Fast Motion Planning for Non-Holonomic Mobile Robots via a Rectangular Corridor Representation of Structured Environments
KU Leuven（鲁汶大学）；Flanders Make（法兰德斯制造研究院）
本研究提出了一种基于矩形走廊表示的高效运动规划框架，用于非完整移动机器人在复杂结构化环境中的快速导航。
2026-02-10 cs.RO
Virtual Holonomic Constraints in Motion Planning: Revisiting Feasibility and Limitations
Department of Information Technologies and AI（信息科技与人工智能系）
针对单欠驱动机械系统，论文通过 PVTOL 周期运动反例与形式化证明指出传统 VHC 定义过严，呼吁重新定义以扩大其运动规划适用范围。
2025-07-23 cs.RO
Multi-Waypoint Path Planning and Motion Control for Non-holonomic Mobile Robots in Agricultural Applications
Institute for Applied Artificial Intelligence and Robotics (IKR)（应用人工智能与机器人研究所）
针对农业非结构化环境下非完整移动机器人的多航点导航需求，提出融合DTSP全局规划与NMPC局部控制的集成框架，仿真验证其路径更短更平滑，可高效满足农业自主导航约束。
2025-07-31 cs.AI cs.RO cs.SY
Efficient Trajectory Planning for Multiple Non-holonomic Mobile Robots via Prioritized Trajectory Optimization
Nanyang Technological University（南洋理工大学）
在本文中，我们提出了一种新的方法来有效地产生无碰撞的最优轨迹的多个非完整移动机器人在障碍物丰富的环境。我们的方法首先采用基于图的多智能体路径规划器找到一个初始的离散解，然后使用非线性优化将此解细化为平滑的轨迹。我们将机器人团队分成小的组，并提出了一个优先级的轨迹优化方法，以提高算法的可扩展性。由于解耦的优化框架，在某些情况下可能会出现不可行的子问题。为了解决这个问题，提出了一种新的分组和优先级分配策略，以增加找到可行轨迹的概率。与耦合轨迹优化方法相比，该方法在对规划的最优性影响较小的情况下，大大减少了计算时间。仿真和硬件实验验证了该方法的有效性和优越性。
2020-12-15 cs.RO
Non-Holonomic RRT & MPC: Path and Trajectory Planning for an Autonomous Cycle Rickshaw
Technical University of Munich (TUM)（慕尼黑工业大学）；University of Sarajevo（萨拉热窝大学）
提出了一种基于快速探索随机树（RRT）进行全局规划和基于模型预测控制（MPC）进行局部规划的分层运动规划方法。该方法的目标是用于共享空间中的自主城市交通的三轮自行车（三轮车）。由于车辆的性质，算法必须进行调整，以遵守非完整的运动学约束，使用运动学单轨模型。该车辆旨在为共享环境中的人员和货物提供运输，例如道路，人行道，自行车道以及经常被其他交通参与者占用的开放空间。因此，本文提出的算法需要预测和避免动态障碍物，如行人或自行车，但也要足够快，以便实时工作，使其能够适应环境的变化。我们的方法使用了RRT的变种，已被修改为单轨道运动学和改进，利用死端节点的全球规划。这使我们能够在非结构化环境中非常快速地计算全局路径。在第二步中，我们的基于MPC的本地规划器利用全局路径来计算车辆的轨迹，同时将动态障碍物，如行人和其他道路使用者。我们的方法已被证明在模拟和第一次现实生活中的测试，可以很容易地扩展到更复杂的行为。
2021-03-10 cs.RO
Fast Near Time-Optimal Motion Planning for Holonomic Vehicles in Structured Environments
MECO research team, department of Mechanical Engineering（MECO研究团队，机械工程系）
本文提出了一种快速高效的基于优化的方法，用于在结构化环境中为全向车辆生成近时间最优轨迹，通过启发式选择的运动原语和优化问题实现高效计算。
2026-02-02 cs.RO math.OC
Coverage Path Planning for Holonomic UAVs via Uniaxial-Feasible, Gap-Severity Guided Decomposition
University of Notre Dame（内布拉斯加大学）
针对完整无人机在应急响应中覆盖路径规划面临的问题，提出用递归双轴单调性标准及累积间隙严重性度量引导切割的分解策略，搭配全局优化器，降低路径长度和完成时间开销，优于其他15种CPP管道。
