大学圣芭芭拉分校);Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学);MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室);Cisco Research(思科研究)
本文提出了一种混合多机器人控制框架,通过引入路标和课程训练策略,解决多机器人任务和运动规划的联合优化问题,提升了任务成功率。
2026-04-22 cs.AI cs.RO
Simultaneous Task Allocation and Planning Under Uncertainty
我们提出了新的技术任务分配和规划的多机器人系统在不确定的环境中运行。任务分配与规划同时进行,这提供了有关单个机器人行为的更详细信息,但也利用了任务之间的独立性来有效地完成任务。我们使用马尔可夫决策过程来模拟机器人的行为和线性时序逻辑来指定任务和安全约束。基于形式化验证的技术和工具,我们展示了如何生成一系列的多机器人策略,如果单个机器人失败,则迭代地改进它们以重新分配任务,并提供概率保证机器人团队的性能(和安全操作)。我们实现我们的方法,并评估它的基准多机器人的例子。
2018-08-10 cs.AI cs.RO
RobotFleet: An Open-Source Framework for Centralized Multi-Robot Task Planning
本文提出开源框架RobotFleet,利用LLM进行集中式多机器人任务规划与调度,通过模块化自主技术栈和容器化服务抽象,降低构建可扩展异构多机器人系统的门槛。
2025-10-12 cs.AI cs.MA cs.RO
Counterexample Guided Inductive Optimization Applied to Mobile Robots Path Planning (Extended Version)
Federal Institute of Amazonas(亚马逊联邦学院);Federal University of Amazonas(亚马逊联邦大学);University of Oxford(牛津大学)
我们描述和评估一种新的基于反例引导归纳优化(CEGIO)技术的移动机器人离线路径规划算法。CEGIO迭代地采用从布尔可满足性(SAT)和可满足性模理论(SMT)求解器生成的反例,以指导优化过程并确保全局优化。本文是CEGIO在移动机器人路径规划中的首次应用,特别是CEGIO已经成功地应用于使用现成的SAT和SMT求解器获得自主移动机器人的最优二维路径。
2017-08-14 cs.AI cs.RO
Experience-based Refinement of Task Planning Knowledge in Autonomous Robots
School of Computing and Engineering, University of Huddersfield(哈德斯菲尔德大学计算与工程学院);School of Human and Health Sciences, University of Huddersfield(哈德斯菲尔德大学人类与健康科学学院)
本文提出利用机器人动作执行经验来细化任务规划领域知识,并在NAO机器人上验证,以提高任务计划成功率并随时间降低失败率。
2025-04-19 cs.AI cs.RO
Using Deep Learning to Bootstrap Abstractions for Hierarchical Robot Planning
Arizona State University(亚利桑那州立大学)
本文讨论了学习抽象的问题,提高机器人规划性能,同时提供强有力的可靠性保证。尽管最先进的分层机器人规划算法允许机器人有效地计算用于实现用户期望的任务的长期运动计划,但是这些方法通常依赖于需要由专家手工设计的环境依赖的状态和动作抽象。我们提出了一种新的方法,引导整个层次规划过程。这使我们能够使用深度神经网络预测的关键区域自动计算新环境的抽象状态和动作,该深度神经网络具有自动生成的机器人特定架构。我们表明,学习的抽象可以使用一种新的多源双向分层机器人规划算法,是健全的和概率完整的。使用完整和非完整机器人对20种不同设置进行的广泛的经验评估表明:(a)我们学习的抽象提供了有效的多源层次规划所需的信息;以及(b)这种学习、抽象和规划的方法在训练过程中没有看到的测试环境的规划时间方面比最先进的基线高出近10倍。
2022-04-24 cs.AI cs.LG cs.RO
Experimental Comparison of Global Motion Planning Algorithms for Wheeled Mobile Robots
University of Southern California(南加利福尼亚大学);Robert Bosch GmbH(罗伯特·博世股份有限公司)
