RobotFleet: An Open-Source Framework for Centralized Multi-Robot Task Planning
本文提出开源框架RobotFleet,利用LLM进行集中式多机器人任务规划与调度,通过模块化自主技术栈和容器化服务抽象,降低构建可扩展异构多机器人系统的门槛。
2025-10-12 cs.AI cs.MA cs.RO
Quick Multi-Robot Motion Planning by Combining Sampling and Search
National Institute of Advanced Industrial Science and Technology (AIST)(国立先进工业科学技术研究所(AIST));University of Cambridge(剑桥大学);Tokyo Institute of Technology(东京工业大学)
针对传统多机器人运动规划两阶段模式效率偏低的问题,提出同步采样-搜索规划算法SSSP,同步开展路线图构建与路径搜索,在多场景下显著优于标准方法,可支持密集场景32台地面机器人规划。
2023-05-05 cs.MA cs.RO
Decentralized Task and Path Planning for Multi-Robot Systems
Caltech(加州理工学院)
我们考虑一个多机器人系统与一个团队的协作机器人和多个任务,随着时间的推移出现。我们提出了一个完全分散的任务和路径规划(DTPP)的框架组成的任务分配模块和本地化的路径规划模块。每个任务被建模为马尔可夫决策过程(MDP)或混合观察马尔可夫决策过程(MOMDP),这取决于是否完整的状态或部分状态是可观察的。任务分配模块的目标是最大化机器人团队的预期纯回报(回报减去成本)。我们将马尔可夫模型融合到一个因子图公式中,以便使用最大和算法分散解决任务分配问题。每个机器人代理遵循最优的策略合成的马尔可夫模型,我们提出了一个本地化的前向动态规划计划,解决代理之间的冲突,避免碰撞。所提出的框架与高保真ROS模拟和实验与多个地面机器人。
2020-11-19 cs.MA cs.RO
Multi-Robot Learning-Informed Task Planning Under Uncertainty
Department of Computer Science, George Mason University(乔治·马歇尔大学计算机科学系)
本文提出一种多机器人规划方法,结合学习估计不确定环境因素与基于模型的长期协调规划,以高效完成复杂任务。
2026-03-20 cs.MA cs.RO
Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning
New York University(纽约大学);University of California Berkeley(加州大学伯克利分校)
本文提出一种分层框架,结合图注意力规划器和分布式非线性模型预测控制器,以解决多机器人在通信受限环境下同时分配目标和生成安全轨迹的问题,通过图神经网络方法实现可扩展的去中心化解决方案。
2026-08-05 cs.MA cs.RO
K-ARC: Adaptive Robot Coordination for Multi-Robot Kinodynamic Planning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Siebel School of Computing and Data Science(西贝尔计算与数据科学学院);Texas A&M University(德克萨斯农工大学);Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治技术学院)
本文提出 K-ARC 算法,通过分段交替使用优化与采样方法并继承 ARC 的按需协调机制,实现最多 32 个移动机器人的高效动力学规划,相比以往方法加速最高达一个数量级。
2025-01-02 cs.MA cs.RO
Distributing Collaborative Multi-Robot Planning with Gaussian Belief Propagation
Imperial College London(帝国理工学院)
当许多机器人必须在狭小的空间中一起工作时,前向时间窗口上的精确协调规划可以实现安全和高效的运动,但这通常需要对所有设备进行集中控制,这很难扩展。我们展示了GBP规划,一个新的纯分布式技术的基础上高斯置信传播的多机器人规划问题,制定了一个通用的因素图定义动态和碰撞约束在一个向前的时间窗口。在模拟中,我们表明,我们的方法允许高性能的协作规划,机器人能够在繁忙,复杂的场景中相互交叉。即使在通信故障的情况下,它们也比其他分布式规划技术保持更短,更快和更平滑的轨迹。我们鼓励读者在https://youtu.be/8VSrEUjH610上观看随附的视频演示。
2023-01-26 cs.AI cs.MA cs.RO
Multi-robot Path Planning in Well-formed Infrastructures: Prioritized Planning vs. Prioritized Wait Adjustment (Preliminary Results)
Peoples’ Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(RUDN大学));Federal Research Center “Computer Science and Control” of Russian Academy of Sciences(俄罗斯科学院“计算机科学与控制”联邦研究中心);National Research University Higher School of Economics(高等经济学院国家研究大学)
