A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements
Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）
本研究提出通用开源TAMP建模仿真框架与创新元技术，通过几何分析剪枝任务规划探索以提升效率，适配增量SMT规划器，在可移动障碍物导航基准问题中验证有效性并对比前沿算法性能。
2024-08-11 cs.AI 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
Learning to Optimize UAV Path Planning for Data Sensing in Wireless Sensor Networks
South China University of Technology（华南理工大学）；South China Normal University（华南师范大学）；Aerospace Information Research Institute, CAS（中国科学院空天信息创新研究院）；Nankai University（南开大学）
针对无人机在无线传感器网络中数据感知的路径规划问题，提出景观感知元差分进化（LAMDE）框架，通过双层学习优化与变长编码策略，实现自适应规划并达到最先进性能。
2026-09-16 cs.NE cs.RO
Meta-Learning Augmented MPC for Disturbance-Aware Motion Planning and Control of Quadrotors
KTH Royal Institute of Technology（瑞典皇家理工学院）；Caltech（加州理工学院）；Uppsala University（乌普萨拉大学）
针对自主飞行中的未知扰动问题，提出一种由扰动感知运动规划器和收缩控制跟踪控制器组成的框架，结合预测控制与在线学习的扰动模型，在强风等仿真中验证了安全性。
2024-12-17 cs.RO cs.SY eess.SY
Joint UAV-UGV Positioning and Trajectory Planning via Meta A3C for Reliable Emergency Communications
Department of Computer Science, Texas A&M University-Corpus Christi（德克萨斯农工大学科珀斯克里斯蒂分校计算机科学系）；School of Computer Science, University of Oklahoma（俄克拉荷马大学计算机科学学院）
本文提出了一种基于元A3C的UAV-UGV联合定位与轨迹规划框架，通过道路图建模UGV移动并优化总速率问题，实验表明其在吞吐量和执行速度上优于A3C和DDPG。
2025-12-20 cs.ET cs.RO cs.SY
An Approximation Approach for Solving the Subpath Planning Problem
Amirkabir University of Technology（阿米尔卡比尔理工大学）；University of Waterloo（滑铁卢大学）；McMaster University（麦克马斯特大学）
子路径规划问题是路径规划问题的一个分支，在自动化制造过程以及车辆和机器人导航中有着广泛的应用。这个问题是要找到最短的路径或旅游主题的旅行一组给定的子路径。现有的子路径规划方法都是基于元启发式方法。众所周知，基于元启发式的方法具有若干缺陷。为了解决这些问题，我们提出了一种新的近似算法在O（n^3）的时间复杂度类，保证解决任何子路径规划问题的实例与固定的比率界为2。此外，索赔的正式证明，我们的经验评估表明，我们的近似方法的行为比一个国家的最先进的方法，无论是在结果和执行时间。
2016-03-20 cs.AI cs.DS 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
CAMPs: Learning Context-Specific Abstractions for Efficient Planning in Factored MDPs
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；KAIST Graduate School of AI（韩国科学技术院人工智能学院）
元规划，或从经验中学习指导规划，是一种有前途的方法，以提高规划的计算成本。一般的元规划策略是学习对代理所考虑的状态和所采取的行动施加约束。我们观察到，（1）施加约束可以诱导特定于上下文的独立性，使域的某些方面不相关，（2）代理可以通过对自己的行为施加约束来利用这一事实。这些观察使我们提出了上下文特定的抽象马尔可夫决策过程（CAMP），一个抽象的因素MDP，提供有效的规划。然后，我们描述了如何学习约束，使CAMP优化奖励和计算成本之间的权衡。我们的实验考虑了四个领域的五个规划者，包括机器人在可移动障碍物之间的导航（NAMO），机器人任务和顺序操作的运动规划，以及经典规划。我们发现，使用学习过的CAMP进行规划，可以始终优于基线，包括Stilman的NAMO特定算法。视频：https://youtu.be/wTXt6djcAd4代码：https://git.io/JTnf6
2020-11-08 cs.AI cs.LG cs.RO
Resilient UAV Trajectory Planning via Few-Shot Meta-Offline Reinforcement Learning
Centre for Wireless Communications (CWC), University of Oulu（奥卢大学无线通信中心（CWC））
本文提出一种结合CQL与MAML的少样本元离线强化学习算法，用于无人机轨迹与调度优化，在无需在线交互的情况下实现更快收敛、最优AoI与功率联合优化，并对环境变化具有弹性。
