Experimental Comparison of Global Motion Planning Algorithms for Wheeled Mobile Robots
University of Southern California（南加利福尼亚大学）；Robert Bosch GmbH（罗伯特·博世股份有限公司）
规划轮式移动机器人的平稳和节能运动是从自动驾驶到服务和内部物流机器人应用的中心任务。在过去的几十年里，针对此类非完整系统提出了各种各样的运动规划器、转向函数和路径改进技术。为了比较各种最先进的运动规划技术，我们为轮式移动机器人引入了一种新的开源运动规划基准，其场景类似于现实世界的应用程序（如导航仓库，在混乱的城市或停车），并提出了规划效率和路径质量的指标。我们的基准易于使用和扩展，因此允许从业者和研究人员轻松评估新的运动规划算法，场景和指标。我们使用我们的基准来突出几个常见的最先进的运动规划器的优点和缺点，并提供何时应该使用它们的建议。
2020-03-07 cs.AI cs.RO
Path planning for Robotic Mobile Fulfillment Systems
University of Paderborn（帕德博恩大学）；Leuphana University of Lüneburg（吕讷堡莱法纳大学）
本文提出了一个收集的路径规划算法的实时移动的多个机器人在机器人移动履行系统（RMFS）。机器人被指派将存储单元移动到工作站的拣选员，而不是要求拣选员去存储区域。路径规划算法的目标是为机器人找到路径，以满足没有冲突或死锁的请求。最先进的路径规划算法，包括WHCA*，FAR，BCP，OD&ID和CBS，经过调整以适应RMFS中的路径规划，并集成在仿真工具中，以引导机器人在存储和检索过程中从起点到目的地。在模拟研究中考虑了十种不同的布局，其中包括各种数量的机器人，楼层，吊舱，车站和存储区域的大小。性能指标的吞吐量，路径长度和搜索时间进行了监测。仿真结果表明，最好的算法的基础上，每个性能指标。
2018-11-19 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
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology（宁波工程学院）
随着机器人技术和人工智能领域的发展不断深入，路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状，重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究，并给出了一些求解方法。
2014-01-07 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
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
Reinforcement learning based local path planning for mobile robot
Kahramanmaraş İstiklal University（卡赫拉曼马拉什独立大学）；Kahramanmaraş Sütçüimam University（卡赫拉曼马拉什苏楚伊玛姆大学）
本研究评估基于深度Q-Learning（DQN）和深度DQN的强化学习方法，用于移动机器人在线局部路径规划，以解决离线重规划与在线数据需求问题，实现避障导航。
2023-10-24 cs.AI cs.RO
Acting and Planning with Hierarchical Operational Models on a Mobile Robot: A Study with RAE+UPOM
German Research Center for Artificial Intelligence (DFKI),Cooperative and Autonomous Systems（德国人工智能研究中心（DFKI））；Osnabrück University（奥斯纳布鲁克大学）；University of Maryland（马里兰大学）；LAAS-CNRS（拉劳斯-CNRS）；Fondazione Bruno Kessler (FBK-ICT)（布鲁诺·克瑟基金会（FBK-ICT））
本文首次物理部署了集成执行器-规划器系统 RAE+UPOM，共享分层操作模型进行执行与规划，在移动机械臂物体收集任务中验证了其在动作失败和传感器噪声下的稳健性。
2025-07-15 cs.AI cs.RO
Planning Optimal Trajectories for Mobile Manipulators under End-effector Trajectory Continuity Constraint
Singapore Centre for 3D Printing (SC3DP)（新加坡3D打印中心）；Nanyang Technological University (NTU)（南洋理工大学）；Eureka Robotics（尤里卡机器人公司）
针对移动操作臂运动规划中因基座冗余带来的挑战，提出将末端执行器轨迹连续性约束下的规划问题解耦为最优基座轨迹规划与操作臂轨迹求解的方法，并通过硬件实验和仿真验证了其在移动打印任务中的有效性。
2024-03-06 cs.RO
Stability Constrained Mobile Manipulation Planning on Rough Terrain
McGill University（麦吉尔大学）
