Asymptotically Optimal Lazy Lifelong Sampling-based Algorithm for Efficient Motion Planning in Dynamic Environments
Department of Mechanical Engineering, City University of Hongkong（机械工程系，香港城市大学）；Department of Electronic and Electrical Engineering, Southern University of Science and Technology（电子与电气工程系，南方科技大学）；Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（电子与计算机工程系，香港科技大学）
本文提出一种结合终身规划与惰性搜索的渐近最优采样路径规划算法，通过仅评估最优子路径候选和知情重连级联机制，在动态环境中实现高效重规划并收敛到最优解。
2025-07-22 cs.RO
Asymptotically Optimal Sampling-Based Path Planning Using Bidirectional Guidance Heuristic
针对运动规划问题，提出渐近最优的BIGIT*算法，通过构建隐式双向初步运动树生成双向引导启发式，加速搜索，在模拟与实际无人机规划任务中性能优于现有方法。
2024-12-07 cs.RO
Asymptotically-Optimal Motion Planning using Lower Bounds on Cost
Tel-Aviv University（特拉维夫大学）
图上的许多路径查找算法（如A*）都是通过使用启发式函数来加速的，该函数给出了到达目标的成本下限。为了应用类似的技术来加速基于采样的运动规划算法，我们使用有效的下限配置之间的成本紧密估计的成本去。然后，我们使用这些估计在任何时候的渐近最优算法，我们称之为运动规划使用下限（MPLB）。MPLB基于最近由Janson和Pavone提出的快速行进树（FMT*）算法。我们的方法的一个优点是，在许多情况下（特别是随着样本数量的增长），碰撞检测的重量在计算中几乎可以忽略不计的最近邻调用。我们证明，MPLB执行没有更多的碰撞检测调用比FMT* 的随时版本。此外，我们在模拟中证明，对于某些情况下，这里提出的算法工具可以有效地产生低成本的路径，同时只花费一小部分的运行时间在碰撞检测。
2014-09-30 cs.RO
Asymptotically Optimal Sampling-based Kinodynamic Planning
基于采样的算法被视为高维运动规划的实用解决方案。最近的进展已经利用随机几何图论来展示如何用这些方法也可以实现渐近最优性。实现这一理想的属性的动态系统需要解决一个两点边值问题（BVP）的基础动力系统的状态空间。这是困难的，但是，如果不是不切实际的，生成一个边界元法求解器的各种重要的动态模型的机器人或物理模拟的。因此，一个开放的挑战是，当规划系统而不访问BVP求解器时，是否有可能实现最优性保证。这项工作解决了上述问题，并介绍了如何实现渐进最优的Kinodynamic规划增量采样为基础的规划器，通过引入一个新的严格的框架。两种新的方法，稳定稀疏RRT（SST）和SST*，结果从这个分析，这是渐近接近最优和最优的，分别。该技术被证明是快速收敛到高质量的路径，而他们只保持一个稀疏的样本集，这使得他们的计算效率。使用动态系统基准的实验结果，以及物理模拟机器人的规划者的良好性能得到证实。
2016-02-05 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
Sampling-Based Motion Planning: A Comparative Review
本文系统综述基于采样的运动规划算法，梳理其历史、代表性规划器及扩展，并在24个挑战性问题上进行比较评估，为研究者和实践者提供选型指南。
2023-09-22 cs.RO
LES: Locally Exploitative Sampling for Robot Path Planning
Institute for Robotics and Intelligent Machines（机器人与智能机器研究所）；Georgia Institute of Technology（佐治亚理工学院）
基于采样的算法通过在搜索空间中生成随机样本并递增地生长连通图或树来解决路径规划问题。传统上，这些算法中使用的采样策略偏向于探索以获取关于搜索空间的信息。相比之下，这项工作提出了一个基于优化的过程，生成新的样本，以提高成本来的价值的顶点在一个街区。该算法的应用程序增加了一个剥削偏置采样和结果在一个更快的收敛到最优解相比，其他国家的最先进的采样技术。这是证明使用基准实验进行fora各种更高的维度机器人规划任务。
2021-02-25 cs.RO
Guided Sampling-Based Motion Planning with Dynamics in Unknown Environments
George Mason University（乔治梅森大学）
针对部分建图环境中运动规划重规划开销大、易振荡的问题，提出结合高层离散层与历史解引导运动树扩展的增强型采样规划框架，有效提升规划速度与解的一致性。
2023-06-15 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
Task and Motion Informed Trees (TMIT*): Almost-Surely Asymptotically Optimal Integrated Task and Motion Planning
Rice University（莱斯大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；University of Oxford（牛津大学）
高水平的自主性需要离散和连续的推理来决定采取什么行动以及如何执行这些行动。集成任务和运动规划（TMP）算法联合解决这些混合问题以考虑离散符号动作之间的约束（即，任务计划）和它们的连续几何实现（即，运动计划）。这种联合的方法解决了更困难的问题比方法，解决任务和运动子问题独立。TMP算法结合并扩展了任务和运动规划的结果。TMP主要关注计算性能和完整性，较少关注解的最优性。最优TMP是困难的，因为独立的最优子问题可能不是最优的集成解决方案，这只能通过联合优化两个计划。本文提出了任务和运动信息树（TMIT*），一个最佳的TMP算法，结合的结果，从最大完工时间最优的任务规划和几乎必然渐近最优的运动规划。TMIT* 交错不对称的前向和逆向搜萦，以延迟计算昂贵的操作，直到必要的，并直接在问题的混合状态空间中执行有效的知情搜索。这使它能够快速解决问题，然后收敛到最佳的解决方案与额外的计算时间，所证明的评估机器人操作基准问题。
2022-10-17 cs.RO
Adaptively Informed Trees (AIT*): Fast Asymptotically Optimal Path Planning through Adaptive Heuristics
基于知情采样的规划算法利用问题知识以获得更好的搜索性能。这些知识通常表示为解决方案成本的启发式估计，并用于排序搜索。这种知情搜索的实际改进取决于启发式的准确性。选择一个合适的启发式是困难的。适用于整个问题域的启发式方法通常定义简单，评估成本低，但对于特定的问题实例可能没有好处。特定于问题实例的启发式通常很难定义或评估成本很高，但会使搜索本身变得微不足道。本文提出了自适应信息树（AIT*），一个几乎必然渐近最优的基于抽样的规划器的基础上BIT*。AIT* 通过使用非对称双向搜索来同时估计和利用特定于问题的启发式，从而使其搜索适应每个问题实例。这使得它能够快速找到初始解并收敛到最优解。AIT* 与RRT-Connect一样快速地解决了测试问题，同时也向最佳方向收敛。
2020-03-05 cs.RO
Integrating Fast Regional Optimization into Sampling-based Kinodynamic Planning for Multirotor Flight
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；The University of Hong Kong（香港大学）
对于实时多旋翼运动动力学运动规划，基于采样的方法的效率通常受到难以采样的同伦类（如狭窄通道）的阻碍。在本文中，我们解决这个问题的混合计划。我们首先提出了一个快速的区域优化器，利用局部环境的信息，然后将其集成到一个全局采样过程，以确保更快的收敛。在不同的基于采样的方法上结合局部优化，在各种具有挑战性的环境中显着提高了成功率和减少了规划时间。我们还提出了一个细化模块，充分调查所产生的轨迹的全球采样，大大提高了其平滑性，可以忽略不计的计算工作。基准测试结果表明，与最先进的方法相比，我们提出的方法可以更好地利用以前的轨迹。应用该规划方法生成了一个仿真的四旋翼系统的轨迹，并在实时应用中验证了其能力。
2021-03-09 cs.RO
Asymptotically near-optimal RRT for fast, high-quality, motion planning
Tel-Aviv University（特拉维夫大学）
我们提出了下界树RRT（LBT-RRT），一个基于单查询采样的算法，是渐近接近最优的。即，从LBT-RRT提取的解收敛到最优解的近似因子1+ 1/4内的解。我们的算法允许快速RRT算法和渐近最优RRT* 和RRG算法之间的连续插值。当近似因子为1时（即，不允许近似），LBT-RRT的行为类似于RRG。当近似因子无界时，LBT-RRT的行为与RRT相似。在这两者之间，LBT-RRT被证明产生的路径具有比RRT更高的质量，并且比RRT* 运行得更快。这是通过维护一个树来完成的，树是RRG路线图的子图，第二个是辅助图，我们称之为下界图。这两个路线图的组合比RRT* 维护的路线图更快，有效地保证了渐近接近最优。我们建议使用LBT-RRT进行高质量的随时运动规划。我们证明了从3到12自由度的情况下，该算法的性能，并表明，即使对于小的近似因子，该算法产生高质量的解决方案（相当于RRG和RRT*）与运行时间开销很少RRT相比。
2015-03-04 cs.RO
GAIDE: Graph-based Attention Masking for Spatial- and Embodiment-aware Motion Planning
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学，College Station, TX 77843, USA）；Zachry Department of Civil and Environmental Engineering, Texas A&M University, College Station, TX 77843 USA（Zachry 市政与环境工程系，德克萨斯A&M大学，College Station, TX 77843 USA）
GAIDE是一种基于图的神经指导采样器，通过结合空间结构和机械臂的具身性提升运动规划的效率和成功率。
2026-03-03 cs.RO
Advanced BIT* (ABIT*): Sampling-Based Planning with Advanced Graph-Search Techniques
Oxford Robotics Institute (ORI)（牛津机器人研究所）
路径规划是一个活跃的研究领域，对机器人的许多应用至关重要。流行的技术包括基于图形的搜索和基于采样的规划器。这些方法很强大，但也有局限性。本文继续努力结合他们的优势，并减轻他们的局限性，使用统一的规划模式。它通过将路径规划问题视为搜索和近似的两个子问题，并在基于采样的近似上使用高级图搜索技术来实现这一点。这种观点导致了高级BIT*。ABIT* 结合了截断的随时基于图的搜索，如ATD*，与随时几乎肯定渐近最优的基于采样的规划器，如RRT*。这使得它能够快速找到初始解，然后以随时随地的方式收敛到最优解。ABIT* 在$\mathbb{R}^{4}$和$\mathbb{R}^{8}$中的测试问题上优于现有的单查询、基于采样的规划器，并在NASA/JPL-Caltech的实际问题上得到了验证。
2020-02-16 cs.RO
Sampling-based Algorithms for Optimal Motion Planning Using Closed-loop Prediction
Georgia Institute of Technology（佐治亚理工学院）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
微分约束下的运动规划，即运动动力学运动规划，是机器人学中的经典问题之一。目前，最先进的方法围绕流行的基于采样的算法的运动动力学变体，如快速探索随机树（RRT）。然而，仍然存在挑战，例如，如何在保证最优性的同时包括复杂的动态。如果开环动态是不稳定的，则通过控制空间中的随机采样的探索变得低效。我们描述了一种新的基于采样的算法，称为CL-RRT#，它利用了RRT#算法的思想和RRT算法的变体，该算法使用闭环预测生成轨迹。规划与闭环预测的想法，使我们能够处理复杂的不稳定的动态，并避免需要找到计算困难的转向程序。RRT#算法中提出的搜索技术允许我们通过搜索替代参考轨迹来提高解的质量。使用非完整系统的数值模拟表明所提出的方法的好处。
2016-01-23 cs.RO
Improving Efficiency of Sampling-based Motion Planning via Message-Passing Monte Carlo
CSAIL, MIT（MIT计算机科学与人工智能实验室）；ELLIS Institute（埃里克·林斯研究所）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（图宾根人工智能中心）；Case Western Reserve University（凯斯西储大学）
本文提出利用消息传递蒙特卡洛生成低差异均匀采样点集，以提升高维空间中基于采样的运动规划效率，并实验验证其优于传统采样方法。
2025-08-26 cs.RO
Joint Sampling and Trajectory Optimization over Graphs for Online Motion Planning
Facebook AI Research（脸书人工智能研究院）
在最流行的运动规划技术中，采样和轨迹优化由于其分别处理紧约束和高维系统的能力而获得成功。然而，在更高维度的采样和局部最小值问题的优化限制，阻碍了他们超越静态场景在离线设置的能力。在这里，我们考虑高度动态的环境，需要一个快速的在线解决方案。我们提出了一个统一的方法，利用采样和优化的互补优势，并交错它们都在一种方式，非常适合这个具有挑战性的问题。在多个合成和现实的模拟环境中的基准测试，我们表明，我们的方法在各种指标上表现得更好，对基线只采用采样或只优化。项目页面：https://sites.google.com/view/jistplanner
2021-07-28 cs.RO
Posterior Sampling for Anytime Motion Planning on Graphs with Expensive-to-Evaluate Edges
University of Washington（华盛顿大学）
碰撞检查是运动规划中的一个计算瓶颈，需要明确推理何时执行此计算的惰性算法。面对碰撞的不确定性，乐观的态度可以最大限度地减少找到最短路径之前的检查次数。然而，这可能需要非常长的时间来计算，在此期间没有发现其他可行路径。对于许多实时应用程序，我们反而需要强大的随时性能，定义为最小化随时间产生的可行路径的累积长度。我们引入后验采样运动规划（PSMP），一个随时懒惰的运动规划算法，利用学习后验的边缘碰撞，快速发现一个初始的可行路径，并逐步产生较短的路径。PSMP获得了$\tilde{O}(\sqrt{\mathcal{S} \mathcal{A} T})$的期望遗憾界，并在一组二维和七维规划问题上优于比较基线。
2020-03-20 cs.RO
Nearest-Neighbourless Asymptotically Optimal Motion Planning with Fully Connected Informed Trees (FCIT*)
Estimation, Search, and Planning (ESP) Research Group, Queen’s University, Kingston ON, Canada（皇后大学估计、搜索与规划研究组）；Department of Computer Science, Rice University, Houston TX, USA（里士满大学计算机科学系）；Department of Computer Science, Purdue University, West Lafayette IN, USA（普渡大学计算机科学系）；Ken Kennedy Institute, Rice University, Houston TX, USA（里士满大学肯尼迪研究所）
本文提出全连接信息树（FCIT*）算法，利用SIMD并行性降低边评估成本并消除最近邻结构，在MotionBenchMaker数据集上比现有ASAO和满足型算法更快找到初始解并渐近收敛到最优。
2025-03-07 cs.RO
Refined Analysis of Asymptotically-Optimal Kinodynamic Planning in the State-Cost Space
Tel-Aviv University（特拉维夫大学）；Rutgers University（罗格斯大学）；Stanford University（斯坦福大学）
