Online Motion Planning based on Nonlinear Model Predictive Control with Non-Euclidean Rotation Groups
TU Dortmund University（多特蒙德工业大学）
提出了一种基于非线性模型预测控制的机器人在线运动规划方法。常见的方法依赖于纯欧几里德优化参数。然而，在机器人导航中，状态空间通常包括跨越非欧几里德旋转组的旋转分量。所提出的方法适用于非线性增量和差分算子在整个优化方案，明确考虑这些群体。实现包括但不限于二次型和时间最优目标。一个复杂的停车场景的运动自行车模型证明了该方法的有效性和实际意义。在更简单的机器人（例如差动驱动）的情况下，在层次规划设置中的比较分析揭示了可比的计算时间和性能。该方法可在模块化和高度可配置的开源C++软件框架中使用。
2020-06-05 cs.RO cs.SY eess.SY
Voxblox: Incremental 3D Euclidean Signed Distance Fields for On-Board MAV Planning
ETH Zürich（苏黎世联邦理工学院）
微型飞行器（MAV）在非结构化的、未探索的环境中运行，需要快速灵活的本地规划，当探索地图的新部分时可以重新规划。轨迹优化方法满足这些需求，但需要障碍物距离信息，这可以通过欧几里德符号距离场（ESDF）给出。我们提出了一种方法来逐步建立ESDFs从截断符号距离场（TSDF），一种常见的隐式表面表示在计算机图形学和视觉。TSDF可以快速构建和平滑许多观测结果中的传感器噪声，并设计用于生成表面网格。网格允许人类操作员更好地评估机器人的环境，并设定高级别的任务目标。我们表明，我们可以更快地建立TSDF比Octomaps，它是更准确地建立ESDFs的TSDF比占用地图。我们的完整系统称为voxblox，将作为开源软件提供，并在单个CPU核心上实时运行。我们验证我们的方法上的微型飞行器，通过使用我们的系统与轨迹优化本地规划，完全在船上和实时。
2017-04-21 cs.RO
Non-Euclidean Motion Planning with Graphs of Geodesically-Convex Sets
Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）
本文提出将构型空间建模为黎曼流形，通过归约将零曲率情形转化为混合整数凸优化问题，从而在非欧几里得空间中实现全局最优运动规划，并在PR2等平台上验证了高效无碰撞轨迹生成。
2023-05-11 cs.RO
Geometry-Aware Sampling-Based Motion Planning on Riemannian Manifolds
Institute for Aerospace Studies, University of Toronto（航空航天研究 institute，多伦多大学）
本文提出基于采样的运动规划框架，直接在黎曼流形上操作，利用黎曼几何距离近似和自然梯度引导局部规划，实验证明其在非欧几里得几何下能生成更优轨迹。
2026-08-06 cs.RO
Parametrized motion planning and topological complexity
Queen Mary University of London（伦敦玛丽女王大学）；The University of Chicago（芝加哥大学）
在本文中，我们研究的参数化运动规划算法，提供了通用的和灵活的解决方案，以不同的运动规划问题。这种算法旨在在各种外部条件下起作用，这些外部条件被视为参数并用作算法的输入的一部分。继续最近的一篇论文，我们进一步研究了参数化拓扑复杂性的概念。我们详细分析了在欧几里得空间中存在多个障碍物的情况下控制一群机器人的问题，这为我们提供了一个自然的激励例子。我们提出了一个显式参数化的运动规划算法，解决了任何数量的机器人和障碍物的运动规划问题。该算法是最优的，它对任意d个奇数具有最小可能的拓扑复杂度。此外，我们描述了一个修改的算法，这是最佳的d甚至。利用Stiefel-Whitney特征类分析了球丛的参数化拓扑复杂性.
