Technical Report: A Receding Horizon Algorithm for Informative Path Planning with Temporal Logic Constraints
Boston University（波士顿大学）
本技术报告是2013年IEEE机器人与自动化国际会议（ICRA）上接受的论文“具有时间逻辑约束的信息路径规划的滚动时域算法”的扩展版本。本文认为，在时间逻辑约束下，一个更丰富的约束比以前被认为是在信息收集的传感机器人，找到最翔实的路径的问题。信息路径规划的算法，利用工具，从信息论和正式的控制综合，并证明给一个路径，满足给定的时间逻辑约束。该算法使用滚动时域方法，以提供一个反应，在线解决方案，同时减轻计算复杂性。从多个模拟研究中编译的统计数据表明，该算法比基线穷举搜索方法性能更好。
2013-01-31 cs.RO
Approximate Sequential Optimization for Informative Path Planning
Stanford University（斯坦福大学）
针对图上带长度约束的信息路径规划，提出凸松弛性能界与基于动态规划和定向越野奖励的近似序贯路径构建方法，可扩展至大规模及自适应、多模态、多智能体场景。
2024-10-01 cs.RO
Obstacle-aware Adaptive Informative Path Planning for UAV-based Target Search
Autonomous Systems Lab. (ASL), ETH Zürich（苏黎世联邦理工学院自主系统实验室）；TU Delft（代尔夫特理工大学）
利用无人机（UAV）进行目标搜索是与许多场景相关的问题，例如，搜索和救援（SaR）。然而，一个关键的挑战是规划路径的最大搜索效率给定的飞行时间限制。为了解决这一问题，我们提出了障碍感知自适应信息路径规划（OA-IPP）算法，在杂乱的环境中使用无人机的目标搜索。我们的方法利用分层规划策略，使用高斯过程（GP）为基础的目标占用模型，在连续的3D空间中生成信息路径。在这个框架内，我们引入了一个自适应的重新规划方案，使我们能够权衡信息增益，现场覆盖，传感器性能和碰撞避免有效的目标检测。大量的模拟表明，我们的OA-IPP方法比国家的最先进的规划者表现更好，我们展示了它的应用在一个现实的城市SaR的情况。
2019-02-26 cs.RO
Towards Map-Agnostic Policies for Adaptive Informative Path Planning
针对未知地形信息收集中单一地图表示限制策略适用性的问题，提出一种跨地图表示统一的自适应信息路径规划新方法，使规划策略能高效在线重规划并广泛部署于多样化监测任务。
2025-04-07 cs.RO
Online Informative Path Planning for Active Classification Using UAVs
ETH Zürich（苏黎世联邦理工学院）
在本文中，我们介绍了一个信息化的路径规划（IPP）框架，使用无人机（UAV）的主动分类。我们的算法使用全局视点选择和进化优化的组合，以改善规划的轨迹在连续的三维空间，同时满足动态约束。我们的方法进行了评估的应用杂草检测精准农业。我们使用占用网格对农田中杂草的存在进行建模，并根据信息理论目标生成自适应计划，使无人机能够有效地收集数据。我们通过与现有方法的比较来验证我们的方法，并研究不同规划策略的效果。我们的研究结果表明，该算法建立的地图与传统的“割草机”覆盖率相比，在相同的时间内，熵降低了50%以上。我们展示了规划方案的多旋翼平台与不同的人工农田设置。
2016-09-27 cs.RO
Online Informative Path Planning for Active Classification on UAVs
ETH Zürich, Autonomous Systems Lab（苏黎世联邦理工学院）
针对精准农业中的杂草检测问题，提出了一种基于无人机的主动分类信息路径规划算法。我们使用占用网格对农田中杂草的存在进行建模，并根据信息理论目标生成计划，使无人机能够有效地收集数据。我们使用全局视点选择和进化优化的组合来细化无人机在连续空间中的轨迹，同时满足动态约束。我们验证我们的方法在模拟与标准的“割草机”的覆盖范围进行比较，并研究不同的目标和优化策略的影响。我们计划在不久的将来在一个真实的平台上评估我们的算法。
2016-07-13 cs.RO
TIGRIS: An Informed Sampling-based Algorithm for Informative Path Planning
Carnegie Mellon University（卡内基梅隆大学）
信息化路径规划是机器人技术中一个重要且具有挑战性的问题，仍然需要以一种允许广泛实施和现实世界实际采用的方式来解决。其中的各种原因，一个是缺乏的方法，允许在高维空间和非平凡的传感器约束的信息路径规划。在这项工作中，我们提出了一个基于采样的方法，使我们能够应对大的和高维的搜索空间的挑战。这是通过在高维连续空间中执行知情采样并在奖励估计中沿边缘合并潜在信息增益来完成的。该方法快速生成一个全局路径，最大化的信息增益为给定的路径预算约束。我们讨论了我们的实现的一个例子使用情况下，搜索多个感兴趣的对象在一个大的搜索空间使用一个固定翼无人机与前向摄像头的细节。我们将我们的方法与基于抽样的计划者基线进行比较，并展示了我们的贡献如何使我们的方法始终超过基线18.0%。因此，我们提出了一个实用的和可推广的信息路径规划框架，可用于非常大的环境，有限的预算，和高维搜索空间，如机器人与运动约束或高维配置空间。
