Robust Real-time UAV Replanning Using Guided Gradient-based Optimization and Topological Paths
Hong Kong University of Science and Technology（香港科技大学）
基于惯性的轨迹优化（GTO）在四旋翼飞行器轨迹规划中得到了广泛的应用。但是，它存在局部极小值，这不仅是致命的安全，也不利于顺利航行。在本文中，我们提出了一个重新规划方法的基础上GTO解决这个问题系统。提出了一种路径引导优化（PGO）方法来解决不可行的局部极小值问题，显著提高了重规划的成功率。提出了一种拓扑路径搜索算法，用于在三维环境中捕获一组不同的有用路径，然后每个路径引导一个独立的轨迹优化。它激活了对解决方案空间的更全面的探索，并输出卓越的重新规划轨迹。基准评估表明，我们的方法在重新规划成功率和最优性方面优于最先进的方法。攻击性自主飞行的仿真实验证明了该方法的鲁棒性。我们将以开源包的形式发布我们的实现。
2020-04-16 cs.RO
RAPTOR: Robust and Perception-aware Trajectory Replanning for Quadrotor Fast Flight
Hong Kong University of Science and Technology（香港科技大学）；Zhejiang University（浙江大学）
轨迹重新规划的最新进展使四旋翼能够在未知环境中自主导航。然而，高速导航仍然是一个重大挑战。由于时间非常有限，现有的方法对解决方案的可行性或质量没有强有力的保证。此外，大多数方法没有考虑环境感知，这是快速飞行的关键瓶颈。在本文中，我们提出了RAPTOR，一个强大的和感知感知的重新规划框架，以支持快速和安全的飞行。设计了一种包含多个拓扑路径的路径引导优化（PGO）方法，以确保在非常有限的时间内找到可行且高质量的轨迹。我们还引入了感知感知规划策略，以主动观察和避免未知的障碍物。具有风险意识的轨迹细化确保可以更早地观察到可能危及四旋翼的未知障碍物并及时避免。偏航角的运动计划积极探索与安全航行相关的周围空间。所提出的方法进行了广泛的测试。我们将把我们的实现作为一个开源软件包发布给社区。
2020-07-06 cs.RO
Trajectory Replanning for Quadrotors Using Kinodynamic Search and Elastic Optimization
Hong Kong University of Science and Technology（香港科技大学）
我们专注于重新规划的情况下，考虑时间效率，非静态初始状态和动态的可行性是非常重要的。通过研究B样条参数化的性质，提出了一种实时的基于B样条的Kinodynamic（RBK）搜索算法，该算法将A* 和Dijkstra等仅基于位置的最短路径搜索转化为高效的Kinodynamic搜索. RBK搜索是贪婪的，并产生一个动态可行的时间参数化的轨迹有效，这有利于非静态的初始状态的四旋翼。为了应对贪婪搜索和网格结构引起的离散化的限制，我们采用弹性优化（EO）方法作为优化后过程，以改进RBK搜索提供的控制点放置。EO方法通过求解二次约束二次规划（QCQP）问题，找到了表示自由空间的膨胀弹性管内的最优控制点位置。基于B样条的局部控制特性，设计了一种滚动时域重规划器。我们的方法对两个国家的最先进的方法进行了系统的比较。我们将我们的重新规划系统与基于单目视觉的四旋翼飞行器相结合，并验证了我们的机载性能。
2019-03-04 cs.RO
A Signal Temporal Logic Motion Planner for Bird Diverter Installation Tasks with Multi-Robot Aerial Systems
University of Seville（塞维利亚大学）；Czech Technical University in Prague（捷克理工大学）
针对多旋翼编队安装鸟类驱避器的任务，本文扩展运动规划器，引入 STL 规范、事件触发重规划与能量最小化项，并通过仿真和实地实验验证其有效性。
2023-07-27 cs.RO
Language-Driven Closed-Loop Grasping with Model-Predictive Trajectory Replanning
Eötvös Loránd University（厄特沃什·罗兰大学）；TU Wien（维也纳技术大学）；Austrian Institute of Technology (AIT) GmbH（奥地利技术研究院有限公司）；University of Liverpool（利物浦大学）
针对闭环抓取系统模块更新速率不一致、动态环境操作难的问题，提出含视觉语言分割、位姿跟踪与实时轨迹重规划的零样本模块化框架，实现30Hz位姿更新与10Hz轨迹优化，可高效抓取运动物体。
2024-06-19 cs.RO
AURA: Asymptotically Optimal Uncertainty-Robust Replanning Algorithm for Kinodynamic Systems
Department of Robotics Engineering, Worcester Polytechnic Institute (WPI)（机器人工程系，沃斯通理工大学）
提出AURA元规划框架，通过在线重规划和优化控制输入，在运动不确定性下实现渐近最优轨迹规划与跟踪精度提升。
2026-10-09 cs.RO
LF: Online Multi-Robot Path Planning Meets Optimal Trajectory Control
University of Cambridge（剑桥大学）；National Institute of Advanced Industrial Science and Technology（国家先进工业科学与技术研究院）