本文提出了一个框架，允许在线动态稳定性约束的最优轨迹规划的移动机械手机器人工作在崎岖的地形。首先，移动机械臂机器人的运动学模型，和零力矩点（ZMP）稳定性措施作为理论背景。然后，提出了一种基于采样的准静态规划算法，并给出了数学证明。机器人的准静态路径，然后作为一个初始的猜测，热启动非线性最优控制求解器，否则可能有困难找到一个解决方案的稳定性约束的制定有效。该框架的性能和计算效率的证明，通过一个模拟的木材采伐移动机械手机器工作在不同的地形。仿真结果验证了在满足动稳定性约束的情况下，对变地形进行在线轨迹规划的可行性。
2021-05-10 cs.AI cs.RO cs.SY
Cooperative and Asynchronous Transformer-based Mission Planning for Heterogeneous Teams of Mobile Robots
McMaster University（麦克马斯特大学）
针对异构移动机器人团队在通信受限、资源有限下的协作规划难题，提出基于MARL与AMAT架构的CATMiP框架及CMacDec-POMDP模型，采用异步集中训练分布式执行方案，实验验证其在效率、可扩展性与抗干扰性上更具优势。
2025-07-31 cs.AI cs.RO
Dynamic Planning for Sequential Whole-body Mobile Manipulation
针对现有移动操作动态规划方法的局限性，研究提出融合在线任务规划、VKC全身运动规划与反应式MPC的一体化框架，经仿真与真实实验验证可在含人为干扰的动态场景下高效完成序列移动操作任务。
2024-06-21 cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）
在人口密集的动态环境中，机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地，移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑，分为全局路径规划和局部路径规划。在此框架内，路径规划方法的最新进展，在文件中，同时检查他们的优点和缺点。值得注意的是，最近开发的速度障碍法及其变种，作为当地的规划者进行了全面的分析。此外，作为当前机器人应用中广泛使用的无模型方法，本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Task Planning for Mobile Manipulation in Retail Stores using Foundation Models with Iterative Re-planning
TCS Research, Tata Consultancy Services Ltd.（塔塔咨询服务公司TCS研究院）
研究零售场景补货问题，利用大语言模型和视觉语言模型，结合定制移动操作平台、用户驱动提示及反馈迭代重新规划方法纠错，在模拟环境验证端到端系统，为零售自动化提供了新的任务规划方案。
2026-07-14 cs.RO
Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization
运动规划是机器人技术中的一个关键环节，它使机器人能够自主导航。粒子群优化算法是一种简单但功能强大的优化技术，已被有效地应用于许多复杂的多维优化问题。提出了一种基于粒子群优化的路径规划算法，用于计算移动机器人在静态凸障碍物环境中的最短无碰撞路径。该算法通过对机器人起始位置和目标位置之间生成的网格线进行随机采样来找到最优路径。所提出的算法的功能说明通过不同的情况下的仿真结果。
2020-08-23 cs.RO
OctoPath: An OcTree Based Self-Supervised Learning Approach to Local Trajectory Planning for Mobile Robots
Transilvania University of Brasov（布拉索夫特兰西瓦尼亚大学）；Elektrobit Automotive（Elektrobit 汽车公司）
自主移动机器人在复杂环境中行驶时，通常会面临各种挑战。也就是说，他们必须识别静态和动态障碍物，规划驾驶路径并执行其运动。为了解决感知和路径规划的问题，在本文中，我们引入了一种编码器-解码器深度神经网络，它以自我监督的方式训练，以预测自我车辆的局部最优轨迹。使用由3D八叉树环境模型提供的离散化，我们的方法将轨迹预测重新表述为具有可配置分辨率的分类问题。在训练过程中，RIPPath最大限度地减少了给定训练数据集中预测轨迹和手动驱动轨迹之间的误差。这使我们能够避免基于回归的轨迹估计的陷阱，其中存在用于输出轨迹点的无限状态空间。使用40通道机械LiDAR传感器进行环境感知，与惯性测量单元和车轮里程计融合，用于状态估计。使用我们自己开发的GridSim模拟器和RovisLab的自主移动测试单元平台，在模拟和现实生活中进行实验。我们评估了在不同的驾驶场景中，室内和室外，同时基准测试我们的系统对基准混合A-Star算法和基于回归的监督学习方法，以及对基于CNN学习的最佳路径规划方法的预测。
2021-06-02 cs.AI cs.RO
Efficient Kinematic Planning for Mobile Manipulators with Non-holonomic Constraints Using Optimal Control
ETH Zürich（苏黎世联邦理工学院）