2022-10-11 cs.RO
Multi-Robot Informative Path Planning from Regression with Sparse Gaussian Processes (with Appendix)
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对环境监测中的多机器人信息路径规划问题，提出一种基于稀疏高斯过程、用梯度下降优化路径的高效方法，可适配多种环境、约束与机器人配置，在真实数据上验证了快速准确的性能。
2024-03-10 cs.RO
Embodied Active Domain Adaptation for Semantic Segmentation via Informative Path Planning
ETH Zürich（苏黎世联邦理工学院）
这项工作提出了一个具体的代理，可以适应其语义分割网络，以完全自主的方式，以新的室内环境。由于语义分割网络无法很好地推广到看不见的环境，代理收集新环境的图像，然后将其用于自监督领域自适应。我们制定这作为一个信息路径规划问题，并提出了一种新的信息增益，利用从语义模型中提取的不确定性，安全地收集相关数据。随着领域自适应的进展，这些不确定性随着时间的推移而变化，我们系统的快速学习反馈驱动代理收集不同的数据。实验表明，与探索目标相比，我们的方法适应新环境的速度更快，最终性能更高，并且可以成功地部署到物理机器人的真实世界环境中。
2022-07-04 cs.RO
Informative Path Planning for Active Learning in Aerial Semantic Mapping
Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
航空影像的语义分割是测绘和对地观测的重要工具。然而，用于分割的监督式深度学习模型依赖于大量高质量的标记数据，这是劳动密集型的，并且生成耗时。为了解决这个问题，我们提出了一种新的方法，使用无人机（UAV）自动收集有用的数据进行模型训练。我们利用贝叶斯方法来估计模型的不确定性在语义分割。在任务期间，语义预测和模型不确定性被用作地形映射的输入。我们的管道的一个关键方面是将映射模型的不确定性链接到基于主动学习的机器人规划目标。这使我们能够自适应地引导无人机收集信息量最大的地形图像，由人类标记用于模型训练。我们对真实数据的实验评估显示，与静态覆盖路径相比，使用我们的信息规划方法在最大限度地提高模型性能和减少标签工作方面具有优势。
2022-09-02 cs.RO
Informative Path Planning for Active Field Mapping under Localization Uncertainty
ETH Zürich（苏黎世联邦理工学院）；University of Technology Sydney（悉尼科技大学）
信息收集算法在释放机器人在广泛应用中进行高效数据汇集的潜力方面发挥着关键作用。然而，大多数现有的策略忽略了机器人姿势不确定性的基本问题，这是一个隐含的要求，创建强大的，高质量的地图。为了解决这个问题，我们引入了一个信息丰富的规划框架，主动映射，明确占在映射和规划任务的构成不确定性。我们的策略利用高斯过程（GP）模型来捕捉目标环境场的输入上的不确定性。对于规划，我们制定了一个新的效用函数，耦合的本地化和字段映射目标在基于GP的映射方案的原则性的方式，而不依赖于任何手动调整的参数。大量的模拟表明，我们的方法优于现有的策略，减少了平均姿态的不确定性和地图误差。我们还提出了一个室内温度映射方案的概念证明。
2019-12-15 cs.RO
Informative Path Planning of Autonomous Vehicle for Parking Occupancy Estimation
Peking University（北京大学）；University of Michigan（密歇根大学）
针对停车位占用估计中忽略机器人路径规划的问题，提出基于POMDP的自动驾驶车辆信息路径规划方法，通过构建状态转移模型与贝叶斯滤波器，并设计蒙特卡洛贝叶斯滤波树算法生成信息路径，在仿真中有效平衡了最优性与计算效率。
2023-08-01 cs.RO
Informative Path Planning for Location Fingerprint Collection
McMaster University（麦克马斯特大学）
基于指纹的室内定位方法由于所部署的接入点的高可用性以及与商用现成用户设备的兼容性而很有前途。然而，为了训练回归模型用于定位，需要广泛的现场调查以从目标区域收集指纹数据。在本文中，我们考虑的问题，信息路径规划（IPP），以找到最佳的步行现场调查的预算约束。位置指纹收集的IPP与著名的定向问题（OP）有关，但由于基于边缘的非加性奖励和重访，更具挑战性。考虑到IPP的NP难性，我们提出了两种启发式算法：贪心算法和遗传算法。我们通过实验数据收集从两个室内环境具有不同的特点，这两种算法具有较低的计算复杂度，一般可以实现更高的实用性和更低的定位误差相比，两个国家的最先进的方法OP的扩展。
