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
Configuration Space Decomposition for Scalable Proxy Collision Checking in Robot Planning and Control
University of California San Diego（加州大学圣地亚哥分校）
复杂高维环境下机器人的实时运动规划是一个亟待解决的问题。运动规划算法及其底层碰撞检查器对于任何机器人控制堆栈都至关重要。在机器人运动规划中，碰撞检测占据了很大一部分计算时间。现有的碰撞检查器在速度和精度之间进行权衡，并且对于高维复杂环境的扩展性很差。我们提出了一种新的空间分解方法，使用K-Means聚类的正运动学空间加速代理碰撞检查。我们训练个人配置空间模型使用Fastron，一个核心感知器算法，在这些分解的子空间，产生紧凑而高度准确的模型，可以快速查询和更好地扩展到更复杂的环境。我们在7自由度Baxter机器人上演示了这种名为Decomposed Fast Perceptron（D-Fastron）的新方法，与最先进的几何碰撞检查器相比，碰撞检查速度平均快29倍，运动规划速度快9.8倍。
2022-01-26 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
Collision-free Path Planning in the Latent Space through cGANs
Waseda Univ.（早稻田大学）；AIST（日本产业技术综合研究所）；Univ. of Cergy-Pontoise（塞吉-蓬图瓦兹大学）；Preferred Networks（优选网络公司）
我们展示了一种通过cGAN进行无碰撞路径规划的新方法，将其潜在空间映射到机器人关节空间的无碰撞区域。我们的方法简单地提供了这个无碰撞的潜在空间之后，任何计划，使用任何优化条件，可以用来生成最合适的路径上飞。我们成功地验证了这种方法与模拟两连杆机器人手臂。
2022-02-15 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
Probabilistic Collision Constraint for Motion Planning in Dynamic Environments
University of Genoa（热那亚大学）
无碰撞轨迹的在线生成对于自主导航至关重要。动态环境、机器人运动和传感不确定性给防撞系统带来了进一步的挑战。本文提出了一种动态环境中，机器人和障碍物的状态不确定性的避碰方法。我们推导出了机器人与障碍物碰撞概率的严格上界，并将其表示为一个运动规划约束，该约束可实时的求解。所提出的方法进行了测试，在考虑移动机器人以及四旋翼的仿真，以证明成功的碰撞避免是在实时的应用。我们还提供了我们的方法与几个国家的最先进的方法的比较。
2021-04-04 cs.RO
Learning-Based Proxy Collision Detection for Robot Motion Planning Applications
Department of Electrical and Computer Engineering, University of California San Diego（加利福尼亚大学圣地亚哥分校电气与计算机工程系）；University of California San Diego（加利福尼亚大学圣地亚哥分校）；Electrical and Computer Engineering, University of California San Diego（加利福尼亚大学圣地亚哥分校电气与计算机工程）
本文表明，碰撞检测密集型应用程序，如机器人运动规划，可以通过执行碰撞检查与机器学习模型加速。我们提出了Fastron，一个基于学习的算法来模拟机器人的配置空间，作为一个代理碰撞检测器的地方标准的几何碰撞检查。我们证明，利用代理碰撞检测器的结果在机器人仿真和规划的性能比最先进的碰撞检测库的数量级更快。我们的研究结果表明，Fastron学习模型的速度比竞争对手的C空间建模方法快100倍以上，同时还提供了学习收敛的理论保证。使用OMPL运动规划库，我们能够在不同的机器人和环境复杂性的所有实验中生成初始运动计划。使用Fastron，我们可以以56 Hz的速率从头开始重复执行规划，显示其在与人类控制的操纵器共享环境中的自主手术辅助任务中的应用。尽管仅使用基于CPU的计算，但仍然实现了所有性能增益，这表明可以并行化张量代数的GPU方法可以进一步提高计算增益。代码可在线获取。
2019-02-21 cs.RO
CollisionSplatting: Collision-Aware Motion Planning in 3DGS Scenes with Image-Conditioned Objectives and Adjustable Conservatism
New York University（纽约大学）；University of Klagenfurt（克拉根福大学）；Artificial and Natural Intelligence Toulouse Institute (ANITI)（图卢兹人工智能与自然智能研究所）
