Voxblox: Incremental 3D Euclidean Signed Distance Fields for On-Board MAV Planning
ETH Zürich(苏黎世联邦理工学院)
微型飞行器(MAV)在非结构化的、未探索的环境中运行,需要快速灵活的本地规划,当探索地图的新部分时可以重新规划。轨迹优化方法满足这些需求,但需要障碍物距离信息,这可以通过欧几里德符号距离场(ESDF)给出。我们提出了一种方法来逐步建立ESDFs从截断符号距离场(TSDF),一种常见的隐式表面表示在计算机图形学和视觉。TSDF可以快速构建和平滑许多观测结果中的传感器噪声,并设计用于生成表面网格。网格允许人类操作员更好地评估机器人的环境,并设定高级别的任务目标。我们表明,我们可以更快地建立TSDF比Octomaps,它是更准确地建立ESDFs的TSDF比占用地图。我们的完整系统称为voxblox,将作为开源软件提供,并在单个CPU核心上实时运行。我们验证我们的方法上的微型飞行器,通过使用我们的系统与轨迹优化本地规划,完全在船上和实时。
2017-04-21 cs.RO
From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs
UC San Diego(加州大学圣地亚哥分校);Shield AI(护盾人工智能公司)
研究针对无人机在杂乱环境中的自主飞行,提出围绕带符号距离函数协同设计映射与规划阶段。开发OREN重建SDF,Bubble$^\star$基于距离信息规划,减少碰撞检查。集成方法在四旋翼飞行器上实时导航,提升SDF估计并快速找到长轨迹。
2026-07-22 cs.AI cs.CV cs.RO
Funnel planning and control for manipulators using neural Signed Configuration Distance Functions
ABB Robotics(ABB机器人公司);Uppsala University(乌普萨拉大学)
该研究针对KDF规划器计算漏斗耗时的局限,提出基于nSCDF的机械臂漏斗规划与控制方案,使规划速度提升2倍、路径缩短20%、间隙提升5倍,且运动性能与鲁棒性均得到改善。
2026-10-14 cs.RO
Motion planning for highly-dynamic unconditioned reflexes based on chained Signed Distance Functions
College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院);Robotics and Artificial Intelligence Laboratory, The Chinese University of Hongkong, Shenzhen(香港中文大学(深圳)机器人与人工智能实验室);University College London(伦敦大学学院)
针对机械臂需具备高动态非条件反射的问题,提出基于链式符号距离函数(SDFs)的在线运动规划算法,通过离线预存局部SDFs、在线链接生成全局信息并结合改进雅可比矩阵,实现静态路径更优、动态反应超人类(≤1ms)的效果。
2025-02-18 cs.RO
Reachability-based Trajectory Design via Exact Formulation of Implicit Neural Signed Distance Functions
University of Michigan(密歇根大学)
提出REDEFINED算法,结合离线可达性分析与在线神经隐式符号距离计算,实现实时滚动时域轨迹规划,确保复杂环境下的安全避碰。
2024-03-18 cs.RO
Hölder Signed Distance: A Differentiable, Signed, Parallelizable Metric for Robotics
该研究提出一种适用于凸多面体的可微符号距离,通过引入 Hölder 最小/最大算子替换经典 SDF 的 min-max 算子,实现闭式计算且可 GPU 并行,经实验验证其在机器人控制领域的适用性。
2026-08-11 cs.CG cs.RO
Solving Geodesic Equations with Composite Bernstein Polynomials for Trajectory Planning
Department of Mechanical Engineering(机械工程系);University of Iowa(爱荷华大学)
本文提出基于复合伯恩斯坦多项式的轨迹规划方法,用于在复杂环境中生成连续、动态可行的轨迹,适用于多种自主系统。
2026-02-10 cs.RO math.OC
nvblox: GPU-Accelerated Incremental Signed Distance Field Mapping
NVIDIA(英伟达);ETH Zürich(苏黎世联邦理工学院)
针对机器人稠密建图在CPU与GPU系统间的性能差距,提出GPU加速库nvblox,实现表面重建177倍、距离场计算31倍的加速,并开源。