2022-02-23 cs.RO math.AT
Path Homotopy Invariants and their Application to Optimal Trajectory Planning
Lehigh University（理海大学）；University of Pennsylvania（宾夕法尼亚大学）
考虑给定环境下不同同伦类的最优路径规划问题。虽然在机器人应用中很重要，但在机器人文献中，带有轨迹同伦类推理的路径规划通常集中在欧几里得平面的子集上。在更一般的配置空间中找到不同同伦类中的最佳轨迹（甚至描述这种轨迹的同伦类）的问题可能是困难的。在本文中，我们提出了自动化的解决方案，这个问题在几个一般类的配置空间，通过构建基本组的介绍，并给出算法，解决\emph{word problem}在这样的群体。我们给出了适用于3-空间中的纽结和链环补的明确结果，讨论了如何扩展到任意维度的圆柱删除协调空间，并且还给出了在欧几里得平面上导航的机器人协调空间中的结果。
2017-10-08 cs.RO math.GR
Induced Riemannian Metrics for Motion Planning with Constraints
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）；Massachusetts Institute of Technology Computer Science and Artificial Intelligence Laboratory (MIT CSAIL)（麻省理工学院计算机科学与人工智能实验室）
针对约束运动规划，提出使用子流形从构型空间继承的诱导度量来测量路径长度，使隐式与显式表示产生相同几何，并将黎曼度量规划扩展到约束子流形，实验验证于双臂操作。
2026-09-23 cs.RO
Efficient Collision Detection for Long and Slender Robotic Links in Euclidean Distance Fields: Application to a Forestry Crane
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长细机械臂的高效碰撞检测算法，通过利用其细长结构提升运动规划效率，适用于林业起重机等大尺寸机械臂的应用。
2025-07-02 cs.RO
Improved Soft Duplicate Detection in Search-Based Motion Planning
Department of Computer Science, Texas State University（德克萨斯州立大学计算机科学系）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
基于搜索的技术已经在运动规划问题中取得了巨大的成功，例如通过离散化状态空间和预先计算运动基元的机器人导航。然而，在具有复杂动态约束的领域中，在离散状态空间中构造运动基元是不平凡的。这需要在连续空间中操作，这对于基于搜索的规划者来说可能是一个挑战，因为他们可能会陷入局部极小区域。以前在连续空间中规划的工作引入了软重复检测，其需要搜索来计算相对于先前看到的状态的状态的重复性，以避免探索可能是重复的状态，特别是在局部极小区域中。他们提出了一个简单的度量，利用状态之间的欧几里得距离和障碍物的接近度来计算重复性。在本文中，我们改进了这个度量引入一个kinodynamically知情的度量，子树重叠，两个国家之间的相似性，可以在一个固定的时间范围内使用kinodynamic运动原语达到他们的继任者。这捕获了这样的直觉：由于机器人动力学，重复状态可以在欧几里得距离上很远，并且导致非常相似的后继状态，而非重复状态可以很近，并且导致非常不同的后继状态。
2021-09-25 cs.RO
Generalizing Informed Sampling for Asymptotically Optimal Sampling-based Kinodynamic Planning via Markov Chain Monte Carlo
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
渐进最优运动规划器（如RRT*）已被证明可以逐步逼近起始状态和目标状态之间的最短路径。一旦找到初始解，通过将后续样本限制到可能改善当前解的状态空间区域，可以显着改善其性能。当运动规划问题位于欧几里德空间中时，可以直接对该区域$X_{inf}$（称为信息集）进行采样。然而，当在非欧几里德状态空间中规划微分约束时，不存在直接采样$X_{inf}$的解析解。在这种域中对$X_{inf}$进行采样的现有技术方法（例如分层拒绝采样（HRS））在高维状态空间中可能仍然很慢。这可能会导致规划算法花费其大部分时间试图产生样本在$X_{inf}$，而不是探索it.In本文中，我们提出了一种替代方法来产生样本的通知集$X_{inf}$的设置范围很广。我们的主要见解是重铸这个问题作为一个采样均匀内的子水平集的隐式非凸函数。这种重新设计使我们能够应用蒙特卡洛抽样方法，在机器学习和优化社区中非常有效地使用，以解决我们的问题。我们表明，使用我们的采样器可以加快收敛速度，在高维问题的高质量的解决方案，在广泛的情况下。
2017-10-17 cs.RO
Topological Robotics: Subspace Arrangements and Collision Free Motion Planning
本文研究拓扑机器人的一个基本问题：一组不同的$n$粒子的集体运动，其中一个粒子必须从一个初始构型移动到一个最终构型，要求在运动过程中不发生碰撞。最终的目标是构建一个算法，一旦初始和最终的配置是给定的，将执行此任务。这就归结为一个拓扑问题：求\R^m中$n$不同有序粒子的构形空间C_n（\R^m）的拓扑复杂度TC（C_n（\R^m））.我们对m=2（平面情形）和所有奇数m（包括m=3的情形（三维空间中的粒子））解决了这个问题。我们还研究了欧几里得空间中以超平面排列为障碍的更一般的运动规划问题。
2002-10-08 cs.RO math.AT math.DG
A-star path planning simulation for UAS Traffic Management (UTM) application