提出CollisionSplatting，一种GPU加速、可调保守性的概率距离度量，直接作用于3DGS场景，结合图像条件奖励实现联合几何与视觉规划，在MPPI和RRT规划器中达到同等或更优碰撞分类性能，同时提高吞吐量并降低VRAM使用。
2026-09-29 cs.RO
Fast and Bounded Probabilistic Collision Detection in Dynamic Environments for High-DOF Trajectory Planning
University of North Carolina（北卡罗来纳大学）
我们提出了一种新的方法来执行高自由度的机器人和高自由度的障碍物在动态，不确定的环境中的概率碰撞检测。在高自由度机器人和移动障碍物的动态环境中，我们的方法有效地计算机器人和障碍物之间的准确碰撞概率的误差上限。此外，我们描述了一个预测算法，未来的障碍物的位置和运动，占空间和时间的不确定性。提出了一种基于概率碰撞检测的高自由度机器人在动态、不确定环境中的轨迹优化算法。我们强调运动规划性能在具有挑战性的情况下，机器人手臂在动态移动的人类障碍物的环境中操作。
2016-07-16 cs.RO
Topological Robotics: Subspace Arrangements and Collision Free Motion Planning
本文研究拓扑机器人的一个基本问题：一组不同的$n$粒子的集体运动，其中一个粒子必须从一个初始构型移动到一个最终构型，要求在运动过程中不发生碰撞。最终的目标是构建一个算法，一旦初始和最终的配置是给定的，将执行此任务。这就归结为一个拓扑问题：求\R^m中$n$不同有序粒子的构形空间C_n（\R^m）的拓扑复杂度TC（C_n（\R^m））.我们对m=2（平面情形）和所有奇数m（包括m=3的情形（三维空间中的粒子））解决了这个问题。我们还研究了欧几里得空间中以超平面排列为障碍的更一般的运动规划问题。
2002-10-08 cs.RO math.AT math.DG
Robotic Sculpting with Collision-free Motion Planning in Voxel Space
Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们探讨了机器人雕刻的任务。提出了一种基于搜索的多轴机械手材料去除造型规划算法。我们生成无碰撞轨迹的操纵器使用最佳优先搜索体素空间。我们还展示了显着的加速我们的算法，通过使用八叉树分解体素空间。我们展示了我们的算法在模拟多轴机械手雕刻米开朗基罗的大卫雕像，评估我们的算法的某些指标，并讨论该项目的未来目标。
2019-11-17 cs.RO
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University（庆北国立大学）
本文针对高速公路自动驾驶中的车辆交互问题，提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架，并基于庞特里亚金极小值原理实现轨迹优化，仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty
University of Genoa（热那亚大学）
计算无碰撞轨迹对于安全航行至关重要。我们提出了一种方法来计算碰撞概率高斯分布的运动和传感器的不确定性与机器人和静态障碍物的形状近似为椭球。碰撞条件被制定为椭球体之间的距离，与以前的方法不同，我们提供了一种方法来计算准确的碰撞概率。此外，我们提供了一个严格的上限，可以更快地计算在线规划。还提供了与其他最先进的方法的比较。在不同的配置和障碍物的数量下，所提出的方法进行了评估模拟。
2021-10-12 cs.AI cs.RO
Narrow Passage Path Planning using Collision Constraint Interpolation
Seoul National University（首尔大学）
针对狭窄通道路径规划中可行路径难找、计算开销大及深度穿透导致优化失败的问题，提出通过碰撞约束插值生成序列子问题的优化框架。
2024-10-28 cs.RO
Safe and Efficient Path Planning under Uncertainty via Deep Collision Probability Fields
TU Darmstadt（达姆施塔特工业大学）；German Research Center for AI (DFKI)（德国人工智能研究中心）
本文提出 Deep Collision Probability Fields，将采样式碰撞概率估计转移到训练阶段，以神经网络快速推理支持含不确定静态与动态障碍物的二维安全路径规划。
2024-09-06 cs.AI cs.RO
Path planning for autonomous vehicles with minimal collision severity
Universität der Bundeswehr München（慕尼黑联邦国防军大学）
本文提出一种针对自动驾驶车辆的两层最优控制路径规划算法，通过生成碰撞严重度图，在碰撞不可避免时寻找严重度最低且转向力最小的路径，并验证了其有效性。
2024-08-28 cs.RO math.OC
CaSCo: Cascade-Aware Soft-Collision Motion Planning
