Graph Neural Networks for Motion Planning
University of Pennsylvania（宾夕法尼亚大学）；Google Brain（谷歌大脑）
本文研究了使用图神经网络（GNNs）的经典运动规划问题的可行性。我们建议使用GNN的能力来指导连续和离散规划算法，该能力使用称为置换不变性的属性来鲁棒地编码规划空间的拓扑结构。我们提出了两种技术，在密集的固定图的低维问题和基于采样的GNNs高维问题的GNNs。我们研究了GNN解决规划问题的能力，例如识别关键节点或学习快速探索随机树（RRT）中的采样分布。临界采样、钟摆和六自由度机器人手臂的实验表明，GNN改进了传统的分析方法以及使用全连接或卷积神经网络的学习方法。
2020-12-14 cs.AI cs.LG cs.RO
Approximating Constraint Manifolds Using Generative Models for Sampling-Based Constrained Motion Planning
任务约束下的基于采样的运动规划是具有挑战性的，因为配置空间中的零测量约束流形使得拒绝采样即使不是不可能，也是极其低效的。提出了一种基于学习的约束运动规划问题采样策略。我们研究了两个著名的深度生成模型，条件变分自编码器（CVAE）和条件生成对抗网（CGAN）的使用，以生成满足约束的样本配置。而不是预先计算的图形，我们使用生成模型的约束参数近似的约束流形。这种方法允许有效地绘制满足约束的样本在线，而不需要修改现有的基于采样的运动规划算法。我们评估这两个生成模型的效率，他们的抽样精度和抽样分布的覆盖率。在两个机器人平台上进行了不同约束任务的仿真和实验。
2022-04-14 cs.AI cs.RO
Learning to guide task and motion planning using score-space representation
Massachusetts Institute of Technology（麻省理工学院）
在本文中，我们提出了一个学习算法，加快搜索任务和运动规划问题。我们的算法提出了解决方案，以提高规划效率的学习中出现的三个不同的挑战：预测什么，如何表示规划问题实例，以及如何将知识从一个问题实例转移到另一个。我们提出了一种方法，预测约束的搜索空间的基础上的一个通用的表示的规划问题的实例，称为得分空间，在这里我们表示的一组解决方案的性能方面的问题实例尝试到目前为止。使用这种表示，我们转移知识，在约束的形式，从以前的问题的基础上在分数空间的相似性。我们设计了一个顺序算法，有效地预测这些约束，并评估它在三个不同的挑战性任务和运动规划问题。结果表明，我们的方法执行的数量级快于无指导的规划
2018-07-26 cs.AI cs.LG cs.RO
Integrating Task-Motion Planning with Reinforcement Learning for Robust Decision Making in Mobile Robots
UT-Austin（德克萨斯大学奥斯汀分校）；Maana Inc.（Maana公司）；SUNY-Binghamton（纽约州立大学宾汉姆顿分校）
任务-运动规划（TMP）解决了在离散空间中有效地生成可执行的和低成本的任务规划的问题，使得（初始未知的）动作成本由相应连续空间中的运动规划确定。然而，任务运动计划可能对意外的领域不确定性和变化敏感，导致次优行为或执行失败。本文提出了一个新的框架TMP-RL，它是TMP和强化学习（RL）的集成，从执行经验出发，解决动态和不确定域中的鲁棒任务-运动规划问题。TMP-RL具有两个嵌套的规划学习循环。在内部TMP循环中，机器人通过在离散空间中迭代规划并更新由运动规划器在连续空间中评估的相关动作成本来生成低成本、可行的任务运动规划。在外部循环中，执行计划，机器人通过无模型RL从执行经验中学习，以进一步改进其任务运动计划。外部循环中的RL对当前域更准确，但也更昂贵，并且使用成本更低的任务和运动规划导致在现实世界中学习的跳跃式启动。我们的方法进行评估的移动服务机器人在办公区进行导航任务。结果表明，TMP-RL方法显着提高了适应性和鲁棒性（与TMP方法相比），并导致快速收敛（与任务规划（TP）-RL方法相比）。我们还表明，TMP-RL可以重用学习的值，以便在长期部署过程中顺利适应新的场景。
2018-11-21 cs.AI cs.LG cs.RO
Free-configuration Biased Sampling for Motion Planning: Errata
本文档包含我们的论文“用于运动规划的自由配置偏置采样“中提出的采样方法的改进和更新的收敛性证明。
2013-11-03 cs.AI cs.RO
Fast Kinodynamic Planning on the Constraint Manifold with Deep Neural Networks
Poznan University of Technology（波兹南理工大学）；Technische Universität Darmstadt（达姆施塔特工业大学）；Huawei R&D London（华为伦敦研发中心）；German Research Center for AI (DFKI)（德国人工智能研究中心）
