Efficient Navigation Among Movable Obstacles using a Mobile Manipulator via Hierarchical Policy Learning
School of Computing in Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算机学院）；Robotics Program at the same institute, KAIST（韩国科学技术院机器人项目）
提出一种分层强化学习框架，通过结合障碍物属性估计与结构化推动策略，使移动机械臂在遵循全局路径的同时高效完成可移动障碍物间导航任务，实验证明其成功率更高、路径更短、用时更少。
2025-06-18 cs.RO
NAMOUnc: Navigation Among Movable Obstacles with Decision Making on Uncertainty Interval
Paris-Saclay University, CEA, List（巴黎-萨克雷大学，CEA，List）；Guangdong Laboratory of Artificial Intelligence（广东人工智能与数字经济实验室）
本文提出NAMOUnc框架，将观测噪声等不确定性纳入决策，通过比较移除与绕过障碍物的时间成本区间，优化成功率和时间效率，经仿真和真实实验验证优于现有方法。
2025-10-10 cs.RO
SwipeBot: DNN-based Autonomous Robot Navigation among Movable Obstacles in Cluttered Environments
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
本文提出SwipeBot方法，利用CNN分类RGB-D图像并选择最小侵入动作，推动可移动障碍物，在ROS中实现并通过仿真验证，使轮式机器人在杂乱环境中成功导航。
2023-05-08 cs.RO
Visibility-Aware Navigation Among Movable Obstacles
MIT（麻省理工学院）；CSAIL（计算机科学与人工智能实验室）
在本文中，我们研究了可移动障碍物（VANAMO）之间的可行性感知机器人导航的问题。著名的NAMO机器人规划问题的一个变体，VANAMO提出了额外的可见性限制机器人运动和对象的可移动性。这个新的问题公式解除了限制性的假设，即地图是完全可见的，物体的位置是完全已知的。我们提供了一个正式的VANAMO问题的定义，并提出了寻找和操纵反向链接（LaMB）算法来解决这些问题。LaMB有一个简单的基于视觉的API，使其更容易转移到现实世界的机器人应用程序，并扩展到大型3D环境。为了评估LaMB，我们构建了一组任务，说明了在未知环境中移动基础操作问题中可能出现的可见性和对象可移动性之间的复杂相互作用。我们表明，LaMB优于NAMO和感知能力的运动规划方法，以及简单的组合，他们对复杂的操作问题与部分可观测性。
2022-12-06 cs.RO
Navigate or Relocate? Planning Among Movable Obstacles in Unknown Environments
Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出一种在线框架，在未知环境中通过最短路径决策导航或重新布置可移动障碍物，利用采样和LLM规划相互依赖的重新布置序列，实验证明可扩展且规划质量优于基线。
2026-09-18 cs.RO
NAMO-LLM: Efficient Navigation Among Movable Obstacles with Large Language Model Guidance
Department of Electrical and Systems Engineering, McKelvey School of Engineering, Washington University in St.Louis（电气与系统工程系，麦凯利工程学院，华盛顿大学圣路易斯分校）
针对可移动障碍物导航问题，提出基于大语言模型引导非均匀采样的规划器NAMO-LLM，具有概率完备性，在杂乱环境中运行时间和计划质量优于现有方法。
2025-10-16 cs.RO
Minimum Displacement Motion Planning for Movable Obstacles
University of Genoa（热那亚大学）
本文提出了一个最小位移运动规划问题，其中障碍物的最小位移量，以找到一个可行的路径。我们定义了一个度量的机器人障碍物相交的交叉和使用此惩罚机器人障碍重叠。采用实际的机器人动力学，规划者首先找到一条路径，通过障碍物，最大限度地减少机器人障碍物的交叉点。然后，该度量被用来迭代地取代障碍物，以实现一个可行的路径。提供了几个例子，成功地证明了所提出的问题。
2022-04-27 cs.AI cs.RO
Interactive-FAR:Interactive, Fast and Adaptable Routing for Navigation Among Movable Obstacles in Complex Unknown Environments
University of Maryland（马里兰大学）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对复杂未知环境下的可移动障碍物导航问题，提出Interactive-FAR算法，通过改进DV-graph和实时交互规划实现快速自适应路由，大幅提升导航效率并开源代码。