Nanyang Technological University（南洋理工大学）
针对传统碰撞规划忽视物体接触后果差异的问题，提出CaSCo框架，利用视觉-语言模型分配语义风险，结合物理模拟预测级联碰撞，搜索最小化总风险的最优路径，并通过实验验证其有效性。
2026-09-17 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
A Learning-Based Framework for Collision-Free Motion Planning
针对杂乱环境无碰撞运动规划问题，本文提出基于学习的CF规划器扩展框架，用深度神经网络从深度图像推断最优增益，无需手动调参即可实时规划，在仿真和Franka Emika Panda机器人上验证了其任务完成能力与更优泛化性。
2025-11-14 cs.RO
TD3 Based Collision Free Motion Planning for Robot Navigation
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TD3-DWA混合算法，融合DWA与TD3并优化采样间隔参数，实现复杂环境下机器人无碰撞路径规划，仿真实验验证其提升自主导航可靠性与安全性。
2024-05-24 cs.RO
Scenario-Based Motion Planning with Bounded Probability of Collision
TU Delft（代尔夫特理工大学）
提出Safe Horizon MPC方法，通过场景优化和预测控制显式约束运动规划周期内与所有障碍物碰撞的联合概率，有效减少保守性并保证概率安全。
2023-07-03 cs.RO
Anytime Motion Planning on Large Dense Roadmaps with Expensive Edge Evaluations
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
我们提出了一个算法框架，用于在大型密集几何路线图上进行有效的随时运动规划，在碰撞检查和边缘评估的计算成本很高的领域。大的密集路线图（图）通常可以确保大多数运动规划问题的高质量解决方案的存在，但是路线图的大小，特别是在高维空间中，使得现有的基于搜索的规划算法在计算上昂贵。我们以两种方式处理昂贵的搜索和冲突检查的挑战。首先，我们框架的问题，任何时候运动规划的路线图搜索的最短路径在整个路线图的一系列子图，产生的一些致密化策略。这使我们能够实现有界的次最优与有界的最坏情况下的规划工作。其次，对于搜索每个子图，我们开发了一个随时规划算法，使用的信念模型来计算未知配置的碰撞概率和搜索路径的帕累托最优的路径长度和碰撞概率。该算法是有效的碰撞检查，因为它搜索连续较短的路径。我们从理论上分析了我们的想法，并分别对高维运动规划问题进行评估。最后，我们将这两个想法一起应用在我们的算法框架中，用于任何时候的运动规划，并表明它在高维超立方体问题上优于BIT*。
2017-11-10 cs.RO
Motion Planning for Collision-resilient Mobile Robots in Obstacle-cluttered Unknown Environments with Risk Reward Trade-offs
University of California, Riverside（加州大学河滨分校）
在未知障碍物杂乱的环境中避免碰撞可能并不总是可行的。本文重点介绍了一种新的范式转变，即可以利用而不是完全避免与环境的潜在碰撞。为此，我们引入了一种新的基于采样的在线规划算法，可以明确地处理与环境碰撞的风险，并可以在碰撞避免和碰撞利用之间切换。规划者的能力的核心是一个新的联合优化功能，使用反射模型评估可能的碰撞的影响。通过这种方式，规划者可以做出与环境碰撞的深思熟虑的决定，如果这种碰撞有望帮助机器人朝着目标前进。为了使算法在线，我们提出了一个状态扩展修剪技术，显着减少了搜索空间，同时确保完整性。该算法的实验评估与内置的内部完整轮式机器人，可以承受碰撞。我们进行了广泛的参数研究，以调查（用户调整）的风险水平之间的权衡，故意碰撞决策，和轨迹统计，如时间，以达到目标和路径长度。
2020-09-04 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
Learning Configuration Space Belief Model from Collision Checks for Motion Planning
Carnegie Mellon University（卡内基梅隆大学）
对于高维构形空间中的运动规划，一个重要的计算瓶颈是碰撞检测。我们的目标是通过使用碰撞测试的结果创建配置空间的信念模型来减少碰撞检查的预期数量。我们假设机器人的配置空间是一个连续的环境空间，相邻的点往往共享相同的碰撞状态。这使我们能够制定一个概率模型，分配给未评估的配置是无碰撞的信念估计。我们已经提出了一个详细的比较分析的各种kNN方法和距离度量用于评估C-空间的信念。我们还提出了一个加权矩阵在C空间，以提高性能的kNN方法。此外，我们提出了一种拓扑方法，利用C空间的高阶结构来生成一个信念模型。我们的研究结果表明，我们提出的拓扑方法优于kNN方法，实现更高的模型精度，同时计算效率。
