Single-Agent On-line Path Planning in Continuous, Unpredictable and Highly Dynamic Environments
Universidad Técnica Federico Santa María（费德里科·圣玛丽亚理工大学）
本文是一篇关于连续、不可预测和高度动态环境下单智能体在线路径规划的论文。问题是寻找和穿越的完整机器人的无碰撞路径，没有kinodynamic的限制，移动在一个环境中有几个不可预测的移动障碍物或对手。假设在任何时候都有关于环境的完整信息。几个静态和动态的快速探索随机树（RRT）算法的变种进行了探讨，以及在动态环境中的进化规划算法称为进化规划师/导航。这两种算法的组合，提出了克服两者的缺点，然后组合的RRT变体的初始规划和知情的本地搜索导航，加上一个简单的贪婪启发式优化。我们表明，这种简单的技术组合提供了更好的响应高度动态的环境比RRT扩展。
2009-12-01 cs.AI cs.RO
AB-Mapper: Attention and BicNet Based Multi-agent Path Finding for Dynamic Crowded Environment
Wuyi University（五邑大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；irobotix Co., Ltd（3i机器人有限公司）
动态拥挤环境下的多智能体路径搜索对于现实世界中的多机器人系统具有重要的学术和实用价值。为了提高动态拥挤环境下路径规划中通信和学习过程的有效性和效率，提出了一种基于Attention和BicNet的多智能体有效强化路径规划算法（AB-Mapper），该算法基于行动者-评论者强化学习框架。在这个框架中，一方面，我们利用行动者网络中具有通信功能的BicNet来实现团队内部的协调。另一方面，我们提出了一个集中的评论家网络，可以选择性地分配注意力权重周围的代理。这种注意力机制允许个体代理通过考虑其周围代理的行为来自动学习更好的动作评估。与最先进的方法Mapper相比，我们的AB-Mapper是更有效的（85.86%比81.56%的成功率）在解决一般的路径查找问题的动态障碍。此外，在拥挤的场景中，我们的方法大大优于Mapper方法，每个实验都达到了超过40%的惊人差距。
2021-10-02 cs.MA cs.RO
AUV Rendezvous Online Path Planning in a Highly Cluttered Undersea Environment Using Evolutionary Algorithms
Flinders University（弗林德斯大学）
在这项研究中，一个单一的自主水下航行器（AUV）的目标是通过一个混乱和可变的操作领域与一个淹没的领导者回收车辆会合。将交会问题转化为非线性最优控制问题，并给出了数值解。采用罚函数法将边界条件、车辆和环境约束与最终交会时间这一性能指标结合起来，提出了四种基于进化的路径规划方法，即粒子群优化（PSO）、基于生物地理学的优化（BBO）、采用差分进化算法和萤火虫算法建立了反应式规划器模型，并对提出的NOCP进行了数值求解。本文的目标是通过一个综合的仿真研究来综合和分析上述方法的性能和能力，用于引导AUV从游荡点到会合地点。所提出的规划器模块需要一个启发式的改进路径，考虑到潜在环境的态势感知，包括静态和动态的障碍物淹没在时空电流矢量。这导致适应不可预见的变化，在经营领域如出现不可预测的障碍物或电流矢量场和湍流区域的变化。仿真结果表明，固有的鲁棒性和显着的效率，所提出的规划器在提高车辆的自主性，在使用电流的力量，应付不希望的电流干扰所需的交会目的。根据所得结果，提出了各种方法的优缺点。
2016-06-15 cs.RO
Self-Evolutionary Replanning for Failure-Aware Motion Planning
Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系）；SIAT, Chinese Academy of Sciences（中国科学院上海技术物理研究所）；Department of Computer Science, University of Hong Kong（香港大学计算机科学系）；Academy for Engineering & Technology, Fudan University（复旦大学工程与技术学院）；Department of EEE, Southern University of Science and Technology（南方科技大学电子工程系）
SERP通过自进化动作模型和图链式思考重规划，提升具身导航在复杂环境中的鲁棒性和效率。
2026-09-29 cs.RO
Multi Agent Path Finding using Evolutionary Game Theory
University of Southern California（南加州大学）
在本文中，我们考虑的路径发现问题的一组同质和自主智能体导航先前未知的随机环境。在我们的问题设置中，每个代理试图最大化给定的效用函数，同时尊重安全属性。我们的解决方案基于进化博弈论的思想，即复制表现良好的政策，减少表现不佳的政策。我们做了一个全面的比较与相关的多智能体规划方法，并表明，我们的技术击败最先进的RL算法在最小化路径长度近30%，在大空间。我们表明，我们的算法在计算上比深度RL方法快至少一个数量级。我们还表明，它的规模更好地与代理数量的增加相比，其他方法，特别是路径规划方法。最后，我们经验证明，我们学习的政策是进化稳定的，因此不受任何其他政策的入侵。