研究了具有非完整约束和完整操作空间跟踪约束的移动机械臂运动学轨迹规划问题。通过求解约束序列线性二次型最优控制问题，得到了系统的整体轨迹和时变运动反馈控制器。所采用的算法具有高效率，通过一个连续的时间制定，受益于自适应步长积分器和通过线性复杂度的积分步骤的数量。在第一个应用程序的例子中，我们解决了26自由度轮式机器人的运动轨迹规划问题。在第二个例子中，我们将约束SLQ应用到现实世界中的移动机械手在滚动时域最优控制的方式，在那里我们获得最优的控制器和计划的速率高达100 Hz。
2018-01-16 cs.RO
Deep Reinforcement Learning for Mobile Robot Path Planning
Northeastern University（东北大学）；University of Michigan（密歇根大学）；University of Washington（华盛顿大学）
针对移动机器人路径规划问题，本文设计含奖励函数与参数优化的DRL算法，并结合双向搜索混合A*算法，在嵌入式机器人平台上实现更优规划且占用更少计算资源。
2024-04-10 cs.RO
S-Nav: Semantic-Geometric Planning for Mobile Robots
University of Luxembourg（卢森堡大学）
本文提出S-Nav语义-几何路径规划器，通过在传统几何规划之上引入基于S-Graphs的语义搜索和精确地图重建，提升移动机器人在复杂室内环境中的规划速度、鲁棒性与路径质量。
2023-07-04 cs.RO
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science（莫迪理工学院）；PEC University of Technology（旁遮普工程学院大学）
本文介绍了电子设计和运动规划的机器人决策的基础上，关于它的直线运动和精确转弯的人工神经网络（ANN）。人工神经网络有助于机器人的学习，使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
Generating and Optimizing Topologically Distinct Guesses for Mobile Manipulator Path Planning with Path Constraints
Division of Decision and Control Systems, School of EECS, Royal Institute of Technology (KTH)（决策与控制系统系，电子工程与科学学院，皇家理工学院（KTH））
针对移动机械臂在路径约束下易陷入局部最优的问题，提出先发现多条同伦不同路径再分别优化的流程，以接近全局最优解。
2025-10-08 cs.RO
Motion Planning for Multi-Mobile-Manipulator Payload Transport Systems
IIIT Hyderabad（国际信息技术研究所海得拉巴分校）；University of Genoa（热那亚大学）；University of Tübingen（图宾根大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；IIT Jodhpur（焦特布尔印度理工学院）
提出了一种空间有效载荷协同操作的运动学运动规划算法。介绍了一种层次化的方法来计算实时无碰撞的移动机械臂机器人形成的运动计划。首先，在规划范围内识别可变形2-D虚拟限界框的无碰撞配置，以定义整个系统的凸工作空间。然后，计算其投影位于定义的凸工作空间内的3-D有效载荷配置。最后，一个凸分散模型预测控制器制定规划无碰撞轨迹的移动机械手形成。这种方法有利于系统的实时运动规划，并且在机器人的数量上是可扩展的。该算法在模拟的动态环境中进行了验证。模拟视频：https://youtu.be/9EKj7RwRs_4。
2019-03-18 cs.RO
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University（东南大学）；Tongji University（同济大学）
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加，经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展，基于深度强化学习（Deep Reinforcement Learning，DRL）的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的，并且不依赖于先前的结构化地图。最重要的是，基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中，我们提供了一个系统的审查各种运动规划方法。首先，我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果，并分析了它们的性能特点。随后，我们集中总结了基于RL的运动规划方法，包括运动规划器结合RL的改进，基于地图的RL运动规划器，和多机器人协作规划方法。最后，我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战，回顾了一些最先进的工作，这些问题，并提出了未来的研究建议。
2022-02-23 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
