Dynamic Q-planning for Online UAV Path Planning in Unknown and Complex Environments
Federal University of São Carlos(圣卡洛斯联邦大学);São Carlos School of Engineering, University of São Paulo(圣保罗大学圣卡洛斯工程学院);University of Sydney(悉尼大学)
针对未知复杂环境下无人机在线路径规划,提出动态确定Q学习迭代次数的方法,与固定迭代Q学习、A*、RRT和PSO对比,验证了其有效性和可靠性。
2024-02-09 cs.RO
Manipulation Trajectory Optimization with Online Grasp Synthesis and Selection
University of Washington(华盛顿大学);NVIDIA(英伟达)
在机器人操作中,规划机器人操作器抓取物体的运动是一个基本问题。操纵规划器需要生成操纵臂的轨迹以避开环境中的障碍物,并规划用于抓取的末端执行器姿态。虽然轨迹规划和抓取规划通常是分开处理的,但如何有效地集成这两个规划问题仍然是一个挑战。在这项工作中,我们提出了一种新的方法,关节运动和抓取规划。我们的方法集成了操作轨迹优化与在线抓取合成和选择,其中我们应用在线学习技术来选择抓取的目标配置,并引入一个新的抓取合成算法来在线生成抓取。我们评估我们的规划方法,并证明我们的方法产生强大的和有效的运动计划,在混乱的场景中把握。我们的视频可以在https://www.youtube.com/watch?上找到v=LIcACf8YkGU。
2020-05-11 cs.RO
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
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
NEPTUNE: Nonentangling Trajectory Planning for Multiple Tethered Unmanned Vehicles
Nanyang Technological University(南洋理工大学)
针对多系留机器人到达各自目标时易缠绕的问题,本文提出系绳感知多机器人同伦表示,并结合去中心化在线图搜索与优化框架,实现无缠绕、无碰撞且动力学可行的实时轨迹规划。
2023-04-25 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
Anytime Global Tensor Motion Planning
Purdue University(普渡大学);VinUniversity(范安大学);TU Darmstadt(达姆施塔特工业大学)
该研究泛化全局张量运动规划(GTMP),提出两种 anytime 策略,证明其同伦类覆盖与概率特性,在操作任务和二维导航基准上表现良好。
2026-08-27 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
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
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
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
ContactNet: Online Multi-Contact Planning for Acyclic Legged Robot Locomotion
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院);Tandon School of Engineering, New York University (NYU)(纽约大学坦登工程学院);Università di Trento(特伦托大学)
提出基于多输出回归神经网络的快速非周期接触规划器ContactNet,可在约1毫秒内完成多接触规划,实现与轨迹优化器的MPC并发执行,并在四足机器人Solo12仿真中验证了有效性。
2024-05-02 cs.RO
GripMap: An Efficient, Spatially Resolved Constraint Framework for Offline and Online Trajectory Planning in Autonomous Racing
针对自动驾驶竞速中传统轨迹规划忽略路面抓地力随位置变化的问题,提出GripMap框架,在Frenet坐标系中空间分辨动力学约束,通过完美哈希实现低存储与快速访问,提升规划效率与安全性,实验验证其有效性且可作为未来可解释学习算法的基础层。
2025-04-16 cs.RO
Space Filling Curves for Coverage Path Planning with Online Obstacle Avoidance
Autonomous Robotics Research Center, Technology Innovation Institute(自主机器人研究中心,技术创新研究院);Indian Institute Of Technology Bombay(印度理工学院孟买分校)
本文提出一种基于空间填充曲线(SFC)的机器人探索策略,通过在线确定替代路径避开未知障碍物,确保完全覆盖可达区域,并证明了该策略的完备性。
2024-03-23 cs.RO
Tactical Game-theoretic Decision-making with Homotopy Class Constraints
Politecnico di Milano(米兰理工大学);ETH Zurich(苏黎世联邦理工学院)
本研究针对城市环境博弈论运动规划问题,提出带同伦类约束的战术决策框架,将驾驶建模为广义纳什均衡问题,通过混合整数方法结合同伦类划分解空间,在rounD数据集场景下实现全局最优求解且计算时间平均降低78%。
2024-06-19 cs.MA cs.RO
An Online Optimization-Based Trajectory Planning Approach for Cooperative Landing Tasks
Institute of Engineering and Computational Mechanics, University of Stuttgart(斯图加特大学工程与计算力学研究所);Department of Mechanical Engineering, LUT University(卢托拉大学机械工程系)
本文提出了一种基于在线优化的协作着陆轨迹规划方法,通过互补约束实现多机器人自主协调,提升着陆任务的安全性和效率。
2025-02-19 cs.RO
Search-Based Online Trajectory Planning for Car-like Robots 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)