规划轮式移动机器人的平稳和节能运动是从自动驾驶到服务和内部物流机器人应用的中心任务。在过去的几十年里,针对此类非完整系统提出了各种各样的运动规划器、转向函数和路径改进技术。为了比较各种最先进的运动规划技术,我们为轮式移动机器人引入了一种新的开源运动规划基准,其场景类似于现实世界的应用程序(如导航仓库,在混乱的城市或停车),并提出了规划效率和路径质量的指标。我们的基准易于使用和扩展,因此允许从业者和研究人员轻松评估新的运动规划算法,场景和指标。我们使用我们的基准来突出几个常见的最先进的运动规划器的优点和缺点,并提供何时应该使用它们的建议。
2020-03-07 cs.AI cs.RO
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
LLM+MAP: Bimanual Robot Task Planning using Large Language Models and Planning Domain Definition Language
University of Hamburg(汉堡大学)
本文提出LLM+MAP框架,结合LLM推理与基于PDDL的多智能体规划,解决双臂机器人长程任务的分解与分配问题,并在仿真中验证其优于多种直接使用LLM的规划方法。
2025-03-21 cs.AI cs.RO
Reinforcement Learning in Robotic Motion Planning by Combined Experience-based Planning and Self-Imitation Learning
University of Groningen(格罗宁根大学)
针对机器人运动规划中高质量数据收集困难的问题,提出嵌入经验规划的SILP+算法,通过策略成功状态生成演示提升性能,在仿真与实体机器人实验中均实现更优训练效率和成功率。
2023-06-11 cs.AI cs.RO
Scalable and Probabilistically Complete Planning for Robotic Spatial Extrusion
Massachusetts Institute of Technology(麻省理工学院)
对能够制造3D结构的自动化系统的需求日益增加。机器人空间挤出已成为传统的基于层的3D打印的一种有吸引力的替代方案,这是由于机械手打印大型方向依赖结构的灵活性。然而,现有的挤出规划算法需要大量的人工输入,不能扩展到大型实例,并且缺乏理论保证。在这项工作中,我们提出了一个严格的形式化的机器人空间挤压规划,并提供了几个有效的和概率完整的规划算法。在整个打印过程中,关键的规划挑战是满足限制结构变形的刚度约束和确保机器人不与结构碰撞的几何约束。我们表明,虽然这些约束往往相互冲突,贪婪的向后状态空间搜索指导的刚度意识启发式能够成功地平衡这两个约束。我们经验比较我们的方法的基准超过40模拟挤出问题。最后,我们将我们的方法应用于3个现实世界的挤出问题。
2020-02-06 cs.AI cs.RO
Prioritized Planning Algorithms for Trajectory Coordination of Multiple Mobile Robots
自主多机器人系统的一个重要性能是防止机器人之间的碰撞。解决这个问题的一种方法是规划无冲突的轨迹,并让每个机器人遵循其预先规划的轨迹。多机器人轨迹规划的一种实用方法是优先规划法,该方法在实践中已被证明是有效的,但在一般情况下是不完整的。通过优先规划可证明可解决的实例的正式分析仍然缺失。此外,优先规划是集中式算法,这在许多情况下可能是不期望的。在本文中,我们a)提出了一个修订版本的优先规划和特征的类的实例,可证明可解决的算法和b)提出了一个异步分散的优先规划的变体,它保持了集中式版本的理想属性,并在同一时间利用分布式计算能力的个人机器人,这在大多数情况下,允许找到关节轨迹更快。在真实室内地图上进行的实验评估表明,a)优先规划的修订版本可靠地解决了经典优先规划和流行的反应式技术ORCA失败的广泛类别的实例,b)异步分散算法提供的解决方案比以前提出的同步分散算法更快。
2014-09-08 cs.AI cs.MA cs.RO
Distributing Collaborative Multi-Robot Planning with Gaussian Belief Propagation
Imperial College London(帝国理工学院)
当许多机器人必须在狭小的空间中一起工作时,前向时间窗口上的精确协调规划可以实现安全和高效的运动,但这通常需要对所有设备进行集中控制,这很难扩展。我们展示了GBP规划,一个新的纯分布式技术的基础上高斯置信传播的多机器人规划问题,制定了一个通用的因素图定义动态和碰撞约束在一个向前的时间窗口。在模拟中,我们表明,我们的方法允许高性能的协作规划,机器人能够在繁忙,复杂的场景中相互交叉。即使在通信故障的情况下,它们也比其他分布式规划技术保持更短,更快和更平滑的轨迹。我们鼓励读者在https://youtu.be/8VSrEUjH610上观看随附的视频演示。
