CPPNet: A Coverage Path Planning Network
University of Connecticut（康涅狄格大学）
本文提出了一种基于深度学习的CPP算法，称为覆盖路径规划网络（CPPNet）。CPPNet是使用卷积神经网络（CNN）构建的，其输入是占用网格地图的基于图形的表示，而其输出是边缘概率热图，其中每个边缘的值是属于最佳TSP巡回的概率。最后，使用贪婪搜索来选择最终的优化路线。CPPNet经过训练，并与TSP巡回赛进行了比较评估。结果表明，CPPNet提供了接近最优的解决方案，同时需要显着更少的计算时间，从而使实时覆盖路径规划在部分未知和动态的环境。
2021-08-03 cs.RO cs.SY eess.SY
Motion Planning and Tracking Control of Unmanned Underwater Vehicles: Technologies, Challenges and Prospects
University of Guelph（圭尔夫大学）
无人水下航行器（UUV）的运动规划与跟踪控制技术是实现UUV高效、鲁棒导航的基础，对于水下救援、设施维护、海洋资源勘探、水上娱乐等具有重要意义。UUV运动规划与跟踪控制的研究在国内外得到了迅速发展。多UUV系统的任务分配、UUV路径规划和UUV轨迹跟踪。本文对UUV的运动规划和跟踪控制的传统技术和智能技术进行了全面的综述。这些不同的方法在文献中的优点和缺点的分析。最后，展望了UUV运动规划和跟踪控制的发展前景。
2022-07-10 cs.RO cs.SY eess.SY
A Geometric Approach to On-road Motion Planning for Long and Multi-Body Heavy-Duty Vehicles
Scania CV AB（斯堪尼亚CV公司）
与乘用车相比，驾驶重型车辆，例如公共汽车和牵引车拖车车辆是一项艰巨的任务。大多数关于自动驾驶车辆运动规划的研究都集中在乘用车上，与重型车辆相关的许多独特挑战仍然存在。然而，最近的工作已经开始解决的特殊困难，道路上的运动规划的公共汽车和牵引车拖车车辆使用数值优化方法。在这项工作中，我们提出了一个框架来设计一个优化目标，用于运动规划。基于几何推导，该方法找到了最佳的权衡之间的冲突目标的中心不同轴的车辆在车道上。对于公共汽车，我们考虑前轴和后轴的权衡，而对于铰接式车辆，我们考虑牵引车和拖车后轴的权衡。我们的研究结果表明，所提出的设计策略的结果规划的路径，大大提高了重型车辆的行为，保持整个车身在车道的中心。
2020-10-15 cs.RO cs.SY eess.SY
Prioritized experience replay-based DDQN for Unmanned Vehicle Path Planning
Peking University（北京大学）；Northeastern University（东北大学）；New York University（纽约大学）
针对传统算法在复杂环境下易陷入死区的问题，提出结合优先经验回放的DDQN路径规划算法，实验证明其在速度、准确性和突破死区能力上显著优于其他方法。
2024-06-25 cs.RO cs.SY eess.SY
From 2D to 3D terrain-following area coverage path planning
Findklein GmbH（Findklein公司）
本文提出了一种三维地形跟随区域覆盖路径规划算法，生成多个相邻路径，确保局部间距与工作宽度一致，同时投影距离与特定工作高度一致，并通过实际农业数据验证算法效果。
2026-03-23 cs.RO cs.SY eess.SY
Optimization-Based Motion Planning for Autonomous Agricultural Vehicles Turning in Constrained Headlands
University of California, Davis（加利福尼亚大学戴维斯分校）
针对自主农业车辆在狭窄不规则地头转弯困难的问题，提出一种基于优化的运动规划算法，在田间几何与障碍物约束下生成平滑无碰撞的转弯轨迹。
2024-06-11 cs.RO cs.SY eess.SY
Decentralized Coverage Path Planning with Reinforcement Learning and Dual Guidance
Shanghai Jiao Tong University（上海交通大学）
以分散的方式规划多机器人的覆盖路径，增强了覆盖任务处理不确定故障的鲁棒性。为了以分布式方式为每个机器人实现高效率，对复杂环境和合作代理意图的全面理解至关重要。不幸的是，现有的工作通常只考虑这些因素的一部分，导致不平衡的分区或不必要的重叠。为了解决这个问题，我们引入了一个分散的强化学习框架与双重指导训练每个代理，以解决分散的多覆盖路径规划问题，直接通过环境状态。由于分布式机器人需要其他意图来执行更好的覆盖效率，我们利用两种指导方法，人工势场和启发式指导，包括和整合其他意图到每个机器人的观察。通过我们构建的框架，结果表明我们的代理成功地学习确定自己的子区域，同时实现全覆盖，平衡的子区域和低重叠率。然后，我们在这些子区域内实现生成树覆盖，为每个机器人构建实际路线并完成给定的覆盖任务。我们的性能还与最先进的分散式方法进行了比较，显示重叠率最多降低10%，同时在类似环境中执行高效率。
