Fisher Information Field: an Efficient and Differentiable Map for Perception-aware Planning
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
在规划时间考虑视觉定位精度优先考虑机器人运动，可以更好地定位，从而有可能提高基于视觉的导航，特别是在视觉退化的环境中。为了在运动规划算法中集成关于定位精度的知识，中心任务是量化在6自由度姿态下拍摄的图像为定位带来的信息量，其通常由Fisher信息表示。然而，从一组稀疏地标（即，点云）是用于视觉定位的最常见的地图，其效率低下。这种方法与环境中地标的数量成线性比例，并且不允许重复使用计算的Fisher信息。为了克服这些缺点，我们提出了第一个专用的地图表示评估的Fisher信息的感知运动规划的6自由度视觉定位。通过仔细地制定Fisher信息和传感器可见性，我们能够将旋转不变分量从Fisher信息中分离出来，并将其存储在体素网格中，即Fisher信息场。对于已知环境，此步骤只需执行一次。然后，可以在恒定时间内从场计算任意姿态的Fisher信息，从而消除在规划时迭代所有3D地标的成本。实验结果表明，该Fisher信息场可应用于不同的运动规划算法，比直接使用点云至少快一个数量级。此外，所提出的地图表示是可微的，从而在用于轨迹优化算法时比点云具有更好的性能。
2020-08-07 cs.RO
A Differentiable Dynamic Modeling Approach to Integrated Motion Planning and Actuator Physical Design for Mobile Manipulators
School of Aeronautics and Astronautics, Purdue University（普渡大学航空航天学院）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）
本文提出面向移动机械臂的可微动态建模方法，将电机几何参数解析地融入动力学模型，并构建执行器设计与运动规划同步优化框架，实验表明其在优化速度和能耗上优于传统顺序规划方法。
2024-05-01 cs.RO cs.SY eess.SY
Autonomous Vehicle Path Planning by Searching With Differentiable Simulation
本文提出DSS框架，利用可微模拟器Waymax进行路径规划，通过梯度下降优化动作序列，提升自动驾驶的跟踪和路径规划精度。
2025-11-24 cs.AI cs.RO
Planning along Differentiable Charts of Constraint Manifolds with General-Purpose IK Solvers
Massachusetts Institute of Technology（麻省理工学院）
针对运动学约束下机器人轨迹规划难题，提出利用反函数定理从正向运动学雅可比矩阵计算解析IK参数化梯度，并扩展域以保留梯度信号，经实验验证有效。
2026-09-11 cs.RO
Differentiable Spatial Planning using Transformers
Carnegie Mellon University（卡内基梅隆大学）；Facebook AI Research（Facebook人工智能研究院）；UC Berkeley（加州大学伯克利分校）
我们考虑空间路径规划问题。与从头开始优化新计划并假设访问具有地面真实障碍物位置的完整地图的经典解决方案相比，我们以可微的方式从数据中学习规划器，从而使我们能够利用来自过去数据的统计数据。我们提出了空间规划Transformers（SPT），它给出了一个障碍地图，通过规划长距离的空间依赖性来学习生成动作，这与以前的数据驱动的规划器不同，后者通过卷积结构以迭代的方式在本地传播信息。在代理不知道地面实况地图的情况下，我们在端到端框架中利用预先训练的SPT，该框架具有内置的映射器和规划器结构，可以无缝泛化到分布外的地图和目标。SPT在所有操作和导航任务的设置中都优于现有的最先进的可微分规划器，从而使其绝对性能提高了7- 19%。
2021-12-02 cs.AI cs.CV cs.LG
Integrating Symmetry into Differentiable Planning with Steerable Convolutions
Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机学院）
该研究将群对称性引入端到端可微规划，证明值迭代是可导向卷积等变算子，基于VIN用可导向卷积实现对称规划，在四类任务上较VIN、GPPN显著提升训练效率与泛化性。
2023-05-01 cs.AI cs.LG cs.RO
3D Path Planning for Robot-assisted Vertebroplasty from Arbitrary Bi-plane X-ray via Differentiable Rendering
本研究提出了一种基于不同可微渲染的3D路径规划方法，利用双平面X射线实现无需CT的机器人辅助椎体成形术路径规划，提升了重建精度和泛化能力。
2025-12-05 cs.AI cs.RO
A Differentiable Signed Distance Representation for Continuous Collision Avoidance in Optimization-Based Motion Planning
