Approximating Constraint Manifolds Using Generative Models for Sampling-Based Constrained Motion Planning
任务约束下的基于采样的运动规划是具有挑战性的,因为配置空间中的零测量约束流形使得拒绝采样即使不是不可能,也是极其低效的。提出了一种基于学习的约束运动规划问题采样策略。我们研究了两个著名的深度生成模型,条件变分自编码器(CVAE)和条件生成对抗网(CGAN)的使用,以生成满足约束的样本配置。而不是预先计算的图形,我们使用生成模型的约束参数近似的约束流形。这种方法允许有效地绘制满足约束的样本在线,而不需要修改现有的基于采样的运动规划算法。我们评估这两个生成模型的效率,他们的抽样精度和抽样分布的覆盖率。在两个机器人平台上进行了不同约束任务的仿真和实验。
2022-04-14 cs.AI cs.RO
Representation, learning, and planning algorithms for geometric task and motion planning
Korea Advanced Institute of Science and Technology(韩国科学技术院);Optimus Ride
我们提出了一个学习指导几何任务和运动规划(GTAMP)的框架。GTAMP是任务和运动规划的一个子类,其目标是将多个对象移动到可移动障碍物中的目标区域。标准的图搜索算法不能直接应用,因为GTAMP问题涉及混合搜索空间和昂贵的动作可行性检查。为了解决这个问题,我们引入了一种新的规划器,扩展基本的启发式搜索与随机抽样和启发式功能,优先可行性检查有前途的状态动作对。这种纯粹的规划者的主要缺点是他们缺乏从规划经验中学习以提高效率的能力。我们提出了两个学习算法来解决这个问题。第一种是用于学习引导离散任务级搜索的秩函数的算法,第二种是用于学习引导连续motionlevel搜索的采样器的算法。我们提出了设计数据高效算法的设计原则,用于从规划经验和表示中学习有效的泛化。我们评估我们的框架在具有挑战性的GTAMP问题,并表明我们可以提高规划和数据效率
2022-03-09 cs.AI cs.LG 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
Dynamic Curvature Constrained Path Planning
本研究开发并评估了二维空间下的动态曲率约束路径规划算法DCCPPA,通过与RRT、PRM对比验证其性能与适应性,展现了其在多领域实际路径规划问题中的应用潜力。
2024-10-04 cs.RO
Constrained Iterative LQG for Real-Time Chance-Constrained Gaussian Belief Space Planning
Tsinghua University(清华大学);Shanghai Qizhi Institute(上海期智研究院);University of California, Berkeley(加州大学伯克利分校);University of Tokyo(东京大学)
不确定条件下的运动规划对于自动驾驶汽车等安全关键系统具有重要意义。这样的系统必须满足必要的约束(例如,碰撞避免),其具有来自受干扰的系统动态或噪声传感器测量的潜在不确定性。然而,现有的运动规划方法不能有效地找到一般非线性和非凸设置下的鲁棒最优解。本文提出了机会约束的高斯置信空间规划问题,并提出了一种实时的【形】求解约束迭代线性二次高斯(CILQG)算法。在该算法中,我们迭代地计算一个高斯近似的信念和转换的机会约束。我们评估我们的方法在模拟自动驾驶规划任务的静态和动态障碍物的有效性。结果表明,CILQG能更好地处理不确定性,计算时间比基线方法更快。
2021-08-21 cs.RO cs.SY eess.SY
Interaction-Merged Motion Planning: Effectively Leveraging Diverse Motion Datasets for Robust Planning
Visual Intelligence Lab., KAIST, Korea(韩国韩世科技大学视觉智能实验室);Intelligent Systems and Learning Lab., DGIST, Korea(韩国全南国立科学技术院智能系统与学习实验室)
针对多轨迹数据集利用中的领域不平衡、遗忘与高成本问题,提出IMMP,通过预融合与融合参数检查点迁移多样化交互,并在多个基准和模型上取得优于传统方法的规划性能。
2025-07-25 cs.AI cs.CV cs.LG
Dynamically Constrained Motion Planning Networks for Non-Holonomic Robots
University of California San Diego(加州大学圣迭戈分校)
可靠的机器人实时规划在当今快速扩张的自动化生态系统中至关重要。在这样的环境中,传统的方法,计划放松约束变得不可靠或运动约束的机器人慢。本文介绍了算法动态运动规划网络(动态MPNet),运动规划网络的扩展,非完整机器人,解决实时运动规划的挑战,使用神经规划方法。我们提出了对训练和规划网络的修改,使其能够进行实时规划,同时提高训练的数据效率和训练模型的泛化能力。我们评估我们的模型在模拟规划任务的非完整机器人。我们还展示了实验结果的室内导航任务使用Dubins车。