2022-10-14 cs.RO cs.SY eess.SY
Energy-Aware Lane Planning for Connected Electric Vehicles in Urban Traffic: Design and Vehicle-in-the-Loop Validation
Department of Mechanical Engineering, UC Berkeley（机械工程系，伯克利大学）；Department of Civil Engineering, UC Berkeley（土木工程系，伯克利大学）；Zoox, Inc.（Zoox公司）
本文提出了一种基于V2I通信的能耗感知运动规划框架，通过联合优化纵向速度和横向车道变更决策，实现城市交通中能耗降低24%的显著效果。
2025-12-07 cs.RO cs.SY eess.SY
Unscented Optimal Control for 3D Coverage Planning with an Autonomous UAV Agent
KIOS Research and Innovation Centre of Excellence (KIOS CoE)（KIOS卓越研究与创新中心（KIOS CoE））；University of Cyprus（塞浦路斯大学）
提出一种概率鲁棒控制器，将3D覆盖规划表述为带逻辑约束的最优控制问题，通过Unscented变换实现鲁棒的开环覆盖计划设计。
2023-06-30 cs.RO cs.SY eess.SY
A Prioritized Trajectory Planning Algorithm for Connected and Automated Vehicle Mandatory Lane Changes
我们介绍了一个优先系统优化算法的强制变道（MLC）的连接和自动驾驶汽车（CAV）从专用车道的行为。我们的方法适用于合作的车道变化，优先的车道变化车辆的决定，更接近年底的发散区（DZ），并优化预测的总系统行程时间。我们的实验合成数据表明，该算法提高了交通网络的效率，获得更高的速度在专用车道和更早的MLC位置，同时确保了较低的计算时间。我们的方法优于传统的差距接受模型。
2021-04-21 cs.RO cs.SY eess.SY
Simulating Coverage Path Planning with Roomba
覆盖范围路径规划涉及访问在有障碍物的环境中的每个未被占用的状态。在本文中，我们探讨了这个问题，在最初未知的代理环境中，为了模拟真空吸尘机器人的任务。对先前工作的调查显示，在应用学习来解决这个问题方面很少努力。在本文中，我们探索使用深度强化学习对覆盖路径规划问题进行建模，并将其与流行的真空清洁机器人Roomba的内置算法的性能进行比较。
2022-10-10 cs.AI 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
Efficient Probabilistic Planning with Maximum-Coverage Distributionally Robust Backward Reachable Trees
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）；Draper, Cambridge MA 02139（Draper，剑桥MA 02139）
本文提出两种针对线性高斯系统的多查询运动规划算法，利用分布鲁棒后向可达树和新型模糊集公式，实现高概率到达目标区域，并证明在特定条件下达到最大或更优覆盖，通过仿真验证有效性。
2025-10-06 cs.RO cs.SY eess.SY
Short-Horizon Position Accuracy of Single-Track Models: Implications for Motion Planning of Autonomous Vehicles
Department of Mechanical Engineering, Eindhoven University of Technology（埃因霍温理工大学机械工程系）；Safety & Driver Controls Group, Vehicle Development, DAF Trucks N.V.（DAF卡车公司车辆开发部安全与驾驶员控制组）
本文通过实车实验对比三种单轨车辆模型的短时位置精度，分析模型复杂度、参数化质量与位置精度的权衡，为模型预测控制中的模型选择提供依据。
2026-07-07 cs.RO cs.SY eess.SY
On-line Motion Planning Using Bernstein Polynomials for Enhanced Target Localization in Autonomous Vehicles
University of Iowa（爱荷华大学）