Aeronautics Institute of Technology (ITA)（航空技术研究所（ITA））
本文介绍了一个机器人操作系统和Gazebo应用程序，通过开发新的ROS包并与开源工具一起执行，来计算和模拟城市环境中无人机的最佳路线。首先，介绍了无人机系统的相关法规，为无人机系统仿真环境的构建提供指导，并对多种路径规划算法进行了综述，为无人机系统搜索方法的选择提供指导。在选择了A-star算法的基础上，本文分别采用曼哈顿距离和欧氏距离算法实现了A-star算法的二维和三维版本。这些算法的性能进行了评估，考虑到无人机覆盖的距离和路线规划方法的执行时间，旨在支持算法的选择的基础上，它将被应用的环境。当对2D和3D A-star算法使用欧几里德距离时，算法执行时间分别增加3.2和17.2。在分析算法性能的同时，本文也是利用ROS和Gazebo构建一个完整的UAS交通管理系统仿真的第一步。
2021-07-27 cs.RO cs.SY eess.SY
RIT*: Riemannian Informed Trees for Cost-Adaptive Optimal Motion Planning
Center for Autonomous Robotic Systems, Khalifa University（哈利法大学自主机器人系统中心）；Institute of Industrial and Control Engineering, Universitat Politècnica de Catalunya（加泰罗尼亚理工大学工业与控制工程研究所）
该研究提出RIT*规划框架，以黎曼原语替代批量知情搜索的欧几里得原语，结合CARM优化度量，在高维各向异性运动规划中显著降低成本，性能优于BIT*等基准方法。
2026-08-04 cs.RO
An Efficient Approach to Communication-aware Path Planning for Long-range Surveillance Missions undertaken by UAVs
在使用无人机进行远程监视任务时，必须进行车辆的路径规划，因为这些是无人驾驶车辆。路径规划，无论是离线还是在线，都需要将路径设置为3D欧几里得空间中的一系列位置，其坐标恰好是纬度，经度和高度。对于非城市地形中长线性基础设施的远程监视的特定应用，连续3D-ESP问题实际上需要两个重要的标量成本。第一个标量成本是沿着计划路径行驶的距离。由于无人机是电池供电的，因此需要在任何代价下，任务的固定起始位置和目标位置之间的路径长度都应最小。另一个标量成本是在远程监视任务期间通过安装在无人机腹部的摄像头传输获取的视频的成本。由于监控目标的长度是长的线性基础设施，因此生成的视频量非常高，并且通常不能完整地存储在船上。如果沿原始路径的某些段的连接性较差，为了提高视频传输速率，信号的传输功率保持较高，这反过来又消耗更多的电池能量。因此，需要一种同时也改善了所谓的通信成本的路径。这两个成本权衡，因此需要帕累托优化这个三维双目标欧氏最短路径问题。在这份报告中，我们研究了单目标离线路径规划问题，基于距离成本，而提出的通信成本作为一个上限约束。最后给出了双目标路径规划的解决方案。
2017-07-14 cs.RO
Sampling-free obstacle gradients and reactive planning in Neural Radiance Fields (NeRF)
ETH Zurich（苏黎世联邦理工学院）
这项工作研究了神经隐式表示（特别是神经辐射场（NeRF））在几何查询和运动规划中的使用。我们表明，通过将推断半径内占用的能力添加到预先训练的NeRF中，我们有效地学习了对欧几里得符号距离场（ESDF）的近似。使用后向差分的增强网络，我们得到一个障碍梯度，集成到一个避障策略的基础上的黎曼运动策略（RMP）的框架。因此，我们的研究结果允许非常快速的采样自由避障规划的隐式表示。
2022-05-03 cs.CV cs.RO
Efficient Probabilistic Planning with Maximum-Coverage Distributionally Robust Backward Reachable Trees
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, Cambridge MA 02139（Draper，剑桥MA 02139）
本文提出两种针对线性高斯系统的多查询运动规划算法，利用分布鲁棒后向可达树和新型模糊集公式，实现高概率到达目标区域，并证明在特定条件下达到最大或更优覆盖，通过仿真验证有效性。
2025-10-06 cs.RO cs.SY eess.SY
An RRT* algorithm based on Riemannian metric model for optimal path planning
School of Mathematics and Statistics（数学与统计学学院）；Huazhong University of Science and Technology（华中科技大学）；Hubei Key Laboratory of Engineering Modeling and Scientific Computing（湖北省工程建模与科学计算重点实验室）
本文提出RRT*-R算法，通过在高维二维子流形的投影平面上构造反映环境信息的黎曼度量，将高维最优路径规划转化为二维几何问题，实验表明其路径更平滑、更接近理论最小测地距离。
2025-07-02 cs.RO math.OC
AM-RRT*: Informed Sampling-based Planning with Assisting Metric
University of Oxford（牛津大学）；Ocado Technology（奥卡多科技公司）
