LLM-State: Open World State Representation for Long-horizon Task Planning with Large Language Model
School of Computing, National University of Singapore（新加坡国立大学计算机学院）；Smart Systems Institute, National University of Singapore（新加坡国立大学智能系统研究院）
针对开放世界家庭环境中LLM长时序任务规划易因未明确跟踪对象属性而出错的问题，提出一种利用LLM上下文理解能力持续更新对象属性的开放状态表示方法，显著提升了长时序状态跟踪与推理任务的决策表现。
2024-04-22 cs.AI cs.RO
Online Structure Learning and Planning for Autonomous Robot Navigation using Active Inference
Ghent University（根特大学）；Verses；FlandersMake（弗拉芒制造）
本文提出AIMAPP框架，通过统一生成模型实现映射、定位和决策，支持在不确定环境中自主探索和导航，无需预定义地图或大量训练。
2026-04-22 cs.RO
GaLa: Hypergraph-Guided Visual Language Models for Procedural Planning
Harbin Institute of Technology（哈尔滨工业大学）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））；Chongqing Research Institute of HIT（重庆哈尔滨工业大学研究院）
GaLa通过超图表示学习，有效捕捉物体间的隐含语义关系和功能区域的层次结构，提升多模态程序规划的性能。
2026-04-19 cs.RO
CAVEAT: Recurrent Multimodal Diffusion Planning for Mapless Aerial Exploration
University of Twente（特文特大学）；Politecnico di Milano（米兰理工大学）；Sapienza University of Rome（罗马大学）
CAVEAT提出一种基于循环内部状态和多模态观测的扩散策略，无需全局地图即可生成探索航点，并在仿真和真实无人机上验证了其有效性。
2026-09-09 cs.LG cs.RO
Learning rewards for robotic ultrasound scanning using probabilistic temporal ranking
Monash University（莫纳什大学）；University of Edinburgh（爱丁堡大学）
本文提出概率时间排序方法，从探索性演示中推断奖励函数，用于自主超声扫描的信息路径规划，改进现有奖励推断方法。
2023-06-22 cs.LG cs.RO
Data-Driven Learning and Planning for Environmental Sampling
University of Southern California（南加利福尼亚大学）；Indiana University（印第安纳大学）
诸如自主水下航行器（AUV）和自主水面航行器（ASV）的机器人已经用于感测和监测诸如海洋和湖泊的水生环境。环境采样是一项具有挑战性的任务，因为要观察的环境属性可以在空间和时间上变化，并且目标环境通常是一个大的连续域，而采样数据通常是稀疏和有限的。这些挑战要求采样方法必须提供足够的信息和效率，以赶上环境动态。在本文中，我们提出了一种规划和学习方法，使采样机器人进行持久的监测任务，通过学习和完善的动态“数据地图”，模拟时空环境属性，如海洋盐度含量。我们的环境采样框架包括两个部分：为了最大限度地收集信息，我们提出了一个信息规划组件，有效地产生采样航路点，包含最大的信息;为了缓解大规模数据积累带来的计算瓶颈，我们开发了一个基于稀疏高斯过程的组件，该组件的超参数是通过仅利用提供以下信息的数据子集在线学习的：最大的贡献。我们验证我们的方法与模拟运行在真实的海洋数据和现场试验ASV在湖泊环境中。实验结果表明，该框架既能准确地学习环境数据地图，又能有效地跟踪环境的动态变化。
2018-03-28 cs.RO
Evidence-Gated Task and Motion Planning with Vision-Language Models
Waseda University（早稻田大学）；Flinders University（弗林德斯大学）
针对机器人执行自然语言指令长时操纵任务时的部分可观测问题，提出 EAFG 框架，通过视觉证据获取与可行性门控提升食谱完成率并减少无效操纵尝试。
2026-10-30 cs.AI cs.RO