2024-04-11 cs.RO
Technical Report: Reactive Planning for Mobile Manipulation Tasks in Unexplored Semantic Environments
University of Pennsylvania（宾夕法尼亚大学）
复杂的操作任务，如多个对象的重排规划，是组合困难的问题。现有的算法要么不能很好地扩展，要么假设了大量关于环境的先验知识，很少有算法能提供任何严格的保证。在本文中，我们提出了一种新的混合控制架构，实现这样的任务与移动机械手。在离散方面，我们丰富了时间逻辑规范与移动操作原语，如移动到一个点，并把握或移动对象。此类规范被转换为自动机表示，它将任务的物理基础编排到移动性或操纵控制器。从离散到连续无功控制器的接地是在线的，并且可以对发现未知障碍物做出响应，或者决定将阻止任务完成的可移动物体推开。尽管问题的复杂性，我们证明，在特定的条件下，我们的架构享有可证明的完整性的离散侧，可证明的终止连续侧，并避免了环境中的所有障碍。模拟说明了我们的架构，可以处理复杂性增加的任务，同时也响应未知的障碍或意外的不利配置的效率。
2021-03-24 cs.RO
Contact-Aware Non-prehensile Robotic Manipulation for Object Retrieval in Cluttered Environments
Tsinghua University（清华大学）
非弹性操纵方法通常使用简单的末端执行器，一根单独的杆来操纵物体。与抓取方法相比，这样的末端执行器是紧凑和灵活的，因此它可以在受约束的工作空间中执行任务;作为权衡，它具有相对较少的自由度（DoF），导致在规划和控制的复杂约束下的致动不足问题。本文提出了一种新的非易失性操作方法，在混乱的环境中的目标检索任务，使用棒状推杆。具体来说，首先在一个混乱的环境中产生的候选轨迹与改进的快速探索随机树（RRT）规划器，然后，模型预测控制（MPC）计划被施加到稳定滑块的姿态，通过必要的接触障碍物。与现有方法不同的是，该方法具有接触感知的特点，能够实现主动清除障碍物、回避行为和切换接触面的综合效果，提高灵巧性。从而大大提高了任务的可行性和效率。所提出的方法的性能进行了验证，在一个平面的对象检索任务，其中的目标对象，周围有许多固定或可移动的障碍物，被操纵和隔离。仿真和实验结果。
2023-03-07 cs.RO
A Reconfigurable Tracked Robot for Enhanced Obstacle Traversal Through Movable Articulation Point and Internal Mass Relocation
Kyushu University（九州大学）；The University of Electro-Communications（电气通信大学）
该研究提出可重构履带式机器人TRASER，通过带带状弹簧的铰接结构与质心重定位提升越障能力，实验实现74%、66%、59%机身长度的台阶、悬空平台、壕沟越障，为履带机器人最高越障性能。
2026-08-11 cs.RO
Search-Based Path Planning in Interactive Environments among Movable Obstacles
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Maryland（马里兰大学）
本文研究了PAMO问题，通过利用启发式引导搜索部分状态空间，提出了具备完备性和最优性保证的PAMO*及其连续空间扩展算法，实现了在复杂环境中快速规划最优路径。
2025-03-06 cs.AI cs.RO
Adaptive Cost-Map-based Path Planning in Partially Unknown Environments with Movable Obstacles
Graduate School of Information Sciences, Tohoku University（东京大学信息科学研究生院）；Tough Cyberphysical AI Research Center, Tohoku University（东京大学 Tough 联合人工智能研究中心）；Sorbonne University（索邦大学）
本文提出了一种自适应成本图路径规划方法，通过识别可移动障碍物提升机器人在非结构化环境中的导航能力。
2025-10-17 cs.RO cs.SY eess.SY
Computational Tradeoff in Minimum Obstacle Displacement Planning for Robot Navigation
University of Genoa（热那亚大学）
本文从移动机器人运动规划的角度研究了最小障碍位移规划问题。该问题通过移动障碍物来寻找到达目标的最优路径，而移动障碍物由于与障碍物碰撞而不存在路径。然而，这个问题是计算上昂贵的，并且在可移动障碍物的数量的大小上呈指数增长。这项工作着眼于近似的解决方案，是计算密集度较低，从最佳解决方案的最佳成本的一个因素不同。
2023-02-14 cs.AI cs.RO
Making Infeasible Tasks Feasible: Planning to Reconfigure Disconnected 3D Environments with Movable Objects
Department of Electrical and Systems Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校电子工程与系统工程系）
本文提出BRiDGE规划器，通过重新配置可移动物体解决断开3D环境中不可达目标区域的导航问题。
2026-01-06 cs.RO
Reactive Informative Planning for Mobile Manipulation Tasks under Sensing and Environmental Uncertainty
University of Pennsylvania（宾夕法尼亚大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
在本文中，我们解决移动操作规划问题的存在感测和环境的不确定性。特别是，我们认为移动传感机械手在未知的几何形状和不确定的可移动物体的环境中工作，同时负责完成任务，需要抓住和释放对象的逻辑方式。现有的算法要么不能很好地扩展，要么忽略了传感和/或环境的不确定性。为了面对这些挑战，我们提出了一种混合控制架构，其中符号控制器生成高级操纵命令（例如，抓取物体），信息规划器设计路径以主动地减少感兴趣物体的不确定性，并且连续反应控制器跟踪包括信息路径的稀疏航路点，同时避免先验未知障碍物。整体架构可以在线处理环境和传感不确定性，因为机器人探索其工作空间。使用数值模拟，我们表明，所提出的架构可以处理任务的复杂性增加，同时响应意想不到的不利配置。
2022-05-12 cs.RO
CubifyGS: Object-Centric 3D Gaussian Splatting for Lifelong Dynamic Scene Maintenance
School of Automation, Beijing Institute of Technology, Beijing, China（北京理工大学自动化学院，北京，中国）；Guangzhou Saite Intelligent Technology Co., Ltd.（广州赛泰智能科技有限公司）
提出CubifyGS，一种面向对象的映射框架，通过将可移动实例建模为可重用高斯资产，并采用事件触发自适应优化，实现刚性物体重排下的高效动态场景维护。
2026-07-07 cs.RO
Dynamic Movement Primitives: Volumetric Obstacle Avoidance Using Dynamic Potential Functions
University of Verona（维罗纳大学）
DMPs的避障仍然是一个具有挑战性的问题。在我们以前的工作中，我们提出了一个框架的基础上超二次势函数来表示体积的避障。在这项工作中，我们扩展了我们以前的工作，包括在定义的潜在的轨迹的速度。我们的公式保证了相对于最先进的点状方法的更平滑的行为。此外，我们的新配方允许获得一个更平滑的行为，在附近的障碍物比使用静态（即速度无关）的潜力。我们验证了我们的框架避障在一个模拟的多机器人的情况下，并与不同的真实机器人：拾取和放置任务的工业机械手和手术机器人，以显示可扩展性;和导航与移动机器人在动态环境中。
2020-07-01 cs.RO
Autonomous Obstacle Legipulation with a Hexapod Robot
CSIRO（联邦科学与工业研究组织）；University of Technology Sydney（悉尼科技大学）；University of Queensland（昆士兰大学）
足式机器人在受限的环境中行走时，可能会发现它们唯一的路径被障碍物阻挡。在障碍物是可移动的情况下，多足机器人可以操纵障碍物使用它的腿，让它继续在其path. We提出了一种方法，为六足机器人自主生成操作轨迹检测到的障碍物。以RGB-D传感器为输入，从环境中提取障碍物，并进行过滤，为操作算法提供关键接触点，计算出将障碍物移出路径的轨迹，在30自由度六足机器人上的实验表明，该算法能够有效地利用其前腿在三维环境中操作各种障碍物。
2020-11-12 cs.RO
Policy Optimization to Learn Adaptive Motion Primitives in Path Planning with Dynamic Obstacles
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；JSC Integrant（JSC Integrant公司）；Federal Research Center for Computer Science and Control RAS（俄罗斯科学院计算机科学与控制联邦研究中心）；AIRI
本文研究了非完整机器人在动态环境中的运动动力学运动规划问题。将问题分解成更小的子问题，并将局部解组合成全局解，是解决这一问题的有效方法之一。任何非完整机器人规划方法的关键是生成运动原语，生成局部规划子问题的解决方案。在这项工作中，我们引入了一种新的学习转向功能（政策），它考虑到机器人的kinodynamic约束和静态和动态障碍。该策略通过策略优化进行有效训练。从经验上讲，我们表明，我们的指导功能推广以及看不见的问题。然后，我们将经过训练的策略插件插入到基于采样和基于网格的规划器中，并在一系列具有挑战性的设置中评估所得到的POLAMP算法（学习自适应运动原语的策略优化），这些设置涉及在障碍物丰富的停车场环境中操作的汽车式机器人。我们表明，POLAMP是能够规划无碰撞的运动动力学轨迹，成功率高于92%，当50个同时移动的障碍物填充的环境表现出更好的性能比国家的最先进的竞争对手。
2022-12-29 cs.RO
Multi-View Fusion for Multi-Level Robotic Scene Understanding
NVIDIA（英伟达）；Georgia Institute of Technology（佐治亚理工学院）
我们提出了一个多层次的场景感知机器人操作系统。给定手持相机RGB图像的序列，系统计算三种类型的信息：1）场景中所有表面的点云表示，用于避障的目的; 2）来自对应于原始形状的类别的未知对象的粗略姿态（例如，长方体和圆柱体）;以及3）已知对象的全6自由度姿态。通过开发和融合这些领域的最新技术，我们提供了一个丰富的场景表示的机器人意识。我们展示了这些模块的重要性，它们的互补性，以及该系统在机器人操作的背景下的潜在好处。
2021-10-14 cs.RO
HERO: Hierarchical Traversable 3D Scene Graphs for Embodied Navigation Among Movable Obstacles
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
HERO通过构建分层可通行3D场景图，重新定义可通行性以提升在复杂环境中的导航效率和可达性。
2025-12-17 cs.AI cs.CL cs.CV
Manipulate-to-Navigate: Reinforcement Learning with Visual Affordances and Manipulability Priors
Aalto University（阿alto大学）
本文针对动态环境中可移动障碍物阻挡路径的“操纵以导航”问题，提出结合可操纵性先验与可供性地图的强化学习方法，并在仿真和真实Spot机器人上验证了其有效性。
2025-08-18 cs.RO cs.SY eess.SY
Bench-NPIN: Benchmarking Non-prehensile Interactive Navigation
Bench-NPIN是首个非抓取交互导航的开源基准测试，提供多种模拟环境、评估指标和基线方法演示，用于提升可重复性和跨环境比较。
2026-02-05 cs.RO
A Neuromorphic Approach to Obstacle Avoidance in Robot Manipulation
Bonn-Rhein-Sieg University（波恩-莱茵-锡格大学）；University of Groningen（格罗宁根大学）；University of Bonn（波恩大学）
本文提出在机械臂避障中结合事件视觉、卷积SNN与动态运动基元的神经形态方法，实验证明其在仿真和真实场景中均优于非自适应基线。
2024-04-08 cs.LG cs.NE cs.RO
Tactile-Informed Action Primitives Mitigate Jamming in Dense Clutter
Stanford University（斯坦福大学）
针对密集杂乱侧向存取场景中机器人易卡阻、取物难的问题，提出钻掘与挖掘两种动作基元及触觉-本体感知闭环混合控制策略，大幅提升取物成功率并缩短完成时间。
2024-02-14 cs.RO
Planning with Selective Physics-based Simulation for Manipulation Among Movable Objects
Carnegie Mellon University（卡内基梅隆大学）
使用基于物理的仿真作为规划模型，使规划者能够推理并生成涉及与世界的非平凡交互的计划。例如，从杂乱的冰箱中抓取牛奶容器可能涉及在其他物体之间移动机器人操纵器，推开可移动的物体并避免与某些易碎容器的相互作用。一个基于物理的模拟器允许一个计划的原因与这些对象的相互作用的影响，并生成一个计划，成功地把握牛奶容器。然而，在规划中使用基于物理的模拟却未得到充分利用。其中一个原因是，基于物理的模拟通常太慢，无法在规划循环中使用，而规划循环通常需要在一两秒内评估数万个动作。在这项工作中，我们开发了一个规划算法，试图解决这一挑战。特别是，它建立在这样的观察基础上，即实际上只需要使用物理来模拟少量的动作，并且可以使用更简单的内部规划模型来评估剩余的动作集，例如围绕障碍物移动手臂，例如，一个简单的碰撞检查模型。受此启发，我们开发了一种名为“基于选择性物理模拟的规划”的算法，该算法可以自动发现应该用物理模拟的内容以及可以利用内部规划模型进行拾取和放置任务的内容。
2020-03-15 cs.RO
Pushing Through Clutter With Movability Awareness of Blocking Obstacles
TU Delft（代尔夫特理工大学）
提出SVG-MPPI框架，结合语义可见性图与模型预测路径积分，考虑障碍物可移动性连续范围，通过物理引擎模拟生成低接触力轨迹，在NAMO任务中优于二元可移动性规划，提高成功率并减少累积接触力。
2025-02-27 cs.RO
Going In Blind: Object Motion Classification using Distributed Tactile Sensing for Safe Reaching in Clutter
Stanford University（斯坦福大学）；École de Technologie Supérieure（高等技术学院）
机器人操纵器导航杂乱的货架或橱柜可能会发现避免与障碍物接触是具有挑战性的。事实上，重新安排障碍物可能是接近目标所必需的。而不是规划明确的运动，将障碍物放置到一个理想的姿势，我们建议允许偶然的接触重新安排障碍物，同时监测接触的安全。除了对象识别，我们提出了一种方法，用于分类对象的动作，从偶然接触收集的触觉数据与电容触觉皮肤上的快板手。我们正式的触觉线索与对象运动的类别，证明他们可以确定与$>90$ %的准确性是否是可移动的对象，以及是否接触导致对象稳定滑动（安全接触）或提示（不安全）。
2022-09-30 cs.RO
Graph-Based Heuristics for Minimum Constraint Removal in Cluttered Robot Motion Planning
IIIT Hyderabad（印度信息科学与技术研究所海得拉巴分校）；University of Genoa（热那亚大学）
针对杂乱环境中机器人运动规划的最小约束移除（MCR）问题，提出一种基于图的启发式流程，在保证接近最优解的同时，大幅提升计算效率，可有效减少相关任务的总耗时。
2026-10-12 cs.RO
Risk-aware Trajectory Sampling for Quadrotor Obstacle Avoidance in Dynamic Environments
Shanghai Jiaotong University（上海交通大学）
四旋翼飞行器在动态环境中的避障问题仍然是一个非常开放的问题。目前的工作通常利用传统的静态地图来表示静态障碍物和运动目标的检测和跟踪（DATMO）的方法来建模动态障碍物分开。检测模块需要预先训练，动态障碍物只能建模为特定形状，如圆柱或椭球。本文利用双结构的基于粒子（DSP）的动态占有地图同时表示任意形状的静态障碍物和动态障碍物，并提出一种有效的基于风险感知采样的局部轨迹规划器，实现在此地图上的安全飞行。通过对状态空间中生成的运动基元进行采样来规划轨迹。每个运动基元分为两个阶段：具有严格风险限制的短期阶段和旨在避免高风险区域的相对长期阶段。风险评估与预测的颗粒形式的未来占用状态，考虑时间维度。该规划器通过对任意全局轨迹的拆分和合并，也可用于具有预先规划的全局轨迹的任务。对比实验表明，由DSP地图和我们的规划器组成的避障系统在动态环境中的性能最好。在现实测试中，我们的四旋翼在运动捕捉系统下达到6 m/s的速度，在低价单板计算机上运行时达到2.5 m/s的速度。
2022-02-15 cs.RO
Obstacle Avoidance using Dynamic Movement Primitives and Reinforcement Learning
Institute of Industrial and Control Engineering, Universitat Politècnica de Catalunya（工业与控制工程研究所，巴塞罗那理工大学）；Department of Computer Science, University of Innsbruck（计算机科学系，因斯布鲁克大学）；Roboception GmbH（Roboception公司）
本文提出一种从单个人工示范出发，结合动态运动基元与策略强化学习生成多样化轨迹数据，并训练神经网络实现快速避障规划的方法，在仿真和真实实验中优于RRT-Connect基线。
2025-10-10 cs.AI cs.RO
Constrained Probabilistic Movement Primitives for Robot Trajectory Adaptation
Volkswagen Machine Learning Research Lab（大众机器学习研究实验室）
将机器人置于受控条件之外需要多功能的运动表示，使机器人能够学习新任务并使其适应环境变化。在工作空间中引入障碍物或放置额外的机器人，由于故障或运动范围限制而修改关节范围是适应能力对于安全执行机器人任务起关键作用的典型情况。概率运动基元（ProMPs）已被提出用于表示适应性运动技能，其被建模为轨迹上的高斯分布。这些都是易于分析的，可以从少量的演示中学习。然而，原始ProMP公式和随后的方法都仅提供特定运动适应问题的解决方案，例如，障碍避免和一个通用的，统一的，概率的适应方法是缺失的。在本文中，我们开发了一个通用的概率框架，以适应ProMP。我们统一了以前的适应技术，例如，各种类型的避障，通过点，相互回避，在一个单一的框架，并结合它们来解决复杂的机器人问题。此外，我们得到新的适应技术，如时间上未绑定的通过点和相互回避。我们制定适应作为一个受约束的优化问题，我们最大限度地减少Kullback-Leibler分歧之间的适应分布和原始原始的分布，而我们约束的概率质量与不希望的轨迹是低的。我们在模拟平面机器人手臂和双机器人手臂设置中的7自由度Franka-Emika机器人上展示了我们解决几个自适应问题的方法。
2022-01-05 cs.RO
A Horizon-slicing Approach to Minimum Obstacle Displacement Planning for Robot Navigation
IIIT Hyderabad（海得拉巴国际信息技术学院）；University of Genoa（热那亚大学）
本文研究机器人导航中的最小障碍物位移规划问题，证明其NP难，并提出一种计算强度较低、可在路径长度与障碍物位移量间权衡的近似解。
2026-09-22 cs.AI cs.RO
Motion Primitives based Path Planning with Rapidly-exploring Random Tree
George Mason University（乔治梅森大学）
我们提出了一种方法，使用快速探索随机树（RRT）生成机器人kinodynamically可行路径。我们利用运动原语作为一种方式来捕捉机器人的动态，并使用这些运动原语建立与RRT树的分支。由于每个分支都是使用机器人的运动基元构建的，不会导致与障碍物的碰撞，因此保证所得到的路径满足机器人的kinodynamic约束，从而可以用于导航，而无需对生成的轨迹进行任何后处理。我们证明了我们的方法在模拟的2D环境中使用简单的机器人模型与各种运动原语的有效性。
2022-10-27 cs.RO
Sampling-based optimal kinodynamic planning with motion primitives
Politecnico di Milano（米兰理工大学）
