Improved path planning algorithms for non-holonomic autonomous vehicles in industrial environments with narrow corridors: Roadmap Hybrid A* and Waypoints Hybrid B*. Roadmap hybrid A* and Waypoints hybrid A* Pseudocodes
University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）；Gruppo TecnoFerrari S.p.a. con socio unico（泰克诺法拉利集团股份公司（单一股东））
针对狭窄走廊工业场景的类车自主车辆，提出结合静态路线图搜索的Roadmap Hybrid A*与拓扑图航点引导的Waypoint Hybrid A*两种路径规划算法，仿真验证其在多项指标上优于标准Hybrid A*。
2023-04-27 cs.RO
Landmark Guided Probabilistic Roadmap Queries
ETH（苏黎世联邦理工学院）
一个地标为基础的启发式研究减少查询阶段运行时间的概率路线图（\PRM）运动规划方法。通过存储来自\PRM图内的少量顶点的最小生成树并使用这些树来近似图的任何两个顶点之间的最短路径的成本来生成启发式。预处理图的中间步骤增加了经典运动规划技术的时间和存储器需求，以换取加速各个查询，使得该方法在多查询应用中有利。本文通过随机环境下构造的\PRM图和实际的机械手模拟研究了这些折衷，得出结论：在多查询应用中，该方法优于Dijkstra算法或采用传统算法的${\rm A}^*$算法。
2017-04-06 cs.AI cs.RO
Learned Critical Probabilistic Roadmaps for Robotic Motion Planning
Google（谷歌）；Waymo Research（Waymo研究院）
基于采样的运动规划技术已经成为解决复杂运动规划问题的有效算法范例。这些方法使用一组探测样本来构建机器人状态空间的隐式图形表示，当样本数量增加到无穷大时，允许任意精确的表示。然而，在实践中，解轨迹仅依赖于通常由状态空间中的结构定义的几个临界状态（例如，门道）。在这项工作中，我们提出了一个通用的方法来识别这些关键状态，通过图论技术（介数中心），并学会预测关键性只有当地的环境特征。然后，这些状态通过层次图中的全局连接得到更大程度的利用，称为关键概率路线图。关键的PRM被证明实现了三个数量级的改善均匀采样，同时保留的保证和基于采样的运动规划的复杂性。视频可在https://youtu.be/AYoD-pGd9ms上获得。
2019-10-08 cs.LG cs.RO
Sample Complexity of Probabilistic Roadmaps via $ε$-nets
Stanford University（斯坦福大学）
我们研究的概率路线图（PRM）在有限时间（非渐近）制度的基本理论方面。特别是，我们调查的方法的完整性和最优性保证的影响，基本的确定性抽样分布${\mathcal{X}}$和连接半径${r>0}$。我们开发的概念${(δ,ε)}$ -完整性的参数${\mathcal{X}, r}$，这表明，对于每个运动规划问题的间隙至少${δ>0}$，PRM使用${\mathcal{X}, r}$返回一个解决方案不长于${1+ε}$倍的最短$δ$ -清除path. Leveling的概念$ε$ -网，我们的特点是在下限和上限方面的样本数量需要保证${(δ,ε)}$ -完整性。这与以前的工作主要考虑的渐近制度，其中样本的数量趋于无穷大。在实践中，我们提出了一个采样分布的启发$ε$ -网，实现几乎相同的覆盖率，而使用的样本少得多的网格。
2019-09-20 cs.DS cs.RO
Sparse Multilevel Roadmaps for High-Dimensional Robot Motion Planning
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Technical University of Berlin（柏林工业大学）
稀疏路线图对于状态空间的压缩表示、确定问题的不可行性和在有限时间内终止都很重要。然而，稀疏路线图不能很好地扩展到高维规划问题。在以前的工作中，我们通过使用多级抽象来简化状态空间，从而提高了高维规划问题的规划性能。在这项工作中，我们通过开发一种新的算法，稀疏多层次的路线图规划（SMLR），将稀疏的路线图多级抽象。为此，我们表示多级抽象使用的语言纤维束，并推广稀疏的路线图规划者使用的概念，限制性采样的可见性区域。我们认为SMLR是概率完整的，渐近接近最优的继承稀疏路线图规划。在评估中，我们在具有挑战性的规划问题上优于稀疏路线图规划器，特别是高维，包含狭窄通道或不可行的问题。因此，我们证明稀疏的多级路线图作为一个有效的工具，可行的和不可行的高维规划问题。
2021-10-07 cs.RO
Serialized Red-Green-Gray: Quicker Heuristic Validation of Edges in Dynamic Roadmap Graphs
