Control and Dynamic Motion Planning for a Hybrid Air-Underwater Quadrotor: Minimizing Energy Use in a Flooded Cave Environment
University of Maryland, College Park(马里兰大学帕克分校)
我们提出了一种动态路径规划算法,通过一个凹的时不变障碍物领域,同时试图最大限度地减少能源的使用,两栖旋翼船导航。我们建立了一个非线性四元数状态模型,代表了旋翼机动力学以上和以下的水。在分层架构中使用6自由度动力学来生成车辆遵循的运动路径和所需的控制输入。旋翼飞行器具有其周围环境的三维地图,该三维地图通过当前介质(空气或水)内的有限范围机载传感器读数来更新。路径规划通过PRM和D* Lite完成。
2023-01-03 cs.RO cs.SY eess.SY
Motion Planning for Hybrid Dynamical Systems: Framework, Algorithm Template, and a Sampling-based Approach
University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文研究混合动力系统的运动规划问题,提出通用算法模板及基于采样的HyRRT方法,通过流或跳跃扩展搜索树,并证明其具有概率完备性,应用于弹球和行走机器人系统验证了有效性。
2024-06-03 cs.RO cs.SY eess.SY
A Survey on Hybrid Motion Planning Methods for Automated Driving Systems
WMG, University of Warwick(华威大学WMG学院);School of Electronics, Electrical Engineering and Computer Science, Queen’s University of Belfast(贝尔法斯特女王大学电子、电气工程与计算机科学学院)
本文综述了自动驾驶系统中结合数据驱动与逻辑驱动技术的混合运动规划方法,按组件类型分类并比较其在战术决策与轨迹生成中的挑战与前景。
2024-06-08 cs.RO cs.SY eess.SY
A Long-Short-Term Mixed-Integer Formulation for Highway Lane Change Planning
ODYS S.r.l.(ODYS有限责任公司);IMT School for Advanced Studies Lucca(卢卡高等研究院)
本文提出一种长期-短期混合整数规划换道规划算法,将长期组合转移问题几何近似并与短期最优运动规划结合,在SUMO和CommonRoad环境中验证其优于现有方法。
2024-05-05 cs.RO cs.SY eess.SY
Integration of a Graph-Based Path Planner and Mixed-Integer MPC for Robot Navigation in Cluttered Environments
The Pennsylvania State University(宾夕法尼亚州立大学)
针对部分已知环境,本文提出多层规划控制框架,用中轴图规划全局路径,并由混合整数MPC检测终端约束不可行性,进而通过删边触发高效全局重规划,且经实验验证。
2025-07-25 cs.RO cs.SY eess.SY
Reliable and Real-Time Highway Trajectory Planning via Hybrid Learning-Optimization Frameworks
本文提出混合高速公路轨迹规划框架,结合学习方法的适应性和优化方法的正式安全保证,确保在多车交互复杂情况下实现高可靠性和实时性。
2026-04-13 cs.RO cs.SY eess.SY
First Steps Towards Full Model Based Motion Planning and Control of Quadrupeds: A Hybrid Zero Dynamics Approach
California Institute of Technology(加州理工学院);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
混合零动力学(HZD)方法已成为双足机器人步态规划和控制的有力工具。本文旨在扩展HZD方法,以解决四足机器人的行走,漫步和小跑行为。我们提出了一个框架,系统地产生了广泛的最佳轨迹,然后证明稳定他们的全阶,非线性和混合动力模型的四足运动。步态规划是通过一个可扩展的非线性规划,使用直接配置和HZD。然后通过Poincaré截面分析实现指数稳定的控制器综合。特别是,我们采用迭代优化算法,涉及线性和双线性矩阵不等式(LMI和BMI)设计基于HZD的控制器,保证指数稳定的不动点的庞加莱返回映射。通过步态生成和基于HZD的控制器合成的一个先进的四足机器人,-视觉60,36个状态变量和12个控制输入的框架的权力被证明。数值模拟和真实世界的实验证实了所提出的框架的有效性。