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出了一套新的条件，以准确地表示碰撞避免的约束条件内的优化为基础的运动规划算法。这些条件是连续可微的，因此适合与标准非线性优化求解器一起使用。该方法表示凸形状使用的支持函数表示，因此是相当普遍的。对于涉及多面体或椭球形状的碰撞避免，所提出的方法引入了更少的变量和约束比现有的方法。此外，所提出的方法可以用来严格地确保连续的碰撞避免作为车辆之间的离散姿态之间的转换所确定的运动规划算法。数值例子表明，这可以用来防止切角和通过障碍物时可能发生的碰撞避免只在离散的时间步长执行的问题。
2023-02-20 cs.RO cs.SY eess.SY
Shadow Program Inversion with Differentiable Planning: A Framework for Unified Robot Program Parameter and Trajectory Optimization
ArtiMinds Robotics（ArtiMinds机器人公司）；Institute for Artificial Intelligence, University of Bremen（不来梅大学人工智能研究所）
本文提出SPI-DP一阶优化器，通过引入可微分无碰撞运动规划器DGPMP2-ND并集成到梯度优化方法中，实现机器人程序参数与轨迹的统一优化，兼顾任务目标与运动约束，支持人类理解修改程序并在实际场景验证。
2025-02-12 cs.AI cs.RO
Real-Time and Accurate Collision-Free Teleoperation via Differentiable Constraint-Based Trajectory Planning
FZI - Forschungszentrum Informatik（FZI 信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对遥操作中自碰撞与环境碰撞问题，提出基于对偶可微碰撞约束的轨迹规划方法，采用胶囊体与多面体建模，实现更低计算时间和更精确障碍物建模，保证平滑无碰撞遥操作。
2026-06-07 cs.RO cs.SY eess.SY
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
STAMP: Differentiable Task and Motion Planning via Stein Variational Gradient Descent
University of Toronto（多伦多大学）；Carnegie Mellon University（卡内基梅隆大学）；NVIDIA（英伟达）；Massachusetts Institute of Technology（麻省理工学院）；Technical University of Darmstadt（达姆施塔特工业大学）；McGill University（麦吉尔大学）；University of Sydney（悉尼大学）
STAMP 将 TAMP 的混合优化问题松弛到连续域，利用可微分物理仿真梯度和 Stein 变分梯度下降，在单次优化中并行求解并生成多个多样化计划，显著提升规划速度。
2024-09-29 cs.AI cs.RO
Neural Elevation Models for Terrain Mapping and Path Planning
Stanford（斯坦福大学）
本文提出神经高程模型（NEMos），将神经辐射场适配为2.5维连续可微地形，并基于可微高度场实现梯度优化的平滑路径规划，实验验证其重建质量与路径平滑性优于离散方法。
2024-05-24 cs.RO
Parallel Differentiable Reachability for Learning and Planning with Certified Neural Dynamics and Controllers
MIT（麻省理工学院）
提出一种基于JAX的并行可微可达性框架，结合泰勒模型流形构建与CROWN线性界传播，支持GPU批处理和自动微分，并用于认证训练和可达性感知的MPC，在非抓取操作和四旋翼任务中实现在线规划与有界不确定性下的认证可达集过近似。
2026-05-25 cs.AI cs.LG cs.RO
A Self-Supervised Learning Approach with Differentiable Optimization for UAV Trajectory Planning
Department of Aerospace Engineering, Pennsylvania State University（宾夕法尼亚州立大学航空航天工程系）；Department of Engineering and Applied Science, University at Buffalo（布法罗大学工程与应用科学系）
本文提出了一种结合可微优化的自监督学习方法，用于在三维环境中提升无人机轨迹规划的效率和鲁棒性。
2026-03-03 cs.RO cs.SY eess.SY
DualSMC: Tunneling Differentiable Filtering and Planning under Continuous POMDPs
Tsinghua University（清华大学）；Stanford University（斯坦福大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Institute for Advanced Study（高等研究院）；Massachusetts Institute of Technology（麻省理工学院）
