Online Informative Path Planning for Active Information Gathering of a 3D Surface
Delft University of Technology（代尔夫特理工大学）；ETH Zurich（苏黎世联邦理工学院）
提出了一种利用空中机器人进行三维表面主动信息采集的在线路径规划方法。大多数现有的表面检测工作集中在规划的路径离线，可以提供完全覆盖的表面，这固有地假设表面信息是均匀分布的，因此忽略了潜在的空间相关性的信息场。在本文中，我们利用流形高斯过程（mGPs）与测地核函数映射表面信息场和计划信息路径在线滚动地平线的方式。我们的方法积极规划信息收集路径的基础上，尊重车辆的动态约束和总飞行时间预算最近的观察。我们为简单和复杂的3D表面几何形状（圆柱体和飞机模型）的模拟温度建模提供规划结果。我们证明了我们的信息规划方法优于传统的方法，如3D覆盖规划和随机探索，无论是在重建误差和信息理论指标。我们还表明，通过将信息场的空间相关性纳入使用mGPs的规划中，信息收集效率显着提高。
2021-03-17 cs.RO
Safe POMDP Online Planning among Dynamic Agents via Adaptive Conformal Prediction
School of Engineering and Applied Science, University of Virginia（弗吉尼亚大学工程与应用科学学院）；University of Oxford（牛津大学）
针对多动态智能体环境下 POMDP 在线规划的安全问题，提出利用 ACP 量化轨迹预测不确定性并即时构建安全屏障，在真实行人数据实验中兼顾回报与概率安全保证。
2024-09-06 cs.RO
Online, interactive user guidance for high-dimensional, constrained motion planning
Carnegie Mellon University（卡内基梅隆大学）
本文研究了高维机器人的无碰撞路径规划问题。具体来说，我们建议一个规划框架，运动规划算法可以从用户获得指导。与现有的方法，试图加快规划，结合经验或示范规划之前，我们建议寻求用户的指导，只有当规划师确定，它停止朝着目标取得重大进展。指导以中间配置$\hat{q}$的形式提供，用于使计划员偏向通过$\hat{q}$。我们展示了我们的方法的情况下，规划算法是多启发式A*（MHA*）和机器人是一个34自由度的人形。我们表明，我们的方法允许计算高度约束的路径，几乎没有领域知识。如果没有我们的方法，解决这些问题需要精心制作依赖于领域的算法。
2018-07-20 cs.RO
Scaling Long-Horizon Online POMDP Planning via Rapid State Space Sampling
Australian National University（澳大利亚国立大学）；Rice University（莱斯大学）
提出ROP-RaS3求解器，利用快速状态空间采样生成宏动作，避免穷举动作空间，在长时域POMDP规划中性能大幅超越现有方法。
2024-11-11 cs.RO
Online Coverage Planning for an Autonomous Weed Mowing Robot with Curvature Constraints
University of Minnesota - Twin Cities（明尼苏达大学双城分校）
用于放牧的土地约占美国土地的三分之一。这些地区可能非常崎岖。然而，他们需要保持，以防止杂草接管营养草地。这可能是一项艰巨的任务，特别是在有机农业的情况下，因为不能使用除草剂。在本文中，我们提出了设计的牛机器人，自主除草机器人的牧场。Cowbot是一款电动割草机，设计用于奶牛牧场的崎岖环境，并为有机农场的杂草控制提供了一种具有成本效益的方法。牛机器人的路径规划是具有挑战性的，因为牧场上的杂草分布是未知的。在有限的视野范围内，在线路径规划是必要的，以检测杂草和规划路径割草。研究了具有曲率和视野约束的自动割草机的一般在线路径规划问题。我们开发了两个在线路径规划算法，能够利用新的信息杂草优化路径长度，并确保覆盖。我们部署我们的算法上的Cowbot和进行现场实验，以验证我们的方法的适用性，实时路径规划。我们还进行了广泛的模拟实验，结果表明，我们的算法相比基线boustrophedon和随机搜索的覆盖路径的路径长度减少了60%。
2021-11-19 cs.RO
Solving a Path Planning Problem in a Partially Known Environment using a Swarm Algorithm
Ministry of Defence（国防部）
提出了一种在部分已知环境下自主地面车辆（AGV）导航的路径规划策略。通过首先使用包含来自合适的空间数据库的诸如高度数据和土壤信息之类的所选属性的待穿越区域的空间数据库来执行全局路径规划。该数据库使用仿生群算法进行处理，该算法的灵感来自白蚁的筑巢策略。利用来自各种传感器的关于影响AGV安全导航的突发事件的信息在线执行本地路径规划。所讨论的模拟已经在开源的Player-Stage-Gazebo平台上实现。
2019-06-27 cs.AI cs.RO
dRVG: Quadtree-Guided, Resolution-Complete Online Motion Planning for Polygonal Robots in Unknown Environments
Rutgers, the State University of New Jersey（罗格斯大学新泽西州立大学）
提出动态旋转堆叠可见性图（dRVG），利用四叉树调度感知并融合局部路标图，实现未知环境中多边形机器人的分辨率完备在线运动规划，实验证明其高效性。
2026-09-28 cs.RO
