Downwash-Aware Trajectory Planning for Large Quadrotor Teams
University of Southern California（南加州大学）
我们描述了一种方法，形成变化的轨迹规划大型四旋翼团队在障碍物丰富的环境。我们的方法将规划问题分解为两个阶段：一个离散的规划器操作的工作空间的图形表示，和一个连续的细化，将非光滑的图形计划转换成一组C^k-连续的轨迹，局部优化的积分平方导数成本。我们考虑了下洗效应，使得在密集编队中能够安全飞行。我们展示了计算效率与多达200个机器人和物理兼容性与32纳米四旋翼实验模拟。我们的方法可以在几分钟内计算出数百个四旋翼在密集环境中的安全和平滑的轨迹。
2017-07-23 cs.RO
3D-OGSE: Online Safe and Smooth Trajectory Generation using Generalized Shape Expansion in Unknown 3-D Environments
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；University of Maryland, College Park（马里兰大学帕克分校）
在本文中，我们提出了一种在线运动规划算法（3D-OGSE），用于在未知障碍物杂乱的3-D环境中运行的3-D代理在多个规划迭代中生成平滑，无碰撞的轨迹。我们的方法构造了一个安全区域，称为“广义形状”，在每个规划迭代，它代表了基于本地感知的环境信息的无障碍区域。无碰撞路径通过在广义形状中采样点来计算，并用于通过最小化捕捉来生成平滑的时间参数化轨迹。生成的轨迹被限制在广义形状内，这确保了代理在局部无障碍空间中的机动。当智能体在规划迭代中到达“感测形状”的边界时，通过后退时域规划机制触发重新规划，该机制还使得能够初始化下一个规划迭代。提供了整个环境的概率完整性和完全无碰撞轨迹生成的理论保证。我们评估所提出的方法在模拟复杂的3-D环境与不同的障碍物密度。我们观察到，在Intel Core i5-8500 3.0 GHz CPU的单个线程上，每个重新规划计算需要$\sim$ 1.4毫秒。此外，我们的方法被发现执行4-10倍的速度比几个现有的算法。在模拟狭窄通道等复杂场景时，我们也观察到不太保守的行为。
2021-05-11 cs.RO
Motion Planning for Multirotor Aerial Vehicles in Plan-based Control Paradigm: a Review
Innopolis University（Innopolis大学）
通常，最佳运动规划可以局部地和全局地执行。在这种规划中，选择局部规划技术还是全局规划技术主要取决于环境条件是动态的还是静态的。因此，最适当的选择是使用局部规划或局部规划与全局规划。在设计局部和全局最优运动规划时，要记住的关键指标是执行时间、渐近最优性和对动态障碍物的快速反应。这样的规划方法与诸如路径规划之后进行平滑的其他方法相比可以更有效地解决上述目标度量。因此，本研究的首要目标是分析相关文献，以了解如何制定的运动规划，特别是轨迹规划，问题时，被应用于实时生成最佳轨迹的多旋翼飞行器（MAVs），影响所列指标。作为研究的结果，轨迹规划问题被分解为一组子问题，并确定和详细描述了解决每个问题的方法列表。随后，对2010年至2022年期间最突出的成果进行了总结，并以时间轴的形式进行了介绍。
2023-01-30 cs.RO
Efficient Distance-Optimal Tethered Path Planning in Planar Environments: The Workspace Convexity
Zhejiang University（浙江大学）
本文的主要贡献是证明了全方位绳系机器人工作空间（即所有绳长允许的机器人配置）的凸性，以及一组利用工作空间凸性的距离最优绳系路径规划算法。证明了该工作空间在拓扑上是一个单连通子集，在几何上是所有构形集合的一个凸子集。作为一个直接的结果，两个配置之间的系绳长度允许的最优路径被证明正是无系绳碰撞的局部最短路径的同伦指定的级联的系绳曲线的给定的配置，它可以简单地通过执行一个无系绳路径缩短过程中的2D环境中，而不是在预先计算的工作空间中的路径搜索过程中构造。凸性是绳系机器人运动学的一个内在属性，因此对所有高级距离最优绳系路径规划任务具有普遍影响：用目标配置预计算（GCP）过程代替最耗时的工作空间预计算（WP）过程，用无绳系路径缩短过程代替同伦感知路径搜索过程。受工作空间凸性的启发，自然提出了解决以下问题的有效算法：（a）最优系留重构（TR）规划问题通过局部非系留路径缩短（UPS）过程来解决，（b）经典的最优系留路径（TP）规划问题通过GCP过程和$n$ UPS过程来求解（从起始配置到目标位置，其中目标系绳状态未被分配），其中，$n$是访问目标位置的系绳长度容许配置的数量，（c）访问多个目标位置的序列的最佳系绳运动，称为
2022-08-08 cs.RO
PRISM: Efficient and Locally Optimal Probabilistic Planning with Reachability Guarantees
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）；Draper
提出PRISM算法，通过将信念空间规划分解为确定性均值规划和协方差收缩，并引入在线局部优化，在满足状态和控制约束下实现高覆盖率和低成本，同时提供可达性保证。
2026-06-26 cs.RO cs.SY eess.SY
Model Tensor Planning