2018-11-27 cs.RO
Informative path planning for scalar dynamic reconstruction using coregionalized Gaussian processes and a spatiotemporal kernel
University of California, Merced（加州大学默塞德分校）
本文提出一种基于协同区域化高斯过程和时空复合核的动态标量场信息路径规划新方法，相比未考虑时间维度的传统方法，能更准确估计时空变化的标量场，且易于集成至现有IPP算法。
2023-09-13 cs.RO
Beyond Shortsighted Navigation: Merging Best View Trajectory Planning with Robot Navigation
提出连续长时程视角规划（LHVP）框架，通过耦合机械臂相机视角与移动底座导航规划，优化四足机器人巡视时的环境覆盖率，显著优于传统巡视方法。
2024-08-22 cs.RO
Informative Path Planning and Mapping with Multiple UAVs in Wind Fields
KAIST（韩国科学技术院）
信息路径规划（IPP）用于为机器人传感器平台设计路径，以在一组约束条件（例如车辆的动态可行性）下操作时提取有关感兴趣数量的最佳/最大可能信息。IPP的关键挑战是多层决策的强耦合：选择要访问的位置，将传感器平台分配到这些位置;以及处理沿路径收集的信息。本文提出了一个系统的程序IPP和环境测绘使用多个无人机传感器平台。它（a）选择最佳观测位置，（b）计算成本并为每个UAV找到最佳路径，以及（c）使用高斯过程（GP）回归框架估计给定区域内的测量值。射频强度场映射的一个说明性的例子来证明所提出的方法的有效性和适用性。
2016-10-05 cs.RO
Provably Safe Stein Variational Clarity-Aware Informative Planning
University of Michigan（密歇根大学）；Embry-Riddle Aeronautical University（安柏瑞德航空大学）
针对自主机器人信息收集任务中信息非均匀衰减及安全约束问题，提出嵌入清晰度动态、结合底层安全过滤机制的Stein变分清晰度感知信息规划框架，实验证明其安全一致且能减少信息赤字。
2025-11-13 cs.RO
Velocity Field: An Informative Traveling Cost Representation for Trajectory Planning
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深港协同创新研究院）
针对自动驾驶轨迹规划难以穷尽设计规则的问题，提出名为 Velocity Field 的局部地图表示方法，通过学习人类驾驶示范提供朝向与速度先验，在真实数据集上比栅格化代价地图更可靠高效。
2024-09-20 cs.RO
Hierarchical Informative Path Planning via Graph Guidance and Trajectory Optimization
Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系）；National Research Council Canada（加拿大国家研究理事会）
本文提出一种分层信息路径规划方法，结合图引导和轨迹优化，通过分段预算分配和样条细化，实现更低的后验不确定性与更快的运行速度。
2026-01-23 cs.RO
Probabilistically Resilient Multi-Robot Informative Path Planning
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在本文中，我们解决了多机器人信息路径规划（MIPP）任务的影响下，不确定的通信和对抗性攻击。我们的目标是创建一个多机器人系统，可以学习和统一的知识，一个未知的环境，尽管存在的损坏的机器人共享恶意信息。我们使用高斯过程（GP）来模拟我们的未知环境，并使用互信息的度量来定义信息量。我们的MIPP任务的目标是最大限度地提高团队收集的信息量，同时最大限度地提高抵御攻击的可能性。不幸的是，这些目标是不一致的，特别是在探索大型环境时，需要断开机器人之间的连接。因此，我们施加了一个概率通信约束，允许机器人间歇性地和弹性地共享信息，然后采取行动，以最大限度地收集信息在所有其他时间。为了解决我们的问题，我们选择具有最高弹性概率的会议地点，并使用顺序贪心算法来优化机器人探索的路径。最后，我们通过比较行为良好的机器人应用弹性与非弹性MIPP算法的学习能力，证明了我们的结果的有效性。
2022-06-23 cs.RO
Informative Path Planning to Estimate Quantiles for Environmental Analysis