A Hybrid Method for Online Trajectory Planning of Mobile Robots in Cluttered Environments
Intel Labs（英特尔实验室）；Intel Tecnología de México（英特尔墨西哥技术公司）
提出了一种已知环境下的在线轨迹规划方法。该算法是一个融合的采样为基础的技术和基于模型的优化，通过二次规划。前者用于有效地生成无障碍路径，而后者考虑到机器人的动力学约束，以生成时间相关的轨迹。这项工作的主要贡献在于制定一个凸优化问题的生成的无障碍路径，保证是可行的。因此，与先前提出的方法相比，不需要迭代公式。所提出的方法进行了比较，与国家的最先进的方法，成功率和计算时间显着改善。为了说明这种方法的有效性，在线规划，所提出的方法被应用到流体自主导航的四轴飞行器在多个环境中，包括多达200个障碍。下文中介绍的场景是迄今为止报道的在线规划和导航的一些最密集的混乱实验。观看视频https://youtu.be/DJ1IZRL5t1Q
2019-08-22 cs.RO
Real-Time Online Re-Planning for Grasping Under Clutter and Uncertainty
University of Leeds（利兹大学）
我们考虑在杂乱中抓取的问题。虽然近年来已经开发了运动规划器来解决这个问题，但这些规划器大多是针对开环执行而定制的。然而，在这个领域中的开环执行可能会失败，因为不可能以足够的精度对多体多接触物理系统的动力学进行建模，也不可能期望机器人知道物体的确切物理特性，例如摩擦，惯性和几何特性。因此，我们提出了一个在线重新规划的方法，通过杂波抓取。主要挑战是该领域需要较长的规划时间，这使得快速重新规划和流畅执行难以实现。为了解决这个问题，我们提出了一个容易并行化的随机轨迹优化算法，产生一系列的最优控制。我们表明，通过运行此优化器，只有少量的迭代，它是可能的执行实时的重新规划周期，以实现反应性的操作混乱和不确定性。
2018-10-09 cs.RO
Slope Considered Online Nonlinear Trajectory Planning with Differential Energy Model for Autonomous Driving
University of Delaware（特拉华大学）
针对自动驾驶模型无关方法难以实现节能轨迹规划的问题，提出集成可微分能量模型的在线非线性规划轨迹优化框架，结合交通与坡度预测提升燃油效率，带来显著经济效益，填补相关研究空白。
2024-12-12 cs.RO
On the Use of the Observability Gramian for Partially Observed Robotic Path Planning Problems
Department of Electrical and Computer Engineering（电气与计算机工程系）
本文探讨了利用可观测性格拉姆矩阵作为估计性能代理进行优化的局限性，指出其可能产生误导性的路径规划结果。
2018-01-30 cs.RO cs.SY eess.SY
Task-assisted Motion Planning in Partially Observable Domains
University of Genoa（热那亚大学）；Arizona State University（亚利桑那州立大学）
本文提出了一种基于信念空间的机器人导航任务-运动规划集成框架。自主机器人在现实世界的复杂场景中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。为此，我们提出了一个框架内的混合任务规划整合信念空间推理。PDDL+的表达能力与语义驱动的语义附件相结合，在规划时执行传播和后验信念估计。讨论了开发组合混合规划器的基本方法，为改进和未来的工作提供了建议。此外，我们验证了我们的方法的关键方面，在模拟中使用一个现实的情况。
2019-08-27 cs.AI cs.RO
Online Time-Optimal Trajectory Planning on Three-Dimensional Race Tracks
提出一种基于gg图和点质量模型的在线规划方法，为三维赛道生成时间最优轨迹，在保证圈速的同时支持超车及限速场景下的轨迹重规划。
2023-04-21 cs.RO
Joint Sampling and Trajectory Optimization over Graphs for Online Motion Planning
Facebook AI Research（脸书人工智能研究院）
在最流行的运动规划技术中，采样和轨迹优化由于其分别处理紧约束和高维系统的能力而获得成功。然而，在更高维度的采样和局部最小值问题的优化限制，阻碍了他们超越静态场景在离线设置的能力。在这里，我们考虑高度动态的环境，需要一个快速的在线解决方案。我们提出了一个统一的方法，利用采样和优化的互补优势，并交错它们都在一种方式，非常适合这个具有挑战性的问题。在多个合成和现实的模拟环境中的基准测试，我们表明，我们的方法在各种指标上表现得更好，对基线只采用采样或只优化。项目页面：https://sites.google.com/view/jistplanner
2021-07-28 cs.RO
Online Dynamic Motion Planning and Control for Wheeled Biped Robots
轮式足式机器人结合了轮式机器人在适当平坦表面上行驶时的效率和足式机器人在跨越或绕过障碍物时的多功能性。本文介绍了一种规划和控制框架，以实现动态移动的轮式机器人。我们提出的车线性倒立摆模型（车LIPM）作为模板模型的滚动运动和欠驱动LIPM的接触变化，而步行。生成的运动然后由一个逆动态全身控制器跟踪，该控制器协调所有关节，包括车轮。该框架具有分层结构，并以模型预测控制（MPC）方式实现。为了验证所提出的混合运动生成方法，在仿真中设计了两种涉及不同类型障碍物的场景。据我们所知，这是第一次，这种在线动态混合运动已被证明对轮式机器人。