针对自主车辆目标定位需高效实时运动规划的问题，提出基于Bernstein多项式逼近目标轨迹概率分布的运动规划方法，推导估计性能准则提升估计效能，仿真验证了算法有效性。
2024-04-12 cs.RO cs.SY eess.SY
Path Planning for a Cooperative Navigation Aid Vehicle to Assist Multiple Agents Sequentially
Department of Mechanical Engineering（机械工程系）；Engineering Science, University of North Carolina at Charlotte（工程科学，北卡罗来纳大学夏洛特分校）
本文提出了一种贪心算法，用于规划协作导航辅助车路径，以依次协助多个智能体并减少导航不确定性。
2024-07-09 cs.RO cs.SY eess.SY
Multilayer Graph-Based Trajectory Planning for Race Vehicles in Dynamic Scenarios
Technical University of Munich（慕尼黑工业大学）
在高速和操纵极限下的轨迹规划是一项具有挑战性的任务。为了满足比赛场景的要求，我们提出了一个有远见的两步，多层基于图的轨迹规划器，能够运行速度高达212公里/小时。该规划器被设计为生成多个可驱动轨迹的动作集，允许相邻的行为规划器为场景中的全局状态选择最合适的动作。该方法用于诸如赛道跟踪、跟随、停止、超车以及能够在摩擦极限下操纵车辆的速度曲线的目标。因此，它提供了一个高的更新率，一个长远的规划视野和解决方案，非凸的情况。所提出的方法的能力，证明在模拟和一个真正的赛车。
2020-05-18 cs.RO cs.SY eess.SY
Improved Corner Cutting Constraints for Mixed-Integer Motion Planning of a Differential Drive Micro-Mobility Vehicle
Department of Computational Mechanics, School of Mechanical Engineering, University of Campinas（计算力学系，机械工程学院，坎皮纳斯大学）
提出用于差速驱动微型移动车辆 MILP 运动规划的新型样本间避撞切角约束，可在考虑运动学与动力学时生成全局最优无碰撞轨迹，并在时间和控制投入上优于两种现有方法。
2025-05-14 cs.RO cs.SY eess.SY
Offline Grid-Based Coverage path planning for guards in games
McGill University（麦吉尔大学）
穷举覆盖的算法在视频游戏中有应用，可以实现自动游戏级探索。目前的设计使用简单的逻辑，经常导致性能差或表现出不自然的行为。在本文中，我们介绍了一种新的算法覆盖的二维多边形（孔）的地区。我们假设地图布局的先验知识，并使用基于网格的世界表示。从简单的布局到实际游戏中使用的更复杂的地图，对几种场景的实验分析显示出良好的性能。这项工作作为第一步，建立一个更有效的覆盖路径规划算法的非玩家角色。
2020-01-15 cs.AI cs.RO
Optimal Vehicle Path Planning Using Quadratic Optimization for Baidu Apollo Open Platform
路径规划是自主车辆运动规划的关键组成部分。路径规定了车辆将行驶的几何形状，因此，它对车辆安全和舒适的运动至关重要。对于城市驾驶场景，自动驾驶车辆需要能够在混乱的环境中导航，例如，道路被一些车辆/障碍物部分堵塞。如何在复杂的环境中生成运动学上可行的、平滑的、能够避免碰撞的路径，使得路径规划成为一个具有挑战性的问题。在本文中，我们提出了一种新的二次规划方法，产生最佳路径的分辨率完全避免碰撞的能力。
2021-12-03 cs.RO
Continuous World Coverage Path Planning for Fixed-Wing UAVs using Deep Reinforcement Learning
TUM School of Engineering and Design, Technical University of Munich（慕尼黑技术大学工程与设计学院）；Dept. of Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系）
针对固定翼无人机在连续环境中的覆盖路径规划问题，提出基于AM-SAC与自适应课程的深度强化学习方法，以学习节能且满足曲率约束的完整覆盖策略。
2025-05-13 cs.LG cs.RO cs.SY
A Closed-Loop Linear Covariance Framework for Vehicle Path Planning in a Static Uncertain Obstacle Fiel
Air Force Institute of Technology（空军理工学院）