研究了一类同质机器人的无碰撞路径规划问题。我们提出了一种新的方法,用于将机器人自我中心地规划的路径,例如,不考虑其他机器人的移动,变成无碰撞的轨迹,并根据经验进行评估。建议的算法比最先进的算法快得多(高达一个数量级),但这是以解决方案成本显著下降为代价的。
2018-07-05 cs.AI cs.MA cs.RO
Encoding Reusable Multi-Robot Planning Strategies as Abstract Hypergraphs
Rice University(莱斯大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);ITAM(墨西哥自治技术学院)
本研究针对多机器人任务规划复杂度高、难在线求解的问题,结合DaSH超图框架与抽象学习技术,将单机器人策略学习方法扩展至多机器人场景以提升规划效率。
2024-09-16 cs.AI cs.MA cs.RO
Optimal Integrated Task and Path Planning and Its Application to Multi-Robot Pickup and Delivery
IIT Kanpur(印度理工学院坎普尔分校);Jupiter Money(木星金融);MPI-SWS(马克斯·普朗克软件系统研究所);Ericson Research(爱立信研究院)
本文提出融合最优任务规划与路径规划的多机器人机制,借助Z3求解SMT任务规划并扩展CBS-PC生成无碰撞轨迹,在仓库取放任务中优于现有经典规划器。
2024-03-02 cs.AI cs.MA cs.RO
Scalable Multi-robot Motion Planning for Congested Environments With Topological Guidance
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Texas A&M University(德克萨斯A&M大学)
本研究将拓扑引导的单机器人运动规划扩展到多机器人领域,在拥挤狭窄环境中实现高效可扩展规划,支持比现有方法大25倍的团队规模,并生成更优路径。
2023-05-25 cs.AI cs.MA cs.RO
Multi-Robot Motions in Milliseconds: Vector-Accelerated Primitives for Sampling-Based Planning
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign(帕索尔实验室,计算与数据科学学院,伊利诺伊大学厄巴纳-香槟分校);Department of Computer Science at Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治理工学院(ITAM)计算机科学系)
本文扩展了Vector-Accelerated Motion Planning框架,开发了多机器人MotionValidation和FindFirstConflict原语,利用SIMD并行性实现多机器人运动规划的高效验证与冲突检测,显著提升规划效率。
2026-08-07 cs.RO
Long-Horizon Multi-Robot Rearrangement Planning for Construction Assembly
University of Stuttgart(斯图加特大学);TU Berlin(柏林工业大学);Bilkent University(比尔肯特大学)
针对建筑装配中大规模异构机器人团队的长时域协作问题,提出迭代分解子问题并结合优化与双向时空采样规划的多机器人重排规划系统,验证了鲁棒性、可扩展性和真实机械臂执行可行性。
2022-03-07 cs.RO
Learning Safe Unlabeled Multi-Robot Planning with Motion Constraints
University of Pennsylvania(宾夕法尼亚大学);Nuro(Nuro公司)
在本文中,我们提出了一种学习方法的目标分配和轨迹规划的无标签机器人在2D,充满障碍的机器人。更具体地说,我们解决了无标记的多机器人运动规划问题的运动约束的多智能体强化学习问题与一些稀疏的全球奖励。与以前的作品,制定一个全新的手工制作的优化成本或轨迹生成算法不同的机器人动态模型相比,我们的框架是一个通用的方法,适用于任意机器人模型。此外,通过使用速度障碍,我们设计了一个平滑的投影,保证碰撞的自由轨迹的所有机器人相对于他们的邻居和障碍。我们的算法的有效性,通过不同的模拟证明。
2019-07-11 cs.RO
CAST: Collision-Aware Assembly with Construction Robots using Simultaneous Trajectory Estimation and Planning
Georgia Institute of Technology(佐治亚理工学院)
本文提出CAST框架,利用单一因子图同时进行轨迹估计与规划,处理施工多机器人系统中的碰撞避免和缆绳约束,并在柱梁结构建造中验证了其有效性。
2026-09-22 cs.RO
Distributed Planning for Rigid Robot Formations using Consensus on the Transformation of a Base Configuration