2020-03-07 cs.RO
Technical Report: A Hierarchical Deliberative-Reactive System Architecture for Task and Motion Planning in Partially Known Environments
Computer Science and Artificial Intelligence Laboratory (CSAIL), MIT（麻省理工学院计算机科学与人工智能实验室（CSAIL））；Tagup, Inc.（Tagup公司）；GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
我们描述了一个高度动态系统的任务和运动规划架构，它结合了一个域独立的基于采样的慎思规划算法与全球反应规划。我们利用最近开发的一种反应式矢量场规划器，该规划器即使在面对未知或不可预见的障碍物时也能保证环境的大区域的可达性。可达性保证可以使用合同形式化，该合同允许审慎计划者纯粹根据这些合同进行推理，并通过选择一系列反应行为及其目标配置来合成计划，而无需评估目标之间的特定运动计划。这既减少了找到计划的搜索深度，又减少了确保计划存在所需的样本数量，同时关键地保持了正确性保证。其结果是降低了合成计划的计算成本，并增加了所生成的计划对致动器噪声、模型误指定或未知障碍物的鲁棒性。仿真研究表明，我们的层次规划和执行架构，可以解决复杂的导航和重排任务，即使面对狭窄的通道或不完整的世界信息。
2022-02-03 cs.RO
The RATTLE Motion Planning Algorithm for Robust Online Parametric Model Improvement with On-Orbit Validation
SGT Inc.（SGT公司）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Técnico（高等技术学院）；Massachusetts Institute of Technology（麻省理工学院）
机器人系统遇到的某些形式的不确定性可以在已知模型的上下文中显式地学习，例如质量和惯性矩等参数模型不确定性。量化这种参数不确定性对于更准确地预测系统行为，从而实现安全和精确的任务执行非常重要。同时，提供一种形式的鲁棒性保证，以应对环境干扰和当前模型知识等普遍存在的不确定性水平也是可取的。为此，作者以前提出的RATTLE算法，在线信息感知运动规划的框架，概述和扩展，以提高其适用于真正的机器人系统。RATTLE提供了一个明确的权衡之间的信息寻求运动和传统的目标实现运动和功能在线更新的模型。此外，在线更新的低级别控制的鲁棒性保证和一个新的方法，自动调整的信息内容，以指定的估计精度的建议。广泛的实验结果在微重力使用的Astrobee机器人登上国际空间站和实际的实施细节，演示RATTLE的实时，强大的，在线更新的能力，和模型信息寻求参数不确定性下的运动规划能力。
2022-03-03 cs.RO
Online Informative Path Planning for Active Classification Using UAVs
ETH Zürich（苏黎世联邦理工学院）
在本文中，我们介绍了一个信息化的路径规划（IPP）框架，使用无人机（UAV）的主动分类。我们的算法使用全局视点选择和进化优化的组合，以改善规划的轨迹在连续的三维空间，同时满足动态约束。我们的方法进行了评估的应用杂草检测精准农业。我们使用占用网格对农田中杂草的存在进行建模，并根据信息理论目标生成自适应计划，使无人机能够有效地收集数据。我们通过与现有方法的比较来验证我们的方法，并研究不同规划策略的效果。我们的研究结果表明，该算法建立的地图与传统的“割草机”覆盖率相比，在相同的时间内，熵降低了50%以上。我们展示了规划方案的多旋翼平台与不同的人工农田设置。
2016-09-27 cs.RO
Fast Online Planning for Bipedal Locomotion via Centroidal Model Predictive Gait Synthesis
Beijing Research Institute of UBTECH Robotics（优必选机器人北京研究院）；Tsinghua University（清华大学）
将双足步行的全身运动规划和步行时间规划问题转化为一个模型预测控制（MPC）问题，需要在线求解一系列优化问题。虽然直接解决这些问题是非常耗时的，我们提出了一个预测步态合成器提供即时的解决方案。基于全维模型，离线构建了不同速度和周期的步态库。该步态合成器基于质心动力学的在线预测，通过对步态库进行合成，生成1kHz的实时步态。我们证明了所构造的MPC问题可以确保CoM状态的一致最终有界性（UUB），并表明我们提出的步态合成器可以为MPC优化问题提供可行的解决方案。仿真和实验结果与8自由度（DoF）的双足机器人提供这种方法的性能和鲁棒性。
2021-05-21 cs.RO
Online Informative Path Planning for Active Classification on UAVs
ETH Zürich, Autonomous Systems Lab（苏黎世联邦理工学院）
针对精准农业中的杂草检测问题，提出了一种基于无人机的主动分类信息路径规划算法。我们使用占用网格对农田中杂草的存在进行建模，并根据信息理论目标生成计划，使无人机能够有效地收集数据。我们使用全局视点选择和进化优化的组合来细化无人机在连续空间中的轨迹，同时满足动态约束。我们验证我们的方法在模拟与标准的“割草机”的覆盖范围进行比较，并研究不同的目标和优化策略的影响。我们计划在不久的将来在一个真实的平台上评估我们的算法。
2016-07-13 cs.RO
Online Adaptation of Terrain-Aware Dynamics for Planning in Unstructured Environments