2023-01-26 cs.AI cs.MA cs.RO
Multi-robot Path Planning in Well-formed Infrastructures: Prioritized Planning vs. Prioritized Wait Adjustment (Preliminary Results)
Peoples’ Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(RUDN大学));Federal Research Center “Computer Science and Control” of Russian Academy of Sciences(俄罗斯科学院“计算机科学与控制”联邦研究中心);National Research University Higher School of Economics(高等经济学院国家研究大学)
研究了一类同质机器人的无碰撞路径规划问题。我们提出了一种新的方法,用于将机器人自我中心地规划的路径,例如,不考虑其他机器人的移动,变成无碰撞的轨迹,并根据经验进行评估。建议的算法比最先进的算法快得多(高达一个数量级),但这是以解决方案成本显著下降为代价的。
2018-07-05 cs.AI cs.MA cs.RO
Grasp and Motion Planning for Dexterous Manipulation for the Real Robot Challenge
Toyota Technological Institute at Chicago(芝加哥丰田技术研究院);Toyota Technological Institute(丰田技术研究院)
本报告介绍了我们在真实机器人挑战赛(https://real-robot-challenge.com/)中的获奖作品。真正的机器人挑战赛是一个三阶段的灵巧操纵比赛,涉及使用TriFinger平台操纵各种矩形物体。我们的方法结合了运动规划与几个运动基元来操纵对象。对于阶段1和阶段2,我们还在模拟中学习了一个残差策略,该策略在控制器上应用纠正措施。我们的方法在第二阶段和第三阶段的比赛中获得了第一名。我们在比赛排行榜上被匿名称为“ardentstork”(https://real-robot-challenge.com/leader-board)。视频和我们的代码可以在https://github.com/ripl-ttic/real-robot-challenge上找到。
2021-01-08 cs.AI cs.RO
Model-Based AI planning and Execution Systems for Robotics
Ben Gurion University of the Negev(内盖夫本-古里安大学)
本文综述了面向机器人任务级控制的基于模型的AI规划与执行系统,梳理现有系统的设计选择、解决方案及未来发展方向。
2025-05-07 cs.AI cs.RO
Search-Based Spatiotemporal and Multi-Robot Motion Planning on Graphs of Space-Time Convex Sets
Simon Fraser University(西蒙弗雷泽大学)
提出基于时空凸集图(ST-GCS)的算法框架,通过图搜索与连续轨迹优化结合,实现单/多机器人时间最优运动规划,在狭窄瞬态可行区域中显著加速。
2026-07-02 cs.AI cs.RO
Learning to Reason over Scene Graphs: A Case Study of Finetuning GPT-2 into a Robot Language Model for Grounded Task Planning
Technische Universität Darmstadt(达姆施塔特工业大学);Center for Mind, Brain and Behavior, Uni. Marburg and JLU Giessen(马尔堡大学与吉森尤斯图斯·李比希大学心智、大脑与行为研究中心);Amazon Alexa(亚马逊Alexa)
本研究探索将GPT-2微调为机器人语言模型,通过场景图接地输入,将人类请求分解为子目标规划,在ALFRED基准上验证了LLM在长时程任务规划中的有效性和泛化潜力。
2023-05-12 cs.AI cs.RO
Multi-robot Social-aware Cooperative Planning in Pedestrian Environments Using Multi-agent Reinforcement Learning