在本文中，我们提出了一种新的算法，扩展RRT* 和RT-RRT* 的在线路径规划在复杂的，动态的环境。基于采样的方法通常在具有狭窄通道的环境中表现不佳，这是移动机器人的许多室内应用以及计算机游戏的共同特征。我们的方法扩展了基于RRT的采样方法，使辅助距离度量的使用，以提高在有障碍物的环境中的性能。该辅助度量可以是在视线被阻挡时具有比欧几里德度量更好的属性的任何度量，该辅助度量与标准欧几里德度量结合使用，使得算法可以从辅助度量中获益，同时保持先前RRT变体的期望属性-即树覆盖的概率完整性和路径长度的渐近最优性。我们还介绍了一种新的方法，有针对性的重新布线，旨在缩短搜索时间和路径长度的任务，目标反复变化。我们证明，我们的方法提供了相当大的改进，现有的多查询规划，如RT-RRT* 时，使用扩散距离作为辅助度量，找到接近最佳的路径，减少了几个数量级的搜索时间。实验结果表明，规划时间减少了99.5%，路径长度减少了9.8%，比现有的实时RRT规划器在各种环境中。
2021-09-09 cs.AI cs.RO
Dispertio: Optimal Sampling for Safe Deterministic Sampling-Based Motion Planning
RWTH Aachen（亚琛工业大学）；German Aerospace Center (DLR)（德国航空航天中心）；Robert Bosch GmbH, Corporate Research（罗伯特·博世有限公司企业研究院）；KTH Stockholm（瑞典皇家理工学院）
机器人技术的一个关键挑战是在杂乱的环境中有效地生成最佳的机器人运动，并保证安全。最近，确定性的最佳采样为基础的运动规划已被证明实现良好的性能，为此，特别是在规划效率，最终解决方案的成本，质量保证以及非概率的完整性。然而它们的应用仍然限于相对简单的系统（即，线性、完整、欧几里得状态空间）。在这项工作中，我们将这种技术扩展到对称和最佳无漂移系统的类提出分散，离线分散优化技术计算采样集，知道差分约束，采样为基础的机器人运动规划。我们证明了该方法，当结合PRM*，是确定性完成，并保留渐近最优性。此外，在我们的实验中，我们表明，建议的确定性抽样技术优于几个基线和替代方法的规划效率和解决方案的成本。
2019-09-30 cs.RO
Topological robotics: motion planning in projective spaces
我们研究拓扑机器人的一个基本问题：旋转的一条线，这是固定的旋转关节在一个基点：一个人想把线从其初始位置到最终位置的空间中的连续运动。最终的目标是构造一个算法，一旦给定初始和最终位置，该算法将执行此任务。任何这样的运动规划算法都会存在不稳定性，这是由拓扑原因造成的。第一作者最近提出了研究机器人运动不稳定性的一般方法。对于任何路连通的拓扑空间X，我们都可以将一个数TC（X）联系起来，称为X的拓扑复杂度。这个数字对于运动规划问题是非常重要的：TC（X）决定了X中所有运动规划算法的不稳定性特征。本文研究了实射影空间的拓扑复杂性。特别地，我们计算所有n<24的TC（RP^n）。我们的主要结果是：（对于不同于1，3，7的n）TC（RP^n）的计算问题等价于寻找最小的k，使得RP^n可以浸入欧几里得空间R^{k-1}。
2002-10-02 cs.RO math.AT math.DG
Trajectory Bundle Method in SE(3) for Black-Box Fixed-Wing Aircraft Trajectory Optimization
Brigham Young University（杨百翰大学）
本文提出SE(3)上的轨迹束方法，利用李代数构造束并通过指数/对数映射传播，实现无导数的黑箱固定翼轨迹优化，并证明了误差界及实验验证。
2026-09-14 cs.RO
Rationally Inattentive Path-Planning via RRT*
Odyssey Space Research（奥德赛空间研究公司）；University of Texas at Austin（得克萨斯大学奥斯汀分校）
我们考虑的路径规划方案的移动机器人在配置空间中的障碍物下存在的随机干扰。在不确定配置空间上提出了一种新的路径长度度量，并与现有的RRT* 算法相结合。该度量是两个项的加权和，这两个项捕获机器人行进的欧几里得距离和感知成本，即，机器人必须感知的环境信息量，以安全地遵循路径。路径长度函数的拓扑结构的总变差度量的连续性示出和最优性的理性疏忽RRT* 算法进行了讨论。三个数值研究显示新算法的实用性。
2020-02-28 cs.RO cs.SY eess.SY
Temporal-Distance JEPA: Plan-Aware Representation Learning for Latent World Model Predictive Control
Hong Kong Baptist University（香港浸会大学）
研究提出时间距离联合嵌入预测架构（TD-JEPA），保留LeWM编码器-预测器主干，从无奖励轨迹挖掘有向时间成本。该方法缩小JEPA世界模型规划器训练-规划差距，在多个环境中表现优于LeWM及其他基线，通过挖掘成本提升成功率和分数。
2026-07-30 cs.CL cs.RO
Three-Dimensional Path Planning: Navigating through Rough Mereology
University of Warmia and Mazury in Olsztyn（瓦尔米亚和马祖里大学（奥尔什丁））
本研究提出基于粗糙分体论的三维飞行机器人路径规划方法，构建三维分体势场算法并辅以加权欧氏距离避局部极小，结合双实时相机与OpenCV搭建环境，旨在将成果应用于无人机导航。
2024-05-15 cs.RO cs.SY eess.SY
ParaMaP: Parallel Mapping and Collision-free Motion Planning for Reactive Robot Manipulation
School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院）
ParaMaP通过并行映射与SMPC规划器实现未知环境中机器人操作的实时无碰撞运动规划。
2025-12-27 cs.RO
Kinetostatic Path Planning for Continuum Robots By Sampling on Implicit Manifold
Georgia Institute of Technology（佐治亚理工学院）