求解连续POMDPs的一个主要困难是推断未观察到的真实状态的多模态分布，并使规划算法依赖于感知的不确定性。我们投POMDP过滤和规划问题作为两个密切相关的顺序蒙特卡罗（SMC）过程，一个在真实的状态和其他未来的最佳轨迹，并结合这两个部分的优点，在一个新的模型命名为DualSMC网络。特别是，我们首先介绍了一种对抗性粒子滤波器，它利用了其内部组件之间的对抗关系。基于过滤结果，我们提出了一种规划算法，该算法扩展了以前的SMC规划方法[Piche等人，2018年]连续POMDPs与不确定性依赖的政策。至关重要的是，DualSMC不仅可以处理复杂的观察，如图像输入，而且它仍然具有高度的可解释性。它被证明是有效的，在三个连续的POMDP域：地板定位域，3D明暗导航域，和修改后的Reacher域。
2020-05-07 cs.AI cs.LG cs.RO
Motion Planning in Non-Gaussian Belief Spaces (M3P): The Case of a Kidnapped Robot
Texas A&M University（得克萨斯农工大学）
由于执行器和传感器的噪声特性，不确定性下的规划是物理系统的关键要求。使用信念空间方法，规划解决方案往往会生成导致信息寻求行为的行动，从而减少状态不确定性。虽然最近的工作已经处理了高斯信念的规划，但在许多情况下，多模态信念是潜在信念的更准确表示。在信息对称的环境中尤其如此，这种环境会导致不确定的数据关联，从而自然导致对状态的多模态假设。因此，计划者不能简单地将行动建立在最可能的状态上。我们提出了一种算法，该算法使用滚动时域规划方法来规划动作，该动作顺序地将多模态信念消歧为单峰高斯，并在真实状态上实现紧密定位，称为多模态运动规划器（M3P）。通过将基于高斯采样的信念空间规划器与M3P相结合，并在规划器和信念表示中引入切换行为，我们提出了一个整体的信念空间规划问题的端到端解决方案。二维地面机器人导航问题的仿真结果表明，我们的方法的性能。
2015-06-05 cs.RO
A Gaussian variational inference approach to motion planning
Georgia Institute of Technology（佐治亚理工学院）
我们提出了一个高斯变分推理框架的运动规划问题。在这个框架中，运动规划被公式化为对轨迹分布的优化，以通过易处理的高斯分布来近似期望的轨迹分布。等价地，所提出的框架可以被视为具有熵正则化的标准运动规划。因此，得到的解决方案是一个过渡，从一个最佳的确定性的解决方案，一个随机的，所提出的框架可以恢复确定性的解决方案，通过控制随机性的水平。为了解决这个优化问题，我们采用自然梯度下降方案。进一步利用因子分解目标函数引起的所提出的制剂的稀疏结构，以提高算法的可扩展性。我们评估我们的方法在几个机器人系统在模拟环境中，并表明，它实现了碰撞避免与平滑的轨迹，同时带来了鲁棒性的确定性基线结果，特别是在具有挑战性的环境和任务。
2023-01-28 cs.RO
Large Language Model Enhanced Differentiable Trajectory Planning for IoT-Enabled Autonomous Driving
State Key Laboratory of Automotive Simulation and Control, Jilin University（吉林大学汽车仿真与控制国家重点实验室）；Center of Research for Cyber Security and Network (CSNET), Faculty of Computer Science and Information Technology, Universiti Malaya（马来西亚大学计算机科学与信息技术学院网络安全与网络研究中心）；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）；IMT, Department of Humanities and Technology, Roskilde University（罗斯基勒大学人文与技术系IMT）；Center for Security, Theory and Algorithmic Research, International Institute of Information Technology（国际信息技术研究所安全、理论与算法研究中心）；Department of Computer Science and Engineering, College of Informatics, Korea University（韩国大学信息学院计算机科学与工程系）
针对物联网支持的自动驾驶规划问题，提出大语言模型增强可微轨迹规划框架。通过以周围智能体为中心的数据增强、复杂度感知的语义增强模块及可微优化模块，提升规划效果，在相关基准测试中取得高分，验证了在线部署和实时闭环执行能力。
2026-07-14 cs.NI cs.RO
Co-learning Planning and Control Policies Constrained by Differentiable Logic Specifications
Purdue University（普渡大学）
本文提出协同学习规划与控制策略的强化学习方法，以可微逻辑规范约束高维机器人导航，降低样本复杂度并实现长时域路径生成与策略对齐。