2019-09-17 cs.RO cs.SY eess.SY
Equivariant Deep Learning of Mixed-Integer Optimal Control Solutions for Vehicle Decision Making and Motion Planning
Mitsubishi Electric Research Laboratories(三菱电机研究院)
针对汽车嵌入式平台下MIQP求解速度不足的问题,提出循环排列等变深度集合模型预测整数变量,结合可行性投影器与在线二次规划,在SUMO多车道仿真中验证了自动驾驶决策的性能、安全性与实时性。
2024-05-13 cs.RO cs.SY eess.SY
Towards Tighter Convex Relaxation of Mixed-Integer Programs: Leveraging Logic Network Flow for Task and Motion Planning
George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology, USA(乔治亚理工学院机械工程学院);Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, USA(乔治亚理工学院工业与系统工程学院)
本文提出逻辑网络流框架,将时序逻辑集成到混合整数规划中,通过改进的傅里叶-莫茨金消元实现更紧的凸松弛,在多类机器人任务中大幅提升计算速度并降低内存消耗,硬件验证了实时重规划能力。
2026-08-13 cs.RO cs.SY eess.SY
Risk-Aware Motion Planning and Control under Unknown Dynamics with Hybrid Observations
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对未知动力学与混合观测下的机器人运动规划,提出基于标称模型与开环控制的风险量化方法,通过随机最短路径规划平衡效率与盲区穿越风险。
2026-09-22 cs.RO cs.SY eess.SY
Motion Planning with Metric Temporal Logic Using Reachability Analysis and Hybrid Zonotopes
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出了一种基于可达性分析和混合容积集的运动规划方法,用于满足时间依赖任务需求,展示了其在处理动态环境和多智能体协调方面的优势。
2026-01-30 cs.RO cs.SY eess.SY
Information-driven Path Planning for Hybrid Aerial Underwater Vehicles
Shanghai Jiao Tong University(上海交通大学)
提出了一种新的快速探索自适应采样树(RAST)算法,用于海气三维环境下混合式航空水下航行器(HAUV)的自适应采样任务。该算法创新性地结合了基于竞赛的选点采样策略、信息启发式搜索过程和快速探索随机树(RRT)算法框架。因此,可以引导车辆到感兴趣的区域的科学家进行采样,并生成一个无碰撞的路径,最大限度地收集信息的HAUV的海流或风的环境影响和有限的预算的约束下。仿真结果表明,快速搜索自适应采样树算法比快速探索信息收集树(RIGT)算法和粒子群优化(PSO)算法具有更高的寻优性能、更快的求解速度和更好的稳定性。
2022-04-08 cs.RO cs.SY eess.SY
HyRRT-Connect: A Bidirectional Rapidly-Exploring Random Trees Motion Planning Algorithm for Hybrid Systems
University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文提出 HyRRT-Connect 算法,通过混合时间中前向与后向双向 RRT 传播及后向规划重建,解决混合系统运动规划中的不连续问题,并在弹跳球和步行机器人上验证其通用性与计算改进。
2024-03-30 cs.RO cs.SY eess.SY
Efficient Hierarchical Robot Motion Planning Under Uncertainty and Hybrid Dynamics
Department of Mechanical Engineering(机械工程系);Department of Computer Science(计算机科学系);University of Texas at Austin, USA(得克萨斯大学奥斯汀分校)
本文提出了一种分层POMDP规划器,用于在存在不确定性的情况下为混合动力学模型生成成本优化的运动计划,通过将非线性动力学分解为离散的局部动力学模型,从而有效减少状态不确定性。
2018-10-08 cs.AI cs.RO cs.SY
HyRRT-Connect: Bidirectional Motion Planning for Hybrid Dynamical Systems