本文针对连续体机器人在外部弹性接触下的路径规划问题，提出在隐式流形上进行准静态规划，并采用AtlasRRT*算法，仿真证明其在成功率和计算效率上优于欧几里得空间规划器。
2023-09-16 cs.RO
RM-Dijkstra: A surface optimal path planning algorithm based on Riemannian metric
School of Mathematics and Statistics, Huazhong University of Science and Technology（华中科技大学数学与统计学院）
针对移动机器人曲面路径规划问题，提出基于黎曼度量的RM-Dijkstra算法，将曲面路径规划转化为2D平面几何问题，仿真证明其在复杂场景下路径精度与平滑度优于传统算法。
2025-06-27 cs.RO math.OC
Distance and Steering Heuristics for Streamline-Based Flow Field Planning
University of Technology Sydney（悉尼科技大学）；Defence Science and Technology Group（国防科学技术集团）
在流场影响下的车辆的运动规划可以受益于基于流线的规划的思想，其利用来自流体动力学的思想来实现计算效率。对于这些规划者来说，重要的是一种有效的方法来计算自由空间中两点之间的行程距离和方向，但这在强不可压缩流（如洋流）中很难实现。我们提出了两个有用的距离函数的分析形式，结合欧几里得距离与流场相关的流函数的值，并与两点之间的相对流的强度估计。此外，我们提出了转向算法，是有用的转向对采样点。我们评估这些想法，将它们与RRT* 和比较算法的性能与国家的最先进的方法在人工流场和实际的海洋预测数据在该地区的主导东澳大利亚电流之间的悉尼和布里斯班。结果表明，该方法的计算效率和能力，找到高质量的路径优于国家的最先进的方法，并显示出实际使用的承诺与自主海洋机器人。
2020-05-14 cs.RO
Multimodal Trajectory Planning for Surface Vehicles using Turning Circle-based Control Barrier Functions
Kongju National University（公州国立大学）
本文针对动态环境下自主水面航行器，提出结合MPC与TC-CBF的无引导路径多模态轨迹规划框架，可提升避碰成功率、减少安全违规并缓解局部极小问题。
2026-08-21 cs.RO
Integrated Planning and Control on Manifolds: Factor Graph Representation and Toolkit
针对非线性流形系统上MPC的奇异性、收敛差等问题，提出基于因子图的FactorMPC工具包，原生支持流形值状态，设计流形上CBF避障因子，实现高维系统实时安全控制，四旋翼实验验证性能更优且开源可复现。
2025-10-05 cs.RO
Fast and Robust Temporal Logic Planning via ADMM-based Trajectory Optimization
TU Munich（慕尼黑工业大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；MIT（麻省理工学院）
提出一种基于ADMM的非凸分裂方法，将时序逻辑规划中的安全与逻辑约束转化为凸集并集，通过图表示实现快速投影与鲁棒性最大化，实现连续时间运动规划，平均加速4.7倍。
2026-09-22 cs.FL cs.RO
Optimal Sampling-based Motion Planning in Gaussian Belief Space for Minimum Sensing Navigation
University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对高斯信念空间中采样规划缺乏解质量保证的问题，提出 IG-PRM* 以最小化欧几里得与信息论代价加权和，并证明其渐近收敛至全局最优。
2023-06-01 cs.RO
Efficient Hierarchical Any-Angle Path Planning on Multi-Resolution 3D Grids
本文提出了一种基于多分辨率表示的高效任意角度路径规划方法，兼顾最优性和完备性，克服了传统搜索方法的计算瓶颈，实验表明其在真实和合成环境中的优越性能。
2026-02-24 cs.AI cs.RO
A Homotopy Invariant Based on Convex Dissection Topology and a Distance Optimal Path Planning Algorithm
Zhejiang University of Technology（浙江工业大学）
本文提出基于凸剖分的同伦不变量以编码路径类，并设计 CDT-RRT* 算法主动探索未知同伦类、结合 Elastic Band 求取类内最短路径，实验表明其性能达到当前最优水平。
2023-08-06 cs.RO
Collision detection or nearest-neighbor search? On the computational bottleneck in sampling-based motion planning
Blavatnik School of Computer Science, Tel-Aviv University（特拉维夫大学布拉瓦特尼克计算机科学学院）；Carnegie Mellon University（卡内基梅隆大学）
最近邻搜索的复杂性决定了许多基于采样的运动规划算法的渐近运行时间。然而，碰撞检测往往被认为是在实践中的计算瓶颈。检查各种渐近最优规划算法，我们表征设置，我们称之为NN敏感，其中最近邻搜索的实际计算作用远非可以忽略不计，即，最近邻搜索所占用的运行时间部分与冲突检测所占用的时间部分相当，或者有时甚至更大。这加强并证实了运动规划算法可以显著受益于高效且可能专门定制的最近邻数据结构的主张。这些算法的渐近（近）最优性依赖于规定的连接半径，在配置$q$周围定义一个球，使得$q$需要连接到该球中的所有其他配置。为了方便我们的研究，我们展示了如何适应这个半径的非欧几里德空间，这是普遍的运动规划。该技术结果具有独立的意义，因为它使得能够将径向连接方法与常见的替代方案进行比较，即，将每个配置连接到其$k$最近的邻居（$k$ -NN）。事实上，正如我们所证明的，在某些情况下，使用径向连接方案，产生特定成本的解决方案路径比使用$k$ -NN快十倍（甚至更多）。