2023-10-02 cs.LG cs.RO cs.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
Visual-RRT: Finding Paths toward Visual-Goals via Differentiable Rendering
KAIST（韩国科学技术院）；Samsung Electronics（三星电子）
本文提出视觉-RRT，结合可微机器人渲染与RRT采样探索，实现视觉目标路径规划，实验表明其在模拟和现实环境中均有效。
2026-03-27 cs.CV cs.RO
Stochastic Motion Planning as Gaussian Variational Inference: Theory and Algorithms
School of Aerospace Engineering（航空航天工程学院）；School of Electrical and Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）
本文提出基于高斯变分推断的运动规划框架GVI-MP，将其建模为后验分布并与随机控制对偶，开发了自然梯度与近端协方差引导两种求解算法，提升了规划决策的鲁棒性。
2025-06-23 cs.RO
Stochastic Optimization for Trajectory Planning with Heteroscedastic Gaussian Processes
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
用于运动规划的轨迹优化方法试图生成使合适的目标函数最小化的轨迹。这种方法有效地找到解决方案，即使是高自由度的机器人。然而，全局最优解在实践中通常是难以处理的，并且因此现有技术的轨迹优化方法倾向于局部最小值，特别是在混乱的环境中。在本文中，我们提出了一种新的运动规划算法，采用基于交叉熵方法的随机优化，以解决局部极小值问题。我们表示轨迹作为样本从一个连续时间的高斯过程，并引入异方差生成强大的轨迹先验更适合避免碰撞的运动规划问题。我们的实验评估表明，所提出的方法产生一个更彻底的探索的解决方案空间和更高的成功率在复杂的环境比目前的高斯过程为基础的国家的最先进的轨迹优化方法，即GPMP2，同时具有可比的执行时间。
2019-07-17 cs.RO
Multi-agent Gaussian Process Motion Planning via Probabilistic Inference
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
本文讨论了多智能体的运动规划问题，将其表示为每个智能体轨迹的同时优化问题。每个轨迹被认为是从一个一维的连续时间高斯过程（GP）所产生的线性时变随机微分方程的白噪声驱动的样本。通过将规划问题公式化为因子图上的概率推理，可以利用相关GP的结构来使用数值优化有效地找到解决方案。与单独规划每个代理的轨迹相比，仅考虑其他代理的当前姿势，我们提出了以预测方式工作的多个轨迹的同时规划。它考虑到每个代理的行踪在未来的每一个时刻的信息，因为每个代理的完整轨迹是在一个单一的优化过程中共同发现的。我们比较所提出的方法，一个单独的轨迹规划方法，成功率和计算效率显着改善。
2018-06-20 cs.RO
Continuous-Time Gaussian Process Motion Planning via Probabilistic Inference
Georgia Institute of Technology（佐治亚理工学院）
我们介绍了一种新的制定运动规划，连续时间的轨迹，概率推理。我们首先展示如何平滑的连续时间轨迹可以表示为一个小数目的状态，使用稀疏高斯过程（GP）模型。接下来，我们开发了一个有效的基于梯度的优化算法，利用这种稀疏性和GP插值。我们称之为高斯过程运动规划器（GPMP）的算法。然后，我们详细介绍了如何将运动规划问题公式化为因子图上的概率推理。这构成了GPMP2的基础，GPMP2是一种非常有效的算法，它将轨迹的GP表示与通过数值优化进行的快速结构开发推理相结合。最后，我们将GPMP2扩展为增量算法iGPMP2，该算法可以在条件变化时有效地重新规划。我们基准我们的算法对几个采样为基础的和轨迹优化为基础的运动规划算法在多个环境中的规划问题。我们的评估表明，GPMP2是几倍的速度比以前的算法，同时保持鲁棒性。我们还基准iGPMP2重新规划的问题，并表明它可以找到成功的解决方案，在一小部分的时间所需的GPMP2从头开始重新规划。
2018-11-22 cs.RO
Real-Time Trajectory Planning for Autonomous Driving with Gaussian Process and Incremental Refinement
Hong Kong University of Science and Technology（香港科技大学）
动态环境下的实时的【形】运动动力学轨迹规划是自动驾驶的关键，但具有挑战性。在这封信中，我们提出了一个有效的轨迹规划系统，自动驾驶在复杂的动态场景中，通过迭代和增量路径速度优化。利用规划问题的解耦结构，基于高斯过程的路径规划器首先在Frenét坐标系下，考虑静态避障和曲率约束，生成一条弧长连续的参数化路径。我们从理论上证明了它是著名的加加速度最优解的一个很好的推广。提出了一种有效的s-t图搜索方法来寻找沿生成路径的速度分布，以应对动态环境。最后，路径和速度被增量地和迭代地优化，以确保运动动力学的可行性。各种模拟场景的静态障碍物和动态代理验证了我们所提出的方法的有效性和鲁棒性。实验结果表明，我们的方法可以运行在20 Hz。源代码作为开源软件包发布。