2024-03-15 cs.RO
Neural Implicit Swept Volume Models for Fast Collision Detection
KUKA Deutschland GmbH(库卡德国有限公司)
提出神经隐式扫掠体积模型,连续表示任意机器人运动,结合深度学习速度与几何精度,加速碰撞检测及商业码垛应用。
2024-03-13 cs.LG cs.RO
CSSDF-Net: Safe Motion Planning Based on Neural Implicit Representations of Configuration Space Distance Field
IRMV Lab, Department of Automation, Shanghai Jiao Tong University(IRMV实验室,自动化系,上海交通大学)
本文提出CSSDF-Net,通过学习配置空间中的连续签名距离场,实现统一的安全性几何概念,结合安全约束轨迹优化和递推预测控制,支持零样本泛化和高效避障。
2026-03-19 cs.RO
Sampling-free obstacle gradients and reactive planning in Neural Radiance Fields (NeRF)
ETH Zurich(苏黎世联邦理工学院)
这项工作研究了神经隐式表示(特别是神经辐射场(NeRF))在几何查询和运动规划中的使用。我们表明,通过将推断半径内占用的能力添加到预先训练的NeRF中,我们有效地学习了对欧几里得符号距离场(ESDF)的近似。使用后向差分的增强网络,我们得到一个障碍梯度,集成到一个避障策略的基础上的黎曼运动策略(RMP)的框架。因此,我们的研究结果允许非常快速的采样自由避障规划的隐式表示。
2022-05-03 cs.CV cs.RO
Stochastic Neural Signed Swept Volume for Real-time Chance-Constrained Trajectory Optimization
Purdue University(普渡大学)
本文提出将扫描体积的符号距离函数建模为概率场,以量化不确定性并纳入感知噪声,从而集成到机会约束轨迹优化中,在仿真和真实硬件上验证了高维操作问题的有效性。
2026-09-21 cs.RO
A Novel Vector-Field-Based Motion Planning Algorithm for 3D Nonholonomic Robots
Peking University(北京大学);University of Groningen(格罗宁根大学);Eindhoven University of Technology(埃因霍温理工大学)
针对3D非完整移动机器人需同时满足目标位置和终端航向的运动规划问题,提出基于速度向量场的导航与防碰撞复合向量场算法,并结合优先级策略解决多机器人运动耦合。
2023-04-08 cs.RO cs.SY eess.SY
dRRT*: Scalable and Informed Asymptotically-Optimal Multi-Robot Motion Planning
Univ. of Michigan(密歇根大学);Rutgers Univ.(罗格斯大学);Tel Aviv Univ.(特拉维夫大学)
许多令人兴奋的机器人应用需要具有许多自由度的多个机器人,例如操纵器,以协调它们在共享工作空间中的运动。原则上,在这种情况下发现高质量的路径可以通过探索所有机器人的复合空间来实现。基于采样的规划器通过在相应的配置空间中构建路线图或树数据结构来实现这一点,并且可以实现渐近最优。然而,运动规划的难度使得在多个机器人的复合空间中明确地构造这样的结构是不切实际的。这项工作提出了一个可扩展的解决方案,这样的耦合多机器人问题,它提供了理想的路径质量保证,也是计算效率。特别是,建议的\drrtstar \是一个知情的,渐近最优的扩展先前的采样为基础的多机器人运动规划,\drrt。先前的方法引入了为每个机器人构建路线图的想法,并在复合空间中隐式地搜索这些结构的张量积。这项工作确定的条件收敛到最佳路径的多机器人问题,以前的方法没有实现。在此分析的基础上,\drrt \是第一次适当地适应,以实现理论保证,然后进一步扩展,以便利用有效的算法搜索时,所有机器人的复合空间。还研究了各种机器人共享某些自由度的情况。仿真结果表明,新算法\drrtstar \,收敛到高质量的路径迅速和规模,以更高的机器人数量的各种替代品失败。这项工作还展示了规划者解决涉及多个真实世界机器人手臂的问题的能力。
2019-03-03 cs.RO
Bridging Perception and Planning: Towards End-to-End Planning for Signal Temporal Logic Tasks
School of Automation & Intelligent Sensing, Shanghai Jiao Tong University(自动化与智能感知学院,上海交通大学);University of Minnesota, Twin Cities(明尼苏达大学,双城分校);School of Information Science and Technology, University of Science and Technology of China(信息科学与技术学院,中国科学技术大学)