2019-02-10 cs.AI cs.RO
A Differentiable Signed Distance Representation for Continuous Collision Avoidance in Optimization-Based Motion Planning
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出了一套新的条件，以准确地表示碰撞避免的约束条件内的优化为基础的运动规划算法。这些条件是连续可微的，因此适合与标准非线性优化求解器一起使用。该方法表示凸形状使用的支持函数表示，因此是相当普遍的。对于涉及多面体或椭球形状的碰撞避免，所提出的方法引入了更少的变量和约束比现有的方法。此外，所提出的方法可以用来严格地确保连续的碰撞避免作为车辆之间的离散姿态之间的转换所确定的运动规划算法。数值例子表明，这可以用来防止切角和通过障碍物时可能发生的碰撞避免只在离散的时间步长执行的问题。
2023-02-20 cs.RO cs.SY eess.SY
Optimal Motion Planning using Finite Fourier Series in a Learning-based Collision Field
Zhejiang University（浙江大学）
针对机械臂运动规划中碰撞场非凸导致的局部极小值问题，提出用有限傅里叶级数表示连续运动、结合带高斯核的SVM学习凸碰撞场与自适应内点法的最优规划方法，提升了规划的可靠性与效率。
2023-12-14 cs.LG cs.RO math.OC
DK-RRT: Deep Koopman RRT for Collision-Aware Motion Planning of Space Manipulators in Dynamic Debris Environments
University of California, Irvine（加州大学尔湾分校）；Illinois Institute of Technology（伊利诺伊理工学院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Davis（加州大学戴维斯分校）；University of California, Berkeley（加州大学伯克利分校）
本文提出DK-RRT框架，将深度学习与Koopman算子理论及RRT相结合，通过深度神经网络学习碎片动力学非线性嵌入并利用在线传感器反馈优化预测，实现动态碎片环境下空间机械臂的高效碰撞感知运动规划，仿真验证了其在适应性、鲁棒性和计算效率上的优势。
2025-07-05 cs.RO
Neural Collision Clearance Estimator for Batched Motion Planning
Google（谷歌）
我们提出了一个神经网络碰撞检测启发式，ClearanceNet，和规划算法，CN-RRT。ClearanceNet学习预测相对于工作空间的分离距离（机器人与工作空间之间的最小距离）。然后，CN-RRT通过利用ClearanceNet的三个关键功能有效地计算运动计划。首先，CN-RRT通过同时扩展多个节点来探索空间，处理数千个冲突检查的批次。第二，CN-RRT自适应地放宽了对更困难问题的清除要求。第三，为了修复错误，CN-RRT在ClearanceNet的梯度方向上移动其节点，并使用传统RRT修复任何剩余错误，从而保持理论上的概率完整性保证。在多达30个自由度的配置空间中，ClearanceNet实现了比传统碰撞检测方法高845倍的加速，而CN-RRT将运动规划的速度提高了42%，并将路径查找效率提高了36%。在一个11自由度的机器人在一个混乱的环境中的实验证实了该方法的可行性在真实的机器人。
2020-07-15 cs.LG cs.RO
Decentralized Motion Planning with Collision Avoidance for a Team of UAVs under High Level Goals
KTH Royal Institute of Technology（瑞典皇家理工学院）
研究了在高水平目标下的空中智能体团队的运动规划问题。我们提出了一种混合控制策略，保证每个代理的本地目标规范，这是作为一个时间逻辑公式的完成，同时保证代理间的冲突避免。特别是，通过定义3-D领域，绑定代理的体积，我们扩展了以前的工作分散的导航功能，并提出控制律，导航代理之间的预定义区域的工作空间的兴趣，同时避免相互碰撞。这使我们能够抽象的代理有限转移系统的运动，并通过采用标准的形式化验证技术，得到一个高层次的控制算法，满足代理的规格。仿真和四旋翼实验结果验证了该方法的有效性。
2016-10-04 cs.RO
Efficient Path Planning In Manipulation Planning Problems by Actively Reusing Validation Effort
University of Stuttgart（斯图加特大学）；TU Berlin（柏林工业大学）