本文提出LF框架，通过异步结合先进MAPF求解器LaCAM与鲁棒反馈控制栈Freyja，实现全向机器人团队的点到点终身导航，支持动态环境下的快速重规划与异步目标更新。
2025-07-15 cs.MA cs.RO
Continuous-Time Trajectory Optimization for Decentralized Multi-Robot Navigation
SRM Institute of Science and Technology（SRM科学技术学院）
多机器人系统已经开始渗透到各种不同的领域，但以分散方式进行无碰撞导航仍然是一项艰巨的任务。通常，高速多机器人系统的导航需要重新规划轨迹以避免彼此碰撞。提出了一种基于标记的多机器人场景下的轨迹优化在线重规划算法。通过机器人之间可靠的状态通信，每个机器人都可以为其他所有机器人预测一个平滑的连续时间轨迹。基于这些预测轨迹的知识，每个机器人然后为自己规划无碰撞轨迹。利用基于多项式的轨迹生成方法，将无碰撞轨迹优化问题转化为非线性规划问题。该算法进行了测试，在模拟凉亭与空中机器人。
2019-09-05 cs.RO
Safe Local Exploration for Replanning in Cluttered Unknown Environments for Micro-Aerial Vehicles
Autonomous Systems Lab, ETH Zürich（苏黎世联邦理工学院自主系统实验室）
为了使微型飞行器（MAV）能够在复杂、未知、非结构化的环境中提供帮助，它们必须能够在保证安全的情况下导航，即使面对它们事先不知道的混乱环境。虽然基于轨迹优化的局部规划器已被证明在这些情况下表现良好，但先前的工作要么没有解决如何处理优化问题中的局部最小值，要么通过使用乐观全局规划器来解决它。我们提出了一个保守的轨迹优化为基础的本地规划器，再加上本地探索策略，选择中间目标。我们进行了大量的模拟，以表明该系统的性能优于使用乐观的全球规划的标准方法，也优于做一个单一的探索步骤时，本地规划卡住。该方法是通过在各种高度杂乱的环境，包括茂密的森林实验验证。这些实验表明，完整的系统实时的运行完全机载MAV，映射和重新规划在4赫兹。
2018-03-12 cs.RO
${\tt KRAFT}$: Sampling-Based Kinodynamic Replanning and Feedback Control over Approximate, Identified Models of Vehicular Systems
Rutgers University（罗格斯大学）
针对近似动力学模型下复杂动力学机器人轨迹执行安全性不足的问题，提出KRAFT方法，整合采样式动力学重规划、反馈控制与安全机制，经SysId调优模型，实验验证了规划层反馈闭环与长时域推理的重要性。
2024-09-17 cs.RO
OpenMORE: an open-source tool for sampling-based path replanning in ROS
STIIMA-CNR - Institute of Intelligent Industrial Technologies and Systems, National Research Council of Italy（意大利国家研究委员会智能工业技术与系统研究所（STIIMA-CNR））；Dipartimento di Ingegneria Meccanica e Industriale, University of Brescia（布雷西亚大学机械与工业工程系）；Department of Robotics, University of Michigan（密歇根大学机器人系）
本文提出OpenMORE开源ROS库，为采样式路径重规划提供统一框架，支持执行中持续重规划与碰撞检测，便于算法使用、集成和基准测试。
2023-11-30 cs.RO
Hierarchical Trajectory (Re)Planning for a Large Scale Swarm
Brown University（布朗大学）
针对杂乱环境中大规模集群的轨迹重规划问题，提出一种结合集中式与去中心化优势的分层路径规划方法，通过划分工作空间并行计算无碰撞路径并进行分布式轨迹优化以避免死锁，在仿真和物理实验中实现了高任务成功率的实时重规划。
2025-01-28 cs.RO
Deep Local Trajectory Replanning and Control for Robot Navigation
Stanford University（斯坦福大学）；Yale University（耶鲁大学）
我们提出了一个导航系统，结合了层次规划和机器学习的想法。该系统使用传统的全局规划器来计算朝向目标的最优路径，以及深度局部轨迹规划器和速度控制器来计算运动命令。系统的后一个组件通过注意力机制调整机器人的行为，使其朝着目标移动，避开障碍物，并尊重附近行人的空间。所提出的深度模型的结构和注意力机制的使用都使得系统的执行是可解释的。我们的模拟实验表明，所提出的架构优于基线，试图将全球计划信息和传感器数据直接映射到速度命令。与手工设计的传统导航系统相比，所提出的方法表现出更一致的性能。
2019-05-13 cs.AI cs.RO
Deformation Recovery Control and Post-Impact Trajectory Replanning for Collision-Resilient Mobile Robots
University of California, Riverside（加州大学河滨分校）
