Efficient Exploration via First-Person Behavior Cloning Assisted Rapidly-Exploring Random Trees
Georgia Institute of Technology（佐治亚理工学院）
现代计算机游戏具有极大的状态和动作空间。为了检测这些游戏模型中的错误，人类测试人员反复玩游戏以探索游戏并发现游戏中的错误。这样的游戏是详尽和耗时的。此外，由于机器人模拟器依赖于模型规范和调试的类似方法，因此在模型中发现错误的问题对机器人社区来说是感兴趣的，以确保机器人行为和交互在模拟器中是一致的。以前的方法使用了强化学习arXiv：2103.13798和基于搜索的方法（Chang，2019，（Chang，2021）arXiv：1811.06962），包括快速探索随机树（RRT）来探索游戏的状态-动作空间以找到错误。然而，这种基于搜索和探索的方法在没有预定义的启发式的情况下探索状态-动作空间时是无效的。在这项工作中，我们试图结合人类测试人员的专业知识，在解决游戏，和RRT的穷举搜索游戏的状态空间有效地与高覆盖率。本文介绍了克隆辅助RRT（CA-RRT），通过搜索测试一个游戏。我们将我们的方法与两个现有的基线进行比较：1）如arXiv：1812.03125所述的加权RRT; 2）如Chang et.我们发现CA-RRT适用于更多的游戏地图，并探索更多的游戏状态，在更少的树扩展/迭代时，与现有的基线相比。在每个测试中，CA-RRT在与加权RRT相同的迭代次数中平均达到更多的状态。在我们的测试环境中，CA-RRT达到与加权RRT相同数量的状态，平均迭代次数减少了5000多次，几乎减少了50…
2022-04-20 cs.AI cs.LG cs.RO
A Comparative Study of Rapidly-exploring Random Tree Algorithms Applied to Ship Trajectory Planning and Behavior Generation
Autoship Centre for Research-based Innovation (SFI), Norwegian University of Science and Technology (NTNU)（Autoship 基于研究的创新中心（SFI）、挪威科技大学（NTNU））；Det Norske Veritas (DNV)（挪威船级社（DNV））
本文针对海事非完整运动规划场景比较了四种RRT算法变体，验证了PQ-RRT*轨迹更短但调参复杂、耗时更长的特性，明确其适用场景及在避碰系统规划与验证中的双重作用。
2024-04-17 cs.RO cs.SY eess.SY
Growing Trees with an Agent: Accelerating RRTs with Learned, Multi-Step Episodic Exploration
本文提出Episodic RRT框架，用深度强化学习智能体生成多步探索情景替代随机采样，将RRT搜索从体积式扩张转为定向枝状生长，在2D、3D和6D环境中显著提升成功率、速度并大幅减少碰撞检测。
2025-07-22 cs.RO
ST-pRRTC: Parallel Space-Time RRT-C with Adaptive Goal-Time Forests
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
提出GPU并行时空RRT-Connect规划器ST-pRRTC，通过共享前向树与自适应后向目标时间森林，在已知障碍轨迹下实现概率完备与渐近最优，实验和真实机器人验证其高效性。
2026-09-28 cs.RO
Multi-Risk-RRT: An Efficient Motion Planning Algorithm for Robotic Autonomous Luggage Trolley Collection at Airports
Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）；University of Pennsylvania（宾夕法尼亚大学）；Shanghai Jiao Tong University（上海交通大学）；Yanshan University（燕山大学）
本文提出Multi-Risk-RRT算法，通过多子树并行探索与主树启发式信息融合，提升机场行李推车收集机器人在动态环境中的运动规划效率与稳健性。
2023-09-20 cs.RO
ST-RRT*: Asymptotically-Optimal Bidirectional Motion Planning through Space-Time
TU Berlin（柏林工业大学）；University of Stuttgart（斯图加特大学）