Siebel School of Computing and Data Science, University of Illinois（伊利诺伊大学西贝尔计算与数据科学学院）；Department of Computer Science, Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术学院计算机科学系）
本文提出Red-Green-Gray框架，通过保守几何近似快速分类道路图边，结合序列化技术提升GPU加速效率，实验证明其在动态环境中显著提升验证速度。
2026-03-30 cs.RO
Fast and Bounded Probabilistic Collision Detection in Dynamic Environments for High-DOF Trajectory Planning
University of North Carolina（北卡罗来纳大学）
我们提出了一种新的方法来执行高自由度的机器人和高自由度的障碍物在动态，不确定的环境中的概率碰撞检测。在高自由度机器人和移动障碍物的动态环境中，我们的方法有效地计算机器人和障碍物之间的准确碰撞概率的误差上限。此外，我们描述了一个预测算法，未来的障碍物的位置和运动，占空间和时间的不确定性。提出了一种基于概率碰撞检测的高自由度机器人在动态、不确定环境中的轨迹优化算法。我们强调运动规划性能在具有挑战性的情况下，机器人手臂在动态移动的人类障碍物的环境中操作。
2016-07-16 cs.RO
Probabilistic Trajectory Planning for Static and Interaction-aware Dynamic Obstacle Avoidance
University of Southern California（南加州大学）
无碰撞移动机器人导航是许多机器人应用的重要问题，特别是在杂乱的环境中。在这种环境中，障碍物可以是静态的或动态的。动态障碍物还可以是交互式的，即根据其他实体的行为改变其行为。机器人系统的感知和预测模块创建这种环境的概率表示和预测。在本文中，我们提出了一种新的预测表示的动态障碍物的交互行为。然后，我们提出了一个实时的轨迹规划算法，概率避免碰撞对静态和互动的动态障碍，并产生动态可行的轨迹。在决策过程中，我们的规划器模拟动态障碍物的互动行为，以响应规划机器人采取的行动。我们显式地减少碰撞概率对静态和动态的障碍物使用多目标搜索制定。然后，我们制定了一个二次规划，以安全地适应一个平滑的轨迹搜索结果，同时试图保持搜索过程中计算的碰撞概率。我们评估我们的算法广泛的模拟，以显示其在不同的环境和配置下使用78000随机生成的情况下的性能。我们比较其性能的静态和动态避障使用4500随机生成的情况下，一个国家的最先进的轨迹规划算法。我们表明，我们的算法实现了高达3.8倍的成功率，使用低至0.18倍的时间基线使用。我们实现了我们的算法的物理四旋翼，并显示其在现实世界中的可行性。
2023-02-24 cs.RO
Image-Based Roadmaps for Vision-Only Planning and Control of Robotic Manipulators
Robotics Engineering Department of Worcester Polytechnic Institute（沃斯特理工学院机器人工程系）
本文提出一种纯图像空间的机器人机械臂运动规划框架，通过视觉特征构建路线图并生成无碰撞路径，实验证明学习距离路线图可实现100%的控制收敛成功率。
2025-07-02 cs.RO
GSRM: Building Roadmaps for Query-Efficient and Near-Optimal Path Planning Using a Reaction Diffusion System
Robert Bosch GmbH（博世公司）；TU Berlin（柏林技术大学）
提出GSRM方法，结合Gray-Scott反应扩散系统与Delaunay三角剖分构建路图，在狭窄通道环境中保持良好连通性，实现查询高效且路径近似最优。
2024-10-14 cs.RO
Weakly-supervised Learning for Physics-informed Neural Motion Planning via Sparse Roadmap
Department of Computer Science, Purdue University（普渡大学计算机科学系）
本文提出H-NTFields，结合稀疏路图的弱监督与物理引导PDE正则化，提升复杂环境中运动规划的鲁棒性和推理速度。
2026-04-14 cs.RO
Motion Planning for Multi-Link Robots by Implicit Configuration-Space Tiling
Tel-Aviv University（特拉维夫大学）
我们研究自由飞行的多连杆机器人的运动规划问题，并开发了一个基于采样的算法，是专门为任务量身定制的。我们的工作是基于一个简单的观察，一组配置的机器人是自碰撞自由是独立的障碍物或机器人的确切位置。这使得在解决运动规划问题时无需在线执行昂贵的自碰撞检查，假设一些离线预处理。特别是，给定一个特定的机器人类型，我们的算法预先计算平铺路线图，有效地和隐式编码的自碰撞自由（子）空间在整个配置空间，后者可以是无限的。为了回答任何查询，在任何给定的场景中，我们遍历平铺路线图，同时只测试与障碍物的碰撞。我们的算法比普遍的范例，其中预先计算的路线图取决于机器人和手头的情况下，建议更多的灵活性。我们通过各种模拟展示了这种方法在开放和封闭链多连杆机器人上的有效性，在某些情况下，我们的算法比最先进的算法快50倍以上。
