Importance sampling-based approximate optimal planning and control
Worcester Polytechnic Institute（伍斯特理工学院）
本文提出了一种非线性系统在非可微约束下的采样规划与最优控制方法，通过重要性采样算法迭代计算最优权重参数，确保策略的最优性和鲁棒性。
2016-12-16 cs.RO cs.SY eess.SY
Fast Planning Over Roadmaps via Selective Densification
University of Michigan（密歇根大学）
提出了一种通过位形空间进行快速运动规划的选择性加密方法。我们通过迭代添加配置来创建一系列路线图。我们将这些路线图组织成层，并在层之间的相同配置之间添加边缘。我们找到一条路径，使用最佳优先搜索，我们提出的剩余规划时间的估计为指导。这种估计倾向于扩展更接近目标的节点和更稀疏层上的节点。我们提出的路径质量和最大深度的节点扩展使用我们提出的图和启发式的证据。我们还提出了实验比较选择性加密双向RRT连接，以及许多图搜索方法。在需要对致密层进行探索的困难环境中，我们发现选择性致密化比所有其他方法都能更快地找到解决方案。
2020-02-12 cs.RO
Perception-driven sparse graphs for optimal motion planning
Massachusetts Institute of Technology（麻省理工学院）
大多数现有的运动规划算法假设在生成运动规划之前完全确定（某种质量的）图。在机器人的许多新兴应用中，例如，快速移动的敏捷空中机器人具有受限的嵌入式计算平台和视觉传感器，不能立即获得密集的世界地图，并且它们的构建在计算上是昂贵的。我们提出了一种新的算法来生成计划图，它耦合了感知和运动规划过程，以提高计算效率。该算法在规划子问题和映射子问题之间反复切换，每次更新都基于另一个子问题，直到找到一个有效的轨迹，得到的轨迹保持了一个可证明的性质，即在计算实验中只利用一小部分传感数据，提供相对于完整（未映射）环境的最优轨迹。
2018-08-01 cs.RO
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México（墨西哥自治理工学院）
本文提出了一种多机器人运动规划方法，通过工作空间分解的离散搜索提高规划效率，核心方法是分层子问题扩展和工作空间分解细化，主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
Online Mapping and Motion Planning under Uncertainty for Safe Navigation in Unknown Environments
CIRS Underwater Vision and Robotics Research Centre（CIRS水下视觉与机器人研究中心）；Universitat de Girona（赫罗纳大学）；VICOROB VIsió per COmputador i ROBòtica（VICOROB计算机视觉与机器人实验室）
对于在高度非结构化或完全未知的环境中运行的机器人来说，安全自主导航是一个重要且具有挑战性的问题。在这些条件下，不仅机器人系统必须处理有限的定位信息，而且它们的机动性受到其动力学的约束，并且经常受到不确定性的影响。为了应对这些约束，本文提出了一个基于不确定性的框架，用于在线映射和规划可行的运动，并具有概率安全保证。所提出的方法通过以下方式处理运动、概率安全性和在线计算约束：（i）递增地映射周围环境以构建环境的不确定性感知表示，以及（ii）迭代地（重新）规划轨迹以通过信念空间中的多层基于采样的规划器实现运动动力学可行和概率安全的目标。深入的实证分析说明了这种方法的一些重要特性，即（a）多层规划策略可以快速探索高维置信空间，同时保持渐近最优性和完整性保证，以及（b）与文献中的其他不确定性感知规划器相比，所提出的概率碰撞检查例程的概率范围更紧。此外，对非完整鱼雷形自主水下航行器的真实水中实验评估和DARPA 2019年地下挑战赛的四旋翼无人机的楼梯井场景中的模拟试验证明了该方法的有效性及其适用于有限的系统。
2020-05-26 cs.AI cs.RO
Augmenting GRIPS with Heuristic Sampling for Planning Feasible Trajectories of a Car-Like Robot
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；LLC “Integrant”（Integrant有限责任公司）；Federal Research Center “Computer Science and Control” RAS（俄罗斯科学院联邦研究中心“计算机科学与控制”）
非完整移动机器人的运动动力学运动规划是一个具有挑战性的问题，目前还没有一个通用的解决方案。求解该问题的一种计算效率高的方法是首先建立一条几何路径，然后将该路径转换为运动学上可行的路径。信息路径平滑（GRIPS）是最近推出的方法，这样的转换。GRIPS迭代地使路径变形并添加/删除路径点，同时尝试通过所提供的遵循运动学约束的转向函数连接每对连续的路径点。该算法相对较快，但不幸的是，不能保证它会成功。在实践中，它往往无法产生可行的轨迹，汽车类机器人与大转弯半径。在这项工作中，我们介绍了一系列的修改，旨在提高成功率的GRIPS汽车类机器人。主要的改进是增加了额外的步骤，即沿着几何路径的瓶颈部分（如急转弯）对航点进行逐点采样。实验评估的结果提供了一个明确的证据表明，建议的算法的成功率是高达40%，比原来的GRIPS和击中酒吧的90%，而其运行时间较低。
2021-08-15 cs.AI cs.RO
Balancing Efficiency and Fairness: An Iterative Exchange Framework for Multi-UAV Cooperative Path Planning
