Learning from Local Experience: Informed Sampling Distributions for High Dimensional Motion Planning
University of California, Berkeley(加州大学伯克利分校);FANUC Advanced Research Lab(发那科高级研究实验室)
针对高维系统下基于经验的运动规划方法因查询差异大在随机环境性能受限的问题,提出通过工作空间分解与图搜索解耦子问题并利用各子问题先验经验的采样规划框架,经2D、6D机器人实验验证,其在规划时间和成本上优于现有算法。
2023-06-15 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
MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints
University of California San Diego(加州大学圣地亚哥分校)
Kinodynamic运动规划(Kinodynamic Motion Planning,KMP)是在运动学和动力学约束下,寻找机器人运动的方法。到目前为止,相当多的方法解决KMP问题和那些存在的斗争,找到接近最优的解决方案,并表现出高计算复杂性的规划空间维数增加。为了解决这些挑战,我们提出了一个可扩展的,模仿学习为基础的,模型预测运动规划网络框架,快速找到接近最优的路径解决方案,最坏情况下的理论保证实际欠驱动系统的kinodynamic约束。我们的框架介绍了两种算法建立在神经生成器,神经网络,和一个并行模型预测控制器(MPC)。生成器向给定目标输出各种通知状态,鉴别器从其中选择最佳可能子集进行扩展。MPC在满足给定约束的同时,局部地连接所选择的通知状态,从而得到可行的、接近最优的解决方案。我们评估我们的算法上的一系列混乱,kinodynamically约束,欠驱动的规划问题,结果表明显着改善计算时间,路径质量和成功率超过现有的方法。
2021-01-17 cs.AI cs.LG cs.RO
Representation, learning, and planning algorithms for geometric task and motion planning
Korea Advanced Institute of Science and Technology(韩国科学技术院);Optimus Ride
我们提出了一个学习指导几何任务和运动规划(GTAMP)的框架。GTAMP是任务和运动规划的一个子类,其目标是将多个对象移动到可移动障碍物中的目标区域。标准的图搜索算法不能直接应用,因为GTAMP问题涉及混合搜索空间和昂贵的动作可行性检查。为了解决这个问题,我们引入了一种新的规划器,扩展基本的启发式搜索与随机抽样和启发式功能,优先可行性检查有前途的状态动作对。这种纯粹的规划者的主要缺点是他们缺乏从规划经验中学习以提高效率的能力。我们提出了两个学习算法来解决这个问题。第一种是用于学习引导离散任务级搜索的秩函数的算法,第二种是用于学习引导连续motionlevel搜索的采样器的算法。我们提出了设计数据高效算法的设计原则,用于从规划经验和表示中学习有效的泛化。我们评估我们的框架在具有挑战性的GTAMP问题,并表明我们可以提高规划和数据效率
2022-03-09 cs.AI cs.LG cs.RO
Experience-based Optimal Motion Planning Algorithm for Solving Difficult Planning Problems Using a Limited Dataset
针对有限数据集下短时间获取高质量运动规划解的难题,提出IERTC*算法,通过经验微路径变形、重连及知情采样结合环境复杂度调整策略,在困难场景下大幅提升规划成功率并降低解代价。
2025-03-19 cs.RO
Motion Planning Networks: Bridging the Gap Between Learning-based and Classical Motion Planners
University of California San Diego(加州大学圣地亚哥分校);Massachusetts Institute of Technology(麻省理工学院)
本文介绍了运动规划网络(MPNet),一个计算效率高,基于学习的神经规划解决运动规划问题。MPNet使用神经网络来学习在可见和不可见环境中进行路径规划的一般接近最优的算法。它获取环境信息,如来自深度传感器的原始点云,以及机器人的初始和期望的目标配置,并递归地调用自己来双向生成可连接的路径。除了找到直接连接和接近最优的路径,在一个单一的通行证,我们表明,最坏情况下的理论保证,可以证明,如果我们合并这个神经网络战略与经典的基于样本的规划者在一个混合的方法,同时仍然保留显着的计算和优化改进。为了训练MPNet模型,我们提出了一种主动的持续学习方法,使MPNet能够从流数据中学习,并在需要时主动要求专家演示,从而大大减少了用于训练的数据。我们验证MPNet对黄金标准和国家的最先进的规划方法在各种问题,从2D到7D机器人配置空间在具有挑战性和混乱的环境,结果显示显着的和一贯更强的性能指标,并激励神经规划一般作为一种现代战略,有效地解决运动规划问题。