Oden Institute for Computational Engineering & Science, University of Texas at Austin（奥登计算工程与科学研究所，德克萨斯大学奥斯汀分校）；Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校）；DEVCOM Army Research Laboratory（国防部陆军研究实验室）
本文提出基于函数编码器的地形感知动力学在线自适应方法，通过神经网络基函数和最小二乘计算实现无需重训练的快速地形适应，并在Unity仿真中验证其可减少杂乱环境中的碰撞。
2025-07-16 cs.RO
Impact-Aware Online Motion Planning for Fully-Actuated Bipedal Robot Walking
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
跟踪具有特定定时的一般步行路径的能力对于双足机器人在复杂环境中避免动态障碍物（例如行人）的操作安全性和可靠性至关重要。本文介绍了一个在线的，全身运动规划器，产生所需的影响意识的运动，全驱动双足机器人行走。所提出的规划器的主要新颖之处在于它能够实时产生所需的运动，尊重离散的冲击动力学和所需的冲击时间。为了得到建议的规划，全驱动双足机器人行走的全阶混合动力学模型，包括连续动力学和离散装载的影响。接下来，介绍了所提出的影响感知在线运动规划器。最后，一个3-D双足机器人的仿真结果证实了所提出的在线碰撞感知规划器的有效性。在线规划器能够在0.6秒内生成一个步行步的全身运动，这比典型的双足步行步短。
2019-10-25 cs.RO
Online State-Time Trajectory Planning Using Timed-ESDF in Highly Dynamic Environments
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
在线状态时间轨迹规划在高度动态环境中仍然是一个未解决的问题，由于不可预测的运动的移动障碍物和灾难的维数从状态时间空间。现有的状态时间规划器通常是基于随机采样方法或离散状态图上的路径搜索来实现的。这些规划器的平滑性、路径间隙和规划效率通常不能令人满意。在这项工作中，我们提出了一个基于梯度的规划在高度动态的环境中的在线轨迹生成的状态时间空间。为了实现基于梯度的优化，我们提出了一个定时ESDT，支持距离和梯度查询的状态时间键。基于Timed-ESDT，我们还定义了一个光滑的先验和障碍似然函数，这是兼容的状态时间空间。轨迹规划，然后制定一个MAP问题，并解决了一个有效的数值优化。此外，为了提高规划器的最优性，我们还定义了一个状态时间图，然后进行路径搜索，以找到一个更好的初始化优化器。通过集成图搜索，规划质量得到显著提高。模拟和基准数据集上的实验结果表明，我们的规划器可以优于国家的最先进的方法，证明了其显着的优势，比传统的。
2020-10-29 cs.RO
RaceMOP: Mapless Online Path Planning for Multi-Agent Autonomous Racing using Residual Policy Learning
TUM School of Engineering and Design, Technical University of Munich（慕尼黑工业大学工程与设计学院）；Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）
针对多智能体自主赛车无地图在线路径规划超车安全难题，提出融合人工势场基础策略与概率空间残差策略的RaceMOP方法，实现长视野鲁棒避碰超车，性能优于现有方案且可泛化至未知赛道。
2024-09-16 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
Online Information-Aware Motion Planning with Inertial Parameter Learning for Robotic Free-Flyers
SGT Inc.（SGT公司）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Técnico（里斯本高等理工学院）；Massachusetts Institute of Technology（麻省理工学院）
像目前在国际空间站上运行的Astrobee机器人这样的太空自由飞行器必须在固有的系统不确定性下运行。质量和转动惯量等参数不确定性在这些安全关键型空间系统中的量化尤为重要，并且可能在诸如在轨货物移动等情况下发生变化，在这些情况下，未知的抓取有效载荷会显著改变系统动态。谨慎地学习这些不确定性的路线，可以潜在地避免时间和燃料消耗的纯系统辨识演习。认识到这一点，这项工作提出了RATTLE，一个在线的信息感知运动规划算法，明确加权参数模型学习加上实时重新规划能力，可以利用改进的系统模型。该方法包括一个两层（全球和本地）的计划，一个低级别的模型预测控制器，和一个在线参数估计器，产生更明智的控制和重新规划的飞行机器人的惯性特性的估计;所有级别的规划和控制功能在线更新的模型。RATTLE的Astrobee自由飞行器抓取一个不确定的有效载荷的模拟结果一起展示的硬件演示的结果，明确鼓励模型参数学习，同时实现其他有用的运动的能力。
2021-12-11 cs.RO
Motion Planning as Online Learning: A Multi-Armed Bandit Approach to Kinodynamic Sampling-Based Planning
University of Michigan（密歇根大学）
针对kinodynamic运动规划在无转向函数时难获高质量解的问题，将采样偏置建模为非平稳多臂老虎机问题，结合kinodynamic RRT转移聚类与老虎机算法自适应采样，可更快获更优解并提升执行成功率。
2023-08-26 cs.RO