The Hong Kong University of Science and Technology（香港科技大学）；College of Automation Engineering, Nanjing University of Aeronautics and Astronautics（南京航空航天大学自动化工程学院）；College of Computer Science and Engineering, Chongqing Three Gorges University（重庆三峡大学计算机科学与工程学院）；Chinese Academy of Sciences, New Territories, Hong Kong（中国科学院香港新 Territories 分院）；City University of Hong Kong, Kowloon, Hong Kong（香港城市大学）
本文提出一种迭代交换框架，用于多无人机协作路径规划，通过任务交换和路径细化平衡效率与公平性，实验表明其在总距离和makespan之间取得更优权衡。
2025-11-29 cs.AI cs.RO
A Convex Optimization Approach to Smooth Trajectories for Motion Planning with Car-Like Robots
Stanford University（斯坦福大学）
在最近的过去，已经提出了几种基于采样的算法来计算无碰撞和动态可行的轨迹。然而，这种算法的输出是众所周知的锯齿状。在本文中，通过专注于机器人与汽车一样的动力学，我们提出了一种快速，简单的启发式算法，命名为凸弹性平滑（CES）算法，轨迹平滑和速度优化。CES算法的灵感来自于弹性带规划的早期工作，并迭代地执行形状和速度优化。该算法的主要特点是，这两个优化问题都可以通过凸规划来解决，使得CES特别快。一系列的数值实验表明，CES算法返回高质量的解决方案，在几百毫秒的事情，因此似乎适合于实时实现。
2015-10-26 cs.RO
Towards Fully Environment-Aware UAVs: Real-Time Path Planning with Online 3D Wind Field Prediction in Complex Terrain
今天，低空固定翼无人机（UAV）在很大程度上限于自动遵循用户定义的航路点。为了在复杂环境中实现完全自主的远程任务，需要针对地形和强风气流的实时的环境感知导航。本文提出了两个相关的初步贡献：第一，文献的第一个三维风场预报方法，可以运行在实时的机载无人机。该方法检索低分辨率的全球天气数据，并使用势流理论来调整风场，以便观察地形边界，质量守恒和大气层结。与一维激光雷达数据的比较表明，相对于目前主要用于无人机路径规划的零风假设，总体风误差减少了23%。然而，由于垂直风没有足够准确地解决，需要进一步的研究和确定。其次，提出了一种基于采样的路径规划器，该规划器通过Dubins飞机路径迭代地考虑非均匀风中的飞机动力学。性能优化，例如障碍感知采样和快速2.5D地图碰撞检查，使规划器比开放式运动规划库（OMPL）实现快50%。阿尔卑斯山地形的测试案例表明，风感知规划的迭代次数比最短路径规划少50倍，因此在低风速下速度较慢，但在强风下往往会提供成本较低的路径。更重要的是，与最短路径规划器相比，它总是提供无冲突的路径。总体而言，我们的初步研究表明，从无人机三维风场预测的可行性和风感知规划的优势。这为无人机在现实任务和复杂地形中的全自主环境感知导航的后续研究铺平了道路。
2017-12-10 cs.AI cs.RO
Unified Multi-Contact Fall Mitigation Planning for Humanoids via Contact Transition Tree Optimization
Duke University（杜克大学）
本文提出了一种多接触的方法，广义的人形跌倒缓解规划，统一惯性塑造，保护性的步伐，和手接触的战略。规划器优化接触序列和机器人状态轨迹。进行高级树搜索以迭代地生长联系人转换树。在树的每个边缘，轨迹优化用于计算机器人稳定轨迹，该轨迹产生期望的接触过渡，同时最小化动能。此外，在树的每个节点，优化器试图找到一个自运动（惯性成形运动），以消除动能。本文还提出了一种快速有效的初始种子生成方法，以利于轨迹优化。实验表明，我们提出的算法可以产生复杂的稳定策略的模拟机器人在不同的初始推力和环境形状。
2018-10-14 cs.RO
MANER: Multi-Agent Neural Rearrangement Planning of Objects in Cluttered Environments
Purdue University（普渡大学）
针对现有物体重排研究多聚焦单智能体、难适配现实多机器人协作需求的问题，提出基于学习的多智能体重排规划框架MANER，迭代完成物体选择、区域分配与机器人配对，在模拟和真实环境中遍历时间与成功率均优于基线方法。
2023-11-04 cs.AI cs.LG cs.RO
Interleaving Optimization with Sampling-Based Motion Planning (IOS-MP): Combining Local Optimization with Global Exploration
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
计算机器人的全局最优运动计划具有挑战性，部分原因是它需要同时从宏观角度（即，考虑多个同伦类中的路径）和微观视点（即，局部优化路径质量）。我们介绍了基于采样的运动规划（IOS-MP），一种新的方法，有效地结合了全局探索和局部优化，快速计算高质量的运动计划的交织优化。我们的方法结合了两个范例：（1）渐近最佳采样为基础的运动规划，这是有效的全局探索，但相对缓慢的局部细化路径，和（2）优化为基础的运动规划，局部优化路径快速，但缺乏全局视图的配置空间。IOS-MP迭代地在全局探索和局部优化之间交替，在两者之间共享信息，以提高运动规划效率。我们评估IOS-MP，因为它的规模方面的维度和复杂性，以及证明其有效性的7自由度机械手指定的任务，使用目标配置和工作空间目标区域。