2020-06-27 cs.AI cs.LG cs.RO
Graph Neural Networks for Motion Planning
University of Pennsylvania(宾夕法尼亚大学);Google Brain(谷歌大脑)
本文研究了使用图神经网络(GNNs)的经典运动规划问题的可行性。我们建议使用GNN的能力来指导连续和离散规划算法,该能力使用称为置换不变性的属性来鲁棒地编码规划空间的拓扑结构。我们提出了两种技术,在密集的固定图的低维问题和基于采样的GNNs高维问题的GNNs。我们研究了GNN解决规划问题的能力,例如识别关键节点或学习快速探索随机树(RRT)中的采样分布。临界采样、钟摆和六自由度机器人手臂的实验表明,GNN改进了传统的分析方法以及使用全连接或卷积神经网络的学习方法。
2020-12-14 cs.AI cs.LG cs.RO
Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models
Zachry Department of Civil and Environmental Engineering, Texas A&M University(德克萨斯A&M大学Zachry土木与环境工程系)
本文提出流运动策略,一种基于流匹配模型的机械臂运动规划方法,通过生成路径分布实现高效推理优化。
2026-08-18 cs.AI cs.RO
Learning to Retrieve Relevant Experiences for Motion Planning
Rice University(莱斯大学)
最近的工作表明,运动规划器的性能可以显着提高检索过去的经验,从数据库。通常,使用在运动规划问题上定义的相似性函数来查询经验数据库以查找过去的相似问题。然而,到目前为止,大多数作品都依赖于简单的手工制作的相似性函数,并且无法在相应的训练数据集之外进行推广。为了解决这个问题,我们提出了(火),一个框架,提取规划问题的局部表示,并学习他们的相似性函数。为了生成的训练数据,我们引入了一种新的自我监督的方法,识别相似和不相似的本地原语对过去的解决方案路径。利用这些对,用对比度损失训练一个连体网络,并在网络的潜空间中实现相似性函数。我们评估消防8自由度机械手在五个类别的运动规划问题与感知环境。我们的实验表明,消防检索相关的经验,可以提供信息指导抽样为基础的规划者,即使在训练分布以外的问题,优于其他基线。
2022-04-18 cs.RO
Free-configuration Biased Sampling for Motion Planning: Errata
本文档包含我们的论文“用于运动规划的自由配置偏置采样“中提出的采样方法的改进和更新的收敛性证明。
2013-11-03 cs.AI cs.RO
Human-Centric Aware UAV Trajectory Planning in Search and Rescue Missions Employing Multi-Objective Reinforcement Learning with AHP and Similarity-Based Experience Replay
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg(卢森堡大学安全、可靠性与信任跨学科中心);University of Luxembourg(卢森堡大学)
本文提出融合AHP与基于相似性经验回放的多目标强化学习框架,以兼顾作业、舒适与安全来规划搜救无人机轨迹,并调查性别线索和拟人化设计对公众接受与信任的影响。
2024-02-28 cs.AI cs.HC cs.LG
Interaction-Merged Motion Planning: Effectively Leveraging Diverse Motion Datasets for Robust Planning
Visual Intelligence Lab., KAIST, Korea(韩国韩世科技大学视觉智能实验室);Intelligent Systems and Learning Lab., DGIST, Korea(韩国全南国立科学技术院智能系统与学习实验室)
针对多轨迹数据集利用中的领域不平衡、遗忘与高成本问题,提出IMMP,通过预融合与融合参数检查点迁移多样化交互,并在多个基准和模型上取得优于传统方法的规划性能。
2025-07-25 cs.AI cs.CV cs.LG
Experience-based Subproblem Planning for Multi-Robot Motion Planning
Texas A&M University(德克萨斯农工大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治技术学院)
提出基于经验的子问题规划方法,通过构建低维子问题解的数据库并应用于大规模场景,解决了多机器人运动规划在复杂任务中的可扩展性与效率问题。
2024-11-13 cs.RO
A review of motion planning algorithms for intelligent robotics
University of Eastern Finland(东芬兰大学);Shenzhen Technology University(深圳技术大学)