2026-07-29 cs.MA cs.RO
Improving the Quality of Non-Holonomic Motion by Hybridizing C-PRM Paths
Tel-Aviv University（特拉维夫大学）；The Hebrew University（希伯来大学）
基于采样的运动规划器是生成无碰撞运动路径的有效手段。然而，这些运动路径的质量，相对于不同的质量测量，例如路径长度、间隙、平滑度或能量，通常是非常低的。在基于非完整采样的运动规划中，可行运动轨迹的空间受到限制，这一问题更加突出。在这项研究中，我们结合了C-PRM算法宋和阿马托与我们最近推出的路径杂交的方法，用于创建高品质的非完整运动路径，与几个不同的质量措施，如路径长度，平滑度或间隙的组合，以及反向汽车运动的数量。我们的实现包括各种代码优化，这些代码优化可以实现近乎实时的性能，我们相信可以通过进一步优化扩展到用于规划高质量汽车运动的实时工具。
2010-09-24 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
Finding Coordinated Paths for Multiple Holonomic Agents in 2-d Polygonal Environment
FEL, CTU in Prague（布拉格捷克理工大学电气工程学院）
避免冲突是自治移动代理系统的重要任务之一。我们专注于问题的连续协调路径的多个移动磁盘代理在2-D环境中的多边形障碍。该问题是PSPACE困难的，状态空间随着代理数量呈指数级增长。因此，现有技术的方法主要包括反应式技术和基于采样的迭代算法。我们比较了广泛使用的反应方法ORCA的性能与三种变体的流行的规划算法RRT* 应用于多智能体路径规划，并发现一种算法相结合的反应碰撞避免和RRT* 规划，我们称之为ORCA-RRT* 可以用来解决的情况下，是达到的技术。我们的实验表明：1）该算法的反应部分可以有效地解决许多涉及大量代理的多代理路径查找问题，RRT* 算法通常无法在有限的时间内找到解决方案，以及2）该算法的规划组件能够解决许多包含局部最小值的实例，其中反应技术通常失败。
2014-02-14 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
Combined Sampling and Optimization Based Planning for Legged-Wheeled Robots
ETH Zurich（苏黎世联邦理工学院）
由于有许多自由度，腿轮机器的规划通常使用轨迹优化来完成，从而使腿轮规划者容易陷入糟糕的局部最小值。我们提出了一种结合采样和优化的规划方法，可以应对具有挑战性的地形。基于采样的阶段计算全身配置和接触时间表，这加快了优化收敛。基于优化的阶段确保满足所有系统约束，例如非完整滚动约束。评价表明，良好的初始猜测优化的重要性。此外，他们认为，地形/碰撞（避免）的限制比机器人模型的限制更具挑战性。最后，我们扩展了优化处理一般地形表示的高程图的形式。
2021-04-09 cs.RO cs.SY eess.SY
Real-Time Planning with Primitives for Dynamic Walking over Uneven Terrain
Australian Centre for Field Robotics（澳大利亚现场机器人中心）；University of Sydney（悉尼大学）
本文提出一种基于有限运动原语的实时运动规划算法，利用虚拟holonomic约束构建闭式解和二叉搜索树，提升动态步行规划效率。
2013-10-26 cs.RO cs.SY eess.SY
A sub-optimal sampling based method for path planning
本文提出了一种求解非完整系统次优路径的搜索算法。为此，该算法开始对车辆的前部进行采样，并利用成本函数向目的地移动。利用自行车模型定义了非完整系统，并采用不同的积分方法对系统动力学进行了稳定性分析。为了减少计算时间，选择了一种合适的积分方法和一个合理的大步长。当树足够接近目的地时，算法返回路径，并且为了将树连接到目的地点，定义了使用单次射击方法的最优控制问题。为了测试该算法，对不同的场景进行了测试，仿真结果表明该算法是成功的。
2016-12-19 cs.RO
Improved path planning algorithms for non-holonomic autonomous vehicles in industrial environments with narrow corridors: Roadmap Hybrid A* and Waypoints Hybrid B*. Roadmap hybrid A* and Waypoints hybrid A* Pseudocodes
University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）；Gruppo TecnoFerrari S.p.a. con socio unico（泰克诺法拉利集团股份公司（单一股东））