2025-02-03 cs.AI cs.RO
Revisiting Boustrophedon Coverage Path Planning as a Generalized Traveling Salesman Problem
Autonomous Systems Lab, ETH Zurich（苏黎世联邦理工学院自主系统实验室）
在本文中，我们提出了一个路径规划器的低空地形覆盖在已知的环境与无人旋翼微型飞行器（MAVs）。机载系统可以通过使用摄像机、探地合成孔径雷达（GPSAR）和金属探测器对疑似危险区域（SHA）进行调查来协助人道主义排雷。大多数可用的覆盖规划器实现的微型飞行器不考虑障碍物，因此不能部署在有障碍的环境中。我们描述了一个开源的框架来执行覆盖规划的多边形飞行走廊的障碍。我们的规划师扩展boustrophedon覆盖规划通过优化不同的扫描组合，以找到最佳的扫描路径，并考虑在过渡飞行期间的障碍细胞之间。我们评估320合成地图上的路径规划，并表明它能够解决现实的规划实例足够快，在现场运行。该规划器实现了14%的路径成本低于传统的覆盖规划器。我们验证了一个真正的平台上，我们显示了低海拔覆盖在一个倾斜的地形与树木的规划。
2019-07-22 cs.RO
Fast Robot Arm Inverse Kinematics and Path Planning Under Complex Static and Dynamic Obstacle Constraints
Montana State University（蒙大拿州立大学）
本文介绍了一种简单、可靠、通用的方法，用于在复杂障碍物存在的情况下快速计算机器人手臂的逆运动学解和运动路径规划。该方法源于MSC（地图搜索电路）算法，优化利用实际臂配置的特点。该表示自然地结合了臂和障碍物几何形状。在现代硬件上的后续性能适用于需要实时响应的应用，包括平滑连续避免在手臂遍历期间撞击规划路径的动态障碍物。在高端GPGPU硬件上，计算8 DOF手臂的最终姿态和到达该姿态的平滑避障运动路径需要大约200- 300 msec，具体取决于所实现的路点数量。该方法的数学对高中生来说是容易理解的，因此适合广泛的教学。[Note：此修订版包括从任意姿态到任意姿态的路径的通用计算策略和动态障碍物的连续运动中途回避的计算策略。
2020-04-14 cs.CV cs.RO
Factored Task and Motion Planning with Combined Optimization, Sampling and Learning
School of Something University of Somewhere（某个大学的某个学院）；TU Berlin（柏林工业大学）；University of Tübingen（蒂宾根大学）；MIT（麻省理工学院）；Technion（以色列理工学院）
本文提出因子化TAMP框架，通过基于冲突的任务—运动交互、自适应元求解器及融合深度学习的推理，提升复杂约束下的规划效率与泛化能力。
2024-04-04 cs.RO
Hybrid Artificial Potential Fields and Spatio-Temporal Transformers for Real-Time AUV Path Planning
Echahid Cheikh Larbi Tebessi University（艾哈西德·谢赫·拉尔比·泰贝西大学）；Chadli Bendjedid University（查德利·本杰迪德大学）
研究 AUV 在复杂水下环境的路径规划，比较 13 种算法，提出混合人工势场与时空变压器的方法。该方法性能平衡，平均路径短、碰撞率低、计算高效，优于其他算法，为实时 AUV 导航提供强大解决方案。
2026-08-18 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
Ace! Motion Planning of Professional-Level Table Tennis Serves with a Robot Arm
Sony AI, Tokyo, Japan（索尼人工智能，东京，日本）；Sony AI, Zürich, Switzerland（索尼人工智能，苏黎世，瑞士）；Sony Group Corporation, Tokyo, Japan（索尼集团公司，东京，日本）
研究乒乓球机器人发球问题，结合运动原语、模型预测控制和贝叶斯优化方法，实现符合官方规则发球，自旋高达550rad/s，速度达6.7m/s，表现与精英球员相当甚至更优。
2026-07-28 cs.RO cs.SY eess.SY
Robots That Do Not Avoid Obstacles
Kuwait University（科威特大学）
运动规划问题是机器人学中的一个基本问题，因此每一个自主机器人都应该能够处理它。已经提出了许多解决方案，概率方案似乎是相当合理的。然而，在这里，我们提出了一个更采用的解决方案，使用模糊集理论，我们暴露这个解决方案旁边的排序调查最近的理论软体机器人，未来两者之间的定性比较。
2018-01-02 cs.RO math.GN
Deep Reinforcement Learning for Trajectory Path Planning and Distributed Inference in Resource-Constrained UAV Swarms
Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Barzan Holdings QSTP LLC（巴尔赞控股卡塔尔科技园有限责任公司）