研究和分析了典型的运动规划算法的原理。这些包括传统的规划算法,监督学习,最优值强化学习,策略梯度强化学习。我们研究的传统规划算法包括图搜索算法、基于采样的算法和插值曲线算法。监督学习算法包括MSVM、LSTM、MCTS和CNN。最优值强化学习算法包括Q学习、DQN、双DQN、决斗DQN。策略梯度算法包括策略梯度法、行动者-批评者算法、A3 C、A2 C、DPG、DDPG、TRPO和PPO。通过分析比较,提出了评价运动规划算法性能和应用的新的通用标准。重点分析了最优值算法和策略梯度算法的收敛速度和稳定性。根据运动规划算法的原理和分析比较,提出了未来的发展方向。本文对机器人运动规划算法的优缺点、相互关系和未来发展趋势有了一个清晰全面的认识,为更好的运动规划算法的研究铺平了道路。
2021-02-05 cs.AI 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
Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints
Department of Computer Science, University of Innsbruck(因斯布鲁克大学计算机科学系)
本文提出了一种基于对象中心抽象的统一任务与运动规划方法,利用现成AI启发式搜索生成物理可行计划,无需复杂几何推理。
2026-01-30 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
Constrained Motion Planning Networks X
University of California San Diego(加州大学圣地亚哥分校)
受约束的运动规划是一个具有挑战性的研究领域,旨在寻找计算效率高的方法,可以在给定的起始和目标配置之间的约束流形上找到无碰撞路径。这些规划问题经常出现,例如在机器人操作执行日常生活辅助任务。然而,很少有约束运动规划的解决方案是可用的,并且那些存在的解决方案在寻找流形上的路径解决方案时与高计算时间复杂度作斗争。为了解决这一挑战,我们提出了约束运动规划网络X(CoMPNetX)。它是一种神经规划方法,包括条件深度神经生成器和基于神经梯度的快速投影算子。我们还介绍了神经任务和场景表示的条件下,CoMPNetX生成隐式流形配置涡轮增压任何底层的经典规划,如基于采样的运动规划方法,快速解决复杂的约束规划任务。我们表明,在各种具有挑战性的场景中,我们的方法比最先进的传统路径查找工具能够以更高的成功率和更低的计算时间找到路径解决方案。
2021-07-03 cs.AI cs.LG cs.RO
LLM3:Large Language Model-based Task and Motion Planning with Motion Failure Reasoning
University of California, Los Angeles(加州大学洛杉矶分校);BIGAI(北京智源人工智能研究院)
提出LLM^3框架,利用大语言模型通过运动失败推理迭代优化任务与运动规划,实现领域无关接口,仿真与物理实验验证其有效性与实用性。
2024-08-21 cs.AI cs.RO
Potential Based Diffusion Motion Planning
Brown University(布朗大学);MIT(麻省理工学院)
针对高维空间运动规划易陷局部极小值的问题,提出基于神经网络学习易优化势函数的运动规划方法,性能优于现有方法且具备良好约束泛化能力。
2024-07-08 cs.CV cs.LG cs.RO
Combined Task and Motion Planning as Classical AI Planning
ICREA(加泰罗尼亚高级研究学院);Universitat Pompeu Fabra(庞培法布拉大学)
机器人规划通常分为任务规划和运动规划。高级的符号任务规划器决定需要做什么,而运动规划器检查可行性并填充几何细节。然而,已知的是,这样的分解通常不是有效的,因为符号和几何分量不是独立的。在这项工作中,我们表明,有可能将任务和运动规划问题编译成经典的AI规划问题;即,规划问题的有限和离散状态空间与已知的初始状态,确定性的行动,和目标状态达到。编译是合理的,这意味着经典计划是有效的机器人计划,并且概率上是完整的,这意味着当采样足够数量的配置时,有效的机器人计划是经典计划。在这种方法中,运动规划器和碰撞检查器用于编译,但不是在规划时。使该方法有效的关键要素是:1)表达经典的AI规划语言,用于以紧凑的形式表示编译的问题,与PDDL不同,它使用函数和状态约束,以及2)通用的基于宽度的搜索算法,能够仅使用弱算法在巨大的组合空间中找到计划。经验结果PR 2机器人操纵数十个对象,需要长期计划。
2017-06-21 cs.AI cs.RO
An Improved Algorithm of Robot Path Planning in Complex Environment Based on Double DQN
Shanghai Jiao Tong University(上海交通大学);Northwestern Polytechnical University(西北工业大学)