2020-08-12 cs.RO cs.SY eess.SY
A review of motion planning algorithms for intelligent robotics
University of Eastern Finland(东芬兰大学);Shenzhen Technology University(深圳技术大学)
研究和分析了典型的运动规划算法的原理。这些包括传统的规划算法,监督学习,最优值强化学习,策略梯度强化学习。我们研究的传统规划算法包括图搜索算法、基于采样的算法和插值曲线算法。监督学习算法包括MSVM、LSTM、MCTS和CNN。最优值强化学习算法包括Q学习、DQN、双DQN、决斗DQN。策略梯度算法包括策略梯度法、行动者-批评者算法、A3 C、A2 C、DPG、DDPG、TRPO和PPO。通过分析比较,提出了评价运动规划算法性能和应用的新的通用标准。重点分析了最优值算法和策略梯度算法的收敛速度和稳定性。根据运动规划算法的原理和分析比较,提出了未来的发展方向。本文对机器人运动规划算法的优缺点、相互关系和未来发展趋势有了一个清晰全面的认识,为更好的运动规划算法的研究铺平了道路。
2021-02-05 cs.AI 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
Online, interactive user guidance for high-dimensional, constrained motion planning
Carnegie Mellon University(卡内基梅隆大学)
本文研究了高维机器人的无碰撞路径规划问题。具体来说,我们建议一个规划框架,运动规划算法可以从用户获得指导。与现有的方法,试图加快规划,结合经验或示范规划之前,我们建议寻求用户的指导,只有当规划师确定,它停止朝着目标取得重大进展。指导以中间配置$\hat{q}$的形式提供,用于使计划员偏向通过$\hat{q}$。我们展示了我们的方法的情况下,规划算法是多启发式A*(MHA*)和机器人是一个34自由度的人形。我们表明,我们的方法允许计算高度约束的路径,几乎没有领域知识。如果没有我们的方法,解决这些问题需要精心制作依赖于领域的算法。
2018-07-20 cs.RO
Potential Based Diffusion Motion Planning
Brown University(布朗大学);MIT(麻省理工学院)
针对高维空间运动规划易陷局部极小值的问题,提出基于神经网络学习易优化势函数的运动规划方法,性能优于现有方法且具备良好约束泛化能力。
2024-07-08 cs.CV cs.LG cs.RO
Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints
Department of Computer Science, University of Innsbruck(因斯布鲁克大学计算机科学系)
本文提出了一种基于对象中心抽象的统一任务与运动规划方法,利用现成AI启发式搜索生成物理可行计划,无需复杂几何推理。
2026-01-30 cs.AI cs.RO
Learning Obstacle Representations for Neural Motion Planning
Inria(法国国家信息与自动化研究所);École normale supérieure(巴黎高等师范学院);CNRS(法国国家科学研究中心);PSL Research University(巴黎文理研究大学);University Grenoble Alpes(格勒诺布尔大学);Grenoble INP(格勒诺布尔理工学院)
运动规划和避障是机器人应用中的关键挑战。虽然先前的工作成功地为已知环境提供了优秀的解决方案,但在新的动态环境中基于传感器的运动规划仍然很困难。在这项工作中,我们解决基于传感器的运动规划从学习的角度来看。在视觉识别的最新进展的动机,我们认为学习适当的表示运动规划的重要性。我们提出了一个新的障碍表示的基础上的PointNet架构和训练它与避障政策。我们的实验评估我们的方法在具有挑战性的环境中的刚体运动规划,并展示了显着的改进,在准确性和效率方面的最先进的。
2020-11-07 cs.AI cs.CV cs.LG
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
Optimal Control for Constrained Coverage Path Planning
本文研究了在地图中存在障碍物约束下,如何通过改进线性扫掠覆盖方法实现最小能量/时间最优和最大面积覆盖,并分析不同参数对性能的影响。
2017-08-10 cs.RO cs.SY eess.SY
LLM3:Large Language Model-based Task and Motion Planning with Motion Failure Reasoning
University of California, Los Angeles(加州大学洛杉矶分校);BIGAI(北京智源人工智能研究院)
提出LLM^3框架,利用大语言模型通过运动失败推理迭代优化任务与运动规划,实现领域无关接口,仿真与物理实验验证其有效性与实用性。
2024-08-21 cs.AI cs.RO