我们提出了一个运动规划器规划通过动态障碍物，速度约束，和未知的到达时间的时空。我们的算法，时空RRT*（ST-RRT*），是一个概率完全，双向运动规划算法，这是渐近最优的最短到达时间。我们实验评估ST-RRT* 在两个抽象的（2D磁盘，8D磁盘在混乱的空间，并在一个狭窄的通道问题），和模拟机器人路径规划问题（顺序规划的8DoF移动机器人，和7 DoF机械臂）。所提出的规划优于RRT连接和RRT* 的初始解决方案的时间，并达到最终的解决方案的成本。ST-RRT* 的代码可在开放式运动规划库（OMPL）中找到。
2022-03-04 cs.RO
Asymptotic Optimality of Rapidly Exploring Random Tree
Nanyang Technological University（南洋理工大学）；Indian Institute of Science（印度科学院）
在本文中，我们研究的渐近最优性的随机采样为基础的运动规划，即RRT。我们证明了RRT规划器不是渐近最优的运动规划器。我们的结果，而存在于文献中的类似的结果是一致的，但是，带来了一个重要的特点RRT计划。我们证明了树顶点的度分布在渐近意义下服从幂律。仿真结果支持理论主张。基于这些结果，我们还试图建立一个简单的必要条件，基于采样的运动规划器是渐近最优的。
2017-07-13 cs.RO
Fibration Trees: A Unified Approach to Multi-Robot Motion Planning
Technical University of Berlin（柏林工业大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Rice University and the Ken Kennedy Institute（莱斯大学和肯·肯尼迪研究所）
提出纤维树统一框架，通过纤维化建模投影，结合优先序、并行分解和任务空间投影，并开发Fibration-RRT规划器，在高维多机器人运动规划中实现概率完备性。
2026-06-11 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
Many-RRT*: Robust Joint-Space Trajectory Planning for Serial Manipulators
USACE ERDC, Information Technology Lab（美国陆军工程兵团工程研究中心信息科技实验室）；Collaborative Robotics Lab（协作机器人实验室）
Many-RRT*通过同时规划多个目标解决串联机械臂在关节空间中规划的鲁棒性和最优性问题，显著提高了轨迹质量和成功率。
2026-03-04 cs.RO
Autonomous Underwater Vehicle-Manipulator Systems Path Planning with RRTAUVMS Algorithm
Zhejiang University（浙江大学）；Shenzhen Sensetime Technology CO.,LTD（深圳商汤科技有限公司）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
自主水下机器人系统（AUVMS）是一种新型的海洋探测工具，本文研究了AUVMS路径规划问题。水下机器人系统是一个惯性分布差异大的高维系统，且工作环境复杂，存在障碍物。通过将快速探索随机树（RRT）算法与AUVMS运动学模型相结合，RRTAUVMS算法可以在配置空间（C-Space）中随机采样，并在任务空间中直接向工作空间目标生长。RRTAUVMS还可以处理工作空间规划目标和配置空间目标的冗余映射。与传统RRT算法相比，该算法可以显著提高AUVMS路径规划的效率。
2021-09-11 cs.RO cs.SY eess.SY
RRT-Rope: A deterministic shortening approach for fast near-optimal path planning in large-scale uncluttered 3D environments
University of Sherbrooke（舍布鲁克大学）
提出RRT-Rope算法，通过改进RRT-Connect快速生成可行路径，并利用确定性缩短技术后处理，在大型无杂波3D环境中实现比现有RRT变体快70%的近最优路径规划。
2026-07-01 cs.RO
The Role of Vertex Consistency in Sampling-based Algorithms for Optimal Motion Planning
Georgia Institute of Technology（佐治亚理工学院）