2016-09-20 cs.RO
The Convex Feasible Set Algorithm for Real Time Optimization in Motion Planning
University of California at Berkeley（加州大学伯克利分校）；FANUC Corporation（发那科公司）
随着机器人技术的发展，对实时运动规划的需求越来越大。然而，由于环境中的障碍物，规划问题是高度非凸的，这使得它很难实现实时计算使用现有的非凸优化算法。本文介绍了一种求解具有凸代价和非凸约束的非凸优化问题的快速算法--凸可行集算法。其思想是为原问题找到一个凸可行集，并使用凸约束迭代求解一系列子问题。证明了算法的可行性和收敛性。讨论了该方法在移动机器人运动规划中的应用。仿真结果表明了该算法的有效性。
2018-05-19 cs.RO math.OC
Constant-time Motion Planning with Anytime Refinement for Manipulation
Carnegie Mellon University（卡内基梅隆大学）；Pittsburgh University（匹兹堡大学）
针对CTMP在线规划后剩余预算未被利用的问题，本文提出与CTMP结合的任意时间精化框架，在保证常数时间内生成初始规划的同时迭代逼近最优解，并通过仿真和6自由度机械臂装配实验验证。
2024-08-09 cs.AI cs.RO
FFRob: Leveraging Symbolic Planning for Efficient Task and Motion Planning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
由于混合配置空间的高维性和多模态性，涉及多个对象的移动操作问题的求解具有挑战性。执行纯几何搜索的planet在解决这些问题时非常慢，因为它们无法分解配置空间。符号任务规划器可以有效地构建涉及许多变量的计划，但不能表示操作所需的几何和运动约束。我们提出了解决任务和运动规划问题的FFRob算法。首先，我们引入扩展动作规范（EAS）作为一个通用的规划表示，支持任意谓词作为条件。我们适应现有的启发式搜索思想解决\proc{strips}规划问题，特别是删除松弛，解决EAS问题的实例。然后，我们将EAS表示和规划者的操作问题，导致FFRob。FFRob迭代离散任务和运动规划问题，使用批量采样的操作原语和多查询路线图结构，可以条件化，以评估可移动物体的不同放置下的可达性。这种结构使EAS规划者能够有效地计算包含几何和运动规划约束的几何学，以给出到目标的距离的严格估计。此外，我们表明FFRob是概率完整的，并有有限的预期运行时间。最后，我们实证证明FFRob的有效性，复杂和多样化的任务和运动规划任务，包括重排规划和可移动物体之间的导航。
2017-12-01 cs.RO
Real-Time Trajectory Planning for Autonomous Driving with Gaussian Process and Incremental Refinement
Hong Kong University of Science and Technology（香港科技大学）
动态环境下的实时的【形】运动动力学轨迹规划是自动驾驶的关键，但具有挑战性。在这封信中，我们提出了一个有效的轨迹规划系统，自动驾驶在复杂的动态场景中，通过迭代和增量路径速度优化。利用规划问题的解耦结构，基于高斯过程的路径规划器首先在Frenét坐标系下，考虑静态避障和曲率约束，生成一条弧长连续的参数化路径。我们从理论上证明了它是著名的加加速度最优解的一个很好的推广。提出了一种有效的s-t图搜索方法来寻找沿生成路径的速度分布，以应对动态环境。最后，路径和速度被增量地和迭代地优化，以确保运动动力学的可行性。各种模拟场景的静态障碍物和动态代理验证了我们所提出的方法的有效性和鲁棒性。实验结果表明，我们的方法可以运行在20 Hz。源代码作为开源软件包发布。
2022-05-24 cs.RO
Incremental Adversarial Learning for Optimal Path Planning
Technical University Munich（慕尼黑工业大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of Oxford（牛津大学）；Trinity College Dublin（都柏林圣三一学院）
路径规划在机器人技术的许多领域中起着至关重要的作用。已经提出了各种规划技术，无论是专注于学习一个特定的任务，从演示或检索轨迹，通过优化手工制作的成本函数，这是很好地定义了先验。在这项工作中，我们提出了一个基于增量对抗学习的框架，该框架允许推断隐式行为，即一组给定轨迹的自然特征。为了实现对抗性学习，在规划算法和对手之间构建了一个零和博弈。我们在最佳运动规划算法中采用了该方法，从而可以迭代地学习和优化成本，从而改善隐式行为的集成。通过将基于成本的规划方法与经过训练的内在行为相结合，这也可以与其他限制因素（如障碍或一般成本因素）结合在一个单一的规划框架内。我们证明了所提出的方法在数据集上的碰撞避免，以及从运动捕捉数据生成类人轨迹。我们的研究结果表明，增量对抗学习能够生成反映数据集自然隐式行为的路径，并能够使用迭代学习和生成来提高性能。
2018-09-25 cs.RO
Constrained Motion Planning of A Cable-Driven Soft Robot With Compressible Curvature Modeling
The Hong Kong Polytechnic University（香港理工大学）；Soochow University（苏州大学）