无人机（UAV）的部署灵活性和机动性增加了其在各种应用中的采用，例如野火跟踪，边界监控等。在许多关键应用中，UAV捕获图像和其他传感数据，然后将捕获的数据发送到远程服务器进行推理和数据处理任务。然而，由于连接不稳定、有限的带宽和端到端延迟，这种方法在实时应用中并不总是实用的。一个有前途的解决方案是将推理请求分成多个部分（层或段），每个部分基于可用资源在不同的UAV中执行。此外，一些应用需要无人机穿越某些区域并捕获事件;因此，规划其路径变得特别重要，以减少进行协作推理过程的延迟。具体而言，规划UAV轨迹可以通过与相同接近度的设备通信来减少数据传输延迟，同时减轻传输干扰。这项工作的目的是设计一个模型的分布式协同推理请求和无人机群的路径规划，同时尊重由于推理请求的计算负载和内存使用的资源约束。该模型被制定为一个优化问题，旨在最大限度地减少延迟。制定的问题是NP难的，所以找到最优解是相当复杂的，因此，本文介绍了一个实时和动态的解决方案，在线应用程序使用深度强化学习。我们进行了广泛的模拟，并将我们的结果与最先进的研究进行比较，证明我们的模型优于竞争模型。
2022-12-21 cs.DC cs.LG cs.RO
MetaPusher: Meta Learning and Planning for Nonprehensile Manipulation of Unseen Objects with Rapid Online Adaption
MetaPusher提出元学习与自适应规划框架，通过快速动力学适应和搜索树重用，实现未见物体的高效非抓取操作，提升成功率20%。
2026-09-21 cs.RO
Metal Wire Manipulation Planning for 3D Curving -- How a Low Payload Robot Can Use a Bending Machine to Bend Stiff Metal Wire
Osaka University（大阪大学）
本文提出了一种组合的任务和运动规划的机器人手臂进行三维金属线弯曲任务，通过与弯曲机。我们假设一个协作机器人，是安全的，在人类环境中工作，但有一个弱的有效载荷弯曲物体的刚度大，并开发了一个组合规划器的机器人使用弯曲机。我们的方法将3D曲线转换为弯曲集，并生成可行的弯曲序列，机器使用，机器人把握姿势，并考虑组合的任务和运动水平的约束拾取和放置臂运动。与以往依靠机械臂提供力的线性变形物体成形方法相比，该方法适用于高刚度材料。我们使用不同的任务来评估系统。结果表明，该系统具有很好的灵活性和鲁棒性，能够产生与所设计的折弯机相配合的机器人运动。
2022-03-08 cs.RO
Asymptotically Optimal Planning by Feasible Kinodynamic Planning in State-Cost Space
Duke University（杜克大学）
本文给出了可行Kinodynamic规划与最优Kinodynamic规划的等价性，即任何最优规划问题都可以转化为一系列在状态成本空间中的可行规划问题，其解趋于最优。这种转换产生了一个元算法，产生一个渐进的最佳规划，任何可行的kinodynamic规划作为一个子程序。元算法被证明是渐近最优的，并推导出一个公式的预期运行时间和解决方案的次优性。它是直接适用于广泛的最优规划问题，因为它不诉诸于使用导向功能或数值边界值问题求解器。在一组基准问题，它被证明执行，使用EST和RRT算法作为子程序，在上级或可比的水平，相关的规划。
2015-05-15 cs.RO
Visual Goal-Directed Meta-Learning with Contextual Planning Networks
Intelligent Systems Center（智能系统中心）；Johns Hopkins Applied Physics Lab（约翰斯·霍普金斯应用物理实验室）
元学习的目标是尽可能快地概括新的任务和目标。理想情况下，我们希望在第一次尝试时就能推广到新的目标和任务。为此，我们引入上下文规划网络（CPN）。任务被表示为目标图像并用于调节方法。我们评估CPN以及其他几种适用于zero-shot目标导向元学习的方法。我们使用Metaworld基准任务在24个不同的操作任务中评估这些方法。我们发现CPN在一项任务上优于几种方法和基线，并且在其他任务上与现有方法具有竞争力。我们展示了一个物理平台上的叠片任务使用Kinova雅科机械臂的方法。
2021-11-18 cs.AI cs.RO
The efficacy of Neural Planning Metrics: A meta-analysis of PKL on nuScenes
Motional（Motional公司）；NVIDIA（英伟达）
高性能的目标检测系统在自动驾驶（AD）中起着至关重要的作用。通常根据平均平均精度评估的性能不考虑场景中演员的方向和距离，这对于安全AD很重要。它也忽略了环境背景。最近，Phelvis等人提出了一种神经规划度量（PKL），基于规划者轨迹和地面实况路线的KL发散，以适应这些要求。在本文中，我们使用这种神经规划度量对nuScenes检测挑战的所有提交进行评分，并分析结果。我们发现，虽然有点相关的mAP，PKL指标表现出不同的行为，以增加交通密度，自我速度，道路曲率和交叉口。最后，我们提出了扩展神经规划度量的想法。
2021-07-13 cs.CV cs.RO
Speech-Guided Sequential Planning for Autonomous Navigation using Large Language Model Meta AI 3 (Llama3)
Temple University（天普大学）
本文提出基于 Llama3 和 ROS 的自主导航语音引导序列规划系统，通过解析语音指令生成序列动作，并结合 DRL-VO 控制策略实现社交空间导航，仿真与硬件实验验证了其有效性。
2024-09-27 cs.RO
Meta-Modeling of Assembly Contingencies and Planning for Repair
University of California - San Diego（加利福尼亚大学圣迭戈分校）