运动规划是机器人技术中一个成熟的研究领域，具有许多基于优化或采样状态空间的成熟方法，适用于求解运动学运动规划。然而，当需要在约束条件下的动态运动和计算时间是有限的，在约束流形上的快速kinodynamic规划是必不可少的。近年来，基于学习的解决方案已成为经典方法的替代方案，但它们仍然缺乏对复杂约束的全面处理，例如在考虑机器人动力学的同时在任务空间的低维流形上进行规划。本文介绍了一种新型的学习规划框架，该框架利用了约束流形的概念，包括动力学和神经规划方法。我们的方法生成满足任意约束条件的计划，并在很短的恒定时间内计算它们，即神经网络的推理时间。这使得机器人能够反应性地规划和重新规划，使我们的方法适用于动态环境。我们验证了我们的方法在两个模拟任务，并在一个苛刻的现实世界的情况下，我们使用库卡LBR Iiwa 14机器人手臂执行机器人空气曲棍球的打击运动。
2023-01-12 cs.AI cs.RO
Interaction-Merged Motion Planning: Effectively Leveraging Diverse Motion Datasets for Robust Planning
Visual Intelligence Lab., KAIST, Korea（韩国韩世科技大学视觉智能实验室）；Intelligent Systems and Learning Lab., DGIST, Korea（韩国全南国立科学技术院智能系统与学习实验室）
针对多轨迹数据集利用中的领域不平衡、遗忘与高成本问题，提出IMMP，通过预融合与融合参数检查点迁移多样化交互，并在多个基准和模型上取得优于传统方法的规划性能。
2025-07-25 cs.AI cs.CV cs.LG
A review of motion planning algorithms for intelligent robotics
University of Eastern Finland（东芬兰大学）；Shenzhen Technology University（深圳技术大学）
研究和分析了典型的运动规划算法的原理。这些包括传统的规划算法，监督学习，最优值强化学习，策略梯度强化学习。我们研究的传统规划算法包括图搜索算法、基于采样的算法和插值曲线算法。监督学习算法包括MSVM、LSTM、MCTS和CNN。最优值强化学习算法包括Q学习、DQN、双DQN、决斗DQN。策略梯度算法包括策略梯度法、行动者-批评者算法、A3 C、A2 C、DPG、DDPG、TRPO和PPO。通过分析比较，提出了评价运动规划算法性能和应用的新的通用标准。重点分析了最优值算法和策略梯度算法的收敛速度和稳定性。根据运动规划算法的原理和分析比较，提出了未来的发展方向。本文对机器人运动规划算法的优缺点、相互关系和未来发展趋势有了一个清晰全面的认识，为更好的运动规划算法的研究铺平了道路。
2021-02-05 cs.AI cs.RO
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science（莫迪理工学院）；PEC University of Technology（旁遮普工程学院大学）
本文介绍了电子设计和运动规划的机器人决策的基础上，关于它的直线运动和精确转弯的人工神经网络（ANN）。人工神经网络有助于机器人的学习，使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
Sampling-Based Motion Planning on Sequenced Manifolds
University of Southern California（南加州大学）
我们解决的问题，规划机器人运动的约束配置空间中的约束在整个运动的变化。该问题被制定为一个固定序列的相交流形，机器人需要遍历，以解决任务。我们指定了一类连续的运动规划问题，满足一个特定的属性的变化时，在自由配置空间之间的流形。对于这个问题的类，我们开发的算法规划序列流形（PSM*），搜索流形之间的最佳交点，通过使用RRT* 在一个新的转向策略的内部循环。我们提供了一个关于PSM* 的概率完备性和渐近最优性的理论分析。此外，我们评估其规划性能的多机器人物体运输任务。视频：https://youtu.be/Q8kbILTRxfU代码：https://github.com/etpr/sequential-manifold-planning
2021-06-29 cs.CG cs.RO
Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints
Department of Computer Science, University of Innsbruck（因斯布鲁克大学计算机科学系）
本文提出了一种基于对象中心抽象的统一任务与运动规划方法，利用现成AI启发式搜索生成物理可行计划，无需复杂几何推理。
2026-01-30 cs.AI cs.RO
Motion Planning Transformers: A Motion Planning Framework for Mobile Robots
University of California San Diego（加州大学圣地亚哥分校）；Purdue University（普渡大学）
快速高效的基于采样的运动规划（SMP）是许多机器人系统（例如自动驾驶汽车）的组成部分。提高这些规划器效率的一种流行技术是在规划域中限制搜索空间。现有的算法定义参数函数来约束搜索空间，但这些不扩展到非完整机器人系统。最近的基于学习的方法使用卷积和全连接网络的组合来编码规划空间。然而，这些方法仅限于固定的地图大小，这在现实世界中往往是不现实的。在本文中，我们介绍了一种基于变换的方法，运动规划Transformer，限制搜索空间通过学习辨别区域的有效路径从先验数据。该模型不仅学习限制简单的2D系统的搜索空间，但也为非完整的机器人系统。我们验证我们的方法在各种随机生成的环境中，不同的地图大小和计划轨迹的物理非完整机器人。我们还为Nav2规划栈提供了我们方法的ROS2插件。结果表明，我们的方法减少了搜索空间节点的2 - 12倍相比，传统的规划器，并具有更好的泛化能力比最近的学习为基础的规划器。