针对狭窄走廊工业场景的类车自主车辆，提出结合静态路线图搜索的Roadmap Hybrid A*与拓扑图航点引导的Waypoint Hybrid A*两种路径规划算法，仿真验证其在多项指标上优于标准Hybrid A*。
2023-04-27 cs.RO
Safe Model Predictive Control Approach for Non-holonomic Mobile Robots
Delft University of Technology（代尔夫特理工大学）
针对非完整移动机器人的规划与控制问题，设计了一种模型预测控制（MPC）方法。围绕预先计算的参考轨迹线性化系统动态给出了时变LQ MPC问题。我们分析表明，通过专门设计的MPC控制器，随时间变化，线性化系统可以产生在跟踪任务的原点附近的渐近稳定。我们进一步提出了两种避障方法。通过在速度空间中定义线性化约束，并基于当前状态显式耦合两个控制输入，我们的第二种方法直接考虑了系统的非完整性，从而证明了优化问题的不可行性。仿真结果表明，对于静态和动态避障，我们的LQ MPC方法的规划轨迹是光滑和有效的解决非线性规划（NLP）问题，但在一个更有效的方式。
2022-10-10 cs.RO
Optimal Control-Based UAV Path Planning with Dynamically-Constrained TSP with Neighborhoods
KAIST（韩国科学技术院）
本文提出一种基于采样 roadmap 算法的无人机路径规划方法，通过最优控制生成路径以减少计算时间并提升解的质量，解决动态约束 TSP 带邻居问题。
2016-12-18 cs.RO cs.SY eess.SY
A Homotopy Method for Motion Planning
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们提出了一种新的运动规划方法，并说明其实施的几个典型的例子。该方法的核心新思想是定义一个度量，对于该度量，最小长度的路径是可接受的路径，即尊重环境和系统物理对其动态施加的各种约束的路径。更准确地说，我们的方法作为输入的控制系统完整和非完整的约束，初始和最终点的配置空间，一个描述的障碍物，以避免，和初始轨迹的系统，称为草图。该初始轨迹不需要满足除避障约束之外的约束。然后，将约束编码在内积中，该内积用于将初始草图变形（通过同伦）成可容许的轨迹，从该轨迹可以获得实现转移的控制。我们说明了各种例子，包括车辆运动的障碍和两个链接机械手的问题的方法。
2019-01-29 cs.RO math.OC
Dynamically Feasible Path Planning in Cluttered Environments via Reachable Bezier Polytopes
California Institute of Technology（加州理工学院）
本文提出利用可达贝塞尔多面体并结合GPU加速的分层控制架构，为非线性控制系统在杂乱环境中高效生成无碰撞且动力学可行的路径，并在三维跳跃任务中验证了框架的有效性。
2024-11-20 cs.RO cs.SY eess.SY
Policy Optimization to Learn Adaptive Motion Primitives in Path Planning with Dynamic Obstacles
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；JSC Integrant（JSC Integrant公司）；Federal Research Center for Computer Science and Control RAS（俄罗斯科学院计算机科学与控制联邦研究中心）；AIRI
本文研究了非完整机器人在动态环境中的运动动力学运动规划问题。将问题分解成更小的子问题，并将局部解组合成全局解，是解决这一问题的有效方法之一。任何非完整机器人规划方法的关键是生成运动原语，生成局部规划子问题的解决方案。在这项工作中，我们引入了一种新的学习转向功能（政策），它考虑到机器人的kinodynamic约束和静态和动态障碍。该策略通过策略优化进行有效训练。从经验上讲，我们表明，我们的指导功能推广以及看不见的问题。然后，我们将经过训练的策略插件插入到基于采样和基于网格的规划器中，并在一系列具有挑战性的设置中评估所得到的POLAMP算法（学习自适应运动原语的策略优化），这些设置涉及在障碍物丰富的停车场环境中操作的汽车式机器人。我们表明，POLAMP是能够规划无碰撞的运动动力学轨迹，成功率高于92%，当50个同时移动的障碍物填充的环境表现出更好的性能比国家的最先进的竞争对手。
2022-12-29 cs.RO
Safe and Dynamically-Feasible Motion Planning using Control Lyapunov and Barrier Functions
University of California, San Diego（加利福尼亚大学圣迭戈分校）；DEVCOM US Army Research Laboratory（美国陆军DEVCOM研究实验室）
本文提出C-CLF-CBF-RRT算法，结合RRT、CLF和CBF为控制仿射系统生成安全且动态可行的无碰撞路径，并证明其计算高效性与概率完备性。