根据我们的实验,深度Q网络(DQN)在应用于具有许多困境的环境中的路径规划时存在一些局限性。奖励函数可能很难建模,并且在经验回放中很难找到成功的经验转换。在此背景下,本文提出了一种改进的双DQN(DDQN)来解决这个问题,参考A* 和快速探索随机树(RRT)。为了实现丰富的经验回放实验,基于RRT策略重新定义了机器人在每轮训练中的初始化。此外,根据A* 中位置成本的定义,为加速学习过程,专门设计了对空闲位置的奖励。仿真实验结果验证了改进的DDQN的有效性,机器人能够成功地学习避障能力和最优路径规划能力,而DQN和DDQN对避障能力和最优路径规划能力没有影响。
2021-07-23 cs.AI cs.RO
Prioritized experience replay-based DDQN for Unmanned Vehicle Path Planning
Peking University(北京大学);Northeastern University(东北大学);New York University(纽约大学)
针对传统算法在复杂环境下易陷入死区的问题,提出结合优先经验回放的DDQN路径规划算法,实验证明其在速度、准确性和突破死区能力上显著优于其他方法。
2024-06-25 cs.RO cs.SY eess.SY
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology(麻省理工学院)
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证,而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中,我们提出了概率Chekov(p-Chekov),一个快速反应的运动规划系统,可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性,而无需凸化障碍物。本文提供的全面的理论和实证分析表明,p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
Task-Motion Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
本文提出了一种集成任务-运动规划(TMP)的大规模环境下导航框架。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。在知识密集型领域,一方面,机器人必须在最高级别进行推理,例如导航到的区域;另一方面,必须在执行级别检查相应导航任务的可行性。这提出了对运动规划感知任务规划器的需求。我们讨论了一个概率完整的方法,利用这种任务-运动交互导航在室内域,返回一个计划,是最佳的任务级。此外,我们的框架是为了运动规划下的运动和感知的不确定性,这是正式称为信念空间规划。底层的方法进行了验证与模拟办公环境中的凉亭。此外,我们讨论了局限性,并提供改进和未来工作的建议。
2019-10-24 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
Motion Planning Explorer: Visualizing Local Minima using a Local-Minima Tree
University of Stuttgart(斯图加特大学)
运动规划问题往往有许多局部最小值。这些最小值对于可视化以让用户引导、防止或预测运动是重要的。为了实现这一目标,我们开发的运动规划资源管理器,一种算法,让用户交互式地探索一棵树的局部极小值。根据Morse理论的思想,我们将局部极小定义为在最小化成本泛函下的路径不变。局部最小值使用由用户指定的低维投影被分组到局部最小值树中。然后,用户可以交互式地探索局部最小值树,从而可视化问题结构并引导或防止运动。我们展示了运动规划资源管理器忠实地捕捉本地最小值在四个现实的情况下,完整和某些非完整的机器人。
2019-11-03 cs.AI cs.RO
Neural Motion Planning for Autonomous Parking
Hanyang University(汉阳大学)
本文提出了一种混合运动规划策略,该策略将深度生成网络与传统的运动规划方法相结合。现有的规划方法,如A* 和混合A* 被广泛用于路径规划任务,因为他们的能力,以确定可行的路径,即使在复杂的环境中,但是,他们有效率方面的限制。为了克服这些局限性,引入了一种基于神经网络的路径规划算法,即神经混合A*。本文提出了使用条件变分自编码器(CVAE)引导搜索算法,利用CVAE的能力,学习有关的规划空间的停车环境的信息。一个非均匀的扩展策略是利用的基础上的可行的轨迹分布在演示中学习。所提出的方法有效地学习了一个给定的状态的表示,并在算法性能方面的改进。
2021-11-16 cs.LG cs.RO
Admissible Abstractions for Near-optimal Task and Motion Planning
Massachusetts Institute of Technology(麻省理工学院)
我们定义了一个可接受的条件,抽象表示使用天使的语义,并表明这些条件使我们能够加快规划,同时保持找到最佳运动计划的能力。然后,我们推导出两个连续状态的运动规划域的容许抽象。我们提取的上限和下限的具体运动计划的成本使用本地度量和拓扑性质的问题域。这些界限在保持性能保证的同时指导对计划的搜索。我们表明,抽象可以显着降低搜索的复杂性相对于一个直接的运动规划。使用我们的抽象,我们发现接近最佳的运动计划,涉及$10^{13}$状态的规划问题,而不使用单独的任务规划。