2022-05-24 cs.RO
Smooth Path Planning Using a Gaussian Process Regression Map for Mobile Robot Navigation
ONERA, Université Paris-Saclay（ONERA、巴黎-萨克雷大学）
针对非结构化危险环境中的地面机器人导航，提出基于 GPR 连续地形表示并结合 A*、T-RRT 与 BCO 的平滑路径规划框架，实验验证了联合使用连续表示和不同先验的优势。
2024-07-08 cs.RO
Non-Gaussian SLAP: Simultaneous Localization and Planning Under Non-Gaussian Uncertainty in Static and Dynamic Environments
Texas A&M University（德克萨斯A&M大学）
在过程和测量不确定性下的同时定位和规划（SNOW）是一个挑战。它涉及到解决一个随机控制问题建模为部分观测马尔可夫决策过程（POMDP）的一般框架。对于凸环境，我们提出了一个基于优化的开环最优控制问题，再加上滚动时域控制策略，规划高品质的轨迹，沿状态局部化的不确定性减少，而系统达到目标状态，以最小的控制努力。在非凸状态约束的静态环境中，通过定义障碍函数来修改优化，以获得无碰撞路径，同时保持先前的目标。通过初始化优化轨迹在不同的同伦类和比较所得的成本，我们提高了质量的解决方案中存在的行动和测量的不确定性。在具有时变约束的动态环境中，如移动障碍物或禁区，该方法被扩展到寻找无碰撞轨迹。在本文中，底层空间是连续的，信念是非高斯的。在没有障碍物的情况下，优化是一个全局凸问题，而在存在障碍物的情况下，它变成局部凸的。我们证明了该方法在不同情况下的性能。
2016-08-11 cs.RO
Multi-Step Gaussian Process Propagation for Adaptive Path Planning
Department of Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系）；Department of Engineering Cybernetics, Norwegian University of Science and Technology (NTNU)（挪威科技与自然大学（NTNU）工程控制系）；Department of Electronic Systems, Norwegian University of Science and Technology (NTNU)（挪威科技与自然大学（NTNU）电子系统系）
本文提出基于高斯过程的多步路径规划方法OLAhGP，通过融合多模态环境传感数据和状态输入约束，提升自主水面舰在藻类监测中的路径规划效率与鲁棒性。
2026-04-21 cs.RO
Informative path planning for scalar dynamic reconstruction using coregionalized Gaussian processes and a spatiotemporal kernel
University of California, Merced（加州大学默塞德分校）
本文提出一种基于协同区域化高斯过程和时空复合核的动态标量场信息路径规划新方法，相比未考虑时间维度的传统方法，能更准确估计时空变化的标量场，且易于集成至现有IPP算法。
2023-09-13 cs.RO
Optimal Sampling-based Motion Planning in Gaussian Belief Space for Minimum Sensing Navigation
University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对高斯信念空间中采样规划缺乏解质量保证的问题，提出 IG-PRM* 以最小化欧几里得与信息论代价加权和，并证明其渐近收敛至全局最优。
2023-06-01 cs.RO
CQDC-Warp: GPU-Accelerated Differentiable Quasi-Dynamic Simulation for Contact-Rich Manipulation
Peking University（北京大学）；Galbot；Tsinghua University（清华大学）
提出GPU加速的可微分准动态仿真器CQDC-Warp，用于接触丰富操作的批量MPC，在Allegro手持旋转基准测试中成功率优于CFree、IMPACT，且轨迹生成时间大幅减少，吞吐量高，适用于多种机器人操作场景。
2026-10-16 cs.RO
Feedback Motion Planning Under Non-Gaussian Uncertainty and Non-Convex State Constraints
Texas A&M University（德克萨斯农工大学）
过程和测量不确定性下的规划是一个具有挑战性的问题。在其最一般的形式中，它可以被建模为部分观测马尔可夫决策过程（POMDP）问题。然而，POMDPs通常很难解决时，底层空间是连续的，特别是当信念是非高斯，和困难进一步加剧时，也有非凸约束的状态。解决此类具有挑战性的POMDP的现有算法在计算和内存方面都很昂贵。在非高斯置信空间中，通过求解一般非线性观测模型的凸规划，给出了一种反馈策略。该解决方案涉及一个滚动时域控制策略，使用粒子滤波器的非高斯信念表示。我们开发了一种在状态空间中捕获非凸约束的方法，并调整优化以纳入此类约束。这种方法的一个关键优点是，它不会在优化问题中引入额外的变量，因此比置信空间中现有的约束问题更具可扩展性。我们证明了该方法在不同情况下的性能。