不确定环境下的路径规划是实现车辆真正自主的关键。在过去的二十年中，已经开发了许多方法来解决车辆路径中的错误，同时导航复杂且通常不确定的环境。这种规划的一个重要功能是预测车辆分散协方差的候选path. This工作开发了一个新的闭环线性协方差（CL-LinCov）的框架，适用于广泛的自治系统架构。所开发的框架的重要特征包括：（1）从低级控制中分离高级制导，（2）支持具有内部状态、动态和输出的输出反馈控制器，以及（3）用于导航状态传播、制导和反馈控制的多用途连续传感器。该框架的闭环性质保留了系统动力学、外生干扰和制导、导航和控制算法之间的重要耦合。所开发的框架被应用到一个简化的模型的无人机，并通过比较，通过蒙特卡罗分析进行验证。CL-LinCov信息的效用说明了其应用程序的路径规划在一个静态的，不确定的障碍领域通过修改后的版本的快速探索随机树算法。
2021-10-05 cs.RO cs.SY eess.SY
Connectivity-Aware UAV Path Planning with Aerial Coverage Maps
Department of ECE, Hong Kong University of Science and Technology, Hong Kong（香港科技大学电子工程系）；Department of EIE, The Hong Kong Polytechnic University, Hong Kong（香港理工大学电子工程系）
本文提出了一种利用UAV可控移动来克服地面用户优化的蜂窝网络在空中覆盖不连续问题的连接意识UAV路径规划方法，通过引入两个新指标量化UAV路径的蜂窝连接质量，并利用空中覆盖图提供准确的散射覆盖孔位置，将UAV路径规划问题转化为在连接约束下寻找最短路径的问题。
2019-06-01 cs.NI cs.RO cs.SY
Limiting Computation Levels in Prioritized Trajectory Planning with Safety Guarantees
RWTH Aachen University（亚琛工业大学）；University of the Bundeswehr Munich（慕尼黑联邦国防军大学）
针对并行优先级规划难保证安全、顺序规划计算层级随车辆数增长的问题，本文结合可达性分析与图划分选择部分车辆顺序规划，在保证无碰撞和求解质量的同时将计算层级降低约64%。
2024-09-08 cs.MA cs.RO cs.SY
Coverage Path Planning with Track Spacing Adaptation for Autonomous Underwater Vehicles
NATO STO Centre for Maritime Research and Experimentation (CMRE)（北约科技组织海事研究与实验中心）
在本文中，我们解决地雷对抗（MCM）的搜索问题的自主水下航行器（AUV）调查海底使用侧视声纳。我们提出了一种覆盖路径规划方法，适应AUV的轨道间距与收集更好的数据的目的。我们通过在传感器范围的尾部移动覆盖重叠来实现这一点，其中预期数据质量最低。为了评估该算法，我们收集了三个海上实验的数据。自适应调查允许AUV从传感器范围被高估的情况下恢复，并导致减少区域覆盖差距。在另一个实验中，自适应调查显示，近30%的“最差”数据的数据质量提高了4.2%。
2020-06-23 cs.AI cs.RO
Embodied AI in Mobile Robots: Coverage Path Planning with Large Language Models
The University of Western Australia（西澳大利亚大学）
本文提出一种结合大语言模型与低层执行器的多层具身路径规划框架，并设计覆盖加权指标评估性能，实验表明其能提升LLMs空间推理能力，其中claude-3.5表现最优。
2024-07-04 cs.AI cs.RO
A Multi-robot Coverage Path Planning Algorithm Based on Improved DARP Algorithm
Sichuan University（四川大学）
针对多机器人覆盖路径规划问题，本文改进DARP算法，利用A*分配任务并结合基于Up-First的STC实现全覆盖，提升了效率与覆盖率。
2023-04-19 cs.RO
TMSTC*: A Turn-minimizing Algorithm For Multi-robot Coverage Path Planning
Guangdong University of Technology（广东工业大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
覆盖路径规划是移动机器人的一个主要应用，它要求机器人沿着规划的路径移动以覆盖整个地图。对于大规模的任务，覆盖路径规划大大受益于多个机器人。在本文中，我们描述了回合最小化多机器人生成树覆盖星（TMSTC*），一个改进的多机器人覆盖路径规划（mCPP）算法的基础上MSTC*。该算法将地图划分为最小的砖块作为树的分支，从而将问题转化为求二部图的最大独立集。实验结果表明，该方法能够减少多机器人的转弯次数，从而比其他算法更快地完成地形覆盖任务.