2022-12-05 cs.AI cs.GT cs.MA
Multi-objective Anti-swing Trajectory Planning of Double-pendulum Tower Crane Operations using Opposition-based Evolutionary Algorithm
Nanyang Technological University（南洋理工大学）；School of Mechanical and Aerospace Engineering (MAE)（机械与航空航天工程学院）；School of Computer Science and Engineering (CSE)（计算机科学与工程学院）
本文针对双摆塔式起重机操作，提出基于微分平坦性和Bézier曲线参数化的多目标防摆轨迹规划方法，并设计CO-GDE3进化算法进行优化，仿真验证其能生成时间-能量最优且满足状态约束的轨迹。
2023-05-30 cs.RO cs.SY eess.SY
Generating Motion Patterns Using Evolutionary Computation in Digital Soccer
Sharif University of Technology（谢里夫理工大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
在数字足球环境中对对方球员的运球是运动规划中的一个重要的实际问题。它具有特殊的复杂性，可以推广到其他类似的多智能体系统的最重要的问题。在本文中，我们提出了一个混合计算几何和演化计算方法来产生运动轨迹，以避免移动障碍物。在这种情况下，对方球员不仅是一个障碍，而且是一个试图强化运球程序的人。该方法的一个特点是通过将在线阶段的处理成本转移到离线阶段来降低在线阶段的处理成本，从而提高代理的性能。这种方法将问题分为离线和在线两个阶段。在离线阶段，目标是使用演化计算找到期望的轨迹并将其保存为轨迹规划。轨迹规划由近似每个轨迹规划的信息的节点组成。在在线阶段，线性插值与xy平面中的德洛内三角剖分一起应用于轨迹规划以检索期望的动作。
2013-01-06 cs.AI cs.RO
Designing Multi-Stage Coupled Convex Programming with Data-Driven McCormick Envelope Relaxations for Motion Planning
University of California, Los Angeles（加州大学洛杉矶分校）
对于多肢机器人，由于非线性的存在，具有姿态和力约束的运动规划往往是一个困难的优化问题，这也会导致求解时间的延长。我们提出了一个多阶段的优化框架与数据驱动的级间耦合约束，以解决非线性。聚类和进化的方法来找到麦考密克信封松弛被用来找到特定问题的参数。然后在先前阶段中使用所学习的约束，这提供了后续阶段的高级知识。这导致改进的求解时间和结果的可解释性。规划器通过10公斤的六足机器人上的多个行走和攀爬任务进行验证。
2021-09-14 cs.RO
Bypassing or flying above the obstacles? A novel multi-objective UAV path planning problem
University of Haute-Alsace（上阿尔萨斯大学）；University of Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）
针对无碰撞离散无人机路径规划问题，提出了一种新的多目标整数规划模型。考虑到绕过障碍物或在障碍物上方飞行的可能性，本研究旨在同时最小化路径长度、能量消耗和最大路径风险。静态环境表示为3D网格单元。由于该问题的NP-难性质，几个国家的最先进的进化多目标优化（EMO）算法与定制的交叉和变异算子，以找到一组非支配的解决方案。结果表明，应用算法在解决几个生成的测试用例的有效性。
2020-04-12 cs.AI cs.RO eess.SP
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
Path Planning for Shepherding a Swarm in a Cluttered Environment using Differential Evolution
University of New South Wales（新南威尔士大学）；Defence Science and Technology, Australian Department of Defence（澳大利亚国防部国防科技集团）
牧羊涉及通过另一个控制代理（\emph{sheepdog}）将代理群（\emph{sheep}）朝着目标放牧。在文献中已经记录了多种方法来模拟这种行为。在本文中，我们提出了一种修改，一个著名的牧羊人的方法，并通过模拟表明，这种修改提高了牧羊人的功效。然后，我们认为，由于复杂性所产生的障碍充满的环境，路径规划方法可以进一步增强这个模型。为了验证这一假设，我们提出了一个2阶段的进化为基础的路径规划算法，在2D环境中牧羊的代理群体。在第一阶段，该算法试图找到牧羊犬从其初始位置移动到羊后面的战略驾驶位置的最佳路径。在第二阶段，它计算并优化羊的路径。它通过在这条路径上使用\emph{way points}作为牧羊犬瞄准的顺序子目标来实现。通过仿真对该算法在多障碍环境下的性能进行了评估，并取得了进一步的改进.