本文提出了一种端到端的STL规划器,通过结构感知的混合专家模型,实现对信号时序逻辑任务的高效规划与执行。
2026-03-01 cs.RO cs.SY eess.SY
REACT: Real-time Entanglement-Aware Coverage Path Planning for Tethered Underwater Vehicles
Artificial Intelligence in Robotics Laboratory (AiR Lab), Department of Electrical and Computer Engineering, Aarhus University(人工智能机器人实验室(AiR实验室),电气与计算机工程系,阿arhus大学);NestAI;EIVA a/s(EIVA公司);Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)(德国人工智能研究中心(DFKI));Automatic Control Group, Department of Electrical Engineering and Information Technology, Paderborn University(自动控制组,电气工程与信息科技系,帕德博恩大学)
REACT通过实时纠缠感知覆盖路径规划,实现了安全高效的水下结构检查,比传统方法快20%完成任务。
2026-02-06 cs.RO cs.SY eess.SY
OREN: Octree Residual Network for Real-Time Euclidean Signed Distance Mapping
Department of Electrical and Computer Engineering, University of California San Diego(加州大学圣地亚哥分校电子与计算机工程系)
OREN结合八叉树插值的显式先验和神经网络回归的隐式残差,实现高效且可微的非截断SDF重建,优于现有方法的准确性和效率。
2026-07-10 cs.AI cs.CV cs.RO
Asymptotically Optimal Multi-Robot Task and Motion Planning
Nanyang Technological University(南洋理工大学);The Australian National University(澳大利亚国立大学)
该研究针对多机器人任务与运动规划,提出一种结合单机器人路标图与隐式张量积搜索的渐近最优算法,通过条件采样和惰性碰撞检测实现全局最优性保证。
2026-09-17 cs.RO
Efficient Multi-Robot Motion Planning for Manifold-Constrained Manipulators by Randomized Scheduling and Informed Path Generation
Rice University(里士满大学)
本文提出StAC方法,通过随机调度和双向反馈实现高效多机器人运动规划,减少路径生成数量,提升在受限空间中的操作效率。
2026-02-12 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
Kernel-SDF: An Open-Source Library for Real-Time Signed Distance Function Estimation using Kernel Regression
University of California, San Diego(加州大学圣地亚哥分校);Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
本文提出Kernel-SDF开源库,通过核回归实时估计带不确定性的符号距离函数,提供高精度SDF、梯度和网格构造,适用于机器人应用。
2026-07-28 cs.RO
A Reactive Framework for Whole-Body Motion Planning of Mobile Manipulators Combining Reinforcement Learning and SDF-Constrained Quadratic Programmi
School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);School of Computing, University of Leeds(利兹大学计算学院)
针对移动机械臂在杂乱环境中因冗余自由度导致运动规划受限的问题,提出一种结合Bayes-DSAC强化学习与SDF约束二次规划的混合框架,显著提升了全身运动规划的效率、安全性与成功率。
2025-03-31 cs.RO
Simultaneous Scene Reconstruction and Whole-Body Motion Planning for Safe Operation in Dynamic Environments