2016-10-30 cs.CG cs.RO
Informed Sampling for Asymptotically Optimal Path Planning (Consolidated Version)
Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
任何时候几乎必然渐近最优规划器，如RRT*，递增地找到搜索域中每个状态的路径。一旦找到初始解决方案，这是低效的，因为然后仅需要考虑可以提供更好解决方案的状态。这些状态的精确知识需要解决问题，但可以近似与数学。本文正式定义了这些状态集，并演示了如何使用它们来分析任意规划问题。它使用众所周知的$L^2$规范（即，欧几里得距离）来分析最小路径长度问题，并表明现有方法的有效性在因子上降低（即，比指数更快）与状态维度。它提出了一种方法来解决这个灾难的维数直接采样长超球体（即，对称$n$ -维椭圆），其定义了$L^2$通知集。通过知情RRT* 证明了这种直接知情采样技术的重要性。RRT* 的这种扩展比现有技术对状态维数和问题大小的理论依赖性更小，并且允许在某些问题上线性收敛。实验表明，找到更好的解决方案比现有的技术更快的抽象规划问题和HERB，双臂操作机器人。
2018-08-17 cs.RO
\LARGE GMP$^{3}$: Learning-Driven, Bellman-Guided Trajectory Planning for UAVs in Real-Time on SE(3)
提出GMP$^{3}$框架，将无人机路径规划扩展到SE(3)空间，结合Bellman改进的强化学习与分布式共识机制，实现实时、动力学可行的三维轨迹规划，并通过仿真和室内实验验证有效性。
2025-09-25 cs.RO
Digital Twin-Guided Robot Path Planning: A Beta-Bernoulli Fusion with Large Language Model as a Sensor
Department of Civil, Construction, and Environmental Engineering, San Diego State University, San Diego, CA, United States（土木、建设与环境工程系，圣地亚哥州立大学，美国圣地亚哥，加利福尼亚州）；Department of Electrical and Computer Engineering, University of California, San Diego, San Diego, CA, United States（电气与计算机工程系，加州大学圣地亚哥分校，美国圣地亚哥，加利福尼亚州）
本研究提出将大型语言模型视为传感器，通过Beta-Bernoulli贝叶斯融合自然语言指令与建筑信息模型语义地图，实现上下文感知的机器人路径规划，提升路径安全性与鲁棒性。
2025-09-25 cs.RO
Eva-Tracker: ESDF-update-free, Visibility-aware Planning with Target Reacquisition for Robust Aerial Tracking
Dalian University of Technology（大连理工大学）
Eva-Tracker通过无ESDF更新和基于可见性的路径规划，实现更稳健的空中目标跟踪，降低计算开销。
2026-02-13 cs.RO
OREN: Octree Residual Network for Real-Time Euclidean Signed Distance Mapping
Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电子与计算机工程系）
OREN结合八叉树插值的显式先验和神经网络回归的隐式残差，实现高效且可微的非截断SDF重建，优于现有方法的准确性和效率。
2026-07-10 cs.AI cs.CV cs.RO
Efficient and Real-Time Motion Planning for Robotics Using Projection-Based Optimization
Department of Control Science and Engineering, Zhejiang University（控制科学与工程系，浙江大学）；Swiss Cobotics Competence Center（瑞士协作机器人能力建设中心）；Idiap Research Institute（Idiap研究机构）；EPFL（瑞士联邦理工学院）
提出一阶优化方法ALSPG，利用几何投影提升机器人运动规划实时性，在多种机器人上验证了高效性与竞争力。
2025-06-17 cs.RO
Guided Incremental Local Densification for Accelerated Sampling-based Motion Planning
Aurora Innovation Inc.（奥罗拉创新公司）；Paul G. Allen School of Computer Science and Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
基于采样的运动规划器依赖于增量致密化来发现逐渐更短的路径。在计算开始$x_s$和目标$x_t$之间的可行路径$ξ$之后，通知集（IS）通过保守地消除不能产生较短路径的点来修剪配置空间$\mathcal{C}$。通过从该知情集采样的致密化保持从整个配置空间采样的渐近最优性。对于路径长度$c(ξ)$和欧几里德启发式$h$，$IS = \{ x | x \in \mathcal{C}, h(x_s, x) + h(x, x_t) \leq c(ξ) \}$。依赖于启发式可以使IS在高维或复杂环境中特别保守。此外，IS仅在发现较短路径时缩小。因此，如果加密和规划的每次迭代不能产生更短的路径，则浪费了来自加密和规划的每次迭代的计算工作，尽管改进了搜索树中的顶点的成本。我们的关键见解是，即使在这样的失败，更短的路径到顶点的搜索树（而不仅仅是目标）可以立即改善规划的采样策略。GuILD（Guided Incremental Local Densification）利用这些信息从IS的局部子集中进行采样。我们表明，GuILD显着优于均匀采样的知情集在模拟$\mathbb{R}^2$，$SE(2)$环境和操作任务中的$\mathbb{R}^7$。