对研究自然现象感兴趣的科学家经常从环境中的位置获取物理标本以供日后分析。这些分析位置通常由专家指定。相反，我们建议使用机器人进行信息丰富的路径规划调查，选择科学分析的位置。该调查产生与感兴趣现象的分位数值对应的位置列表。我们开发了一个机器人规划器，使用新的目标函数，以提高随着时间的推移的分位数值的估计和一种方法来找到对应的分位数值的位置。我们测试我们的方法在四个不同的环境中使用以前收集的水生数据，并验证它在现场试验。我们提出的方法来估计分位数有一个10.2%的平均减少中位误差相比，基线的方法，试图最大限度地提高空间覆盖率。此外，当在环境中定位这些值时，与基线相比，使用交叉熵与我们的损失函数时，我们看到中值误差平均减少了15.7%。
2022-06-02 cs.RO
MPPI-based Informative Trajectory Planning for Search and Capture of Drifting Targets with ASVs
Norwegian University of Science and Technology (NTNU)（挪威科技大学）；TU Delft（代尔夫特理工大学）
针对自主水面艇在动态环境中搜索并捕获多个漂移目标的问题，提出一种基于模型预测路径积分（MPPI）控制的混合规划框架，通过优化长时域连续轨迹平衡搜索与跟踪，并在拦截阶段切换至纯追踪制导，实验验证了有效性。
2026-10-27 cs.RO
Efficient Non-Myopic Layered Bayesian Optimization For Large-Scale Bathymetric Informative Path Planning
Division of Robotics, Perception and Learning（机器人、感知与学习分部）；Division of Naval Architecture（造船分部）；Digital Futures at KTH Royal Institute of Technology（瑞典皇家理工学院数字未来中心）；KTH Royal Institute of Technology（瑞典皇家理工学院）
针对AUV大规模测深信息路径规划中现有贝叶斯优化方法短视且计算量大的问题，提出一种两层非近视贝叶斯优化方法，在随机变分GP地图上以树搜索实现实时规划，并在真实测深硬件在环实验中优于割草式路径和近视基线。
2024-10-21 cs.RO
IA-TIGRIS: An Incremental and Adaptive Sampling-Based Planner for Online Informative Path Planning
Robotics Institute, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所）；Department of Mechanical Engineering, Brigham Young University（杨百翰大学机械工程系）
本文提出IA-TIGRIS，一种用于实时任务的增量和自适应采样路径规划方法，通过增量优化和动态更新信念地图，提升信息获取效率，实验证明其在无人机应用中信息增益提升达38%。
2026-04-01 cs.RO
An informative path planning framework for UAV-based terrain monitoring
University of Technology, Sydney（悉尼科技大学）；ETH Zürich（苏黎世联邦理工学院）
无人机（UAV）代表了广泛的监测和研究应用的新领域。为了充分发挥其潜力，一个关键的挑战是规划任务，以便在复杂的环境中有效地获取数据采集。为了解决这个问题，本文介绍了一个通用的信息路径规划（IPP）框架，用于使用空中机器人监控场景，重点是传感器信息的值在目标区域中分布不均匀，先验未知的问题。该方法是能够学习和关注感兴趣的区域，通过适应映射离散或连续变量的地形上使用可变分辨率的数据从概率传感器。在任务期间，在线构建的地形图通过优化粗网格搜索获得的初始解来规划连续3D空间中信息丰富的轨迹。大量的模拟表明，我们的方法是更有效的比现有的方法。我们还展示了它的实时应用程序的真实感地图的情况下，使用公开的数据集，并证明了概念的农业监测任务。
2020-01-09 cs.RO
Bayesian Networks for Path-Based Sensors: Gathering Information and Path Planning in Communication Denied Environments
University of Maryland, College Park, MD, US.（美国马里兰大学学院公园分校）；Temple University, Philadelphia, PA, US.（美国 Temple 大学）；Colorado School of Mines, Golden, CO, US.（科罗拉多矿业学院）；U.S. Naval Research Lab (Retired), DC, US.（美国海军研究实验室（退休））
本文提出了一种基于贝叶斯网络的更新方法，用于在通信受限环境中通过路径传感器提升信念图的收敛速度，并考虑了假阳性和假阴性问题。
2026-08-25 cs.RO