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
最近的工作已经证明了从密集感知的实时映射和重建,而基于距离场的运动规划已经被证明可以实现快速、无碰撞的运动合成,具有良好的收敛特性。然而,演示一个完全集成的系统,可以安全地重新规划在未知的环境中,在静态和动态障碍的存在,仍然是一个公开的挑战。在这项工作中,我们首先研究的影响,有符号和无符号的距离场的优化收敛,以及由此产生的错误成本的轨迹优化问题,在二维路径规划,机械臂运动规划,和全身局部操作规划。我们进一步分析了三个国家的最先进的方法来生成距离场(Voxblox,嘉年华,和GPU体素)用于实时环境重建的性能。最后,我们使用我们的研究结果来构建一个实用的混合映射和运动规划系统,该系统使用GPU-Voxels和GPMP 2来执行滚动水平全身运动规划,可以使用实时传感器数据在3D空间中平滑地避免移动障碍物。我们的研究结果在模拟和现实世界的丰田人类支持机器人(HSR)进行了验证。
2022-02-05 cs.RO
Toward Automated Formation of Composite Micro-Structures Using Holographic Optical Tweezers
University of Washington(华盛顿大学);School of Environmental and Forest Sciences, University of Washington(华盛顿大学环境与森林学院)
本文开发了一种基于复用光阱的新型自动化全息光镊系统,结合实时微珠检测跟踪与基于波前的路径规划,实现了在障碍物丰富的环境中高效组装复合微结构。
2024-04-25 cs.RO cs.SY eess.SY
Learning Models as Functionals of Signed-Distance Fields for Manipulation Planning
TU Berlin(柏林工业大学);MIT(麻省理工学院)
这项工作提出了一个基于优化的操作规划框架,其中的目标是学习功能的符号距离字段,代表在场景中的对象。大多数操纵规划方法依赖于分析模型和精心选择的抽象/状态空间是有效的。一个核心问题是如何从预测不准确的数据中获得模型,但更重要的是,在规划框架内实现有效的推理,同时与感知空间紧密耦合。我们表明,将对象表示为符号距离字段不仅能够学习和表示各种模型,与点云和占用度量表示相比具有更高的准确性,而且基于SDF的模型适用于基于优化的规划。为了证明我们的方法的多功能性,我们学习了运动学和动力学模型来解决涉及将杯子挂在钩子上和将物体推到桌子上的任务。我们可以在一个框架中统一这些完全不同的任务,因为SDF是通用的对象表示。视频:https://youtu.be/ga8Wlkss7co
2021-10-02 cs.LG cs.RO
Motion Planning for Agile Legged Locomotion using Failure Margin Constraints
Collaborative Robotics and Intelligent Systems Institute, Oregon State University(俄勒冈州立大学协作机器人与智能系统研究所)
灵活的机器人腿运动的复杂动力学需要运动规划来智能地调整脚步位置。通常,双足脚步和运动规划使用数学上简单的模型,如线性倒立摆,而不是没有封闭形式解决方案的动态丰富的模型。我们提出了一种实时优化方法来规划动态模型,没有封闭的形式的解决方案和经验不可恢复的失败。我们的方法使用数据驱动近似的一步一步的动态和故障裕度函数。该故障裕度函数是状态-动作空间中的有向距离函数,其中它描述到成功或失败的带符号距离。运动规划问题形成为一个非线性规划的约束,强制执行近似的前向动力学和状态-动作对的有效性。为了说明,这种方法被应用到创建一个驱动弹簧加载倒立摆模型的规划器。在一项烧蚀研究中,在不同的目标和视野长度上,失效裕度约束使无效解的数量减少了24到47个百分点。虽然我们在运动的规范模型上演示了该方法,但我们还讨论了如何将其应用于数据驱动模型和全阶机器人模型。
2022-03-28 cs.RO
Multi-Resolution 3D Mapping with Explicit Free Space Representation for Fast and Accurate Mobile Robot Motion Planning
Smart Robotics Lab, Imperial College London(伦敦帝国理工学院智能机器人实验室);SLAMcore Ltd.(SLAMcore有限公司)
针对高质量重建与移动机器人运动规划的衔接问题,提出结合八叉树的自适应分辨率体素建图系统,采用对数几率占据概率表示显式自由空间,通过深度图多尺度池化实时选分辨率,实现了更快的碰撞查询与更优的高分辨率场景性能。
2021-01-30 cs.RO
QuadHand: A Compact Quadrotor Aerial Manipulator with MRC-SDF-Based Whole-Body Motion Planning