运动规划问题一直是机器人学和控制研究领域的研究热点，并提出了许多求解算法。其中，基于增量采样的运动规划算法，如快速探索随机树（RRT）和概率路径图（PRM），由于其实现简单和在处理高维问题方面的优势，最近变得非常流行。虽然这些算法在实践中工作得很好，但计算出的解的质量通常不好，即，解决方案可能远非最佳解决方案。RRT的最新变化，即RRT* 算法，通过确保样本数趋于无穷大时的渐近最优性，绕过了传统RRT算法的这一缺点。然而，收敛到最优解的速度可能仍然很慢。本文提出了一种新的增量采样为基础的运动规划算法的基础上快速探索随机图（RRG），表示RRT#（RRT“夏普”），这也保证了渐近最优性，但此外，它也确保了构造的生成树的几何图形是一致的，在每次迭代。在相容树中，有可能成为最优解的一部分的顶点具有最小的成本收益值。这意味着，如果当前图中有一些顶点已经在目标区域中，则很容易计算出最佳可能的解决方案。数值结果与RRT* 算法进行了比较。
2012-04-29 cs.RO
Multi-goal Rapidly Exploring Random Tree with Safety and Dynamic Constraints for UAV Cooperative Path Planning
Vietnam National University, Hanoi（越南河内国家大学）；Thai Nguyen University of Technology, Thai Nguyen University（太原大学太原工业学院）；University of Transport and Communications（交通通信大学）；Fulbright University Vietnam（越南富布赖特大学）
针对多无人机复杂任务的协同路径规划问题，提出扩展RRT的MultiRRT算法，纳入动力学与安全约束，通过节点约简和贝塞尔插值生成可行路径，仿真和实测显示其在路径长度和平滑度上优于主流RRT变体。
2025-04-16 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
Adaptive Sampling-based Motion Planning with Control Barrier Functions
基于采样的算法，例如快速探索随机树（RRT）及其变体，已经广泛用于运动规划。控制障碍函数（CBF）最近已被提出来综合控制器的安全关键系统。在本文中，我们结合了有效性的RRT为基础的算法的CBF提供的安全保证的方法称为CBF-RRT $^\ast$。CBF用于RRT $^\ast$的局部轨迹规划，避免了扩展路径的显式碰撞检查。我们证明了CBF-RRT $^\ast$保持了RRT $^\ast$的概率完备性。此外，为了提高算法的采样效率，我们配备了一个自适应的采样过程，这是基于交叉熵方法（CEM）的重要性采样（IS）的算法。该过程利用样本树将采样集中在配置空间的有希望区域。我们通过仿真例子证明了所提出的算法的有效性。
2022-06-01 cs.RO cs.SY eess.SY
Post Triangular Rewiring Method for Shorter RRT Robot Path Planning
Dongguk University（东国大学）
本文提出了一种后三角重布线方法，该方法最大限度地减少了规划时间的牺牲，并克服了快速探索随机树（RRT）算法等基于采样的算法的最优性限制。通过三角不等式原理，提出的“后三角重布线”方法比应用前的RRT算法更接近最优路径。进行了实验，以验证所提出的方法的性能。当本文提出的方法应用于RRT算法，最优性效率提高相比，规划时间。
2021-07-12 cs.AI cs.RO
Incremental Sampling-based Algorithms for Optimal Motion Planning
Massachusetts Institute of Technology（麻省理工学院）
在过去的十年中，基于增量采样的运动规划算法，如快速探索随机树（RRT）已被证明在实践中工作良好，并拥有理论保证，如概率完整性。然而，没有理论上的界限，这些算法得到的解决方案的质量已经建立到目前为止。本文的第一个贡献是一个否定的结果：它被证明，在温和的技术条件下，在RRT的最佳路径的成本几乎肯定收敛到一个非最优值。其次，考虑了一种新的算法，称为快速探索随机图（RRG），它表明，在RRG的最佳路径的成本几乎必然收敛到最优。第三，一个树版本的RRG介绍，称为RRT $^*$算法，它保留了渐近最优的RRG，同时保持一个树结构像RRT。新算法的分析取决于基于采样的运动规划算法和随机几何图形理论之间的新联系。在计算复杂性方面，它示出的RRG和RRT $^*$算法所需的简单操作的数量是渐近的RRT所需的一个常数因子内。
2010-05-03 cs.RO
An Improved Rapidly Exploring Random Tree Algorithm for Path Planning in Configuration Spaces with Narrow Channels
Vellore Institute of Technology（韦洛尔理工学院）；Carnegie Mellon University（卡内基梅隆大学）