本文主要研究了碰撞包容的碰撞恢复移动机器人运动规划。我们提出了一个新的变形恢复和重新规划策略，以处理可能发生的碰撞，在运行时。与仅在保守的局部空间中生成轨迹或需要具有高计算成本的碰撞检查的碰撞避免方法相反，我们的方法直接生成（局部）轨迹，仅施加航点约束。如果发生碰撞，我们的方法然后估计碰撞后的状态，并从那里计算一个中间航路点，以从碰撞中恢复。为了实现这一点，我们开发了两个新的组件：1）变形恢复控制器，优化机器人的状态在碰撞后恢复阶段，和2）后的影响轨迹重新规划器，调整下一个路点的信息，从碰撞的机器人通过，并产生一个基于多项式的最小努力轨迹。该策略进行了实验评估与全方位的冲击弹性轮式机器人。该机器人是在室内设计的，并且它可以借助于在机器人的主底盘和周围的偏转环状结构之间实施的霍尔效应传感器来感知碰撞。
2021-08-04 cs.RO cs.SY eess.SY
Reactive and Safety-Aware Path Replanning for Collaborative Applications
Institute of Intelligent Industrial Technologies and Systems, National Research Council of Italy（意大利国家研究理事会智能工业技术与系统研究所）；Dipartimento di Elettronica, Informazione e Bioingegneria, Politecnico di Milano（米兰理工学院电子、信息与生物工程系）；Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University Munich（慕尼黑技术大学机器人与智能机器研究所）；Mohamed Bin Zayed University of Artificial Intelligence, Masdar City, Abu Dhabi, UAE（阿布扎克马斯达尔城人工智能大学）；Dipartimento di Ingegneria Meccanica e Industriale, University of Brescia（布雷西亚大学机械与工业工程系）
针对人机协作中现有规划器难应对人类不可预测行为、安全措施限制效率的问题，提出结合反应式路径重规划与安全感知代价函数的方法，在保安全的同时提效，实验显示效率最高提升60%。
2025-06-11 cs.RO
When to Replan? An Adaptive Replanning Strategy for Autonomous Navigation using Deep Reinforcement Learning
Nagoya University（名古屋大学）；OMRON SINIC X Corporation（欧姆龙 SINIC X 公司）
针对自主导航中部分未知环境下重规划时机难以确定的问题，本文提出一种基于深度强化学习的自适应重规划策略，通过从经验中学习动态决定重规划时机，实验表明其在导航鲁棒性和效率上可达到或超越现有最佳策略。
2024-02-27 cs.RO
Replanning Human-Robot Collaborative Tasks with Vision-Language Models via Semantic and Physical Dual-Correction
本文提出一种通过语义和物理双校正机制提升人机协作任务中机器人重新规划能力的框架，结合视觉语言模型与物理反馈纠正，提高任务执行的成功率和可行性。
2026-07-14 cs.RO
Rectify, Don't Regret: On-Policy Closed-Loop Training for Multimodal Trajectory Prediction
University of Wuppertal（乌珀塔尔大学）
本文提出一种非可微的递推滚动方法，通过切断计算图来避免可微模拟中的捷径学习，提升轨迹预测的鲁棒性和恢复能力。
2026-09-21 cs.RO
A Shared Control Framework for Mobile Robots with Planning-Level Intention Prediction
Member, IEEE（IEEE会员）；Senior Member, IEEE（IEEE高级会员）
针对移动机器人共享控制中人类意图理解问题，提出含规划级意图预测的共享控制框架，联合建模意图域预测与路径重规划为马尔可夫决策过程并通过深度强化学习求解，仿真训练无需人类参与，能降低操作员工作量并提升安全性。
2026-10-27 cs.RO
BC-NMPC: Battery-Constrained NMPC with Propulsion Prediction and Replanning for High-Speed Flight
Czech Technical University in Prague（捷克技术大学（布拉格））
针对高速飞行中无人机因电池问题致轨迹跟踪性能下降的问题，提出将电池和推进系统模型集成到NMPC框架的方法，能实时预测相关参数，通过轨迹规划算法提高性能，实验验证了模型准确性和算法有效性。
2026-10-06 cs.RO cs.SY eess.SY
FASTER: Fast and Safe Trajectory Planner for Flights in Unknown Environments
Aerospace Controls Laboratory, MIT（麻省理工学院航空航天控制实验室）
通过未知环境的高速轨迹规划需要算法技术，该算法技术能够在获得关于操作环境的新信息时实现快速反应时间，同时保持安全性。计算易处理性的要求通常会导致优化问题，不包括障碍物约束（碰撞检查的解决方案）或使用凸分解的自由空间，然后强加一个特设的时间分配方案的轨迹的每个间隔。此外，安全保证通常通过具有局部规划器来获得，该局部规划器在自由已知空间中规划具有最终“停止”条件的轨迹。然而，这两个决定通常会导致缓慢和保守的轨迹。我们提出了FASTER（快速和安全的轨迹规划器）来克服这些问题。FASTER通过使本地规划器能够在自由已知和未知空间中进行优化来获得高速轨迹。通过在每个重新规划步骤开始时在自由已知空间中始终具有可行的、安全的备用轨迹来确保安全保证。此外，我们提出了一个混合二次规划公式，其中求解器可以选择的轨迹间隔分配，并有效地使用先前的重新规划迭代的结果计算的时间分配启发式。该算法在仿真和实际硬件中进行了广泛的测试，在未知的杂波环境中显示出敏捷的飞行速度高达3.6米/秒。