2015-11-25 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
Robust Belief Roadmap: Planning Under Intermittent Sensing
United Technologies Research Center（联合技术研究中心）
在本文中，我们扩展了最近的工作机构规划下的不确定性，包括传感器可能不会提供任何测量由于误检测的事实。这是由阻止传感器进行测量的不利环境条件或传感器的基本限制引起的。例子包括基于RF的测距设备，间歇性地不接收信号的信标，因为障碍物;在不利的照明条件下的相机系统的功能的误检测;激光雷达传感器，这是指在玻璃为基础的材料，如窗口等，本文的主要贡献是双重的。我们首先表明，它是可能的，以获得一个分析界的状态估计器的性能传感器误检测下发生随机随时间的环境中。然后，我们将展示如何使用这个界在一个基于样本的路径规划算法，以产生一个权衡的准确性和鲁棒性的路径。计算结果表明，该方法的好处和比较与国家的最先进的状态不确定性下的路径规划。
2013-09-15 cs.RO
Sampling-based Roadmap Planners are Probably Near-Optimal after Finite Computation
基于采样的运动规划器已被证明是各种高维、几何复杂的运动规划问题的有效解决方案，并在多个领域中得到应用。这些方法的传统观点是，它们通过放弃形式保证来有效地解决挑战，而是在完整性和最优性方面获得渐近性质。最近的工作认为，基于Monte Carlo实验，这些方法也表现出理想的概率属性的完整性和最优性有限计算后。本文件正式确定了这些保证。它证明了渐近最优的基于路线图的方法（例如，PRM*）在有限迭代n之后在具有间隙ε的最佳路径长度I* 的界限内。该函数的形式为P（|在- I*|{ \leq } δI*）{ \leq } Psuccess，其中δ是PRM* 图中路径长度的错误项，In。证明了一般维欧氏空间和评估模拟这个界限。讨论如何在实践中使用这个界限，以及稀疏路线图的界限。
2014-04-08 cs.RO
CTopPRM: Clustering Topological PRM for Planning Multiple Distinct Paths in 3D Environments
Czech Technical University in Prague（捷克布拉格技术大学）
针对三维杂乱环境中多同伦路径规划难题，提出CTopPRM，通过聚类密集PRM生成稀疏路线图，在相同运行时间下将找全不同路径的概率提升近20%。
2023-09-28 cs.RO
Experience-Based Planning with Sparse Roadmap Spanners
University of Colorado（科罗拉多大学）；Google [x]；Rice University（莱斯大学）
我们提出了一个基于经验的规划框架，称为雷霆，学习，以减少计算时间所需的解决高维规划问题，在不同的环境。该方法特别适合于大的配置空间，包括许多不变的约束，如发现与全身人形运动规划。使用概率采样生成的经验，并存储在一个稀疏的路线图（SPARS），它提供了渐近接近最佳的覆盖范围的配置空间，使存储，检索和修复过去的经验非常有效的内存和时间。Thunder框架通过将经验存储在图中而不是单个路径中，消除冗余信息，为路径重用提供更多机会，并为经验图的大小提供理论限制，从而改进了过去基于经验的规划器。这些属性还改进了对动态变化环境的处理、对最佳路径的推理以及减少查询解析时间。该方法被证明在一个30自由度的人形机器人，并与闪电框架，经验为基础的规划，使用个人路径存储过去的经验。在具有可变障碍物和稳定性约束的环境中，实验表明，Thunder平均比Lightning快一个数量级，并且从头开始规划。与Lightning相比，Thunder在10，000次试验后存储其经验时使用的内存减少了98.8%。我们的框架是实现和免费提供的开放运动规划库。
2014-10-08 cs.RO
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA（英伟达）；University of Southern California（南加州大学）；Amazon（亚马逊）
针对含交互动态障碍的杂乱环境，本文提出DREAM去中心化异步概率多机器人轨迹规划器，仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
REVISE: Robust Probabilistic Motion Planning in a Gaussian Random Field
Massachusetts Institute of Technology（麻省理工学院）；Draper（德雷珀公司）
REVISE提出一种基于采样的鲁棒协方差引导多查询算法，通过新型边缘控制器和可证明改善覆盖的边缘重连构建信念路线图，在6DoF系统中显著提升规划精度并降低成本。
2024-11-20 cs.RO cs.SY eess.SY
2DGS-Planner: Rasterization-based Path Planning in 2D Gaussian Splatting Map