Intelligent Autonomous Systems, Department of Computer Science, Technical University of Darmstadt（德意志技术大学达姆施塔特分校计算机科学系智能自主系统研究中心）；Systems AI for Robot Learning, German Research Center for AI (DFKI)（德国人工智能研究中心（DFKI）机器人学习系统AI研究中心）；Hessian Center for Artificial Intelligence (hessian.AI)（黑森人工智能中心（hessian.AI））；Centre for Cognitive Science, Technical University of Darmstadt（德意志技术大学达姆施塔特分校认知科学中心）；Automation & Control Institute, TU Wien（维也纳技术大学自动化与控制研究所）；Austrian Institute of Technology (AIT), Vienna（奥地利技术研究所（AIT））；VinRobotics and VinUniversity（VinRobotics和Vin大学）
提出模型张量规划（MTP），一种基于张量采样的MPC框架，通过结构化采样和β混合策略增强探索，在多种机器人任务中优于标准MPC和进化策略基线。
2025-08-02 cs.AI cs.LG cs.RO
Efficient Search of the k Shortest Non-Homotopic Paths by Eliminating Non-k-Optimal Topologies
Zhejiang University（浙江大学）
提出了一种求解二维环境下$k$最短非同伦路径规划（$k$ -SNPP）问题的有效算法。出于加速同伦增广空间的2D环境的低效探索，我们的基本思想是尽可能早地识别非$k$最优路径拓扑，并终止沿它们的寻路。这是一个重要的实践，因为它必须在局部最短路径尚未完全构建时的路径规划过程的中间状态下完成。换句话说，要比较的路径在目标位置处没有重新合并，这使得对具有相同端点的路径之间的空间关系进行建模的同伦理论不适用。本文首次提出了一种系统的基于距离的拓扑简化机制来解决$k$ -SNPP任务，其核心贡献是在构造非同伦局部最短路径之前，先确定它们的基于距离的顺序。如果可以预测顺序，则证明具有比$k$更好的拓扑的那些路径拓扑没有期望的$k$路径，并且因此可以在路径规划过程期间安全地丢弃。为此，提出了一种层次拓扑树作为该机制的实现，其节点被证明在非同伦方向上扩展，并且边缘（无冲突路径段）被证明是局部最短的。利用观察部分构造的局部最短路径之间的顺序关系的有效准则被赋予到树中，在非$k$最优拓扑中扩展的树节点将不会被扩展。结果，求解$k$ -SNPP问题的计算时间减少了近两个数量级。
2022-07-27 cs.RO
Optimal Multilayered Motion Planning for Multiple Differential Drive Mobile Robots with Hierarchical Prioritization (OM-MP)
School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院）
针对复杂动态环境下多智能体规划与编队控制难题，提出OM-MP多层优化框架，将MAPF转化为MATP问题，结合全局AGS算法、局部CBFs与斜柱障碍盒及分层优先级策略，在求解速度、可扩展性等方面优于现有前沿方法。
2024-05-11 cs.RO
Learning Keypoint Constraints from Visual Demonstrations for Safe Motion Planning
该研究提出KCL框架，通过视觉演示学习任务相关运动约束，结合关键点感知与动力学误差分析，在导航、操作等任务的安全规划中表现优于基线方法。
2026-10-15 cs.RO
db-A*: Discontinuity-bounded Search for Kinodynamic Mobile Robot Motion Planning
TU Berlin（柏林工业大学）
我们考虑时间最优的运动规划的动力系统是不变性的，许多移动机器人，如差分驱动器，汽车，飞机，和多旋翼的属性。我们的主要见解是，我们可以扩展图搜索算法的连续情况下，共生使用优化。对于图搜索，我们引入不连续有界A*（db-A*），A* 算法的推广，使用基于采样的规划器的概念和数据结构。Db-A* 重用短轨迹，即所谓的运动基元，作为边缘，并允许顶点处的最大用户指定不连续性。利用轨迹优化对这些轨迹进行局部修复，这也提供了新的改进的运动基元。我们的新的运动动力学运动规划器，kMP-db-A*，几乎肯定渐近最优的行为和计算接近最优的解决方案迅速。为了进行经验验证，我们提供了第一个基准测试，比较了不同设置中多个动力系统上基于搜索、采样和优化的时间最优运动规划。与基线相比，kMP-db-A* 始终能够解决更多问题实例，找到成本更低的初始解决方案，并且收敛速度更快。
2022-08-01 cs.RO
Resilient Motion Planning for Free-Flying Space Robots under Actuator Failures
ETH Zürich（苏黎世联邦理工学院）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Digital Futures
针对自由飞行空间机器人推进器故障，提出基于马尔可夫链和可达集的概率运动规划框架，最大化目标到达概率，并在物理平台上验证了其弹性。
2026-09-18 cs.RO
Learning Spatiotemporal Decision Priors for Efficient Path Planning under Partial Observability
College of Intelligent Robotics and Advanced Manufacturing, Fudan University（智能机器人与先进制造学院，复旦大学）；School of Information Science and Technology, Fudan University（信息科学与技术学院，复旦大学）；Department of Information Technology, Old Dominion University（信息技术系，老 Dominion 大学）