University of California, Santa Cruz(加州大学圣克鲁兹分校)
针对混合动态系统的运动规划问题,提出双向快速探索随机树算法HyRRT-Connect,通过混合时间双向传播、函数反转拼接及仿真重构消除中断,在两个实例中实现计算改进。
2025-04-14 cs.AI cs.RO cs.SY
A Mixed-Integer Approach for Motion Planning of Nonholonomic Robots under Visible Light Communication Constraints
Instituto Tecnológico de Aeronáutica(航空技术学院);Delft University of Technology(代尔夫特理工大学)
本文研究非完整机器人在VLC连接约束下的运动规划问题,提出基于MILP的轨迹规划器协调RCCS执行检查任务,在处理定向LOS与动力学非线性等问题的同时最小化时间与控制努力,并在Gazebo中验证了有效性。
2023-11-20 cs.MA cs.RO cs.SY
Hybrid A* Path Planning with Multi-Modal Motion Extension for Four-Wheel Steering Mobile Robots
School of Automation, Beijing Institute of Technology, Beijing 100081, China(自动化学院,北京理工大学,北京100081,中国)
本文提出了一种针对四轮转向移动机器人的混合A*路径规划方法,通过多模态运动扩展提升复杂环境下的路径规划性能。
2025-12-31 cs.RO cs.SY eess.SY
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
Optimal Constrained Task Planning as Mixed Integer Programming
University of Michigan(密歇根大学)
为了让机器人成功执行分配给它们的任务,它们必须能够规划正确的动作序列。这些行动必须是相对于特定目标的最佳行动,并满足其世界中存在的任何约束。我们提出了一种机器人任务规划的方法,能够规划的最佳序列的接地行动,以完成一个特定的目标函数的任务,同时满足所有指定的数值约束。我们的方法通过将整个任务规划问题编码为单个混合整数凸规划来实现这一点,然后使用现成的混合整数规划求解器来解决该问题。我们评估我们的方法在模拟和物理人形机器人上的几个移动操作任务。我们的方法是能够始终如一地产生最优的计划,同时占所有指定的数值约束的移动操作任务。我们的方法的组件的开源实现以及机器人在模拟和物理世界中执行计划接地动作的视频可以在以下网址找到:https://adubredu.github.io/gtpmip
2022-11-17 cs.RO
Anytime Hybrid Driving-Stepping Locomotion Planning
Rheinische Friedrich-Wilhelms-Universität Bonn(波恩大学)
驱动-步进混合运动是一种在多种环境下进行导航的有效方法。长的、足够均匀的距离可以通过驾驶快速行驶,而障碍物可以通过步行克服。我们的四足机器人Momaro,在它的每一条顺从的腿的末端都有一对可操纵的轮子,允许这样的运动。迄今为止,规划各自的路径只引起了很少的注意。我们提出了一种导航规划方法,产生混合运动路径。规划者尽可能选择驾驶模式,并考虑详细的机器人足迹。如果需要步骤,则计划器包括这些步骤。为了加速规划,首先将步骤规划为抽象动作,然后将其扩展为详细的运动序列。我们的方法确保机器人始终保持稳定。实验表明,该规划器能够在可行的时间内提供路径,即使是具有挑战性的地形。
2018-09-19 cs.RO
Trajectory Planning and Tracking of Hybrid Flying-Crawling Quadrotors
East China University of Science and Technology(华东理工大学);Fudan University(复旦大学)
针对混合飞行-爬行四旋翼飞行器的混合运动需求,提出含考虑爬行限制的地空路径搜索、适配变形时间的轨迹跟踪的规划跟踪框架,经多场景仿真与实机实验验证性能优异。
2024-05-14 cs.RO
Belief Space Planning for Risk Signal Temporal Logic via Mixed-Integer Convex Programming
KTH Royal Institute of Technology(瑞典皇家理工学院);Digital Futures(数字未来机构)
本文针对高斯信念空间中的风险信号时序逻辑(RiSTL)规划问题,提出一种混合整数凸规划(MICP)方法,证明其可靠完备且保留全局最优轨迹,并通过数值模拟验证了方法有效性。
2026-10-14 cs.RO
Monte Carlo Planning in Hybrid Belief POMDPs
Technion - Israel Institute of Technology(以色列理工学院)