2DGS-Planner是基于2D高斯溅射地图的地面机器人路径规划器，通过光栅化读取几何信息，实验显示其路线图连通性、 clearance 估计及规划成功率优于基线。
2026-10-09 cs.RO
Probabilistic Collision Constraint for Motion Planning in Dynamic Environments
University of Genoa（热那亚大学）
无碰撞轨迹的在线生成对于自主导航至关重要。动态环境、机器人运动和传感不确定性给防撞系统带来了进一步的挑战。本文提出了一种动态环境中，机器人和障碍物的状态不确定性的避碰方法。我们推导出了机器人与障碍物碰撞概率的严格上界，并将其表示为一个运动规划约束，该约束可实时的求解。所提出的方法进行了测试，在考虑移动机器人以及四旋翼的仿真，以证明成功的碰撞避免是在实时的应用。我们还提供了我们的方法与几个国家的最先进的方法的比较。
2021-04-04 cs.RO
Moving Obstacle Avoidance: a Data-Driven Risk-Aware Approach
California Institute of Technology（加州理工学院）
本文提出了一种新的结构化方法，移动代理预测的路径动态移动障碍物，并避免他们使用风险意识的模型预测控制（MPC）计划。给定先验未知障碍物轨迹的噪声测量，自举技术预测一组障碍物轨迹。自举预测纳入MPC优化使用的风险意识的方法，以提供概率保证避障。我们验证我们的方法使用模拟的三维多旋翼无人机，避免各种移动的障碍物，如抛出的球和空气阻力的飞盘。
2022-03-25 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
TRUST-Planner: Topology-guided Robust Trajectory Planner for AAVs with Uncertain Obstacle Spatial-temporal Avoidance
School of Aerospace Engineering, Beijing Institute of Technology（北京理工大学航空航天工程学院）；Key Laboratory of Dynamics and Control of Flight Vehicle, Ministry of Education（教育部飞行器动力学与控制重点实验室）
提出TRUST-Planner拓扑引导分层规划框架，通过动态增强可见概率图、无终端最小控制多项式和动态距离场实现复杂动态环境下的鲁棒时空避障，达到96%成功率和毫秒级计算效率。
2026-05-28 cs.RO
Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications
Department of Marine Technology, Norwegian University of Science and Technology（挪威科学技术大学海洋技术系）
本文提出一种混合风险感知导航架构，结合障碍物概率建模与平滑轨迹优化，提升自主水面 vessel 在动态环境中的安全性和自主性。
2026-03-24 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
Path planning for unmanned naval surface vehicles
Department of Computer Science, Florida State University（计算机科学系，佛罗里达州立大学）
针对无人水面航行器（USV）的固定和移动障碍物避碰问题，提出结合全局与局部路径规划器的新方法，全局规划器融合三种算法，局部规划器基于障碍物运动方向决策，仿真验证了有效性。
2026-07-03 cs.RO
Stein Variational Probabilistic Roadmaps
University of Washington（华盛顿大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
高效、可靠地生成全局路径规划对于自治系统的安全执行和部署是必要的。为了生成充分解决给定环境的拓扑结构的规划图，许多基于采样的运动规划器诉诸于粗糙的、运动驱动的策略，这些策略通常不能推广到新的和变化的环境。此外，这些方法中的许多方法并不是为了对抗部分可观测性而设计的。我们认为，这种不确定性的环境几何形状，事实上，有助于推动采样过程中产生可行的，概率安全的规划图。我们提出了一种方法的概率路线图，它依赖于基于粒子的变分推理，有效地覆盖后验分布在配置空间中的可行区域。我们的方法，斯坦变分概率路线图（SV-PRM），结果在样本有效的生成规划图和传统的采样方法的大的改进。我们展示了各种具有挑战性的规划问题，包括现实世界的概率占用地图和机器人技术中常见的高自由度操纵问题的方法。
2022-05-20 cs.RO
SPITE: Simple Polyhedral Intersection Techniques for modified Environments
University of Illinois（伊利诺伊大学）
本文提出SPITE方法，将配置空间图转换为动态数据结构，利用三维扫掠体积近似实现障碍物变化下的快速有效性更新，显著提升更新与查询速度并大幅缩短预处理时间。
2024-06-28 cs.RO
New perspective on sampling-based motion planning via random geometric graphs