2022-12-05 cs.RO
End-to-End Framework for Robot Lawnmower Coverage Path Planning using Cellular Decomposition
Honda R&D Co., Ltd.（本田技研控股有限公司）
本文提出一种端到端割草机覆盖路径规划框架，通过AdaptiveDecompositionCPP算法结合细胞分解与自适应合并，将用户边界高效转化为优化GPS路径，并在仿真和实测中验证了覆盖完整性与割草效率。
2025-06-06 cs.AI cs.RO
Interaction-Aware Trajectory Planning for Autonomous Vehicles with Analytic Integration of Neural Networks into Model Predictive Control
Michigan State University（密歇根州立大学）；Honda Research Institute（本田研究院）；Massachusetts Institute of Technology（麻省理工学院）
针对自动驾驶车辆保守规划导致性能下降和交通拥堵的问题，提出将神经网络交互轨迹预测器解析集成进模型预测控制，采用ADMM求解并证明收敛，实证优于基线启发式方法。
2023-03-02 cs.RO cs.SY eess.SY
CauTraj: A Causal-Knowledge-Guided Framework for Lane-Changing Trajectory Planning of Autonomous Vehicles
Chongqing Jiaotong University（重庆交通大学）；Tongji University（同济大学）
CauTraj通过整合因果知识提升自动驾驶车辆车道变换轨迹规划的精度与稳定性。
2025-12-21 cs.AI cs.RO
CAP: A Connectivity-Aware Hierarchical Coverage Path Planning Algorithm for Unknown Environments using Coverage Guidance Graph
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出连通性感知分层覆盖路径规划算法CAP，通过在线增量构建覆盖引导图指导路径规划，在仿真和机器人实验中显著提升了覆盖时间、路径长度和重叠率指标。
2025-03-01 cs.RO
Reinforcement Learning-Based Coverage Path Planning with Implicit Cellular Decomposition
LG Electronics（LG电子）
在一个通用的已知环境中的覆盖路径规划被证明是NP难的。当环境未知时，机器人需要依靠在覆盖过程中建立的在线地图信息进行路径规划，因此设计具有合理性能的启发式或近似算法成为一个重要的研究方向。这样的算法在覆盖区域或覆盖成本方面具有次优性能，例如，覆盖时间或能量消耗。在本文中，我们提供了一个系统的分析的覆盖问题，并制定它作为一个最佳的停止时间的问题，覆盖性能和成本之间的权衡明确占。接下来，我们证明了强化学习（RL）技术可以用来解决计算问题。为此，我们提供了一些技术和实际的考虑，以促进RL算法的应用和提高解决方案的效率。最后，通过在网格世界环境和Gazebo模拟器中的实验，我们证明了基于强化学习的算法能够有效地覆盖真实的未知室内环境，并且性能优于当前的最新技术水平。
2021-10-18 cs.AI cs.LG cs.RO
Model predictive approach to integrated path planning and tracking for autonomous vehicles
National Institute of Informatics（国立信息学研究所）；Hunan University（湖南大学）
在自主应用的路径规划问题中，现有的研究都是将自主车辆的路径规划和轨迹跟踪控制分开考虑，很少将轨迹规划和轨迹控制结合起来。为了填补这一研究空白，本研究提出了一种集成的轨迹规划和轨迹控制方法。本文还研究了考虑静态和动态障碍物的自主避碰问题。仿真结果表明了所提出的控制方法的有效性。
2019-05-09 cs.RO math.DS
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
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
Coverage Path Planning: Classical Foundations, Recent Advances, and Future Directions