针对RRT算法在含狭窄通道的构型空间中收敛慢、路径长的问题，提出一种通过邻域碰撞检测识别狭窄通道并以预设偏置在其内加点的改进RRT算法，仿真显示其在多类基准问题上能生成显著更短的路径。
2024-11-01 cs.RO cs.SY eess.SY
Motion Primitives based Path Planning with Rapidly-exploring Random Tree
George Mason University（乔治梅森大学）
我们提出了一种方法，使用快速探索随机树（RRT）生成机器人kinodynamically可行路径。我们利用运动原语作为一种方式来捕捉机器人的动态，并使用这些运动原语建立与RRT树的分支。由于每个分支都是使用机器人的运动基元构建的，不会导致与障碍物的碰撞，因此保证所得到的路径满足机器人的kinodynamic约束，从而可以用于导航，而无需对生成的轨迹进行任何后处理。我们证明了我们的方法在模拟的2D环境中使用简单的机器人模型与各种运动原语的有效性。
2022-10-27 cs.RO
Continuous-Curvature Target Tree Algorithm for Path Planning in Complex Parking Environments
Seoul National University（首尔大学）；Advanced Institutes of Convergence Technology（融合技术高等研究院）
快速探索随机树（RRT）由于能够快速求解高维运动规划，且易于反映约束，已被应用于自主泊车。然而，规划时间增加了向狭窄的停车位延伸而不发生碰撞的可能性。为了减少规划时间，提出了目标树算法，用一组向后停车路径（目标树）代替RRT中的停车目标。然而，它由圆形和直线路径组成，由于曲率不连续，自动驾驶车辆无法准确停车。此外，在复杂的环境中，规划时间会增加;向后的路径可能会被障碍物阻挡。因此，本文提出了一种适用于复杂停车环境的连续曲率目标树算法。首先，目标树包括回旋曲线路径以解决这种曲率不连续性。其次，为了进一步减少规划时间，定义了一个成本函数来构建考虑障碍物的目标树。该算法结合最优变量RRT算法，在到达的反向路径中搜索最短路径，随着采样时间的增加，该算法可以获得一条接近最优的路径。真实环境下的实验结果表明，与其他基于采样的算法相比，车辆可以更准确地停车，并且更快、更高地获得连续曲率路径。
2022-01-19 cs.RO
Neural Informed RRT*: Learning-based Path Planning with Point Cloud State Representations under Admissible Ellipsoidal Constraints
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对RRT*路径规划收敛效率问题，提出结合规则启发与学习优势的Neural Informed RRT*，通过点云表示、Neural Focus和Neural Connect模块提升性能，保留理论特性并在真实机器人导航中验证有效。
2024-03-07 cs.RO
Batch Informed Trees (BIT*): Sampling-based Optimal Planning via the Heuristically Guided Search of Implicit Random Geometric Graphs
Carnegie Mellon University（卡内基梅隆大学）；Canadian Space Agency（加拿大航天局）；Defence Research and Development Canada（加拿大国防研究与发展部）；Massachusetts Institute of Technology（麻省理工学院）；National Aeronautics and Space Administration（美国国家航空航天局）；Northern Centre for Advanced Technology Inc.（北方先进技术中心公司）；Ontario Drive and Gear Ltd.（安大略传动与齿轮有限公司）；Office of Naval Research（美国海军研究办公室）；University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
在本文中，我们提出了批通知树（BIT*），规划算法的基础上统一的图形和采样为基础的规划技术。通过认识到一组样本描述了一个隐式随机几何图（RGG），我们能够将基于图的技术（如A*）的有效有序性质与基于采样的算法（如快速探索随机树（RRT））的随时可扩展性相结合。BIT* 使用启发式算法有效地搜索一系列越来越密集的隐式RGG，同时重用以前的信息。它可以被看作是一个扩展的增量图搜索技术，如终身规划A*（LPA*），连续的问题域，以及现有的采样为基础的最优规划。它表明，它是概率完全和渐近最优的。我们演示了BIT* 在$\mathbb{R}^2$和$\mathbb{R}^8$中的模拟随机世界上的实用性，以及CMU的HERB（14自由度双臂机器人）上的操纵问题。在这些问题上，BIT* 比RRT、RRT*、知情RRT* 和快速行进树（FMT*）更快地找到更好的解决方案，并且更快地随时收敛到最优值，特别是在高维中。