Technical University of Denmark(丹麦技术大学)
针对杂乱环境中的刚性多机器人编队导航问题,提出一种基于基础构型变换一致性的去中心化分布式规划方法,可保证编队约束并具备反应式规划所需的运行时效率。
2023-07-14 cs.RO cs.SY eess.SY
Scalable Distributed Planning for Multi-Robot, Multi-Target Tracking
NASA Jet Propulsion Laboratory (JPL)(美国国家航空航天局喷气推进实验室);Carnegie Mellon University (CMU)(卡内基梅隆大学)
在多机器人多目标跟踪中,机器人协调监视在环境中移动的目标群。我们的做法规划这样的情况下,制定一个滚动时域,多机器人传感问题的互信息目标。这类问题一般都是NP难问题。然而,我们的目标是次模块化,使某些贪婪的规划,以保证常数因子次优。然而,这些贪婪的规划者要求机器人按顺序规划他们的行动,一次一个机器人,所以规划时间至少与机器人的数量成正比。对于大型团队来说,解决这些问题变得非常棘手,即使是分布式实现。我们以前的工作提出了一个分布式规划器(RSP),它减少了这个顺序步骤的数量为常数,即使是大量的机器人,通过允许机器人并行计划,而忽略一些其他的决定。虽然该分析是不适用于目标跟踪,我们证明了类似的保证,RSP规划方法的性能保证完全顺序的规划者,采用一种新的约束,利用目标运动的独立性,量化机器人的观察和行动之间的有效冗余。此外,我们提出的分析,明确占实际实施的功能,包括近似的目标和随时规划。仿真结果-可通过开放源代码发布-与测距传感器的目标跟踪表明,我们的规划者一贯的做法的性能顺序规划(在位置不确定性方面),只有2- 8规划步骤和多达96个机器人的顺序步骤的数量减少了24倍的规划。因此,这项工作使得规划多机器人目标跟踪易于处理,在更大的规模比以前,为实际的规划者和一般的跟踪问题。
2021-07-18 cs.RO cs.SY eess.SY
Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems
UC Santa Barbara(加州大学圣芭芭拉分校);Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学);MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室);Cisco Research(思科研究)
本文提出了一种混合多机器人控制框架,通过引入路标和课程训练策略,解决多机器人任务和运动规划的联合优化问题,提升了任务成功率。
2026-04-22 cs.AI cs.RO
Simultaneous Task Allocation and Planning Under Uncertainty
我们提出了新的技术任务分配和规划的多机器人系统在不确定的环境中运行。任务分配与规划同时进行,这提供了有关单个机器人行为的更详细信息,但也利用了任务之间的独立性来有效地完成任务。我们使用马尔可夫决策过程来模拟机器人的行为和线性时序逻辑来指定任务和安全约束。基于形式化验证的技术和工具,我们展示了如何生成一系列的多机器人策略,如果单个机器人失败,则迭代地改进它们以重新分配任务,并提供概率保证机器人团队的性能(和安全操作)。我们实现我们的方法,并评估它的基准多机器人的例子。
2018-08-10 cs.AI cs.RO
Multi-Robot Task Planning under Individual and Collaborative Temporal Logic Specifications
Zhejiang University(浙江大学)
本文研究了多机器人任务协调问题,其中每个机器人都有一个私有的时态逻辑任务规范,同时还必须共同满足一个全局给定的协作时态逻辑任务规范。为了有效地生成可行的和优化的任务执行计划的机器人,我们提出了一个分层的多机器人的时间任务规划框架,在该框架中,一个中央服务器分配的协作任务的机器人,然后单独的机器人可以独立地合成他们的任务执行计划在一个分散的方式。此外,我们提出了一个执行计划调整机制,允许机器人迭代修改他们的执行计划,通过隐私保护的智能体通信,以提高预期的实际执行性能,减少等待时间的机器人合作。分析了该方法的正确性和有效性,并通过大量的仿真实验进行了验证。
2021-08-27 cs.RO
SMART-LLM: Smart Multi-Agent Robot Task Planning using Large Language Models
Purdue University(普渡大学)
本文提出SMART-LLM框架,利用LLMs在少样本提示下通过任务分解、联盟形成和分配,将高层指令转化为多机器人任务计划,并构建基准数据集验证了其在仿真与真实场景中的有效性。
2024-03-23 cs.RO
Multi-robot Social-aware Cooperative Planning in Pedestrian Environments Using Multi-agent Reinforcement Learning
行人参与环境中多机器人安全、高效的协同规划具有广阔的应用前景。在部分变维观测和不完全感知条件下,提出了一种基于离策略多智能体强化学习(MARL)的多机器人社会感知高效协作规划器.我们采用基于时空图(TSG)的社会编码器,以更好地提取每个机器人和行人在其视野(FOV)的社会关系的重要性。此外,我们在多机器人RL框架中引入K步前瞻奖励设置,以避免机器人产生的侵略性,侵入性,短视和不自然的运动决策。此外,我们改进了传统的集中式评论家网络与多头全局注意力模块,更好地聚集不同机器人之间的局部观察信息,以指导个体的策略更新过程。最后,多组实验结果验证了所提出的协作运动规划器的有效性。