2022-11-13 cs.AI cs.RO
Motion Planning by Learning the Solution Manifold in Trajectory Optimization
Kyushu Institute of Technology（九州工业大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
在轨迹优化中使用的目标函数通常是非凸的，并且可以具有无穷多个局部最优值。在这种情况下，有不同的解决方案来执行给定的任务。虽然有一些方法可以找到运动规划的多个解决方案，但它们仅限于生成有限的解决方案集。为了解决这个问题，我们提出了一种优化方法，学习的轨迹优化的解决方案的无限集。在我们的框架中，通过学习解决方案的潜在表示来获得不同的解决方案。我们的方法可以被解释为训练用于运动规划的无碰撞轨迹的深度生成模型。实验结果表明，训练后的模型代表了运动规划问题的无穷同伦解集。
2021-07-13 cs.LG cs.RO
LLM3:Large Language Model-based Task and Motion Planning with Motion Failure Reasoning
University of California, Los Angeles（加州大学洛杉矶分校）；BIGAI（北京智源人工智能研究院）
提出LLM^3框架，利用大语言模型通过运动失败推理迭代优化任务与运动规划，实现领域无关接口，仿真与物理实验验证其有效性与实用性。
2024-08-21 cs.AI cs.RO
Potential Based Diffusion Motion Planning
Brown University（布朗大学）；MIT（麻省理工学院）
针对高维空间运动规划易陷局部极小值的问题，提出基于神经网络学习易优化势函数的运动规划方法，性能优于现有方法且具备良好约束泛化能力。
2024-07-08 cs.CV cs.LG cs.RO
Constrained Motion Planning Networks X
University of California San Diego（加州大学圣地亚哥分校）
受约束的运动规划是一个具有挑战性的研究领域，旨在寻找计算效率高的方法，可以在给定的起始和目标配置之间的约束流形上找到无碰撞路径。这些规划问题经常出现，例如在机器人操作执行日常生活辅助任务。然而，很少有约束运动规划的解决方案是可用的，并且那些存在的解决方案在寻找流形上的路径解决方案时与高计算时间复杂度作斗争。为了解决这一挑战，我们提出了约束运动规划网络X（CoMPNetX）。它是一种神经规划方法，包括条件深度神经生成器和基于神经梯度的快速投影算子。我们还介绍了神经任务和场景表示的条件下，CoMPNetX生成隐式流形配置涡轮增压任何底层的经典规划，如基于采样的运动规划方法，快速解决复杂的约束规划任务。我们表明，在各种具有挑战性的场景中，我们的方法比最先进的传统路径查找工具能够以更高的成功率和更低的计算时间找到路径解决方案。
2021-07-03 cs.AI cs.LG cs.RO
Combined Task and Motion Planning as Classical AI Planning
ICREA（加泰罗尼亚高级研究学院）；Universitat Pompeu Fabra（庞培法布拉大学）
机器人规划通常分为任务规划和运动规划。高级的符号任务规划器决定需要做什么，而运动规划器检查可行性并填充几何细节。然而，已知的是，这样的分解通常不是有效的，因为符号和几何分量不是独立的。在这项工作中，我们表明，有可能将任务和运动规划问题编译成经典的AI规划问题;即，规划问题的有限和离散状态空间与已知的初始状态，确定性的行动，和目标状态达到。编译是合理的，这意味着经典计划是有效的机器人计划，并且概率上是完整的，这意味着当采样足够数量的配置时，有效的机器人计划是经典计划。在这种方法中，运动规划器和碰撞检查器用于编译，但不是在规划时。使该方法有效的关键要素是：1）表达经典的AI规划语言，用于以紧凑的形式表示编译的问题，与PDDL不同，它使用函数和状态约束，以及2）通用的基于宽度的搜索算法，能够仅使用弱算法在巨大的组合空间中找到计划。经验结果PR 2机器人操纵数十个对象，需要长期计划。
2017-06-21 cs.AI 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
Learning Obstacle Representations for Neural Motion Planning
Inria（法国国家信息与自动化研究所）；École normale supérieure（巴黎高等师范学院）；CNRS（法国国家科学研究中心）；PSL Research University（巴黎文理研究大学）；University Grenoble Alpes（格勒诺布尔大学）；Grenoble INP（格勒诺布尔理工学院）
运动规划和避障是机器人应用中的关键挑战。虽然先前的工作成功地为已知环境提供了优秀的解决方案，但在新的动态环境中基于传感器的运动规划仍然很困难。在这项工作中，我们解决基于传感器的运动规划从学习的角度来看。在视觉识别的最新进展的动机，我们认为学习适当的表示运动规划的重要性。我们提出了一个新的障碍表示的基础上的PointNet架构和训练它与避障政策。我们的实验评估我们的方法在具有挑战性的环境中的刚体运动规划，并展示了显着的改进，在准确性和效率方面的最先进的。
2020-11-07 cs.AI cs.CV cs.LG
Task-Motion Planning for Navigation in Belief Space