2020-08-28 cs.AI 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
Energy Optimized Robot Arm Path Planning using Differential Evolution in Dynamic Environment
Jadavpur University（贾达沃普尔大学）
机器人由于其高效率和高精度的性能而广泛应用于工业中。在生产线的制造阶段，最有趣的问题之一是最大限度地减少这些机器人操作器消耗的能量的显着高的百分比。机器人的能量最优控制是一个复杂的问题，因为它需要深入了解机器人的运动学和动力学行为。提出了一种基于差分进化算法的工业机器人手臂在多障碍物工作空间中能量有效路径规划的新方法。路径规划问题被制定为一个优化问题，其目的是确定最短的和能量最优路径的机器人手臂从其给定的初始位置到预定义的目标位置，而不会碰到障碍物。这种进化算法在轨迹规划中的应用是有利的，因为路径规划问题的精确解并不总是预先可用的，并且必须动态地确定。实验表明，基于DE的路径规划算法优于其竞争者在一个显着的方式。
2018-06-23 cs.RO
Differential Evolution for Efficient AUV Path Planning in Time Variant Uncertain Underwater Environment
Flinders University（弗林德斯大学）；University of Washington（华盛顿大学）；Seattle Children's Research Institute（西雅图儿童研究所）
研究了复杂湍流水下环境下AUV三维路径规划问题，其中考虑了静止的海流图数据和不确定的静-动时变障碍物。AUV路径规划对这种强可变性的鲁棒性被认为是一个复杂的NP难问题，并且被认为是确保车辆安全部署的关键问题。有效的进化技术有很大的潜力，处理NP难复杂性的路径规划问题，作为更强大和快速的算法在其他方法中提到的问题。本文将差分进化技术应用于水下机器人路径规划问题的研究。本文所设计的路径规划器能够从实际地图中提取可行区域，并考虑沿海地区、岛屿、静态/动态障碍物和洋流等因素，以较小的计算时间提供有效的路径。实验结果表明，该方法具有较强的鲁棒性和高效性，能够有效地利用有用电流，实时避免碰撞边界，提高了车辆路径规划能力。所提出的方法也是灵活的，严格尊重车辆的运动约束抵抗当前的不稳定性。
2016-12-04 cs.AI cs.RO
SEMAG: Self-Evolutionary Multi-Agent Code Generation
College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ), China（广东省人工智能与数字经济发展实验室（深圳））；School of Information Technology, Carleton University, Canada（卡尔顿大学信息技术学院）
SEMAG通过自演化多智能体框架提升代码生成适应性，实现更高准确率和更强的模型自适应能力。
2026-03-16 cs.AI cs.SE
EvaDrive: Evolutionary Adversarial Policy Optimization for End-to-End Autonomous Driving
针对自动驾驶中轨迹生成与评估孤立及多维偏好标量化偏差问题，提出多目标强化学习框架EvaDrive，通过多轮对抗博弈实现闭环协同演化，在NAVSIM和Bench2Drive基准上达到SOTA性能。
2025-08-14 cs.AI cs.LG
UAV 3-D path planning based on MOEA/D with adaptive areal weight adjustment
Central South University（中南大学）；National University of Defense Technology（国防科技大学）
针对无人机三维路径规划中路径长度与地形威胁的多目标权衡问题，提出带自适应面积权重调整策略的改进MOEA/D算法，经多场景对比实验验证可有效提升解的多样性与算法性能。
2023-08-20 cs.AI cs.RO
Persistent AUV Operations Using a Robust Reactive Mission and Path Planning (RRMPP) Architecture
School of Information Technology, Deakin University（迪肯大学信息技术学院）
提供更高水平的决策自主性和伴随的不确定环境的迅速变化是AUV自主操作的真正挑战。该方法引入了一个鲁棒的反应结构，在顶层适应AUV的任务规划，任务时间管理，并通过同步运动规划在较低的水平，包括环境变化。所提出的架构是在一个层次化的模块化的格式和一堆的进化算法，每个模块采用调查的效率和鲁棒性的结构在不同的任务场景，而水流数据，不确定的静态移动/运动障碍，车辆Kino-dynamic约束考虑。运动规划器通过在线重新规划能力来促进，以基于环境的局部变化来细化车辆的轨迹。一个小的计算负荷专门用于重新规划过程，因为上层任务规划器呈现了一个有效的概述的操作区域，AUV应该飞行通过。数值模拟进行了调查的鲁棒性和性能的架构在不同的情况下的真实世界的水下环境。仿真结果分析表明，该模型具有精确的任务时间威胁管理能力，同时保证了任务期间的安全部署。
2019-10-16 cs.RO
Accelerating Deep Reinforcement Learning for Digital Twin Network Optimization with Evolutionary Strategies