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
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
Combined Task and Motion Planning as Classical AI Planning
ICREA(加泰罗尼亚高级研究学院);Universitat Pompeu Fabra(庞培法布拉大学)
机器人规划通常分为任务规划和运动规划。高级的符号任务规划器决定需要做什么,而运动规划器检查可行性并填充几何细节。然而,已知的是,这样的分解通常不是有效的,因为符号和几何分量不是独立的。在这项工作中,我们表明,有可能将任务和运动规划问题编译成经典的AI规划问题;即,规划问题的有限和离散状态空间与已知的初始状态,确定性的行动,和目标状态达到。编译是合理的,这意味着经典计划是有效的机器人计划,并且概率上是完整的,这意味着当采样足够数量的配置时,有效的机器人计划是经典计划。在这种方法中,运动规划器和碰撞检查器用于编译,但不是在规划时。使该方法有效的关键要素是:1)表达经典的AI规划语言,用于以紧凑的形式表示编译的问题,与PDDL不同,它使用函数和状态约束,以及2)通用的基于宽度的搜索算法,能够仅使用弱算法在巨大的组合空间中找到计划。经验结果PR 2机器人操纵数十个对象,需要长期计划。
2017-06-21 cs.AI cs.RO
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology(麻省理工学院)
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证,而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中,我们提出了概率Chekov(p-Chekov),一个快速反应的运动规划系统,可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性,而无需凸化障碍物。本文提供的全面的理论和实证分析表明,p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
PATACON: GPU-Parallel Tangent-Bundle RRT-Connect for Constrained Motion Planning
Kwangwoon University(光云大学);Seoul National University(首尔大学)
本研究提出GPU并行双向规划器PATACON,通过探索切空间利用流形几何降低约束运动规划的计算开销,在双臂闭链等人形机器人任务中实现最高11.25倍加速,提升了规划效率。
2026-10-12 cs.RO
Task-Motion Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
本文提出了一种集成任务-运动规划(TMP)的大规模环境下导航框架。自主机器人在现实世界的复杂场景中运行,需要在离散(任务)空间和连续(运动)空间中进行规划。在知识密集型领域,一方面,机器人必须在最高级别进行推理,例如导航到的区域;另一方面,必须在执行级别检查相应导航任务的可行性。这提出了对运动规划感知任务规划器的需求。我们讨论了一个概率完整的方法,利用这种任务-运动交互导航在室内域,返回一个计划,是最佳的任务级。此外,我们的框架是为了运动规划下的运动和感知的不确定性,这是正式称为信念空间规划。底层的方法进行了验证与模拟办公环境中的凉亭。此外,我们讨论了局限性,并提供改进和未来工作的建议。
2019-10-24 cs.AI cs.RO
cpRRTC: GPU-Parallel RRT-Connect for Constrained Motion Planning
针对 GPU 上基于采样的约束运动规划不足及 pRRTC 在复杂模型与环境中的局限,提出利用 NVRTC 运行时编译的 cpRRTC 并行框架,以高效支持高复杂度约束规划并提升性能。
2025-05-11 cs.RO
Motion Planning Networks
University of California San Diego(加利福尼亚大学圣地亚哥分校)
快速高效的运动规划算法对于自动驾驶汽车等许多最先进的机器人应用至关重要。现有的运动规划方法变得无效,因为它们的计算复杂性随着运动规划问题的维度呈指数增加。为了解决这个问题,我们提出了运动规划网络(MPNet),一个基于神经网络的新的规划算法。所提出的方法直接从点云测量中编码给定的路径,并为给定的起始和目标配置生成端到端的无碰撞路径。我们评估MPNet的各种二维和三维环境,包括规划的7自由度巴克斯特机器人机械手。结果表明,MPNet不仅在所有环境中都具有一致的计算效率,而且还可以推广到完全不可见的环境。结果还表明,MPNet的计算时间始终保持不到1秒,在所有提出的实验,这是显着低于现有的国家的最先进的运动规划算法。
2019-02-24 cs.AI cs.RO stat.ML
Motion Memory: Leveraging Past Experiences to Accelerate Future Motion Planning
George Mason University(乔治梅森大学)
本文提出 Motion Memory 方法,将过往规划经验以黑盒或白盒方式复用于不同运动规划器,在三万多个实例上验证其可显著缩短规划时间。