Path Planning of an Autonomous Mobile Robot in a Dynamic Environment using Modified Bat Swarm Optimization
University of Baghdad（巴格达大学）；Bahria University（巴里亚大学）
针对动态环境下的移动机器人导航问题，提出了一种改进的蝙蝠算法（BA）。这项工作的主要目标是获得无碰撞，最短，最安全的路径之间的起点和终点假设一个动态的环境中移动的障碍。本文对标准BA算法的频率参数提出了一种新的修正，即修正频率蝙蝠算法（MFBA）。在动态环境中的移动机器人的路径规划问题进行了使用建议MFBA。路径规划是在两种模式下实现的;第一种模式被称为路径生成，并使用MFBA实现，当移动机器人附近没有障碍物存在时，启用此模式。当检测到接近移动机器人的障碍物时，启动避障（OA）。通过仿真实验，与标准BA算法进行了性能比较，验证了基于MFBA的路径规划算法的有效性和效率。仿真结果表明，MFBA规划出的无碰撞路径比标准BA规划出的路径更短、更安全、更平滑。
2019-07-09 cs.RO
Orientation-Aware Planning for Parallel Task Execution of Omni-Directional Mobile Robot
Beijing Institute of Technology（北京理工大学）；Delft University of Technology（代尔夫特理工大学）；University of California, Berkeley（加州大学伯克利分校）
全方位移动机器人（OMR）系统以其优异的机动性和灵活性，在学术界和工业界都得到了广泛的应用。然而，它们的潜力尚未得到充分利用，OMR中额外的自由度可能使机器人能够执行额外的任务。例如，机器人上的万向节或传感器可能会受到有限的视野或受到固有机械设计的限制，这将要求底盘能够感知方位并及时做出响应。为了解决这一问题，进一步发展的OMR系统，在本文中，我们将OMR底盘相关的任务分为方向转换任务和位置转换任务，其中这两个任务可以同时进行。通过将并行任务目标集成到一个规划问题中，提出了一种面向OMR系统的方向感知规划体系结构，以统一高效的方式执行方向转换和位置转换。提出了一种改进的轨迹优化方法--方位感知时间弹性带（OATEB），用于生成满足两种任务要求的轨迹。在二维模拟环境和真实场景中进行了实验。在一个四轮OMR上进行了真实场景实验，实验结果表明该方法能够同时执行并行任务，适用于真实场景。
2021-08-02 cs.AI cs.RO
Optimization of dynamic mobile robot path planning based on evolutionary methods
Sharif University of Technology（谢里夫理工大学）
本文提出了一种用于动态移动机器人路径规划的进化优化方法。动态移动路径规划的目标是在各种障碍物存在的情况下，找到一条从起点到目标点的最优可行路径，并保证路径的平滑性和安全性，采用模式搜索（PS）算法、遗传算法（GA）和粒子群优化（PSO）算法，为移动机器人找到一条到达目标点的最优路径，并避免障碍物的影响。为了显示所提出的方法的成功，首先，他们被应用到两个不同的路径与动态环境中的障碍。结果表明，在初始环境和改进环境下，PSO算法收敛性好，最小化目标函数的能力优于其他算法，而PS算法的时间比其他算法短。第二条测试路径是在z型环境下进行的，我们在上面比较了上述算法，同样是在这个环境下，重复了同样的结果。
2019-02-09 cs.RO
Mind and Motion Aligned: A Joint Evaluation IsaacSim Benchmark for Task Planning and Low-Level Policies in Mobile Manipulation
AIRI；Moscow Institute of Physics and Technology (MIPT)（莫斯科物理技术学院）；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Sberbank, Robotics Center（Sberbank机器人中心）；Skoltech
本文提出 Kitchen-R 基准，在 Isaac Sim 数字孪生厨房环境中统一评估任务规划与底层控制，并提供视觉语言模型规划、扩散策略控制及轨迹采集系统，支持独立与集成评估，弥补具身 AI 中语言引导机器人整体评测的空白。
2025-08-21 cs.AI cs.RO
Prioritized Planning Algorithms for Trajectory Coordination of Multiple Mobile Robots
自主多机器人系统的一个重要性能是防止机器人之间的碰撞。解决这个问题的一种方法是规划无冲突的轨迹，并让每个机器人遵循其预先规划的轨迹。多机器人轨迹规划的一种实用方法是优先规划法，该方法在实践中已被证明是有效的，但在一般情况下是不完整的。通过优先规划可证明可解决的实例的正式分析仍然缺失。此外，优先规划是集中式算法，这在许多情况下可能是不期望的。在本文中，我们a）提出了一个修订版本的优先规划和特征的类的实例，可证明可解决的算法和b）提出了一个异步分散的优先规划的变体，它保持了集中式版本的理想属性，并在同一时间利用分布式计算能力的个人机器人，这在大多数情况下，允许找到关节轨迹更快。在真实室内地图上进行的实验评估表明，a）优先规划的修订版本可靠地解决了经典优先规划和流行的反应式技术ORCA失败的广泛类别的实例，b）异步分散算法提供的解决方案比以前提出的同步分散算法更快。