2016-01-12 cs.RO
CSSDF-Net: Safe Motion Planning Based on Neural Implicit Representations of Configuration Space Distance Field
IRMV Lab, Department of Automation, Shanghai Jiao Tong University（IRMV实验室，自动化系，上海交通大学）
本文提出CSSDF-Net，通过学习配置空间中的连续签名距离场，实现统一的安全性几何概念，结合安全约束轨迹优化和递推预测控制，支持零样本泛化和高效避障。
2026-03-19 cs.RO
Efficient Iterative Proximal Variational Inference Motion Planning
School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA（电气与计算机工程学院，佐治亚理工学院，亚特兰大，GA）；School of Aerospace Engineering, Georgia Institute of Technology, Atlanta, GA（航空航天工程学院，佐治亚理工学院，亚特兰大，GA）
本文提出P-GVIMP方法，通过并行计算和变分推断解决非线性随机系统的运动规划问题，实现高效规划与不确定性下的成功解决方案。
2025-09-27 cs.RO
Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning
Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系）；Department of Mathematical and Computational Sciences, University of Toronto（多伦多大学数学与计算科学系）
本文提出了一种新的损失函数，通过核密度估计校准高斯轨迹预测器的不确定性，以提高安全规划性能。
2026-07-14 cs.RO
Multi-Robot Informative Path Planning from Regression with Sparse Gaussian Processes (with Appendix)
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对环境监测中的多机器人信息路径规划问题，提出一种基于稀疏高斯过程、用梯度下降优化路径的高效方法，可适配多种环境、约束与机器人配置，在真实数据上验证了快速准确的性能。
2024-03-10 cs.RO
Analytic Conditions for Differentiable Collision Detection in Trajectory Optimization
Robotics Engineering Department, Worcester Polytechnic Institute（沃斯特理工学院机器人工程系）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Mitsubishi Electric（三菱电机）
针对基于优化的运动规划中非穿透约束计算成本高的问题，提出带解析表达式的可微条件及多面体光滑近似方法，可高效应用于碰撞感知轨迹优化，经数值实验验证性能优于现有基线方法。
2025-09-30 cs.CG cs.RO
Self-Supervised Path Planning in Unstructured Environments via Global-Guided Differentiable Hard Constraint Projection
State Key Laboratory of Tribology in Advanced Equipment, Tsinghua University（摩擦学国家重点实验室（先进装备））；Beijing Key Laboratory of Transformative High-end Manufacturing Equipment and Technology, Department of Mechanical Engineering, Tsinghua University（北京高端制造装备与技术关键实验室（机械工程系））；Automotive Electronics Business Unit at Hirain Inc.（惠而得（中国）汽车电子业务部）
本文提出一种自监督路径规划框架，通过全局引导人工势场和可微硬约束投影层，提升无结构环境中自主导航的安全性和实时性。
2026-01-27 cs.RO cs.SY eess.SY
Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty
University of Genoa（热那亚大学）
计算无碰撞轨迹对于安全航行至关重要。我们提出了一种方法来计算碰撞概率高斯分布的运动和传感器的不确定性与机器人和静态障碍物的形状近似为椭球。碰撞条件被制定为椭球体之间的距离，与以前的方法不同，我们提供了一种方法来计算准确的碰撞概率。此外，我们提供了一个严格的上限，可以更快地计算在线规划。还提供了与其他最先进的方法的比较。在不同的配置和障碍物的数量下，所提出的方法进行了评估模拟。
2021-10-12 cs.AI cs.RO