2024-03-13 cs.RO
Motion Planning Explorer: Visualizing Local Minima using a Local-Minima Tree
University of Stuttgart(斯图加特大学)
运动规划问题往往有许多局部最小值。这些最小值对于可视化以让用户引导、防止或预测运动是重要的。为了实现这一目标,我们开发的运动规划资源管理器,一种算法,让用户交互式地探索一棵树的局部极小值。根据Morse理论的思想,我们将局部极小定义为在最小化成本泛函下的路径不变。局部最小值使用由用户指定的低维投影被分组到局部最小值树中。然后,用户可以交互式地探索局部最小值树,从而可视化问题结构并引导或防止运动。我们展示了运动规划资源管理器忠实地捕捉本地最小值在四个现实的情况下,完整和某些非完整的机器人。
2019-11-03 cs.AI cs.RO
Neural Motion Planning for Autonomous Parking
Hanyang University(汉阳大学)
本文提出了一种混合运动规划策略,该策略将深度生成网络与传统的运动规划方法相结合。现有的规划方法,如A* 和混合A* 被广泛用于路径规划任务,因为他们的能力,以确定可行的路径,即使在复杂的环境中,但是,他们有效率方面的限制。为了克服这些局限性,引入了一种基于神经网络的路径规划算法,即神经混合A*。本文提出了使用条件变分自编码器(CVAE)引导搜索算法,利用CVAE的能力,学习有关的规划空间的停车环境的信息。一个非均匀的扩展策略是利用的基础上的可行的轨迹分布在演示中学习。所提出的方法有效地学习了一个给定的状态的表示,并在算法性能方面的改进。
2021-11-16 cs.LG cs.RO
Admissible Abstractions for Near-optimal Task and Motion Planning
Massachusetts Institute of Technology(麻省理工学院)
我们定义了一个可接受的条件,抽象表示使用天使的语义,并表明这些条件使我们能够加快规划,同时保持找到最佳运动计划的能力。然后,我们推导出两个连续状态的运动规划域的容许抽象。我们提取的上限和下限的具体运动计划的成本使用本地度量和拓扑性质的问题域。这些界限在保持性能保证的同时指导对计划的搜索。我们表明,抽象可以显着降低搜索的复杂性相对于一个直接的运动规划。使用我们的抽象,我们发现接近最佳的运动计划,涉及$10^{13}$状态的规划问题,而不使用单独的任务规划。
2018-06-03 cs.AI cs.RO
Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations
Uber ATG(Uber 先进技术集团);University of Toronto(多伦多大学)
在本文中,我们提出了一种新型的端到端可学习网络,该网络可以为自动驾驶车辆执行联合感知,预测和运动规划,并产生可解释的中间表示。与现有的神经运动规划器不同,我们的运动规划成本与我们的感知和预测估计一致。这是通过一种新颖的可区分的语义占用表示来实现的,该表示被明确地用作运动规划过程的成本。我们的网络是从人类演示中端到端学习的。在大规模手动驾驶数据集和闭环仿真中的实验表明,该模型在模仿人类行为的同时产生更安全的轨迹,显着优于最先进的规划器。
2020-08-13 cs.AI cs.CV cs.LG
Chance Constrained Motion Planning for High-Dimensional Robots
Massachusetts Institute of Technology(麻省理工学院)
本文介绍了概率Chekov(p-Chekov),一个机会约束运动规划系统,可应用于高自由度(DOF)机器人运动不确定性和不完善的状态信息。给定过程和观测噪声模型,它可以找到可行的轨迹,满足用户指定的边界上的碰撞概率。利用我们以前在确定性运动规划中的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在高维任务的规划速度方面表现出优越性。P-Chekov将线性二次高斯运动规划方法应用到机器人状态概率分布的估计中,将积分理论应用到航路点碰撞风险估计中,并采用风险分配方法来分配航路点之间的允许故障概率。与其他现有的风险感知规划器不同,p-Chekov可以应用于高自由度的机器人规划任务,而无需对环境进行凸化。本文的实验结果表明,该p-Chekov系统可以有效地降低碰撞风险,并满足用户指定的机会约束,在典型的现实世界规划场景的高自由度机器人。
2018-11-07 cs.RO
Task-assisted Motion Planning in Partially Observable Domains
University of Genoa(热那亚大学);Arizona State University(亚利桑那州立大学)
本文提出了一种基于信念空间的机器人导航任务-运动规划集成框架。自主机器人在现实世界的复杂场景中运行,需要在离散(任务)空间和连续(运动)空间中进行规划。为此,我们提出了一个框架内的混合任务规划整合信念空间推理。PDDL+的表达能力与语义驱动的语义附件相结合,在规划时执行传播和后验信念估计。讨论了开发组合混合规划器的基本方法,为改进和未来的工作提供了建议。此外,我们验证了我们的方法的关键方面,在模拟中使用一个现实的情况。