行人参与环境中多机器人安全、高效的协同规划具有广阔的应用前景。在部分变维观测和不完全感知条件下,提出了一种基于离策略多智能体强化学习(MARL)的多机器人社会感知高效协作规划器.我们采用基于时空图(TSG)的社会编码器,以更好地提取每个机器人和行人在其视野(FOV)的社会关系的重要性。此外,我们在多机器人RL框架中引入K步前瞻奖励设置,以避免机器人产生的侵略性,侵入性,短视和不自然的运动决策。此外,我们改进了传统的集中式评论家网络与多头全局注意力模块,更好地聚集不同机器人之间的局部观察信息,以指导个体的策略更新过程。最后,多组实验结果验证了所提出的协作运动规划器的有效性。
2022-11-29 cs.AI cs.RO
Online Concurrent Multi-Robot Coverage Path Planning
Department of Computer Science and Engineering, Indian Institute of Technology Kanpur(计算机科学与工程系,印度理工学院坎浦尔)
针对滚动时域多机器人覆盖路径规划中规划与执行交错导致的资源浪费问题,提出一种非时域集中式并发规划算法,经证明可实现完全覆盖,实验验证其相较现有方法速度最高提升1.6倍。
2025-07-28 cs.AI cs.RO
An advantage actor-critic algorithm for robotic motion planning in dense and dynamic scenarios
University of Eastern Finland(东芬兰大学);Shenzhen Technology University(深圳技术大学)
智能机器人为工业和服务场景的效率提升提供了新的见解,以取代人类劳动。然而,这些场景包括密集和动态的障碍物,使得机器人的运动规划具有挑战性。传统的算法如A* 算法可以在静态环境中规划无碰撞轨迹,但在密集和动态场景中,它们的性能会下降,计算成本会急剧增加。最优值强化学习算法(RL)可以解决这些问题,但网络收敛速度慢且不稳定。策略梯度强化学习网络在Atari游戏中收敛速度快,其中动作是离散和有限的,但很少有工作已经做,以解决问题,连续的行动和大的行动空间是必需的。本文对现有的优势行动者-评价者算法进行了改进,使之适用于复杂的运动规划,从而产生机器人的最优速度和方向。实验结果表明,我们的算法比最优值RL收敛更快,更稳定。该方法在机器人完成运动规划的过程中,以较少的处理时间达到较高的规划成功率。
2021-02-05 cs.AI cs.RO
Planning the path with Reinforcement Learning: Optimal Robot Motion Planning in RoboCup Small Size League Environments
Centro de Informática, Universidade Federal de Pernambuco(佩德罗·本杰明大学计算机中心)
本研究利用强化学习结合启发式控制方法,在RoboCup小型组联赛环境中实现高效路径规划,较基线算法在无障碍场景下节省60%时间,并具备动态避障能力。
2024-04-23 cs.AI cs.LG cs.RO
Encoding Reusable Multi-Robot Planning Strategies as Abstract Hypergraphs
Rice University(莱斯大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);ITAM(墨西哥自治技术学院)
本研究针对多机器人任务规划复杂度高、难在线求解的问题,结合DaSH超图框架与抽象学习技术,将单机器人策略学习方法扩展至多机器人场景以提升规划效率。
2024-09-16 cs.AI cs.MA cs.RO
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
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
Behavior Tree-Based Task Planning for Multiple Mobile Robots using a Data Distribution Service
Yonsei University(延世大学);Hyundai Robotics(现代机器人公司)
在这项研究中,我们提出了多个机器人的任务规划框架,建立在一个行为树(BT)。BT与数据分发服务(DDS)通信以发送和接收数据。由于标准BT来自一个根结点与一个单一的滴答是不适合多个机器人,一种新型的BT行动和改进的节点,提出了通过DDS异步控制多个机器人。为了有效地规划机器人的任务,一个单一的任务规划单元实现了建议的任务类型。任务规划单元通过单个合并的BT同时向每个机器人分配任务。如果任何机器人在执行其指定任务时出现故障,则执行嵌入在机器人中的另一个BT;机器人进入恢复模式以克服故障。为了执行该功能,BT中对应于任务的动作被定义为变量,该变量与DDS共享,使得可以在任务规划单元和机器人之间交换任何动作。为了证明我们的框架在现实世界中的应用的可行性,三个移动机器人进行了实验协调,他们交替旅行到四个目标位置的建议通过DDS的单一任务规划单元。
