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
Online Risk-Bounded Motion Planning for Autonomous Vehicles in Dynamic Environments
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
本文提出了一种在线风险受限的运动规划方法，通过结合意图识别算法和POMDP求解器，生成安全高效的路径规划方案，尤其在无保护左转和变道等复杂环境中表现更优。
2019-04-04 cs.AI cs.RO cs.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
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
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
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
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
Sharable Clothoid-based Continuous Motion Planning for Connected Automated Vehicles
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
针对互联自动驾驶车辆实时生成可行轨迹的需求，提出基于三段连续回旋线的运动规划方法，兼具可解释性、可共享性与边界条件适配性，可通过V2X共享参数实现轨迹重建，适配多种驾驶场景。
2023-12-18 cs.RO cs.SY eess.SY
Sampling-Based Nonlinear MPC of Neural Network Dynamics with Application to Autonomous Vehicle Motion Planning
University of Kansas（堪萨斯大学）；Washington University（华盛顿大学）
机器学习模型的控制已经成为广泛的机器人应用的重要范例。本文提出了一种基于采样的非线性模型预测控制（NMPC）方法，用于控制神经网络动力学。我们展示了它的设计在两个部分：1）制定传统的基于优化的NMPC作为贝叶斯状态估计问题，和2）使用粒子滤波/平滑来实现的估计。通过一个原则性的基于采样的实现，这种方法可以潜在地在控制动作空间中进行有效的搜索以获得最优控制，并且还有助于克服由神经网络动力学引起的挑战的计算。我们将所提出的NMPC方法应用于自动驾驶车辆的运动规划。具体问题考虑非线性未知车辆动力学建模为神经网络以及动态道路驾驶的情况。该方法在成功的运动规划的案例研究中显示出显着的有效性。
2022-05-09 cs.RO cs.SY eess.SY
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
Risk-aware Vehicle Motion Planning Using Bayesian LSTM-Based Model Predictive Control
Rutgers University – New Brunswick（罗格斯大学新布朗斯维克分校）
了解概率交通环境是自动驾驶车辆运动规划的一个重要挑战。为了做出可行的控制决策，预测相邻车辆的未来轨迹对于智能车辆评估潜在冲突并做出反应以降低风险至关重要。本文首先介绍了贝叶斯长短期记忆（BLSTM）模型，以学习人类驾驶员的行为和习惯，从他们的历史轨迹数据。该模型预测周围车辆位置的概率分布，用于估计动态冲突风险。接下来，建立一个混合自动机来模拟汽车的基本运动，并根据环境信息评估实时状态空间转换的冲突风险。最后，基于BLSTM的模型预测控制（MPC）的建立，以最小的预测冲突风险的安全路径导航车辆。通过将BLSTM与MPC相结合，所设计的基于神经网络的MPC克服了传统MPC难以对不确定冲突风险建模的缺陷。仿真结果表明，我们提出的基于BLSTM的MPC性能优于人类驾驶员，因为它可以预见潜在的冲突，并采取行动，以避免他们。
2023-01-15 cs.RO cs.SY eess.SY
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
Energy-Aware Predictive Motion Planning for Autonomous Vehicles Using a Hybrid Zonotope Constraint Representation
The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出一种基于MPC的无人飞行器耦合运动与能量规划策略，利用约束和混合zonotope表示约束，并在混合整数二次规划求解器中实现实时规划。
2024-11-15 cs.RO cs.SY eess.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
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
Nonlinear Model Predictive Control-Based Reverse Path-Planning and Path-Tracking Control of a Vehicle with Trailer System
Automated Driving Lab, Ohio State University（俄亥俄州立大学自动驾驶实验室）；HATCI（现代汽车美国技术中心）