具有冗余度的柔体索驱动机器人在完成轨迹跟踪任务的同时，还能满足一些额外的约束条件，如通过末端执行器沿指定方向跟踪，或避免机械手与障碍物的碰撞等。这些约束要求合理规划机器人运动。在这项工作中，我们推导出的可压缩曲率运动学的电缆驱动的软体机器人，考虑到可压缩的软段。研究了软体机器人在约束条件下的轨迹跟踪任务的运动规划问题，包括末端执行器固定姿态和机械手-障碍物碰撞避免。索力的逆解被表示为阻尼最小二乘优化问题，离线迭代计算。通过开源的仿真和原型实验，对轨迹跟踪性能和对约束的服从性进行了评估。该方法可以推广到类似的多段索驱动柔性机器人系统，通过定制的机器人参数的前运动规划的机械手。
2022-01-20 cs.RO
Trajectory Planning for Autonomous Vehicle Using Iterative Reward Prediction in Reinforcement Learning
ThorDrive
针对传统自动驾驶轨迹规划泛化性差、现有强化学习方法学习不稳定且未考虑不确定性的问题，提出带迭代奖励预测与不确定性感知的强化学习轨迹规划方法，在CARLA上验证可显著降碰撞率、提平均奖励。
2024-05-12 cs.RO
Dual-MPC Footstep Planning for Robust Quadruped Locomotion
针对四足机器人运动中角动量仅靠地面反作用力控制导致的问题，提出双MPC步足规划策略，通过互反馈耦合步足规划与GRF优化，减少振荡并延长支撑和摆动相，提升鲁棒性。
2025-11-11 cs.RO
Planning by Simulation: Motion Planning with Learning-based Parallel Scenario Prediction for Autonomous Driving
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学与计算机科学学院）；Department of Electrical Engineering, Wright State University（威斯汀大学电气工程系）
本文提出一种基于学习的并行场景预测方法，用于自动驾驶中的运动规划，通过模拟可能场景并计算成本，平衡和剪枝不合理动作，提升安全性和规划效率。
2024-11-15 cs.RO
Finding Near-optimal Solutions in Multi-robot Path Planning
Agent Technology Center, Dept. of Computer Science, Faculty of Electrical Engineering, CTU in Prague（布拉格捷克理工大学电气工程学院计算机科学系智能体技术中心）；Algorithmics, EEMCS, Delft University of Technology（代尔夫特理工大学电气工程、数学与计算机科学学院算法组）；iRobot Inc., Pasadena（iRobot公司（帕萨迪纳））
我们处理的问题，规划无碰撞的机器人在共享空间中运行的轨迹。给定每个机器人的起始位置和目的地位置，任务是找到所有机器人的轨迹，以最小的总成本到达目的地，使得机器人在遵循找到的轨迹时不会碰撞。我们的方法从每个机器人的单独最佳轨迹开始，然后因与其他机器人碰撞而受到惩罚。惩罚逐渐增加，并且迭代地重新规划各个轨迹以考虑增加的惩罚，直到找到无碰撞的解决方案。我们发现，这样的惩罚方法在最优值已知的情况下构造出具有接近最优值的成本的轨迹，并且在其他情况下，其成本比优先规划生成的轨迹低4- 10%，并且最高可达40%。这比通过局部碰撞避免技术（例如ORCA）生成的轨迹更便宜。
2014-10-20 cs.RO
CoverLib: Classifiers-equipped Experience Library by Iterative Problem Distribution Coverage Maximization for Domain-tuned Motion Planning
The University of Tokyo（东京大学）
针对运动规划中可规划性与速度的权衡问题，提出主动迭代构建的CoverLib经验库，通过分类器匹配可适配经验，兼顾规划速度与成功率，且兼容多种适配算法。
2025-02-21 cs.AI cs.LG cs.RO
Integrating Task-Motion Planning with Reinforcement Learning for Robust Decision Making in Mobile Robots
UT-Austin（德克萨斯大学奥斯汀分校）；Maana Inc.（Maana公司）；SUNY-Binghamton（纽约州立大学宾汉姆顿分校）
任务-运动规划（TMP）解决了在离散空间中有效地生成可执行的和低成本的任务规划的问题，使得（初始未知的）动作成本由相应连续空间中的运动规划确定。然而，任务运动计划可能对意外的领域不确定性和变化敏感，导致次优行为或执行失败。本文提出了一个新的框架TMP-RL，它是TMP和强化学习（RL）的集成，从执行经验出发，解决动态和不确定域中的鲁棒任务-运动规划问题。TMP-RL具有两个嵌套的规划学习循环。在内部TMP循环中，机器人通过在离散空间中迭代规划并更新由运动规划器在连续空间中评估的相关动作成本来生成低成本、可行的任务运动规划。在外部循环中，执行计划，机器人通过无模型RL从执行经验中学习，以进一步改进其任务运动计划。外部循环中的RL对当前域更准确，但也更昂贵，并且使用成本更低的任务和运动规划导致在现实世界中学习的跳跃式启动。我们的方法进行评估的移动服务机器人在办公区进行导航任务。结果表明，TMP-RL方法显着提高了适应性和鲁棒性（与TMP方法相比），并导致快速收敛（与任务规划（TP）-RL方法相比）。我们还表明，TMP-RL可以重用学习的值，以便在长期部署过程中顺利适应新的场景。
2018-11-21 cs.AI cs.LG cs.RO
Constrained Iterative LQG for Real-Time Chance-Constrained Gaussian Belief Space Planning
Tsinghua University（清华大学）；Shanghai Qizhi Institute（上海期智研究院）；University of California, Berkeley（加州大学伯克利分校）；University of Tokyo（东京大学）