2014-09-08 cs.AI cs.MA cs.RO
Motion Planning and Control for Mobile Robot Navigation Using Machine Learning: a Survey
Army Research Laboratory（陆军研究实验室）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能研究院）
在复杂环境中移动是智能移动机器人的基本能力。数十年的研究和工程一直致力于开发复杂的导航系统，以将移动机器人从一个点移动到另一个点。尽管它们总体上取得了成功，但最近出现的一个研究方向是致力于开发机器学习技术来解决同样的问题，这在很大程度上是基于深度学习的成功。然而，到目前为止，还没有太多的古典和新兴范式之间的直接比较，这个问题。在这篇文章中，我们调查最近的作品，适用于机器学习的运动规划和控制移动机器人导航，经典的导航系统的背景下。所调查的作品被分为不同的类别，这些类别描述了学习方法与经典方法的关系。基于这种分类，我们确定了共同的挑战和有前途的未来方向。
2022-02-26 cs.RO
Symbolic State Space Optimization for Long Horizon Mobile Manipulation Planning
The State University of New York at Binghamton（纽约州立大学宾汉姆顿分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）
针对长时程移动操作中任务级状态空间构建困难的问题，提出S3O方法计算抽象位置及其2D几何锚定以生成任务-运动规划，在仿真和真实机器人实验中均优于现有TAMP基准。
2023-07-21 cs.RO
An Enhanced RRT based Algorithm for Dynamic Path Planning and Energy Management of a Mobile Robot
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出一种增强RRT算法，通过持续生成到充电站的路径并结合能量需求判断充电时机，利用先前树信息优化后续路径，实现移动机器人动态路径规划与电池能量管理。
2023-10-31 cs.RO
Robust Dynamic Control Barrier Function Based Trajectory Planning for Mobile Manipulator
School of Mechanical Engineering and Automation, Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳）机械工程与自动化学院）；Graduated School of Information Science and Technology, Osaka University（大阪大学信息科学与技术研究生院）
针对高维机器人动态轨迹规划的传统方法痛点，提出结合DCBF与扰动观测器的RDCBF规划器，可在复杂动态障碍环境下兼顾扰动与不确定性，实现安全精确避障，经移动机械臂实验验证性能优异。
2024-06-22 cs.RO
Mobile Robot Path Planning in Dynamic Environments through Globally Guided Reinforcement Learning
The Chinese University of Hong Kong（香港中文大学）；University of Cambridge（剑桥大学）
大动态环境中移动机器人的路径规划是一个具有挑战性的问题，因为机器人需要有效地达到其给定的目标，同时避免与其他机器人或动态对象的潜在冲突。在存在动态障碍物的情况下，传统的解决方案通常采用重新规划策略，每当机器人遇到冲突时，重新调用规划算法来搜索替代路径。然而，这种重新规划的策略往往会造成不必要的弯路。为了解决这个问题，我们提出了一种基于学习的技术，利用环境时空信息。与现有的基于学习的方法不同，我们引入了一种全局引导的强化学习方法（G2RL），该方法采用了一种新的奖励结构，可以推广到任意环境。我们应用G2RL解决多机器人路径规划问题，在一个完全分布式的反应方式。我们评估我们的方法在不同的地图类型，障碍物密度和机器人的数量。实验结果表明，G2RL的泛化能力很好，优于现有的分布式方法，并且与完全集中式的最先进的基准测试非常相似。
2020-09-11 cs.AI cs.LG cs.MA
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
Consolidating Kinematic Models to Promote Coordinated Mobile Manipulations
Drexel University（德雷塞尔大学）
我们构建了一个虚拟运动链（VKC），很容易巩固的运动学的移动基地，手臂，并在移动操作的对象进行操作。因此，移动操作任务通过改变所构造的VKC的状态来表示，其可以被转换为运动规划问题，被公式化，并且通过轨迹优化来求解。这种新的VKC视角的移动操作允许服务机器人（i）产生良好协调的运动，适合复杂的家庭环境，（ii）执行复杂的多步任务，同时与多个对象进行交互，而无需明确定义中间目标。在模拟实验中，我们通过比较基于VKC的方法与仅优化单个组件的基线来验证这些优势。结果表明，基于VKC的联合建模和规划提高了任务成功率，并产生更有效的轨迹。