Tel Aviv University（特拉维夫大学）
在没有障碍物的情况下，许多基于采样的运动规划器构建的路线图与随机几何图（RGG）的标准模型一致。这些模型已经被研究了几十年，到目前为止，已经有大量的文献分析了RGG的各种属性和类型。Karaman和Frazzoli（2011）在他们关于最优运动规划的开创性工作中指出，如果底层RGG也具有此属性，则基于采样的规划器具有特定属性。在本文中，我们解决这个猜想，并利用它的发展的一般框架分析抽样为基础的规划。我们的框架，我们称之为本地化，镶嵌，可以很容易地转移的RGG参数从自由单位超立方体的空间穿孔的障碍，这是几何和拓扑更复杂。我们证明了它的力量，提供替代和（可以说）简单的证明概率的完整性和渐近（近）最优的概率路线图（PRM）。此外，我们介绍了几个变种的PRM，分析他们使用我们的框架，并讨论了分析的影响。
2016-02-17 cs.CG cs.RO math.PR
Stochastic Optimal Control for Modeling Reaching Movements in the Presence of Obstacles: Theory and Simulation
Ben-Gurion University of the Negev（本-古里安大学）
在许多人在回路机器人应用中，例如机器人辅助手术和远程遥控操作，预测人类操作员的预期运动对于成功实现共享控制、引导虚拟夹具和预测控制可能是有用的。开发人体运动的计算模型是这种运动预测框架的关键基础。有了这个动机，我们提出了一个计算框架，在障碍物的存在下，达到运动建模。我们提出了一个随机最优控制框架，该框架由概率碰撞避免约束和成本函数，权衡之间的努力和最终状态方差的存在下，信号相关的噪声。首先，我们提出了一系列的重新制定原来的非线性和非凸最优控制转化为一个参数二次规划问题。我们表明，可以调整参数来模拟各种防撞策略，从而捕捉到与人体运动相关的典型变化。然后，我们提出了一个模拟研究，演示了复杂的相互作用之间的避免策略，控制成本，和避免碰撞的概率。所提出的框架可以使各种需要在杂乱空间中进行远程操作的应用受益，包括机器人辅助手术。此外，它也可以被看作是一种新的优化器，产生光滑和概率安全的轨迹依赖于信号的噪声。
2018-03-26 cs.RO
Quotient-Space Motion Planning
CNRS-AIST Joint Robotics Laboratory（CNRS-AIST联合机器人实验室）
运动规划算法通过计算穿过机器人的配置空间的路径来计算机器人的运动。为了提高运行时间的运动规划算法，我们建议嵌套机器人在彼此之间，创建一个嵌套的配置空间的约束空间分解。基于此分解，我们定义了一个新的基于路线图的运动规划算法称为商空间路线图规划（QMP）。该算法开始增长的最低维商空间上的一个图形，切换到下一个商空间一旦一个有效的路径已经找到，并不断更新每个商空间上的图形同时，直到一个有效的路径中的配置空间已经found.We表明，该算法是概率上完整的，并优于一组国家的最先进的算法实现在开放的运动规划库（OMPL）。
2018-08-03 cs.RO
Sampling-based Path Planning Algorithms: A Survey
WPI（伍斯特理工学院）
本文综述自主机器人路径规划领域的基于采样算法，介绍地图表示类型，重点分析PRM、RRT及其优化版本PRM*、RRT*的优化实现与优势。
2023-04-23 cs.RO
Probabilistic Guaranteed Path Planning for Safe Urban Air Mobility Using Chance Constrained RRT
University of California San Diego（加州大学圣地亚哥分校）；San Diego State University（圣地亚哥州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
安全是城市空中交通成功的关键因素，特别是在动态和不确定的环境中。提出了一种基于RRT和机会约束的不确定障碍物路径规划算法。通过将概率约束转化为确定性约束，建立了高斯分布障碍物的机会约束模型。通过对系统状态的模拟和凸约束的评估，可以确定每个时间步的概率可行域。通过建立机会约束RRT，该算法不仅享有基于采样的算法的好处，但也纳入了不确定性的制定。仿真结果表明，利用该算法可以规划出符合概率避障要求的连接起点和目标点的轨迹。
2022-03-12 cs.RO cs.SY eess.SY
Heuristic-based Incremental Probabilistic Roadmap for Efficient UAV Exploration in Dynamic Environments
Carnegie Mellon University（卡内基梅隆大学）
针对动态环境中无人机探索效率低和重规划困难的问题，提出HIRE规划器，通过启发式前沿区域增量构建概率路线图，并结合动态更新与避障模块，实现高效安全的自主探索。
2023-09-17 cs.RO
Receding Horizon Motion Planning for Multi-Agent Systems: A Velocity Obstacle Based Probabilistic Method