针对现有在线POMDP求解器无法直接支持混合信念、难以应对假设指数增长计算负担的问题,提出HB-MCP算法,结合MCTS与UCB探索奖励维持混合信念并引导树生长,在多模态信念假设的混淆模拟环境中验证了方法。
2023-05-02 cs.AI cs.RO
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology(FZI 信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出,合作运动规划的方法仍然存在。在本文中,我们提出了一种方法来提高常见的运动规划算法,允许与人类驾驶的车辆合作。与以前的方法不同,我们将其他交通参与者的预测集成到运动规划中,这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此,提出了一种新的成本函数,包含场景中所有相关交通参与者的成本。最后,我们提出了一个路径速度分解采样为基础的实现,我们的方法为选定的情况下,这是在模拟评估。
2017-08-23 cs.MA cs.RO
A Generalized Mixed-Integer Convex Program for Multilegged Footstep Planning on Uneven Terrain
Simón Bolívar University(西蒙·玻利瓦尔大学)
机器人脚步规划策略可以分为两种主要方法:离散搜索和连续优化。虽然离散搜索已被广泛应用,连续优化方法已被限制为人形平台。本文介绍了一种广义的连续优化方法,多腿的脚步规划,可以适应不同的平台,无论腿的数量和几何形状。这种方法利用混合凸规划来考虑代表足迹旋转和避障的非凸约束。规划问题被制定为一个优化问题,考虑机器人的几何形状和可达性与线性约束,并可以有效地解决使用优化软件。为了证明规划器的功能和适应性,在BH3R六足动物和LittleDog四足动物上进行了一组测试,这些测试在几分之一秒内有效地解决了离散搜索无法轻松处理的情况。据作者所知,这项工作代表了第一次成功实施的连续优化为基础的多腿的脚步规划。
2017-01-04 cs.RO
Hybrid Deep Reinforcement Learning and Planning for Safe and Comfortable Automated Driving
Saarland University(萨尔大学);German Research Center for Artificial Intelligence(德国人工智能研究中心)
我们提出了一种新的混合学习方法,HyLEAR,用于解决POMDPs中自动驾驶汽车的无碰撞导航问题。HyLEAR利用插入式学习将混合规划器的知识嵌入深度强化学习器中,以更快地确定安全舒适的驾驶策略。特别地,混合规划器将行人路径预测和风险感知路径规划与基于驾驶行为规则的推理相结合,使得驾驶策略还尽可能地考虑乘坐舒适性和给定的驾驶行为规则集。我们对关键交通场景的CARLA-CTS 1基准的实验性能分析表明,HyLEAR在安全性和乘坐舒适性方面可以显着优于选定的基线。
2022-12-30 cs.AI cs.RO
Efficient Motion Planning for Automated Lane Change based on Imitation Learning and Mixed-Integer Optimization
Beijing Institute of Technology(北京理工大学);McGill University(麦吉尔大学)
智能运动规划是自动驾驶汽车的核心组成部分之一,受到了广泛的关注。传统的运动规划方法在最优性、效率和泛化能力方面存在一些缺陷。基于采样的方法不能保证生成的轨迹的最优性。而基于优化的方法不能够实时地进行运动规划,并且受到简化形式化的限制。在这项工作中,我们提出了一种基于学习的方法来处理这些缺点。基于混合二次优化问题(MIQP)生成最优换道轨迹,作为基于学习的动作生成算法的训练数据集。设计了一种分层监督学习模型来进行快速换道决策。大量的实验已经进行了评估所提出的方法的最优性,效率和泛化能力。实验结果表明,该模型优于几种常用的运动规划基线。
2020-05-08 cs.LG cs.RO stat.ML
Overcoming Dynamic Environments: A Hybrid Approach to Motion Planning for Manipulators
UTS: Robotics Institute(UTS机器人研究所);University of Technology Sydney(悉尼科技大学)
本文提出一种结合改进速度势场与基于采样运动规划器的混合方法,以提升机械臂在动态不确定环境中的运动规划效率、稳定性与计算可行性。
2025-04-09 cs.RO
Mixed Observable RRT: Multi-Agent Mission-Planning in Partially Observable Environments
Stanford University(斯坦福大学);KTH Royal Institute of Technology(KTH皇家理工学院);California Institute of Technology(加州理工学院)