Nanyang Technological University(南洋理工大学);NTU–VinUni Joint Research Laboratory for Embodied AI and Robotics(南洋理工大学-维纳大学具身智能与机器人联合研究实验室);VinUniversity(维纳大学)
本文提出紧凑型四旋翼空中机械臂QuadHand,结合MRC-SDF多关节机器人中心符号距离场与时空全身轨迹优化,实现复杂环境下安全可执行的空中操作。
2026-09-29 cs.RO
Inspection Planning Primitives with Implicit Models
School of Computing, The Australian National University(澳大利亚国立大学计算学院);Abyss Solutions(Abyss解决方案)
本文提出基于隐式模型的检查规划原语,使基于采样的检查规划器能高效利用神经SDFs表示,减少内存使用并提升规划效率。
2025-10-08 cs.AI cs.RO
Towards Kinematic Actionable Infeasibility Detection in Motion Planning
提出几何驱动框架,通过构型空间拓扑分析及GPU加速并行算法,实现高维运动规划中不可行性的快速证明与原因识别。
2026-10-08 cs.CG cs.RO
RiskWorld: Risk-Aware World Modeling with Flow-Guided Occupancy Evolution for Selective Trajectory Planning in Automated Driving
RWTH Aachen University(亚琛工业大学);Monash University(莫纳什大学);Technical University of Munich (TUM)(慕尼黑工业大学)
RiskWorld通过流引导占用演化融合风险场与视觉特征,实现共享占用预测和选择性轨迹替换,在3秒视界上取得最低碰撞率,并以11.5 FPS高效运行。
2026-11-19 cs.AI cs.ET cs.LG
Shape-Space Graphs: Fast and Collision-Free Path Planning for Soft Robots
Department of Mechanical Engineering, Stanford University(机械工程系,斯坦福大学);Institute of Applied Mechanics, Friedrich-Alexander-Universität Erlangen–Nürnberg(应用力学研究所,弗赖堡-埃尔兰根-纽伦堡大学)
本文提出了一种基于形状空间图的路径规划方法,用于软机器人在复杂环境中的快速且无碰撞导航,通过预计算形状库和多目标边成本实现高效路径生成。
2026-01-14 cs.RO
Probabilistic Framework for Constrained Manipulations and Task and Motion Planning under Uncertainty
University Stuttgart(斯图加特大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
逻辑几何规划(Logic-Geometric Programming,LGP)是一种功能强大的运动和操纵规划框架,它使用描述问题离散方面的逻辑规则来表示分层结构,例如,触摸、抓握、击打或推动,并求解所得到的平滑轨迹优化。逻辑的表达能力允许LGP处理复杂的,大规模的顺序操作和工具使用规划问题。在本文中,我们将LGP公式推广到随机域。基于控制推理的对偶性,我们解释LGP在随机域拟合高斯混合后验路径分布,其中每个逻辑配置文件定义一个单一的高斯路径分布。该框架使机器人能够优先考虑各种交互模式,并获得有趣的行为,如接触开发的不确定性减少,最终提供一个复合控制方案,是反应的干扰。补充视频可以在https://youtu.be/CEaJdVlSZyo上找到
2020-03-09 cs.RO
Continuous Implicit SDF Based Any-shape Robot Trajectory Optimization
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
基于优化的轨迹生成方法广泛应用于机器人的全身规划。然而,现有的工作要么过度简化机器人的几何形状和环境表示,导致在一个保守的轨迹,或遭受巨大的开销,在维护额外的信息,如签署的距离场(SDF)。为了弥补这一差距,我们认为机器人作为一个隐函数,其表面边界表示的零级集的SDF。在此基础上,我们进一步采用另一个隐式函数来懒惰地计算机器人产生的扫掠体及其轨迹的有符号距离。计算是有效的,利用连续性的空间,时间,和隐式函数保证精确和连续的碰撞评估,即使是非凸机器人与复杂的表面。此外,我们提出了一个轨迹优化管道适用于隐式SDF。仿真和实际实验验证了该方法对任意形状机器人轨迹优化的高效性。
2023-03-02 cs.RO