University of Genoa（热那亚大学）
本文提出了一种集成任务-运动规划（TMP）的大规模环境下导航框架。自主机器人在现实世界的复杂场景中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。在知识密集型领域，一方面，机器人必须在最高级别进行推理，例如导航到的区域;另一方面，必须在执行级别检查相应导航任务的可行性。这提出了对运动规划感知任务规划器的需求。我们讨论了一个概率完整的方法，利用这种任务-运动交互导航在室内域，返回一个计划，是最佳的任务级。此外，我们的框架是为了运动规划下的运动和感知的不确定性，这是正式称为信念空间规划。底层的方法进行了验证与模拟办公环境中的凉亭。此外，我们讨论了局限性，并提供改进和未来工作的建议。
2019-10-24 cs.AI cs.RO
Motion Planning Explorer: Visualizing Local Minima using a Local-Minima Tree
University of Stuttgart（斯图加特大学）
运动规划问题往往有许多局部最小值。这些最小值对于可视化以让用户引导、防止或预测运动是重要的。为了实现这一目标，我们开发的运动规划资源管理器，一种算法，让用户交互式地探索一棵树的局部极小值。根据Morse理论的思想，我们将局部极小定义为在最小化成本泛函下的路径不变。局部最小值使用由用户指定的低维投影被分组到局部最小值树中。然后，用户可以交互式地探索局部最小值树，从而可视化问题结构并引导或防止运动。我们展示了运动规划资源管理器忠实地捕捉本地最小值在四个现实的情况下，完整和某些非完整的机器人。
2019-11-03 cs.AI cs.RO
Neural Motion Planning for Autonomous Parking
Hanyang University（汉阳大学）
本文提出了一种混合运动规划策略，该策略将深度生成网络与传统的运动规划方法相结合。现有的规划方法，如A* 和混合A* 被广泛用于路径规划任务，因为他们的能力，以确定可行的路径，即使在复杂的环境中，但是，他们有效率方面的限制。为了克服这些局限性，引入了一种基于神经网络的路径规划算法，即神经混合A*。本文提出了使用条件变分自编码器（CVAE）引导搜索算法，利用CVAE的能力，学习有关的规划空间的停车环境的信息。一个非均匀的扩展策略是利用的基础上的可行的轨迹分布在演示中学习。所提出的方法有效地学习了一个给定的状态的表示，并在算法性能方面的改进。
2021-11-16 cs.LG cs.RO
Admissible Abstractions for Near-optimal Task and Motion Planning
Massachusetts Institute of Technology（麻省理工学院）
我们定义了一个可接受的条件，抽象表示使用天使的语义，并表明这些条件使我们能够加快规划，同时保持找到最佳运动计划的能力。然后，我们推导出两个连续状态的运动规划域的容许抽象。我们提取的上限和下限的具体运动计划的成本使用本地度量和拓扑性质的问题域。这些界限在保持性能保证的同时指导对计划的搜索。我们表明，抽象可以显着降低搜索的复杂性相对于一个直接的运动规划。使用我们的抽象，我们发现接近最佳的运动计划，涉及$10^{13}$状态的规划问题，而不使用单独的任务规划。
2018-06-03 cs.AI cs.RO
Task-assisted Motion Planning in Partially Observable Domains
University of Genoa（热那亚大学）；Arizona State University（亚利桑那州立大学）
本文提出了一种基于信念空间的机器人导航任务-运动规划集成框架。自主机器人在现实世界的复杂场景中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。为此，我们提出了一个框架内的混合任务规划整合信念空间推理。PDDL+的表达能力与语义驱动的语义附件相结合，在规划时执行传播和后验信念估计。讨论了开发组合混合规划器的基本方法，为改进和未来的工作提供了建议。此外，我们验证了我们的方法的关键方面，在模拟中使用一个现实的情况。
2019-08-27 cs.AI cs.RO
Towards Learning Scalable Agile Dynamic Motion Planning for Robosoccer Teams with Policy Optimization
针对快节奏环境中多智能体动态运动规划的可扩展性与效率问题，提出基于策略优化的学习型动态导航模型，解决异构机器人团队在障碍物环境下的碰撞避免与目标到达问题，突破传统算法限制。
2025-02-08 cs.AI cs.LG cs.MA
Robot Motion Planning as Video Prediction: A Spatio-Temporal Neural Network-based Motion Planner
Rutgers University（罗格斯大学）
基于神经网络的机器人运动规划方法由于其强大的学习能力和固有的高度并行性而成为一种有吸引力的方法。尽管目前在这方面的发展，有效地捕捉和处理重要的顺序和空间信息，以直接和同时的方式，仍然是相对不足的探索。为了克服这一挑战并释放神经网络在运动规划任务中的潜力，本文提出了STP-Net，这是一个端到端的学习框架，可以充分提取和利用重要的时空信息来形成有效的神经运动规划器。通过将机器人的运动解释为视频片段，机器人运动规划被转换为可以由STP-Net以空间和时间有效的方式执行的视频预测任务。在不同的可见和不可见环境中的经验评估表明，STP-Net在规划速度和路径成本方面表现出非常有前途的性能，准确率接近100%（也就是成功率）。与现有的基于神经网络的运动规划器相比，STP-Net在2D随机森林、2D迷宫和3D随机森林环境中分别实现了至少5倍、2.6倍和1.8倍的速度和更低的路径成本。此外，在多机器人运动规划任务中，STP-网络可以快速、同时地计算出多条近似最优路径