2020-05-13 cs.RO
An Efficient B-spline-Based Kinodynamic Replanning Framework for Quadrotors
Hong Kong University of Science and Technology（香港科技大学）
四旋翼的轨迹重新规划对于在未知环境中实现完全自主飞行至关重要。分层运动规划框架结合了路径规划和路径参数化，由于其时间效率而受到欢迎。然而，路径规划不能正确地处理非静态的初始状态的四旋翼，这可能会导致非光滑的，甚至动态不可行的轨迹。在本文中，我们提出了一个有效的kinodynamic重新规划框架，利用B样条，这有利于处理非静态状态，并保证安全性和动态的可行性的有利性质。我们的框架从一个有效的B样条基kinodynamic（EBK）搜索算法，找到一个可行的轨迹，以最小的控制工作量和时间。为了补偿EBK搜索引起的离散化，提出了一种弹性优化（EO）方法来细化控制点的位置。对国家的最先进的进行系统的比较，以验证性能。使用两种不同的基于视觉的四旋翼进行全面的机载实验，显示了该框架的普遍适用性。
2019-06-24 cs.AI cs.RO
Execution-Aligned Progressive Noise for Consistent Asynchronous Replanning in Generative Robot Policies
Magiclab Robotics Technology Co., Ltd.（魔幻实验室机器人科技有限公司）；Southeast University（东南大学）
针对生成式机器人策略异步重规划中的模式切换问题，提出执行对齐渐进噪声（EAPN），通过跨块与块内结构化随机性及执行对齐相关性，提升行为一致性，在Kinetix、LIBERO及真实任务上取得高成功率。
2026-10-06 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
Resilient Active Information Acquisition with Teams of Robots
University of Pennsylvania（宾夕法尼亚大学）；University of Michigan（密歇根大学）
新兴的协作自治应用，如多目标跟踪，未知地图探索和持续监视，要求机器人规划路径以导航环境，同时最大限度地提高通过车载传感器收集的信息。在本文中，我们考虑这样的信息获取任务，但在对抗性的环境中，攻击可能会暂时禁用机器人的传感器。我们提出了第一个滚动时域算法，针对任何数量的攻击，我们称之为弹性主动信息采集（RAIN）的鲁棒性和自适应多机器人规划。RAIN以在线方式调用鲁棒轨迹规划（RTP）子例程，该子例程在前瞻规划范围内规划攻击鲁棒控制输入。我们通过限制RTP的次优性来量化RTP的性能。我们的理论分析的基础上引入的曲率概念在组合优化。我们在三种信息获取场景中评估RAIN：多目标跟踪，占领网格映射和持续监视。这些场景是在C++和基于Unity的模拟器中模拟的。在所有模拟中，RAIN实时运行，即使在存在大量攻击的情况下，也表现出与最先进的基线信息获取算法相比的卓越性能。我们还证明了RAIN的鲁棒性和有效性对不同的攻击模型（最坏情况和随机），以及不同的重新规划率。
2021-03-17 cs.MA cs.RO math.OC
Experiments in Adaptive Replanning for Fast Autonomous Flight in Forests
University of Pennsylvania（宾夕法尼亚大学）
在森林等非结构化、杂乱的环境中进行快速自主飞行是一项挑战，因为它需要机器人在计算受限的平台上实时计算新的计划。在本文中，我们使这一能力与基于搜索的规划框架，适应采样密度实时找到动态可行的计划，同时保持计算易处理。基于搜索的规划中的一个最大挑战是，密集的障碍既需要大型图（以保证完整性），又降低了图搜索的效率（因为搜索变得不那么准确）。为了解决这个问题，我们开发了一个规划框架，有两个部分：一个是最大限度地提高计划的完整性，对于一个给定的图形大小，第二，动态最大化图形大小的计算约束。该框架通过运动规划图来实现，所述运动规划图由单个参数离散度定义，离散度量化从图到达任意状态的最大轨迹成本。我们通过真实和模拟实验展示了分散如何实时适应不同的环境，允许在不同密度的环境中操作。仿真实验表明，改进的性能基线搜索为基础的规划算法。我们还在现实世界杂乱的松林中展示了高达2.5米/秒的飞行速度。
2022-03-02 cs.RO
Trajectory Planning and Control near the Limits: an Open Experimental Benchmark on the RoboRacer Platform
Professorship of Autonomous Vehicle Systems, Technical University of Munich（自动驾驶车辆系统教授职位，慕尼黑技术大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI））；Avilus GmbH（Avilus GmbH公司）；Department of Information Technology and Electrical Engineering (DIETI), University of Naples Federico II（那不勒斯费德里科二世大学信息科技与电气工程系（DIETI））；Dept. of Industrial Engineering, University of Trento（特伦托大学工业工程系）