Learning Manipulation States and Actions for Efficient Non-prehensile Rearrangement Planning
KTH Royal Institute of Technology(瑞典皇家理工学院);Yale University(耶鲁大学)
本文讨论了机器人在平面上的障碍物之间重新排列物体的非可移动的重新排列规划问题。我们提出了一个有效的规划算法,该算法的目的是强加一些假设的机器人的非可伸缩的操作能力,是简单的,以适应不同的机器人实施例。为此,我们将基于采样的运动规划与强化学习和生成式建模相结合。我们的算法探索的复合配置空间的对象和机器人作为一个搜索机器人的行动,前向模拟的物理模型。该搜索由生成模型引导,该生成模型提供机器人状态,对象可以从该机器人状态朝向期望状态运输,并且学习策略提供相应的机器人动作。作为一种有效的生成模型,我们采用了生成对抗网络。我们实现和评估我们的方法赋予配置空间的机器人在SE(2)。我们经验证明我们的算法设计选择的有效性,并观察到超过2倍的加速规划时间的各种测试方案相比,一个国家的最先进的方法。
2019-01-11 cs.RO
Efficient Formulation of Collision Avoidance Constraints in Optimization Based Trajectory Planning and Control
Kiel University(基尔大学)
为了适用于现实世界的情况下,移动自主系统的轨迹规划方案必须能够有效地处理在操作区域中的障碍物。在基于优化的轨迹规划和控制的背景下,可以在文献中找到许多不同的方法来制定防撞约束。在这里,本工作的贡献是双重的。首先,最流行的方法来表示障碍物,即简单的椭球表示,构造性立体几何(CSG)的方法,以及直接和间接实现的符号距离为基础的方法进行了总结。制剂的特点是相对于最优化问题的复杂性的影响,以及满足不同的问题要求的能力。其次,这项工作提出了一种新的变形CSG方法来描述避碰约束。它是非常高效的,由于一个非常低的数量的非线性不等式约束所需的一个给定数量的障碍物和样本点,并与原来的CSG制定允许考虑受控系统的形状。通过与先前提到的替代品的比较,证明了所提出的制剂的良好性能。为此,将制定为非线性规划问题的海洋水面船舶最佳轨迹规划用作基准示例,其中该场景是基于德国基尔的海事测试场设计的。
2021-04-26 cs.RO math.OC
Neural Potential Field for Obstacle-Aware Local Motion Planning
Moscow Institute of Physics and Technology(莫斯科物理技术学院);Artificial Intelligence Research Institute(人工智能研究院)
提出神经势场模型,通过可微的碰撞代价与神经图像编码器降低问题维度,将其集成于MPC求解器中,实现了平滑、安全的实时局部避障运动规划。
2023-10-25 cs.LG cs.RO
Eva-Tracker: ESDF-update-free, Visibility-aware Planning with Target Reacquisition for Robust Aerial Tracking
Dalian University of Technology(大连理工大学)
Eva-Tracker通过无ESDF更新和基于可见性的路径规划,实现更稳健的空中目标跟踪,降低计算开销。
2026-02-13 cs.RO
Informative path planning for scalar dynamic reconstruction using coregionalized Gaussian processes and a spatiotemporal kernel
University of California, Merced(加州大学默塞德分校)
本文提出一种基于协同区域化高斯过程和时空复合核的动态标量场信息路径规划新方法,相比未考虑时间维度的传统方法,能更准确估计时空变化的标量场,且易于集成至现有IPP算法。
2023-09-13 cs.RO
Akule: Fast and Scalable Multi-Robot Motion Planning via Sparse Interaction Diffusion
Akule是一种稀疏交互扩散框架,通过三个学习模块实现快速可扩展多机器人运动规划,在基准测试中获高成功率、25倍加速,支持256个机器人规划。
2026-10-14 cs.AI cs.MA cs.RO
Sampling-Based Multi-Modal Multi-Robot Multi-Goal Path Planning
Computational Robotics Lab ETH Zürich(机器人计算实验室ETH Zurich)
本文提出基于采样的多机器人多目标路径规划方法,解决多机器人协同任务中的路径规划问题,实现概率完备和渐进最优的规划算法。
2026-04-17 cs.RO
Safe Planning for Articulated Robots Using Reachability-based Obstacle Avoidance With Spheres