College of Information Science and Technology, Jinan University（暨南大学信息科学技术学院）；Department of Electrical and Computer Engineering, University of Connecticut（康涅狄格大学电气与计算机工程系）；Global College, Shanghai Jiao Tong University（上海交通大学密西根学院）；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 Electronics and Information Engineering, Wuyi University（五邑大学电子与信息工程学院）；School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院）
本文全面综述2015至2026年125篇覆盖路径规划（CPP）代表性作品，结合经典方法展示其演变。CPP方法分六类，总结各类规划公式、算法等，分析相关因素对问题的塑造，讨论开放挑战，提供了发展概况与未来研究方向。
2026-07-14 cs.AI cs.RO
Fast-Spanning Ant Colony Optimisation (FaSACO) for Mobile Robot Coverage Path Planning
Manchester Metropolitan University（曼彻斯特城市大学）
覆盖路径规划（CPP）的目标是找到一条覆盖整个给定空间的最优路径。由于NP难的性质，CPP仍然是一个具有挑战性的问题。生物启发的算法，如蚁群优化（ACO）已被用来解决这个问题，因为他们可以利用启发式信息，以减轻路径规划的复杂性。本文提出了快速生成蚁群优化算法（FaSACO），蚂蚁可以以不同的速度探索环境。通过这种机制，具有较高速度的蚂蚁可以更快地找到目的地或障碍物，并且通过在路径上的信息素踪迹传递这些信息来保持较低速度的蚂蚁被告知。这种机制确保找到（次）最优路径，同时减少总体路径规划时间。实验结果表明，FaSACO是$19.3-32.3\%$更有效的CPU时间方面比ACO，并重新覆盖$6.9-12.5\%$更少的细胞比ACO。这使得FaSACO在实时和能源有限的应用中具有吸引力。
2022-06-20 cs.AI cs.RO
Revisiting Boustrophedon Coverage Path Planning as a Generalized Traveling Salesman Problem
Autonomous Systems Lab, ETH Zurich（苏黎世联邦理工学院自主系统实验室）
在本文中，我们提出了一个路径规划器的低空地形覆盖在已知的环境与无人旋翼微型飞行器（MAVs）。机载系统可以通过使用摄像机、探地合成孔径雷达（GPSAR）和金属探测器对疑似危险区域（SHA）进行调查来协助人道主义排雷。大多数可用的覆盖规划器实现的微型飞行器不考虑障碍物，因此不能部署在有障碍的环境中。我们描述了一个开源的框架来执行覆盖规划的多边形飞行走廊的障碍。我们的规划师扩展boustrophedon覆盖规划通过优化不同的扫描组合，以找到最佳的扫描路径，并考虑在过渡飞行期间的障碍细胞之间。我们评估320合成地图上的路径规划，并表明它能够解决现实的规划实例足够快，在现场运行。该规划器实现了14%的路径成本低于传统的覆盖规划器。我们验证了一个真正的平台上，我们显示了低海拔覆盖在一个倾斜的地形与树木的规划。
2019-07-22 cs.RO
Coverage Path Planning using Path Primitive Sampling and Primitive Coverage Graph for Visual Inspection
A*STAR Artificial Intelligence Initiative (A*AI)（新加坡科技研究局人工智能计划（A*AI））；Institute of High Performance Computing（高性能计算研究所）；Carnegie Mellon University（卡内基梅隆大学）
对于无人机视觉检测应用来说，规划路径以收集目标物体的表面信息对于提高效率和降低总体成本至关重要。覆盖路径规划（CPP）的问题往往是制定这些检测应用程序，因为覆盖的要求。传统上，研究人员通常首先规划和优化视点以捕获表面信息，然后优化访问所选视点的路径。在本文中，我们提出了一种新的规划方法，直接采样和规划的检测路径的摄像机配备的无人机，以获取视觉和几何信息的目标结构作为视频流设置在复杂的3D环境。该规划方法首先通过体素膨胀和减法的基础上使用采样方法生成的目标对象周围的通路点和路径基元。然后提出了一种新的基元覆盖图（PCG）编码的拓扑信息，飞行距离和可见性信息，与采样的途经点和路径基元。最后进行图搜索，在PCG中找到结果路径，完成具有覆盖要求的检测任务。通过仿真和现场试验验证了该方法的有效性。
2019-08-08 cs.RO
Predictive Risk Analysis and Safe Trajectory Planning for Intelligent and Connected Vehicles
本文提出一种智能网联汽车的预测风险分析与安全轨迹规划框架，通过局部风险感知算法预测未来轨迹并进行时空离散化风险分析以生成安全轨迹，仿真与实验验证了其有效性与实时性。
2025-06-30 cs.RO
MSTC*:Multi-robot Coverage Path Planning under Physical Constraints