2022-08-24 cs.LG cs.RO
MPTP: Motion-Planning-aware Task Planning for Navigation in Belief Space
University of Genoa（热那亚大学）
我们提出了一个集成的任务-运动规划（TMP）框架，在大规模环境中的导航。最近，用于操纵的TMP引起了极大的兴趣，导致不同方法的扩散。相比之下，用于导航的TMP受到的关注要少得多。自主机器人在现实世界的复杂场景中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。在知识密集型领域，一方面，机器人必须在最高级别进行推理，例如，要采购的对象，要导航到的区域，以便获取它们;另一方面，必须在执行级别检查相应导航任务的可行性。这提出了对运动规划感知任务规划器的需求。在本文中，我们讨论了一个概率完整的方法，利用这种任务运动的相互作用，在大型知识密集型领域的导航，返回一个计划，是最佳的任务级。该框架旨在用于运动和感知不确定性下的运动规划，其正式名称为信念空间规划。底层的方法在模拟中得到验证，在办公室环境中，其可扩展性在更大的柳树车库的世界进行了测试。还提供了与最接近我们方法的工作的合理比较。我们还证明了我们的方法的适应性，考虑建筑物楼层导航域。最后，我们也讨论了我们的方法的局限性，并提出了改进和未来工作的建议。
2021-04-10 cs.AI cs.RO
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University（东南大学）；Tongji University（同济大学）
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加，经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展，基于深度强化学习（Deep Reinforcement Learning，DRL）的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的，并且不依赖于先前的结构化地图。最重要的是，基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中，我们提供了一个系统的审查各种运动规划方法。首先，我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果，并分析了它们的性能特点。随后，我们集中总结了基于RL的运动规划方法，包括运动规划器结合RL的改进，基于地图的RL运动规划器，和多机器人协作规划方法。最后，我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战，回顾了一些最先进的工作，这些问题，并提出了未来的研究建议。
2022-02-23 cs.RO
Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks
UC San Diego（加州大学圣地亚哥分校）
基于采样的运动规划是机器人技术中一种在连续空间中寻找路径的常用方法。碰撞检测是该过程中的主要计算瓶颈。我们提出了新的基于学习的方法，通过训练执行路径探索和路径平滑的图神经网络来减少碰撞检查以加速运动规划。给定从批量采样生成的随机几何图（RGG），路径探索组件迭代地预测无冲突边缘以优先考虑它们的探索。路径平滑组件然后优化从探索阶段获得的路径。该方法受益于GNN通过批量采样从RGG捕获几何图案的能力，并更好地推广到不可见的环境。实验结果表明，学习组件可以显着减少碰撞检查，提高整体规划效率，在具有挑战性的高维运动规划任务。
2022-10-17 cs.AI cs.RO
Learn and Link: Learning Critical Regions for Efficient Planning
School of Computing, Informatics, and Decision Systems Engineering（计算、信息与决策系统工程学院）；Arizona State University（亚利桑那州立大学）；Tempe, Arizona 85281（（地址，不应提取））
本文提出了一种新的方法来学习运动规划（MP）的环境中的关键区域是从一组给定的运动计划，并用于提高性能的新的环境和问题的情况。我们引入了一套新的基于采样的运动规划器，学习和链接。我们的规划人员利用关键区域来克服均匀采样的局限性，同时仍然保持基于采样的算法固有的正确性保证。我们还表明，卷积神经网络（CNN）可用于识别运动规划问题的关键区域。我们评估学习和链接对规划师从开放式运动规划库（OMPL）使用一套广泛的实验具有挑战性的运动规划问题。我们表明，我们的方法需要更少的规划时间比现有的抽样为基础的规划师。
2020-03-07 cs.AI cs.RO
Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions
本文提出一种交织调度与运动规划的增量学习框架，用于多物体共享空间的调度与运动规划，通过符号时空运动抽象提升复杂时空约束下的执行效率。
2026-03-19 cs.AI cs.RO