Two-Step Online Trajectory Planning of a Quadcopter in Indoor Environments with Obstacles
Automation and Control Institute (ACIN), TU Wien（维也纳工业大学自动化与控制研究所）；Center for Vision, Automation and Control, AIT Austrian Institute of Technology（奥地利技术研究所视觉、自动化与控制中心）；Department of Computer Science, University of Liverpool（利物浦大学计算机科学系）
提出了一种在室内未知障碍物环境下的两步在线轨迹规划算法。在第一步中，基于采样的路径规划技术，如最佳快速探索随机树（RRT*）算法和视线（LOS）算法，生成一个无碰撞的路径组成的多路点。然后，在第二步中，约束二次规划被用来计算一个光滑的轨迹，通过所有计算的航路点。这项工作的主要贡献是开发了一个灵活的轨迹规划框架，可以检测环境中的变化，如新的障碍物，并计算替代轨迹实时的。该算法积极考虑环境中的所有变化，并只在被新障碍物占据的航路点上执行重新规划过程。这有助于减少计算时间并实时的实现所提出的方法。该算法的可行性评估使用英特尔航空准备飞行（RTF）四轴飞行器在模拟和现实世界的实验。
2023-02-06 cs.RO
Asymptotically Optimal Belief Space Planning in Discrete Partially-Observable Domains
Technical University of Berlin（柏林工业大学）；University of Stuttgart（斯图加特大学）；Realtime Robotics Inc.（实时机器人公司）
本文提出改进的路径树优化方法，通过基于相机的状态采样器扩展信念空间图搜索，在离散部分可观测域中实现渐近最优运动应急规划，并在多个高维场景中验证了其更高成功率和更低内存占用。
2023-09-19 cs.RO
Creating Star Worlds: Reshaping the Robot Workspace for Online Motion Planning
Chalmers University of Technology（查尔姆斯理工大学）；Lund University（隆德大学）
运动规划方法，如导航功能和谐波势场提供（几乎）全局收敛，并适合于在动态变化的环境中避障，由于其反应性质。控制设计中的一个常见假设是机器人在不相交的星形世界中运行，即所有障碍物都是严格的星形并且相互不相交。然而，在现实生活中，障碍物可能会相交，由于扩展的障碍物区域对应于机器人半径或安全裕度。为了扩大上述反应式运动规划方法的适用性，我们提出了一种方法，以重塑一个工作空间的相交的障碍成一个不相交的星形世界。该算法是基于两个新的概念，即容许核和指定核的星形壳，这是密切相关的星形壳的概念。所提出的方法的利用说明与机器人在2D工作空间中使用谐波势场方法结合开发的算法操作的例子。
2023-03-27 cs.RO
Online Adaptation of Sampling-Based Motion Planning with Inaccurate Models
University of Michigan（密歇根大学）
针对机器人运动规划模型不准、难以适配实际系统偏差的问题，提出带上下文感知的采样式运动规划在线自适应方法，通过调整代价函数与采样偏置避开不可靠运动，提升执行成功率并减少重规划次数。
2024-03-12 cs.RO
Online On-Demand Multi-Robot Coverage Path Planning
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
针对多机器人覆盖大型未知工作空间时现有同步算法计算负担重的问题，提出按需计算部分机器人路径、其余复用的在线集中式规划算法，可保证完全覆盖，效率优于现有方法，且经仿真与实机验证可行。
2024-03-07 cs.RO
Haptic Sorter: A Unified Planning Framework for Online Shape Estimation and Real-Time Pose Inference
School of Mechanical and Aerospace Engineering, Nanyang Technological University (NTU), Singapore（南洋理工大学机械与航空航天工程学院）
提出一种基于模型的统一几何框架，结合贝叶斯优化引导的触觉探索、超椭圆形状近似、操作势能自适应公式以及在线常微分方程实时位姿推断，用于机器人操作中的形状估计和位姿跟踪。
2026-10-27 cs.RO
Online Velocity Profile Generation and Tracking for Sampling-Based Local Planning Algorithms in Autonomous Racing Environments
Professorship of Autonomous Vehicle Systems, TUM School of Engineering and Design, Technical University of Munich（自主车辆系统教授职位，技术大学慕尼黑工程与设计学院，技术大学慕尼黑）；Chair of Automatic Control, Technical University of Munich（自动控制教授职位，技术大学慕尼黑）；Institute of Automotive Technology, TUM School of Engineering and Design, Technical University of Munich（汽车技术研究所，技术大学慕尼黑工程与设计学院，技术大学慕尼黑）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI））