NUS Graduate School for Integrative Sciences and Engineering（新加坡国立大学综合科学与工程研究生院）；National University of Singapore（新加坡国立大学）；University of California, Berkeley（加州大学伯克利分校）；Temasek Laboratories（淡马锡实验室）
在本文中，一种新颖的和创新的方法，可行的运动规划的多智能体系统的发展。基于速度障碍物的特性，在滚动时域控制（RHC）问题中引入机会约束，并利用碰撞锥的几何信息为宿主智能体生成速度可行域.通过这种方法，运动规划在速度级而不是位置级进行。因此，它保证了多智能体系统，特别是具有高速移动的智能体的系统的一个更安全的无碰撞的轨迹。此外，在运动规划过程期间可以满足潜在碰撞的概率阈值。为了验证该方法的有效性，不同的情况下，多个代理进行了调查，仿真结果清楚地表明，该方法可以有效地避免潜在的冲突与碰撞概率小于一个特定的阈值。
2021-03-24 cs.MA cs.RO cs.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
Occlusion-Free Image Based Visual Servoing using Probabilistic Control Barrier Certificates
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对 IBVS 中特征点遮挡导致伺服失败的问题，提出融合 PrCBC 与 MPC 的控制器，在噪声不确定性下以预定概率保证无遮挡并完成视觉伺服。
2024-07-08 cs.RO
Reactive Navigation under Non-Parametric Uncertainty through Hilbert Space Embedding of Probabilistic Velocity Obstacles
RRC, IIIT Hyderabad, India（印度海得拉巴国际信息技术学院（IIIT Hyderabad）RRC（可能是某个研究中心或实验室的缩写，此处保留原文））；University of Tartu, Estonia（爱沙尼亚塔尔图大学）；University of Maryland（马里兰大学）
概率速度障碍（PVO）将速度障碍（VO）的概念扩展到不确定动态环境中。在本文中，我们展示了如何鲁棒模型预测控制（MPC）与PVO约束下的非参数不确定性可以计算处理。在我们的配方的核心是一个新的，但简单的解释，我们强大的MPC作为一个问题的PVO的分布与某个期望的分布相匹配。为此，我们提出了两种方法。我们的第一个基线方法是基于用高斯混合模型（GMM）近似PVO的分布，随后使用Kullback Leibler（KL）发散度量进行分布匹配。我们的第二个公式是基于再生核希尔伯特空间（RKHS）中的函数表示任意分布的可能性。我们使用这个基础来解释我们的鲁棒MPC作为一个问题，最大限度地减少所需的分布和分布的PVO在RKHS之间的距离。基于RKHS和GMM的公式都可以与任何不确定性分布一起工作，从而使我们能够放松现有工作中普遍存在的高斯假设。我们验证我们的配方，以一个现实的噪声模型的感知和自我运动的不确定性的四旋翼的二维导航的例子。特别是，我们提出了一个系统的GMM和RKHS方法之间的比较，并表明，虽然这两种方法都可以产生安全的轨迹，前者是高度保守的，并导致不良的跟踪和控制成本。此外，基于RKHS的方法给出了更好的计算时间，比基于GMM的方法的计算时间少一个数量级。
2020-01-21 cs.RO cs.SY eess.SY
SPOT: Sensing-augmented Trajectory Planning via Obstacle Threat Modeling
Robotics, University of Michigan（机器人学，密歇根大学）；School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院）
提出 SPOT 统一规划框架，利用高斯过程障碍物置信图和碰撞感知紧急度建模，将感知目标纳入轨迹优化，实现低时延动态避障。
2025-10-18 cs.RO
Robots That Do Not Avoid Obstacles
Kuwait University（科威特大学）
运动规划问题是机器人学中的一个基本问题，因此每一个自主机器人都应该能够处理它。已经提出了许多解决方案，概率方案似乎是相当合理的。然而，在这里，我们提出了一个更采用的解决方案，使用模糊集理论，我们暴露这个解决方案旁边的排序调查最近的理论软体机器人，未来两者之间的定性比较。
2018-01-02 cs.RO math.GN
Velocity Obstacle Based Risk-Bounded Motion Planning for Stochastic Multi-Agent Systems
NUS Graduate School for Integrative Sciences and Engineering（新加坡国立大学综合科学与工程研究生院）；National University of Singapore（新加坡国立大学）；The Hong Kong University of Science and Technology（香港科技大学）；University of California, Berkeley（加州大学伯克利分校）