2025-03-12 cs.RO cs.SY eess.SY
Nonholonomic Motion Planning as Efficient as Piano Mover's
NVIDIA（英伟达）
本文提出一种可证明准确的非完整运动规划图离散化方法，以接近 Piano-mover's 网格的规模表达转弯与直行约束，并支持 GPU 并行高效规划。
2023-06-02 cs.RO
Decentralized Lifelong Path Planning for Multiple Ackerman Car-Like Robots
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
针对连续域中非完整约束机器人的终身路径规划难题，将离散域SOTA多机器人规划关键思想扩展至多个Ackerman类车机器人，提出高性能集中式与去中心化规划器，实现精确SE(2)目标位姿轨迹规划并经仿真与实验验证。
2024-02-19 cs.RO
Dispertio: Optimal Sampling for Safe Deterministic Sampling-Based Motion Planning
RWTH Aachen（亚琛工业大学）；German Aerospace Center (DLR)（德国航空航天中心）；Robert Bosch GmbH, Corporate Research（罗伯特·博世有限公司企业研究院）；KTH Stockholm（瑞典皇家理工学院）
机器人技术的一个关键挑战是在杂乱的环境中有效地生成最佳的机器人运动，并保证安全。最近，确定性的最佳采样为基础的运动规划已被证明实现良好的性能，为此，特别是在规划效率，最终解决方案的成本，质量保证以及非概率的完整性。然而它们的应用仍然限于相对简单的系统（即，线性、完整、欧几里得状态空间）。在这项工作中，我们将这种技术扩展到对称和最佳无漂移系统的类提出分散，离线分散优化技术计算采样集，知道差分约束，采样为基础的机器人运动规划。我们证明了该方法，当结合PRM*，是确定性完成，并保留渐近最优性。此外，在我们的实验中，我们表明，建议的确定性抽样技术优于几个基线和替代方法的规划效率和解决方案的成本。
2019-09-30 cs.RO
Optimal Multi-Robot Motion Planning via Parabolic Relaxation
NASA Jet Propulsion Lab（NASA喷气推进实验室）；California Institute of Technology（加州理工学院）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
多机器人系统提供了比它们的单片对应物更强的能力，但是它们以增加协调的复杂性为代价。为了降低复杂性，使问题易于处理，多机器人运动规划（MRMP）方法在文献中采用解耦的方法，牺牲最优性或动态可行性。在本文中，我们提出了一种凸化方法，即“抛物线松弛”，以产生最佳的和动态可行的轨迹MRMP在耦合关节空间的所有机器人。我们利用建议的放松，以解决问题的复杂性，并达到计算的易处理性规划超过100个机器人在非常集群的环境。我们采取多阶段优化方法，包括：i）数学上将MRMP表示为非凸优化，ii）将问题提升到更高维的空间，iii）通过提出的计算效率高的抛物线松弛使问题凸化，以及iv）用迭代搜索进行惩罚，以确保原始问题的可行性和接近最优的解决方案的可行性和恢复。我们的数值实验表明，所提出的方法是能够产生最佳的和动态可行的轨迹具有挑战性的运动规划问题，具有更高的成功率比国家的最先进的，但仍然计算上易于处理的超过一百个机器人在一个高度密集的环境。
2021-11-28 cs.RO cs.SY eess.SY
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
Realizing the Aerial Robotic Worker for Inspection Operations
University of Nevada, Reno（内华达大学里诺分校）
本报告概述了一组最近的贡献，在该领域的路径规划，开发，使实现自主空中机器人工作人员进行检查操作。具体的算法贡献解决了机器人检查和探索的几个基本挑战，特别是那些最佳覆盖规划给定的先验已知模型的结构被检查，全覆盖，优化和快速的检查路径规划，以及完全未知的环境和结构的有效探索。所有开发的路径规划器支持完整和非完整系统，并尊重板上的传感器模型和约束。概述所取得的成果，然后是一个集成架构，以便在已知和未知环境中实现完全自主和高效的基础设施检测。
2017-03-08 cs.RO
Fast-Replanning Motion Control for Non-Holonomic Vehicles with Aborting A*
University of Bonn（波恩大学）