针对带挂车车辆倒车泊车难度大的问题，提出基于NMPC的自动化方案，仅以挂车为独立对象做规划跟踪再通过逆运动学传递控制至牵引车，可加前向调整阶段，经仿真与硬件在环测试验证有效。
2025-09-01 cs.RO cs.SY eess.SY
Information-driven Path Planning for Hybrid Aerial Underwater Vehicles
Shanghai Jiao Tong University（上海交通大学）
提出了一种新的快速探索自适应采样树（RAST）算法，用于海气三维环境下混合式航空水下航行器（HAUV）的自适应采样任务。该算法创新性地结合了基于竞赛的选点采样策略、信息启发式搜索过程和快速探索随机树（RRT）算法框架。因此，可以引导车辆到感兴趣的区域的科学家进行采样，并生成一个无碰撞的路径，最大限度地收集信息的HAUV的海流或风的环境影响和有限的预算的约束下。仿真结果表明，快速搜索自适应采样树算法比快速探索信息收集树（RIGT）算法和粒子群优化（PSO）算法具有更高的寻优性能、更快的求解速度和更好的稳定性。
2022-04-08 cs.RO cs.SY eess.SY
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
A Reinforcement Learning Approach to Jointly Adapt Vehicular Communications and Planning for Optimized Driving
IIIT-Delhi（印度德里印度理工学院）
本文提出一种强化学习方法，用于联合优化自动驾驶车辆的通信与运动规划，通过模拟验证了该方法在提升驾驶效益方面的有效性。
2018-07-10 cs.NI cs.RO cs.SY
Search-Based Motion Planning for Performance Autonomous Driving
Virtual Vehicle Research Center（虚拟车辆研究中心）；University of Pavia（帕维亚大学）；Graz University of Technology（格拉茨工业大学）
本文提出一种基于搜索的运动规划方法，在考虑非线性车辆动力学和状态输入约束下生成参考轨迹，以实现湿滑路面上的最短单圈时间。
2019-07-18 cs.RO cs.SY eess.SY
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
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
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
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
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
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
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
Results of the 2024 CommonRoad Motion Planning Competition for Autonomous Vehicles
Technical University of Munich（慕尼黑技术大学）；RWTH Aachen（亚琛工业大学）；Harbin Institute of Technology（哈尔滨工业大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
2024年CommonRoad运动规划竞赛评估了自动驾驶车辆在高速公路和城市环境中的运动规划算法性能，通过四个维度比较了多种高性能规划器。
2025-12-22 cs.AI 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
Autonomous Vehicle Parking in Dynamic Environments: An Integrated System with Prediction and Motion Planning
University of California, Berkeley（加州大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文提出了一种集成的运动规划系统的自主车辆（AV）停车在其他移动车辆的存在。拟议的系统包括1）预测周围车辆运动的混合环境预测器和2）对预测做出反应的战略运动规划器。混合环境预测器通过扩展卡尔曼滤波器和自适应观测器进行短期预测。它还将短期预测与驾驶员行为成本图相结合，以进行长期预测。该策略运动规划器包括：1）基于模型预测控制的安全控制器，用于轨迹跟踪; 2）基于搜索的撤退规划器，用于在紧急情况下寻找规避路径; 3）基于优化的修复规划器，用于在原始路径无效时规划新路径。仿真验证表明，所提出的方法在初始规划，运动预测，安全跟踪，在紧急情况下撤退，和轨迹修复方面的有效性。
2022-04-26 cs.RO
Motion Planning for Multirotor Aerial Vehicles in Plan-based Control Paradigm: a Review
Innopolis University（Innopolis大学）