在本文中，我们提出了一个创新的风险有界的运动规划随机多智能体系统的方法。对于这种方法，干扰，噪声和模型的不确定性被认为是和速度障碍的方法是用来制定避碰约束的速度空间。利用静态障碍物和速度障碍物的几何信息，建立了随机多智能体系统的概率机会约束分布式优化问题。因此，在规定的碰撞风险界限下生成无碰撞轨迹。由于概率约束和析取约束的存在，通过引入二进制变量，将分布式机会约束优化问题转化为混合整数规划，提高了计算效率.因此，这种方法使得可以在速度空间而不是位置空间中执行运动规划任务，这导致多智能体系统的更平滑的无碰撞轨迹和更高的计算效率。此外，潜在碰撞的风险与这种鲁棒的运动规划方法有界。为了验证该方法的有效性，不同的情况下，多个代理人进行了调查，仿真结果清楚地表明，该方法可以生成高质量的轨迹下预定义的碰撞风险的界限，并有效地避免潜在的碰撞在速度空间。
2022-02-20 cs.MA cs.RO
Deterministic Sampling-Based Motion Planning: Optimality, Complexity, and Performance
Stanford University（斯坦福大学）
基于概率采样的算法，如概率路线图（PRM）和快速探索随机树（RRT）算法，代表了最成功的方法之一，机器人运动规划，由于其强大的理论属性（在概率的完整性，甚至渐近最优性方面）和显着的实际性能。这种算法是概率性的，因为它们通过连接配置空间中独立且相同分布的随机点来计算路径。然而，它们的随机化方面使得一些任务具有挑战性，包括安全关键型应用程序的认证和使用离线计算来改善实时执行。因此，一个重要的开放问题是，是否可以通过考虑确定性，而不是随机抽样序列获得类似的（或更好的）理论保证和实际性能。本文的目的就是对这个问题提供一个严格的答案。具体来说，我们首先表明，PRM，为一定的选择调谐参数和确定性低色散采样序列，是确定性渐近最优。其次，我们的收敛速度的特点，我们发现，次优因子可以非常明确的上界的采样序列的l2-分散和PRM的连接半径。第三，我们证明了一个渐进最优版本的PRM存在计算和空间复杂度任意接近O（n）（理论下限），其中n是序列中的点的数量。这与现有的渐近最优概率规划器的O（n logn）复杂度结果形成鲜明对比。最后，通过数值实验，我们表明，规划与确定性低色散采样通常提供优越的性能，路径成本和成功率。
2016-05-03 cs.RO
Tight Collision Probability for UAV Motion Planning in Uncertain Environment
The University of Hong Kong（香港大学）；Zhejiang University（浙江大学）
针对动态障碍、外部扰动、定位与建模误差，本文提出融合多源不确定性的无人机机会约束运动规划框架，并用碰撞概率紧致上界降低轨迹保守性。
2023-09-28 cs.RO
Multimodal Classification Network Guided Trajectory Planning for Four-Wheel Independent Steering Autonomous Parking Considering Obstacle Attributes
本文提出基于多模态感知网络和混合A*搜索的轨迹规划框架，通过考虑障碍属性提升四轮独立转向车辆在狭窄环境中的导航效率和安全性。
2026-04-06 cs.RO
Monte-Carlo Robot Path Planning
Technische Universität Darmstadt（达姆施塔特工业大学）；Aalto University（阿尔托大学）
路径规划是机器人行为设计的重要算法。基于采样的方法，如快速探索随机树（RRT）或概率路线图，是路径规划问题的主要算法解决方案。尽管它的指数收敛速度，RRT只能找到次优路径。另一方面，$\textrm{RRT}^*$，一个广泛使用的RRT的扩展，保证概率的完整性，找到最佳路径，但在实践中遭受在复杂的环境中缓慢的收敛。此外，现实世界的机器人环境往往是部分可观察的或描述不佳的动态，铸造应用程序的$\textrm{RRT}^*$在复杂的任务次优。研究了机器人路径规划中常用的蒙特卡罗树搜索（MCTS）算法。值得注意的是，我们研究蒙特卡罗路径规划（MCPP）的分析和证明，一方面，它的指数收敛速度的最优路径完全可观察的马尔可夫决策过程（MDP），另一方面，它的概率完备性，找到可行的路径在部分可观察的MDP（POMDP）假设有限的距离可观察性（证明草图）。我们的算法的贡献，使我们能够采用最近提出的MCTS的变种，不同的探索策略，机器人路径规划。我们的实验评估在模拟的2D和3D环境与7自由度（DOF）的机械手，以及在现实世界的机器人路径规划任务，证明了优越性的MCPP POMDP任务。
2022-08-04 cs.RO
Scenario-Based Trajectory Optimization in Uncertain Dynamic Environments
TU Delft（代尔夫特理工大学）
我们提出了一种基于优化的方法来规划下的不确定性与动态障碍物，如人类的自主机器人的运动。我们的方法将机会约束纳入规划问题的边缘风险的碰撞在每个时间点。这个问题不适合在线优化完全任意的概率分布。因此，我们使用不确定性模型从这些机会约束中进行采样，以生成“场景”，将概率约束转换为确定性约束。实际上，每个场景都代表了样本位置处动态障碍物的碰撞约束。理论上需要的场景数量可能非常大。然而，通过利用几何的工作空间，我们展示了如何修剪优化前的大多数情况下，我们演示了如何减少的情况下仍然可以提供概率保证的运动计划的安全。由于我们的方法是基于场景的，我们能够处理任意的不确定性分布。我们将我们的方法应用于模型预测轮廓控制框架中，并在模拟和实验中展示了其优点，移动机器人平台在行人之间导航，实时运行。