Shanghai Key Laboratory of Trustworthy Computing（上海市可信计算重点实验室）；Engineering Research Center of Software/Hardware Co-design Technology and Application (MoE)（软硬件协同设计技术与应用教育部工程研究中心）；School of Software Engineering, East China Normal University（华东师范大学软件工程学院）
对于大规模的任务，覆盖路径规划（CPP）可以大大受益于多个机器人。提出了一种基于螺旋生成树覆盖的多机器人覆盖路径规划算法MSTC*。我们的算法结合了严格的物理约束，如地形的可通行性和材料的承载能力。我们比较我们的算法对国家的最先进的mCPP规则的网格地图和真实的实地地形在模拟环境中。实验结果表明，我们的方法显着优于现有的螺旋STC为基础的mCPP方法。我们的算法可以为所有机器人找到一组平衡良好的工作负载分布，因此，实现了完成覆盖的总体最短时间。
2021-08-10 cs.RO
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology（FZI 信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出，合作运动规划的方法仍然存在。在本文中，我们提出了一种方法来提高常见的运动规划算法，允许与人类驾驶的车辆合作。与以前的方法不同，我们将其他交通参与者的预测集成到运动规划中，这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此，提出了一种新的成本函数，包含场景中所有相关交通参与者的成本。最后，我们提出了一个路径速度分解采样为基础的实现，我们的方法为选定的情况下，这是在模拟评估。
2017-08-23 cs.MA cs.RO
Trajectory Planning for Connected and Automated Vehicles: Cruising, Lane Changing, and Platooning
自动化和连通性被认为是最有前途的技术之一，可以提高运输系统的安全性、移动性、燃料和时间消耗。联网和自动驾驶车辆（CAV）的一些燃油效率优势可以通过队列行驶来实现。一个排是一列虚拟的CAV训练，它们跟随排长一起行进，彼此之间有很小的间隙。车辆还可以通过改变车道来减少行驶时间。在本文中，我们设计了一个最优控制为基础的轨迹规划模型，可以提供安全和有效的轨迹为主题的车辆，并可以包括排队和换道。我们将此轨迹规划模型嵌入到仿真框架中，以量化其效率优势，因为它与动态交通流中的燃料消耗和行驶时间有关。此外，我们进行了大量的数值实验，以调查是否，以及在何种情况下，在上游的主体车辆的车辆也可能会遇到二手燃料效率的好处。
2020-01-23 cs.RO
Motion Planning for Autonomous Vehicles: When Model Predictive Control Meets Ensemble Kalman Smoothing
Department of Mechanical Engineering, University of Kansas（机械工程系，堪萨斯大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文将基于神经网络车辆模型的NMPC运动规划重构为贝叶斯估计问题，并用序贯集合卡尔曼平滑器求解，显著降低计算成本。
2025-05-10 cs.RO
Robot Coverage Path Planning for General Surfaces Using Quadratic Differentials
Stony Brook University（石溪大学）；Dalian University of Technology（大连理工大学）
机器人覆盖路径规划（即，通过一个或多个机器人提供给定域的完全覆盖）是机器人和运动规划领域中的经典问题。目标是提供几乎完全覆盖，同时尽量减少重复访问的区域。本文主要研究三维空间中一般曲面上的路径规划问题，包括复杂拓扑的平面域、复杂地形和一般曲面。其主要思想是采用一种自然的、内在的、全局的曲面参数化方法来进行机器人路径规划，即全纯二次微分。除了少量的零点（奇点），表面上的每个点都被赋予一个自然由复数表示的uv坐标。我们表明，自然，高效的机器人路径可以通过使用这样的坐标系。该方法是基于内在的几何形状，因此可以适用于一般的表面勘探在3D。
2017-01-26 cs.RO
Multi-UAV Coverage Path Planning for the Inspection of Large and Complex Structures
A*STAR Institute of Information Research (IR)（新加坡科技研究局信息研究所）；A*STAR Institute of High Performance Computing (IHPC)（新加坡科技研究局高性能计算研究所）；A*STAR Initiative for Artificial Intelligence and Analytics (AI)（新加坡科技研究局人工智能与分析计划）；Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）