世界机器人挑战赛（2018年和2020年）旨在挑战团队设计易于适应新任务的系统，并确保在半结构化环境中稳健运行。我们提出了一个分层的策略，将任务转化为任务和行动，并提供了一套策略，以解决简单和复杂的故障。我们提出了一个模型，使用这个模型来描述故障，并讨论维修。简单的故障是我们WRC系统中最常见的，我们也介绍了我们如何修复它们。
2021-03-12 cs.AI cs.RO
REFLEX: Metacognitive Reasoning for Reflective Zero-Shot Robotic Planning with Large Language Models
School of Applied and Creative Computing, Purdue University（应用与创意计算学院，普渡大学）；Bowen School of Construction, Purdue University（建设学院，普渡大学）；School of Engineering Technology, Purdue University（工程技术学院，普渡大学）；Department of Technology Leadership and Innovation, Purdue University（技术领导与创新部门，普渡大学）
REFLEX通过引入元认知学习，提升大语言模型在机器人任务中的推理、反思与创造力，实现零样本下的高效规划。
2026-03-02 cs.CL cs.RO
Stackelberg Meta-Learning Based Shared Control for Assistive Driving
New York University（纽约大学）
提出Stackelberg元学习算法，通过快速适应少量驾驶数据生成行为模型，在避障场景中辅助驾驶员，节省时间并鲁棒于有界理性与错误。
2024-03-15 cs.RO
Meta-Adaptive Beam Search Planning for Transformer-Based Reinforcement Learning Control of UAVs with Overhead Manipulators under Flight Disturbances
针对无人机与顶置机械臂耦合导致的末端执行器跟踪误差问题，提出基于Transformer双深度Q网络（DDQN）的强化学习框架，通过自适应波束搜索规划器利用学习到的评论家进行前向估计，实现软件在环的短视域波束搜索，显著降低跟踪误差并提升奖励。
2026-05-29 cs.RO
SurgGoal: Rethinking Surgical Planning Evaluation via Goal-Satisfiability
Technical University of Munich, Germany（慕尼黑技术大学）；University of Strasbourg, France（斯特拉斯堡大学）；University of Glasgow, United Kingdom（格拉斯哥大学）；Nanyang Technological University, Singapore（南洋理工大学）；University of Massachusetts Boston, USA（马萨诸塞大学波士顿分校）
SurgGoal通过目标满足性度量重新评估手术计划，揭示视频大语言模型在安全关键环境中的性能问题。
2026-01-15 cs.CL cs.RO
Designing a Recurrent Neural Network to Learn a Motion Planner for High-Dimensional Inputs
University of California, Berkeley（加州大学伯克利分校）
机器学习在自动驾驶行业的使用推动了最近的一些进步。特别是，在感知和预测堆栈中使用大型深度学习模型已经证明是非常成功的，但仍然缺乏关于在规划堆栈中使用机器学习的重要文献。规划堆栈的当前技术水平通常依赖于快速约束优化或基于规则的方法。这两种技术都未能解决大量的基本问题，这些问题将允许车辆更类似于人类驾驶员的操作。在本文中，我们试图设计一个基本的深度学习系统来解决这个问题。此外，本文的主要目标是展示机器学习在自动驾驶汽车（AV）规划堆栈中的潜在用途，并为正在进行的和未来的研究提供基线工作。
2022-05-10 cs.LG cs.RO
Cognitive Dual-Process Planning for Autonomous Driving with Structured Scene Knowledge and Verifiable Reasoning-Action Consistency
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）；National Engineering Research Center of Electric Vehicles, Beijing Institute of Technology（北京理工大学电动车辆国家工程研究中心）；School of Mechanical Engineering, Southeast University（东南大学机械工程学院）
研究自动驾驶高级规划问题，提出认知双过程规划框架，用S-CoT模式表示场景知识，通过自动数据引擎、视觉仲裁器及验证器实现自适应推理和规则验证，提升规划准确性、逻辑一致性并降低延迟，明确性能下降条件。
2026-07-23 cs.CV cs.RO
Hierarchical LLM-Based Multi-Agent Framework with Prompt Optimization for Multi-Robot Task Planning
Data Science Laboratories, NEC Corporation（日本电气株式会社数据科学实验室）
本文提出一种分层多智能体框架，结合提示优化提升多机器人任务规划的准确性和效率。
2026-02-26 cs.AI cs.MA cs.RO