2015-08-13 cs.RO
Enhanced SIRRT*: A Structure-Aware RRT* for 2D Path Planning with Hybrid Smoothing and Bidirectional Rewiring
Faculty of Mechatronics Engineering, Kangwon National University（机电工程学院，康won国立大学）
提出结构感知规划器E-SIRRT*，通过混合路径平滑与双向重连改进SIRRT*框架，显著提升了2D路径规划的初始路径质量、收敛速度与鲁棒性。
2025-05-28 cs.RO
Refined Analysis of Asymptotically-Optimal Kinodynamic Planning in the State-Cost Space
Tel-Aviv University（特拉维夫大学）；Rutgers University（罗格斯大学）；Stanford University（斯坦福大学）
我们提出了一种新的AO-RRT分析：一种基于树的计划器，用于具有运动动力学约束的运动规划，最初由Hauser和Zhou（AO-X，2016）描述。AO-RRT探索状态成本空间，并已被证明在实践中有效地获得高质量的解决方案，而不依赖于计算密集型两点边界值求解器的可用性。我们的主要贡献是单树版本的算法的最优性证明-一个以前没有分析过的变体。我们的证明只需要一个温和的和容易验证的问题和系统的假设：成本函数和动力学的Lipschitz连续性。特别是，我们证明，对于任何系统满足这些假设，任何轨迹具有分段常数控制功能和积极的清除障碍物可以近似任意以及由AO-RRT发现的轨迹。我们还讨论了实际方面的AO-RRT和目前的实验比较的算法的变体。
2020-03-09 cs.RO
AM-RRT*: Informed Sampling-based Planning with Assisting Metric
University of Oxford（牛津大学）；Ocado Technology（奥卡多科技公司）
在本文中，我们提出了一种新的算法，扩展RRT* 和RT-RRT* 的在线路径规划在复杂的，动态的环境。基于采样的方法通常在具有狭窄通道的环境中表现不佳，这是移动机器人的许多室内应用以及计算机游戏的共同特征。我们的方法扩展了基于RRT的采样方法，使辅助距离度量的使用，以提高在有障碍物的环境中的性能。该辅助度量可以是在视线被阻挡时具有比欧几里德度量更好的属性的任何度量，该辅助度量与标准欧几里德度量结合使用，使得算法可以从辅助度量中获益，同时保持先前RRT变体的期望属性-即树覆盖的概率完整性和路径长度的渐近最优性。我们还介绍了一种新的方法，有针对性的重新布线，旨在缩短搜索时间和路径长度的任务，目标反复变化。我们证明，我们的方法提供了相当大的改进，现有的多查询规划，如RT-RRT* 时，使用扩散距离作为辅助度量，找到接近最佳的路径，减少了几个数量级的搜索时间。实验结果表明，规划时间减少了99.5%，路径长度减少了9.8%，比现有的实时RRT规划器在各种环境中。
2021-09-09 cs.AI cs.RO
ScaleMPA: Rethinking Scalable RRT* Acceleration With a Grid-Native Representation
ScaleMPA是一种基于网格原生表示的运动规划加速器，通过直接网格访问和多分辨率哈希网格，在28nm CMOS上实现毫秒级延迟，较最先进加速器提速4.7-44.4倍。
2026-09-22 cs.AR cs.RO
Bi-AM-RRT*: A Fast and Efficient Sampling-Based Motion Planning Algorithm in Dynamic Environments
Yanshan University（燕山大学）；Southern University of Science and Technology（南方科技大学）
针对动态环境中移动机器人的最优运动规划问题，提出融合辅助度量、双向采样与新重布线方法的 Bi-AM-RRT*，在路径长度和搜索时间上表现更优。
2023-04-30 cs.RO
SMARRT: Self-Repairing Motion-Reactive Anytime RRT for Dynamic Environments
University of Connecticut（康涅狄格大学）