Constrained Iterative LQG for Real-Time Chance-Constrained Gaussian Belief Space Planning
Tsinghua University（清华大学）；Shanghai Qizhi Institute（上海期智研究院）；University of California, Berkeley（加州大学伯克利分校）；University of Tokyo（东京大学）
不确定条件下的运动规划对于自动驾驶汽车等安全关键系统具有重要意义。这样的系统必须满足必要的约束（例如，碰撞避免），其具有来自受干扰的系统动态或噪声传感器测量的潜在不确定性。然而，现有的运动规划方法不能有效地找到一般非线性和非凸设置下的鲁棒最优解。本文提出了机会约束的高斯置信空间规划问题，并提出了一种实时的【形】求解约束迭代线性二次高斯（CILQG）算法。在该算法中，我们迭代地计算一个高斯近似的信念和转换的机会约束。我们评估我们的方法在模拟自动驾驶规划任务的静态和动态障碍物的有效性。结果表明，CILQG能更好地处理不确定性，计算时间比基线方法更快。
2021-08-21 cs.RO cs.SY eess.SY
Differentiable Raycasting for Self-supervised Occupancy Forecasting
Carnegie Mellon University（卡内基梅隆大学）；Argo AI；Amazon（亚马逊）
安全自动驾驶的运动规划需要了解自动驾驶汽车周围的环境如何随时间变化。场景中可驾驶区域的自我中心感知不仅随着环境中的演员的运动而变化，而且还随着自我车辆本身的运动而变化。为大规模规划提出的自我监督表示，如以自我为中心的自由空间，混淆了这两种运动，使表示难以用于下游运动规划。在本文中，我们使用几何占用作为一个自然的替代视图相关的表示，如自由空间。占领地图自然地将环境的运动与自我交通工具的运动分开。然而，人们不能直接观察到场景的完整3D占用（由于遮挡），这使得它难以用作学习的信号。我们的关键见解是使用可微光线投射将未来的占用预测“渲染”为未来的LiDAR扫描预测，这可以与自监督学习的地面实况扫描进行比较。使用微分光线投射允许占用出现作为预测网络内的内部表示。在没有地面实况占用的情况下，我们定量评估了光线投射激光雷达扫描的预测，并显示了高达15个F1点的改进。对于下游运动规划器，紧急占用可以直接用于引导不可驾驶区域，与以自由空间为中心的运动规划器相比，这种表示相对减少了与物体碰撞的次数高达17%。
2022-10-18 cs.CV cs.RO
Multi-Agent Path Planning in Complex Environments using Gaussian Belief Propagation with Global Path Finding
Aarhus University（奥胡斯大学）
提出结合高斯置信传播与跟踪因子的多智能体路径规划方法，确保全局路径遵循，仿真显示路径偏差降低28%（单智能体）和16%（多智能体）。
2025-02-27 cs.MA cs.RO
Differentiable Forward Kinematics for TensorFlow 2
TU Wien（维也纳工业大学）；University of Innsbruck（因斯布鲁克大学）
机器人系统通常很复杂，依赖于大量软件组件的集成。机器人系统中的一个重要组成部分提供了正运动学的计算，这是运动规划和感知相关的组件所需要的。基于深度学习的端到端学习系统需要在组件边界上传递梯度。正运动学的典型软件实现是不可微的，因此无法构建基于梯度的端到端学习系统。在本文中，我们提出了一个与ROS-URDF兼容的库，它可以计算正运动学，同时可以访问梯度w.r.t.联合配置和模型参数，允许基于梯度的学习和模型识别。我们的Python库基于Tensorflow~2，并且是可自动微分的。它支持在GPU上并行计算大量的运动学配置，与基于CPU的顺序计算相比，性能有了相当大的提高。https://github.com/lumoe/dlkinematics.git
2023-03-10 cs.RO cs.SE
Adaptive Gaussian Process based Stochastic Trajectory Optimization for Motion Planning
Zhejiang University（浙江大学）
针对危险环境下机器人的最优运动规划（OMP）算法，提出了一种新的基于自适应高斯过程的随机轨迹优化（AGP-STO）算法。该算法首先利用重新估计的Lipschitz常数（L-reAGD）重新开始加速梯度下降，提高计算效率，只需要一阶动量。然而，它仍然不能推断的全局最优的非凸问题，由高斯过程（GP）和障碍的先验信息通知。因此，该算法将自适应随机轨迹优化（ASTO）方法引入到L-重估计过程中，通过加速移动平均（AMA）算法学习重要样本的GP先验。此外，我们引入增量最优运动规划（iOMP）的AGP-STO升级到iAGP-STO。它在先前优化的航路点之间增量地插入轨迹，以确保时间连续的安全性。最后，我们将iAGP-STO与数值（CHOMP，TrajOpt，GPMP）和采样（STOMP，RRT-Connect）方法进行基准测试，并进行关键参数的调整实验，以显示L-reAGD，ASTO和iOMP的集成如何提高计算效率和可靠性。此外，在LBR-iiwa，多AGV和Rethink-Baxter上实施iAGP-STO展示了其在操纵，协作和辅助方面的应用。
2021-12-30 cs.RO math.OC
Constrained Gaussian Process Motion Planning via Stein Variational Newton Inference