Multiresolution Mapping and Informative Path Planning for UAV-based Terrain Monitoring
ETH Zürich（苏黎世联邦理工学院）；University of Technology, Sydney（悉尼科技大学）
无人机（UAV）可以提供及时且具有成本效益的高质量传感数据交付。然而，在复杂的环境中决定何时何地进行测量仍然是一个公开的挑战.为了解决这个问题，我们引入了一个新的多分辨率映射方法，在地形监测使用无人机的信息路径规划。我们的策略利用编码在高斯过程模型中的空间相关性作为先验概率传感器的贝叶斯数据融合。这使我们能够将高度相关的传感器模型用于航空成像，并执行恒定时间的测量更新。由此产生的地图被用来规划信息丰富的轨迹在连续的3-D空间，通过网格搜索和进化优化的组合。我们评估我们的框架在农业生物量监测的应用。广泛的模拟表明，我们的规划器比现有的方法表现更好，与传统的“割草机”覆盖率相比，平均误差减少高达45%。我们演示了使用多旋翼在不同环境中映射颜色的概念证明。
2017-03-08 cs.RO
Learning-based Methods for Adaptive Informative Path Planning
TU Delft（代尔夫特理工大学）；University of Bonn（波恩大学）；Stanford University（斯坦福大学）
本文综述了基于学习的方法在自适应信息路径规划（AIPP）中的应用，提出了统一数学框架和两种互补分类法，探讨了学习算法与机器人应用的协同作用，并指出了关键挑战与未来方向。
2024-07-23 cs.RO
Informative Path Planning for Mobile Sensing with Reinforcement Learning
Department of Computing and Software, McMaster University（麦克马斯特大学计算机与软件工程系）；McMaster University（麦克马斯特大学）；Department of Computing and Software（计算机与软件工程系）
大规模空间数据，如空气质量、热条件和位置特征，在各种应用中发挥着至关重要的作用。手动收集这些数据可能是繁琐和劳动密集型的。随着机器人技术的进步，使用具有传感和导航能力的移动机器人来自动化这些任务是可行的。然而，由于有限的电池寿命和稀缺的充电站，它是重要的规划路径的机器人，最大限度地利用数据汇集，也被称为信息路径规划（IPP）问题。在本文中，我们提出了一种新的IPP算法使用强化学习（RL）。一个受约束的探索和开发策略的设计，以解决IPP的独特挑战，并被证明具有快速收敛和更好的最优性比经典的强化学习方法。大量的实验使用真实世界的测量数据表明，该算法优于国家的最先进的算法在大多数测试情况下。有趣的是，不像现有的解决方案，必须重新执行时，任何输入参数的变化，我们的基于RL的解决方案允许一定程度的跨不同的问题实例的可转移性。
2020-02-18 cs.RO
Trajectory Optimization for Adaptive Informative Path Planning with Multimodal Sensing
Stanford University（斯坦福大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
研究多模态感知自主智能体在资源约束下的自适应信息路径规划问题，提出基于投影的轨迹优化方法以降低高斯过程世界信念方差，在长时程轨迹中方差降低达85%，均方根误差降低50%，支持NASA VIPER任务。
2024-04-29 cs.RO
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
LIPP: Load-Aware Informative Path Planning with Physical Sampling
University of Southern California（南加州大学）
研究针对物理样本采集场景中信息增益与负载相关遍历成本耦合问题，提出负载感知信息路径规划（LIPP），将其制定为混合整数二次规划，推导理论界限，经模拟验证其随样本质量增加能提升单位能量的不确定性降低能力。
2026-07-08 cs.RO
Adaptive Informative Path Planning Using Deep Reinforcement Learning for UAV-based Active Sensing
University of Bonn（波恩大学）
空中机器人越来越多地用于环境监测和勘探。然而，一个关键的挑战是有效地规划路径，以最大限度地提高所获得的数据的信息价值，作为一个最初未知的环境进行探索。为了解决这个问题，我们提出了一种新的方法，信息路径规划的基础上深度强化学习（RL）。结合RL和机器人应用的最新进展，我们的方法将树搜索与离线学习的神经网络相结合，预测信息传感动作。我们介绍了几个组件，使我们的方法适用于机器人任务与高维状态和大动作空间。通过在任务期间部署经过训练的网络，我们的方法可以在计算资源有限的平台上实现样本高效的在线重新规划。仿真结果表明，我们的方法与现有方法相比，运行时间减少了8- 10倍。我们使用真实世界的表面温度数据验证其性能。
2022-03-03 cs.LG cs.RO