研究部分可观测性下的路径规划问题，提出ImiPath框架，从示范轨迹提炼时空决策先验，经局部时空观测表示和时空注意力策略网络转换为决策先验并纳入异构规划器，提升路径质量与搜索效率，验证了框架的适应性和实际部署潜力。
2026-07-27 cs.AI cs.RO
Globally Guided Trajectory Planning in Dynamic Environments
TU Delft（代尔夫特理工大学）
在与人类共享的环境中导航移动机器人具有挑战性。从机器人的角度来看，人类是必须避免的动态障碍。这些障碍物使无碰撞空间非凸，这导致每个障碍物有两种不同的通过行为（向左或向右通过）。对于局部规划器，例如滚动时域轨迹优化，每种行为都代表了规划器可能陷入的局部最优。这可能导致缓慢或不安全的动作，即使存在更好的计划。在这项工作中，我们确定多个局部最优驾驶行为的轨迹，通过考虑他们的拓扑结构。通过传播拓扑信息，使这种识别在连续迭代中保持一致。最合适的高级轨迹引导基于局部优化的规划器，从而产生快速安全的运动规划。我们验证了移动机器人在仿真和现实世界的实验所提出的规划。
2023-03-14 cs.RO
MPC-based Motion Planning for Autonomous Truck-Trailer Maneuvering
KU Leuven（鲁汶大学）；Flanders Make（法兰德斯制造研究院）
复杂环境下自主车辆的时间最优运动规划是一个研究热点。本文描述了一种新的方法来优化和执行本地可行的轨迹的卡车拖车自主移动机器人（AMR）的机动，通过划分的顺序或路线的自由访问重叠走廊的环境。多阶段最优控制通过推进该路径的子集来生成局部轨迹。为了应对子集的提前和环境的变化，在线求解最优控制问题的模型预测控制（MPC）的方式与改进的更新策略的滚动时域。该策略将计算上昂贵的MPC更新与低成本的反馈控制器无缝集成，用于轨迹跟踪、干扰抑制和倒车拖车AMR的不稳定运动学的稳定。这种方法是在一个灵活的软件框架中实现的，可以轻松地从离线模拟过渡到部署实验。一个实验装置展示了卡车拖车AMR执行两个反向停车演习验证了所提出的方法。
2023-02-07 cs.RO
Neural Randomized Planning for Whole Body Robot Motion
National University of Singapore（新加坡国立大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出神经随机规划器 NRP，将全局 SBMP 搜索结构与局部神经采样器结合，通过规划组合局部采样分布以应对高维复杂环境中的全身运动规划，并在仿真和真实机器人上验证了其优越性能与零样本迁移能力。
2024-08-12 cs.RO
GripMap: An Efficient, Spatially Resolved Constraint Framework for Offline and Online Trajectory Planning in Autonomous Racing
针对自动驾驶竞速中传统轨迹规划忽略路面抓地力随位置变化的问题，提出GripMap框架，在Frenet坐标系中空间分辨动力学约束，通过完美哈希实现低存储与快速访问，提升规划效率与安全性，实验验证其有效性且可作为未来可解释学习算法的基础层。
2025-04-16 cs.RO
Autonomous Waypoint Generation with Safety Guarantees: On-Line Motion Planning in Unknown Environments
University of Alberta（阿尔伯塔大学）
未知环境中的在线运动规划是一个具有挑战性的问题，因为它需要（i）确保避免碰撞和（ii）最小化运动时间，同时连续预测下一步去哪里。先前的在线运动规划方法假设环境的粗略地图是可用的，从而简化了问题。本文提出了一种反应式在线运动规划，鲁棒自主航路点生成（RAW），移动机器人导航在未知的和非结构化的环境。RAW生成机器人周围的局部最大椭球，使用半定规划，使周围的障碍物位于椭球之外。然后，强化学习代理在机器人的视野中，在椭圆体内部生成本地航路点。机器人导航到航路点，过程迭代直到它到达目标。通过遵循航路点，机器人导航通过一系列重叠的椭圆，并避免碰撞。机器人的安全性从理论上得到了保证，并通过四种不同实验装置的严格数值实验进行了验证。通过比较RAW轨迹与全局最优轨迹，以经验的方式显示了近最优性。
2017-09-02 cs.RO
Multi-Objective Kinodynamic Motion Planning with Asymptotic Pareto Optimality
University of Colorado Boulder（科罗拉多大学博尔德分校）
针对运动动力学约束下系统的多目标运动规划挑战，提出基于稳定稀疏RRT算法的统一框架，衍生出三种算法分别用于字典序最小化、约束优化和帕累托前沿逼近，提供理论保证并经实证评估验证有效性。
2026-07-29 cs.RO
Interaction-Aware Trajectory Prediction and Planning in Dense Highway Traffic using Distributed Model Predictive Control
Chalmers University of Technology（查尔姆斯理工大学）
针对密集交通中自动驾驶车辆的最优轨迹规划问题，提出一种结合分布式模型预测控制、耦合多智能体环境下轨迹预测与规划的新型框架，经仿真验证，其局部最优解优于解耦的预测规划方法。
2023-08-24 cs.RO cs.SY eess.SY
Enhanced SIRRT*: A Structure-Aware RRT* for 2D Path Planning with Hybrid Smoothing and Bidirectional Rewiring
Faculty of Mechatronics Engineering, Kangwon National University（机电工程学院，康won国立大学）