Barcelona Neural Networking Center, Universitat Politècnica de Catalunya（巴塞罗那神经网络中心，加泰罗尼亚理工大学）；Huawei Technologies Co.,Ltd.（华为技术有限公司）
新兴网络应用的最近增长（例如，卫星网络、车辆网络）正在增加管理现代通信网络的复杂性。因此，社区提出了数字孪生网络（DTN）作为有效网络管理的关键使能器。网络运营商可以利用DTN来执行不同的优化任务（例如，交通工程、网络规划）。深度强化学习（DRL）在解决网络优化问题时表现出了很高的性能。在DTN的环境中，DRL可以用来解决优化问题，而不会直接影响现实世界的网络行为。然而，DRL的规模与问题的大小和复杂性差。在本文中，我们探讨了使用进化策略（ES）训练DRL代理解决路由优化问题。实验结果表明，ES实现了128和6的训练时间分别为NSFNET和GEANT2拓扑结构的加速。
2022-02-01 cs.LG cs.NI
The Emergence of Deep Reinforcement Learning for Path Planning
Faculty of Information Technology, Monash University（墨尔本大学信息科技学院）；Swinburne University of Technology（斯威本技术大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；The University of Queensland（昆士兰大学）；Sungkyunkwan University（成均馆大学）；Griffith University（格里菲斯大学）
本文综述了深度强化学习在路径规划中的兴起，系统梳理传统方法与DRL算法，分析各自优劣，并重点探讨DRL与经典规划结合的混合方法，为鲁棒自主导航指明方向。
2025-07-21 cs.AI cs.RO
Multiobjective Coverage Path Planning: Enabling Automated Inspection of Complex, Real-World Structures
Brazilian Institute of Robotics（巴西机器人研究所）；SENAI CIMATEC（巴西国家工业培训服务西玛特克分校）；Department of Informatics, University of Oslo（奥斯陆大学信息学系）；SENAI Institute for Innovation in Automation（巴西国家工业培训服务自动化创新研究所）；Robotics Innovation Center, DFKI GmbH（德国人工智能研究中心机器人创新中心）
机器人规划中的一个重要的开放问题是3D检测路径的自主生成-也就是说，规划机器人移动的最佳路径，以检查目标结构。我们最近提出了一种新的规划路径的方法，允许检查复杂的3D结构，给定的三角形网格模型的结构。该方法不同于以往的方法，其重点是生成和考虑也计划，导致不完善的覆盖范围的检查目标。在许多实际任务中，如果检测路径的能量利用效率大大提高，那么我们可以接受检测覆盖范围的不完善。其关键思想是使用多目标进化算法同时优化检测计划的能量利用和覆盖范围，结果是一组计划探索不同的方法来平衡这两个目标。我们在这里测试我们的方法在一组检查目标的大小和复杂性变化很大，并比较其性能与两个国家的最先进的方法，完整的覆盖路径规划。结果加强了我们的信心，我们的方法，以产生良好的检查计划，为不同类型的目标的能力。该方法的优势是最清楚地看到现实世界的检查目标，因为传统的完全覆盖方法没有很好的方式生成计划的结构与隐藏的部分。多目标进化通过同时优化能量使用和覆盖范围来确保两者之间的良好平衡-无论是在100%覆盖可行时，还是在物体的大部分被隐藏时。
2019-01-22 cs.AI cs.RO
Sample-efficient Low-level Motion Planning for Robotic Manipulation Tasks via Zero-shot Transfer Learning
School of Computer Science & Informatics, Cardiff University, Cardiff, UK（计算机科学与信息学系，卡迪夫大学，卡迪夫，英国）
提出iCEM+TL框架，通过迁移学习和奖励重塑提高复杂操作任务的成功率，仿真中提升高达23%，并在真实机器人上验证。
2026-06-04 cs.AI cs.NE cs.RO
An Evolutionary Game-Theoretic Merging Decision-Making Considering Social Acceptance for Autonomous Driving
School of Mechanical Engineering（机械工程学院）；Beijing Institute of Technology（北京理工大学）
针对自动驾驶高速公路匝道汇入的动态复杂性与社会接受度问题，提出基于有限理性的演化博弈论决策框架，通过求解演化稳定策略推导最优切入时机，并结合实时驾驶风格估计在线调整收益函数，有效提升了汇入效率、安全性与舒适性。
2025-08-09 cs.AI cs.RO
A Semi-Lagrangian Approach for Time and Energy Path Planning Optimization in Static Flow Fields
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
针对静态流场中自主移动机器人兼顾时间与能耗的路径规划问题，提出多目标最优控制建模、Harmonic Transformation 与半拉格朗日求解框架，并用确定性和进化方法生成 Pareto 最优路径。