我们提出了一个多无人机覆盖路径规划（CPP）框架的大规模，复杂的3D结构的检查。在所提出的基于采样的覆盖路径规划方法中，我们将多无人机检测应用归结为多智能体覆盖路径规划问题。将集合覆盖问题（SCP）和车辆路径问题（VRP）这两个NP难问题相结合，提出了一种集合覆盖车辆路径问题（SC-VRP），并采用改进的有偏随机密钥遗传算法（BRKGA）进行求解。我们测试我们提出的方法，几个复杂的3D结构与3D模型从OpenStreetMap中提取。所提出的方法优于以前的方法，通过减少高达48%的计划检查路径的长度
2020-07-26 cs.RO
A Framework for Collision-Tolerant Optimal Trajectory Planning of Autonomous Vehicles
碰撞容限轨迹规划是考虑碰撞，如果规划得当，可以为能够处理碰撞的机器人提供更有效的路径规划。一个混合整数规划（MIP）的优化配方演示了计算的实用性，包括计划的碰撞优化轨迹。提出了一种毁伤量化函数，并通过仿真研究了毁伤函数约束对弹道的影响。使用一个简单的例子，在此模式下实现的性能增加相比，无碰撞的最佳轨迹。
2016-11-23 cs.RO
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University（暨南大学）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）；Wuyi University（五邑大学）；South China University of Technology（华南理工大学）
本文提出TRACE算法，利用分层覆盖树实现未知环境的在线覆盖路径规划，通过局部优化和全局路径引导，显著提升覆盖效率。
2026-09-21 cs.RO
Unmanned Surface Vehicle Path Planning from the Perspective of Multi-Modality Constraints: A Comprehensive Analysis
Wuhan University of Technology（武汉理工大学）；Delft University of Technology（代尔夫特理工大学）
本文从多模态约束视角系统梳理无人水面艇路径规划，将其分为航线、轨迹和运动规划三个阶段，综述各阶段方法与经典算法，并指出存在问题与未来研究方向。
2025-03-09 cs.RO
Results of the 2023 CommonRoad Motion Planning Competition for Autonomous Vehicles
Université Paris Cité（巴黎大学）；Technische Universität München（慕尼黑工业大学）
基于CommonRoad基准套件举办自动驾驶运动规划竞赛，评估各方法在效率、安全、舒适及交通规则遵守方面的表现，并总结主要结果。
2024-11-10 cs.RO
A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles
Massachusetts Institute of Technology（麻省理工学院）；CTU in Prague（布拉格捷克理工大学）
自动驾驶汽车是一项成熟的技术，有可能通过提高汽车运输的安全性、可达性、效率和便利性来重塑移动性。自动驾驶车辆必须执行的安全关键任务包括通过与其他车辆和行人共享的动态环境规划运动，以及通过反馈控制进行鲁棒执行。本文的目的是调查的规划和控制算法，特别是关于城市设置的当前状态的艺术。选择建议的技术进行审查，以及讨论其有效性。所调查的方法在所使用的车辆机动性模型、对环境结构的假设以及计算要求方面有所不同。本调查中提供的并排比较有助于深入了解所审查方法的优势和局限性，并有助于系统级设计选择。
2016-04-25 cs.RO
Potential Field-based Path Planning with Interactive Speed Optimization for Autonomous Vehicles
The University of Tokyo（东京大学）
针对现有势场路径规划未考虑自车势场对障碍车辆影响的问题，提出基于V2V共享局部路径的交互式速度优化势场规划方法，可提升双方行驶安全舒适性并减少振荡。
2023-06-12 cs.RO
Optimization-based Safe Trajectory Planning for Autonomous Ground Vehicle in Multi-Floor Scenarios
Beijing Institute of Technology（北京理工大学）；Tsinghua University（清华大学）
提出一种针对多楼层场景的轨迹规划框架，包括基于广义Voronoi图和多目标算法的任务规划模块，以及采用优化方法和热启动分层规划生成高质量轨迹的轨迹规划模块，并通过仿真验证可行性。
2026-06-24 cs.RO