不确定条件下的运动规划对于自动驾驶汽车等安全关键系统具有重要意义。这样的系统必须满足必要的约束（例如，碰撞避免），其具有来自受干扰的系统动态或噪声传感器测量的潜在不确定性。然而，现有的运动规划方法不能有效地找到一般非线性和非凸设置下的鲁棒最优解。本文提出了机会约束的高斯置信空间规划问题，并提出了一种实时的【形】求解约束迭代线性二次高斯（CILQG）算法。在该算法中，我们迭代地计算一个高斯近似的信念和转换的机会约束。我们评估我们的方法在模拟自动驾驶规划任务的静态和动态障碍物的有效性。结果表明，CILQG能更好地处理不确定性，计算时间比基线方法更快。
2021-08-21 cs.RO cs.SY eess.SY
Receding Horizon Task and Motion Planning in Changing Environments
University of Padua（帕多瓦大学）；IT+Robotics Srl（IT+Robotics 有限公司）
复杂的操作任务需要仔细集成的符号推理和运动规划。这个问题通常被称为任务和运动规划（TAMP），如果工作空间是非静态的，例如由于人类干预和用噪声非理想传感器感知，则该问题甚至更具挑战性。这项工作提出了一种在线近似TAMP方法，结合了几何推理模块和运动规划器与标准的任务规划器在一个滚动的地平线时尚。我们的方法迭代地解决了一个减少规划问题，在有限数量的未来行动的实施过程中的后退窗口。因此，在每次迭代中实际上只调度水平线的第一个动作，然后窗口向前移动，问题再次得到解决。此过程允许自然地考虑场景中的潜在变化，同时确保良好的运行时性能。我们在模拟环境中进行了大量的实验，验证了我们的方法。我们表明，我们的方法是能够处理意外的变化，在环境中，同时确保可比的性能与其他最近的TAMP方法在解决传统的静态基准。我们发布本文的开源实现我们的方法。
2021-08-29 cs.RO
AO-ARC: Almost-Surely Asymptotically Optimal Multi-Robot Motion Planning with ARC
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AO-ARC方法，通过迭代调用ARC求解有界MRMP实例，实现初始解速度与最先进可行性求解器相当，且随机器人数量增加收敛更快更可靠，并证明其渐近最优性。
2026-06-29 cs.RO
Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
针对自主赛车轨迹规划保守导致性能损失的问题，提出控制感知在线轨迹规划框架，通过动态调整约束补偿执行误差，在不增加计算负担的前提下缩短单圈时间1.8秒。
2026-08-17 cs.RO
A biconvex method for minimum-time motion planning through sequences of convex sets
Amazon Robotics（亚马逊机器人）
本文研究在速度和加速度约束下最短时间穿过凸集序列的平滑轨迹设计问题，提出一种双凸方法，通过交替求解凸子问题快速生成并迭代细化轨迹，保证收敛且无需调参，实验表明其速度和质量均优于现有求解器。
2025-04-26 cs.RO
Stochastic Motion Planning as Gaussian Variational Inference: Theory and Algorithms
School of Aerospace Engineering（航空航天工程学院）；School of Electrical and Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）
本文提出基于高斯变分推断的运动规划框架GVI-MP，将其建模为后验分布并与随机控制对偶，开发了自然梯度与近端协方差引导两种求解算法，提升了规划决策的鲁棒性。
2025-06-23 cs.RO
Path Planning in Unknown Environments Using Optimal Transport Theory
本文介绍了一种基于图的，潜在的指导方法在未知的环境中的路径规划问题，障碍物是未知的，直到机器人是在接近障碍物的位置。受最优输运理论的启发，该方法首先生成一个连接初始和目标配置的图，然后利用已有的环境信息在图上找到一条路径。当新遇到的障碍物信息变得可用时，迭代地更新图形和路径。由此产生的方法是被证明是完整的确定性过程，即，当存在可行路径时，保证在有限次数的迭代中找到可行路径。该方法是可扩展的高维问题。此外，我们的方法不搜索整个域的路径，相反，该算法只探索一个子区域，可以描述的福克-普朗克方程的演变。我们证明了我们的算法的性能，通过几个数值例子与不同的环境和尺寸，包括高维的情况下。
2019-09-25 cs.RO math.OC
Monte Carlo Motion Planning for Robot Trajectory Optimization Under Uncertainty
Stanford University（斯坦福大学）
针对不确定性条件下的运动规划问题，提出了一种新的方法MCMP（Monte Carlo运动规划），涉及计算满足概率碰撞避免约束的低成本路径的问题。MCMP估计碰撞概率（CP）的一个给定的路径通过抽样通过蒙特卡洛参考跟踪控制器（在本文中，我们认为LQG）的执行。本文的关键算法的贡献是设计的统计方差减少技术，即控制变量和重要性采样，使这样的采样过程适合实时执行。MCMP通过迭代地（i）计算问题的确定性版本的（近似）最优路径（这里，使用FMT* 算法），（ii）计算该路径的CP，以及（iii）根据CP是高于还是低于目标值，通过公共因子来使障碍物膨胀或收缩，来将该CP估计过程应用于运动规划。MCMP的优点有三个方面：（i）CP估计的渐近正确性，而不是大多数当前的近似，如本文所示，可能会偏离很大的倍数并阻碍可行计划的计算;（ii）速度和并行性，以及（iii）通用性，即，该方法实际上可应用于任何规划问题，只要路径跟踪控制器和到配置空间中的障碍物的距离的概念是可用的。数值结果表明MCMP的正确性（在可行性方面），效率（在路径成本方面），和计算速度。