University of Michigan(密歇根大学)
针对实时运动规划中安全性与实时性的权衡问题,提出基于可达集和精确有符号距离的滚动时域规划器SPARROWS,通过球体过近似扫掠体积生成可证明无碰撞的安全轨迹,降低了保守性并优于现有方法。
2024-02-13 cs.RO
Multi-Robot Multi-Goal Motion Planning with Stochastic Skills
ETH Zürich(苏黎世联邦理工学院)
本文提出将随机技能集成到基于采样的多机器人规划中,通过马尔可夫决策过程实现动态协调,避免保守基线,提升鲁棒性。
2026-10-07 cs.RO
BR-MPPI: Barrier-Rate Guided MPPI for Enforcing Multiple Inequality Constraints with Learned Signed Distance Fields
Robotics Department, University of Michigan(密歇根大学机器人系);Contextual Robotics Institute, University of California San Diego(加州大学圣地亚哥分校情境机器人研究所);Toyota Motor North America, Research & Development(丰田北美公司研发部)
本文提出 BR-MPPI,将 CBF 条件转化为增广系统中的等式约束并结合状态变换与控制投影,使 MPPI 能在多重约束下高效、安全地贴近安全集边界运行。
2026-09-29 cs.RO math.OC
A Collision-Free MPC for Whole-Body Dynamic Locomotion and Manipulation
ETH Zurich(苏黎世联邦理工学院);NVIDIA(英伟达)
在本文中,我们提出了一个实时的全身规划器的碰撞无腿移动操作。我们执行自碰撞和环境碰撞避免软约束内的模型预测控制(MPC)计划,解决了多接触最优控制问题。通过惩罚一组代表性的原始碰撞体之间的有符号距离,机器人能够安全地执行各种动态机动,同时防止任何自碰撞。此外,在静态和动态环境中的无碰撞导航和操纵是可行的,通过有效的查询的距离和梯度,通过一个欧几里德签署的距离场。我们通过比较研究表明,我们的方法只是稍微增加了计算复杂性的MPC规划。最后,我们验证了我们的框架的有效性,通过一组硬件实验,涉及动态移动操作任务与潜在的碰撞,如运动平衡与摆动臂,重量投掷,和自主开门。
2022-02-24 cs.RO
Fast Path Planning for Autonomous Vehicle Parking with Safety-Guarantee using Hamilton-Jacobi Reachability
State Key Laboratory of Industrial Control Technology, Institute of Cyber-Systems(工业控制技术国家重点实验室,网络系统研究所)
本文提出基于Hamilton-Jacobi的双向A*算法,通过高阶可达性分析与低阶双向A*搜索结合,解决复杂停车场景,实现快速且安全的路径规划。
2026-03-22 cs.RO
2DGS-Planner: Rasterization-based Path Planning in 2D Gaussian Splatting Map
2DGS-Planner是基于2D高斯溅射地图的地面机器人路径规划器,通过光栅化读取几何信息,实验显示其路线图连通性、 clearance 估计及规划成功率优于基线。
2026-10-09 cs.RO
Anytime Multi-arm Task and Motion Planning for Pick-and-Place of Individual Objects via Handoffs
Rutgers University(罗格斯大学)
自动化应用正在推动许多高自由度机械手在仓库和制造环境中的部署。这激发了许多优化涉及单个手臂的操作任务的努力。然而,协调多个手臂进行操作,引入了额外的计算挑战,这些挑战来自增加的自由度,以及许多机械手可以执行的可用操作的组合增加,包括手臂之间的交叉。这里的重点是拾取和放置任务的情况下,这需要一个序列的执行,以实现计算效率,渐近最优性和实际的随时性能。本文利用高自由度系统的多机器人运动规划的最新进展,提出了一种新的dRRT* 算法的多模态扩展。关键的见解是,而不是天真地解决一系列的运动规划问题,它是计算上有利的直接探索的综合多臂任务和运动规划问题的复合空间,给定的输入集的可能的拾取和切换配置。渐近最优性保证是可能的,通过抽样额外的挑选和随时间的推移。评估表明,该方法可以快速找到初始解,并随着时间的推移提高其质量。它还成功地找到了解决方案,相对于替代方案更难的问题实例,并可以随着机器人数量的增加而有效地扩展。
2019-05-08 cs.RO
Differentiable Composite Neural Signed Distance Fields for Robot Navigation in Dynamic Indoor Environments