2022-05-30 cs.AI cs.MA cs.NI
Optimal Integrated Task and Path Planning and Its Application to Multi-Robot Pickup and Delivery
IIT Kanpur(印度理工学院坎普尔分校);Jupiter Money(木星金融);MPI-SWS(马克斯·普朗克软件系统研究所);Ericson Research(爱立信研究院)
本文提出融合最优任务规划与路径规划的多机器人机制,借助Z3求解SMT任务规划并扩展CBS-PC生成无碰撞轨迹,在仓库取放任务中优于现有经典规划器。
2024-03-02 cs.AI cs.MA cs.RO
Mobile Robot Path Planning in Dynamic Environments through Globally Guided Reinforcement Learning
The Chinese University of Hong Kong(香港中文大学);University of Cambridge(剑桥大学)
大动态环境中移动机器人的路径规划是一个具有挑战性的问题,因为机器人需要有效地达到其给定的目标,同时避免与其他机器人或动态对象的潜在冲突。在存在动态障碍物的情况下,传统的解决方案通常采用重新规划策略,每当机器人遇到冲突时,重新调用规划算法来搜索替代路径。然而,这种重新规划的策略往往会造成不必要的弯路。为了解决这个问题,我们提出了一种基于学习的技术,利用环境时空信息。与现有的基于学习的方法不同,我们引入了一种全局引导的强化学习方法(G2RL),该方法采用了一种新的奖励结构,可以推广到任意环境。我们应用G2RL解决多机器人路径规划问题,在一个完全分布式的反应方式。我们评估我们的方法在不同的地图类型,障碍物密度和机器人的数量。实验结果表明,G2RL的泛化能力很好,优于现有的分布式方法,并且与完全集中式的最先进的基准测试非常相似。
2020-09-11 cs.AI cs.LG cs.MA
Motion Planning Diffusion: Learning and Planning of Robot Motions with Diffusion Models
TU Darmstadt(达姆施塔特工业大学);German Research Center for AI (DFKI)(德国人工智能研究中心);Centre for Cognitive Science(认知科学中心)
本文提出将扩散模型作为先验,利用其逆去噪过程直接从以任务目标为条件的后验轨迹分布中采样,以加速机器人运动规划,实验证明该方法能有效编码高维轨迹分布并具备良好的泛化能力。
2024-03-26 cs.AI cs.LG cs.RO
Scalable Multi-robot Motion Planning for Congested Environments With Topological Guidance
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Texas A&M University(德克萨斯A&M大学)
本研究将拓扑引导的单机器人运动规划扩展到多机器人领域,在拥挤狭窄环境中实现高效可扩展规划,支持比现有方法大25倍的团队规模,并生成更优路径。
2023-05-25 cs.AI cs.MA cs.RO
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science(莫迪理工学院);PEC University of Technology(旁遮普工程学院大学)
本文介绍了电子设计和运动规划的机器人决策的基础上,关于它的直线运动和精确转弯的人工神经网络(ANN)。人工神经网络有助于机器人的学习,使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models
University of Virginia(弗吉尼亚大学);University of California(加州大学)
本文提出SMD方法,将约束优化集成到扩散采样过程以生成无碰撞且运动学可行的轨迹,并引入全面的MRMP基准,实验证明其在复杂多机器人环境中优于经典和学习类规划器。
2025-06-30 cs.AI cs.LG cs.RO
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering(先进科学与工程研究生院);Hiroshima University(广岛大学)
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题,提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法,并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO