Minimum-Violation Temporal Logic Planning for Heterogeneous Robots under Robot Skill Failures
Washington University in St. Louis(圣路易斯华盛顿大学)
针对异构机器人团队在技能失效时难以完成LTL编码协作任务的问题,提出反应式规划算法,通过重新分配子任务、局部修正规划以最小化任务违反,经理论分析和实验验证有效。
2025-04-17 cs.RO
Incremental Sampling-based Algorithm for Minimum-violation Motion Planning
Massachusetts Institute of Technology(麻省理工学院);Royal Institute of Technology(皇家理工学院);Masaryk University(马萨里克大学)
研究了具有微分约束的动态系统在满足一组安全性规则的同时,满足给定可达性目标的控制策略综合问题。特别注意的是,只有当一个子集的安全规则被违反,成为可行的目标。所提出的算法计算的控制律,最大限度地减少不安全的水平,同时保证达到预期的目标。这个问题的动机是自动驾驶汽车在城市环境中导航,同时遵循道路规则,例如“始终在右车道行驶”和“不要频繁改变车道”。基于采样的运动规划算法,如概率道路图(PRM)和快速探索随机树(RRT)背后的想法,逐步构建一个有限的具体化的动态作为一个持续的Kripke结构。与此结合,使用捕获安全规则的加权有限自动机,以便找到最小化违反安全规则的最佳轨迹。我们证明了所提出的算法保证渐近最优性,即,几乎必然收敛到最优解。我们提出了一个自主的城市移动按需系统的模拟实验和实施的结果。
2013-11-06 cs.RO
Minimum-violation LTL Planning with Conflicting Specifications
Masaryk University(马萨里克大学);Massachusetts Institute of Technology (MIT)(麻省理工学院(MIT))
我们考虑的问题,自动生成的控制策略的机器人车辆给出了一组高层次的任务规范,如“车辆x必须最终访问目标区域,然后返回基地”,“区域A和B必须定期调查,”或“没有车辆可以进入一个不安全的区域。“我们专注于由于不兼容和/或环境限制而无法同时达到所有给定规格的情况。我们的目标是找到最少违反控制策略,同时考虑不同的优先级,满足不同的部分的任务。形式上,我们考虑以线性时序逻辑公式的形式给出的任务,每个任务都被分配了一个奖励,当公式得到满足时就会获得奖励。利用自动机为基础的模型检验的想法,我们提出了一个算法,找到一个最优控制策略,最大限度地提高了回报的总和,如果这个控制策略被应用。我们证明了所提出的算法上的一个说明性的案例研究。
2013-03-15 cs.RO
Commonsense-Grounded Path Planning from Abstract Instructions
CyberAgent Inc.(CyberAgent公司);Nagoya University(名古屋大学)
CoRS利用大语言模型和视觉语言模型,将抽象指令转化为遵循常识的路径,通过常识排序发现未言明的考量并规划绕行,实验验证其优于现有LLM规划器。
2026-09-22 cs.AI cs.RO
Recognising Affordances in Predicted Futures to Plan with Consideration of Non-canonical Affordance Effects
Shinshu University(信州大学);EPSON Avasys(爱普生Avasys公司)
我们提出了一个新的系统,行动序列规划的基础上的启示识别和神经前向模型预测启示执行的影响相结合。通过对预测的未来进行启示识别,我们避免了对多步规划的明确启示效应定义的依赖。因为系统从经验数据中学习启示效果,所以系统不仅可以预见启示的规范效果,还可以预见特定于情况的副作用。这允许系统避免由于这种非典型效应而导致的规划失败,并且使得可以利用非典型效应来实现给定的目标。我们评估系统的模拟,在一组测试任务,需要考虑规范和非规范的启示效应。
2022-06-22 cs.AI cs.RO
CCO-VOXEL: Chance Constrained Optimization over Uncertain Voxel-Grid Representation for Safe Trajectory Planning
IIIT Hyderabad(印度海得拉巴国际信息技术学院);University of Tartu(塔尔图大学)
我们提出CCO-VOXEL:这是第一个机会约束优化(CCO)算法,可以直接在世界的体素网格表示上实时计算具有概率安全保证的轨迹计划。CCO-VOXEL将到最近障碍物的距离上的分布映射到碰撞约束违反的分布,并计算最小化违反概率的最佳轨迹。重要的是,与现有的作品,我们从来没有假设的传感器的不确定性或由此产生的碰撞约束违反的概率分布的性质。我们利用Hilbert空间嵌入分布和最大平均离散度(MMD)的概念来计算原始机会约束优化问题的易处理的代理,并采用基于A* 的图搜索和交叉熵方法的组合来获得其最小值。我们表现出有形的性能增益碰撞避免和轨迹平滑的结果,我们的概率公式与国家的最先进的规划方法,不考虑这种非参数噪声。最后,我们还展示了如何结合低维特征嵌入和预缓存的内核矩阵的MMD使我们能够实现实时性能的模拟,以及在实现上的商品硬件,控制四旋翼飞行
2022-04-05 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
Optimal Routing Strategies for Autonomous Underwater Vehicles in Time-Varying Environment
Institute for Ocean Technology, National Research Council Canada(加拿大国家研究委员会海洋技术研究所)
提出了一种基于图方法的时变环境下的路径规划任务系统及其实现算法。所介绍的路径规划算法的基本任务是找到一个时间最优的路径从一个定义的起始位置到目标位置与考虑时变的海洋流的自主水下航行器(AUV)。在此基础上,本文讨论了规划中其他面向实践的考虑因素。这些要点是讨论加速算法的可能方法和确定最佳出发时间。本文提出的解决方案和算法集中在AUV“SLOCUM滑翔机”的路径规划要求。这些算法同样适用于其他AUV或空中移动自主系统。
2020-08-04 cs.RO
Multimodal Trajectory Planning for Surface Vehicles using Turning Circle-based Control Barrier Functions
Kongju National University(公州国立大学)
本文针对动态环境下自主水面航行器,提出结合MPC与TC-CBF的无引导路径多模态轨迹规划框架,可提升避碰成功率、减少安全违规并缓解局部极小问题。
2026-08-21 cs.RO
Modification of Gesture-Determined-Dynamic Function with Consideration of Margins for Motion Planning of Humanoid Robots
South China University of Technology(华南理工大学);Nanyang Technological University(南洋理工大学);Georgia Institute of Technology(佐治亚理工学院)
姿态确定动态函数(GDDF)为解决人形机器人的控制问题提供了一种有效的方法。具体地说,GDDF被用来约束人形机器人的双臂的运动,并在一定条件下操纵特定的姿态来执行要求苛刻的任务。然而,该方案仍有不足之处。通过实验发现,双臂的关节在关节角度水平上会略微超出其极限,可视为冗余度机器人。GDDF的性能直接取决于预先设计的参数,这导致该方法对实际应用缺乏适应性。本文提出了一种考虑边缘的GDDF改进方案(MGDDF)。这种MGDDF方案是基于二次规划(QP)框架,这是广泛应用于解决冗余解决问题的机器人手臂。此外,在建议的MGDDF计划,以避免联合限制三个边缘。考虑到这些裕度,人形机器人的机械手的关节将不会超过其极限,并且将完全避免由于超过极限而可能造成的潜在损害。在MATLAB上进行的计算机模拟进一步验证了所提出的MGDDF方案的可行性和优越性。
2020-08-16 cs.RO cs.SY eess.SY
Nightmare Dreamer: Dreaming About Unsafe States And Planning Ahead
Nightmare Dreamer是一种基于模型的安全强化学习算法,通过预测潜在安全违规并规划动作,在机器人控制任务中实现了接近零安全违规和高奖励效率。
2026-01-08 cs.LG cs.RO
PanelShield: Verifiable Closed-Loop Safe Planning for Robotic Industrial Panel Operation
针对工业面板操作的安全约束规划问题,提出PanelShield框架,结合LTL与安全FSM实现可验证闭环规划,实验表明其可降低违规率至2.7%并提升任务性能。
2026-08-31 cs.AI cs.RO
Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment
本文提出由径向基函数网络指导的运动规划框架,结合RBFN候选轨迹生成、碰撞概率评估与轨迹优化,在城市驾驶场景中提升风险感知并减少车辆限制违规,确保安全与可解释性。
2026-07-30 cs.RO
Counterexamples for Robotic Planning Explained in Structured Language
University of Virginia(弗吉尼亚大学);The University of Texas at Austin(得克萨斯大学奥斯汀分校);UCLA(加利福尼亚大学洛杉矶分校)
自动化技术,如模型检验已被用来验证基于马尔可夫决策过程(MDP)的机器人任务计划的模型,并生成反例,可以帮助诊断的要求违反。然而,这样的人工产物可能太复杂,人类无法理解,因为反例的现有表示通常包括大量的路径或复杂的自动机。为了提高反例的可解释性,我们定义了一个可解释的反例的概念,它包括一组结构化的自然语言句子来描述机器人的行为,导致在机器人任务计划的MDP模型的需求违反。我们提出了一种基于混合整数线性规划生成可解释的反例,是最小的,健全的和完整的方法。我们通过仓库机器人规划的案例研究证明了所提出的方法的有用性。
2018-03-23 cs.CL cs.FL cs.RO
Safe POMDP Online Planning among Dynamic Agents via Adaptive Conformal Prediction
School of Engineering and Applied Science, University of Virginia(弗吉尼亚大学工程与应用科学学院);University of Oxford(牛津大学)
针对多动态智能体环境下 POMDP 在线规划的安全问题,提出利用 ACP 量化轨迹预测不确定性并即时构建安全屏障,在真实行人数据实验中兼顾回报与概率安全保证。
2024-09-06 cs.RO
Motion Planning for a Pair of Tethered Robots
Texas A&M University(德克萨斯农工大学)
考虑到环境中包含多边形障碍物,我们解决的问题,规划运动的平面机器人通过有限长度的电缆连接到另一个。就像以前的问题,一个单一的机器人通过电缆连接到一个固定的基地,直线的视线能见度起着重要的作用。本文展示了如何减少可见性图提供了一个自然的离散化,并捕捉两个机器人的情况下,以及非常有效的基本拓扑考虑。然而,与单个机器人的情况不同,有界电缆长度引入了关于协调的考虑(或者等效地,当从集中式规划者的角度来看时,相对定时),这使问题变得复杂。事实上,本文必须引入一个比以前的单机器人工作更复杂的形式化,以建立核心的理论结果-一个定理,允许问题被视为寻找路径而不是轨迹之一。一旦确定,规划问题就简化为一个简单的图搜索,用一个优雅的连接电缆表示,只需要一些额外的辅助检查,以确保电缆的充足性,以保证解决方案的可行性。我们描述了我们的实现A ${}^\star$搜索,并报告实验结果。最后,我们规定了一个最佳的执行算法提供的解决方案。
2021-02-25 cs.AI cs.RO
Safety Aware Task Planning via Large Language Models in Robotics
University of Minnesota – Twin Cities(明尼苏达大学双城分校);Institute for Robotics and Intelligent Machines (IRIM), Georgia Institute of Technology(佐治亚理工学院机器人与智能机器研究所);Pontificia Universidad Católica de Chile(智利天主教大学)
针对大语言模型驱动的机器人任务规划重任务完成轻安全的问题,提出多LLM框架SAFER,通过协同安全智能体、LLM-as-a-Judge指标及CBF控制框架实现安全感知,经仿真与硬件实验验证其在保效率的同时减少安全违规。
2025-03-19 cs.AI cs.RO
Navigational Path-Planning For All-Terrain Autonomous Agricultural Robot
劳动力的短缺和维护成本的增加迫使许多农业企业家转向自动化和机械化方法。自主系统的关键组成部分是所使用的路径规划技术。覆盖路径规划(CPP)算法用于在农田上导航,以执行各种农业操作,如播种、犁耕或喷洒农药和肥料。本文报告比较了新的算法,自主导航的农田。为了减少导航的限制,考虑到特定的印度环境的高分辨率网格地图表示。通过将网格单元区分为覆盖的、未探索的、部分探索的和存在障碍物来覆盖自由空间。比较算法的性能进行评估,如时间效率,空间效率,准确性和鲁棒性的变化,在环境中的指标。采用机器人操作系统(ROS)、达索系统体验平台(3DS Experience)、MATLAB和Python对算法进行了仿真。实验结果证明了该算法在自主野外导航中的适用性和在机器人路径规划中的可行性。
2021-09-07 cs.CV cs.RO
MaCoPlanner: LLM-Assisted Manual-Compiled Task Planning with Proactive Safety Verification for Robotic Industrial Panel Operation
Huazhong University of Science and Technology(华中科技大学);University of New South Wales(新南威尔士大学)
MaCoPlanner是面向机器人工业面板操作的规划框架,通过编译设备手册知识生成规划,经主动安全验证后执行,大幅提升了任务成功率,在Level-2、Level-3任务上分别提升了21.6、17.3个百分点。
2026-08-31 cs.AI cs.RO
Consideration of Vehicle Characteristics on the Motion Planner Algorithm
University of Michigan Dearborn(密歇根大学迪尔伯恩分校)
针对现有轨迹规划器未考虑质心高度影响导致不同车辆(尤其是高质心车辆)轨迹非最优的问题,提出一种采用简化双轨模型、基于稳态方程估计侧向和侧倾载荷转移以及简化轮胎模型的规划器,以降低求解器负担,并在高/低加速度条件和不同车辆高度下与粒子模型和运动学模型规划器进行对比。
2024-07-23 cs.RO cs.SY eess.SY
Predictive Traffic Rule Compliance using Reinforcement Learning
本文提出将运动规划器与深度强化学习结合,用运动规划模块替代actor-critic中的actor网络,并以交通规则鲁棒性为奖励训练critic指导轨迹选择,有效预测并防止交通违规,提升自动驾驶安全与合规性。
2025-04-04 cs.AI cs.RO
DEC-LOS-RRT: Decentralized Path Planning for Multi-robot Systems with Line-of-sight Constrained Communication
University of California at Berkeley(加州大学伯克利分校)
多智能体系统的分散规划,例如搜索和救援行动中的机器人舰队,通常受到智能体如何相互通信的限制。一个这样的限制是当代理只能在视线(LOS)中时才能彼此通信的情况。在这种情况下,开发分散的规划方法来保证安全是很困难的,因为相互封闭的代理可能无法通信,直到为时已晚才能避免违反安全规定。在本文中,我们开发了一个分散的规划方法,明确避免的情况下,缺乏其他代理的可见性将导致不安全的情况。建立在现有的快速探索随机树(RRT)为基础的方法之上,我们的方法保证在每次迭代的安全性。仿真研究表明,我们的方法的有效性,并比较性能退化方面的千里眼分散规划算法,代理可以进行通信,尽管没有在LOS的对方。
2022-03-04 cs.RO cs.SY eess.SY
Online, Reachability-Aware, Sampling-Based Motion Planning
本文提出一种在线可达性感知的基于采样的运动规划方法,通过快速区间流水线计算可达集超近似,在无需预计算下达到先进性能,并显著降低安全违规。
2026-09-09 cs.RO cs.SY eess.SY
An Integrated Framework of Decision Making and Motion Planning for Autonomous Vehicles Considering Social Behaviors
School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与宇航工程学院)
提出了一种新的综合方法,以处理的决策和运动规划的自动驾驶汽车(AV)的车道变换操纵考虑周围交通乘员的社会行为。通过驾驶风格和周围车辆的意图来反映,在建模过程中考虑了社会行为。然后,应用Stackelberg博弈理论解决决策问题,将其转化为一个非合作博弈问题。此外,在运动规划模型中引入势场,利用不同的势函数来描述周围车辆的不同行为和道路约束。然后,利用模型预测控制(MPC)来预测自主车辆的状态和轨迹。最后,决策和运动规划,然后集成到一个有约束的多目标优化问题。考虑到周围车辆的不同社会行为的三个测试场景进行了验证所提出的方法的性能。测试结果表明,该集成方法能够解决与其他交通参与者的不同社会互动,为自动驾驶汽车做出正确、安全的决策和规划,证明了其可行性和有效性。
2020-05-22 cs.RO cs.SY eess.SY