本文提出了一种新的基于采样的运动规划器，它集成在RRT*（快速探索随机树星）的预先计算的运动基元的数据库，以减轻其计算负荷，并允许运动规划在动态或部分已知的环境。该数据库是通过考虑在一些网格空间中的初始和最终状态对的集合，并且为每一对确定与系统动态和约束兼容的最优轨迹，同时使成本最小化来构建的。在RRT* 算法中，通过在网格状态空间中随机提取样本并在数据库中选择将其连接到现有节点的最佳无障碍运动基元，将节点逐步添加到可行轨迹树中。如果一些节点可以从新的采样状态通过具有较低成本的无障碍运动原语到达，则树被重新布线。因此，运动规划的计算上更密集的部分被移动到数据库构建的初步离线阶段，代价是由于网格化而导致的一些性能降级。可以调整网格分辨率，以便在（次）最优性和数据库大小之间进行折衷。当网格分辨率趋于零且采样状态数趋于无穷大时，该规划器是渐近最优的。
2022-06-10 cs.RO
COVER:COverage-VErified Roadmaps for Fixed-time Motion Planning in Continuous Semi-Static Environments
Department of Robotics Engineering, Worcester Polytechnic Institute (WPI)（机器人工程系，沃斯特理工学院（WPI））
本文提出COVER框架，通过增量构建覆盖验证的路标，为半静态环境提供固定时间内的运动规划解决方案，展示了更广的问题空间覆盖和更高的查询成功率。
2026-04-17 cs.RO
Blending Primitive Policies in Shared Control for Assisted Teleoperation
Preferred Networks Inc.（首选网络公司）
运动原语具有适应机器人状态变化的属性，同时保持对原始策略的吸引力。因此，我们调查使用原语作为一种混合机制，考虑到从原始政策的状态偏差是由用户输入。当原语从用户输入中恢复时，它隐式地混合了人类和机器人策略，而不需要它们的权重-称为仲裁。在本文中，我们采用了动态运动原语（DMPs），这使我们能够避免多次演示的需要，并且速度足够快，可以实现大量的实例化，每个实例对应于人类意图的每个假设。用户研究辅助遥操作任务，达到多个目标和动态避障。实现了与传统遥控操作相当的性能，同时显着减少了人为干预，通常超过60%。
2022-04-14 cs.RO
Improving Map Re-localization with Deep 'Movable' Objects Segmentation on 3D LiDAR Point Clouds
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙国家研究委员会-加泰罗尼亚理工大学机器人与工业信息研究所）；Valeo Schalter und Sensoren GmbH（法雷奥开关与传感器有限公司）
定位和地图是实现自主车辆导航的重要组成部分，并且需要超过基于商业GPS的系统的精度。目前的里程计和映射算法能够提供这种准确的信息。然而，这些算法对动态障碍物和环境变化的鲁棒性的缺乏，即使是短时间内，也迫使在每次会话上生成新的地图，而不利用先前获得的地图。在本文中，我们提出了使用深度学习架构来从3D LiDAR点云中分割可移动物体，以获得更持久的3D地图。这反过来将允许在随后的日子里更好、更快和更准确地重新定位和重新估计。我们展示了我们的方法在一个非常动态和混乱的场景，超市停车场的有效性。为此，我们在不同的日子记录了几个序列，并比较了使用和不使用我们的可移动物体分割方法的定位误差。结果表明，我们能够在过滤后的地图上准确地重新定位，一致地减少了平均35.1%（相对于未过滤的地图版本）和47.9%（相对于在当前会话中创建的独立地图）之间的轨迹误差。
2019-10-08 cs.CV cs.LG cs.RO
Formal Design of Robot Integrated Task and Motion Planning
University of Notre Dame（圣母大学）
移动机器人在动态环境中的集成任务和运动规划（ITMP）是一个具有挑战性的研究课题，近年来受到越来越多的关注。现有的大多数方法要么局限于静态环境，要么缺乏性能保证。这促使我们使用正式的方法来调查ITMP问题，并提出了一个自底向上的组合设计方法称为CoSMoP（安全运动原语的组合）。我们的基本思想是通过组合简单的局部移动和动作来合成全局运动计划，并通过模块化和增量式验证来实现其性能保证。该设计包括两个步骤。首先，基本的运动原语的设计和验证本地。然后，通过将这些经认证的运动基元连接在一起，在这些经认证的运动基元上构建全局运动路径。特别地，我们将运动原语建模为混合自动机，并通过微分动态逻辑（d $\mathcal{L}$）验证其安全性。此外，这些证明安全的运动基元组成的基础上编码的可满足性模理论（SMT），考虑到几何约束。由于d $\mathcal{L}$允许组合验证，因此安全运动基元的顺序组合也保留了安全属性。因此，CoSMoP为给定的任务规范生成正确的计划，这些任务规范被正式证明是安全的，即使是移动的障碍物。最后通过实例验证了方法的有效性。
2016-12-15 cs.RO
Bench-Push: Benchmarking Pushing-based Navigation and Manipulation Tasks for Mobile Robots
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院）；Department of Electrical and Computer Engineering, University of Waterloo（电气与计算机工程系，滑铁卢大学）；Department of Mechanical Engineering, University of Alberta（机械工程系，阿尔伯塔大学）