2025-03-13 cs.RO cs.SY eess.SY
Multiresolution Mapping and Informative Path Planning for UAV-based Terrain Monitoring
ETH Zürich（苏黎世联邦理工学院）；University of Technology, Sydney（悉尼科技大学）
无人机（UAV）可以提供及时且具有成本效益的高质量传感数据交付。然而，在复杂的环境中决定何时何地进行测量仍然是一个公开的挑战.为了解决这个问题，我们引入了一个新的多分辨率映射方法，在地形监测使用无人机的信息路径规划。我们的策略利用编码在高斯过程模型中的空间相关性作为先验概率传感器的贝叶斯数据融合。这使我们能够将高度相关的传感器模型用于航空成像，并执行恒定时间的测量更新。由此产生的地图被用来规划信息丰富的轨迹在连续的3-D空间，通过网格搜索和进化优化的组合。我们评估我们的框架在农业生物量监测的应用。广泛的模拟表明，我们的规划器比现有的方法表现更好，与传统的“割草机”覆盖率相比，平均误差减少高达45%。我们演示了使用多旋翼在不同环境中映射颜色的概念证明。
2017-03-08 cs.RO
UUV's Hierarchical DE-based Motion Planning in a Semi Dynamic Underwater Wireless Sensor Network
Faculty of Information Technology, Monash University, Australia（澳大利亚莫纳什大学信息技术学院）
本文介绍了一种自反多层任务规划器与安装节能本地路径规划器的无人水下航行器（UUV）的导航整个复杂的海底体积在一个时变的半动态操作网络。针对水下无线传感器网络（Underwater Wireless Sensor Network，UNSW）中的UUV路由协议，提出了一种基于自适应路径规划机制的同构动态背包-旅行者推销员问题，以解决UUV在动态变化的海底体积上执行长时间任务的问题。该框架包括全局路径规划的底层、局部路径规划的内层和环境子层。这种多层次的集成结构使得框架可以采用任何具有实时性能的算法。被称为差分进化算法的进化技术被采用的基础和内层，以检查在有效的任务定时和对环境干扰的弹性的框架的性能。依靠反应性质的框架和DE算法的快速计算性能，模拟显示出有希望的结果，这种新的框架保证了一个安全和有效的部署在一个动荡的不确定的海洋环境中通过一个适当的序列站考虑各种约束在复杂的环境。
2020-07-10 cs.RO eess.SP
Model Tensor Planning
Intelligent Autonomous Systems, Department of Computer Science, Technical University of Darmstadt（德意志技术大学达姆施塔特分校计算机科学系智能自主系统研究中心）；Systems AI for Robot Learning, German Research Center for AI (DFKI)（德国人工智能研究中心（DFKI）机器人学习系统AI研究中心）；Hessian Center for Artificial Intelligence (hessian.AI)（黑森人工智能中心（hessian.AI））；Centre for Cognitive Science, Technical University of Darmstadt（德意志技术大学达姆施塔特分校认知科学中心）；Automation & Control Institute, TU Wien（维也纳技术大学自动化与控制研究所）；Austrian Institute of Technology (AIT), Vienna（奥地利技术研究所（AIT））；VinRobotics and VinUniversity（VinRobotics和Vin大学）
提出模型张量规划（MTP），一种基于张量采样的MPC框架，通过结构化采样和β混合策略增强探索，在多种机器人任务中优于标准MPC和进化策略基线。
2025-08-02 cs.AI cs.LG cs.RO
Multi-robot Learning-based Informative Path Planning Using Spatio-Temporal Gaussian Process Kalman Filter
Carnegie Mellon University（卡内基梅隆大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Daegu Gyeongbuk Institute of Science and Technology（大邱庆北科学技术院）
提出基于时空高斯过程卡尔曼滤波的网格化多机器人信息路径规划框架，支持分散式信念融合与强化学习邻居选择，仿真和真实实验中降低约20%目标不确定性。
2026-10-28 cs.RO
Zeroth-Order Actor-Critic: An Evolutionary Framework for Sequential Decision Problems
The University of Hong Kong（香港大学）；Tsinghua University（清华大学）；SunRising AI Ltd.（森瑞昇人工智能有限公司）；Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）；Shanghai Qi Zhi Institute（上海期智研究院）
针对演化算法样本复杂度高、强化学习仅适用于可微策略且易陷局部最优的问题，提出零阶演员-评论家演化框架，结合参数空间逐步探索与演员-评论家架构，在多类序贯决策任务上取得优异性能。