2018-06-03 cs.AI cs.RO
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
Robot Motion Planning as Video Prediction: A Spatio-Temporal Neural Network-based Motion Planner
Rutgers University(罗格斯大学)
基于神经网络的机器人运动规划方法由于其强大的学习能力和固有的高度并行性而成为一种有吸引力的方法。尽管目前在这方面的发展,有效地捕捉和处理重要的顺序和空间信息,以直接和同时的方式,仍然是相对不足的探索。为了克服这一挑战并释放神经网络在运动规划任务中的潜力,本文提出了STP-Net,这是一个端到端的学习框架,可以充分提取和利用重要的时空信息来形成有效的神经运动规划器。通过将机器人的运动解释为视频片段,机器人运动规划被转换为可以由STP-Net以空间和时间有效的方式执行的视频预测任务。在不同的可见和不可见环境中的经验评估表明,STP-Net在规划速度和路径成本方面表现出非常有前途的性能,准确率接近100%(也就是成功率)。与现有的基于神经网络的运动规划器相比,STP-Net在2D随机森林、2D迷宫和3D随机森林环境中分别实现了至少5倍、2.6倍和1.8倍的速度和更低的路径成本。此外,在多机器人运动规划任务中,STP-网络可以快速、同时地计算出多条近似最优路径
2022-08-24 cs.LG cs.RO
MPTP: Motion-Planning-aware Task Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
我们提出了一个集成的任务-运动规划(TMP)框架,在大规模环境中的导航。最近,用于操纵的TMP引起了极大的兴趣,导致不同方法的扩散。相比之下,用于导航的TMP受到的关注要少得多。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。在知识密集型领域,一方面,机器人必须在最高级别进行推理,例如,要采购的对象,要导航到的区域,以便获取它们;另一方面,必须在执行级别检查相应导航任务的可行性。这提出了对运动规划感知任务规划器的需求。在本文中,我们讨论了一个概率完整的方法,利用这种任务运动的相互作用,在大型知识密集型领域的导航,返回一个计划,是最佳的任务级。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。底层的方法在模拟中得到验证,在办公室环境中,其可扩展性在更大的柳树车库的世界进行了测试。还提供了与最接近我们方法的工作的合理比较。我们还证明了我们的方法的适应性,考虑建筑物楼层导航域。最后,我们也讨论了我们的方法的局限性,并提出了改进和未来工作的建议。
2021-04-10 cs.AI cs.RO
Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks
UC San Diego(加州大学圣地亚哥分校)
基于采样的运动规划是机器人技术中一种在连续空间中寻找路径的常用方法。碰撞检测是该过程中的主要计算瓶颈。我们提出了新的基于学习的方法,通过训练执行路径探索和路径平滑的图神经网络来减少碰撞检查以加速运动规划。给定从批量采样生成的随机几何图(RGG),路径探索组件迭代地预测无冲突边缘以优先考虑它们的探索。路径平滑组件然后优化从探索阶段获得的路径。该方法受益于GNN通过批量采样从RGG捕获几何图案的能力,并更好地推广到不可见的环境。实验结果表明,学习组件可以显着减少碰撞检查,提高整体规划效率,在具有挑战性的高维运动规划任务。
2022-10-17 cs.AI cs.RO
Learn and Link: Learning Critical Regions for Efficient Planning
School of Computing, Informatics, and Decision Systems Engineering(计算、信息与决策系统工程学院);Arizona State University(亚利桑那州立大学);Tempe, Arizona 85281((地址,不应提取))
本文提出了一种新的方法来学习运动规划(MP)的环境中的关键区域是从一组给定的运动计划,并用于提高性能的新的环境和问题的情况。我们引入了一套新的基于采样的运动规划器,学习和链接。我们的规划人员利用关键区域来克服均匀采样的局限性,同时仍然保持基于采样的算法固有的正确性保证。我们还表明,卷积神经网络(CNN)可用于识别运动规划问题的关键区域。我们评估学习和链接对规划师从开放式运动规划库(OMPL)使用一套广泛的实验具有挑战性的运动规划问题。我们表明,我们的方法需要更少的规划时间比现有的抽样为基础的规划师。
2020-03-07 cs.AI cs.RO
Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions
本文提出一种交织调度与运动规划的增量学习框架,用于多物体共享空间的调度与运动规划,通过符号时空运动抽象提升复杂时空约束下的执行效率。
2026-03-19 cs.AI cs.RO