我们提出了一种新的AO-RRT分析：一种基于树的计划器，用于具有运动动力学约束的运动规划，最初由Hauser和Zhou（AO-X，2016）描述。AO-RRT探索状态成本空间，并已被证明在实践中有效地获得高质量的解决方案，而不依赖于计算密集型两点边界值求解器的可用性。我们的主要贡献是单树版本的算法的最优性证明-一个以前没有分析过的变体。我们的证明只需要一个温和的和容易验证的问题和系统的假设：成本函数和动力学的Lipschitz连续性。特别是，我们证明，对于任何系统满足这些假设，任何轨迹具有分段常数控制功能和积极的清除障碍物可以近似任意以及由AO-RRT发现的轨迹。我们还讨论了实际方面的AO-RRT和目前的实验比较的算法的变体。
2020-03-09 cs.RO
Conformalized Non-uniform Sampling Strategies for Accelerated Sampling-based Motion Planning
Department of Electrical and Systems Engineering, Washington University in St. Louis（电气与系统工程系，华盛顿大学圣路易斯分校）
本文提出一种基于保形预测的非均匀采样策略，通过将采样偏向经认证的区域来加速基于采样的运动规划，并首次为采样区域提供概率正确保证，实验证明其规划更快且泛化性更好。
2025-11-06 cs.RO
Generalizing Informed Sampling for Asymptotically Optimal Sampling-based Kinodynamic Planning via Markov Chain Monte Carlo
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
渐进最优运动规划器（如RRT*）已被证明可以逐步逼近起始状态和目标状态之间的最短路径。一旦找到初始解，通过将后续样本限制到可能改善当前解的状态空间区域，可以显着改善其性能。当运动规划问题位于欧几里德空间中时，可以直接对该区域$X_{inf}$（称为信息集）进行采样。然而，当在非欧几里德状态空间中规划微分约束时，不存在直接采样$X_{inf}$的解析解。在这种域中对$X_{inf}$进行采样的现有技术方法（例如分层拒绝采样（HRS））在高维状态空间中可能仍然很慢。这可能会导致规划算法花费其大部分时间试图产生样本在$X_{inf}$，而不是探索it.In本文中，我们提出了一种替代方法来产生样本的通知集$X_{inf}$的设置范围很广。我们的主要见解是重铸这个问题作为一个采样均匀内的子水平集的隐式非凸函数。这种重新设计使我们能够应用蒙特卡洛抽样方法，在机器学习和优化社区中非常有效地使用，以解决我们的问题。我们表明，使用我们的采样器可以加快收敛速度，在高维问题的高质量的解决方案，在广泛的情况下。
2017-10-17 cs.RO
AORRTC: Almost-Surely Asymptotically Optimal Planning with RRT-Connect
Purdue University（普渡大学）
AORRTC通过扩展RRT-Connect实现几乎确定性渐进最优规划，以高效且可靠的方式解决高自由度机器人运动规划问题。
2025-09-24 cs.RO
Exploiting collisions for sampling-based multicopter motion planning
University of California, Berkeley（加州大学伯克利分校）
具有碰撞弹性设计的多旋翼飞行器可以在涉及碰撞的轨迹上运行。本文提出了一种基于采样的方法，可以利用碰撞更好的运动规划。该方法是建立在RRT* 算法的基础上，并利用快速运动基元生成和碰撞检查的多旋翼。它通过检测运动基元和障碍物之间的潜在交叉点来生成碰撞状态，并将这些状态与其他采样状态连接以形成包含碰撞的轨迹。我们表明，允许碰撞有助于提高基于采样的规划器在隧道等狭窄空间中的性能。最后，给出了一个跟踪碰撞包容规划器生成的轨迹的实验。
2020-11-08 cs.RO
An Asymptotically-Optimal Sampling-Based Algorithm for Bi-directional Motion Planning
Stanford University（斯坦福大学）；Carlos III University of Madrid（马德里卡洛斯三世大学）
双向搜索是一种广泛使用的策略，以提高基于采样的运动规划算法的成功率和收敛速度。然而，很少有结果是合并双向搜索和渐近最优性到现有的最优规划，如PRM*，RRT*，和FMT*。本文的目的就是填补这一空白。具体而言，本文提出了一种双向的，基于采样，渐进最优算法双向FMT*（BFMT*），扩展了快速行进树（FMT*）算法的双向搜索，同时保持其关键属性，主要是懒惰的搜索和渐近最优性，通过收敛的概率。BFMT* 在一组随机抽取的样本上执行双源、惰性动态规划递归，相应地生成两个搜索树：一个在初始配置的成本空间中，另一个在目标配置的成本空间中。数值实验说明了BFMT* 的优势，其单向对应，以及一些其他国家的最先进的规划。
2015-07-27 cs.RO
Optimal Sampling-Based Motion Planning under Differential Constraints: the Driftless Case
Institute for Computational & Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所）；Department of Statistics, Stanford University（斯坦福大学统计系）；Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空航天系）
微分约束下的运动规划是机器人学中的经典问题。到目前为止，最先进的技术是基于采样的技术，快速探索随机树算法作为一个领先的例子。然而，这个问题在许多方面仍然是开放的，包括对所获得的解决方案的质量的保证。在本文中，我们提供了一个彻底的理论框架，以评估最优性保证的采样为基础的算法规划微分约束下。我们利用这个框架来设计和分析两种新的基于采样的算法，保证收敛，随着样本数量的增加，到一个最佳的解决方案（即差分概率路线图算法和差分快速行进树算法）。我们的重点是无漂移控制仿射动力学模型，它准确地模拟了一大类机器人系统。在本文中，我们使用的概念，收敛概率（而不是收敛几乎肯定）：额外的数学灵活性，这种方法产生收敛速度的界限-第一次在该领域的最佳采样为基础的运动规划差分约束。数值实验证实了我们的理论结果，并进行了讨论。
2015-03-02 cs.RO
Interleaving Optimization with Sampling-Based Motion Planning (IOS-MP): Combining Local Optimization with Global Exploration
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
计算机器人的全局最优运动计划具有挑战性，部分原因是它需要同时从宏观角度（即，考虑多个同伦类中的路径）和微观视点（即，局部优化路径质量）。我们介绍了基于采样的运动规划（IOS-MP），一种新的方法，有效地结合了全局探索和局部优化，快速计算高质量的运动计划的交织优化。我们的方法结合了两个范例：（1）渐近最佳采样为基础的运动规划，这是有效的全局探索，但相对缓慢的局部细化路径，和（2）优化为基础的运动规划，局部优化路径快速，但缺乏全局视图的配置空间。IOS-MP迭代地在全局探索和局部优化之间交替，在两者之间共享信息，以提高运动规划效率。我们评估IOS-MP，因为它的规模方面的维度和复杂性，以及证明其有效性的7自由度机械手指定的任务，使用目标配置和工作空间目标区域。
2016-09-20 cs.RO
Free-configuration Biased Sampling for Motion Planning: Errata
本文档包含我们的论文“用于运动规划的自由配置偏置采样“中提出的采样方法的改进和更新的收敛性证明。
2013-11-03 cs.AI cs.RO
Scaling Sampling-based Motion Planning to Humanoid Robots
University of Edinburgh（爱丁堡大学）
规划人形机器人的平衡和无碰撞运动是不平凡的，特别是当它们在复杂的环境中操作时，例如到达障碍物后面的目标或通过狭窄的通道。我们提出了一种方法，使我们能够应用现有的采样为基础的算法规划轨迹人形机器人利用自定义的状态空间表示，有偏的采样策略，和一个强大的逆运动学求解器的基础上的转向功能。我们的方法不需要事先离线计算，因此可以很容易地将工作转移到新的机器人平台上。我们测试了所提出的方法解决实际达到的任务，38度的自由人形机器人，美国宇航局瓦尔基里，表明我们的方法是能够生成有效的运动计划，可以执行先进的全尺寸人形机器人。我们还提出了一个基准之间的不同运动规划算法评估各种达到运动问题。这使我们能够找到合适的算法来解决类人运动规划问题，并确定这些算法的局限性。
2016-07-29 cs.RO
AO-ARC: Almost-Surely Asymptotically Optimal Multi-Robot Motion Planning with ARC
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院Parasol实验室）
提出AO-ARC方法，通过迭代调用ARC求解有界MRMP实例，实现初始解速度与最先进可行性求解器相当，且随机器人数量增加收敛更快更可靠，并证明其渐近最优性。
2026-06-29 cs.RO
Sampling-Based Temporal Logic Path Planning
Boston University（波士顿大学）
在本文中，我们提出了一个基于采样的运动规划算法，找到一个无限的路径满足线性时序逻辑（LTL）公式在一组属性满足某些地区在给定的环境。该算法有三个主要特点。首先，它是增量的，在这个意义上，用于在每次迭代中找到满意路径的过程仅与在该迭代中生成的新样本的数量成比例。其次，底层图是稀疏的，这保证了整个方法的低复杂度。第三，它在概率上是完备的。包括说明的有用性和性能的方法的例子。
2013-07-27 cs.RO
Motion Planning as Online Learning: A Multi-Armed Bandit Approach to Kinodynamic Sampling-Based Planning
University of Michigan（密歇根大学）
针对kinodynamic运动规划在无转向函数时难获高质量解的问题，将采样偏置建模为非平稳多臂老虎机问题，结合kinodynamic RRT转移聚类与老虎机算法自适应采样，可更快获更优解并提升执行成功率。
2023-08-26 cs.RO
Sampling Strategies for Path Planning under Kinematic Constraints
INRIA Rhône-Alpes（法国国立信息学与自动化研究院罗讷-阿尔卑斯研究中心）
概率路径规划器的一个众所周知的弱点是所谓的窄通道问题，其中必须探索具有相对较低的被采样概率的区域以找到解路径。已经提出了许多策略来缓解这个问题，其中大多数基于偏置采样分布。当问题中出现运动学约束时，位形空间通常变成不可参数化的隐式流形。不幸的是，这使大多数现有的采样偏差方法无效，这些方法依赖于空间的显式参数化来探索。在本文中，我们提出并评估了三种新的策略，以偏置下的存在下，在运动学约束系统的狭窄通道的采样。
2014-07-09 cs.RO
Relevant Region Sampling Strategy with Adaptive Heuristic for Asymptotically Optimal Path Planning
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
本文提出一种基于自适应启发式相关区域的批量采样策略，通过结合最优到达代价与自适应剩余代价引导采样，在SE(2)和SE(3)空间中显著提升初始解质量并降低路径规划计算时间。
2023-05-25 cs.RO
Learning and Using Abstractions for Robot Planning
Arizona State University（亚利桑那州立大学）
机器人运动规划涉及计算一系列有效的机器人配置，使机器人从其初始状态到目标状态。解决运动规划问题最佳使用分析方法被证明是PSPACE困难。基于采样的方法试图有效地近似最优解。通常，基于采样的规划器使用统一的采样器来覆盖整个状态空间。在本文中，我们提出了一个基于深度学习的框架，该框架可以识别环境中对解决给定运动规划问题至关重要的机器人配置。这些状态用于偏置采样分布，以减少规划时间。我们的方法适用于一个统一的网络，并根据环境和机器人生成域相关的网络参数。我们评估我们的方法与学习和链接规划器在三个不同的设置。结果表明，显着改善运动规划时间相比，目前的采样为基础的运动规划。
2021-07-22 cs.RO
Informed RRT*: Optimal Sampling-based Path Planning Focused via Direct Sampling of an Admissible Ellipsoidal Heuristic
Carnegie Mellon University（卡内基梅隆大学）
快速探索随机树（RRT）在运动规划中很受欢迎，因为它们可以有效地找到单查询问题的解决方案。最优RRT（RRT*s）将RRT扩展到寻找最优解的问题，但在这样做时，渐近地找到从初始状态到规划域中每个状态的最优路径。这种行为不仅效率低下，而且与它们的单查询性质不一致。对于寻求最小化路径长度的问题，可以改进解的状态子集可以由长超球体描述。我们表明，除非这个子集被直接采样，改善解决方案的概率变得任意小，在大世界或高状态维度。在本文中，我们提出了一个精确的方法，集中搜索直接采样这个子集。所提出的采样技术的优点证明了一种新的算法，知情RRT*。该方法保留了与RRT* 相同的完整性和最优性概率保证，同时提高了收敛速度和最终解的质量。我们提出的算法作为一个简单的修改RRT*，可以进一步扩展更先进的路径规划算法。我们的实验表明，它优于RRT* 的收敛速度，最终的解决方案的成本，并能够找到困难的通道，同时表现出较少的依赖于状态的尺寸和范围的规划问题。
2014-11-28 cs.RO
Efficient Sampling of Transition Constraints for Motion Planning under Sliding Contacts
University of 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）；Technical University of Berlin（柏林工业大学）
用于操纵、对象探索或平衡的基于接触的运动规划通常需要找到固定和滑动接触的序列，并规划从环境中的一个接触到另一个接触的过渡。然而，大多数现有的算法集中在控制和学习方面的滑动接触，但没有嵌入到一个原则性的框架，以提供保证的完整性或最优性的问题。为了解决这个问题，我们提出了一种方法来扩展基于约束的规划使用接触过渡滑动接触。这种转换是整个接触序列所需的基本操作。为了对滑动接触进行建模，我们定义了一个滑动接触约束，允许机器人在基于网格的对象的表面上滑动。为了利用滑动接触之间的过渡，我们开发了一个接触过渡采样器，它使用三种约束模式：接触的起始表面，没有接触和接触的目标表面。我们对这些过渡模式进行统一采样，这使得它们可用于基于采样的规划算法。我们的方法进行评估，通过测试它的两个，三个和七个内部自由度与不同的对象和各种采样为基础的规划算法的机械臂。这表明，滑动接触约束可以作为一个基本的方法来规划高维机器人系统的长期接触序列。
2021-03-16 cs.RO
Informed Sampling for Asymptotically Optimal Path Planning (Consolidated Version)
Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
任何时候几乎必然渐近最优规划器，如RRT*，递增地找到搜索域中每个状态的路径。一旦找到初始解决方案，这是低效的，因为然后仅需要考虑可以提供更好解决方案的状态。这些状态的精确知识需要解决问题，但可以近似与数学。本文正式定义了这些状态集，并演示了如何使用它们来分析任意规划问题。它使用众所周知的$L^2$规范（即，欧几里得距离）来分析最小路径长度问题，并表明现有方法的有效性在因子上降低（即，比指数更快）与状态维度。它提出了一种方法来解决这个灾难的维数直接采样长超球体（即，对称$n$ -维椭圆），其定义了$L^2$通知集。通过知情RRT* 证明了这种直接知情采样技术的重要性。RRT* 的这种扩展比现有技术对状态维数和问题大小的理论依赖性更小，并且允许在某些问题上线性收敛。实验表明，找到更好的解决方案比现有的技术更快的抽象规划问题和HERB，双臂操作机器人。
2018-08-17 cs.RO
Sampling-Based Motion Planning with Discrete Configuration-Space Symmetries
Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院）
本文研究具有离散对称性的构型空间中的采样运动规划问题，提出高效实现关键采样原语的方法，并通过理论分析和实验证明其能降低样本复杂度、缩短路径长度和运行时间。
2025-07-17 cs.RO