本文提出了一种基于搜索的部分运动规划器,以产生动态可行的轨迹,车式机器人在高度动态环境。规划者通过探索建立在运动基元上的状态图来搜索平滑、安全和接近时间最优的轨迹,运动基元是通过离散化时间维度和控制空间生成的。为了实现快速的在线规划,我们首先提出了一个有效的路径搜索算法的基础上的运动基元的聚合和修剪。然后,我们提出了一个快速的碰撞检测算法,考虑到运动的障碍物的运动。该算法将机器人与障碍物之间的相对运动线性化,然后通过比较点-线距离来检查碰撞。该规划器利用快速搜索和碰撞检测算法,能够有效、安全地探索状态时间空间,生成近时间最优解。大量实验结果表明,该方法能够在毫秒级内生成可行轨迹,同时保持较高的成功率,具有明显的优越性。
2020-11-07 cs.RO
Online Gaussian Process State-Space Model: Learning and Planning for Partially Observable Dynamical Systems
KAIST(韩国科学技术院);NAVER Corporation(NAVER公司)
针对动态系统中顺序数据累积导致GP-SSM更新计算成本过高的问题,提出结合随机与在线变分推断的onlineGPSSM方法,可降本且避免遗忘、适配环境变化,并拓展至部分可观测系统的强化学习,经数值算例验证有效。
2020-06-08 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
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
Sampling-Based Motion Planning with Online Racing Line Generation for Autonomous Driving on Three-Dimensional Race Tracks
Technical University of Munich(慕尼黑工业大学)
提出一种基于采样的局部轨迹规划方法,结合在线赛车线生成,在复杂三维赛道上保持赛车线圈速并提升动态极限利用率,显著降低多车场景下的圈速。
2024-05-13 cs.RO
HIRO: Heuristics Informed Robot Online Path Planning Using Pre-computed Deterministic Roadmaps
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院人类工程与机器人研究所);Robotics and Autonomous Systems, Institute of Applied Research, Karlsruhe University of Applied Sciences(卡尔斯鲁厄应用技术大学应用研究所机器人与自主系统部)
提出HIRO在线路径规划方法,利用静态环境预计算确定性路线图形成启发式下界,并结合模糊碰撞检查、闭环更新与回溯,在动态环境中显著加快无碰撞路径规划。
2024-10-26 cs.RO
IA-TIGRIS: An Incremental and Adaptive Sampling-Based Planner for Online Informative Path Planning
Robotics Institute, School of Computer Science, Carnegie Mellon University(卡内基梅隆大学计算机科学学院机器人研究所);Department of Mechanical Engineering, Brigham Young University(杨百翰大学机械工程系)
本文提出IA-TIGRIS,一种用于实时任务的增量和自适应采样路径规划方法,通过增量优化和动态更新信念地图,提升信息获取效率,实验证明其在无人机应用中信息增益提升达38%。
2026-04-01 cs.RO
Dynamic via-points and improved spatial generalization for online trajectory planning with Dynamic Movement Primitives
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
本文针对 DMP 空间泛化异常和途经点纳入不足的问题,提出一种改进的在线空间泛化方法,通过权重在线自适应在满足动态途经点约束下最小化与演示加速度轮廓的距离,仿真和实验验证了其有效性。
2023-07-06 cs.RO
Efficient Distance-Optimal Tethered Path Planning in Planar Environments: The Workspace Convexity
Zhejiang University(浙江大学)
本文的主要贡献是证明了全方位绳系机器人工作空间(即所有绳长允许的机器人配置)的凸性,以及一组利用工作空间凸性的距离最优绳系路径规划算法。证明了该工作空间在拓扑上是一个单连通子集,在几何上是所有构形集合的一个凸子集。作为一个直接的结果,两个配置之间的系绳长度允许的最优路径被证明正是无系绳碰撞的局部最短路径的同伦指定的级联的系绳曲线的给定的配置,它可以简单地通过执行一个无系绳路径缩短过程中的2D环境中,而不是在预先计算的工作空间中的路径搜索过程中构造。凸性是绳系机器人运动学的一个内在属性,因此对所有高级距离最优绳系路径规划任务具有普遍影响:用目标配置预计算(GCP)过程代替最耗时的工作空间预计算(WP)过程,用无绳系路径缩短过程代替同伦感知路径搜索过程。受工作空间凸性的启发,自然提出了解决以下问题的有效算法:(a)最优系留重构(TR)规划问题通过局部非系留路径缩短(UPS)过程来解决,(b)经典的最优系留路径(TP)规划问题通过GCP过程和$n$ UPS过程来求解(从起始配置到目标位置,其中目标系绳状态未被分配),其中,$n$是访问目标位置的系绳长度容许配置的数量,(c)访问多个目标位置的序列的最佳系绳运动,称为
2022-08-08 cs.RO
Multi-FLEX: An Automatic Task Sequence Execution Framework to Enable Reactive Motion Planning for Multi-Robot Applications
Astroscale Japan Inc.(日本宇宙尺度公司);Medra Robotics(Medra机器人公司);OMRON Research Center of America(欧姆龙美国研究中心)
针对工业多机器人应用中反应式运动规划与非反应式功能需求的矛盾,提出集成任务规划与反应式运动规划的Multi-FLEX框架,经六自由度工业机器人去毛刺实验验证可实现避障与工业应用需求。
2024-01-30 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
Homotopy-aware Multi-agent Navigation via Distributed Model Predictive Control
School of Advanced Manufacturing and Robotics, Peking University(先进制造与机器人学院,北京大学);School of Computer Science and Engineering, Beihang University(计算机科学与工程学院,北航)
针对密集环境中多智能体穿越狭长走廊易死锁的问题,提出结合同伦感知全局路径规划与MPC局部轨迹优化的分布式框架,成功率提升至90%以上。
2025-07-26 cs.MA cs.RO cs.SY