2021-04-11 cs.RO
Learning-based Robust Motion Planning with Guaranteed Stability: A Contraction Theory Approach
California Institute of Technology（加州理工学院）
本文提出了基于学习的自主制导与鲁棒性和稳定性保证（LAG-ROS），它提供了正式的鲁棒性和稳定性保证的机器学习为基础的非线性运动规划器，通过设计一个微分李雅普诺夫函数使用收缩理论。LAG-ROS利用一个神经网络模型的鲁棒跟踪控制器独立的目标轨迹，我们表明，目标和控制轨迹之间的欧氏距离是指数有界的线性学习误差，即使在存在有界的外部干扰。我们还提出了一种凸优化方法，最小化的跟踪误差的稳态界构造的鲁棒控制律的神经网络训练。在数值模拟中，它表明，所提出的方法确实具有优越的性能的鲁棒性和非线性稳定性所产生的收缩理论，同时保留现有的基于学习的运动规划的计算效率。
2021-10-02 cs.AI cs.LG cs.RO
Asymptotically Optimal Belief Space Planning in Discrete Partially-Observable Domains
Technical University of Berlin（柏林工业大学）；University of Stuttgart（斯图加特大学）；Realtime Robotics Inc.（实时机器人公司）
本文提出改进的路径树优化方法，通过基于相机的状态采样器扩展信念空间图搜索，在离散部分可观测域中实现渐近最优运动应急规划，并在多个高维场景中验证了其更高成功率和更低内存占用。
2023-09-19 cs.RO
The Critical Radius in Sampling-based Motion Planning
Stanford University（斯坦福大学）；Tel Aviv University（特拉维夫大学）
我们开发了一种新的分析基于采样的运动规划在欧氏空间均匀随机采样，这显着改善了著名的结果Karaman和Frazzoli（2011）和后续工作。特别地，我们证明了对于$n$样本和${d}$维数，存在与${Θ(n^{-1/d})}$成比例的临界连接半径：低于这个值，规划器保证失败（类似于上述工作所示，同上）。更重要的是，对于较大的半径值，规划器是渐近（近）最优的。此外，我们的分析产生了一个明确的下限${1-O( n^{-1})}$的成功概率。我们的工作的一个实际意义是，渐近（近）最优时，每个样本连接到只有${Θ(1)}$邻居。这与以前的工作形成鲜明对比，以前的工作需要${Θ(\log n)}$连接，这是由半径的顺序${\left(\frac{\log n}{n}\right)^{1/d}}$。我们的分析不仅限于PRM，还适用于各种基于PRM的规划师，包括RRG，FMT* 和BTT。连续渗流在我们的证明中起着重要的作用。最后，我们开发了类似的理论，所有上述规划者时，构造确定性的样本，然后稀疏的随机方式。我们认为，这种新模式及其分析本身就很有趣。
2018-12-26 cs.RO math.PR
VDB-EDT: An Efficient Euclidean Distance Transform Algorithm Based on VDB Data Structure
The Chinese University of Hong Kong（香港中文大学）；Carnegie Mellon University（卡内基梅隆大学）
提出了一种基于VDB数据结构的欧氏距离变换（Euclidean distance transform，EDT）的基本算法VDB-EDT。该算法在网格地图上执行，并生成相应的距离场，用于记录相对于障碍物的距离信息，这形成了许多运动规划算法的基础。本文的贡献主要体现在三个方面。首先，我们提出了一种新的算法，可以方便的距离转换过程中，通过优化调度优先级的转换功能，显着提高了传统的EDT算法的运行速度。其次，我们首次引入了内存效率高的VDB数据结构，一个VB-B+树，表示层次的距离场。VDB由于采用了特殊的索引和缓存机制，具有较快的随机访问速度（平均\textit{O}（1）），非常适合EDT中频繁的邻居搜索操作。此外，关于现有数据集的小规模，我们发布了从地下环境捕获的大规模数据集，以基准EDT算法。在已发布的数据集和公开数据集上进行的大量实验表明，VDB-EDT可以根据环境的稀疏性降低约30%-85%的内存消耗，同时保持具有竞争力的运行速度，并以最快的基于阵列的实现方式实现。实验还表明，VDB-EDT可以显着优于国家的最先进的EDT算法在运行时间和内存效率，这有力地证明了我们提出的方法的优势。发布的数据集和源代码可在https://github.com/zhudelong/VDB-EDT上获得。
2021-05-10 cs.RO
Riemannian Splat Regression Models for Learning Time Fields on Arbitrary Riemannian Manifolds
针对任意黎曼流形上的运动规划，提出一种无需坐标投影的样条回归模型，结合包裹高斯分布样条学习到达时间场，在多个流形上验证了其准确性与模型规模优势。
2026-09-30 cs.RO
Adaptive Dual-Headway Unicycle Pose Control and Motion Prediction for Optimal Sampling-Based Feedback Motion Planning
Eindhoven University of Technology（埃因霍温理工大学）；Eindhoven AI Systems Institute（埃因霍温人工智能系统研究所）