Motions in Microseconds via Vectorized Sampling-Based Planning
Rice University（莱斯大学）
本文通过在基于采样的规划器中引入细粒度并行与矢量化关键子程序，将高自由度机器人运动规划提速500倍以上，实现微秒级、千赫兹级规划。
2023-09-28 cs.RO
Relevant Region Exploration On General Cost-maps For Sampling-Based Motion Planning
Georgia Institute of Technology（佐治亚理工学院）
渐近最优抽样为基础的规划者需要一个智能的探索策略，以加速收敛。在找到初始解之后，改进的一个必要条件是在所谓的“知情集”中生成新的样本。然而，如果所选择的启发式算法不能提供一个很好的估计的解决方案的成本，知情抽样可能是无效的集中搜索。这项工作提出了一种算法来采样的“相关区域”，这是一个子集的知情集。相关区域利用来自计划器的树结构的成本信息，减少对启发式的依赖，并进一步集中搜索。在统一和一般的成本空间设置的基准测试证明了相关区域抽样的有效性。
2021-03-19 cs.RO
Robotic Motion Planning using Learned Critical Sources and Local Sampling
Indian Institute of Technology Kharagpur（印度理工学院哈拉格普尔分校）
基于采样的方法被广泛用于机器人运动规划。传统上，这些样本是从概率（或确定性）分布中抽取的，以均匀地覆盖状态空间。尽管在概率上是完全的，但它们在受限环境中无法在合理的时间内找到可行的路径，在受限环境中必须通过狭窄的通道（瓶颈区域）。现有技术训练学习模型（学习器）以在这些瓶颈区域上选择性地预测样本。然而，这些算法完全依赖于这个学习器生成的样本来导航通过瓶颈区域。随着规划问题的复杂性增加，使该学习器对工作空间结构的细微变化具有鲁棒性所需的数据量和时间在计算上变得难以处理。在这项工作中，我们提出了（1）一个有效的和强大的方法来使用学习器来定位瓶颈区域和（2）两个算法，使用本地采样方法来利用这些瓶颈区域的位置进行有效的运动规划，同时保持概率的完整性。我们测试我们的算法2维规划问题和7维机器人手臂规划，并报告显着的收益，以及学习的基线。
2020-06-07 cs.RO
Enhance Connectivity of Promising Regions for Sampling-based Path Planning
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of The Chinese University of Hong Kong（香港中文大学深圳研究院）
基于采样的路径规划算法通常采用均匀采样的方法来搜索状态空间。然而，在许多场景中，均匀采样可能会导致不必要的探索，例如有几个死胡同的环境。我们以前的工作提出了使用有希望的区域来指导采样过程，以解决这个问题。然而，预测的有希望的区域通常是断开的，这意味着它们不能连接开始和目标状态，导致缺乏概率完整性。这项工作的重点是加强预测有前途的地区的连通性。我们所提出的方法回归的连接概率的边缘在x和y方向。此外，该算法还计算了有希望边缘在损失中的权重，以引导神经网络更加关注有希望区域的连通性。我们进行了一系列的模拟实验，结果表明，有前途的区域的连通性显着改善。此外，我们分析了连通性对基于采样的路径规划算法的影响，并得出结论，连通性在保持算法性能方面起着至关重要的作用。
2022-07-22 cs.RO
Scaling Long-Horizon Online POMDP Planning via Rapid State Space Sampling
Australian National University（澳大利亚国立大学）；Rice University（莱斯大学）
提出ROP-RaS3求解器，利用快速状态空间采样生成宏动作，避免穷举动作空间，在长时域POMDP规划中性能大幅超越现有方法。
2024-11-11 cs.RO
Learning from Local Experience: Informed Sampling Distributions for High Dimensional Motion Planning
University of California, Berkeley（加州大学伯克利分校）；FANUC Advanced Research Lab（发那科高级研究实验室）
针对高维系统下基于经验的运动规划方法因查询差异大在随机环境性能受限的问题，提出通过工作空间分解与图搜索解耦子问题并利用各子问题先验经验的采样规划框架，经2D、6D机器人实验验证，其在规划时间和成本上优于现有算法。
2023-06-15 cs.RO
Evaluating Trajectory Collision Probability through Adaptive Importance Sampling for Safe Motion Planning
Stanford University（斯坦福大学）
本文提出了一种工具，用于解决在许多算法规划机器人轨迹的不确定性的关键组成部分：评估的机器人的行动是由一个闭环反馈政策附近的标称规划轨迹的安全性。我们描述了一个自适应的重要性采样蒙特卡罗框架，使一个给定的控制策略的概率避碰约束的满意度的评估，也提供了相关的证书的准确性（在置信区间的形式）。特别是这种自适应技术非常适合于解决复杂的刚体碰撞检查应用于非线性机器人动力学。作为一种蒙特卡罗方法，它适合于并行计算的易处理性，并且通常适用于广泛的可模拟系统，包括替代噪声模型。数值实验证明了自适应重要性采样程序的有效性，并进行了讨论。
2017-06-01 cs.RO
Sampling-based Path Planning Algorithms: A Survey
WPI（伍斯特理工学院）
本文综述自主机器人路径规划领域的基于采样算法，介绍地图表示类型，重点分析PRM、RRT及其优化版本PRM*、RRT*的优化实现与优势。