提出结构感知规划器E-SIRRT*，通过混合路径平滑与双向重连改进SIRRT*框架，显著提升了2D路径规划的初始路径质量、收敛速度与鲁棒性。
2025-05-28 cs.RO
Non-Gaussian SLAP: Simultaneous Localization and Planning Under Non-Gaussian Uncertainty in Static and Dynamic Environments
Texas A&M University（德克萨斯A&M大学）
在过程和测量不确定性下的同时定位和规划（SNOW）是一个挑战。它涉及到解决一个随机控制问题建模为部分观测马尔可夫决策过程（POMDP）的一般框架。对于凸环境，我们提出了一个基于优化的开环最优控制问题，再加上滚动时域控制策略，规划高品质的轨迹，沿状态局部化的不确定性减少，而系统达到目标状态，以最小的控制努力。在非凸状态约束的静态环境中，通过定义障碍函数来修改优化，以获得无碰撞路径，同时保持先前的目标。通过初始化优化轨迹在不同的同伦类和比较所得的成本，我们提高了质量的解决方案中存在的行动和测量的不确定性。在具有时变约束的动态环境中，如移动障碍物或禁区，该方法被扩展到寻找无碰撞轨迹。在本文中，底层空间是连续的，信念是非高斯的。在没有障碍物的情况下，优化是一个全局凸问题，而在存在障碍物的情况下，它变成局部凸的。我们证明了该方法在不同情况下的性能。
2016-08-11 cs.RO
Enhancing Robustness in Language-Driven Robotics: A Modular Approach to Failure Reduction
ISIR, Sorbonne Université, Paris（ISIR，索邦大学，巴黎）
本文提出一种模块化架构，通过引入预期结果模块和反馈机制解决LLM驱动机器人的落地对齐问题，在POMDP框架内提升小型本地LLM的任务规划鲁棒性和成功率。
2025-04-28 cs.RO
Functional Gradient Motion Planning in Reproducing Kernel Hilbert Spaces
University of Washington（华盛顿大学）；Georgia Institute of Technology（佐治亚理工学院）
在再生核希尔伯特空间（RKHS）中提出了一种机器人运动规划的函数梯度下降轨迹优化算法。函数梯度算法是复杂多自由度机器人运动规划的流行选择，因为它们（理论上）通过在连续轨迹的空间内直接优化来避免障碍物，同时保持几何特性，如平滑度。然而，在实践中，函数梯度算法通常致力于固定的、有限的轨迹参数化，通常作为路点列表。这样的参数化可能会失去在连续轨迹空间中推理的大部分好处：例如，可能需要采用不方便的小步长和大量迭代来保持平滑度。我们的工作概括了功能梯度轨迹优化，制定它作为最小化的成本功能在RKHS。这种推广使我们能够将轨迹表示为核函数的线性组合，而不需要任何路点。因此，我们能够采取更大的步骤，并在几次迭代中实现局部最优轨迹。根据内核的选择，我们可以直接在速度、加加速度、曲率等方面固有平滑的轨迹空间中进行优化，并且具有低维的、自适应选择的参数化。我们的实验说明了不同的内核，包括高斯径向基函数，拉普拉斯径向基函数和B-样条，相比，标准的离散化路点表示的规划的有效性。
2016-01-14 cs.RO
From 2D to 3D terrain-following area coverage path planning
Findklein GmbH（Findklein公司）
本文提出了一种三维地形跟随区域覆盖路径规划算法，生成多个相邻路径，确保局部间距与工作宽度一致，同时投影距离与特定工作高度一致，并通过实际农业数据验证算法效果。
2026-03-23 cs.RO cs.SY eess.SY
A Heuristic Informative-Path-Planning Algorithm for Autonomous Mapping of Unknown Areas
University of Sussex（萨塞克斯大学）
针对未知环境中高效信息收集的路径规划难题，提出一种基于子区域建图增益估算的启发式算法，其建图效率可达先验已知地图基准解的70%-80%，路径接近全局最优。
2023-08-23 cs.RO
Cooperative trajectory planning algorithm of USV-UAV with hull dynamic constraints
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；Science and Technology on Complex System Control and Intelligent Agent Cooperation Laboratory（复杂系统控制与智能协同技术重点实验室）
复杂动态环境下的有效轨迹生成是无人水面航行器（USV）的一个开放性问题。USV的感知通常受到船体摆动和环境天气的干扰，这使得规划最佳USV轨迹具有挑战性。为保证无人艇在多障碍地图中自主推进过程中能够安全、平滑地执行航迹，提出了一种无人艇-无人机耦合系统的协同航迹规划算法。具体而言，无人机扮演飞行传感器的角色，通过轻量级的语义分割网络和3D投影变换，提供实时的全局地图和障碍物信息。然后，通过基于图的搜索方法生成初始避障轨迹。针对无人艇独特的欠驱动运动学特性，提出了一种基于船体动力学约束的数值优化方法，使其运动轨迹易于跟踪，便于运动控制。最后，提出了一种基于NMPC的运动控制方法，该方法在执行过程中具有最低能耗约束。实验结果验证了整个系统的有效性，生成的轨迹是局部最优的USV具有相当的跟踪精度。
2023-01-30 cs.RO
An efficient tangent based topologically distinctive path finding for grid maps
本文提出一种基于切线图的高效路径规划方法，利用切线的局部最短性质生成多条拓扑区分路径，并通过队列优先级约束避免搜索规模指数膨胀，在公开数据集上实现100毫秒内生成320条拓扑区分路径，显著提升了实时路径规划效率。
2023-11-01 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
MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints
University of California San Diego（加州大学圣地亚哥分校）
Kinodynamic运动规划（Kinodynamic Motion Planning，KMP）是在运动学和动力学约束下，寻找机器人运动的方法。到目前为止，相当多的方法解决KMP问题和那些存在的斗争，找到接近最优的解决方案，并表现出高计算复杂性的规划空间维数增加。为了解决这些挑战，我们提出了一个可扩展的，模仿学习为基础的，模型预测运动规划网络框架，快速找到接近最优的路径解决方案，最坏情况下的理论保证实际欠驱动系统的kinodynamic约束。我们的框架介绍了两种算法建立在神经生成器，神经网络，和一个并行模型预测控制器（MPC）。生成器向给定目标输出各种通知状态，鉴别器从其中选择最佳可能子集进行扩展。MPC在满足给定约束的同时，局部地连接所选择的通知状态，从而得到可行的、接近最优的解决方案。我们评估我们的算法上的一系列混乱，kinodynamically约束，欠驱动的规划问题，结果表明显着改善计算时间，路径质量和成功率超过现有的方法。
2021-01-17 cs.AI cs.LG cs.RO
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University（暨南大学）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）；Wuyi University（五邑大学）；South China University of Technology（华南理工大学）
本文提出TRACE算法，利用分层覆盖树实现未知环境的在线覆盖路径规划，通过局部优化和全局路径引导，显著提升覆盖效率。
2026-09-21 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
SHRUMS: Sensor Hallucination for Real-time Underwater Motion Planning with a Compact 3D Sonar
Department of Computer Science and Engineering, Texas A&M University（计算机科学与工程系，德克萨斯A&M大学）；Aquaculture Robotics and Automation, SINTEF Ocean（水产养殖机器人与自动化，SINTEF海洋）
针对水下紧凑型3D声呐导航需求，提出SHRUMS水下三维导航流水线，通过虚拟传感器测量值幻觉生成实现实时局部最优导航，已用真实数据验证，近期将开展外场部署。
2026-10-14 cs.RO
StochSIPP: Safe Interval Path Planning in Stochastic Dynamic Environments
StochSIPP是针对带不确定边/顶点状态的时间路网的精确条件规划器，通过SIPP与有界AND/OR搜索实现安全导航，可缩短到达时间并解决保守规划器无法处理的门控场景。
2026-08-04 cs.RO
Complete Decentralized Method for On-Line Multi-Robot Trajectory Planning in Valid Infrastructures
FEL, CTU in Prague（布拉格捷克理工大学电气工程学院）；iRobot Inc.（iRobot公司）
我们考虑一个由多个移动机器人组成的系统，在该系统中，用户可以在任何时候发出搬迁任务，命令其中一个机器人从其当前位置移动到给定的目的地位置。在本文中，我们处理的问题，找到一个轨迹为每个这样的搬迁任务，避免与其他机器人的碰撞。所选择的机器人规划其轨迹，以避免与执行先前发布的任务的其他机器人发生碰撞。我们证明，如果所有可能的目的地的搬迁任务满足所谓的有效的基础设施属性，那么这种机制是保证总是成功的，并提供一个轨迹的机器人到达目的地，而不会与任何其他机器人碰撞。在固定的空间时间离散化的方法的时间复杂度是二次的机器人的数量。我们证明了所提出的方法在几个现实世界的地图上的适用性，并将其性能与一种流行的反应性方法进行比较，该方法试图在本地解决冲突。除了死锁自由，所提出的方法生成的轨迹是显着更快（高达48%的改善）比轨迹产生的局部碰撞避免。
2015-01-30 cs.RO
Constrained Heterogeneous Vehicle Path Planning for Large-area Coverage
Carnegie Mellon University（卡内基梅隆大学）；A*STAR Artificial Intelligence Initiative (A*AI)（新加坡科技研究局人工智能倡议（A*AI））；IHPC, A*STAR（新加坡科技研究局高性能计算研究所）
对于由地面车辆支持的多个UAV（无人飞行器）自主地覆盖大区域存在强烈的需求。受UAV电池寿命和通信距离的限制，大区域的完全覆盖通常涉及多次起飞和着陆以给电池充电，以及通过地面车辆在操作区域之间运输UAV。在本文中，我们介绍了一种新的大面积覆盖的规划框架，集体优化的空中和地面车辆的路径。我们的方法首先将一个大的区域划分为子区域，每个子区域都可以由给定的无人机机队覆盖而无需重新充电。然后为每个子区域生成UAV操作路线或轨迹。其次，将试验任务分配给不同的无人机，并同时优化无人机访问其指定轨迹的顺序，以最小化总的无人机飞行距离。最后，通过求解非对称旅行商问题（ATSP），找到了一条访问所有子区域的地面车辆运输路径。虽然寻找全局最优路径分配和转移路径可以用混合二次规划（MIQP）来表示，但MIQP即使对于小问题也是难以处理的。我们发现，解决方案的时间可以减少到接近实时的水平，首先找到一个可行的解决方案，使用随机密钥遗传算法（RKGA），然后通过解决一个小得多的MIQP局部优化。
2019-11-22 cs.RO
Combined Task and Motion Planning Via Sketch Decompositions (Extended Version with Supplementary Material)
Universitat Pompeu Fabra（庞培法布拉大学）；RWTH Aachen University（亚琛工业大学）
本文提出了一种基于sketches的交替式组合任务与运动规划（TAMP）方法，通过将问题分解为宽度为1的子问题，使几何约束在搜索中发挥主动作用，并在子问题级别局部采样对象配置，有效提升了规划效率。
2024-03-24 cs.RO
Data-Efficient Learning of High-Quality Controls for Kinodynamic Planning used in Vehicular Navigation
Rutgers University（罗格斯大学）
本文旨在提高用于车辆系统的运动动力学规划器的路径质量和计算效率。它提出了一个学习框架，以确定有前途的控制在扩展过程中的采样为基础的运动规划系统的动态。离线时，学习过程被训练以返回达到局部目标状态的最高质量控制（即，航路点）在没有障碍物的情况下根据其当前状态和局部目标状态之间的输入差向量来确定。数据生成方案提供了目标分散的界限，并使用状态空间修剪，以确保高质量的控制。通过专注于系统的动态，这个过程是数据高效的，并且对于动态系统只发生一次，因此它可以用于具有模块化扩展功能的不同环境。这项工作将所提出的学习过程与a）一个探索性的扩展函数，该函数生成在可达空间上具有偏置覆盖的路点，以及b）提出了一个用于移动机器人的利用性扩展函数，该函数使用中轴信息生成路点。本文评估了一阶和二阶微分驱动系统的学习过程和相应的规划器。结果表明，所提出的集成的学习和规划可以产生更好的质量路径比随机控制的运动动力学规划在更少的迭代次数和计算时间。
2022-01-06 cs.RO
Interleaving Graph Search and Trajectory Optimization for Aggressive Quadrotor Flight
Carnegie Mellon University（卡内基梅隆大学）
四旋翼可以通过跟踪复杂的机动和快速改变方向来实现积极的飞行。利用轨迹优化来规划攻击性飞行可以是令人难以置信的快，即使在更高的维度中，并且可以考虑四旋翼的动力学，然而，仅提供局部最优解。另一方面，离散图搜索规划可以处理非凸空间，以保证最优性，但遭受指数复杂度与搜索的维度。我们介绍了一个积极的四旋翼轨迹生成与全球推理能力，结合了最好的轨迹优化和离散图搜索的框架。具体来说，我们开发了一种新的算法框架，交织这两种方法，以相互补充，并生成轨迹的完整性可证明的保证离散化。我们展示和定量分析我们的算法在具有挑战性的仿真环境中的性能，窄的差距，创造了严重的姿态约束和推动四旋翼的动态能力。实验表明，所提出的算法框架的好处，独立的轨迹优化和图形搜索为基础的规划技术，积极的四旋翼飞行。
2021-04-29 cs.RO
Hierarchical automatic lane-changing motion planning: from self-optimum to local-optimum
Tongji University（同济大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
为了最大限度地减少变道操作对周围交通环境的影响，提出了一种可实现局部最优的分层变道自动算法。该算法由战术层规划器和作战层控制器组成。前者生成局部最优轨迹。优化目标函数同时满足LC车辆及其周边车辆的舒适性、效率性和安全性。后者是基于车辆运动学模型和模型预测控制（MPC）设计的，以最小化跟踪误差和控制增量为目标。结合宏观和微观两个层面的分析，验证了该算法的有效性。实验结果表明，该算法可以有效地降低LC机动对交通流的影响。这反映在附近车辆的总损失（例如不适和减速）减少，以及LC区域内的交通速度和吞吐量增加。此外，为了指导算法的实际应用，我们使用HighD数据集来验证算法。本研究也可作为开发局部最优自动LC算法的初步基础工作。我们预计，这项研究可以为自动驾驶技术提供有价值的见解。
2021-08-08 cs.RO
iDb-A*: Iterative Search and Optimization for Optimal Kinodynamic Motion Planning
Technical University of Berlin（柏林工业大学）
针对复杂动力学机器人运动规划收敛慢或易失效的问题，提出迭代结合搜索与优化的iDb-A*算法，通过逐步减小不连续性、增加运动基元实现渐近最优，在多系统基准测试中表现优于现有方法。
2023-11-06 cs.RO
Optimization-based motion planning for multi-steered articulated vehicles
Linköping University（林雪平大学）
即使对于有经验的驾驶员来说，在狭窄的环境中操纵多转向铰接车辆的任务也是困难的。在这项工作中，我们提出了一个基于优化的轨迹规划器，针对低速机动的非结构化环境中的多转向N拖车车辆，这是由一个汽车一样的拖拉机和任意数量的相互连接的拖车固定或可转向的车轮。所提出的轨迹规划框架分为两个步骤，其中基于网格的轨迹规划器在第一步骤中用于计算轨迹规划问题的离散化版本的分辨率最优解。然后，在第二步骤中使用来自网格规划器的输出来初始化最优控制问题求解器，这使得框架能够计算在车辆的初态开始并精确地到达目标状态的局部最优轨迹。所提出的基于优化的轨迹规划器的性能进行评估，在一组实际相关的情况下，多转向3拖车车辆与车一样的拖拉机，其中最后一个拖车是可操纵的。
2020-03-02 cs.RO math.OC
Active Next-Best-View Optimization for Risk-Averse Path Planning