2021-08-10 cs.AI cs.RO
A Novel Planning Framework for Complex Flipping Manipulation of Multiple Mobile Manipulators
Shanghai Jiao Tong University（上海交通大学）；Hong Kong University of Science and Technology（香港科技大学）；Great Bay University（大湾区大学）
针对多移动机械臂在闭链约束下的构型不连通问题，提出将轨迹覆盖选择建模为集合覆盖的三步规划框架，以判断无重抓可行性或最小化重抓次数。
2024-10-25 cs.RO
Harmonious Sampling for Mobile Manipulation Planning
KAIST（韩国科学技术院）
移动操作规划通常采用解耦的方法，即分别在基座和机械手上进行规划。虽然这种方法速度很快，但它可能会生成次优路径。另一个方向是在高维位形空间中联合调整基座和机械手的耦合方法。这种耦合方法解决了解耦方法的次最优性和不完整性，但由于其过多的计算开销而没有被广泛使用。鉴于这种权衡的空间，我们提出了一个简单的，但有效的移动操作采样方法，和谐采样，主要是在困难的地区，我们需要同时操纵基地和机械手执行耦合的方法。我们的方法通过一个低维的基空间，利用可达性地图的目标末端执行器的姿态和广义沃罗诺伊图检测到的狭窄通道识别这样的困难区域。对于其余的简单区域，我们主要在具有预定义的联合配置的基本配置上执行采样，从而加速规划过程。我们比较我们的方法与解耦和耦合的方法在六个不同的问题，不同的难度。我们的方法在实验上显示了有意义的改进，在解耦方法的基础上，找到初始解决方案的时间（最多快5.6倍）和最终解决方案的成本（最多低17%），特别是在空间狭窄的困难场景中。我们还展示了这些好处与一个真正的，移动胡博机器人。
2019-09-27 cs.RO
Path planning and Obstacle avoidance approaches for Mobile robot
Budapest University of Technology and Economics（布达佩斯技术与经济大学）；Hanoi University of Science and Technology（河内科技大学）
提出并实现了一种新的移动机器人路径规划方法。一方面，基于从起点到目标点的最短路径，该路径规划器可以选择MR的最佳移动方向，这有助于尽快到达目标点。另一方面，智能避障，我们的方法可以找到目标点与近最短的路径长度，同时避免一些无限循环陷阱的多个障碍物在未知的环境。两种方法的结合有助于MR以非常可靠的算法到达目标点。此外，通过不断更新的车载传感器的信息，该方法可以生成的MR轨迹在静态和动态环境。在一些类似的研究环境中进行了大量的仿真，证明了所提出的路径规划算法的能力。
2016-09-07 cs.RO
MRPB 1.0: A Unified Benchmark for the Evaluation of Mobile Robot Local Planning Approaches
College of Artificial Intelligence, Nankai University（南开大学人工智能学院）；Tianjin Key Laboratory of Intelligent Robotics, Nankai University（南开大学天津智能机器人重点实验室）；School of Marine Science and Technology, Northwestern Polytechnical University（西北工业大学航海学院）；Faculty of Robot Science and Engineering, Northeastern University（东北大学机器人科学与工程学院）；College of Systems Engineering, National University of Defense Technology（国防科技大学系统工程学院）
局部规划是移动机器人实现完全自主的关键技术之一，得到了广泛的研究。为了对移动机器人局部规划方法进行统一、全面的评价，本文提出了一个新的移动机器人局部规划基准MRPB 1.0。该基准有利于运动规划研究人员谁想要比较一个新的本地规划器的性能相对于许多其他国家的最先进的方法，以及在移动机器人行业的终端用户谁想要选择一个本地规划器，表现最好的一些感兴趣的问题。我们精心设计了各种模拟场景，以挑战当地规划师的适用性，包括大规模，部分未知和动态复杂环境。此外，三种类型的原则性评价指标进行了精心设计，以定量评估当地规划者的表现，其中的安全性，效率和运动的平稳性进行了综合考虑。我们提出了建议的基准在两个流行的开源本地规划师的应用程序，以显示基准的实用性。此外，还提供了一些见解和指导原则的设计和选择当地的规划师。基准测试网站包含所设计的模拟场景的所有数据，这些场景的详细描述，以及示例代码。
2021-03-19 cs.RO
Enhanced $A^{*}$ Algorithm for Mobile Robot Path Planning with Non-Holonomic Constraints
U R Rao Satellite Centre, Indian Space Research Organization (ISRO)（U.R.拉奥卫星中心，印度空间研究组织（ISRO））；Robert Bosch Centre for Cyber Physical Systems, Indian Institute of Science（罗伯特·博世网络物理系统中心，印度科学学院）