本文提出了一种模块化框架，用于评估轨迹规划和控制在高加速度 maneuver 中的新方法和现有方法，通过 RoboRacer 平台上的两个赛道测试，展示了 MS-NN 在提高跟踪精度和减少转向振荡方面的优势，以及在线速度重计划对提高 lap 时间和安全速度的贡献。
2026-05-19 cs.RO
PiP-X: Online feedback motion planning/replanning in dynamic environments using invariant funnels
University of Maryland（马里兰大学）
提出基于有限时间不变漏斗的在线采样运动重规划算法 PiP-X，结合图搜索、Lyapunov 分析与运动基元，在动态环境中为非线性机器人系统保证可行、可控的反馈轨迹。
2024-06-13 cs.RO
Online Trajectory Generation of a MAV for Chasing a Moving Target in 3D Dense Environments
Seoul National University（首尔国立大学）
本文研究了在复杂环境中，搭载视觉传感器的飞行器对运动目标的追踪任务。与无障碍或稀疏环境相比，追逐者应该能够在飞行效率的同时处理碰撞和遮挡。为了解决这些挑战与实时重新规划，我们引入了一个指标的目标可见性，并提出了级联追逐规划。通过图搜索方法，我们首先生成一系列的追逐走廊和航路点，以确保安全和优化的可见性。在接下来的阶段中，走廊和航路点被用作二次规划的约束和目标，我们完成了一个动态可行的轨迹追逐。该算法在多个密集环境中进行了测试。带有完整代码实现和GUI的模拟器AutoChaser可以在www.example.com中找到
2019-04-06 cs.RO
Polynomial-based Online Planning for Autonomous Drone Racing in Dynamic Environments
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
针对动态环境无人机竞速的在线重规划难题，提出基于多项式轨迹表示的优化框架，通过硬约束保障航点穿越精度，并行多拓扑规划避免局部最优，在DJI Robomaster赛事中夺冠且完赛时间不到第二名一半。
2023-06-26 cs.RO
Real-time Trajectory Generation for Quadrotors using B-spline based Non-uniform Kinodynamic Search
Shanghai Jiao Tong University（上海交通大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Beijing Institute of Control Engineering（北京控制工程研究所）
在本文中，我们提出了一种有效的方法来生成安全，光滑和动态可行的轨迹四旋翼障碍物杂乱的环境。采用均匀B样条表示轨迹，将轨迹规划问题转化为离散空间中B样条控制点的图搜索问题。为了保证整个轨迹的动力学可行性，推导了B样条函数的高严格凸包性质。采用一种新的非均匀运动学搜索策略，在搜索过程中根据欧几里德符号距离场（ESDF）动态调整搜索步长，使轨迹实现合理的时间分配并远离障碍物。允许非静态的初始和目标状态，因此它可以用于在线局部重新规划以及全局规划。大量的仿真和硬件实验表明，我们的方法实现了更高的性能相比，国家的最先进的方法。
2019-11-18 cs.RO
Deep-PANTHER: Learning-Based Perception-Aware Trajectory Planner in Dynamic Environments
MIT（麻省理工学院）
本文介绍了Deep-PANTHER，一种基于学习的感知感知轨迹规划器，用于动态环境中的无人机（UAV）。给定无人机的当前状态，以及预测的障碍物轨迹和大小，Deep-PANTHER生成多个轨迹以避开动态障碍物，同时最大限度地提高其在机载摄像机视场（FOV）中的存在。为了获得一个计算上易处理的实时解决方案，模仿学习是利用训练的深豹政策使用多模态优化为基础的专家提供的演示。大量的模拟表明，重新规划的时间比基于优化的专家快两个数量级，同时实现了类似的成本。通过确保每个专家轨迹被分配给损失函数中的一个不同的学生轨迹，Deep-PANTHER还可以捕获问题的多模态，并实现相对于专家的均方误差（MSE）损失，比最先进的（放松的）赢家通吃方法小18倍。Deep-PANTHER也被证明可以很好地推广到与训练中使用的不同的障碍物轨迹。
2023-02-14 cs.RO
FaSTrack: a Modular Framework for Real-Time Motion Planning and Guaranteed Safe Tracking
Simon Fraser University（西蒙菲莎大学）；Princeton University（普林斯顿大学）；University of Melbourne（墨尔本大学）；California Institute of Technology（加州理工学院）
实时的【形】有保证的安全轨迹规划对于未知环境中的导航至关重要。然而，实时的【形】导航算法通常为了计算速度而牺牲鲁棒性。可替代地，可证明安全的轨迹规划对于实时的【形】重新规划而言往往是计算密集型的。我们提出了快速和安全的跟踪，一个框架，实现了实时的【形】重新规划和保证安全。在这个框架中，通过允许任何轨迹规划器使用系统的简化\textit{planning model}来实现实时的【形】计算。该计划由系统跟踪，由更真实、更高维的\textit{tracking model}表示。我们预先计算的跟踪误差界（TEB）由于两个模型之间的不匹配，由于外部干扰。我们还得到了相应的跟踪控制器用于停留在TEB。预先计算不需要环境的先验知识。我们使用Hamilton-Jacobi可达性进行预计算，并使用三种不同的跟踪规划模型对进行三种不同的实时的【形】轨迹规划。