本文提出一种自主赛车在线速度规划方法，结合前向-后向求解器与空间采样策略，利用三维赛道表示生成速度剖面，以应对动态约束变化并提升局部规划适应性。
2025-05-08 cs.RO
Evolutionary-Based Online Motion Planning Framework for Quadruped Robot Jumping
The Chinese University of Hong Kong（香港中文大学）；Hong Kong Centre for Logistics Robotics（香港物流机器人中心）
本文提出基于差分进化、拉丁超立方采样和配置空间（DLC）的四足机器人跳跃在线运动规划框架，通过引入质心动力学优化、缩小搜索区域及热启动策略大幅降低求解时间，并在真实机器人上验证了多种跳跃动作的有效性。
2023-09-14 cs.RO
Large-Language-Model-Guided State Estimation for Partially Observable Task and Motion Planning
The University of Texas at Austin（德克萨斯大学）；Nanyang Technological University（南洋理工大学）
本文提出CoCo-TAMP框架，利用大语言模型的常识推理能力，通过分层态估计提升部分可观测任务和运动规划的效率。
2026-03-06 cs.AI cs.RO
Uncertainty-Aware Online Merge Planning with Learned Driver Behavior
Stanford University（斯坦福大学）
安全可靠的自动驾驶解决方案是下一代智能交通系统的关键组成部分。这种系统中的自动驾驶车辆必须实时的推理复杂和动态的驾驶场景，并预测附近驾驶员的行为。人类驾驶行为是高度细致入微的，具体到个人的交通参与者。例如，驾驶员可能会在合并车辆的存在下表现出合作或不合作的行为。必须对这些行为进行评估，并将其纳入安全有效驾驶的规划过程中。在这项工作中，我们提出了一个框架，估计在高速公路上的司机的合作水平和计划合并演习与司机的潜在行为明确建模。潜在的参数估计问题，解决了使用粒子滤波器近似的概率分布的合作水平。一个部分可观测马尔可夫决策过程（POMDP），其中包括潜在的状态估计在线求解，以提取合并车辆的政策。我们评估我们的方法在高保真汽车模拟器对方法是不可知的潜在状态或依赖于$\textit{a priori}$假设演员的行为。
2022-07-11 cs.RO
Online Time-Informed Kinodynamic Motion Planning of Nonlinear Systems
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）
本文提出结合深度可逆Koopman算子DIKU与可达性分析方法ASKU，在线近似非线性系统的时间信息集，并设计直接采样技术加速时间最优动力学运动规划，实验验证其近实时性能与优越规划效果。
2024-07-03 cs.RO
PODDP: Partially Observable Differential Dynamic Programming for Latent Belief Space Planning
自主智能体观察世界状态的能力有限。部分可观测马尔可夫决策过程（POMDPs）对世界状态不确定性下的规划问题进行了形式化建模，但具有连续动作和非线性动力学特性的POMDPs适合于机器人应用，其求解具有挑战性。在本文中，我们提出了一个有效的差分动态规划（DDP）算法的信任空间规划POMDP的不确定性在一个离散的潜在状态，连续的状态，行动，观察，和非线性动力学。这种表示允许规划的动态轨迹是敏感的离散的潜在世界状态的结构化不确定性。我们开发了动态规划技术，以优化一个可能的观测和信念空间轨迹树的应急计划，并得出一个层次版本的算法。我们的方法适用于成本或回报函数不确定的问题（例如，目标或障碍的配置），动态的不确定性（例如，混合系统的动态模式），以及交互的不确定性，其中其他代理的行为取决于潜在的意图。基准测试表明，我们的算法优于流行的启发式方法规划下的不确定性，从一个自主变道任务的结果表明，我们的算法可以合成强大的互动轨迹。
2019-12-14 cs.AI cs.RO
MAGIC: Learning Macro-Actions for Online POMDP Planning
National University of Singapore（新加坡国立大学）
部分可观测马尔可夫决策过程（POMDP）是机器人在不确定性条件下进行决策的基本框架，但当需要进行长期规划时，POMDP规划具有较高的计算复杂性。虽然时间扩展的宏动作有助于减少有效的规划视野和显着提高计算效率，我们如何获得良好的宏动作？本文提出了Macro-Action Generator-Critic（MAGIC），它对针对在线POMDP规划优化的宏动作进行离线学习。具体来说，MAGIC端到端地学习宏动作生成器，使用在线计划器的性能作为反馈。在在线规划过程中，生成器根据机器人的信念和环境上下文生成动态的情境感知宏动作。我们评估了MAGIC在模拟和真实机器人上的几个长期规划任务。实验结果表明，与原始动作和手工宏动作相比，学习的宏动作在在线规划性能方面具有显着优势。
2021-07-01 cs.AI cs.LG cs.RO
VOiLA: Vectorized Online Planning with Learned Diffusion Models for POMDP Agents
Australian National University（澳大利亚国立大学）；The University of Sydney（悉尼大学）
提出VOiLA框架，利用条件扩散模型学习POMDP模型，通过蒸馏加速采样并与向量化在线规划器集成，在三个基准任务和实物机器人上实现高效在线规划。