2022-11-29 cs.AI cs.RO
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering(先进科学与工程研究生院);Hiroshima University(广岛大学)
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题,提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法,并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO
Fully Distributed Informative Planning for Environmental Learning with Multi-Robot Systems
Seoul National University(首尔大学);Samsung Electronics(三星电子)
提出了一种完全分布式的协同环境学习算法。多机器人系统比单个机器人更有效地进行探索任务,但它涉及以下挑战:1)使用多个机器人在线分布式学习环境地图; 2)基于学习的地图生成安全有效的探索路径;以及3)相对于机器人数量的可扩展性的保持。为此,我们将整个过程分为环境学习和路径规划两个阶段。分布式算法应用于每个阶段,并通过相邻机器人之间的通信组合。环境学习算法使用分布式高斯过程,路径规划算法使用分布式蒙特卡罗树搜索。因此,我们建立了一个可扩展的系统,而没有机器人数量的限制。仿真结果证明了该系统的性能和可扩展性。此外,一个真实世界的基于网络的模拟验证了我们的算法在一个更现实的情况下的效用。
2021-12-29 cs.RO cs.SY eess.SY
Communication-aware planning for robot teams deployment
针对受障碍物、有限通信范围及基站通信需求约束的机器人群部署问题,提出含分布式路径规划器、部署规划器和聚类算法的方法,实现通信感知的部署规划与任务分配。
2025-03-24 cs.MA cs.RO
Cyber-Physical Testbed for Human-Robot Collaborative Task Planning and Execution
Rochester Institute of Technology(罗切斯特理工学院)
在本文中,我们提出了一个网络物理的测试平台,使人类机器人团队在一个共享的工作空间中执行一个共享的任务。该实验台适合于桌面操作任务的实现,这是一种常见的人机协作场景。该测试平台集成了物理和虚拟世界中存在的元素。在这项工作中,我们报告了我们在理解和实施人类-机器人团队的任务规划和执行方面的探索过程中收集的见解。
2019-05-30 cs.MA 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
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
Waiting Tables as a Robot Planning Problem
Carnegie Mellon University(卡内基梅隆大学)
我们提出了我们如何正式的等待表在餐厅的任务作为一个机器人规划问题。这种形式化被用来测试我们最近开发的算法,这些算法允许实现多个独立任务的最佳规划,这些任务是部分可观察的,并随着时间的推移而演变[1],[2]。
2021-05-21 cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology(波兹南理工大学)
在本文中,我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外,规划者应该检查多个约束,如静态稳定性,自碰撞,与地形的碰撞,以及腿的工作空间。结果,检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中,我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后,我们提出了一种新的规划方法,提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Behavior Tree-Based Task Planning for Multiple Mobile Robots using a Data Distribution Service
Yonsei University(延世大学);Hyundai Robotics(现代机器人公司)
在这项研究中,我们提出了多个机器人的任务规划框架,建立在一个行为树(BT)。BT与数据分发服务(DDS)通信以发送和接收数据。由于标准BT来自一个根结点与一个单一的滴答是不适合多个机器人,一种新型的BT行动和改进的节点,提出了通过DDS异步控制多个机器人。为了有效地规划机器人的任务,一个单一的任务规划单元实现了建议的任务类型。任务规划单元通过单个合并的BT同时向每个机器人分配任务。如果任何机器人在执行其指定任务时出现故障,则执行嵌入在机器人中的另一个BT;机器人进入恢复模式以克服故障。为了执行该功能,BT中对应于任务的动作被定义为变量,该变量与DDS共享,使得可以在任务规划单元和机器人之间交换任何动作。为了证明我们的框架在现实世界中的应用的可行性,三个移动机器人进行了实验协调,他们交替旅行到四个目标位置的建议通过DDS的单一任务规划单元。
2022-05-30 cs.AI cs.MA cs.NI