2019-08-27 cs.AI cs.RO
Robot Motion Planning as Video Prediction: A Spatio-Temporal Neural Network-based Motion Planner
Rutgers University(罗格斯大学)
基于神经网络的机器人运动规划方法由于其强大的学习能力和固有的高度并行性而成为一种有吸引力的方法。尽管目前在这方面的发展,有效地捕捉和处理重要的顺序和空间信息,以直接和同时的方式,仍然是相对不足的探索。为了克服这一挑战并释放神经网络在运动规划任务中的潜力,本文提出了STP-Net,这是一个端到端的学习框架,可以充分提取和利用重要的时空信息来形成有效的神经运动规划器。通过将机器人的运动解释为视频片段,机器人运动规划被转换为可以由STP-Net以空间和时间有效的方式执行的视频预测任务。在不同的可见和不可见环境中的经验评估表明,STP-Net在规划速度和路径成本方面表现出非常有前途的性能,准确率接近100%(也就是成功率)。与现有的基于神经网络的运动规划器相比,STP-Net在2D随机森林、2D迷宫和3D随机森林环境中分别实现了至少5倍、2.6倍和1.8倍的速度和更低的路径成本。此外,在多机器人运动规划任务中,STP-网络可以快速、同时地计算出多条近似最优路径
2022-08-24 cs.LG cs.RO
Logically Constrained Robotics Transformers for Enhanced Perception-Action Planning
Carnegie Mellon University(卡内基梅隆大学);Scaled Foundations
本文提出将信号时序逻辑规范融入自回归 Transformer 轨迹规划的新方法,并构建预训练数据集,使规范满足率较基线提升 74.3%。
2024-08-09 cs.AI cs.RO
MPTP: Motion-Planning-aware Task Planning for Navigation in Belief Space
University of Genoa(热那亚大学)
我们提出了一个集成的任务-运动规划(TMP)框架,在大规模环境中的导航。最近,用于操纵的TMP引起了极大的兴趣,导致不同方法的扩散。相比之下,用于导航的TMP受到的关注要少得多。自主机器人在现实世界的复杂场景中运行,需要在离散(任务)空间和连续(运动)空间中进行规划。在知识密集型领域,一方面,机器人必须在最高级别进行推理,例如,要采购的对象,要导航到的区域,以便获取它们;另一方面,必须在执行级别检查相应导航任务的可行性。这提出了对运动规划感知任务规划器的需求。在本文中,我们讨论了一个概率完整的方法,利用这种任务运动的相互作用,在大型知识密集型领域的导航,返回一个计划,是最佳的任务级。该框架旨在用于运动和感知不确定性下的运动规划,其正式名称为信念空间规划。底层的方法在模拟中得到验证,在办公室环境中,其可扩展性在更大的柳树车库的世界进行了测试。还提供了与最接近我们方法的工作的合理比较。我们还证明了我们的方法的适应性,考虑建筑物楼层导航域。最后,我们也讨论了我们的方法的局限性,并提出了改进和未来工作的建议。
2021-04-10 cs.AI cs.RO
Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks
UC San Diego(加州大学圣地亚哥分校)
基于采样的运动规划是机器人技术中一种在连续空间中寻找路径的常用方法。碰撞检测是该过程中的主要计算瓶颈。我们提出了新的基于学习的方法,通过训练执行路径探索和路径平滑的图神经网络来减少碰撞检查以加速运动规划。给定从批量采样生成的随机几何图(RGG),路径探索组件迭代地预测无冲突边缘以优先考虑它们的探索。路径平滑组件然后优化从探索阶段获得的路径。该方法受益于GNN通过批量采样从RGG捕获几何图案的能力,并更好地推广到不可见的环境。实验结果表明,学习组件可以显着减少碰撞检查,提高整体规划效率,在具有挑战性的高维运动规划任务。
2022-10-17 cs.AI cs.RO
Vectorizing Projection in Manifold-Constrained Motion Planning for Real-Time Whole-Body Control
Department of Computer Science, Purdue University(普渡大学计算机科学系);School of Mechanical Engineering, Purdue University(普渡大学机械工程学院)
本文提出一种基于SIMD加速的流形约束运动规划器,通过并行化视角重新审视基于投影的约束满足方法,实现对复杂系统如人形机器人轨迹规划的实时约束满足。
2026-04-14 cs.RO
Learn and Link: Learning Critical Regions for Efficient Planning
School of Computing, Informatics, and Decision Systems Engineering(计算、信息与决策系统工程学院);Arizona State University(亚利桑那州立大学);Tempe, Arizona 85281((地址,不应提取))