在操纵规划和任务及运动规划设置中出现的路径规划问题通常是重复的：同一操纵器在仅轻微改变的空间中移动。尽管有这种信息再利用的潜力，但很少有规划者充分利用现有的信息。为了更好地实现这种重用，我们将碰撞检查分解为可重用和不可重用的部分。然后，我们把操作规划中的路径规划问题的序列作为一个多查询路径规划问题。这允许使用规划器，主动地最小化多个查询的规划工作，并且通过这样做，主动地重用先前的知识。我们实现了这种方法在ESTO * 和努力有序LazyPRM*，并在多个模拟机器人的例子基准。此外，我们还表明，分解冲突检查的方法还可以在同一问题的多个不同实例上重用所获得的知识，即，在多查询操作规划场景中。规划者使用分解碰撞检查优于其他规划者在初始解决方案的时间高达两个因素，同时提供了类似的解决方案的质量。
2023-03-01 cs.RO
Cooperative Multi-Agent Path Finding: Beyond Path Planning and Collision Avoidance
Technion（以色列理工学院）
我们介绍了合作多智能体路径寻找（Co-MAPF）问题，经典的MAPF问题的扩展，其中合作行为被纳入。在这种设置中，一组自主智能体在共享环境中操作，并且必须完成协作任务，同时避免与组中的其他智能体发生冲突。这个扩展自然地模拟了许多现实世界的应用程序，其中需要多组代理进行协作以完成给定的任务。为此，我们对Co-MAPF问题进行了形式化，并引入了基于冲突的协作搜索（Co-CBS），这是一种基于CBS的算法，用于为广泛的Co-MAPF问题最佳地解决该问题。Co-CBS使用集成到CBS中的协作规划模块，使得协作规划与路径规划解耦。最后，我们提出了实证结果几个MAPF基准证明我们的算法的属性。
2021-05-23 cs.AI cs.MA cs.RO
Online Search-based Collision-inclusive Motion Planning and Control for Impact-resilient Mobile Robots
University of California, Riverside（加州大学河滨分校）
本文重点研究碰撞包容性运动规划和控制的冲击弹性移动机器人的新兴范式转变，并开发了一个统一的层次框架，在未知和部分可观察的混乱空间导航。在较低的水平，我们开发了一个变形恢复控制和轨迹重新规划策略，处理碰撞，可能会发生在运行时，本地。低级别系统主动检测碰撞（通过内置的-house中的移动机器人上的嵌入式霍尔效应传感器），使机器人能够从碰撞中恢复，并局部调整碰撞后的轨迹。然后，在更高的层次上，我们提出了一个基于搜索的规划算法，以确定如何最好地利用潜在的冲突，以提高某些指标，如控制能量和计算时间。我们的方法建立在具有跳跃点的A* 上。我们生成了一个新的启发式函数，碰撞检查和调整技术，从而使A* 算法收敛速度更快，通过开发和利用可能的碰撞达到目标。通过结合全局A* 算法和局部变形恢复和重新规划策略生成的整体分层框架，以及该框架的各个组件，在仿真和实验中进行了广泛的测试。消融研究将链接到相关的最先进的基于搜索的碰撞避免规划器（用于整体框架），以及基于搜索的碰撞避免和基于采样的碰撞包容性全局规划器（用于更高级别）。结果表明，我们的方法的碰撞包容性运动规划和控制在未知的环境中孤立的障碍物一类的冲击弹性机器人在2D操作的有效性。
2022-10-18 cs.RO cs.SY eess.SY
Modified Hybrid A* Collision-Free Path-Planning for Automated Reverse Parking
Ohio State University（俄亥俄州立大学）
本文提出改进的混合A*算法用于自动倒车，结合动态模型和碰撞避障功能，实现碰撞自由的可行路径规划。
2025-12-12 cs.RO cs.SY eess.SY
Design, Contact Modeling, and Collision-inclusive Planning of a Dual-stiffness Aerial RoboT (DART)
School of Manufacturing Systems and Networks, Ira A. Fulton Schools of Engineering, Arizona State University（制造系统与网络学院，伊拉·A·福尔顿工程学院，亚利桑那州立大学）
本文提出双刚度飞行机器人DART，通过锁定机构切换刚性与柔性模式以适应不同环境，并基于线性互补系统理论建立碰撞响应预测模型，推进了空中机器人的包含碰撞轨迹规划。
2025-04-26 cs.RO
Exploration, Path Planning with Obstacle and Collision Avoidance in a Dynamic Environment
Universidade da Beira Interior（贝拉内政大学）
如果我们给机器人一个任务，将物体从当前位置移动到未知环境中的另一个位置，机器人必须探索地图，识别所有类型的障碍物，然后确定完成任务的最佳路线。我们提出了一个数学模型，以找到一个最佳的路径规划，避免碰撞的所有静态和移动的障碍物，并具有最小的完成时间和最小的行驶距离。该模型不考虑障碍物和机器人周围的限界框，使机器人可以非常接近障碍物而不与其发生碰撞。我们考虑了两种类型的障碍物：确定性障碍物，包括所有静态障碍物，如不移动的墙壁和所有移动障碍物，其移动具有固定的模式，以及非确定性障碍物，包括所有障碍物，其移动可以在任何时间以某种概率分布在任何方向发生。我们还考虑了机器人的加速度和减速度，以提高避碰。
2022-08-19 cs.RO