自动驾驶车辆必须能够在动态和不可预测的环境中以无碰撞的方式导航。到目前为止，这一点在无人驾驶汽车和仓库设施中只得到了部分实现，在这些设施中，道路、车道和交通标志等标记结构简化了运动规划和碰撞避免问题。我们正在为汽车类车辆提供一种新的控制方法，该方法基于前所未有的快节奏A* 实现，允许控制周期以30 Hz的频率运行。这个频率使我们能够将我们的A* 算法作为一个低级别的重新规划控制器，非常适合在几乎任何动态环境中的导航和防撞。由于一个有效的启发式组成的旋转-平移-旋转运动沿着最短的路径布局到目标，我们的短期中止A*（STAA*）收敛速度快，可以提前中止，以保证高和稳定的控制率。虽然我们的STAA* 沿着最短路径扩展状态，但它负责与环境的碰撞检查，包括移动障碍物的预测状态，并在计算时间耗尽时返回找到的最佳解决方案。尽管有限的计算时间，我们的STAA* 不会陷入角落，由于以下的最短路径。在模拟和真实的机器人实验中，我们证明，我们的控制方法几乎完全消除碰撞，是优于改进版本的动态窗口方法与预测避碰能力。
2022-07-21 cs.RO
Search-Based Path Planning Algorithm for Autonomous Parking:Multi-Heuristic Hybrid A*
Zhejiang University（浙江大学）
提出了一种新的自主泊车方法。自主泊车因其便捷性而受到广泛关注，但由于环境复杂，车辆的非完整约束，很难在短时间内获得无碰撞可行路径。针对这一问题，提出了一种新的启发式混合A* 算法（Multi-Heuristic Hybrid A*，MHHA*），该算法综合了启发式A* 算法和混合A* 算法的特点。因此，它可以提供完整性的保证，避免局部最小和次优，并在短时间内产生一个可行的路径。提出了一种基于坐标变换的碰撞检测方法，提高了计算效率。通过仿真实验，将该方法与Hybrid A* 算法进行了性能比较，证明了该方法的优越性。
2022-10-17 cs.RO
Reducing Onboard Processing Time for Path Planning in Dynamically Evolving Polygonal Maps
Robert Bosch Center for Cyber Physical Systems, Indian Institute of Science（印度科学学院罗伯特·博世信息物理系统中心）；Indian Institute of Science（印度科学学院）
本研究利用最小构造算法，通过仅探索必要可见图部分并选择性碰撞测试，在动态多边形地图中实现比A*更快的全局路径规划，获得更短更平滑路径。
2023-05-08 cs.RO
Trajectory Planning and Control for Differentially Flat Fixed-Wing Aerial Systems
New York University（纽约大学）；Autonomous Robotics Research Center-Technology Innovation Institute（自主机器人研究中心-技术创新研究院）
针对固定翼无人机实时轨迹规划与控制的挑战，本文提出一种利用微分平坦特性生成动态可行轨迹并支持持续重规划的方法，通过仿真与真实实验验证了其在风扰动等恶劣条件下的有效性。
2025-02-01 cs.RO
Asymptotically-Optimal Multi-Query Path Planning for a Polygonal Robot
Rutgers, the State University of New Jersey（罗格斯大学（新泽西州立大学））
针对多边形机器人的多查询路径规划，提出旋转堆叠可见性图（RVG）算法，通过堆叠不同方向的简化可见性图实现同时平移与旋转，该算法分辨率完备且渐近最优，实验证明其在计算时间和解最优性上显著优于现有方法。
2025-03-25 cs.RO
Multi-Agent Motion Planning on Industrial Magnetic Levitation Platforms: A Hybrid ADMM-HOCBF approach
MECO Research Team, Dept. of Mechanical Engineering, KU Leuven and Flanders Make（MECO研究团队，机械工程系，KU莱顿和弗拉芒制造）
本文提出了一种新颖的混合运动规划方法，用于具有holonomic特性的多智能体系统。通过结合去中心化的交替方向乘子法（ADMM）与集中式的高阶控制屏障函数（HOCBF）架构，解决了传统集中式MPC在智能体数量增加时的可计算性问题，并提供安全性保障。
2026-03-20 cs.RO
Layered Control for Cooperative Locomotion of Two Quadrupedal Robots: Centralized and Distributed Approaches
Virginia Tech（弗吉尼亚理工大学）；California Institute of Technology（加州理工学院）
针对两个完整约束四足机器人的鲁棒协作运动，提出了一种实时轨迹规划和控制的分层控制方法。提出了一种基于单刚体动力学的新型互联网络降阶模型，用于轨迹规划。在更高层次的控制架构，两个不同的模型预测控制（MPC）算法，提出了解决最优控制问题的互联SRB动态：集中式和分布式MPC。分布式MPC假设两个局部二次规划，根据一步通信延迟和协议共享其最优解。在较低层次的控制方案，分布式非线性控制器的开发，施加全阶动态跟踪规定的降低了由MPC产生的轨迹。控制方法的有效性进行了验证与广泛的数值模拟和实验的鲁棒性和合作运动的两个holonomically约束A1机器人与不同的有效载荷在可变的地形和干扰的存在下。结果表明，分布式MPC具有类似的集中式MPC的性能，而计算时间显着减少。