Integration of 4D BIM and Robot Task Planning: Creation and Flow of Construction-Related Information for Action-Level Simulation of Indoor Wall Frame Installation
University of Nebraska-Lincoln(内布拉斯加大学林肯分校)
本研究提出集成4D BIM与机器人任务规划的框架,通过施工机器人知识库增强模型并转换为模拟世界,实现上下文感知的室内墙体框架安装任务规划与模拟。
2024-02-06 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
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
Robot Planning with Mathematical Models of Human State and Action
University of California, Berkeley(加州大学伯克利分校)
机器人与物理世界的互动计划与物理模型。我们主张机器人与人的互动需要用认知模型来规划。这篇文章总结了我们在将人的计算认知模型集成到机器人规划和控制中所获得的见解。它从一般的博弈论制定的互动,并分析了不同的近似结果在不同的有用的协调行为的机器人在与人的互动。
2017-07-04 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
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
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México(墨西哥自治理工学院)
本文提出了一种多机器人运动规划方法,通过工作空间分解的离散搜索提高规划效率,核心方法是分层子问题扩展和工作空间分解细化,主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
Experience-based Subproblem Planning for Multi-Robot Motion Planning
Texas A&M University(德克萨斯农工大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治技术学院)
提出基于经验的子问题规划方法,通过构建低维子问题解的数据库并应用于大规模场景,解决了多机器人运动规划在复杂任务中的可扩展性与效率问题。
2024-11-13 cs.RO
To Lead or to Follow? Adaptive Robot Task Planning in Human-Robot Collaboration
University of Waterloo(滑铁卢大学)
本文提出一种兼顾人类引领/跟随偏好与表现的自适应机器人任务规划框架,通过用户研究验证其能提升团队表现并改善人类对协作的感知。
2025-07-20 cs.RO
Reasoning with Scene Graphs for Robot Planning under Partial Observability
部分可观测域中的机器人规划是困难的,因为机器人需要同时估计当前状态和规划动作。当域包括许多对象时,关于对象及其关系的推理使得机器人规划更加困难。在本文中,我们开发了一种算法,称为景物分析的机器人规划(SARP),使机器人的原因与视觉上下文信息实现长期目标的不确定性。SARP使用从不同位置捕获的图像构建场景图,这是对象及其关系的因子表示,并使用它们进行推理,以实现部分可观察性下的上下文感知机器人规划。实验已经进行了使用多个3D环境中的模拟,和一个真实的机器人收集的数据集。与标准机器人规划和景物分析方法相比,在目标搜索域中,SARP提高了任务完成的效率和准确性。补充材料可在https://tinyurl.com/sarp22上找到
2022-02-21 cs.AI cs.RO
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University(克莱姆森大学);Air Force Research Laboratory(美国空军研究实验室)
机器人符号运动规划是在离散空间中指定和规划机器人任务,然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展,但仍存在许多挑战,包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中,分布式符号运动规划的多机器人系统的发展,以解决可扩展性。更具体地说,组合推理方法的发展,以分解的全局规划问题,原子命题的观察,通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性,一个动态的,定量的,和概率的人对机器人的信任模型的开发,以帮助这种分解。此外,提出了一种基于信任的实时切换框架,用于在自主和手动运动规划之间切换,以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估,证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 cs.RO
Automated Behavior Planning for Fruit Tree Pruning via Redundant Robot Manipulators: Addressing the Behavior Planning Challenge