2023-04-23 cs.RO
Combining Sampling- and Gradient-based Planning for Contact-rich Manipulation
Politecnico di Milano（米兰理工大学）；Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达勒·莫勒人工智能研究所）；Scuola Universitaria Professionale della Svizzera Italiana (SUPSI)（瑞士意大利语区应用科学大学）；Università della Svizzera Italiana (USI)（瑞士意大利语区大学）；Fraunhofer IPK（弗劳恩霍夫制造工程和自动化研究所）
针对富接触操作中不连续动力学规划的数值稳定性和速度挑战，提出结合交叉熵方法初始化梯度求解器的规划方法，实现了平滑稳定的接触规划，优于仅用梯度的MPC和CEM。
2024-03-24 cs.RO
Long-Horizon Motion Planning via Sampling and Segmented Trajectory Optimization
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种混合机器人运动规划器，产生长期的运动规划机器人导航的环境中的障碍。我们提出了一种混合规划器，RRT* 与分段轨迹优化（RRT*-sOpt），它结合了基于采样的规划，基于优化的规划和轨迹分裂的优点，快速规划无碰撞和动态可行的运动计划。在生成规划时，RRT* 层快速采样出一条半最优路径，并将其设置为初始参考路径。然后，sOpt层将参考路径进行拆分，并对每个分段进行优化。然后，它再次分割新的轨迹，并重复该过程，直到整个轨迹收敛。我们还建议减少收敛前的段数，以进一步减少计算时间。仿真结果表明，RRT*-sOpt受益于混合结构与轨迹分裂，并在各种机器人平台和场景中表现稳健。
2022-04-17 cs.RO
Search-based versus Sampling-based Robot Motion Planning: A Comparative Study
Delft University of Technology（代尔夫特理工大学）；RWTH Aachen University（亚琛工业大学）
本文在统一规划条件和场景下基准比较 OMPL 的 RRT-Connect 与 SMPL 的 ARA*，揭示两类运动规划器在高维空间及不同动作采样方案下的性能差异。
2024-06-17 cs.RO
State Supervised Steering Function for Sampling-based Kinodynamic Planning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
RRT* 和BIT* 等基于采样的运动规划器在应用于运动动力学运动规划时，依赖于转向功能来生成连接采样状态的时间最优解决方案。实现精确的转向功能，需要解析解的时间最优控制问题，或非线性规划（NLP）求解器来解决边界值问题给出系统的kinodynamic方程。不幸的是，解析解对于许多现实世界的领域是不可用的，并且NLP求解器在计算上昂贵得令人望而却步，因此快速且最佳的运动动力学运动规划仍然是一个悬而未决的问题。我们通过引入状态监督转向函数（S3F）来解决这个问题，S3F是一种学习时间最优转向函数的新方法。S3F能够比其NLP对应物更快地产生转向函数数量级的接近最优的解决方案。在三个具有挑战性的机器人领域进行的实验表明，RRT* 使用S3F显着优于最先进的规划方法的解决方案的成本和运行时间。我们进一步提供了一个证明的概率完整性的RRT* 修改使用S3F。
2022-06-15 cs.RO
Gaussian Belief Trees for Chance Constrained Asymptotically Optimal Motion Planning
University of Colorado Boulder（科罗拉多大学博尔德分校）
在本文中，我们解决的问题，基于采样的运动规划运动和测量的不确定性与概率保证。我们推广传统的基于采样树的运动规划算法的确定性系统，并提出信念- $\mathcal{A}$，一个框架，扩展任何kinodynamic树为基础的规划器的线性（或线性化）系统的信念空间。我们引入适当的抽样技术和距离度量的信念空间，保持概率的完整性和渐近最优性能的基础计划。我们证明了我们的方法有效地找到安全的低成本路径，并在模拟渐近最优，完整和非完整系统的有效性。
2022-10-04 cs.RO cs.SY eess.SY
TIGRIS: An Informed Sampling-based Algorithm for Informative Path Planning
Carnegie Mellon University（卡内基梅隆大学）
信息化路径规划是机器人技术中一个重要且具有挑战性的问题，仍然需要以一种允许广泛实施和现实世界实际采用的方式来解决。其中的各种原因，一个是缺乏的方法，允许在高维空间和非平凡的传感器约束的信息路径规划。在这项工作中，我们提出了一个基于采样的方法，使我们能够应对大的和高维的搜索空间的挑战。这是通过在高维连续空间中执行知情采样并在奖励估计中沿边缘合并潜在信息增益来完成的。该方法快速生成一个全局路径，最大化的信息增益为给定的路径预算约束。我们讨论了我们的实现的一个例子使用情况下，搜索多个感兴趣的对象在一个大的搜索空间使用一个固定翼无人机与前向摄像头的细节。我们将我们的方法与基于抽样的计划者基线进行比较，并展示了我们的贡献如何使我们的方法始终超过基线18.0%。因此，我们提出了一个实用的和可推广的信息路径规划框架，可用于非常大的环境，有限的预算，和高维搜索空间，如机器人与运动约束或高维配置空间。
2022-10-11 cs.RO