2022-11-13 cs.RO math.OC
Motion Planning for Autonomous Vehicles using Optimization over Graphs of Convex Sets
本文研究了在自动驾驶中使用凸集图优化对非线性最优控制问题的近似能力，通过凸约束保持轨迹连续性，提升计算效率和鲁棒性。
2026-05-13 cs.RO cs.SY eess.SY
Collision-Free Poisson Motion Planning in Ultra High-Dimensional Molecular Conformation Spaces
Stanford University（斯坦福大学）；SLAC National Accelerator Laboratory（SLAC国家加速器实验室）；University of Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）
蛋白质、RNA和DNA的功能通过三维构象之间的快速、动态交换来调节。利用精确和零空间逆运动学，以可旋转键为旋转关节，以非共价相互作用为完整约束，对生物分子进行构象采样，可以准确地表征这些天然系综。然而，采样生物分子仍然具有挑战性，因为它们的超高维配置空间，以及避免（自）碰撞的要求，这导致低接受率。在这里，我们提出了两种新的机制来克服这些限制。首先，我们在近碰撞链接之间引入了临时约束。由此产生的约束品种瞬间重定向搜索无碰撞的构象，并耦合运动之间的遥远的部分的联系。其次，我们采用了一个随机泊松盘运动规划，防止局部过采样和扩大搜索，超高的维度。我们评估了我们的算法在几个模型系统。我们的贡献适用于一般的高维运动规划问题的静态和动态环境中的障碍。
2016-07-25 cs.RO
BTO-RRT: A rapid, optimal, smooth and point cloud-based path planning algorithm
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
本文探讨了一种快速、最优的机器人平滑路径规划算法（例如，自动驾驶车辆）在点云环境中。诸如密集点云、网格图、八点图等的衍生图经常用于路径规划目的。提出了一种面向目标的双向点规划算法，直接利用点云计算最优动态可行轨迹。该方法通过分析目标环境的点云，采用改进的双向和基于RRT连接的路径规划算法，采用基于k-d树的避障策略和三步优化，搜索无障碍、低计算成本、平滑且动态可行的路径。该方法绕过了常用的三维地图离散化，直接利用点云数据，并可分为两部分：基于RRT的改进算法核心和三步优化。在8个不同结构和特征的二维地图上的仿真结果表明了该算法的有效性和二维性能。与其他基于RRT的算法，如RRT，B-RRT，RRT星的基准比较和评估也显示在该文件中。最后，该算法在3张不同密度的三维点云地图上成功实现了不同层次的任务目标。整个仿真实验证明，该算法不仅在二维地图上具有较好的性能，而且能够在不同的三维点云地图上处理不同的任务（地面车辆和无人机应用），表明了该算法的高性能和鲁棒性。该算法在\url{https://github.com/zhz03/BTO-RRT}上开源
2022-11-13 cs.RO cs.SY eess.SY
Model Predictive Trajectory Optimization With Dynamically Changing Waypoints for Serial Manipulators
Technische Universität Wien (TUW)（维也纳技术大学）；AIT Austrian Institute of Technology GmbH（奥地利技术研究院有限公司）
针对短时域在线轨迹优化难以纳入动态路点的问题，提出路点模型预测控制（wMPC），通过分割规划时域并缩短时域长度，实现低计算负载的实时重规划，实验验证其性能与离线RRT型规划器相当。
2024-02-07 cs.RO
Map-Predictive Motion Planning in Unknown Environments
Stanford University（斯坦福大学）；Harvard University（哈佛大学）
用于未知环境中的运动规划的算法通常受限于它们推理未观察到的环境的结构的能力。因此，当前方法通常通过依赖于探试法来沿着边界选择中间目标来导航未知环境。我们提出了一个统一的方法，结合地图预测和运动规划安全，时间效率高的自主导航未知环境的动态约束机器人。我们提出了一个数据驱动的方法来预测地图的未观察到的环境，使用机器人的观察其周围环境的背景。然后，这些地图预测用于规划从机器人的位置到目标的轨迹，而不需要边界选择。我们证明，我们的地图预测运动规划策略产生了显着改善的轨迹时间在一个天真的前沿追求方法，并表现出类似的性能，使用更复杂的前沿选择算法的方法，具有显着更短的计算时间。