通常，最佳运动规划可以局部地和全局地执行。在这种规划中，选择局部规划技术还是全局规划技术主要取决于环境条件是动态的还是静态的。因此，最适当的选择是使用局部规划或局部规划与全局规划。在设计局部和全局最优运动规划时，要记住的关键指标是执行时间、渐近最优性和对动态障碍物的快速反应。这样的规划方法与诸如路径规划之后进行平滑的其他方法相比可以更有效地解决上述目标度量。因此，本研究的首要目标是分析相关文献，以了解如何制定的运动规划，特别是轨迹规划，问题时，被应用于实时生成最佳轨迹的多旋翼飞行器（MAVs），影响所列指标。作为研究的结果，轨迹规划问题被分解为一组子问题，并确定和详细描述了解决每个问题的方法列表。随后，对2010年至2022年期间最突出的成果进行了总结，并以时间轴的形式进行了介绍。
2023-01-30 cs.RO
Search-Based Autonomous Vehicle Motion Planning Using Game Theory
Mechanical and Mechatronics Eng. Department, University of Waterloo（滑铁卢大学机械与机电工程系）
本文提出一种基于博弈论的搜索式自动驾驶车辆运动规划方法，将其他道路使用者视为智能体而非静态障碍物，以生成更真实的路径，并通过 WATonoBus 实验验证其性能与实时性。
2025-07-20 cs.GT cs.RO
Real Time Motion Planning Using Constrained Iterative Linear Quadratic Regulator for On-Road Self-Driving
Tencent Technology (Beijing) Company Limited（腾讯科技（北京）有限公司）
避免碰撞是人们在开发自动驾驶技术时需要考虑的最具挑战性的任务之一。在本文中，我们提出了一种新的时空运动规划算法，有效地解决了约束非线性最优控制问题，使用迭代线性二次型调节器（iLQR），该方法考虑了交通车辆的不确定驾驶行为，并将自动驾驶车辆之间的碰撞风险降至最低，（称为“自我”车辆）和交通车辆之间的距离，使得自我车辆能够与所有周围车辆保持足够大的距离，以实现交通中期望的防撞操纵。为此，我们引入了“碰撞多边形”的概念，用于计算自我车辆和交通车辆之间的最小距离，并提供了两种不同的解决方案，设计的运动规划问题的约束条件，通过适当建模的交通车辆的行为，以评估碰撞风险。最后，利用仿真器和3级自动驾驶测试平台，对iLQR运动规划算法在多个实时避碰任务中进行了验证。
2022-02-17 cs.RO math.OC
A Human-Centric Method for Generating Causal Explanations in Natural Language for Autonomous Vehicle Motion Planning
University of Edinburgh（爱丁堡大学）；Five AI Ltd.（Five AI有限公司）
难以理解的人工智能系统很难信任，特别是如果它们在自动驾驶等安全关键环境中运行。因此，有必要建立透明和可查询的系统，以提高信任水平。我们提出了一个透明的，以人为中心的解释生成方法，自主车辆运动规划和预测的基础上，现有的白盒系统称为IGP 2。我们的方法将贝叶斯网络与上下文无关的生成规则相结合，可以为自动驾驶汽车的高级驾驶行为提供因果自然语言解释。对模拟场景的初步测试表明，我们的方法捕捉到了自动驾驶汽车行为背后的原因，并生成了复杂程度不同的解释。
2022-06-27 cs.RO
On Salience-Sensitive Sign Classification in Autonomous Vehicle Path Planning: Experimental Explorations with a Novel Dataset
University of California, San Diego（加州大学圣地亚哥分校）
自动驾驶中的安全路径规划是一项复杂的任务，由于静态场景元素和不确定的周围代理的相互作用。虽然所有静态场景元素都是信息源，但自我车辆可用的信息具有不对称的重要性。我们提出了一个数据集与一个新的功能，标志的显着性，定义为指示是否有明显的信息，自我车辆的目标，关于交通法规的标志。在裁剪标志上使用卷积网络，结合道路类型、图像坐标和计划机动的实验增强，我们以76%的准确率预测标志的显著性，使用标志图像的车辆机动信息找到最佳改进。
2021-12-02 cs.CV cs.RO
Planning by Simulation: Motion Planning with Learning-based Parallel Scenario Prediction for Autonomous Driving
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学与计算机科学学院）；Department of Electrical Engineering, Wright State University（威斯汀大学电气工程系）
本文提出一种基于学习的并行场景预测方法，用于自动驾驶中的运动规划，通过模拟可能场景并计算成本，平衡和剪枝不合理动作，提升安全性和规划效率。
2024-11-15 cs.RO
A Self-Supervised Learning Approach to Rapid Path Planning for Car-Like Vehicles Maneuvering in Urban Environment
Institute of Robotics and Machine Intelligence（机器人与机器智能研究所）；Poznan University of Technology（波兹南理工大学）