2015-05-29 cs.RO
VIP: Variation-based Iterative-learning Planning for Robotic Navigation
School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院）；Tianmushan Laboratory, Beihang University（北京航空航天大学天目山实验室）
该研究针对机器人导航规划的计算成本问题，提出VIP框架，通过变分迭代学习优化规划命令，在单/多机器人场景中高效生成并改进运动规划，兼具有效性与可扩展性。
2026-08-26 cs.RO
On the Performance of Jerk-Constrained Time-Optimal Trajectory Planning for Industrial Manipulators
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Dexterity, Inc.（德克斯特蒂公司）
本文提出一种加加速度约束时间最优轨迹规划新方法，通过利用公式凸性形成保守不等式约束并迭代求解n维序列线性规划，在真实机器人上验证了其在峰值功率、扭矩效率和跟踪能力上的性能提升。
2024-04-11 cs.RO
GOMP: Grasp-Optimized Motion Planning for Bin Picking
University of California at Berkeley（加州大学伯克利分校）
快速可靠的机器人拣仓是自动化仓库的关键挑战，通常以每小时拣货量（PPH）衡量。我们探索增加PPH使用更快的运动的基础上优化了一组候选人的把握。这组抓取的来源是双重的：（1）抓取分析工具，如Dex-Net生成多个候选抓取，以及（2）这些抓取中的每一个都有一个机器人抓取器可以旋转的自由度。在本文中，我们提出了抓取优化运动规划（GOMP），一种算法，加快了执行的垃圾箱采摘机器人的操作，将机器人动力学和一组候选人的把握，由一个把握规划到一个优化的运动规划。我们计算运动优化与序列二次规划（SQP）和迭代更新的信赖域占非凸性质的问题。在我们的公式中，我们将运动限制在机器人的机械限制范围内，同时避开障碍物。我们进一步转换的问题，以时间最小化，反复缩短的时间范围的轨迹，直到SQP是不可行的。在UR 5的实验中，GOMP实现了9倍于基线规划器的加速。
2020-03-05 cs.RO
Closing the Train-Test Gap in World Models for Gradient-Based Planning
Columbia University（哥伦比亚大学）；New York University（纽约大学）
本文提出改进世界模型训练方法，以提高基于梯度的规划效率，缩小训练与测试之间的性能差距。
2026-10-05 cs.LG cs.RO
3D Ensemble-Based Online Oceanic Flow Field Estimation for Underwater Glider Path Planning
University of Technology Sydney（悉尼科技大学）；Australian Bureau of Meteorology（澳大利亚气象局）；Defence Science and Technology Group, Department of Defence, Australia（澳大利亚国防部国防科学技术集团）
在3D中估计海洋流场是实现水下滑翔机和其他小型低功率自主海洋航行器可靠运行的关键一步。现有方法产生以离散垂直间隔排列的深度平均2D层，但这种类型的估计可能导致严重的导航误差。基于观察，现实世界的洋流表现出相对较低的速度垂直分量，我们提出了一个准确的3D估计，扩展了我们以前的工作，估计二维流场的基流的线性组合。该算法使用集合预报的数据来建立一组三维基流，然后使用水下流的点测量来迭代地更新基系数。我们报告使用实际集合预报和合成测量的实验结果，比较我们的方法的性能，以前的工作的直接3D扩展。这些结果表明，我们的方法产生的估计具有显着较低的误差指标，有和没有测量噪声。
2021-04-09 cs.RO
SwarmGPT: Combining Large Language Models with Safe Motion Planning for Drone Swarm Choreography
Learning Systems and Robotics Lab（学习系统与机器人实验室）；Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）；Technical University of Munich（慕尼黑技术大学）
SwarmGPT利用大语言模型生成无人机编舞，并通过安全过滤器确保可部署性，实现非专家自然语言迭代设计，仿真与真实实验验证了其可扩展性和安全性。
2025-10-10 cs.AI cs.RO cs.SY
LUCIDGames: Online Unscented Inverse Dynamic Games for Adaptive Trajectory Prediction and Planning
Stanford University（斯坦福大学）
现有的博弈论规划方法假设机器人知道其他代理的目标函数先验，而在实际情况下，这是很少的情况。本文介绍了LUCIDGames，逆最优控制算法，能够估计其他代理的目标函数在实时，并将这些估计在线到一个滚动时域博弈论规划。LUCIDGames解决了逆最优控制问题，通过在递归参数估计框架中重新铸造它。LUCIDGames使用无迹卡尔曼滤波器（UKF）迭代更新其他代理的成本函数参数的贝叶斯估计，随着从其他代理的观察轨迹收集更多数据，在线改进该估计。然后，规划者考虑到其他代理的贝叶斯参数估计的不确定性，规划的轨迹机器人受到不确定性椭圆约束。该算法假设机器人和环境中的其他代理之间没有显式的通信或协调。LUCIDGames的MPC实现演示了复杂自动驾驶场景的实时性能，更新频率为40 Hz。实验结果表明，LUCIDGames提高了机器人的性能，现有的博弈论和传统的MPC规划方法。我们的LUCIDGames的实现可以在www.example.com上找到。