2026-10-16 cs.AI cs.RO
Online Trajectory Planning Through Combined Trajectory Optimization and Function Approximation: Application to the Exoskeleton Atalante
Wandercraft（Wandercraft公司）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine（巴黎多芬大学）
自主机器人需要在线轨迹规划能力才能在现实世界中运行。高效的离线轨迹规划方法已经存在，但计算量大，无法在线使用。在本文中，我们提出了一种新的算法，称为引导轨迹学习，学习通过轨迹优化计算的解决方案的函数近似，同时确保准确和可靠的预测。然后在线使用该函数近似来生成轨迹。该算法被设计为易于实现，并且实用，因为它不需要大量的计算能力。它很容易适用于任何机器人系统，并且由于鲁棒控制策略通常已经可用，因此可以毫不费力地在实际硬件上设置。我们证明了我们的算法的计算性能与自平衡外骨骼Atalante扁平足行走。
2020-03-04 cs.LG cs.RO
Vectorized Online POMDP Planning
School of Computing, Australian National University（澳大利亚国立大学计算机学院）
提出向量化在线POMDP规划器（VOPP），通过全向量化计算消除并行瓶颈，实现大规模并行在线规划，计算效率比现有最先进并行求解器高至少20倍。
2026-06-03 cs.AI cs.RO
To Explore or Not to Explore: Regret-Based LTL Planning in Partially-Known Environments
Shanghai Jiao Tong University（上海交通大学）；Michigan State University（密歇根州立大学）
本文针对部分已知环境中的LTL路径规划问题，提出以遗憾代替最坏情况代价作为优化度量，并给出求解最小遗憾最优计划的有效算法，通过消防机器人案例验证其适用性。
2024-01-17 cs.RO cs.SY eess.SY
Scalable Rao-Blackwellized Online Planning for High-Dimensional POMDPs
University of Colorado Boulder（科罗拉多大学博尔德分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本研究扩展RB-POMDP框架，采用混合连续-离散信念表示，结合FastSLAM 2.0，在机器人搜救任务中实现高维POMDP下的高效在线规划，性能优于纯采样方法。
2026-09-02 cs.AI cs.RO
Online path planning for kinematic-constrained UAVs in a dynamic environment based on a Differential Evolution algorithm
Universidade Federal de Minas Gerais, UFMG（巴西米纳斯吉拉斯联邦大学）
本文提出了一种基于微分进化算法的动态环境中无人机路径规划方法，通过NURBS路径表示和速度障碍方法概念，解决运动约束和动态障碍物问题。
2024-10-24 cs.NE cs.RO
LUCIDGames: Online Unscented Inverse Dynamic Games for Adaptive Trajectory Prediction and Planning
Stanford University（斯坦福大学）
现有的博弈论规划方法假设机器人知道其他代理的目标函数先验，而在实际情况下，这是很少的情况。本文介绍了LUCIDGames，逆最优控制算法，能够估计其他代理的目标函数在实时，并将这些估计在线到一个滚动时域博弈论规划。LUCIDGames解决了逆最优控制问题，通过在递归参数估计框架中重新铸造它。LUCIDGames使用无迹卡尔曼滤波器（UKF）迭代更新其他代理的成本函数参数的贝叶斯估计，随着从其他代理的观察轨迹收集更多数据，在线改进该估计。然后，规划者考虑到其他代理的贝叶斯参数估计的不确定性，规划的轨迹机器人受到不确定性椭圆约束。该算法假设机器人和环境中的其他代理之间没有显式的通信或协调。LUCIDGames的MPC实现演示了复杂自动驾驶场景的实时性能，更新频率为40 Hz。实验结果表明，LUCIDGames提高了机器人的性能，现有的博弈论和传统的MPC规划方法。我们的LUCIDGames的实现可以在www.example.com上找到。
2020-11-16 cs.GT cs.RO
Partially Observable Planning and Learning for Systems with Non-Uniform Dynamics
The University of Queensland（昆士兰大学）；Australian National University（澳大利亚国立大学）
我们提出了一种名为TransNet的神经网络架构，该架构将规划和模型学习结合起来，用于解决部分可观察马尔可夫决策过程（POMDP）与非均匀系统动态学。在过去的十年中，POMDP问题的解决取得了重大进展。然而，构建一个合适的POMDP模型仍然很困难。最近，已经提出了神经网络架构来减轻获取这样的模型的困难。虽然结果是有希望的，现有的体系结构限制了可以学习的系统动态的类型-也就是说，系统动态必须在状态空间的所有部分都是相同的。TransNet放宽了这种限制。这种放松的关键是一个新的神经网络模块，它将状态空间分类，然后学习不同类别的系统动力学。TransNet使用该模块与QMDP-Net[1]的整体架构，以允许解决具有更具表达力的动态模型的POMDPs，同时保持有效的数据需求。它的机器人导航与初始未知的系统和环境模型的典型基准的评估表明，TransNet大大超过了最先进的方法QMDP-Net的生成的政策和学习效率的质量。