2025-01-12 cs.AI cs.LG cs.SY
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering（先进科学与工程研究生院）；Hiroshima University（广岛大学）
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题，提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法，并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO
Design and Simulation of Time-energy Optimal Anti-swing Trajectory Planner for Autonomous Tower Cranes
Nanyang Technological University（南洋理工大学）；School of Mechanical and Aerospace Engineering (MAE)（机械与航空航天工程学院）
针对自主塔式起重机的防摆与时间-能耗优化需求，提出基于微分平坦性和多目标进化算法的轨迹规划模块，并通过仿真验证其有效性。
2024-04-08 cs.RO cs.SY eess.SY
Online Omnidirectional Jumping Trajectory Planning for Quadrupedal Robots on Uneven Terrains
针对四足机器人在不平地形上的在线全方位跳跃问题，提出一种级联优化框架，集成轨迹生成、跟踪与着陆控制，并采用加速进化算法和粗到精重定位，实现约0.1秒的快速轨迹生成，已在多机器人上验证。
2024-11-09 cs.RO cs.SY eess.SY
Cognitive Mapping and Planning for Visual Navigation
UC Berkeley（加州大学伯克利分校）；Google（谷歌）
我们介绍了一个神经架构的导航在新的环境。我们提出的架构学习从第一人称视角映射，并计划一系列行动，以实现环境中的目标。认知映射器和规划器（CMP）基于两个关键思想：a）用于映射和规划的统一联合架构，使得映射由任务的需求驱动，以及b）具有在给定关于世界的不完整观测集的情况下进行规划的能力的空间记忆。CMP构建了一个自上而下的世界信念图，并应用可微神经网络规划器在每个时间步产生下一个动作。世界的累积信念使智能体能够跟踪环境的访问区域。我们训练和测试CMP的导航问题在模拟环境中来自扫描的现实世界的建筑物。我们的实验表明，CMP优于其他基于学习的架构，以及在许多情况下，经典的映射和路径规划方法。此外，它自然地扩展到语义上指定的目标，例如“去椅子上”。我们还在室内环境中的物理机器人上部署CMP，即使完全在模拟中训练，它也能实现合理的性能。
2019-02-07 cs.AI cs.CV cs.LG
Real-Time Planning with Multi-Fidelity Models for Agile Flights in Unknown Environments
MIT（麻省理工学院）
通过未知环境的自主导航是一项具有挑战性的任务，需要实时的【形】定位、感知、规划和控制。具有这种能力的无人机已经开始出现在文献中，在轻型传感和计算方面取得了进展。虽然规划方法因平台而异，但许多算法采用层次规划架构，其中缓慢、低保真度的全局规划器引导快速、高保真度的局部规划器。然而，在未知的环境中，由于解不断变化的全局规划器与局部规划器之间的相互作用，这种方法可能会导致不稳定或不稳定的行为;这是全局规划中未捕获高阶动态的结果。这项工作提出了一个规划框架，其中使用多保真度模型，以减少本地和全球规划者之间的差异。我们的方法使用高，中，低保真度的模型组成的路径，捕捉高阶动态，同时保持计算易处理。此外，我们解决了一个快速的规划者和一个较慢的映射器之间的相互作用，通过考虑传感器数据尚未融合到地图在碰撞检查。这种用于敏捷飞行的新型映射和规划框架在模拟和硬件实验中得到了验证，显示在混乱的环境中重新规划时间为5-40 ms。
2019-06-15 cs.RO
An evolutionary algorithm for online, resource constrained, multi-vehicle sensing mission planning
Ocean Systems Lab, Heriot Watt University（赫瑞瓦特大学海洋系统实验室）
移动机器人平台是各种科学和工业应用不可或缺的工具。机器人被用来执行任务，其执行受到各种因素的限制，例如分配的时间或剩余能量。资源受限的多机器人感测任务规划的现有解决方案以令人望而却步的计算复杂性为在线应用提供最优规划[1]，[2]，[3]。存在一种启发式方法，用于单个飞行器的在线、资源受限的传感任务规划[4]。这项工作提出了一个遗传算法（GA）为基础的启发式的相关团队定向问题（CTOP），用于规划传感和监测任务的机器人团队，在资源限制下运行。的启发式相比，最佳的混合二次规划（MIQP）的解决方案。结果表明，启发式解的质量在最坏情况下等于5%的最优解。在最坏的测试情况下，启发式解决方案被证明是至少300倍以上的时间效率。遗传算法的启发式执行所需的最坏情况下不到一秒钟，使其适合在线执行。
2018-01-10 cs.RO
Setup of a Recurrent Neural Network as a Body Model for Solving Inverse and Forward Kinematics as well as Dynamics for a Redundant Manipulator