本文提出了一种新的方法来学习运动规划(MP)的环境中的关键区域是从一组给定的运动计划,并用于提高性能的新的环境和问题的情况。我们引入了一套新的基于采样的运动规划器,学习和链接。我们的规划人员利用关键区域来克服均匀采样的局限性,同时仍然保持基于采样的算法固有的正确性保证。我们还表明,卷积神经网络(CNN)可用于识别运动规划问题的关键区域。我们评估学习和链接对规划师从开放式运动规划库(OMPL)使用一套广泛的实验具有挑战性的运动规划问题。我们表明,我们的方法需要更少的规划时间比现有的抽样为基础的规划师。
2020-03-07 cs.AI cs.RO
Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions
本文提出一种交织调度与运动规划的增量学习框架,用于多物体共享空间的调度与运动规划,通过符号时空运动抽象提升复杂时空约束下的执行效率。
2026-03-19 cs.AI cs.RO
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
Evaluating Guiding Spaces for Motion Planning
University of Illinois(伊利诺伊大学);Texas A&M University(得克萨斯农工大学)
基于随机采样的算法被广泛应用于机器人运动规划中,由于问题的棘手性,并在实验上有效的范围广泛的问题实例。大多数变体不会随机均匀地抽样,而是使用各种方法来确定哪些样本将提供更多信息,或者更有可能参与最终解决方案。在这项工作中,我们定义了\emph{motion planning guiding space},它封装了许多看似不同的工作在同一个框架下。此外,我们提出了一个信息理论的方法来评估引导规划的地方,重点放在所产生的有偏采样的质量。最后,我们分析了几个运动规划算法,以证明我们的定义和评估的适用性。
2022-10-16 cs.AI cs.RO
PAAMP: Polytopic Action-Set And Motion Planning for Long Horizon Dynamic Motion Planning via Mixed Integer Linear Programming
Robotics Engineering Department, Worcester Polytechnic Institute(沃斯特理工学院机器人工程系);Electrical Engineering Department, California Polytechnic State University(加州州立大学弗雷斯诺分校电子工程系)
本文提出PAAMP方法,通过多边形动作集将长时间动态运动规划转化为混合整数线性规划问题,用于解决复杂动态系统中的运动规划与约束满足问题。
2024-08-28 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
SeGMan: Sequential and Guided Manipulation Planner for Robust Planning in 2D Constrained Environments
Bilkent University(毕尔肯大学)
本文提出混合运动规划框架SeGMan,结合采样与优化技术及引导式前向搜索,通过自适应子目标选择和可泛化启发式方法,有效解决2D受限环境中的复杂顺序操作挑战,并在迷宫类任务中优于现有方法。
2025-03-06 cs.RO
Group-Control Motion Planning Framework for Microrobot Swarms in a Global Field
University of Illinois Chicago(伊利诺伊大学芝加哥分校)
提出面向全局场微型机器人群体的 group-control 运动规划框架,证明 STLC 条件及最少分组数,并分析复杂度权衡与基元设计。
2024-12-10 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
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley(加州大学伯克利分校)
多关节机器人的运动规划具有挑战性。由于问题的复杂性,大多数现有的工作分解运动规划作为更容易的子问题。然而,由于不一致的性能指标,只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题,提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Search-Based Robot Motion Planning With Distance-Based Adaptive Motion Primitives
Faculty of Electrical Engineering, University of Sarajevo, Bosnia and Herzegovina(萨拉热窝大学电气工程学院);RWTH Aachen University, Germany(亚琛工业大学)
本文提出将自由构型空间中的burs作为自适应运动基元融入图搜索算法,结合采样与搜索规划,在SMPL库中实现,显著提升高自由度机械臂在复杂场景下的路径规划效率。
2025-07-01 cs.AI cs.CG cs.RO