本文考虑了异构多智能体系统的集中式任务规划问题,目标是定位隐藏目标。我们提出了一个混合的可观察设置,包括一个完全可观察的状态空间和一个部分可观察的环境,使用隐马尔可夫模型。首先,我们构建快速探索随机树(RRT),引入混合可观察RRT寻找合理的任务计划给每个代理的路点。利用这个结构,我们提出了一个路径选择策略的基础上的动态规划方法,占部分观测的不确定性,并最大限度地减少预期成本。最后,我们结合高层次的计划与模型预测控制算法,评估的方法组成的四足机器人和无人机的实验装置。它表明,代理能够做出智能决策,有效地探索该地区,并通过合作行动来定位目标。
2022-11-11 cs.RO
Locomotion Planning through a Hybrid Bayesian Trajectory Optimization
ETH Zurich(苏黎世联邦理工学院)
腿式系统的运动规划需要推理合适的接触时间表。接触序列和定时构成了一个混合动力系统,并规定了一个子集的可实现的运动。最先进的方法将运动规划视为最优控制问题。为了降低计算复杂性,一种常见的策略将脚步规划与运动优化分离,并使用几何学来规划接触。在本文中,我们提出了学习接触时间表选择高层次的任务描述使用贝叶斯优化。定义了一种双层优化,其中高斯过程模型预测由运动规划非线性程序生成的轨迹的性能。代理,因此,保留的能力,理由有关合适的接触时间表,而明确的计算相应的梯度是避免的。我们描绘的算法在其一般形式,并提供规划单腿跳跃的结果。我们的方法能够学习与人类直觉一致的联系人时间表转换。它表现出竞争力的启发式基线预测任务适当的接触时间表。
2019-03-09 cs.RO
Evaluating Data-driven Performances of Mixed Integer Bilinear Formulations for Book Placement Planning
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文通过书籍摆放规划问题比较了混合整数双线性规划不同重构形式的数据驱动求解性能,证明数据驱动方法能显著加速求解,并为用户选择合适重构形式提供参考。
2024-06-07 cs.RO
Kinodynamic Motion Planning for Multi-Legged Robot Jumping via Mixed-Integer Convex Program
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea Advanced Institute of Science and Technology(韩国科学技术院)
提出了一种基于混合整数凸规划(MICP)的多足足式机器人跳跃运动学运动规划框架,该框架同时考虑质心运动、接触点、扳手和步态序列。该方法将位形空间离散化和可行扳手多面体(FWP)的构造相结合,将运动学约束、执行器限制、摩擦锥约束和步态排序编码到一个MICP中。MICP可以有效地解决了全球最佳的现成的数值求解器,并提供高动态跳跃运动,而不需要初始猜测。仿真和实验结果表明,所提出的方法可以找到新颖灵巧的机动,直接部署在两足足式机器人平台上,以穿越具有挑战性的地形。
2020-11-03 cs.RO
Adaptive Robot Coordination: A Subproblem-based Approach for Hybrid 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)
本研究提出新型混合多机器人运动规划框架ARC,通过基于冲突的局部子问题动态调整规划空间的耦合与解耦,实现高效自适应协调,具备概率完备性,可扩展性与协调精度兼具,性能优于现有各类基线方法。
2023-12-13 cs.MA cs.RO
Mixed-Density Diffuser: Efficient Planning with Non-Uniform Temporal Resolution
Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, USA(保罗·G·艾伦计算机科学与工程学院,华盛顿大学,西雅图,美国)
本文提出混合密度扩散器,通过可调超参数实现规划时间分辨率的非均匀分布,提升在D4RL任务中的规划效率与性能。
2026-04-14 cs.AI cs.RO
Hybrid Map-Based Path Planning for Robot Navigation in Unstructured Environments
National University of Defense Technology(国防科技大学)
快速准确的路径规划对于地面机器人在非结构化户外环境中实现安全高效的自主导航至关重要。然而,大多数利用2D或2.5D地图的现有方法都难以平衡地面机器人在这种具有挑战性的场景中导航的效率和安全性。在本文中,我们提出了一种新的混合地图表示融合的2D网格和2.5D数字高程图。在此基础上,提出了一种新的路径规划方法,它考虑了机器人的位姿在可通过性估计。通过这样做,我们的方法显式地将安全性作为规划约束,使机器人能够顺利地在非结构化环境中导航。所提出的方法已经在模拟数据集和真实机器人平台上进行了评估。实验结果证明了该方法的有效性和实用性。与最先进的基线方法相比,所提出的方法始终为机器人在不同的非结构化户外环境中生成更安全,更容易的路径。我们的方法的实现可在https://github.com/nubot-nudt/T-Hybrid-planner公开获得。