ParaMaP: Parallel Mapping and Collision-free Motion Planning for Reactive Robot Manipulation
School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院）
ParaMaP通过并行映射与SMPC规划器实现未知环境中机器人操作的实时无碰撞运动规划。
2025-12-27 cs.RO
End-to-end deep learning-based framework for path planning and collision checking: bin picking application
University of Victoria（维多利亚大学）；Apera AI（阿佩拉人工智能公司）
提出端到端 PPCNet，通过双网络顺序生成并验证无碰撞路径点，结合模仿学习与几何碰撞函数逼近，在料箱拣选实验中显著降低规划时间。
2023-03-31 cs.RO cs.SY eess.SY
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
Predictive Collision Management for Time and Risk Dependent Path Planning
LMU Munich（慕尼黑大学）
自动驾驶汽车或包裹机器人等自主智能体需要识别并避免可能与障碍物发生碰撞，以便在其环境中成功移动。然而，人类已经学会了凭直觉预测运动，并以前瞻性的方式避开障碍物。避碰任务可以分为全局和局部两个层次。关于全球层面，我们提出了一种方法，称为“预测碰撞管理路径规划”（PCMP）。在地方一级，使用避免碰撞的解决方案，以防止不可避免的碰撞。因此，PCMP的目的是使用预测碰撞管理来避免不必要的局部碰撞场景。PCMP是一种基于图的算法，其重点在于由三个部分组成的时间维度：（1）运动预测，（2）将运动预测集成到时间相关图中，以及（3）时间和风险相关路径规划。该算法结合了搜索最短路径的问题：绕道值得避免可能的碰撞情况？我们在不同的模拟场景中评估了规避行为，结果表明，风险敏感的代理可以避免47.3%的碰撞场景，而绕道1.3%。一个规避风险的代理避免了高达97.3%的碰撞场景，绕道39.1%。因此，一个代理的规避行为可以控制主动和风险依赖于使用PCMP。
2020-11-26 cs.AI cs.LG cs.RO
Collision-Free Poisson Motion Planning in Ultra High-Dimensional Molecular Conformation Spaces
Stanford University（斯坦福大学）；SLAC National Accelerator Laboratory（SLAC国家加速器实验室）；University of Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）
蛋白质、RNA和DNA的功能通过三维构象之间的快速、动态交换来调节。利用精确和零空间逆运动学，以可旋转键为旋转关节，以非共价相互作用为完整约束，对生物分子进行构象采样，可以准确地表征这些天然系综。然而，采样生物分子仍然具有挑战性，因为它们的超高维配置空间，以及避免（自）碰撞的要求，这导致低接受率。在这里，我们提出了两种新的机制来克服这些限制。首先，我们在近碰撞链接之间引入了临时约束。由此产生的约束品种瞬间重定向搜索无碰撞的构象，并耦合运动之间的遥远的部分的联系。其次，我们采用了一个随机泊松盘运动规划，防止局部过采样和扩大搜索，超高的维度。我们评估了我们的算法在几个模型系统。我们的贡献适用于一般的高维运动规划问题的静态和动态环境中的障碍。
2016-07-25 cs.RO
Easing Reliance on Collision-free Planning with Contact-aware Control
MIT（麻省理工学院）
我们相信，机器人运动规划的未来将与今天看起来非常不同：而不是复杂的防撞轨迹与脆弱的依赖感测和估计的环境，运动计划应该包括平滑，简单的轨迹，并由机器人执行，不害怕接触。在这里，我们提出了一个“接触感知”控制器，它继续执行给定的轨迹，尽管意外的碰撞，同时保持接触力稳定和小。我们引入了一个二次规划（QP）制定，它最大限度地减少了准静态动力学和接触力约束的跟踪误差。与经典的零空间投影技术相比，在所提出的QP控制器的接触力的不等式约束允许更温和的释放时，机器人出来的接触。在准静态动力学模型中，控制动作仅包括命令的关节位置，允许QP控制器在刚度控制的机器人上运行，该机器人没有直接的扭矩控制接口，也没有准确的动态模型。所提出的QP控制器的有效性证明了在库卡iiwa手臂。
2021-09-26 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
Fast MILP-based Task and Motion Planning for Pick-and-Place with Hard/Soft Constraints of Collision-Free Route
Data Science Research Laboratories, NEC Corporation（日本电气股份有限公司数据科学研究实验室）