Brubotics;Vrije Universiteit Brussel(自由大学布鲁塞尔);imec
针对果树修剪中机器人操作的行为规划难题,提出集成感知、建模与整体规划的综合工作流程,利用系统冗余性提升性能,并在真实机器人上验证。研究填补了操作复杂性研究的空白,推动修剪应用规划发展。
2025-10-14 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
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
Energy Optimized Robot Arm Path Planning using Differential Evolution in Dynamic Environment
Jadavpur University(贾达沃普尔大学)
机器人由于其高效率和高精度的性能而广泛应用于工业中。在生产线的制造阶段,最有趣的问题之一是最大限度地减少这些机器人操作器消耗的能量的显着高的百分比。机器人的能量最优控制是一个复杂的问题,因为它需要深入了解机器人的运动学和动力学行为。提出了一种基于差分进化算法的工业机器人手臂在多障碍物工作空间中能量有效路径规划的新方法。路径规划问题被制定为一个优化问题,其目的是确定最短的和能量最优路径的机器人手臂从其给定的初始位置到预定义的目标位置,而不会碰到障碍物。这种进化算法在轨迹规划中的应用是有利的,因为路径规划问题的精确解并不总是预先可用的,并且必须动态地确定。实验表明,基于DE的路径规划算法优于其竞争者在一个显着的方式。
2018-06-23 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
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
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架,融合视觉基础模型提升机器人操作与运动规划,实现实时调整和持续学习,并通过实验验证其在动态环境中的部署潜力。
2023-09-20 cs.RO
Towards Probabilistic Planning of Explanations for Robot Navigation
King’s College London(伦敦国王学院)
本文提出一种概率框架,将用户中心设计融入机器人路径规划,通过概率建模用户解释偏好,自动规划解释以增强透明度和适应性。
2024-10-26 cs.AI cs.RO
Ray-based Interference Free Workspace Analysis and Path Planning for Cable-Driven Robots
The Chinese University of Hong Kong(香港中文大学)
本文采用基于光线的方法研究了任意缆索驱动机器人在缆索和障碍物作用下的无干涉工作空间。从这一点继续,点到点的路径规划和验证技术,以确保所产生的运动是在工作空间内进行了研究。
2022-09-23 cs.RO
Desiderata for Planning Systems in General-Purpose Service Robots
University of Washington(华盛顿大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
通用服务机器人预计将根据用户的要求承担广泛的任务。知识表示和规划系统是必不可少的灵活的自主机器人,但该领域缺乏一个统一的观点,功能是必不可少的通用服务机器人。对用户、环境和整个机器人系统的不同假设阻碍了通用服务机器人的规划与推理的进展。在这份立场文件中,我们提出了必要的规划与推理系统,以促进通用服务机器人。每个项目都借鉴了我们对办公室和家庭服务机器人的研究经验以及这些环境的需求。我们的需求强调支持自然的人机界面,以及当与人类和环境的交互失败时,强大的回退方法。我们强调为实现这些目标而开展的相关工作。
2019-07-04 cs.RO
Decentralized Lifelong Path Planning for Multiple Ackerman Car-Like Robots
Rutgers, the State University of New Jersey(罗格斯,新泽西州立大学)
针对连续域中非完整约束机器人的终身路径规划难题,将离散域SOTA多机器人规划关键思想扩展至多个Ackerman类车机器人,提出高性能集中式与去中心化规划器,实现精确SE(2)目标位姿轨迹规划并经仿真与实验验证。
2024-02-19 cs.RO
Learning to Ground Objects for Robot Task and Motion Planning
SUNY Binghamton(纽约州立大学宾汉姆顿分校)
任务和运动规划(TAMP)算法已经被开发用于帮助机器人规划离散和连续空间中的行为。机器人面临复杂的现实世界场景,其中几乎不可能对所有对象或其物理属性进行建模以用于机器人规划(例如,在厨房或购物中心)。在本文中,我们定义了一个新的以对象为中心的TAMP问题,其中TAMP机器人不知道对象属性(例如,块的大小和重量)。然后,我们介绍了任务运动对象为中心的规划({ \bf TMOC}),一个接地TAMP算法,学习地面对象和它们的物理属性与物理引擎。TMOC对于那些涉及动态复杂机器人多对象交互的任务特别有用,这些任务很难事先建模。我们已经证明和评估TMOC在模拟和使用一个真正的机器人。结果表明,TMOC在累积效用方面优于文献中的竞争基线。
2022-02-15 cs.RO