2023-03-09 cs.RO
Collaborative Planning for Mixed-Autonomy Lane Merging
Georgia Institute of Technology(佐治亚理工学院);Monash University(莫纳什大学);Honda Research Institute(本田研究院)
驾驶是一种社会活动:驾驶员经常通过动作提示来表明他们改变车道的意图。我们考虑混合自动驾驶交通,其中人类驾驶车辆(HV)和自动驾驶车辆(AV)一起驾驶。我们提出了一个规划框架,AV认为其他代理的奖励的程度是由自私因素控制。我们测试我们的方法在一个模拟的双车道高速公路上的AV和HV合并到对方的车道。在一项有21个受试者和6个不同自私因素的用户研究中,我们发现我们的规划方法是合理的,并且当选择一个平衡两个代理的奖励的因素时,两个代理的合并时间更少。我们的研究结果表明,双车道合并,这是一个非零和游戏,鼓励进一步研究混合自主交通的协同决策算法。
2018-08-07 cs.AI cs.MA cs.RO
Planning Hybrid Driving-Stepping Locomotion on Multiple Levels of Abstraction
Rheinische Friedrich-Wilhelms-Universität Bonn(波恩大学)
在搜索和救援环境中导航是具有挑战性的,因为必须考虑各种地形。由我们的机器人Momaro提供的混合驱动-步进运动是一种很有前途的方法。与其他运动方法类似,它包含许多自由度-提供高灵活性,但使规划计算昂贵的大型环境。我们提出了一种导航规划方法,它统一了不同层次的表示在一个单一的计划。在机器人附近,它提供了具有精细分辨率和高机器人状态维度的计划。随着与机器人的距离增加,计划变得粗糙,机器人状态维数降低。我们弥补这种损失的信息丰富粗糙表示额外的语义。实验表明,该规划器提供了计划,在可行的时间大,具有挑战性的情况下。
2018-09-19 cs.RO
HybridGen: VLM-Guided Hybrid Planning for Scalable Data Generation of Imitation Learning
Sun Yat-sen University(中山大学)
本文提出 HybridGen 框架,利用 VLM 解析专家演示并结合混合规划与位姿变换,可跨算法生成大规模模仿学习数据,在七项任务上显著提升性能与泛化。
2025-03-17 cs.AI cs.RO
MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness
School of Surveying and Mapping, Information Engineering University(测绘学院,信息工程大学);School of Geodesy and Geomatics, Hubei Luojia Laboratory(地质测绘学院,湖北珞珈实验室)
MMH-Planner通过多模式混合轨迹规划方法,结合实时空间感知提升无人机飞行效率,优化规划效率与计算成本。
2026-03-03 cs.RO
HyPlan: Hybrid Learning-Assisted Planning Under Uncertainty for Safe Autonomous Driving
Saarland University, Computer Science Dept.(萨尔兰大学计算机科学系);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);French National Centre for Scientific Research (CNRS)(法国国家科学研究中心)
HyPlan通过结合多智能体行为预测、深度强化学习和POMDP规划,实现安全且高效的自动驾驶导航
2026-02-06 cs.AI cs.RO
Energy-Efficient Motion Planning for Multi-Modal Hybrid Locomotion
Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室);California Institute of Technology(加州理工学院)
混合运动,它结合了多种形式的运动在一个单一的机器人,使机器人在不同的环境中执行复杂的任务。提出了一种基于近似动态规划的多模态运动轨迹规划方法。我们制定这个问题作为一个最短路径搜索通过状态空间图,其中的边缘成本被分配为最优的运输成本沿每个部分。这一成本是近似从批量离线轨迹优化,这使得车辆欠驱动和动态约束的复杂影响,以一种易于处理的方式近似捕获。我们的方法说明了混合双积分器,两栖机器人,和飞行驾驶无人机,显示该方法的实用性。
2020-08-04 cs.RO