提出首个统一的推动式移动机器人导航与操作基准Bench-Push，包含多种模拟环境、新评估指标和基线实现，用于解决可移动障碍物环境中的机器人推动任务评估问题。
2026-06-18 cs.RO
MP-MPPI: A Motion Primitive Guided Sampling-Based Optimizer for Model Predictive Control
Norwegian University of Science and Technology（挪威科技大学）
提出MP-MPPI方法，通过运动原语扩展MPPI进行结构化采样，增强收敛。在实时采样优化循环中评估相关序列，解决路径规划局限。在四旋翼模拟器及导航任务中测试，增强控制空间探索且保持实时控制特性。
2026-07-08 cs.RO
Direct Contact-Tolerant Motion Planning With Vision Language Models
State Key Laboratory of Internet of Things for Smart City (SKL-IOTSC), University of Macau（物联网智能城市国家重点实验室，澳门大学）；Shenzhen Institutes of Advanced Technology (SIAT), Chinese Academy of Sciences（深圳先进技术研究院，中国科学院）；Department of Electrical and Computer Engineering, The University of Hong Kong（香港大学电子与计算机工程系）
本文提出直接接触容忍运动规划方法，利用视觉语言模型实现接触感知导航，提升机器人在拥挤环境中的鲁棒性和效率。
2026-03-05 cs.RO
OmniRisk: Omnidirectional Trajectory-Risk Learning for Agile Quadrotor Dynamic Avoidance
Differential Robotics（微分机器人）；Zhejiang University（浙江大学）
OmniRisk提出全向轨迹风险学习框架，通过离线学习风险场和双分支卷积网络预测，实现四旋翼在高速动态障碍物环境中的高效机载避障，无需在线累积风险。
2026-09-22 cs.RO
Towards Path-Creative Navigation: Robot Navigation through Embodied Interaction
School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院）；College of Information Science and Technology, Eastern Institute of Technology（东方理工大学信息科学与技术学院）；School of Mechanical and Power Engineering, Zhengzhou university（郑州大学机械与动力工程学院）；University of Waterloo（滑铁卢大学）
本文提出路径创造性导航（PCN）范式，构建视觉-激光雷达-里程计无地图框架，通过可通行性感知决策实现机器人与环境的必要交互，在仿真及真实任务中较基线方法提升了杂乱受限环境下的导航任务完成率。
2026-10-12 cs.RO
Motion Primitives Based Kinodynamic RRT for Autonomous Vehicle Navigation in Complex Environments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在这项工作中，我们已经实现了一个SLAM辅助导航模块的一个真正的自主车辆与未知的动态。导航目标是沿着无碰撞轨迹到达期望的目标配置，同时遵守系统的动态特性。具体来说，我们使用基于LiDAR的Hector SLAM来构建环境地图，检测障碍物，并跟踪车辆在通过各种状态时与轨迹的一致性。对于运动规划，我们使用快速探索随机树（RRT）的一组生成的运动基元搜索动态可行的轨迹序列和无碰撞路径的目标。我们展示了复杂的机动，如平行停车，垂直停车，并在一个受约束的环境中使用所提出的方法由真实的车辆倒车运动。
2022-10-21 cs.RO
Securing Autonomous Service Robots through Fuzzing, Detection, and Mitigation
Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（新加坡国立大学）
自主服务机器人与人类共享社交空间，通常一起完成家庭或专业任务。这些机器人的网络安全漏洞破坏了人类和机器人之间的信任。在本文中，我们研究如何理解和造成安全威胁的设计和实施阶段的可移动自主服务机器人。为此，我们利用定向模糊的思想和设计RoboFuzz，系统地测试一个自主服务机器人符合机器人的状态和周围环境。RoboFuzz的方法是研究影响机器人状态转换的关键环境参数，并使机器人控制程序具有合理但有害的传感器值，从而损害机器人。此外，我们开发检测和缓解算法来抵消RoboFuzz的影响。其难点主要在于如何在有限的计算资源、及时的检测和缓解工作效率的保持之间进行权衡。特别是，我们提出了检测和缓解方法，利用历史记录的障碍物检测不一致的障碍物外观不可信的传感器值和导航的可移动机器人继续移动，以便进行计划的任务。通过这样做，我们设法保持低成本的检测和缓解，但也保留了机器人的工作效率。我们已经在现实世界的可移动机器人中原型化了RoboFuzz，检测和缓解算法。实验结果证实，RoboFuzz使一个成功率高达93.3%，在施加具体的威胁到机器人，而工作效率的整体损失仅为4.1%，在缓解模式。