Department of Mechanical Engineering and Mechanics, Lehigh University（机械工程与力学系，莱维大学）；Department of Computer and Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学）
提出统一框架，结合风险规避路径细化与下一最佳视角优化，利用尾部敏感风险图和黎曼梯度下降，在不确定环境中实现安全高效的主动导航。
2025-10-07 cs.CV cs.RO
Hierarchical Reactive Grasping via Task-Space Velocity Fields and Joint-Space Quadratic Programming
Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院）
提出一种结合任务空间速度场与关节空间QP的分层反应式抓取框架，解决高自由度系统实时无碰撞规划难题，经FoundationPose测试验证可实现动态环境下的实时自适应抓取。
2025-09-17 cs.RO
Differentiable Spatial Planning using Transformers
Carnegie Mellon University（卡内基梅隆大学）；Facebook AI Research（Facebook人工智能研究院）；UC Berkeley（加州大学伯克利分校）
我们考虑空间路径规划问题。与从头开始优化新计划并假设访问具有地面真实障碍物位置的完整地图的经典解决方案相比，我们以可微的方式从数据中学习规划器，从而使我们能够利用来自过去数据的统计数据。我们提出了空间规划Transformers（SPT），它给出了一个障碍地图，通过规划长距离的空间依赖性来学习生成动作，这与以前的数据驱动的规划器不同，后者通过卷积结构以迭代的方式在本地传播信息。在代理不知道地面实况地图的情况下，我们在端到端框架中利用预先训练的SPT，该框架具有内置的映射器和规划器结构，可以无缝泛化到分布外的地图和目标。SPT在所有操作和导航任务的设置中都优于现有的最先进的可微分规划器，从而使其绝对性能提高了7- 19%。
2021-12-02 cs.AI cs.CV cs.LG
P-ARC: Exploiting Subproblem Independence for Parallel Multi-Robot Motion Planning
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院Parasol实验室）
提出P-ARC并行算法，通过并行化ARC的三个阶段并采用OR并行多启动策略，在多机器人运动规划中实现近4倍加速。
2026-08-07 cs.DC cs.RO
Traction Adaptive Motion Planning at the Limits of Handling
KTH Royal Institute of Technology（瑞典皇家理工学院）；University of California Berkeley（加州大学伯克利分校）；Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）
在本文中，我们解决的问题，运动规划和控制的限制处理，在局部变化的牵引条件。我们提出了一种新的解决方案，其中牵引力的变化超过预测地平线表示随时间变化的轮胎力的约束，来自预测摩擦估计。一个有限时间的约束最优控制问题是解决在一个滚动时域的方式，施加这些时变约束。此外，我们的方法具有集成的采样增强过程，该过程解决了在突然的约束改变时出现的不可行性和对局部最小值的敏感性问题，例如，由于摩擦力的突然变化我们验证了所提出的算法在沃尔沃FH16重型车辆，在一系列的关键场景。实验结果表明，牵引力自适应运动规划和控制提高了车辆的能力，以避免事故，当适应于低局部牵引力，通过确保动态可行性的计划运动，当适应高局部牵引力，通过实现高牵引力利用率。
2021-11-18 cs.RO cs.SY eess.SY
Graph Policy Gradients for Large Scale Unlabeled Motion Planning with Constraints
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种学习方法来解决大量机器人在二维空间中具有运动约束和空间约束的无标号运动问题。为了解决问题的任意动态和约束，我们建议制定的问题作为一个多智能体问题。与以前的作品，提出使用学习解决方案的无标签的运动规划的约束，我们能够证明我们的方法的可扩展性，大量的机器人。当与大量机器人一起工作时遇到的维数灾难通过采用图卷积神经（GCN）网络来参数化机器人的策略来减轻。GCN通过学习过滤器来降低问题的维度，这些过滤器在机器人之间局部地聚合信息，类似于卷积神经网络如何能够学习图像中的局部特征。此外，通过采用GCN，我们还能够克服大量机器人的训练策略的计算开销，首先训练少量机器人的图过滤器，然后将zero-shot策略转移到大量机器人。我们证明了我们的框架的有效性，通过各种模拟。
2019-09-24 cs.RO math.CO
Warm-Started Optimized Trajectory Planning for ASVs
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
我们认为，热启动的优化轨迹规划的自主水面车辆（ASV）的两种类型的规划者的优势相结合：A* 的实现，快速找到最短的分段线性路径，和基于控制的最优轨迹规划。一个非线性的3自由度欠驱动模型的ASV被认为是，随着目标功能，促进能源效率和易于观察的机动。A* 算法保证基于均匀分解的映射找到到达目标位置的最短分段线性路径。动态信息的构建和添加到A* 生成的路径，并提供了一个初始的猜测热启动的最优控制为基础的规划。最优控制规划器的运行时间大大减少了这个初始猜测，并输出一个动态可行的和局部最优的轨迹。