HPHS: Hierarchical Planning based on Hybrid Frontier Sampling for Unknown Environments Exploration
School of Mechanical Engineering, Beijing Institute of Technology(北京理工大学机械工程学院);RAL, Baidu Research(百度研究院RAL)
提出HPHS方法,结合混合前沿采样与分层规划,降低规划复杂度并减少区域残留,提升未知环境自主探索的效率与效果。
2024-07-19 cs.RO
Where Bits Matter in World Model Planning: A Paired Mixed-Bit Study for Efficient Spatial Reasoning
University of California San Diego(加州大学圣地亚哥分校)
本研究通过混合位方法探讨位分配对世界模型规划的影响,发现不同比特分配策略在空间推理中的表现差异显著,提出模块意识和预算意识的量化策略作为未来研究方向。
2026-02-12 cs.AI cs.CV cs.LG
Hybrid Robot Learning for Automatic Robot Motion Planning in Manufacturing
University of Virginia(弗吉尼亚大学)
本文提出一种多级混合机器人运动规划方法,结合RL-LfD和DRL智能体,通过高级智能体切换实现可行平滑轨迹,并在模拟和真实环境中验证有效性。
2025-02-26 cs.RO
Hybrid Systems Differential Dynamic Programming for Whole-Body Motion Planning of Legged Robots
University of Notre Dame(圣母大学)
提出了一种基于状态切换的混杂系统轨迹优化的微分动态规划框架。建议的混合系统DDP(HS-DDP)的方法被认为是应用到全身运动规划与足式机器人。具体来说,HS-DDP结合了三个算法的进步:一个影响感知DDP步骤解决的影响事件在腿运动,一个增广拉格朗日(AL)方法处理的开关约束,和开关时间优化(STO)算法,优化开关时间,通过利用DDP的结构。此外,松弛障碍(ReB)的方法被用来管理不等式约束,并集成到HS-DDP的运动规划。所开发的算法的性能基准上的麻省理工学院迷你猎豹执行跳跃步态的仿真模型。我们证明了AL和ReB处理开关约束,摩擦约束和扭矩限制的有效性。通过与以前的解决方案相比,我们表明,STO算法实现了2.3倍以上的减少总开关时间,证明了我们的方法的效率。
2020-08-11 cs.RO
Improved path planning algorithms for non-holonomic autonomous vehicles in industrial environments with narrow corridors: Roadmap Hybrid A* and Waypoints Hybrid B*. Roadmap hybrid A* and Waypoints hybrid A* Pseudocodes
University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学);Gruppo TecnoFerrari S.p.a. con socio unico(泰克诺法拉利集团股份公司(单一股东))
针对狭窄走廊工业场景的类车自主车辆,提出结合静态路线图搜索的Roadmap Hybrid A*与拓扑图航点引导的Waypoint Hybrid A*两种路径规划算法,仿真验证其在多项指标上优于标准Hybrid A*。
2023-04-27 cs.RO
Near Time-Optimal Hybrid Motion Planning for Timber Cranes
Automation & Control Institute (ACIN), TU Wien(自动化与控制研究所(ACIN),维也纳技术大学);Center for Vision, Automation & Control, AIT Austrian Institute of Technology GmbH(视觉、自动化与控制中心,奥地利技术研究所)
本文提出了一种针对液压驱动木工起重机的混合运动规划方法,通过改进的 VP-STO 算法和碰撞成本公式,实现了时间最优且无碰撞的运动规划。
2025-06-25 cs.RO
Optimal Behavior Planning for Autonomous Driving: A Generic Mixed-Integer Formulation
fortiss GmbH, Research Institute of the Free State of Bavaria(fortiss有限公司,巴伐利亚自由州研究院);Technical University of Munich(慕尼黑工业大学)