提出了一种新的基于优化的任务和运动规划（TAMP）模型，用于机器人拾取和放置（P&P），以低计算成本规划动作序列和运动轨迹。我们改进了现有的国家的最先进的TAMP模型集成的避碰，这是制定为一个混合整数线性规划（MILP）问题。为了使MILP求解器能够有效地搜索解决方案，我们引入了两种利用机器人P& P中碰撞避免功能的方法。第一种方法通过将其重新表述为连续变量来减少与交付对象碰撞避免相关的二进制变量的数量。具有额外的硬约束。这些硬约束通过有条件地将与机器人的搬运动作状态和碰撞避免相关的二进制值传播到重构的连续变量来保持一致性。第二种方法更了解分支定界方法，这是现代MILP求解器的基本算法。这种方法通过添加软约束来引导MILP求解器找到具有较浅分支的整数解，该软约束软地限制机器人围绕递送对象的路线。我们证明了所提出的方法与现代MILP求解器的有效性。
2021-09-06 cs.RO
ARMOR: Egocentric Perception for Humanoid Robot Collision Avoidance and Motion Planning
Carnegie Mellon University（卡内基梅隆大学）；Apple（苹果公司）
针对仿人机器人在密集环境中运动规划的感知缺陷，提出集成软硬件的ARMOR第一视角感知系统，通过分布式感知增强空间意识，结合基于Transformer的模仿学习策略，在仿真和真实机器人上实现更优避碰与运动规划性能。
2024-11-30 cs.LG cs.RO
Forward Kinematics Kernel for Improved Proxy Collision Checking
University of California San Diego（加州大学圣地亚哥分校）
核函数可以在机器人技术中用于比较机器人的不同姿态，诸如在碰撞检查、逆运动学和运动规划中。这些比较通常基于联合空间测量提供距离度量，并且每秒执行数百或数千次，连续地用于变化的环境。很少有例子存在于创建新的内核，尽管它们在机器人控制和规划的计算性能和鲁棒性的显着影响。我们引入了一个新的核函数的基础上的正运动学（FK）比较机器人操作器的配置。我们将新的FK内核集成到我们的代理碰撞检查器Fastron中，Fastron以前在碰撞检查和运动规划方面表现出显着的速度改进。与以前使用的径向基函数内核相比，使用新的FK内核，我们实现了代理碰撞检查速度的两倍加速，内存减少了8倍，并将7自由度机器人手臂的分类准确率从75%提高到95%以上。与最先进的几何碰撞检查器相比，使用FK内核，碰撞检查现在快了9倍。为了展示该方法的广泛性，我们将Fastron FK应用于OMPL中的各种运动规划器，一致显示出更快的机器人规划。
2019-10-14 cs.RO
An NMPC Approach using Convex Inner Approximations for Online Motion Planning with Guaranteed Collision Avoidance
University of Freiburg（弗莱堡大学）；Robert Bosch GmbH（罗伯特·博世股份有限公司）
尽管移动机器人已经存在了几十年，但轨迹优化和连续时间碰撞避免仍然是积极研究的主题。现有的方法在路径质量、计算复杂性和运动动力学可行性之间进行权衡。这项工作的方法的问题，使用非线性模型预测控制（NMPC）的框架，这是基于一种新的凸内近似的避碰约束。所提出的凸内近似（CIAO）方法发现kinodynamically可行的和连续的时间无碰撞的轨迹，在几个迭代，通常一个。对于可行的初始化，该方法保证找到可行的解决方案，即它保持可行性。我们的实验评估表明，CIAO优于最先进的基线规划效率和路径质量方面。在具有12个状态的机器人上的实验表明，它也可以扩展到高维系统。此外，真实世界的实验表明，它的能力，统一的轨迹优化和跟踪的安全运动规划在动态环境中。
2020-03-01 cs.RO cs.SY eess.SY
LAGO Policy: Latency-Aware Asynchronous Diffusion Policies with Goal-Directed Collision-Free Planning for Smooth Manipulation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；International Digital Economy Academy（国际数字经济学院）；The University of Hong Kong（香港大学）；Southern University of Science and Technology（南方科技大学）
提出LAGO策略，通过延迟感知条件引导和时空轨迹优化，解决异步扩散策略的间断和碰撞问题，实现平滑安全的操作。
2026-06-17 cs.RO
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
Collision detection or nearest-neighbor search? On the computational bottleneck in sampling-based motion planning
Blavatnik School of Computer Science, Tel-Aviv University（特拉维夫大学布拉瓦特尼克计算机科学学院）；Carnegie Mellon University（卡内基梅隆大学）