DIFF-IPPO: Diffusion-Based Informative Path Planning with Open-Vocabulary Belief Maps
Intelligent Space Robotics Laboratory, CDE, Skoltech（智能空间机器人实验室，CDE，斯科尔科沃科学技术研究院）
提出DIFF-IPPO框架，结合开放词汇信念地图生成器与扩散规划器，在非高斯信念图上生成全局轨迹，实现高效目标搜索，检测得分达81.49%-86.55%。
2026-06-19 cs.RO
Sequential Bayesian Optimization for Adaptive Informative Path Planning with Multimodal Sensing
Stanford University（斯坦福大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
自适应信息路径规划与多模态传感器（AIPPMS）考虑的问题，配备多个传感器，每个传感器具有不同的传感精度和能源成本的代理。智能体的目标是在未知的、部分可观测的环境中探索环境并收集受其资源约束的信息。以前的工作集中在不太一般的自适应信息路径规划（AIPP）的问题，它只考虑代理的运动对收到的意见的影响。AIPPMS问题增加了额外的复杂性，要求代理的原因，共同的影响，传感和运动，同时平衡资源约束与信息目标。我们制定的AIPPMS问题作为一个信念马尔可夫决策过程与高斯过程的信念，并解决它使用一个连续的贝叶斯优化方法与在线规划。我们的方法始终优于以前的AIPPMS解决方案，几乎在每个实验中获得的平均奖励增加了一倍以上，同时还将环境信念的均方根误差降低了50%。我们完全开源我们的实现，以帮助进一步的开发和比较。
2022-09-16 cs.AI cs.RO
Attention-based Learning for 3D Informative Path Planning
Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore（新加坡国立大学机械工程系、设计与工程学院）
提出基于注意力的深度强化学习方法，利用全局空间依赖建模和上下文信念表示指导三维自适应IPP，在有限预算内更有效降低不确定性并泛化到不同规模环境。
2025-06-10 cs.RO
Optimal Path Planning under Temporal Logic Constraints
Massachusetts Institute of Technology（麻省理工学院）；Boston University（波士顿大学）；Masaryk University（马萨里克大学）
在本文中，我们提出了一种方法，自动生成最佳的机器人轨迹满足高层次的任务规范。机器人在环境中的运动被建模为一般的过渡系统，增强加权过渡。任务由一般线性时序逻辑公式指定。此外，我们要求一个优化命题必须反复满足。我们寻求最小化的成本函数是满足优化命题的实例之间的最大时间。对于每个环境模型和每个公式，我们的方法计算机器人轨迹，使成本函数最小化。这个问题是由机器人监控和数据收集中的应用引起的。在这种情况下，优化命题在数据可以上传的所有位置都得到满足，整个公式指定了一个复杂的（和无限的地平线）数据汇集任务。我们的方法利用Büchi自动机产生一个自动机（它可以被认为是一个图），其运行满足时序逻辑规范。然后，我们提出了一个图形算法，计算出相应的最佳机器人轨迹的路径。我们还提出了一个机器人在道路网络中执行数据收集任务的实现。
2010-07-15 cs.RO
Waterberry Farms: A Novel Benchmark For Informative Path Planning
University of North Florida（北佛罗里达大学）；University of Central Florida（中佛罗里达大学）
本文提出Waterberry Farms基准（WBF），模拟佛罗里达农场精准农业场景，捕捉病害传播和土壤湿度动态，用于评估路径规划与估计算法组合的性能。
2023-05-10 cs.RO
MA-LIPP: Cooperative Multi-Agent Load-Aware Informative Path Planning for Heterogeneous Robot Teams
University of Southern California（南加州大学）
针对异构多机器人团队在负载感知信息路径规划中的协调难题，提出MA-LIPP框架，通过异步“秘密投放”实现协作，结合精确MIQP与可扩展LNS启发式算法，在95.5%案例中达到最优并显著降低不确定性。
2026-09-21 cs.RO
ReSPIRe: Informative and Reusable Belief Tree Search for Robot Probabilistic Search and Tracking in Unknown Environments
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院）
ReSPIRe通过分层粒子结构和可重用信念树搜索，在未知环境中实现高效且稳定的机器人目标搜索与跟踪。
2025-12-31 cs.RO