Purdue University(普渡大学)
提出一种基于神经SDF的组合框架,通过双模式轨迹优化流程结合机器人本体SDF与场景SDF,在动态室内环境中实现高效导航,成功率较基线提升14.4%。
2025-03-06 cs.RO
Planning of efficient trajectories in robotized assembly of aerostructures exploiting kinematic redundancy
University of Salerno(萨莱诺大学)
随着时间的推移,航空航天生产量不断增加,机器人解决方案已逐步引入航空装配线,以实现高质量标准,高生产率,灵活性和降低成本。机器人工作单元有时以安装在滑道上的机器人为特征,以增加机器人工作空间。滑动引入了额外的自由度,使系统在运动学上冗余,但该功能很少用于提高性能。本文提出了一种新的概念,在轨迹规划,利用冗余,以满足额外的要求。采用动态规划技术,计算优化的轨迹,最小化或最大化感兴趣的性能指标。该用例定义在LABOR(复合材料航空结构的精益自动化装配和控制)项目上,该项目采用安装在线性轴上的两个协作的六轴机器人来执行机身壁板的装配操作。考虑到该工作单元的需求,最大限度地减少了不必要的机器人运动以提高安全性,最大限度地提高了机械刚度以增加钻孔操作期间的稳定性,避免了碰撞,同时遵守了关节限制和可用的规划时间。在仿真环境中进行实验,在那里执行的最佳轨迹,突出显示所产生的性能和改进相对于非优化的解决方案。
2021-07-09 cs.RO
Probabilistic Visibility-Aware Trajectory Planning for Target Tracking in Cluttered Environments
College of Engineering, Peking University(北京大学工学院);Beijing Institute for General Artificial Intelligence (BIGAI)(北京通用人工智能研究院)
本文提出一种实时非短视的轨迹规划器,通过引入信念空间检测概率(BPOD)和结合扩展卡尔曼滤波器,在系统不确定性下实现杂乱环境中目标跟踪的可见性感知与安全规划。
2024-08-27 cs.RO
One-Step Model Predictive Path Integral for Manipulator Motion Planning Using Configuration Space Distance Fields
Department of Information Physics and Computing, The University of Tokyo(东京大学信息物理与计算系)
提出将构型空间距离场与模型预测路径积分结合,利用CDF梯度统一代价函数并缩短规划时域至一步,实现高效避障,在2D环境和7自由度机械臂仿真中成功率近100%,控制频率超750Hz。
2026-06-16 cs.RO
RMRRT: Riemannian Barrier Metric RRT for Inequality-Aware Steering on Equality Manifolds
Kyung Hee University(庆熙大学);Advanced Institute of Convergence Technology (AICT)(先进融合技术研究院(AICT))
本文提出RMRRT,一种在等距流形上统一处理等式与不等式约束的采样规划框架,通过障碍度量引导探索,实现100%成功率并减少规划时间。
2026-11-20 cs.RO
Motion Planning in Dynamic Environments Using Context-Aware Human Trajectory Prediction
University of Oxford(牛津大学);University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
多年来,运动规划、地图绘制和人体轨迹预测的独立领域已经取得了相当大的进展。然而,文献仍然是稀疏的,在提供实用的框架,使移动机械手进行全身运动和占移动障碍物的预测运动。以前的基于优化的运动规划方法,使用距离场已经遭受了高计算成本所需的更新环境表示。我们证明,与从头开始计算距离场相比,GPU加速的预测复合距离场显着减少了计算时间。我们将这种技术与一个完整的运动规划和感知框架,占人类在动态环境中的预测运动,使反应性和先发制人的运动规划,结合预测的运动。为了实现这一目标,我们提出并实现了一种新的人体轨迹预测方法,结合意图识别与基于轨迹优化的运动规划。我们验证了我们的结果框架在现实世界中的丰田人类支持机器人(HSR)使用实时RGB-D传感器数据从车载摄像头。除了提供对公开数据集的分析外,我们还发布了牛津室内人体运动(Oxford-IHM)数据集,并展示了人体轨迹预测的最新性能。Oxford-IHM数据集是一个人类轨迹预测数据集,其中人们在室内环境中的感兴趣区域之间行走。静态和机器人安装的RGB-D相机都可以观察人,同时通过运动捕捉系统进行跟踪。
2022-07-26 cs.RO