Evaluating Guiding Spaces for Motion Planning
University of Illinois（伊利诺伊大学）；Texas A&M University（得克萨斯农工大学）
基于随机采样的算法被广泛应用于机器人运动规划中，由于问题的棘手性，并在实验上有效的范围广泛的问题实例。大多数变体不会随机均匀地抽样，而是使用各种方法来确定哪些样本将提供更多信息，或者更有可能参与最终解决方案。在这项工作中，我们定义了\emph{motion planning guiding space}，它封装了许多看似不同的工作在同一个框架下。此外，我们提出了一个信息理论的方法来评估引导规划的地方，重点放在所产生的有偏采样的质量。最后，我们分析了几个运动规划算法，以证明我们的定义和评估的适用性。
2022-10-16 cs.AI cs.RO
Motion Planning Networks
University of California San Diego（加利福尼亚大学圣地亚哥分校）
快速高效的运动规划算法对于自动驾驶汽车等许多最先进的机器人应用至关重要。现有的运动规划方法变得无效，因为它们的计算复杂性随着运动规划问题的维度呈指数增加。为了解决这个问题，我们提出了运动规划网络（MPNet），一个基于神经网络的新的规划算法。所提出的方法直接从点云测量中编码给定的路径，并为给定的起始和目标配置生成端到端的无碰撞路径。我们评估MPNet的各种二维和三维环境，包括规划的7自由度巴克斯特机器人机械手。结果表明，MPNet不仅在所有环境中都具有一致的计算效率，而且还可以推广到完全不可见的环境。结果还表明，MPNet的计算时间始终保持不到1秒，在所有提出的实验，这是显着低于现有的国家的最先进的运动规划算法。
2019-02-24 cs.AI cs.RO stat.ML
End-to-End Motion Planning of Quadrotors Using Deep Reinforcement Learning
Nanyang Technological University（南洋理工大学）；Aarhus University（奥胡斯大学）
在这项工作中，提出了一种新的，端到端的运动规划方法，在杂波环境中的四旋翼导航。与传统的导航算法相比，该方法避免了显式的传感-重建-规划。它使用从前置摄像头获得的原始深度图像，并以平滑运动基元的形式直接生成局部运动计划，通过避开障碍物将四旋翼机移动到目标。在AirSim模拟和配备英特尔实感D435的DJI F330四旋翼机的真实飞行中，展示了有前景的培训和测试结果。拟议的系统可以在https://youtu.be/pYvKhc8wrTM上找到。
2019-10-05 cs.AI cs.RO
Physics-informed Neural Motion Planning on Constraint Manifolds
Purdue University（普渡大学）
针对约束流形上约束运动规划（CMP）求解难、需专家数据的问题，提出首个物理启发式CMP框架，通过在约束流形上求解程函方程训练神经函数，无需专家数据，在仿真与真实场景中实现亚秒级高成功率规划，速度远超现有最优方法。
2024-03-09 cs.LG cs.RO
Integrated Task and Motion Planning
CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室）
在包含大量对象的环境中操作的机器人的规划问题，采取行动以使其自身在世界中移动以及改变对象的状态，被称为任务和运动规划（TAMP）。TAMP问题包含离散任务规划、离散-连续数学规划和连续运动规划的元素，因此不能由这些领域中的任何一个直接有效地解决。在本文中，我们定义了一类的TAMP问题和调查算法来解决它们，其特点的解决方案的方法在其解决连续空间子问题的策略和他们的技术集成的离散和连续组件的搜索。
2020-10-02 cs.AI cs.RO
Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations
Uber ATG（Uber 先进技术集团）；University of Toronto（多伦多大学）
在本文中，我们提出了一种新型的端到端可学习网络，该网络可以为自动驾驶车辆执行联合感知，预测和运动规划，并产生可解释的中间表示。与现有的神经运动规划器不同，我们的运动规划成本与我们的感知和预测估计一致。这是通过一种新颖的可区分的语义占用表示来实现的，该表示被明确地用作运动规划过程的成本。我们的网络是从人类演示中端到端学习的。在大规模手动驾驶数据集和闭环仿真中的实验表明，该模型在模仿人类行为的同时产生更安全的轨迹，显着优于最先进的规划器。
2020-08-13 cs.AI cs.CV cs.LG
Learning Equality Constraints for Motion Planning on Manifolds
Robotic Embedded Systems Laboratory（机器人嵌入式系统实验室）；University of Southern California（南加州大学）
受限机器人运动规划是解决机器人复杂任务的一种广泛应用的技术。我们考虑的问题，学习表示的约束，从演示与深神经网络，我们称之为等式约束流形神经网络（ECoMaNN）。其关键思想是学习一个水平集函数的约束适合集成到一个受约束的采样为基础的运动规划。学习通过将网络中的子空间与数据的子空间对齐来进行。我们将学习到的约束和分析描述的约束结合到规划器中，并使用基于投影的策略来找到有效点。我们评估ECoMaNN的约束流形的表示能力，其个别损失项的影响，以及纳入规划时产生的运动。