混合二次规划(MIQP)已被确定为一个合适的方法,找到一个最佳的解决方案,以低运行时间的行为规划问题。同时优化逻辑约束和连续方程。然而,它只是针对直路制定的,忽略了在十字路口转弯等常见情况。这使得该模型迄今为止无法在现实中使用。基于一个三重积分器模型配方,我们计算的车辆的方向和模型,它在一个分离的方式。这使我们能够制定线性约束来解释非完整性和碰撞避免。这些约束是近似的,我们引入的理论。我们展示了在两个基准场景中的适用性,并通过使用非线性优化求解相同的模型来证明其可行性。这种新模型将允许研究人员利用MIQP的好处,例如逻辑约束或全局最优性。
2021-01-13 cs.RO
Object grasping planning for the situation when soft and rigid objects are mixed together
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)
本文提出了一种用旋转限界框表示的目标检测方法,以解决刚性物体和柔性物体混合场景下的抓取难题。与传统的检测方法相比,该方法能够输出旋转对象的角度信息,从而保证每个旋转限界框内只有一个实例。该技术在具有不同取向的物体堆的情况下特别有用。在我们的方法中,当检测到具有特定几何形状(矩形或圆柱形)的未分类对象时,程序将得出结论,一些刚性对象被毛巾覆盖。如果没有检测到被覆盖的物体,则抓取规划基于从2D目标检测结果与其对应的3D点云之间的映射获得的3D点云。基于三维限界框覆盖物体所提供的信息,提出了多个杂乱刚性物体的抓取策略和避碰策略。通过刚性物体和毛巾混合的实验验证了该方法的有效性。
2019-09-20 cs.RO
Intelligent Singularity Avoidance in UR10 Robotic Arm Path Planning Using Hybrid Fuzzy Logic and Reinforcement Learning
National Center for High-Performance Computing(国家高速网络与计算中心)
本文提出一种结合模糊逻辑与强化学习的UR10机械臂路径规划方法,通过实时检测和规避奇异点,实现高成功率的路径规划。
2026-01-09 cs.AI cs.RO
Incrementally Stochastic and Accelerated Gradient Information mixed Optimization for Manipulator Motion Planning
Zhejiang University(浙江大学)
本文介绍了一种新的运动规划器,增量随机和加速梯度信息混合优化(iSAGO),机器人在狭窄的工作空间。首先,我们提出了一个有效的约束优化的基础上的惩罚方法的混合动量通知iSAGO的整体方案。在随机部分,我们通过基于自适应动量(Adam)方法的子泛函的随机选择来产生自适应随机动量,以解决身体-障碍物卡住的情况。针对随机部分收敛速度慢的问题,结合加速梯度下降(AGD)算法提高规划效率。采用贝叶斯树推理(BTI)将全局轨迹优化(SAGO)转化为增量式子轨迹优化(iSAGO),进一步提高了计算效率和成功率。最后,我们调整关键参数,并将iSAGO与书架上的LBR-iiwa和存储架上的AUBO-i5上的其他5个规划器进行基准测试。结果表明,iSAGO的成功率最高,求解效率适中。
2022-07-19 cs.RO math.OC
Search-Based Path Planning Algorithm for Autonomous Parking:Multi-Heuristic Hybrid A*
Zhejiang University(浙江大学)
提出了一种新的自主泊车方法。自主泊车因其便捷性而受到广泛关注,但由于环境复杂,车辆的非完整约束,很难在短时间内获得无碰撞可行路径。针对这一问题,提出了一种新的启发式混合A* 算法(Multi-Heuristic Hybrid A*,MHHA*),该算法综合了启发式A* 算法和混合A* 算法的特点。因此,它可以提供完整性的保证,避免局部最小和次优,并在短时间内产生一个可行的路径。提出了一种基于坐标变换的碰撞检测方法,提高了计算效率。通过仿真实验,将该方法与Hybrid A* 算法进行了性能比较,证明了该方法的优越性。
2022-10-17 cs.RO
Real-time Mixed-Integer Quadratic Programming for Driving Behavior-Inspired Speed Bump Optimal Trajectory Planning
School of Engineering and Technology(工程科技学院);Vinh University(文大学)
本文提出一种基于MIQP和MPC的自动驾驶轨迹规划方法,通过模拟人类驾驶行为的减速带约束,在保证实时性的同时优化减速带通过和乘客舒适度,并在城市模拟中验证了有效性。
2025-10-10 cs.RO
Uncertainty-Aware Motion Planning for Autonomous Driving in Mixed Traffic Environment
Central South University(中南大学);City University of Macau(澳门城市大学)
提出不确定性感知运动规划(UAMP),通过量化人类意图不确定性并引入不确定性校准值学习,提升自动驾驶在混合交通中的安全性和舒适性。
2026-06-08 cs.AI cs.RO