一个有效的路径规划器的自动汽车类车辆应该处理强大的运动学约束，特别是在有限的空间，而在城市交通中机动时经常遇到的，并应能够快速规划，因为城市交通场景是高度动态的。最先进的规划算法以高计算成本处理这种困难的情况，通常会产生不确定的结果。然而，利用在相同或相似环境中获得的过去规划经验，可以快速生成可行的局部路径。虽然通过监督训练的学习对于真实的交通场景是有问题的，但本文引入了一种新的基于神经网络的路径规划方法，该方法采用基于梯度的自监督学习算法来预测可行路径。这种方法充分利用了以往的经验，并迅速产生可行的机动计划，汽车类车辆有限的转向角。这种方法的有效性已被计算实验所证实。
2020-03-02 cs.LG cs.RO
Multi-Vehicle Trajectory Planning at V2I-enabled Intersections based on Correlated Equilibrium
Tongji University（同济大学）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）；National Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统全国重点实验室）；Frontiers Science Center for Intelligent Autonomous Systems, Ministry of Education（教育部智能自主系统前沿科学中心）
本文提出一种基于相关均衡的V2I交叉口多车轨迹规划框架，通过交叉口管理器优化轨迹推荐概率分布，在保证安全一致均衡的同时提升通行效率。
2024-06-08 cs.RO
Adaptive speed planning for Unmanned Vehicle Based on Deep Reinforcement Learning
Northeastern University（东北大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Columbia University（哥伦比亚大学）
本文提出基于DQN和DDQN的无人车辆局部导航系统，通过改进奖励函数和障碍物角度判定方法，解决了接近障碍物时频繁减速的问题，实现了更稳定高效的自适应速度与路径规划。
2024-04-26 cs.RO
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs)
Center for Technologies in Robotics and Mechatronics Components, Innopolis University（英诺波利斯大学机器人与机电一体化组件技术中心）
我们探索路径规划其次是运动动力学平滑，同时确保车辆动力学的可行性微型飞行器。为此，我们选择了基于几何的运动规划技术\textquotedblleft RRT* \textquotedblright \;。在所提出的技术中，我们修改了原始RRT* 引入自适应搜索空间和转向功能，这有助于增加规划器的一致性。此外，我们提出了多个RRT*，它产生一组所需的路径，提供了最佳的路径是其中选择。然后，应用运动动力学平滑技术，得到动态可行的无障碍路径，并利用b样条曲线生成未知环境下的自主机动轨迹。最后，我们在各种模拟环境中测试了所提出的技术。
2020-08-29 cs.CV cs.RO math.OC
Opportunities to Parallelize Path Planning Algorithms for Autonomous Underwater Vehicles
本文讨论了在时变环境中并行化基于图的路径规划算法的机会。并行架构已经变得普遍，需要算法被并行化以实现高效执行。本文的另一个重点是包括不准确的路径规划的预测误差方差，准确性的计算成本函数和不同的观察到的车辆速度在实际任务比计划的结果。在此背景下，将描述鲁棒路径规划算法。这些算法同样适用于陆基、空中或水下移动自主系统。这里提出的结果为未来的研究项目提供了基础，在该项目中，并行算法将在多核和多核系统上进行评估，如双核ARM Panda板和48核单芯片云计算机（SCC）。现代多核和多核处理器支持广泛的性能与能源权衡，可用于能源受限的环境，如电池供电的自主水下航行器。为了进行评估，这些板将部署在斯洛克姆滑翔机内，斯洛克姆滑翔机是一种商用浮力驱动的自主水下航行器（AUV）。
2017-02-26 cs.RO
Learning-based Near-optimal Motion Planning for Intelligent Vehicles with Uncertain Dynamics
National University of Defense Technology（国防科技大学）；Hunan University（湖南大学）
本文提出GP-SKRL算法，结合稀疏高斯过程回归与稀疏核策略迭代，在不确定动力学下实现智能车辆在线自适应近最优运动规划，并通过仿真与实车实验验证其优越性。
2023-08-09 cs.RO
On-Road Motion Planning for Automated Vehicles at Ulm University
University of Ulm（乌尔姆大学）
乌尔姆大学的测量、控制和微技术研究所研究先进的驾驶辅助系统已有数十年，主要集中在自动驾驶方面。众所周知，运动规划是自动驾驶的关键技术。它首先负责车辆乘客以及周围所有交通参与者的安全。然而，进一步的任务在于提供平稳和舒适的驾驶行为。在乌尔姆，我们有机会在公共交通和各种场景的真实条件下测试我们的算法。在本文中，我们希望让读者了解我们的工作，关于车辆，测试轨道，以及相关的问题，挑战和解决方案。因此，我们将描述运动规划系统并解释所实现的功能。此外，我们将展示我们的车辆如何在公共道路交通中行驶，以及如何应对具有挑战性的场景，例如驾驶通过环形交叉口和十字路口。
2021-06-02 cs.RO