研究了动态环境中具有移动障碍物的快速重规划问题。由于对于随机移动的障碍物，未来的状态是不可预测的，因此所提出的称为SMARRT的方法对障碍物运动做出反应，并基于当前干扰障碍物状态（即，位置和速度）。SMARRT是快速和有效的，并执行碰撞检查，只有在部分路径段接近机器人的可行性检查范围内。如果路径是不可行的，则修剪与视野内的路径相关联的树部分，同时保持已经探索的区域的最大树结构。然后，创建多分辨率效用图以捕获用于计算多尺度平铺上的每个单元的重新规划效用的环境信息。在地图上应用分层搜索方法，有效地找到采样单元。最后，在采样单元内绘制均匀样本，以进行快速重新规划。SMARRT方法通过模拟运行进行验证，并与四种现有方法进行比较，评估结果。与现有方法相比，SMARRT方法在旅行时间、重新规划时间和成功率方面都有显着改善。
2021-09-10 cs.RO
MRRT: Multiple Rapidly-Exploring Random Trees for Fast Online Replanning in Dynamic Environments
University of Connecticut（康涅狄格大学）
本文提出了一种新的算法，称为MRRT，它使用多个快速探索的随机树的快速在线重新规划的自主车辆在动态环境中移动障碍物。该算法建立在具有多树结构的RRT算法之上。首先，RRT算法被应用到寻找初始解的基础上的部分知识的环境。然后，机器人开始执行这条路径。在每次迭代中，机器人的传感器收集新的障碍物配置并用于重新规划路径。这些新信息可以来自未知的静态障碍物（例如，海底布局）以及移动障碍物。然后，为了适应环境的变化，采用了两个程序：1）边缘修剪，2）树木再生。具体地，边缘修剪过程通过树检查碰撞状态，并且仅移除无效边缘，同时保持已经探索的区域的树结构。由于删除了无效边，树可能会被分解为多个不相交的树。因此，RRT算法被应用于重新生长树。具体来说，样本是随机创建的，并通过连接到最近的节点来连接到其局部邻域中的所有不相交树。最后，为机器人找到了一种新的解决方案。所提出的MRRT算法的优点如下：i）保留最大的树结构，只修剪的边缘碰撞的障碍，ii）保证概率的完整性，和iii）是快速重新规划的计算效率，因为所有不相交的树被保持为未来的连接，并同时扩大。
2021-04-22 cs.AI cs.RO cs.SY
RRT-CoLearn: towards kinodynamic planning without numerical trajectory optimization
Delft University of Technology（代尔夫特理工大学）
基于采样的Kinodynamic规划器，例如快速探索随机树（RRT），提出了两个基本挑战：计算两个随机采样节点之间距离的可靠（伪）度量，以及计算连接节点的转向输入。这些挑战的核心是一个两点边值问题，这是已知的NP-难。最近，距离度量已经近似使用监督学习，大大减少了计算时间。以前的工作，这样的学习RRT使用直接最优控制来生成数据的监督学习。本文建议使用间接最优控制，因为它提供了两个好处：它减少了计算工作量生成的数据，它提供了一个低维参数化的行动空间。后者允许我们学习距离度量和连接两个节点的转向输入。这消除了学习RRT时对本地规划者的需要。摆摆的实验结果表明，在离线数据生成和在线规划时间10倍的速度，导致至少10倍的速度在整体规划时间。
2017-10-27 cs.RO math.OC
SAFE--MA--RRT: Multi-Agent Motion Planning with Data-Driven Safety Certificates
Department of Mechanical Engineering, Michigan State University（机械工程系，密歇根州立大学）
针对无显式模型的共享空间多智能体运动规划问题，提出SAFE--MA--RRT框架，通过数据驱动生成不变椭球安全证书，结合采样规划与时空预留表实现可证明安全的动态可行轨迹，仅用数据和凸优化即可完成多智能体同步安全规划。
2025-09-04 cs.LG cs.MA cs.RO
CAT-RRT: Motion Planning that Admits Contact One Link at a Time
Human Interaction and Robotics [HIRO] Group, Computer Science Department, University of Colorado Boulder（人机交互与机器人[HIRO]组，计算机科学系，科罗拉多大学波尔德分校）
针对传统二元碰撞检测运动规划难以适配拥挤空间接触需求的问题，提出CAT-RRT规划器，采用逐连杆代价启发式与自适应阈值机制同时搜索高低代价区域，实现路径效率、长度与接触代价的平衡。
2025-10-28 cs.RO
RMPD - A Recursive Mid-Point Displacement Algorithm for Path Planning
Purdue University（普渡大学）