2020-11-16 cs.GT cs.RO
Competence-Aware Path Planning via Introspective Perception
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Alliance Innovation Lab Silicon Valley（硅谷联盟创新实验室）
长期部署在现实世界中的机器人需要对意外故障进行推理，学会预测它们，并主动采取行动以避免未来的故障。现有的能力感知规划方法要么是基于模型的，需要明确列举已知的故障模式，或纯粹的统计，使用状态和位置特定的故障统计推断能力。相反，我们提出了一个结构化的无模型的方法，能力感知规划推理计划执行失败，由于感知错误，而不需要先验枚举的故障源或需要特定位置的故障统计。我们引入能力感知路径规划通过内省感知（CPIP），贝叶斯框架迭代学习和利用新的部署环境中的任务级能力。CPIP将能力感知规划问题分解为两个部分。首先，感知错误是通过在新环境中部署之前的内省感知在无模型和位置不可知的环境中学习的。其次，在实际部署过程中，任务级故障的预测是在上下文感知设置中学习的。仿真实验表明，所提出的CPIP方法优于频率基线在多个移动机器人任务，并进一步验证了通过真实的机器人实验中的环境与感知具有挑战性的障碍和地形。
2022-01-17 cs.CV cs.RO
iDb-RRT: Sampling-based Kinodynamic Motion Planning with Motion Primitives and Trajectory Optimization
New York University（纽约大学）；TU Berlin（柏林工业大学）；ETH Zurich（苏黎世联邦理工学院）
提出iDb-RRT，一种结合运动基元与轨迹优化的采样型动力学运动规划算法，具备概率完备性，在30个问题、8个系统的基准测试中，求解速度比先前方法快最多10倍，尤其适用于长轨迹和狭窄通道场景。
2024-03-16 cs.RO
Tight Collision Probability for UAV Motion Planning in Uncertain Environment
The University of Hong Kong（香港大学）；Zhejiang University（浙江大学）
针对动态障碍、外部扰动、定位与建模误差，本文提出融合多源不确定性的无人机机会约束运动规划框架，并用碰撞概率紧致上界降低轨迹保守性。
2023-09-28 cs.RO
Language-Guided Generation for Personalized Inspection Planning
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学和计算机科学学院）；Department of Electrical Engineering, Wright State University（电气工程系，怀特州立大学）
该研究提出一种无训练的VLM引导方法，针对已知场景高效生成符合文本指令的巡检轨迹，可应用于多领域，经多环境验证效果良好。
2026-08-18 cs.RO
Efficient Iterative Proximal Variational Inference Motion Planning
School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA（电气与计算机工程学院，佐治亚理工学院，亚特兰大，GA）；School of Aerospace Engineering, Georgia Institute of Technology, Atlanta, GA（航空航天工程学院，佐治亚理工学院，亚特兰大，GA）
本文提出P-GVIMP方法，通过并行计算和变分推断解决非线性随机系统的运动规划问题，实现高效规划与不确定性下的成功解决方案。
2025-09-27 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
Goal Set Inverse Optimal Control and Iterative Re-planning for Predicting Human Reaching Motions in Shared Workspaces
Max-Planck-Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Worcester Polytechnic Institute（伍斯特理工学院）
为了实现安全和高效的人机协作，机器人在执行任务时预测人类将如何移动是很重要的。虽然预测人类运动的任务未知的先验是非常具有挑战性的，我们认为，单臂达到已知的任务在协作设置（这是特别相关的制造）的运动确实是可预测的。两个假设是我们预测这种运动的方法的基础：第一，人类执行的轨迹相对于未知的成本函数是最优的，第二，人类对其伴侣运动的适应可以通过迭代重新规划与上述成本函数很好地捕获。因此，我们的方法的关键是学习一个成本函数，它“解释”人类的运动。要做到这一点，我们收集的例子轨迹对参与者使用运动捕捉执行协作装配任务。然后，我们使用逆最优控制从这些轨迹中学习成本函数。最后，我们预测达到运动从人类的当前配置的任务空间的目标区域，通过迭代重新规划的轨迹使用学习的成本函数。我们的规划算法是基于轨迹优化器STOMP，它计划为23自由度的人体运动学模型，并占一个移动的合作者和障碍物的环境中的存在。我们的研究结果表明，在大多数情况下，我们的方法优于基线方法预测运动。我们还表明，我们的方法优于基线预测人体运动时，人类和机器人共享的工作空间。
2016-06-07 cs.RO
Enhanced UAV Path Planning Using the Tangent Intersection Guidance (TIG) Algorithm
