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
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
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
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
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
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
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
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
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
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
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
Efficient Probabilistic Planning with Maximum-Coverage Distributionally Robust Backward Reachable Trees
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, Cambridge MA 02139（Draper，剑桥MA 02139）
本文提出两种针对线性高斯系统的多查询运动规划算法，利用分布鲁棒后向可达树和新型模糊集公式，实现高概率到达目标区域，并证明在特定条件下达到最大或更优覆盖，通过仿真验证有效性。
2025-10-06 cs.RO cs.SY eess.SY
Context-Aware Behavior Learning with Heuristic Motion Memory for Underwater Manipulation
1 School of Engineering \& Physical Sciences, Heriot-Watt University, Edinburgh, UK
本文提出一种结合启发式运动空间与贝叶斯网络的自适应运动规划框架，通过缩小搜索空间并动态更新不确定性估计，提升自主水下操作在动态环境中的实时规划性能与鲁棒性。
2025-07-18 cs.RO
PRM-RL: Long-range Robotic Navigation Tasks by Combining Reinforcement Learning and Sampling-based Planning
Google Brain（谷歌大脑）；University of New Mexico（新墨西哥大学）
我们提出了PRM-RL，远程导航任务完成的分层方法，结合基于采样的路径规划与强化学习（RL）。RL代理学习短距离，点对点的导航策略，捕获机器人动态和任务约束，而无需大规模拓扑结构的知识。接下来，基于采样的规划者提供连接机器人配置的路线图，这些配置可以由RL代理成功导航。相同的RL代理用于在规划的指导下控制机器人，从而实现远程导航。我们使用概率路线图（PRM）的抽样为基础的规划。RL代理是在连续状态和动作空间中使用基于特征的深度神经网络策略构建的。我们评估PRM-RL，无论是在模拟和机器人上，在两个导航任务与非平凡的机器人动力学：端到端的差分驱动室内导航在办公室环境中，在城市环境中的空中货物交付与负载位移的限制。我们的研究结果表明，在任务完成的RL代理自己和传统的抽样为基础的规划。在室内导航任务中，PRM-RL在嘈杂的传感器条件下成功完成了长达215米的轨迹，而空中货物交付在比训练中使用的环境大6300万倍的环境中完成了超过1000米的飞行，而没有违反任务限制。
2018-05-16 cs.AI cs.LG cs.RO
DW-A-PRM: A Dynamic Weighted Planner
Nanjing University of Science and Technology ZiJin College（南京理工大学紫金学院）；University of Glasgow（格拉斯哥大学）；Nanjing University of Science and Technology（南京理工大学）
本文提出一种结合A*全局指导与PRM随机探索的动态加权混合路径规划框架，在保证搜索最优性与计算效率平衡的同时，能生成更短更平滑的路径并显著降低计算开销。
2025-11-03 cs.RO