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University(莱斯大学)
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库,利用了流行的MoveIt库和机器人操作系统(ROS)中间件。Robowflex提供了一个增强的API,用于在单个程序中制作和操作运动规划查询,使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例,同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1)开发新的运动规划器,2)评估运动规划器,以及3)使用运动规划作为子例程的复杂问题(例如,任务和运动规划)。Robowflex还提供可视化功能,与其他机器人库的集成(例如,DART和Tesseract),并补充其他机器人软件包。使用我们的库,用户不需要是ROS或MoveIt的专家,就可以设置运动规划查询,从结果中提取信息,并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
Chemistry Lab Automation via Constrained Task and Motion Planning
University of Toronto(多伦多大学);Vector Institute(矢量研究所);University of Waterloo(滑铁卢大学);Nvidia(英伟达)
化学家需要在实验室中进行许多费力和耗时的实验,以发现和了解新材料的特性。为了支持和加速这一过程,我们提出了一个机器人框架的操作,自主进行化学实验。我们的框架接收化学实验的高级抽象描述,感知实验室工作空间,并自主计划多步动作和运动。机器人与各种实验室设备进行交互,并执行生成的计划。我们的方法的一个关键组成部分是约束任务和运动规划使用PDDLStream求解器。通过引入受约束的运动规划器来防止碰撞和溢出。我们的规划框架可以使用已实施的行动和实验室工具进行不同的实验。我们展示了我们的框架对各种材料的浇注技巧和材料合成的两个基本化学实验:溶解度和重结晶的实用性。
2023-03-27 cs.RO
I-Planner: Intention-Aware Motion Planning Using Learning Based Human Motion Prediction
UNC Chapel Hill(北卡罗来纳大学教堂山分校)
我们提出了一个运动规划算法来计算无碰撞和平滑的轨迹,高自由度机器人与人类在一个共享的工作空间。我们的方法使用离线学习的人类行为以及时间的连贯性来预测人类的行动。我们的意图感知在线规划算法使用学习的数据库来计算基于预测动作的可靠轨迹。我们表示预测的人体运动使用高斯分布和计算安全的运动规划碰撞概率的严格上限。我们还描述了新的技术,以占人体运动预测中的噪声。我们强调了我们的规划算法在复杂的模拟场景和现实世界的基准与7自由度机器人手臂在一个工作空间与人类执行复杂的任务。我们证明了我们的意图感知规划的好处,在这种不确定的环境中计算安全的轨迹。
2017-11-27 cs.RO
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架,用于UR5e机械臂的主动碰撞避免,以提升人机协作安全性。
2026-09-29 cs.RO
Towards Efficient Motion Planning for UAVs: Lazy A* Search with Motion Primitives
University of Southern California(南加州大学);University of Michigan(密歇根大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文针对无人机机载计算资源受限导致实时规划困难的问题,将惰性搜索概念引入基于搜索的规划算法,提出基于运动基元的 Lazy A* 搜索方法,可高效找到无碰撞且动态可行的最优轨迹,显著提升计算效率。
2024-11-12 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
Chance-Constrained Motion Planning using Modeled Distance-to-Collision Functions
University of California San Diego(加州大学圣地亚哥分校)
本文介绍了一种用于机器人系统在运动和状态估计不确定情况下的运动规划算法--机会约束高斯过程-运动规划(CCGP-MP)。本文的核心思想是捕捉的变化,碰撞距离测量所造成的不确定性,在状态估计技术使用高斯过程(GP)模型。我们制定的规划问题作为一个机会约束问题,并提出了一个确定性的约束,使用建模的距离函数来验证的机会约束。我们应用单纯形同调全局优化(SHGO)方法来寻找全局最小值的确定性约束函数沿轨迹和使用的最小值来验证的机会约束。在此公式下,我们可以证明优化函数在一定条件下是光滑的,并且SHGO收敛到全局最小值。因此,CCGP-MP将始终保证规划轨迹上的所有点满足给定的机会约束。实验结果表明,CCGP-MP算法在运动和状态不确定的情况下,能够生成满足最优性准则的路径,减少碰撞。我们的机器人模型和路径规划算法的实现可以在GitHub上找到。
2021-07-22 cs.RO