2021-03-13 cs.RO math.OC
Online Dynamic Trajectory Optimization and Control for a Quadruped Robot
University of Edinburgh（爱丁堡大学）；McGill University（麦吉尔大学）
足式机器人运动需要规划稳定的参考轨迹，特别是在穿越不平坦地形时。所提出的轨迹优化框架能够为多个步骤生成动态稳定的基础和脚步轨迹。运动任务可以用接触位置、基础运动或两者来定义，使得算法适用于多种场景（例如，移动障碍物）。该规划器使用简化的基于动量的任务空间模型的机器人动力学，允许计算时间足够快的在线重新规划。这种快速规划能力也使四足动物适应漂移和环境变化。该算法在模拟和真实机器人上进行了测试，包括不平坦的地形，楼梯和移动障碍物。结果表明，即使在最后时刻将一个15厘米高的盒子放在机器人路径的前面，该规划器也能够在真实机器人中生成稳定的轨迹。
2021-03-23 cs.RO
Asynchronous Spatial-Temporal Allocation for Trajectory Planning of Heterogeneous Multi-Agent Systems
针对大规模异构集群缺乏全局时钟同步导致轨迹规划困难的问题，提出异步时空分配方法，通过在重规划间插入等待时长异步更新带时间戳空间，理论证明可避免碰撞，仿真与8辆无人车实验验证了其有效性与性能提升。
2024-08-29 cs.RO
Task Coordination and Trajectory Optimization for Multi-Aerial Systems via Signal Temporal Logic: A Wind Turbine Inspection Study
Czech Technical University in Prague（布拉格捷克技术大学）；University of Seville（塞维利亚大学）；University of Sannio in Benevento（贝内文托萨尼奥大学）；ENEA（意大利国家新技术、能源与经济可持续发展局）；University of Zagreb（萨格勒布大学）
针对多旋翼无人机协同风力涡轮机检测，提出基于STL规范的任务分配与轨迹优化方法，并结合事件触发重规划和广义鲁棒性评分，经仿真与实地实验验证。
2025-01-08 cs.RO
Two-Step Online Trajectory Planning of a Quadcopter in Indoor Environments with Obstacles
Automation and Control Institute (ACIN), TU Wien（维也纳工业大学自动化与控制研究所）；Center for Vision, Automation and Control, AIT Austrian Institute of Technology（奥地利技术研究所视觉、自动化与控制中心）；Department of Computer Science, University of Liverpool（利物浦大学计算机科学系）
提出了一种在室内未知障碍物环境下的两步在线轨迹规划算法。在第一步中，基于采样的路径规划技术，如最佳快速探索随机树（RRT*）算法和视线（LOS）算法，生成一个无碰撞的路径组成的多路点。然后，在第二步中，约束二次规划被用来计算一个光滑的轨迹，通过所有计算的航路点。这项工作的主要贡献是开发了一个灵活的轨迹规划框架，可以检测环境中的变化，如新的障碍物，并计算替代轨迹实时的。该算法积极考虑环境中的所有变化，并只在被新障碍物占据的航路点上执行重新规划过程。这有助于减少计算时间并实时的实现所提出的方法。该算法的可行性评估使用英特尔航空准备飞行（RTF）四轴飞行器在模拟和现实世界的实验。
2023-02-06 cs.RO
Online Trajectory Generation with Distributed Model Predictive Control for Multi-Robot Motion Planning
Dynamic Systems Lab（动态系统实验室）；Institute for Aerospace Studies（航空航天研究所）；University of Toronto（多伦多大学）
我们提出了一种分布式模型预测控制（DMPC）算法，以产生多个机器人的实时轨迹。我们采用了\textit{on-demand collision avoidance}方法在以前的工作中，有效地计算过渡任务中的非碰撞轨迹。提出了一种事件触发的重新规划策略，以考虑干扰。我们的仿真结果表明，所提出的碰撞避免方法可以减少，平均约50%的旅行时间需要完成一个多智能体点到点的过渡时，相比研究良好的缓冲Voronoi细胞（BVC）的方法。此外，它在具有高密度代理的过渡任务中显示出更高的成功率，在18 m^3的竞技场中，30个手掌大小的四旋翼代理的成功率超过90%。该方法通过一群多达20架的无人机近距离飞行进行了实验验证。
2020-01-24 cs.RO
ESCoT: An Enhanced Step-based Coordinate Trajectory Planning Method for Multiple Car-like Robots
School of Vehicle and Mobility, Tsinghua University（车辆与移动系统学院，清华大学）
本文提出ESCoT方法，通过局部协同规划和重复配置重规划策略，显著提升了多类车机器人轨迹规划在稀疏和密集场景下的求解质量与成功率，并经实际机器人测试验证了其有效性。
2025-08-13 cs.RO