2019-10-17 cs.RO cs.SY eess.SY
Energy Aware and Safe Path Planning for Unmanned Aircraft Systems
Technical University of Darmstadt（达姆施塔特工业大学）
本文提出一种基于模型预测控制和混合整数线性规划的多智能体无人飞行器系统能量感知与安全路径规划算法，通过优化能耗、低电量自主返航及动态可行区域防障，实现高效安全的搜索区域覆盖。
2025-04-04 cs.RO cs.SY eess.SY
Motion Planning for a Humanoid Mobile Manipulator System
Ecole Centrale de Lille（里尔中央理工学院）；Beihang University（北京航空航天大学）
提出了一种高冗余度非完整仿人移动双臂机械臂系统，研究了实现“类人”自主导航和操纵任务的运动规划。首先，提出了一种改进的MaxiMin NSGA-Ⅱ算法，该算法优化了5个目标函数，同时解决了移动基座和机械臂之间的奇异性、冗余性和耦合性问题，设计了操纵目标物体的最优位姿。然后，为了将初始位姿和最优位姿联系起来，设计了离线运动规划算法。提出了一种高效的直连双向RRT和梯度下降算法，大大减少了采样节点，并提出了一种几何优化方法进行路径修剪。此外，头向前的行为，通过计算合理的方向，并将其分配给移动基地，以提高人机交互的质量。第三，通过引入实时传感、碰撞测试和控制循环来更新动态环境中的机器人运动，从而扩展到在线规划。第四，提出了一种基于通路点的电子工程多目标遗传算法，通过优化四个目标函数来设计“类人”通路。最后，大量的仿真结果验证了所提出的算法的有效性。
2018-06-19 cs.RO
A Generic Trajectory Planning Method for Constrained All-Wheel-Steering Robots
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对带转向角约束的全轮转向机器人模式切换效率低、直接全向移动易失效、控制复杂的问题，提出融合二阶离散搜索与预测控制的C-AWS规划方法，可生成满足约束的可行平滑轨迹。
2024-09-18 cs.RO
Collaborative Planning for Catching and Transporting Objects in Unstructured Environments
State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
本文提出一种非结构化环境中非完整机器人团队协作捕捉与运输的轨迹规划方法，通过连续可微建模实现自适应捕捉，并保证网的安全，实验验证其高效与高质量。
2023-11-13 cs.RO
Uncertainty-Aware Decision-Making and Planning for Autonomous Forced Merging
Linköping University（林雪平大学）；Imperial College London（帝国理工学院）；Lund University（隆德大学）
针对强制汇入场景，提出通过在线估计周围车辆加速度边界预测非保守前向占据，并将其融入决策与运动规划，以提升参考轨迹的安全性和韧性。
2024-10-27 cs.RO cs.SY eess.SY
Lifelong Path Planning with Kinematic Constraints for Multi-Agent Pickup and Delivery
University of Southern California（南加州大学）
多代理拾取和交付（MAPD）问题模型的应用程序中，大量的代理出席传入拾取和交付任务的流。令牌传递（TP）算法是近年来提出的一种高效的MAPD算法。我们使用一种新的组合搜索算法，称为安全间隔路径规划与保留表（SIPPWRT），单代理路径规划TP更高效和有效的。SIPPWRT使用高级数据结构，允许在线设置中快速更新和查找所有代理的当前路径。由此产生的MAPD算法TP-SIPPWRT考虑到实际机器人的运动学约束直接在规划过程中，计算连续的代理运动与给定的速度，工作在非完整的机器人，而不是离散的代理运动与均匀的速度，是完整的形式良好的MAPD实例。我们证明了它的好处，自动化仓库使用代理模拟器和标准的机器人模拟器。例如，我们证明了它可以在几秒钟内为数百个代理和数千个任务计算路径，并且比现有的MAPD算法更高效和有效，该算法使用后处理步骤以使其路径适应具有给定速度的连续代理移动。
2018-12-15 cs.AI cs.RO
Motion Planning for Mobile Manipulators Navigating Doorways via Model Predictive Control
The Pennsylvania State University（宾夕法尼亚州立大学）；AlphaZ Inc.（AlphaZ公司）
针对移动机械臂在人类环境中穿越 doorway 的需求，提出基于非线性 MPC 的耦合系统运动规划框架，经仿真与硬件实验验证可生成无碰撞的 door 穿越轨迹。