2020-09-24 cs.CG cs.LG cs.RO
Learning Manifolds for Sequential Motion Planning
University of Southern California（南加州大学）
带约束的运动规划是许多现实机器人系统的重要组成部分。在这项工作中，我们研究了流形学习方法，从数据中学习这样的约束。我们探索了两种从数据中学习隐式约束流形的方法：变分自编码器（VAE）和一种新的方法，等式约束流形神经网络（ECoMaNN）。为了将学习到的约束到一个基于采样的运动规划框架，我们评估他们的能力，学习表示的约束，从各种数据集和规划过程中产生的路径的质量的方法。
2020-07-04 cs.CG cs.RO
Motion Memory: Leveraging Past Experiences to Accelerate Future Motion Planning
George Mason University（乔治梅森大学）
本文提出 Motion Memory 方法，将过往规划经验以黑盒或白盒方式复用于不同运动规划器，在三万多个实例上验证其可显著缩短规划时间。
2024-03-13 cs.RO
Towards Multi-Robot Task-Motion Planning for Navigation in Belief Space
University of Genoa（热那亚大学）
自主机器人在大型知识密集型领域中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。在知识密集型领域，一方面，机器人必须在最高级别上进行推理，例如要导航到的区域或要拾取的对象及其属性;另一方面，必须在控制器执行级别上检查相应导航任务的可行性。此外，采用多个机器人提供比执行相同任务的单个机器人增强的性能能力。为此，我们提出了一个集成的多机器人任务运动规划框架导航知识密集型领域。特别是，我们认为一个分布式的多机器人设置机器人之间的相互观察。该框架旨在用于运动和感知不确定性下的运动规划，其正式名称为信念空间规划。基本的方法和它的局限性进行了讨论，为改进和未来的工作提供了建议。我们验证我们的方法在模拟的关键方面。
2020-10-01 cs.AI cs.RO
Deep Reinforcement Learning for Motion Planning of Mobile Robots
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所 IIS）；Friedrich-Alexander-University Erlangen-Nuremberg (FAU)（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学（FAU））
本文提出了一种新的运动和轨迹规划算法的非完整移动机器人，使用深度强化学习的最新进展。从随机初始状态开始，即，位置，速度和方向，机器人达到任意的目标状态，同时考虑运动学和动力学约束。我们的深度强化学习代理不仅处理连续的状态空间，还执行连续的动作，即，车轮的加速度和转向角的自适应。我们评估我们的运动和轨迹规划的移动机器人在仿真环境中的差分驱动。
2019-12-19 cs.AI cs.RO
Graduated Fidelity Lattices for Motion Planning under Uncertainty
Centro Singular de Investigación en Tecnoloxías da Información (CiTIUS)（信息技术卓越研究中心（CiTIUS））；Universidade de Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
提出了一种基于状态格的移动机器人运动规划新方法。碰撞概率的可靠估计考虑到机器人的形状，和保真度适应环境的复杂性，提高规划效率，同时保持性能。安全和最优路径发现的知情搜索算法，提出了一种新的多分辨率启发式。不同的场景和机器人形状的结果，显示所提出的方法的有效性。
2019-05-31 cs.AI cs.RO
IBBT: Informed Batch Belief Trees for Motion Planning Under Uncertainty
Georgia Institute of Technology（佐治亚理工学院）
本文提出IBBT算法，将不确定性运动规划分解为确定性采样建图与知情启发式信念树搜索，实现可收敛、可复用的任意时间增量规划，并在多环境中验证其更快且能找到非平凡规划。
2023-04-21 cs.AI cs.RO
PAAMP: Polytopic Action-Set And Motion Planning for Long Horizon Dynamic Motion Planning via Mixed Integer Linear Programming
Robotics Engineering Department, Worcester Polytechnic Institute（沃斯特理工学院机器人工程系）；Electrical Engineering Department, California Polytechnic State University（加州州立大学弗雷斯诺分校电子工程系）
本文提出PAAMP方法，通过多边形动作集将长时间动态运动规划转化为混合整数线性规划问题，用于解决复杂动态系统中的运动规划与约束满足问题。
2024-08-28 cs.RO
Towards Search-based Motion Planning for Micro Aerial Vehicles