Pre-Manipulation Alignment Prediction with Parallel Deep State-Space and Transformer Models
Keio University（keio大学）
针对物体操作任务事后评估效率低的问题，提出一种操作前对齐预测模型，通过并行深度状态空间模型与Transformer编码器融合轨迹特征，预测操作前图像、轨迹与指令的对齐度，优于现有方法。
2025-09-17 cs.RO
Sampling-Based Trajectory (re)planning for Differentially Flat Systems: Application to a 3D Gantry Crane
Automation and Control Institute (ACIN), TU Wien（维也纳工业大学自动化与控制研究所（ACIN））；Center for Vision, Automation and Control, AIT Austrian Institute of Technology（奥地利技术研究所（AIT）视觉、自动化与控制中心）
在本文中，基于采样的实验室规模的三维门式起重机在静态障碍物的环境中的轨迹规划算法，并受到限制的门式起重机系统的速度和加速度。重点是开发一个快速的运动规划算法，差分平面系统，中间结果可以存储和重用的进一步任务，如重新规划。所提出的方法是基于知情的最优快速探索随机树算法（知情RRT*），这是用来建立轨迹树，重新规划时，开始和/或目标状态改变重用。与现有的方法相比，所提出的运动规划算法采用了线性二次最小时间（LQTM）局部规划器。因此，动态性能，如时间最优性和平滑的轨迹直接考虑在所提出的算法。此外，通过结合分支定界方法对轨迹树进行修剪，该算法可以消除树中对找到更好的解决方案没有贡献的点。这有助于在运动（重新）规划期间抑制存储器消耗并降低计算复杂性。对一个三维门式起重机的仿真结果表明了该方法的可行性。
2023-03-26 cs.RO cs.SY eess.SY
SLAP: Simultaneous Localization and Planning Under Uncertainty for Physical Mobile Robots via Dynamic Replanning in Belief Space: Extended version
NASA-JPL, Caltech（NASA-喷气推进中心，加州理工学院）；Dept. of Aerospace Eng. and Amato is with the Dept. of Computer Science（航空航天工程系和计算机科学系）；Dept. of Computer Science（计算机科学系）
本文提出一种在不确定性环境下通过信念空间动态重新规划实现物理移动机器人同时定位与规划的方法，通过在线重新规划循环改进离线策略，有效应对环境变化和大定位误差，优于FIRM方法。
2018-05-13 cs.RO cs.SY eess.SY
ContactNet: Online Multi-Contact Planning for Acyclic Legged Robot Locomotion
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）；Tandon School of Engineering, New York University (NYU)（纽约大学坦登工程学院）；Università di Trento（特伦托大学）
提出基于多输出回归神经网络的快速非周期接触规划器ContactNet，可在约1毫秒内完成多接触规划，实现与轨迹优化器的MPC并发执行，并在四足机器人Solo12仿真中验证了有效性。
2024-05-02 cs.RO
FMT$^{\mathrm{X}}$: Lazy Wavefront Search for Dynamic Replanning
本文提出FMT$^{\mathrm{X}}$算法，通过代价改进测试和直接代价推送实现动态重规划，实验显示其在路径质量、修复工作量及碰撞检查效率上表现良好，明确了碰撞检测策略对规划性能的影响。
2026-08-21 cs.AI cs.RO cs.SY
Resilient Timed Elastic Band Planner for Collision-Free Navigation in Unknown Environments
Lincoln Centre for Autonomous Systems, University of Lincoln（林肯大学林肯自主系统中心）
针对自主导航中初始规划方案失效问题，提出结合混合A*算法和软约束平滑技术的弹性轨迹重规划方法，通过动态Voronoi图优化障碍约束，在高障碍密度环境中较TEB和NMPC规划器性能提升约20%，提升导航效率与鲁棒性。
2024-12-04 cs.RO math.OC
TRUST-Planner: Topology-guided Robust Trajectory Planner for AAVs with Uncertain Obstacle Spatial-temporal Avoidance
School of Aerospace Engineering, Beijing Institute of Technology（北京理工大学航空航天工程学院）；Key Laboratory of Dynamics and Control of Flight Vehicle, Ministry of Education（教育部飞行器动力学与控制重点实验室）
提出TRUST-Planner拓扑引导分层规划框架，通过动态增强可见概率图、无终端最小控制多项式和动态距离场实现复杂动态环境下的鲁棒时空避障，达到96%成功率和毫秒级计算效率。
2026-05-28 cs.RO