出于什么是实时路径规划所需的，本文首先提出sRMPD，一个新的递归的“本地”规划器的关键概念，除非有必要的障碍，必须没有偏离任何两点之间的最短路径，这通常是一个直线路径的配置空间。随后，我们增加了功率sRMPD使用它作为一个“连接”的子例程调用在一个更高级别的基于采样的算法mRMPD的启发多RRT。因此，mRMPD在以较高密度的障碍物为特征的配置空间的区域中产生大量的空间探索树。总体效果是一种混合树生长策略，在基于多RRT的逻辑的随机探索和sRMPD的立即利用机会连接两个状态之间进行权衡。mRMPD规划器可以关于这种权衡有偏，以有效地解决不同种类的规划问题。基于我们已经运行的测试用例，我们的实验表明，mRMPD可以减少高达80%的规划时间相比，基本RRT。
2018-02-26 cs.RO
Sampling-based Motion Planning via Control Barrier Functions
Boston University（波士顿大学）
机器人运动规划是现实世界自主应用的核心，例如自动驾驶汽车，持续监控和机械臂操纵。运动规划中的一个挑战是生成用于非线性系统的控制信号，其导致通过动态环境的无障碍路径。针对动态环境下的连续时间非线性系统，提出了一种基于采样的运动规划算法--控制障碍函数引导的快速探索随机树算法（CBF-RRT）。该算法侧重于两个目标：有效地产生可行的控制，引导系统向目标区域，并处理环境中的动态障碍物在连续的时间。我们制定的控制综合问题作为一个二次规划（QP），强制执行控制障碍函数（CBF）的约束，以实现避障。此外，CBF-RRT在采样时不需要最近邻或冲突检查，与标准RRT变体相比，这大大减少了运行时开销。
2019-07-15 cs.RO
DynoFluxBench: Benchmarking Kinodynamic Space-Time Planners in Dynamic Environments
TU Berlin（柏林工业大学）
提出DynoFluxBench基准框架，用于比较动态环境中的运动动力学规划器，并开发三个融合时空方法的规划器，其中ST-Db-RRT求解速度最高提升32倍。
2026-09-17 cs.RO
IGV-RRT: Prior-Real-Time Observation Fusion for Active Object Search in Changing Environments
The School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学）；Department of Data and Systems Engineering, HKU（数据与系统工程系，香港大学）
本文提出IGV-RRT框架，结合先验场景知识与实时目标相关性估计，通过双层语义映射模块和实时规划器提升动态环境中目标搜索效率。
2026-05-12 cs.RO
Real-Time Fast Marching Tree for Mobile Robot Motion Planning in Dynamic Environments
Ingenuity Labs Research Institute（Ingenuity Labs研究院）
针对动态环境下移动机器人运动规划问题，提出RT-FMT算法，融合FMT*与RT-RRT*特性，实现局部-全局路径协同生成、动态避障及树结构复用，仿真验证其在执行成本、到达时间上优于RT-RRT*，且局部路径预执行可有效缩短到达时间。
2025-02-13 cs.RO cs.SY eess.SY
Real-Time Kinodynamic Motion Planning for Omnidirectional Mobile Robot Soccer using Rapidly-Exploring Random Tree in Dynamic Environment with Moving Obstacles
Universitas Gadjah Mada（加札马达大学）
RoboCup中型组联赛（RoboCup MSL）通过机器人足球比赛为研究移动机器人导航、多机器人协作、通信和集成提供了一个标准化的实验平台，在这种高度动态和对抗性的环境中，机器人足球比赛是一种非常重要的比赛。运动动力学运动规划是机器人运动学领域的一个重要研究课题，它是指机器人在避障的同时，遵循其动力学规律进行运动轨迹规划。提出了一种基于Kinodynamic-RRT* 方法的全向机器人运动动力学运动规划。在这项工作中还考虑了轨迹跟踪控制执行规划轨迹。对机器人平移和旋转方向的运动规划进行解耦。然后，我们实现了kinodynamic-RRT* 与双积分器模型规划的平移轨迹。利用满足速度和加速度约束的最小时间轨迹发生器生成旋转轨迹。然后使用PI控制跟踪计划轨迹。为适应环境的变化，开发了运动规划和轨迹跟踪的并发软件模块。使用基于机器人操作系统（ROS）的RoboCup仿真系统对所产生的系统进行了应用和测试。仿真结果表明，运动规划系统能够生成无碰撞轨迹，轨迹跟踪系统能够跟踪生成的轨迹。在高度动态的环境中，在线方案能够重新规划轨迹。
2019-05-12 cs.RO