2019-07-09 cs.AI cs.LG cs.RO
Partially Observable Task and Motion Planning with Uncertainty and Risk Awareness
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
针对传统TAMP完全可观测、动作确定的假设局限，提出具备不确定性与风险感知的TAMPURA策略，在任务和控制器层进行不确定性推理，实验表明其性能优于确定性规划等方法，并在真实机器人问题中得到验证。
2024-10-06 cs.AI cs.RO
Decentralized Multi-Agent Planning for Multirotors: a Fully Online and Communication Latency Robust Approach
针对静态环境中的多旋翼协同，本文提出完全在线、去中心化且对通信延迟鲁棒的时间感知 Safe Corridor 与 MIQP/MPC 规划框架，仿真显示其在安全、鲁棒性、飞行和计算时间上优于现有方法。
2023-04-22 cs.MA cs.RO
Safe, Deterministic Trajectory Planning for Unstructured and Partially Occluded Environments
DENSO Automotive Deutschland GmbH（电装德国汽车有限公司）；Carl von Ossietzky University（卡尔·冯·奥西茨基大学）
确保自动驾驶汽车在不受管制的交通区域的安全行为对该行业构成了复杂的挑战。这是一个开放的问题，提供可扩展的和可认证的解决方案，这一挑战。我们推导出一个基于模型预测控制的轨迹规划器，它与基于元胞自动机的行人安全监测系统进行互操作。结合规划监控系统的例子，一个狭窄的室内停车场环境。该系统具有确定性行为，减轻了黑盒的不可预测风险，并提供了完全的可认证性。通过使用基本的和保守的行人预测模型，监测器能够确定一个安全的可驾驶区域中的部分闭塞和非结构化的停车环境。该信息被馈送到轨迹规划器，该轨迹规划器通过约束优化来确保车辆在任何时间保持在安全可驾驶区域中。我们展示了该方法如何解决停车场紧张情况下的许多情况。即使采用保守的预测模型，评估表明，一个性能良好的系统进行测试的低速导航。
2021-09-30 cs.RO cs.SY eess.SY
Online POMDP Planning via Simplification
Department of Computer Science（计算机科学系）；Department of Aerospace EngineeringTechnion - Israel Institute of Technology（以色列理工学院航空航天工程系）；Technion - Israel Institute of Technology（以色列理工学院）；Technion - Israel Institute of Technology, Haifa 32000, Israel（以色列理工学院（海法））
在本文中，我们考虑在线规划部分可观察域。解决相应的POMDP问题是一个非常具有挑战性的任务，特别是在在线设置。我们的主要贡献是一种新的算法方法，简化的信息理论信念空间规划（SITH-BSP），其目的是加快POMDP规划考虑信念依赖的奖励，而不影响解决方案的准确性。我们这样做是通过数学联系的简化元素的问题，以相应的对应的原始问题。具体来说，我们专注于信念简化，并使用它来制定相应的原始信念依赖奖励的界限。在计算最优策略的过程中，这些界限又被用来在信念树上执行分支修剪。我们进一步引入了自适应简化的概念，同时重新使用不同简化级别之间的计算，并利用它来修剪，在每个级别的信念树，所有分支，但一个。因此，我们的方法是保证找到原问题的最佳解决方案，但与实质性的加速。作为第二个关键的贡献，我们推导出新的分析界微分熵，考虑到基于采样的信念表示，我们相信是自己的利益。我们验证我们的方法在模拟中使用这些界限和简化对应于减少样本的数量，表现出显着的计算加速，同时产生最佳的解决方案。
2021-05-11 cs.AI cs.RO
Online Planning of Uncertain MDPs under Temporal Tasks and Safe-Return Constraints
Peking University（北京大学）；College of Engineering, Peking University（北京大学工学院）
研究了移动机器人在复杂高层任务下的在线运动规划问题。由于初始知识有限，机器人运动被建模为不确定的马尔可夫决策过程（MDP），而任务被指定为线性时序逻辑（LTL）公式。该框架使机器人能够探索和更新系统模型的贝叶斯方式，同时优化的渐近成本，满足复杂的时间任务。为综合外出策略和安全策略提供了理论保证。更重要的是，而不是贪婪的探索下的经典遍历性假设，安全返回的要求是强制执行，使机器人总是可以返回到家的状态，具有很高的概率。通过数值模拟验证了整体方法的有效性。
2023-02-10 cs.RO cs.SY eess.SY
Weathering Ongoing Uncertainty: Learning and Planning in a Time-Varying Partially Observable Environment
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Cyprus（塞浦路斯大学）；University of California, Berkeley（加州大学伯克利分校）
针对时变不确定环境下自主系统的最优决策难题，提出TV-POMDP模型及结合MPSE与集成规划的双路径方法，经仿真与硬件验证性能优于标准方法。
2024-03-07 cs.AI cs.RO cs.SY