Evaluating Guiding Spaces for Motion Planning
University of Illinois(伊利诺伊大学);Texas A&M University(得克萨斯农工大学)
基于随机采样的算法被广泛应用于机器人运动规划中,由于问题的棘手性,并在实验上有效的范围广泛的问题实例。大多数变体不会随机均匀地抽样,而是使用各种方法来确定哪些样本将提供更多信息,或者更有可能参与最终解决方案。在这项工作中,我们定义了\emph{motion planning guiding space},它封装了许多看似不同的工作在同一个框架下。此外,我们提出了一个信息理论的方法来评估引导规划的地方,重点放在所产生的有偏采样的质量。最后,我们分析了几个运动规划算法,以证明我们的定义和评估的适用性。
2022-10-16 cs.AI cs.RO
End-to-End Motion Planning of Quadrotors Using Deep Reinforcement Learning
Nanyang Technological University(南洋理工大学);Aarhus University(奥胡斯大学)
在这项工作中,提出了一种新的,端到端的运动规划方法,在杂波环境中的四旋翼导航。与传统的导航算法相比,该方法避免了显式的传感-重建-规划。它使用从前置摄像头获得的原始深度图像,并以平滑运动基元的形式直接生成局部运动计划,通过避开障碍物将四旋翼机移动到目标。在AirSim模拟和配备英特尔实感D435的DJI F330四旋翼机的真实飞行中,展示了有前景的培训和测试结果。拟议的系统可以在https://youtu.be/pYvKhc8wrTM上找到。
2019-10-05 cs.AI cs.RO
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University(东南大学);Tongji University(同济大学)
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加,经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展,基于深度强化学习(Deep Reinforcement Learning,DRL)的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的,并且不依赖于先前的结构化地图。最重要的是,基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中,我们提供了一个系统的审查各种运动规划方法。首先,我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果,并分析了它们的性能特点。随后,我们集中总结了基于RL的运动规划方法,包括运动规划器结合RL的改进,基于地图的RL运动规划器,和多机器人协作规划方法。最后,我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战,回顾了一些最先进的工作,这些问题,并提出了未来的研究建议。
2022-02-23 cs.RO
Motion Planning Networks
University of California San Diego(加利福尼亚大学圣地亚哥分校)
快速高效的运动规划算法对于自动驾驶汽车等许多最先进的机器人应用至关重要。现有的运动规划方法变得无效,因为它们的计算复杂性随着运动规划问题的维度呈指数增加。为了解决这个问题,我们提出了运动规划网络(MPNet),一个基于神经网络的新的规划算法。所提出的方法直接从点云测量中编码给定的路径,并为给定的起始和目标配置生成端到端的无碰撞路径。我们评估MPNet的各种二维和三维环境,包括规划的7自由度巴克斯特机器人机械手。结果表明,MPNet不仅在所有环境中都具有一致的计算效率,而且还可以推广到完全不可见的环境。结果还表明,MPNet的计算时间始终保持不到1秒,在所有提出的实验,这是显着低于现有的国家的最先进的运动规划算法。
2019-02-24 cs.AI cs.RO stat.ML
Integrated Task and Motion Planning
CSAIL, MIT(麻省理工学院计算机科学与人工智能实验室)
在包含大量对象的环境中操作的机器人的规划问题,采取行动以使其自身在世界中移动以及改变对象的状态,被称为任务和运动规划(TAMP)。TAMP问题包含离散任务规划、离散-连续数学规划和连续运动规划的元素,因此不能由这些领域中的任何一个直接有效地解决。在本文中,我们定义了一类的TAMP问题和调查算法来解决它们,其特点的解决方案的方法在其解决连续空间子问题的策略和他们的技术集成的离散和连续组件的搜索。
2020-10-02 cs.AI cs.RO
Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations
Uber ATG(Uber 先进技术集团);University of Toronto(多伦多大学)
在本文中,我们提出了一种新型的端到端可学习网络,该网络可以为自动驾驶车辆执行联合感知,预测和运动规划,并产生可解释的中间表示。与现有的神经运动规划器不同,我们的运动规划成本与我们的感知和预测估计一致。这是通过一种新颖的可区分的语义占用表示来实现的,该表示被明确地用作运动规划过程的成本。我们的网络是从人类演示中端到端学习的。在大规模手动驾驶数据集和闭环仿真中的实验表明,该模型在模仿人类行为的同时产生更安全的轨迹,显着优于最先进的规划器。