2019-07-05 cs.RO cs.SY eess.SY
Large Scale Distributed Collaborative Unlabeled Motion Planning with Graph Policy Gradients
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种学习方法来解决大量机器人在二维空间中具有运动约束和空间约束的无标号运动问题。为了解决问题的任意动态和约束，我们建议制定的问题作为一个多智能体问题。我们能够证明我们的方法的可扩展性，大量的机器人采用图神经网络（GNN）参数化的机器人政策。GNN通过学习过滤器来降低问题的维度，这些过滤器在本地聚合机器人之间的信息，类似于卷积神经网络如何能够学习图像中的局部特征。此外，通过采用GNN，我们还能够克服大量机器人的训练策略的计算开销，首先训练少量机器人的图过滤器，然后将zero-shot策略转移到大量机器人。我们证明了我们的框架的有效性，通过各种模拟。
2021-02-11 cs.LG cs.RO
Interaction-Aware Trajectory Planning for Autonomous Vehicles with Analytic Integration of Neural Networks into Model Predictive Control
Michigan State University（密歇根州立大学）；Honda Research Institute（本田研究院）；Massachusetts Institute of Technology（麻省理工学院）
针对自动驾驶车辆保守规划导致性能下降和交通拥堵的问题，提出将神经网络交互轨迹预测器解析集成进模型预测控制，采用ADMM求解并证明收敛，实证优于基线启发式方法。
2023-03-02 cs.RO cs.SY eess.SY
FocalAD: Local Motion Planning for End-to-End Autonomous Driving
School of Transportation Science and Engineering（交通科学与工程学院）；State Key Lab of Intelligent Transportation System（智能交通运输系统国家重点实验室）；Hangzhou International Innovation Institute（杭州国际创新研究院）；School of Computer Science and Technolog（计算机科学与技术学院）；Beijing Jiaotong University（北京交通大学）
本文提出FocalAD框架，通过增强局部运动表示和关注关键局部邻居，提升自动驾驶的规划可靠性与鲁棒性，在nuScenes和Bench2Drive等数据集上表现优异。
2025-06-13 cs.AI cs.RO
BP-RRT: Barrier Pair Synthesis for Temporal Logic Motion Planning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
对于一个非线性系统（如机器人），其连续的状态空间轨迹约束的线性时序逻辑规范，一个低级别的控制器的任务执行的合成往往会导致一个非凸优化问题。我们设计了一种新的算法来解决这种类型的非凸问题，制定了一个快速探索的随机树的障碍对，每个障碍对组成的二次障碍函数和一个完整的状态反馈控制器。该方法采用快速搜索的随机树来处理非凸约束，并使用障碍对来满足局部凸约束。因此，该方法解决了满足自动机所需的转换，以满足给定的线性时序逻辑约束的控制问题。在同一时间，它合成局部最优控制器，以过渡的区域之间对应的字母表的自动机。我们证明了这种新的算法上的两个联动机械手机器人的模拟。
2020-09-05 cs.RO math.OC
A Nonlinear Constrained Optimization Framework for Comfortable and Customizable Motion Planning of Nonholonomic Mobile Robots - Part II
University of Texas（德克萨斯大学）；Bosch Research and Technology Center（博世研究与技术中心）；Tech-X Corporation（Tech-X公司）；University of Michigan（密歇根大学）
本文提出了一种非线性约束优化框架，用于非完整移动机器人的舒适和可定制运动规划，通过有限元方法离散化无限维优化问题，并讨论了如何处理局部最优解和高质量初始猜测。
2013-05-22 cs.CE cs.NA cs.RO
Broadly-Exploring, Local-Policy Trees for Long-Horizon Task Planning
Robotics at Google（谷歌机器人学部门（或谷歌机器人部门））
现实环境中的长期规划需要在具有复杂动态的高维状态空间中对顺序任务进行推理的能力。经典的运动规划算法，如快速探索随机树，能够有效地探索大的状态空间和计算长期的，顺序的计划。然而，这些算法通常面临复杂、随机和高维状态空间的挑战，以及在与环境交互的任务中自然出现的狭窄通道的存在下。机器学习提供了一个很有前途的解决方案，它能够学习可以处理复杂交互和高维观测的一般策略。然而，这些政策通常在期限长度上受到限制。我们的方法，广泛探索，本地政策树（BELT），合并这两种方法，以利用两者的优势，通过任务条件，基于模型的树搜索。BELT使用RRT启发的树搜索来有效地探索状态空间。在本地，探索是由一个任务条件，学习政策能够执行一般的短期任务。这个任务空间可以是相当一般和抽象的;它唯一的要求是可采样的，并很好地覆盖有用任务的空间。这种搜索是由一个任务条件的模型，暂时延长动态传播，允许长视野搜索和顺序推理的任务。实验证明，带能够计划长期的，连续的轨迹与目标条件的政策，并产生计划，是强大的。
2020-10-13 cs.LG cs.RO