最近邻搜索的复杂性决定了许多基于采样的运动规划算法的渐近运行时间。然而，碰撞检测往往被认为是在实践中的计算瓶颈。检查各种渐近最优规划算法，我们表征设置，我们称之为NN敏感，其中最近邻搜索的实际计算作用远非可以忽略不计，即，最近邻搜索所占用的运行时间部分与冲突检测所占用的时间部分相当，或者有时甚至更大。这加强并证实了运动规划算法可以显著受益于高效且可能专门定制的最近邻数据结构的主张。这些算法的渐近（近）最优性依赖于规定的连接半径，在配置$q$周围定义一个球，使得$q$需要连接到该球中的所有其他配置。为了方便我们的研究，我们展示了如何适应这个半径的非欧几里德空间，这是普遍的运动规划。该技术结果具有独立的意义，因为它使得能够将径向连接方法与常见的替代方案进行比较，即，将每个配置连接到其$k$最近的邻居（$k$ -NN）。事实上，正如我们所证明的，在某些情况下，使用径向连接方案，产生特定成本的解决方案路径比使用$k$ -NN快十倍（甚至更多）。
2016-10-30 cs.CG cs.RO
Collision-free Trajectory Planning for Autonomous Surface Vehicle
College of Control Science and Technology, Zhejiang University（浙江大学控制科学与工程学院）；Institute of Cyber-Systems and Control, Zhejiang University（浙江大学智能系统与控制研究所）
在本文中，我们提出了一种高效和准确的方法，自主表面车辆生成一个光滑的和无碰撞的轨迹，考虑其动力学约束。将轨迹规划问题解耦为前端可行路径搜索和后端运动学轨迹优化。首先，建立了双推力欠驱动水面舰艇的数学模型。然后采用基于采样的路径搜索方法，在障碍物周围环境中寻找一条渐近最优路径，并从中提取多个航路点，在后端采用数值优化方法生成轨迹。从野外航行安全的角度出发，提出了航行走廊法，以保证航迹远离障碍物。此外，考虑到有限的燃料ASV携带，我们设计了一个数值目标函数，可以优化一个节省燃料的轨迹。最后，我们在仿真环境中验证和比较所提出的方法，结果符合我们的预期轨迹。
2020-05-20 cs.RO
Feasible Computationally Efficient Path Planning for UAV Collision Avoidance
Nanyang Technological University（南洋理工大学）；Fuzhou University（福州大学）
提出了一种鲁棒的、计算效率高的无人机实时避碰算法--基于记忆的壁面跟随人工势场法（MWF-APF）。新算法在沿墙法（WFM）和人工势场法（APF）之间切换，提高了态势感知能力。考虑历史轨迹，避免重复错误决策。此外，它可以有效地应用于低计算能力的平台。最后，以配备有限个飞行时间测距仪的四旋翼飞行器为例，验证了该算法的有效性。通过软件仿真和物理飞行试验验证了MWF-APF方法在复杂场景下的性能。
2021-02-08 cs.RO
Velocity Obstacle Based Risk-Bounded Motion Planning for Stochastic Multi-Agent Systems
NUS Graduate School for Integrative Sciences and Engineering（新加坡国立大学综合科学与工程研究生院）；National University of Singapore（新加坡国立大学）；The Hong Kong University of Science and Technology（香港科技大学）；University of California, Berkeley（加州大学伯克利分校）
在本文中，我们提出了一个创新的风险有界的运动规划随机多智能体系统的方法。对于这种方法，干扰，噪声和模型的不确定性被认为是和速度障碍的方法是用来制定避碰约束的速度空间。利用静态障碍物和速度障碍物的几何信息，建立了随机多智能体系统的概率机会约束分布式优化问题。因此，在规定的碰撞风险界限下生成无碰撞轨迹。由于概率约束和析取约束的存在，通过引入二进制变量，将分布式机会约束优化问题转化为混合整数规划，提高了计算效率.因此，这种方法使得可以在速度空间而不是位置空间中执行运动规划任务，这导致多智能体系统的更平滑的无碰撞轨迹和更高的计算效率。此外，潜在碰撞的风险与这种鲁棒的运动规划方法有界。为了验证该方法的有效性，不同的情况下，多个代理人进行了调查，仿真结果清楚地表明，该方法可以生成高质量的轨迹下预定义的碰撞风险的界限，并有效地避免潜在的碰撞在速度空间。
2022-02-20 cs.MA cs.RO
Real-Time and Accurate Collision-Free Teleoperation via Differentiable Constraint-Based Trajectory Planning
FZI - Forschungszentrum Informatik（FZI 信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对遥操作中自碰撞与环境碰撞问题，提出基于对偶可微碰撞约束的轨迹规划方法，采用胶囊体与多面体建模，实现更低计算时间和更精确障碍物建模，保证平滑无碰撞遥操作。
2026-06-07 cs.RO cs.SY eess.SY