2020-08-13 cs.AI cs.CV cs.LG
Motion Planning by Learning the Solution Manifold in Trajectory Optimization
Kyushu Institute of Technology(九州工业大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
在轨迹优化中使用的目标函数通常是非凸的,并且可以具有无穷多个局部最优值。在这种情况下,有不同的解决方案来执行给定的任务。虽然有一些方法可以找到运动规划的多个解决方案,但它们仅限于生成有限的解决方案集。为了解决这个问题,我们提出了一种优化方法,学习的轨迹优化的解决方案的无限集。在我们的框架中,通过学习解决方案的潜在表示来获得不同的解决方案。我们的方法可以被解释为训练用于运动规划的无碰撞轨迹的深度生成模型。实验结果表明,训练后的模型代表了运动规划问题的无穷同伦解集。
2021-07-13 cs.LG cs.RO
Approximating Constraint Manifolds Using Generative Models for Sampling-Based Constrained Motion Planning
任务约束下的基于采样的运动规划是具有挑战性的,因为配置空间中的零测量约束流形使得拒绝采样即使不是不可能,也是极其低效的。提出了一种基于学习的约束运动规划问题采样策略。我们研究了两个著名的深度生成模型,条件变分自编码器(CVAE)和条件生成对抗网(CGAN)的使用,以生成满足约束的样本配置。而不是预先计算的图形,我们使用生成模型的约束参数近似的约束流形。这种方法允许有效地绘制满足约束的样本在线,而不需要修改现有的基于采样的运动规划算法。我们评估这两个生成模型的效率,他们的抽样精度和抽样分布的覆盖率。在两个机器人平台上进行了不同约束任务的仿真和实验。
2022-04-14 cs.AI cs.RO
LEGO: Leveraging Experience in Roadmap Generation for Sampling-Based Planning
Indian Institute of Technology, Kharagpur(印度理工学院克勒格布尔分校);University of Washington(华盛顿大学)
我们考虑的问题,利用以前的经验,以产生基于采样的运动规划路线图。理想的路线图是稀疏的,允许快速搜索,节点分散在关键位置,这样就存在低成本的可行路径。一种越来越流行的方法是学习节点的分布,以产生这样的路线图。最先进的是训练一个条件变分自动编码器(CVAE)的先验数据集与最短路径作为目标输入。虽然这在许多问题上是非常有效的,但我们表明,它可能会在复杂的障碍配置或训练和测试之间的不匹配面前失败。我们提出了一个算法乐高,解决了这些问题,通过训练CVAE与目标样本,满足两个重要的标准。首先,这些样本仅属于沿接近最优路径的瓶颈区域,否则难以用均匀采样器进行采样。其次,这些样本分布在不同的区域,以最大限度地提高可行路径存在的可能性。我们正式定义这些属性,并证明乐高的性能保证。我们广泛地评估了乐高的一系列规划问题,包括机器人手臂规划,并报告了显着的收益,以及学习的基线。
2019-07-22 cs.RO
PAAMP: Polytopic Action-Set And Motion Planning for Long Horizon Dynamic Motion Planning via Mixed Integer Linear Programming
Robotics Engineering Department, Worcester Polytechnic Institute(沃斯特理工学院机器人工程系);Electrical Engineering Department, California Polytechnic State University(加州州立大学弗雷斯诺分校电子工程系)
本文提出PAAMP方法,通过多边形动作集将长时间动态运动规划转化为混合整数线性规划问题,用于解决复杂动态系统中的运动规划与约束满足问题。
2024-08-28 cs.RO
Towards Search-based Motion Planning for Micro Aerial Vehicles
University of Pennsylvania(宾夕法尼亚大学);UC San Diego(加州大学圣地亚哥分校)
基于搜索的运动规划已被用于移动机器人的许多应用。然而,由于微型飞行器(MAVs)复杂的动力学和实时计算的要求,它还没有得到充分的发展和应用,规划的全状态轨迹。在本文中,我们探讨了一个基于搜索的运动规划框架,计划动态可行的,无碰撞,分辨率最佳和完整的轨迹。本文扩展了基于搜索的规划方法,以解决三个重要的情况下,微型飞行器导航:(i)规划安全的轨迹存在的运动不确定性;(ii)规划与约束的视野和(iii)规划在动态环境中。我们表明,这些问题可以有效地解决,高效地使用所提出的基于搜索的运动基元规划。
2018-10-07 cs.RO