本文提出一种考虑非完整转弯半径约束和有限尺寸的移动机器人路径规划新方法，通过栅格化环境生成2D地图并利用增强版$A^{*}$算法实现避障，实验证明了其有效性。
2025-03-02 cs.RO
TopAY: Efficient Trajectory Planning for Differential Drive Mobile Manipulators via Topological Paths Search and Arc Length-Yaw Parameterization
State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou 310027, China（浙江大学工业控制技术状态重点实验室）；Huzhou Institute of Zhejiang University, Huzhou 313000, China（浙江大学湖州研究院）
针对差动驱动移动机械臂轨迹规划的高维与非完整约束挑战，提出TopAY框架，通过拓扑路径搜索、并行采样及弧长-偏航参数化多项式表示提升效率与成功率，源代码已开源。
2025-11-17 cs.RO
Path planning model of mobile robots in the context of crowds
Beijing University of Chemical Technology（北京化工大学）
分析了基于RNN和视觉质量评价的人群环境下机器人路径规划模型。移动机器人路径规划是机器人导航的关键，也是机器人研究的一个重要领域。设机器人的运动空间为二维平面，在采用人工势场法进行路径规划时，将机器人的运动看作是在虚拟人工势场力作用下的一种运动。与简单的图像采集相比，复杂人群环境下的图像采集首先需要对图像进行预处理。我们主要使用OpenCV校准工具对采集的图像进行预处理。在方法学设计中，采用基于RNN的视觉质量评价方法滤除背景噪声.标定后的图像中仍然存在高斯噪声等冗余信息，影响后续的运算。提出了一种基于RNN的图像质量评价算法，并在此基础上进行了去噪处理。此外，新的路径规划模型的设计和仿真。通过与现有模型的比较，证明了该模型的鲁棒性。
2020-09-10 cs.RO
Task and Skill Planning: Hierarchical Robot Planning with Black-Box Skills
本文提出了一种基于通用技能的分层机器人规划框架，通过可组合交互原语整合运动规划与闭合回路控制器，实现在复杂长期任务中的高效执行。
2026-07-30 cs.AI cs.RO
Reactive Planning based Control for Mobile Robots in Obstacle-Cluttered Environments
Department of Automation, University of Science and Technology of China（自动化系，中国科学技术大学）；School of Intelligence Science and Engineering, Harbin Institute of Technology Shenzhen（智能科学与工程学院，哈尔滨工业大学深圳）；School of Control Science and Engineering, Dalian University of Technology（控制科学与工程学院，大连理工大学）
本文提出基于反应规划的控制策略，用于移动机器人在障碍物密集环境中避障和导航，通过局部修改参考轨迹实现安全运动。
2026-08-25 cs.RO
Instruction-Augmented Long-Horizon Planning: Embedding Grounding Mechanisms in Embodied Mobile Manipulation
The Hong Kong Polytechnic University（香港理工大学）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（东方理工大学宁波数字孪生研究院）；Great Bay University（大湾区大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出IALP系统，将LLM抽象推理与接地机制结合，把用户指令增强为PDDL问题，在真实长时程移动操作任务中实现超过80%的平均成功率。
2025-03-11 cs.AI cs.RO
Constrained Optimal Planning to Minimize Battery Degradation of Autonomous Mobile Robots
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对自主移动机器人电池退化问题，提出兼顾循环退化与日历老化、保障任务完成的约束最优规划优化框架，通过矩形分段线性近似线性化双线性问题，案例验证其可实现最优路径规划并减少电池老化。
2025-06-16 cs.RO cs.SY eess.SY
Integrating Task-Motion Planning with Reinforcement Learning for Robust Decision Making in Mobile Robots