2021-03-23 cs.RO
PRISM: Efficient and Locally Optimal Probabilistic Planning with Reachability Guarantees
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）；Draper
提出PRISM算法，通过将信念空间规划分解为确定性均值规划和协方差收缩，并引入在线局部优化，在满足状态和控制约束下实现高覆盖率和低成本，同时提供可达性保证。
2026-06-26 cs.RO cs.SY eess.SY
Robot Navigation in Unknown and Cluttered Workspace with Dynamical System Modulation in Starshaped Roadmap
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对未知杂乱环境下机器人导航问题，提出基于动态构建星形路标与动态系统调制（DSM）的运动规划与控制框架，通过分段多项式生成自由空间星形表示、增量路标搜索及反应式控制，提升导航成功率并缩短行驶时间。
2025-02-11 cs.RO
TSPDiffuser: Diffusion Models as Learned Samplers for Traveling Salesperson Path Planning Problems
CyberAgent, Inc.（CyberAgent公司）
本文提出TSPDiffuser，一种利用扩散模型作为学习采样器的数据驱动路径规划器，用于在障碍环境中高效求解旅行商路径规划问题，通过生成合理路径并构建精简路径图，在解质量和计算时间上优于现有方法。
2025-02-23 cs.LG cs.RO
Vision-Based Uncertainty-Aware Motion Planning based on Probabilistic Semantic Segmentation
Technical University of Munich（慕尼黑工业大学）
本文针对不确定环境下的机器人安全运动规划问题，提出结合大规模数据增强的深度语义分割集成与基于场景的概率路径规划方法，并通过速度调度保证跟踪误差下的安全性，实验验证了其优于现有方法。
2023-12-01 cs.RO cs.SY eess.SY
Lazy Probabilistic Roadmaps Revisited
University of Melbourne（墨尔本大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
本文介绍了一种经典的懒惰概率路线图算法（懒惰PRM），结果配对PRM和一种新的分支和切割（BC）算法的修订。切割是动态生成的约束，施加在PRM选择的几何图形上的最小成本路径上。切割消除了无法映射到满足适当定义的运动约束的平滑计划的路径。我们通过样条曲线拟合最小代价路径中的顶点来生成候选光滑规划，并利用最近提出的一种算法来验证规划的有效性，该算法将规划映射到有限的迹线上，而不需要选择固定的离散化步骤。跟踪元素精确地描述了计划何时以算术精度为模跨越约束边界。我们评估几个规划者使用我们的方法在最近提出的BARN基准，我们报告的证据，我们的方法的可扩展性。
2022-09-28 cs.AI cs.RO
Belief Space Planning: A Covariance Steering Approach
Georgia Institute of Technology（佐治亚理工学院）；California Institute of Technology（加州理工学院）
提出了一种新的置信空间规划算法--协方差引导置信路线图（CS-BRM），它是一种多查询算法，用于运动和观测同时存在不确定性的动力系统的运动规划。CS-BRM扩展的概率路线图（PRM）的方法，信念空间，是基于最近开发的理论的协方差导向（CS），使终端的信念约束在有限的时间内保证满意。CS-BRM中的节点在置信空间中采样，并代表系统状态的分布。协方差引导控制器将系统从一个BRM节点引导到另一个BRM节点，从而充当确保信念约束满足的相应信念图的边缘控制器。在边控制器被计算之后，特定的边成本被分配给该边。CS-BRM算法允许对非静止置信节点进行采样，从而能够探索速度空间并找到有效的运动计划。CS-BRM的性能进行评估，并与以前的信念空间规划方法相比，证明所提出的方法的好处。
2021-05-24 cs.RO cs.SY eess.SY
pdSTL: Probabilistic Differentiable Signal Temporal Logic for Stochastic Systems
Oklahoma State University（俄克拉荷马州立大学）
提出pdSTL框架，将概率语义与可微鲁棒性结合，通过区间值概率语义和LSTM式展开实现线性时间可微监控，在障碍物规避、换道和真实四旋翼飞行实验中优于确定性可微STL。
2026-06-19 cs.RO cs.SY eess.SY