University of Pennsylvania（宾夕法尼亚大学）；UC San Diego（加州大学圣地亚哥分校）
基于搜索的运动规划已被用于移动机器人的许多应用。然而，由于微型飞行器（MAVs）复杂的动力学和实时计算的要求，它还没有得到充分的发展和应用，规划的全状态轨迹。在本文中，我们探讨了一个基于搜索的运动规划框架，计划动态可行的，无碰撞，分辨率最佳和完整的轨迹。本文扩展了基于搜索的规划方法，以解决三个重要的情况下，微型飞行器导航：（i）规划安全的轨迹存在的运动不确定性;（ii）规划与约束的视野和（iii）规划在动态环境中。我们表明，这些问题可以有效地解决，高效地使用所提出的基于搜索的运动基元规划。
2018-10-07 cs.RO
Search-Based Robot Motion Planning With Distance-Based Adaptive Motion Primitives
Faculty of Electrical Engineering, University of Sarajevo, Bosnia and Herzegovina（萨拉热窝大学电气工程学院）；RWTH Aachen University, Germany（亚琛工业大学）
本文提出将自由构型空间中的burs作为自适应运动基元融入图搜索算法，结合采样与搜索规划，在SMPL库中实现，显著提升高自由度机械臂在复杂场景下的路径规划效率。
2025-07-01 cs.AI cs.CG cs.RO
Group-Control Motion Planning Framework for Microrobot Swarms in a Global Field
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
提出面向全局场微型机器人群体的 group-control 运动规划框架，证明 STLC 条件及最少分组数，并分析复杂度权衡与基元设计。
2024-12-10 cs.RO
Trajectory Planning without Trajectory Data: A Manifold-Guided Approach
Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；Harvard University（哈佛大学）
提出流形引导的轨迹规划方法，仅用状态观测学习状态空间流形并利用其几何构造轨迹，实现对未见约束的泛化，在基准上表现优异且无需轨迹数据。
2026-10-08 cs.RO
Sampling-Based Motion Planning: A Comparative Review
本文系统综述基于采样的运动规划算法，梳理其历史、代表性规划器及扩展，并在24个挑战性问题上进行比较评估，为研究者和实践者提供选型指南。
2023-09-22 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley（加州大学伯克利分校）
多关节机器人的运动规划具有挑战性。由于问题的复杂性，大多数现有的工作分解运动规划作为更容易的子问题。然而，由于不一致的性能指标，只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题，提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University（莱斯大学）
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库，利用了流行的MoveIt库和机器人操作系统（ROS）中间件。Robowflex提供了一个增强的API，用于在单个程序中制作和操作运动规划查询，使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例，同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1）开发新的运动规划器，2）评估运动规划器，以及3）使用运动规划作为子例程的复杂问题（例如，任务和运动规划）。Robowflex还提供可视化功能，与其他机器人库的集成（例如，DART和Tesseract），并补充其他机器人软件包。使用我们的库，用户不需要是ROS或MoveIt的专家，就可以设置运动规划查询，从结果中提取信息，并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
I-Planner: Intention-Aware Motion Planning Using Learning Based Human Motion Prediction
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个运动规划算法来计算无碰撞和平滑的轨迹，高自由度机器人与人类在一个共享的工作空间。我们的方法使用离线学习的人类行为以及时间的连贯性来预测人类的行动。我们的意图感知在线规划算法使用学习的数据库来计算基于预测动作的可靠轨迹。我们表示预测的人体运动使用高斯分布和计算安全的运动规划碰撞概率的严格上限。我们还描述了新的技术，以占人体运动预测中的噪声。我们强调了我们的规划算法在复杂的模拟场景和现实世界的基准与7自由度机器人手臂在一个工作空间与人类执行复杂的任务。我们证明了我们的意图感知规划的好处，在这种不确定的环境中计算安全的轨迹。
2017-11-27 cs.RO
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架，用于UR5e机械臂的主动碰撞避免，以提升人机协作安全性。
2026-09-29 cs.RO