本文提出约束 Stein 变分高斯过程运动规划框架 cSGPMP，通过专用 GPMP 先验和粒子推理高效处理硬非线性约束，在 350 个规划任务中取得 98.57% 的平均成功率，显著优于现有基线。
2025-04-07 cs.LG cs.RO
Gaussian Belief Trees for Chance Constrained Asymptotically Optimal Motion Planning
University of Colorado Boulder（科罗拉多大学博尔德分校）
在本文中，我们解决的问题，基于采样的运动规划运动和测量的不确定性与概率保证。我们推广传统的基于采样树的运动规划算法的确定性系统，并提出信念- $\mathcal{A}$，一个框架，扩展任何kinodynamic树为基础的规划器的线性（或线性化）系统的信念空间。我们引入适当的抽样技术和距离度量的信念空间，保持概率的完整性和渐近最优性能的基础计划。我们证明了我们的方法有效地找到安全的低成本路径，并在模拟渐近最优，完整和非完整系统的有效性。
2022-10-04 cs.RO cs.SY eess.SY
A Unifying Variational Framework for Gaussian Process Motion Planning
University College London（伦敦大学学院）；ETH Zürich（苏黎世联邦理工学院）；Imperial College London（帝国理工学院）；University of Cambridge（剑桥大学）；Cornell University（康奈尔大学）；TU Delft（代尔夫特理工大学）；Chalmers University of Technology（查尔姆斯理工大学）
针对机器人运动规划需平衡多约束、纳入不确定性的需求，提出基于变分高斯过程的统一框架，统一多类规划算法，支持多类约束与不确定性估计，实验验证其在成功率和路径质量间平衡良好。
2024-03-08 cs.LG cs.RO
Differentiable Motion Manifold Primitives for Reactive Motion Generation under Kinodynamic Constraints
Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院）
针对高维系统运动动力学约束下的实时运动生成问题，提出DMMP神经网络，通过离线学习约束满足轨迹流形并在线快速搜索，实现连续可微轨迹生成，且在7自由度机械臂动态投掷中性能优于既有方法。
2025-07-24 cs.AI cs.RO
Hölder Signed Distance: A Differentiable, Signed, Parallelizable Metric for Robotics
该研究提出一种适用于凸多面体的可微符号距离，通过引入 Hölder 最小/最大算子替换经典 SDF 的 min-max 算子，实现闭式计算且可 GPU 并行，经实验验证其在机器人控制领域的适用性。
2026-08-11 cs.CG cs.RO
Bi-level Trajectory Optimization on Uneven Terrains with Differentiable Wheel-Terrain Interaction Model
Institute of Technology, University of Tartu（塔尔图大学理工学院）；RRC, IIIT Hyderabad（印度国际信息技术研究院研究中心）
本文提出一种仅依赖数字高程信息的纯模型化双层轨迹优化方法，将轮地交互与六自由度位姿预测建模为可微分的非线性最小二乘问题，从而在不平坦地形上高效生成平滑稳定的行驶轨迹。
2024-11-22 cs.RO cs.SY eess.SY
Rumor-robust Decentralized Gaussian Process Learning, Fusion, and Planning for Modeling Multiple Moving Targets
Nvidia Corp.（英伟达公司）；Cornell University（康奈尔大学）；TuSimple（图森未来）
本文提出了一种分散的高斯过程（GP）学习，融合和规划（RESIN）形式主义的移动传感器网络主动学习目标运动模型。RESIN的特点是计算和通信效率，以及在传感器网络中的谣言传播的鲁棒性。利用加权指数积规则和高斯信息，提出了一种对谣言鲁棒的分散GP融合方法，从局部GP模型生成全局一致的目标轨迹预测。然后提出了一种分散的信息驱动的路径规划方法，移动传感器生成信息的传感路径。一种新的，恒定大小的信息共享策略的传感器之间的路径协调，并推导出一个解析的目标函数，显着降低了路径规划的计算复杂度。在各种数值模拟中证明了树脂的有效性。
2020-09-13 cs.MA cs.RO cs.SY
TurboMPC: Fast, Scalable, and Differentiable Model Predictive Control on the GPU
Dartmouth College（达特茅斯学院）；Toyota Research Institute（丰田研究所）
提出TurboMPC，一种完全运行在GPU上的可微分MPC求解器，通过SQP、ADMM内求解器、隐式微分和JAX-CUDA协同设计，在约束规划、人形模仿学习和强化学习中实现高达15倍和58倍的加速，并在实车最小时间竞赛中通过贝叶斯优化调参显著提升性能。
2026-06-25 cs.LG cs.RO cs.SY