2026-08-04 cs.RO cs.SY eess.SY
Towards Efficient Motion Planning for UAVs: Lazy A* Search with Motion Primitives
University of Southern California（南加州大学）；University of Michigan（密歇根大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文针对无人机机载计算资源受限导致实时规划困难的问题，将惰性搜索概念引入基于搜索的规划算法，提出基于运动基元的 Lazy A* 搜索方法，可高效找到无碰撞且动态可行的最优轨迹，显著提升计算效率。
2024-11-12 cs.RO
Probabilistic motion planning for non-Euclidean and multi-vehicle problems
George Mason University（乔治梅森大学）；Temple University（天普大学）
针对非欧几里得与多车辆问题，本文提出灵活框架证明PRM*、RRT和RRT*算法在非欧几里得设定下保持渐近最优，并保证协作系统的轨迹规划收敛性。
2023-06-28 cs.RO math.MG math.OC
RRT-CBF Based Motion Planning
本文提出RRT-CBF运动规划方法，结合RRT算法与MPC动态更新约束施加控制屏障函数，在模型不确定性下实现静态与动态障碍物及多机器人间的安全避碰，并首次将其应用于非线性机器人手臂模型。
2024-10-01 cs.RO cs.SY eess.SY
Scalable Integrated Task and Motion Planning from Signal Temporal Logic Specifications
University of Notre Dame（圣母大学）
本文提出了一种可扩展且可证明完整的算法，直接合成连续轨迹以满足非凸的信号时序逻辑规范，通过分离离散任务规划和连续运动规划，并利用高效的求解器找到高维系统中满足非凸STL规范的动态可行轨迹。
2018-10-20 cs.RO cs.SY eess.SY
Geometry-Aware Sampling-Based Motion Planning on Riemannian Manifolds
Institute for Aerospace Studies, University of Toronto（航空航天研究 institute，多伦多大学）
本文提出基于采样的运动规划框架，直接在黎曼流形上操作，利用黎曼几何距离近似和自然梯度引导局部规划，实验证明其在非欧几里得几何下能生成更优轨迹。
2026-08-06 cs.RO
Motion Planning for Collision-resilient Mobile Robots in Obstacle-cluttered Unknown Environments with Risk Reward Trade-offs
University of California, Riverside（加州大学河滨分校）
在未知障碍物杂乱的环境中避免碰撞可能并不总是可行的。本文重点介绍了一种新的范式转变，即可以利用而不是完全避免与环境的潜在碰撞。为此，我们引入了一种新的基于采样的在线规划算法，可以明确地处理与环境碰撞的风险，并可以在碰撞避免和碰撞利用之间切换。规划者的能力的核心是一个新的联合优化功能，使用反射模型评估可能的碰撞的影响。通过这种方式，规划者可以做出与环境碰撞的深思熟虑的决定，如果这种碰撞有望帮助机器人朝着目标前进。为了使算法在线，我们提出了一个状态扩展修剪技术，显着减少了搜索空间，同时确保完整性。该算法的实验评估与内置的内部完整轮式机器人，可以承受碰撞。我们进行了广泛的参数研究，以调查（用户调整）的风险水平之间的权衡，故意碰撞决策，和轨迹统计，如时间，以达到目标和路径长度。
2020-09-04 cs.RO
A Hierarchical Multi-Vehicle Coordinated Motion Planning Method based on Interactive Spatio-Temporal Corridors
Beijing Institute of Technology（北京理工大学）
提出基于交互式时空走廊（ISTCs）的多车协调运动规划分层方法，通过混合整数二次规划构建走廊解耦高维冲突，再用非线性规划生成满足动力学的轨迹，有效降低计算压力并提升真实场景适用性。
2023-04-03 cs.RO
EL-AGHF: Extended Lagrangian Affine Geometric Heat Flow
Humanoid Robot Research Center, Korea Advanced Institute of Science and Technology（人类机器人研究中心，韩国科学技术院）
提出扩展拉格朗日仿射几何热流（EL-AGHF）方法，通过引入对偶轨迹求解受约束变分问题，有效克服了原AGHF方法在处理不可行控制方向时因无穷大惩罚导致的计算成本高和数值不稳定问题，确保了轨迹的可行性。
2025-05-30 cs.RO