2020-03-12 cs.CR cs.RO
Motion Primitives for Robotic Flight Control
我们介绍了一个简单的框架，学习积极的机动飞行控制的无人机。受生物环境的启发，利用非线性收缩理论对动态运动基元进行分析和扩展。因此，观察到的运动的基元被稳定地组合和连接。我们证明了我们的实验结果的Quanser直升机，在其中我们首先模仿侵略性的演习，然后使用它们作为原语，以实现新的机动，可以飞越障碍物。
2008-10-15 cs.LG cs.RO
Applying Evolutionary Optimisation to Robot Obstacle Avoidance
本文提出了一种基于人工进化的立体图像分析方法，并将其应用于移动机器人的实时障碍物检测和避障。它使用巴黎的方法，其中包括在这里分裂成大量的简单的原语，“苍蝇”，这是进化后的生物启发计划，并给出了一个快速，低成本的解决方案，在移动机器人的障碍物检测问题的机器人的环境表示。
2005-10-25 cs.AI cs.RO
Primitive-Swarm: An Ultra-lightweight and Scalable Planner for Large-scale Aerial Swarms
Academy for Engineering and Technology, Fudan University（复旦大学工程与技术学院）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；Institute of Cyber-Systems and Control, Zhejiang University（浙江大学网络系统与控制研究所）；School of Aeronautic Science and Engineering, Beihang University（北京航空航天大学航空科学与工程学院）
针对大规模空中集群的规划难题，提出超轻量级可扩展规划器Primitive-Swarm，采用离线预计算原语库与线性复杂度选择，实现毫秒级规划，支持千机实时仿真。
2025-02-24 cs.RO
Towards Connecting Control to Perception: High-Performance Whole-Body Collision Avoidance Using Control-Compatible Obstacles
Technical University of Munich（慕尼黑工业大学）；Technische Universität Dresden（德累斯顿工业大学）；Omar Al-Mukhtar University（奥马尔·穆赫塔尔大学）
本研究提出结合机械臂高频实时避障与数字孪生低频多模态高分辨率感知的方法，基于基元骨架实现控制与感知闭环，在9自由度机器人上通过实验验证了框架的功能与效率。
2023-12-15 cs.RO
Dynamic Free-Space Roadmap for Safe Quadrotor Motion Planning
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；DJI（大疆创新）
面向自由空间的路线图通常会生成一系列凸几何图元，这些图元构成了运动规划的安全区域。然而，对于这种路线图，假设是静态环境。这一假设使其无法处理动态障碍，限制了其应用。在本文中，我们提出了一个动态的自由空间路线图，它提供了可行的空间和导航图的安全四旋翼运动规划。我们的路线图是通过不断播种和提取环境中的自由区域来构建的。为了使我们的地图适应动态障碍物的环境，我们逐步将与障碍物相交的多面体分解为无障碍区域，同时图形也通过我们精心设计的机制进行更新。大量的仿真和真实世界的实验表明，我们的方法是实用和有效的。
2022-04-20 cs.RO
Differentiable Collision Avoidance Using Collision Primitives
ETH（苏黎世联邦理工学院）；University of Haifa（海法大学）
机器人运动规划的一个中心方面是避免碰撞，其中目前使用多种不同的方法。基于优化的运动规划是一种方法，其通常严重依赖于机器人与障碍物之间的距离计算。这些计算很容易成为瓶颈，因为它们不能很好地扩展机器人或环境的复杂性。为了提高性能，许多不同的方法建议使用碰撞基元，即近似更复杂的刚体的简单形状，并且更容易计算距离。然而，每对原语都需要自己的专用代码，并且已知某些对会遇到数值问题。在本文中，我们提出了一个易于使用的，统一的处理各种各样的原语。我们制定的距离计算作为一个最小化的问题，我们迭代解决。我们将展示如何采取衍生物的最小化问题，使其无缝集成到一个轨迹优化方法。我们的实验表明，我们的方法表现良好，无论是在时间和质量的轨迹。我们实现的源代码将在验收后发布。
2022-04-20 cs.RO
Robot Control based on Motor Primitives -- A Comparison of Two Approaches
Massachusetts Institute of Technology（麻省理工学院）
本文系统比较了动态运动原语（DMPs）与基本动态动作（EDAs）两种机器人控制方法，通过八个控制示例揭示其实现差异，并探讨二者结合的可能性，为具体任务选择合适方法提供依据。
2023-10-28 cs.RO