Journal of Automation, Mobile Robotics and Intelligent Systems（自动化、移动机器人与智能系统杂志）
本文提出TIG算法，通过椭圆切线交点方法生成可行路径，结合启发式规则和二次贝塞尔曲线平滑技术，在静态和动态环境中实现高效安全的无人机路径规划。
2025-08-26 cs.CV cs.RO
MAPS$^2$: Multi-Robot Autonomous Motion Planning under Signal Temporal Logic Specifications
Division of Decision and Control, School of EECS, KTH Royal Institute of Technology, Stockholm, Sweden.（决策与控制系，瑞典皇家理工学院）；Division of Signals and Systems, Department of Electrical Engineering, Uppsala University, Uppsala, Sweden.（信号与系统系，乌普萨拉大学）
MAPS$^2$通过分布式算法实现多机器人在信号时间逻辑规范下的自主运动规划，提供概率保证的任何时间算法，能够迭代优化轨迹并满足STL约束。
2025-12-16 cs.RO
Safe and Individualized Motion Planning for Upper-limb Exoskeleton Robots Using Human Demonstration and Interactive Learning
Tsinghua University（清华大学）；Shenzhen MileBot Robotics Co., Ltd（深圳迈宝机器人有限公司）
本文提出一种上肢外骨骼机器人运动规划方案，结合人类示范与交互学习，通过ProMP生成并迭代优化个性化轨迹，在可变阻抗模型下实现安全、定制化的康复辅助。
2023-09-15 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
pc-dbCBS: Kinodynamic Motion Planning of Physically-Coupled Robot Teams
针对物理耦合多机器人高维运动规划难题，提出三层冲突消解的任意时间规划器 pc-dbCBS，兼具概率完备性与渐近最优性，并显著提升求解率、轨迹速度和规划效率。
2025-05-15 cs.MA cs.RO cs.SY
Deeply Informed Neural Sampling for Robot Motion Planning
University of California San Diego（加州大学圣地亚哥分校）
基于采样的运动规划（SMPs）已经变得越来越受欢迎，因为它们提供无碰撞路径解决方案，而不管给定环境中的障碍物几何形状。然而，它们的计算复杂性随着运动规划问题的维数而显著增加。自适应采样是通过对更可能包含最优路径解的配置空间的特定区域进行采样来加速SMP的方式之一。虽然有各种各样的自适应采样算法，但它们依赖于手工制作的算法;此外，它们的性能在高维空间中显着下降。在本文中，我们提出了一种基于神经网络的自适应采样器的运动规划称为基于深度采样的运动规划器（DeepSMP）。DeepSMP为SMP生成样本并显着提高其整体速度，同时对高维问题表现出高效的可扩展性。DeepSMP的神经架构包括一个压缩自动编码器，它直接从原始点云数据中编码给定的路径，以及一个基于丢弃的随机深度前馈神经网络，它采用工作空间编码，开始和目标配置，并迭代生成SMP的可行样本，以计算端到端的无冲突最佳路径。DeepSMP不仅在所有测试环境中始终具有计算效率，而且在完全不可见的环境中也表现出显着的泛化能力。我们评估DeepSMP在多个规划问题，包括规划的点质量机器人，刚体，6连杆机器人机械手在各种2D和3D环境。结果表明，平均而言，我们的方法是至少7倍的速度在点质量和刚体的情况下，约28倍的速度在6连杆机器人的情况下，比现有的国家的最先进的。
2018-09-26 cs.LG cs.RO
Decentralized iLQR for Cooperative Trajectory Planning of Connected Autonomous Vehicles via Dual Consensus ADMM
The Hong Kong University of Science and Technology（香港科技大学）
互联自主车辆（CAV）的协同轨迹规划的发展已经聚集了相当大的势头和研究关注。这类问题通常具有很强的非线性和非凸性，给求解带来很大困难。现有的方法通常遭受低的计算效率，这阻碍了适当的应用在大规模的场景中，涉及越来越多的车辆。为了解决这个问题，我们提出了一种新的分散迭代线性二次调节器（iLQR）算法，利用双共识交替方向乘法器（ADMM）。首先，通过迭代邻域逼近将原非凸优化问题转化为一系列凸优化问题。然后，每个凸优化问题的对偶被证明具有共识结构，这有利于使用共识ADMM在完全分散和并行架构中求解对偶解。最后，通过迭代求解线性二次型调节器（LQR）问题，得到各车辆轨迹对应的原始解，并提出一种新的轨迹更新策略，以保证车辆的动态可行性。随着所提出的发展，计算负担显着减轻，实时性能是可以实现的。两个交通场景来验证所提出的算法，我们提出的方法和基线方法（包括集中式iLQR，IPOPT，和SQP）进行彻底的比较，以证明所提出的方法的可扩展性。
2023-01-11 cs.MA cs.RO
VeriGraph: Scene Graphs for Execution Verifiable Robot Planning
University of Maryland, College Park, MD USA（马里兰大学学院公园分校）
VeriGraph通过整合视觉语言模型和场景图，提升机器人任务规划的可行性验证与修正，显著提高任务完成率。
2026-04-16 cs.AI cs.RO