Hierarchical Experience-informed Navigation for Multi-modal Quadrupedal Rebar Grid Traversal
Georgia Institute of Technology(佐治亚理工学院);School of Mechanical Engineering, Georgia Institute of Technology(佐治亚理工学院机械工程学院);SkyMul Inc(SkyMul公司);School of Electrical and Computer Engineering, Georgia Institute of Technology(佐治亚理工学院电气与计算机工程学院)
本研究提出一种分层经验引导的多模态接触规划框架,结合高层接触序列规划与底层运动动力学轨迹优化,引入躯干路径引导启发式减少离线试验次数,实现四足机器人在受限钢筋环境中的敏捷导航,并通过仿真与真实硬件验证了有效性。
2024-04-13 cs.RO
Search-Based Robot Motion Planning With Distance-Based Adaptive Motion Primitives
Faculty of Electrical Engineering, University of Sarajevo, Bosnia and Herzegovina(萨拉热窝大学电气工程学院);RWTH Aachen University, Germany(亚琛工业大学)
本文提出将自由构型空间中的burs作为自适应运动基元融入图搜索算法,结合采样与搜索规划,在SMPL库中实现,显著提升高自由度机械臂在复杂场景下的路径规划效率。
2025-07-01 cs.AI cs.CG cs.RO
Group-Control Motion Planning Framework for Microrobot Swarms in a Global Field
University of Illinois Chicago(伊利诺伊大学芝加哥分校)
提出面向全局场微型机器人群体的 group-control 运动规划框架,证明 STLC 条件及最少分组数,并分析复杂度权衡与基元设计。
2024-12-10 cs.RO
Sampling-Based Motion Planning: A Comparative Review
本文系统综述基于采样的运动规划算法,梳理其历史、代表性规划器及扩展,并在24个挑战性问题上进行比较评估,为研究者和实践者提供选型指南。
2023-09-22 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley(加州大学伯克利分校)
多关节机器人的运动规划具有挑战性。由于问题的复杂性,大多数现有的工作分解运动规划作为更容易的子问题。然而,由于不一致的性能指标,只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题,提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University(莱斯大学)
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库,利用了流行的MoveIt库和机器人操作系统(ROS)中间件。Robowflex提供了一个增强的API,用于在单个程序中制作和操作运动规划查询,使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例,同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1)开发新的运动规划器,2)评估运动规划器,以及3)使用运动规划作为子例程的复杂问题(例如,任务和运动规划)。Robowflex还提供可视化功能,与其他机器人库的集成(例如,DART和Tesseract),并补充其他机器人软件包。使用我们的库,用户不需要是ROS或MoveIt的专家,就可以设置运动规划查询,从结果中提取信息,并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
I-Planner: Intention-Aware Motion Planning Using Learning Based Human Motion Prediction
UNC Chapel Hill(北卡罗来纳大学教堂山分校)
我们提出了一个运动规划算法来计算无碰撞和平滑的轨迹,高自由度机器人与人类在一个共享的工作空间。我们的方法使用离线学习的人类行为以及时间的连贯性来预测人类的行动。我们的意图感知在线规划算法使用学习的数据库来计算基于预测动作的可靠轨迹。我们表示预测的人体运动使用高斯分布和计算安全的运动规划碰撞概率的严格上限。我们还描述了新的技术,以占人体运动预测中的噪声。我们强调了我们的规划算法在复杂的模拟场景和现实世界的基准与7自由度机器人手臂在一个工作空间与人类执行复杂的任务。我们证明了我们的意图感知规划的好处,在这种不确定的环境中计算安全的轨迹。
2017-11-27 cs.RO
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架,用于UR5e机械臂的主动碰撞避免,以提升人机协作安全性。
2026-09-29 cs.RO