Bielefeld University（比勒费尔德大学）
我们可以假设，自己身体的内部模型是基本的、进化早期的表征，因为它存在于整个动物王国。这样的功能模型，一方面，在运动控制中是需要的，例如解决目标导向运动中的逆运动学或动态任务或弹道运动中的正向任务。另一方面，这种模型在认知任务中被招募，如提前计划或观察同种动物的行动。在这里，我们提出了一个功能性的内部身体模型，是基于多个计算的原则。第一次这样的模型是完全实现在一个循环神经网络作为必要的规范化步骤集成到神经模型本身。其次，对模型进行了动态扩展。它示出了神经网络如何解决一系列逆任务。此外，新兴的表示在转换层进行了分析，显示了一种形式的原型人口编码的地方或方向细胞。
2019-04-12 cs.LG cs.RO stat.ML
EvoPlan: Evolutionary Neuro-Symbolic Robot Planning with Spatio-Temporal Guarantees
Texas A&M University（德克萨斯农工大学）
研究针对基于LLM的机器人规划器不足及经典PDDL规划器问题，提出含离线STL约束挖掘、进化PDDL规划器和受约束执行循环的神经符号框架，能保证计划属性，在基准测试中表现良好且可在无云环境下部署。
2026-11-09 cs.RO
Benchmarking global optimization techniques for unmanned aerial vehicle path planning
Institute of Automation and Computer Science, Brno University of Technology（布尔诺理工大学自动化与计算机科学学院）
本文提出用无人机路径规划问题作为全局优化算法的基准测试，生成56个实例，通过比较十二种算法，发现进化算法表现最佳，并指出可变维度特征待深入研究。
2025-01-24 cs.NE cs.RO math.OC
Distributed Mission Planning of Complex Tasks for Heterogeneous Multi-Robot Teams
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
在本文中，我们提出了一种分布式多阶段优化方法规划复杂任务的异构多机器人团队。这类问题涉及可以以不同方式执行的任务，并且与约束系统中不同机器人的时间表的交叉时间表依赖性相关联。所提出的方法涉及一个多目标的任务启发式搜索，表示为一个层次树，定义了任务的目标。这个过程输出了几种完成任务的有利方式，这些方式直接输入到方法的下一阶段。我们提出了一个分布式的元启发式的基础上演化计算分配任务，并产生一组选定的分解时间表。该方法在自动化温室用例的模拟设置中进行了评估，在那里我们展示了该方法根据可用机器人和给定的优化标准来调整规划策略的能力。
2021-09-21 cs.AI cs.RO
Learning Deep SDF Maps Online for Robot Navigation and Exploration
Stanford University（斯坦福大学）
我们提出了一种算法，（i）使用配备LiDAR的机器人在线学习深度符号距离函数（SDF）来表示3D环境几何形状，以及（ii）在此深度学习地图的情况下计划无碰撞轨迹。我们的算法采用传入的LiDAR扫描流，并不断优化神经网络，以表示其当前附近环境的SDF。当SDF网络质量饱和时，我们将缓存网络的副本以及学习的置信度度量，并初始化新的SDF网络以继续映射环境的新区域。然后，我们通过置信度加权方案连接所有缓存的本地SDF，以提供用于规划的全局SDF。对于规划，我们使用顺序凸模型预测控制（MPC）算法。MPC规划器优化了机器人的动态可行轨迹，同时强制执行与全局SDF中映射的障碍物没有碰撞。我们表明，我们的在线映射算法比现有的在线SDF训练方法产生更高质量的地图。在WeBots模拟器中，我们进一步展示了在线运行的组合映射器和规划器-在未知环境中自主导航且无碰撞。
2022-08-02 cs.RO
Probably Approximately Correct Vision-Based Planning using Motion Primitives
Princeton University（普林斯顿大学）
本文提出了一种学习基于视觉的规划器的方法，该方法可证明地推广到新的环境（即，在训练中看不到的环境）。我们利用可能近似正确（PAC）贝叶斯框架，以获得在所有环境中的政策的预期成本的上限。因此，最小化PAC-Bayes上限可以训练伴随着新环境性能证书的策略。我们提出的训练管道为深度神经网络策略提供了强有力的泛化保证，方法是：（a）使用进化策略（ES）在策略空间上获得良好的先验分布，然后（b）将PAC-Bayes优化公式化为有效可解的参数凸优化问题。我们证明了我们的方法产生强大的泛化保证学习基于视觉的运动规划的有效性，通过两个模拟的例子：（1）无人机（UAV）导航障碍领域与板载视觉传感器，和（2）一个动态的四足机器人穿越粗糙的地形与本体感受和外感受传感器。
2020-11-10 cs.LG cs.RO cs.SY
Robot Imitation through Vision, Kinesthetic and Force Features with Online Adaptation to Changing Environments
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