ASPIRe: An Informative Trajectory Planner with Mutual Information Approximation for Target Search and Tracking
College of Engineering, Peking University（北京大学工学院）；Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院）
针对受限视场杂乱环境中的移动目标搜索与跟踪问题，提出 ASPIRe，用 sigma 点近似非高斯信念的互信息，并通过 APFT 自适应规划时域，实现实时且更高效、更精确的轨迹规划。
2024-03-04 cs.RO
An Informative Path Planning Framework for Active Learning in UAV-based Semantic Mapping
University of Oxford（牛津大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
提出一种面向无人机语义建图的主动学习信息路径规划框架，融合多种采集函数到概率地图中，指导无人机自主获取信息丰富的图像以再训练模型，实验表明能最大化模型性能并大幅减少标注工作量。
2023-09-06 cs.LG cs.RO
Intent-based Deep Reinforcement Learning for Multi-agent Informative Path Planning
National University of Singapore（新加坡国立大学）
针对多智能体信息路径规划中预测动作不匹配导致性能下降的问题，提出基于意图共享和注意力机制的深度强化学习方法，有效提升协作与信息增益。
2023-10-24 cs.RO
AID: Agent Intent from Diffusion for Multi-Agent Informative Path Planning
Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系）
本文提出AID框架，利用扩散模型生成非自回归长时轨迹，通过行为克隆和强化学习优化，提升多代理信息路径规划效率与信息获取能力。
2026-04-30 cs.RO
Informative Path Planning with Guaranteed Estimation Uncertainty
Texas A&M University（德克萨斯大学）；Indian Institute of Technology Bombay（孟买印度理工学院）；University of North Carolina at Charlotte（夏洛特北卡罗来纳大学）
提出一种三阶段方法，通过高斯过程模型将不确定性约束转化为覆盖图，并规划近最短路径，在复杂环境中实现具有保证估计不确定性的信息性路径规划。
2026-05-26 cs.RO
DyPNIPP: Predicting Environment Dynamics for RL-based Robust Informative Path Planning
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Georgia Institute of Technology（佐治亚理工学院）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出 DyPNIPP 框架，通过域随机化和动态预测模型提升基于强化学习的信息路径规划在动态时空环境中的鲁棒性，并在野火环境中验证其优于现有方法。
2024-10-22 cs.AI cs.RO
Efficient View Path Planning for Autonomous Implicit Reconstruction
Zhejiang University（浙江大学）；NetEase（网易）
隐式神经表征在三维场景重建中显示出了巨大的潜力。最近的工作将其应用于自主三维重建的学习信息增益的视图路径规划。虽然它是有效的，但信息增益的计算是昂贵的，并且与使用体积表示相比，使用3D点的隐式表示的碰撞检查要慢得多。在本文中，我们建议1）利用神经网络作为信息增益场的隐式函数逼近器，2）将隐式细粒度表示与粗体积表示相结合以提高效率。进一步提高效率，我们提出了一种新的信息路径规划的基础上，基于图的规划器。我们的方法表现出显着的改进，重建质量和规划效率相比，自主重建隐式和显式表示。实验结果表明，该方法能够规划出信息丰富的视图，重建出高质量的场景。
2022-09-27 cs.RO
On Sensing, Agility, and Computation Requirements for a Data-gathering Agile Robotic Vehicle
本文研究了机器人车辆在未知数据源位置下收集信息的性能，分析了感知、敏捷性和计算能力对信息获取的影响，提出了理论结果和实验验证。
2017-04-07 cs.RO cs.SY eess.SY
A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner
Department of Electronic Engineering, University of Sevilla（电子工程系，塞维利亚大学）
本文提出GuadalPlanner，通过统一架构实现信息路径规划算法在仿真与现实部署间的无缝衔接，支持多种环境和策略，提升算法评估的一致性与可扩展性。
2026-02-11 cs.LG cs.RO cs.SE
OffRIPP: Offline RL-based Informative Path Planning
Indian Institute of Technology Madras（马德拉斯印度理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Georgia Institute of Technology（佐治亚理工学院）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
提出基于离线强化学习的IPP框架OffRIPP，利用批量约束RL缓解外推误差，在无需实时交互下优化信息增益，兼具安全性与高效性，实验证明其优于基线方法。
2024-09-25 cs.AI cs.RO
Informative Path Planning to Explore and Map Unknown Planetary Surfaces with Gaussian Processes
University of Hawaii（夏威夷大学）
针对未知环境探索缺乏最优性保证的问题，研究提出基于高斯过程的信息路径规划算法，对比传统开环覆盖方法，经多场景验证其在模型误差、行进距离和收敛性上更具优势。
2025-03-20 cs.IR cs.LG cs.RO
Traversing Mars: Cooperative Informative Path Planning to Efficiently Navigate Unknown Scenes
Autonomous Systems Lab, ETH Zürich（苏黎世联邦理工学院自主系统实验室）；Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（德国航空航天中心机器人与机电一体化研究所）；Massachusetts Institute of Technology（麻省理工学院）
本文提出一种协作式信息路径规划框架，利用MAV侦察机器人为火星车等跟随机器人高效探索最小代价路径，理论保证算法总能终止并找到最优路径，实验表明其比现有方法更快找到最优路径并更快终止。
2024-06-12 cs.RO
An Efficient Sampling-based Method for Online Informative Path Planning in Unknown Environments
ETH Zürich（苏黎世联邦理工学院）；The University of Sydney（悉尼大学）
在线规划信息路径的能力对机器人自主性至关重要。特别是，经常使用基于采样的方法，因为它们能够使用任意的信息增益公式。然而，它们倾向于局部最小值，导致次优轨迹，并且有时达不到全局覆盖。在本文中，我们提出了一个新的RRT* 启发式的在线信息路径规划算法。我们的方法不断扩展候选轨迹的单个树，并重新连接段以维护树并细化中间轨迹。这使得算法能够实现全局覆盖，并使用单个目标函数在全局上下文中最大化路径的效用。我们展示了该算法的能力，在自主室内探索的应用程序，以及准确的截断符号距离场（TSDF）为基础的3D重建板上的微型飞行器（MAV）。我们研究了常用的信息增益和成本公式在这些情况下的影响，并提出了一种新的基于TSDF的三维重建增益和成本效用公式。在现实的仿真环境中的详细评估表明，我们的方法在这些任务中优于最先进的方法。一个真正的MAV上的实验证明了我们的方法鲁棒实时规划的能力，探索室内环境，仅与板载传感和计算。我们为未来的研究提供我们的框架。
2020-01-14 cs.CV cs.RO
Adaptive Selection of Informative Path Planning Strategies via Reinforcement Learning
Lincoln Institute for Agri-food Technology, University of Lincoln（林肯大学农业食品技术林肯研究所）
在我们以前的工作中，我们设计了一个系统的政策，优先采样位置，导致空间插值的精度显着提高，通过使用高斯过程回归（GPR）的预测不确定性作为“吸引力”部署机器人的路径规划。虽然与旅行商问题（TSP）求解器的集成也显示出产生相对较短的旅行距离，但我们在这里假设了几个因素，这些因素也可能降低整体预测精度，因为次优位置最终可能包含在其路径中。为了解决这个问题，在本文中，我们首先探索“本地规划”的方法，采用各种空间范围内的下一个采样位置的优先级，调查其对预测性能的影响，以及所产生的旅行距离。此外，基于强化学习（RL）的高级控制器被训练为从特定的局部规划器集合自适应地产生混合计划，以根据最新的预测状态从该选择中继承独特的优势。我们对温度监测机器人用例的实验表明，规划者的动态混合不仅可以生成单个规划者无法单独创建的复杂的、信息丰富的计划，而且还可以确保在不牺牲预测可靠性的情况下显著减少旅行距离，而无需任何额外的最短路径计算模块的帮助。
2021-08-14 cs.AI cs.LG cs.RO