UT-Austin（德克萨斯大学奥斯汀分校）；Maana Inc.（Maana公司）；SUNY-Binghamton（纽约州立大学宾汉姆顿分校）
任务-运动规划（TMP）解决了在离散空间中有效地生成可执行的和低成本的任务规划的问题，使得（初始未知的）动作成本由相应连续空间中的运动规划确定。然而，任务运动计划可能对意外的领域不确定性和变化敏感，导致次优行为或执行失败。本文提出了一个新的框架TMP-RL，它是TMP和强化学习（RL）的集成，从执行经验出发，解决动态和不确定域中的鲁棒任务-运动规划问题。TMP-RL具有两个嵌套的规划学习循环。在内部TMP循环中，机器人通过在离散空间中迭代规划并更新由运动规划器在连续空间中评估的相关动作成本来生成低成本、可行的任务运动规划。在外部循环中，执行计划，机器人通过无模型RL从执行经验中学习，以进一步改进其任务运动计划。外部循环中的RL对当前域更准确，但也更昂贵，并且使用成本更低的任务和运动规划导致在现实世界中学习的跳跃式启动。我们的方法进行评估的移动服务机器人在办公区进行导航任务。结果表明，TMP-RL方法显着提高了适应性和鲁棒性（与TMP方法相比），并导致快速收敛（与任务规划（TP）-RL方法相比）。我们还表明，TMP-RL可以重用学习的值，以便在长期部署过程中顺利适应新的场景。
2018-11-21 cs.AI cs.LG cs.RO
MORE: Mobile Manipulation Rearrangement Through Grounded Language Reasoning
University of Freiburg（弗赖堡大学）；University of Toronto（多伦多大学）；Toyota Motor Europe（丰田汽车欧洲公司）
MORE通过场景图表示、实例区分和主动子图过滤，将大规模移动操作重排规划转化为有界问题，在BEHAVIOR-1K上首次显著解决零样本重排任务并优于现有基础模型方法。
2025-05-05 cs.AI cs.RO
Coupled Active Perception and Manipulation Planning for a Mobile Manipulator in Precision Agriculture Applications
Texas A&M University（德克萨斯农工大学）；Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学（MBZUAI））
针对精准农业中移动机械臂需先近距感知再操作的CAPM问题，提出考虑可达性约束并最小化预期能耗的关键状态/任务规划方法，仿真与实物实验表明其较两阶段解耦方法更节能且任务成功率达100%。
2023-09-28 cs.RO
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
Dynamic Path Planning and Replanning for Mobile Robots using RRT*
University of Nevada, Reno（内华达大学里诺分校）
移动机器人必须能够有效地规划从其起始位置或当前位置到期望目标位置的路径。当环境是静态的时，这是一个微不足道的任务。然而，机器人的操作环境很少是静态的，并且它经常具有许多移动障碍物。机器人可能会遇到这些未知和不可预测的移动障碍物中的一个或多个。机器人在遇到障碍物时需要决定如何前进，提出了一种基于RRT* 的动态重规划方法。当未知的随机运动障碍物阻挡路径时，机器人将修改其当前的规划，各种实验结果表明了该方法的有效性。
2017-04-15 cs.RO
Planning coordinated motions for tethered planar mobile robots
Singapore Centre for 3D Printing（新加坡3D打印中心）；Nanyang Technological University（南洋理工大学）
研究多绳系平面移动机器人的运动规划问题。每个机器人都通过柔性电缆连接到固定基座上。由于机器人共享一个共同的工作空间，机器人，电缆和障碍物之间的相互作用给规划带来了很大的困难。以前的工作已经研究了检测目标电缆配置是否相交（或纠缠）的问题。在这里，我们感兴趣的运动规划问题：如何规划和协调机器人运动，以实现一个给定的不相交的目标电缆配置。我们确定了四种可能的运动模式，这取决于（i）机器人是否沿直线移动或沿电缆移动;（ii）机器人顺序移动或同时移动。我们深入分析了直线和并行，这是最实用的运动模式。特别是，我们提出的算法，（a）检测是否一个给定的目标电缆配置是可实现的直线和并发运动，以及（b）返回一个有效的协调运动计划。对算法进行了详细的分析，并在仿真和硬件实验中进行了验证。
2019-05-20 cs.RO
Robust Mobile Robot Path Planning via LLM-Based Dynamic Waypoint Generation
College of Automation Engineering, Nanjing University of Aeronautics and Astronautics（南京航空航天大学自动化工程学院）；School of Computer Science and Mathematics, Liverpool John Moores University（利物浦约翰摩尔斯大学计算机科学与数学学院）
提出一种嵌入LLM的移动机器人路径规划框架，通过动态生成航点将自然语言命令转化为无碰撞路径，实验证明llama3.1在复杂环境中具有更优的规划效率与鲁棒性。
2025-01-27 cs.RO