针对非完整约束独轮车机器人的位姿精准控制需求，提出自适应双车头距位姿控制方法，可提供凸反馈运动预测界，结合基于采样的最优运动规划，在仿真中生成的平滑运动性能显著优于传统距离度量方法。
2024-12-13 cs.RO cs.SY eess.SY
Distributed Planning for Rigid Robot Formations with Probabilistic Collision Avoidance
Technical University of Denmark（丹麦技术大学）；Czech Technical University in Prague（布拉格捷克技术大学）
本文提出一种确保概率碰撞避免的刚性机器人编队分布式规划方法，通过参数化编队变换、期望速度映射、一致性步骤与约束满足步骤实现编队内部碰撞避免，并在仿真与真实遥操作实验中验证了有效性。
2024-08-27 cs.RO cs.SY eess.SY
AMSwarm: An Alternating Minimization Approach for Safe Motion Planning of Quadrotor Swarms in Cluttered Environments
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Technical University of Munich（慕尼黑工业大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）；University of Tartu（塔尔图大学）
本文提出了一种可扩展的在线算法来生成安全和运动学上可行的四旋翼机群轨迹。现有的方法依赖于线性化基于欧几里得距离的碰撞约束和运动约束的轴向解耦，以将每个四旋翼的轨迹优化问题减少到二次规划（QP）。这种保守的近似在杂乱的环境中常常找不到解决方案。我们提出了一种新的替代方案，处理碰撞约束，而不线性化和运动学约束的二次形式，同时仍保留QP形式。我们实现了这一点，通过重新制定的限制，在一个极形式和应用交替最小化算法产生的问题。通过大量的仿真结果，我们证明，与顺序凸规划（SCP）基线相比，我们的方法平均成功率提高了72%，任务时间减少了36%，每个代理的计算时间加快了42倍。我们还表明，来自离散时间障碍函数（BF）的碰撞约束可以被纳入，导致不同的安全行为，而无需显着的计算开销。此外，我们的优化器在处理BF约束方面优于最先进的最优控制求解器ACADO，每个代理的计算时间平均快31倍，任务时间平均减少44%。我们实验验证了我们的方法上Crazyflie四旋翼群多达12个四旋翼。现将守则及补充资料和录像公布，以供参考。
2023-03-08 cs.RO
Robust Collision-free Lightweight Aerial Autonomy for Unknown Area Exploration
ETRI（韩国电子通信研究院）；KAIST（韩国科学技术院）；NASA-JPL（美国国家航空航天局喷气推进实验室）；California Institute of Technology（加州理工学院）
无碰撞路径规划是在未知环境中进行自主探索的基本要求，特别是在受限空间或障碍物附近时。本研究提出了一种使用小型无人机的自主探索技术。设计了一种基于激光雷达测距的局部端点选择方法，并生成从当前位置到所选端点的路径。采用基于欧氏距离场的网格搜索方法，生成的路径实时显示一致的无碰撞路径。仿真结果一致表明了所提出的路径规划方法的安全性和可靠性。在三个不同的矿井中进行了真实世界的实验，展示了在各种结构条件的环境中成功的自主探测飞行。结果表明，所提出的轻型空中机器人系统的飞行自主框架的高性能。此外，我们的无人机在DARPA地下挑战赛的隧道赛道比赛（第一阶段）中执行自主任务。
2021-03-16 cs.RO
Autonomous Aerial Manipulation at Arbitrary Pose in SE(3) with Robust Control and Whole-body Planning
Department of Aerospace Engineering（航空航天工程系）；Automation and Systems Research Institute (ASRI)（自动化与系统研究所）；Seoul National University（首尔国立大学）
本文针对全向空中机械臂提出几何鲁棒控制与两步优化全身运动规划框架，使其能在SE(3)任意位姿下于障碍物附近自主完成抓取、拉拽等复杂操作，并通过接近90°和180°俯仰角实验验证了有效性。
2025-08-27 cs.RO
Unified Linear Parametric Map Modeling and Perception-aware Trajectory Planning for Mobile Robotics
School of Information Science and Engineering, Shenyang University of Technology（沈阳理工大学信息科学与工程学院）；State Key Laboratory of Synthetic Automation for Process Industries, Northeastern University（东北大学过程工业综合自动化重点实验室）；State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所机器人重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）
针对移动机器人建图负担重、感知受限等挑战，提出RMRP线性参数化地图与RPATR规划框架，统一ESDF建图并利用泛化预测，实现高效、安全的自主导航。
2025-08-07 cs.LG cs.RO
L4KDE: Learning for KinoDynamic Tree Expansion
The University of Sydney（悉尼大学）；University of Utah（犹他大学）；NVIDIA（英伟达）
本文提出 L4KDE 方法，利用神经网络批量预测状态间转移成本以改进运动动力学树扩展中的节点选择，在保持渐近最优性的同时显著提升规划性能。
2023-09-17 cs.LG cs.RO