Batch and Incremental Kinodynamic Motion Planning using Dynamic Factor Graphs
Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种kinodynamic运动规划器，能够产生能量有效的运动，考虑到整个机器人的动力学，并利用重力，惯性和动量，以减少努力。给定机器人的特定目标状态，我们使用因子图和数值优化来求解最优轨迹，该轨迹不仅满足避碰要求，而且满足所有运动学和动力学约束，如速度，加速度和扭矩限制。通过利用因子图中的稀疏性，我们可以有效地解决运动动力学运动规划问题，与现有的最优控制方法相媲美，并使用增量消除技术来实现一个数量级更快的重新规划。
2020-06-15 cs.RO
Observability-Aware Active Calibration of Multi-Sensor Extrinsics for Ground Robots via Online Trajectory Optimization
Shenzhen Key Laboratory of Control Theory and Intelligent Systems（深圳控制理论与智能系统重点实验室）；Guangdong Provincial Key Laboratory of Fully Actuated System Control Theory and Technology（广东省全驱动系统控制理论与技术省级重点实验室）；Southern University of Science and Technology（南方科技大学）
针对地面机器人多传感器外参标定依赖人工、忽略声学传感器的问题，提出可观测性感知的主动标定方法，通过FIM量化可观测性、B样条优化轨迹在线标定，经仿真与实实验证有效并开源相关资源。
2025-06-16 cs.RO
Planning for the Unexpected: Explicitly Optimizing Motions for Ground Uncertainty in Running
Oregon State University（俄勒冈州立大学）
我们提出了一种方法来产生驱动计划的降阶，动态模型的双足动物运行。该方法明确地增强了对地面不确定性的鲁棒性。生成的计划不是积极稳定的固定身体轨迹：相反，计划与降阶模型的被动动力学相互作用，以创建紧急鲁棒性。我们的目标是为足式机器人创建计划，这些计划将对环境的不完美感知具有鲁棒性，并且能够处理过于复杂而无法实时优化的动态。工作在这个动态模型的腿运动，我们优化了一组干扰的情况下，连同标称的情况下，所有与链接的输入。由于运行模型的混合动力学，输入链接是不平凡的，但我们的解决方案是有效的，并具有分析梯度。所提出的优化过程比标准的轨迹优化要慢得多，但是产生了鲁棒的步态，该步态非常有效地拒绝干扰，而不需要任何重新规划。
2020-01-28 cs.RO
DYNUS: Uncertainty-aware Trajectory Planner in Dynamic Unknown Environments
针对动态未知环境中轨迹规划的安全与计算效率矛盾，本文提出DYNUS规划器，通过时空全局规划、多轨迹安全框架和快速硬约束局部优化，实现100%成功率且比SOTA快25%，已在多类机器人平台验证。
2025-05-18 cs.RO
Model Predictive Contouring Control for Time-Optimal Quadrotor Flight
University of Zurich（苏黎世大学）
我们解决的问题，飞行时间最优的轨迹，通过多个航路点与四旋翼。最先进的解决方案将问题分为规划任务（生成全局时间最优轨迹）和控制任务（精确跟踪该轨迹）。然而，在当前状态下，生成考虑全四旋翼模型的时间最优轨迹需要通过优化来解决困难的时间分配问题，这在计算上是苛刻的（大约几分钟或甚至几小时）。这不利于在出现骚乱时重新规划。我们通过模型预测轮廓控制（MPCC）同时解决时间分配问题和控制问题来克服这个问题。我们的MPCC最佳选择的未来状态的平台在运行时，同时最大限度地提高沿参考路径的进展，并尽量减少距离。我们表明，即使在跟踪简化的轨迹，建议的MPCC结果在一个路径，接近真正的时间最优的，并可以在实时生成。我们在现实世界中验证了我们的方法，我们表明我们的方法在单圈时间达到60 km/h的速度方面优于当前最先进的和世界级的人类飞行员。
2022-05-04 cs.RO
Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments
提出NEO-Planner，利用神经网络规划器直接从原始传感器观测预测时空参数，为轨迹优化提供知情初始值，减少计算时间并保持轨迹质量，适用于未知环境中的自主无人机导航。
2025-08-08 cs.AI cs.RO
ATRS: Adaptive Trajectory Re-splitting via a Shared Neural Policy for Parallel Optimization
IEEE Robotics and Automation Letters（IEEE机器人与自动化 letters）
ATRS通过共享深度强化学习策略改进并行ADMM循环，实现自适应调整，提升收敛速度和计算效率，适用于大规模离线全局规划和实时在线重规划。
2026-04-24 cs.RO
Dynamic Obstacle Avoidance through Uncertainty-Based Adaptive Planning with Diffusion
Purdue University（普渡大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
提出基于不确定性的自适应生成规划方法，通过动态调整扩散模型的重新规划频率，在保持避障性能的同时减少计算开销，实现更安全的动态环境导航。
2024-09-25 cs.AI cs.LG cs.RO