连续目标导向动作（Continuous Goal-Directed Actions，CGDA）是一个机器人模仿框架，它将动作编码为它们对环境产生的变化。虽然它在泛化和可移植性方面相对于其他机器人模仿框架具有许多优点，但用于执行动作的最终机器人关节轨迹不一定在模型内编码。这是作为一个优化问题进行研究，并通过模拟环境中的进化算法计算的解决方案。进化算法需要大量的评估，这使得这些算法在现实世界中的应用非常具有挑战性。本文提出了在线进化策略，作为CGDA执行中的范式变化。在线进化策略将运动执行转移并合并到规划循环中。提出了一种具体的在线进化策略--在线进化轨迹（OET）。OET大大减少了运动执行之间的计算时间，并使工作在现实世界的动态环境和/或与人类合作。它的性能已经通过全轨迹进化（FTE）和增量进化轨迹（IET）进行了测量，获得了最佳的总体结果。TEO全尺寸的人形机器人与“油漆”和“铁”的行动，共同涉及视觉，动觉和力的功能进行实验评估。
2019-10-23 cs.LG cs.NE cs.RO
Genetic Algorithm Based System for Path Planning with Unmanned Aerial Vehicles Swarms in Cell-Grid Environments
University of A Coruna（拉科鲁尼亚大学）；Faculty of Computer Science（计算机学院）；CITIC
针对含固定障碍物环境中的多无人机全覆盖路径规划问题，提出一种基于遗传算法的进化计算系统，可在无目标点和额外先验信息下最小化飞行时间与资源消耗。
2024-12-04 cs.AI cs.RO
Learning Forward Dynamics Model and Informed Trajectory Sampler for Safe Quadruped Navigation
Korea Advanced Institute of Science and Technology (KAIST)（韩国高等科学技术研究院（KAIST））
对于自主四足机器人导航在各种复杂的环境中，一个典型的SOTA系统是由四个主要模块-映射器，全局规划器，本地规划器，和命令跟踪控制器-在一个层次的方式。在本文中，我们建立了一个强大的和安全的本地规划器，其目的是生成一个速度计划，以跟踪一个粗略规划的路径从全球规划器。以前的工作使用基于航路点的方法（例如比例-微分控制和纯追踪），将路径跟踪问题简化为局部点目标导航。然而，他们遭受频繁的碰撞，在几何复杂和狭窄的环境，因为两个原因;全球规划者使用粗糙和不准确的模型和本地规划者是无法跟踪全球计划足够好。目前，深度学习方法是一种有吸引力的替代方法，因为它们可以更准确地从经验中学习安全性和路径可行性。然而，现有的深度学习方法不能够规划长的视野。在这项工作中，我们提出了一个基于学习的全自主导航框架，由三个创新要素组成：学习的前向动力学模型（FDM），基于在线采样的模型预测控制器和知情轨迹采样器（ITS）。使用我们的框架，四足机器人可以自主导航在各种复杂的环境中没有碰撞，并生成一个更平滑的命令计划相比，基线方法。此外，我们的方法可以反应式地处理规划路径上的意外障碍物并避免它们。项目页面https://awesomericky.github.io/projects/FDM_ITS_navigation/。
2022-04-21 cs.LG cs.RO
SwarmCoDe: A Scalable Co-Design Framework for Heterogeneous Robot Swarms via Dynamic Speciation
Department of Mechanical Engineering, École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校机械工程系）
本文提出SwarmCoDe框架，通过动态种群划分自动扩展机器人群异质性以匹配任务复杂度，实现大规模异构机器人群的协同设计优化。
2026-10-30 cs.MA cs.NE cs.RO
Look, Listen, and Act: Towards Audio-Visual Embodied Navigation
MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Tsinghua University（清华大学）；Massachusetts Institute of Technology（麻省理工学院）；Google（谷歌）
移动智能体的一个关键能力是整合来自环境中多个感官输入的证据，并采取一系列行动来达到其目标。在本文中，我们试图接近的问题，视听具身导航，规划的最短路径的任务，从一个随机的起始位置在一个场景中的声源在室内环境中，只有原始的自我中心的视觉和听觉感官数据。为了完成这一任务，智能体需要从各种模态中学习，即将音频信号与视觉环境相关联。在这里，我们描述了一种方法，视听具身导航，同时利用视觉和音频的证据。我们的解决方案是基于三个关键的想法：一个视觉感知映射器模块，构建其空间记忆的环境，一个声音感知模块，推断的相对位置的声源从代理，和一个动态的路径规划，计划一系列的行动的基础上的视听观察和空间记忆的环境，以导航到目标。使用模拟多模态环境在新收集的视听室数据集上的实验结果证明了我们的方法在几个竞争基线上的有效性。
2020-03-08 cs.CV cs.LG cs.RO
SKYSURF: A Self-learning Framework for Persistent Surveillance using Cooperative Aerial Gliders
Department of Software and IT Engineering（软件与信息技术工程系）；École de Technologie Supérieure（高级技术学院）
SKYSURF提出了一种自学习框架，通过合作空中滑翔机实现持久监视，通过局部-全局行为管理提升路径规划和碰撞避免，减少能耗并提高目标检测效率。
2026-02-13 cs.RO cs.SY eess.SY