An Information-Theoretic Approach to Persistent Environment Monitoring Through Low Rank Model Based Planning and Prediction
Cornell University（康奈尔大学）
机器人可用于在人类难以穿越的地区收集环境数据。然而，限制仍然存在于区域的大小，机器人可以直接观察每单位时间。我们介绍了一种方法，选择有限数量的观察点在一个大的区域，我们可以预测的状态，在该地区的未观测点。我们结合了一个低秩模型的目标属性与信息最大化的路径规划，以预测整个区域的属性的状态。我们的方法是不可知的目标属性和机器人监控平台的选择。我们在两个真实环境数据集上模拟评估了我们的方法，每个数据集都包含来自一百万到两百万个可能的采样位置的观测结果。我们比较了一个随机采样器和四个变化的基线采样器从生态学文献。我们的方法优于基线方面的平均Fisher信息增益每个样本，并在大多数试验中进行平均重建误差。
2020-09-02 cs.AI cs.RO
ObjView-Bench: Rethinking Difficulty and Deployment for Object-Centric View Planning
University of Bonn（波恩大学）
本文提出ObjView-Bench框架，通过分离视图规划评估中的三个关键因素，改进了面向对象的视图规划评估方法，并展示了部署导向的评估协议对方法性能的影响。
2026-05-11 cs.RO
Multi-Robot Path Planning Via Genetic Programming
Harvey Mudd College（哈维穆德学院）
本文提出了一种遗传编程（GP）的方法来解决多机器人路径规划（MRPP）的问题，在单车道的车道，特别是那些容易映射到图形表示。GP的多功能性使得这种方法能够产生针对多个属性而不是单个属性（如路径长度或完整性）进行优化的程序。当优化解决单个MRPP问题所需的时间步长时，GP构建的程序的性能优于完整的MRPP算法，即Push-Swap-Wait（PSW），通过$54.1\%$。GP构造的程序在解决不满足PSW完备性条件的问题方面也一直优于PSW。此外，GP构建的程序表现出更大的能力比PSW的机器人在MRPP环境中导航的数量增加的扩展。这项研究说明了使用遗传编程解决个别MRPP问题的好处，包括实例中的机器人的数量超过树叶的数量在树模型的工作空间。
2019-12-19 cs.NE cs.RO
A Tree-based Next-best-trajectory Method for 3D UAV Exploration
Luleå University of Technology（吕勒奥理工大学）；Robotics and Artificial Intelligence Group（机器人学与人工智能组）
本文提出基于树的 Exploration-RRT 算法，在未知非结构化环境中实时解决三维无人机局部探索问题，通过权衡信息增益、路径距离与执行动作来规划下一步最佳轨迹，并在仿真和地下真实环境中验证了有效性。
2024-07-05 cs.RO
Solving a Path Planning Problem in a Partially Known Environment using a Swarm Algorithm
Ministry of Defence（国防部）
提出了一种在部分已知环境下自主地面车辆（AGV）导航的路径规划策略。通过首先使用包含来自合适的空间数据库的诸如高度数据和土壤信息之类的所选属性的待穿越区域的空间数据库来执行全局路径规划。该数据库使用仿生群算法进行处理，该算法的灵感来自白蚁的筑巢策略。利用来自各种传感器的关于影响AGV安全导航的突发事件的信息在线执行本地路径规划。所讨论的模拟已经在开源的Player-Stage-Gazebo平台上实现。
2019-06-27 cs.AI cs.RO
SPARK: Graph-Based Online Semantic Integration System for Robot Task Planning
The University of Tokyo（东京大学）
针对机器人任务执行中语义信息在线更新未被探索的问题，提出SPARK框架，通过从环境线索提取语义信息并在线更新场景图以用于任务规划，增强了机器人在动态环境中执行任务及适应非常规空间线索的能力。
2025-06-25 cs.RO
$ε^*$+: An Online Coverage Path Planning Algorithm for Energy-constrained Autonomous Vehicles
University of Connecticut（康涅狄格大学）
本文提出了一种新的算法，称为$ε^*$ +，使用能量受限的自主车辆的未知环境的在线覆盖路径规划。由于有限的电池尺寸，能量受限的车辆具有有限的操作时间持续时间。因此，在执行覆盖轨迹时，车辆必须在电池耗尽之前返回充电站进行充电。在这方面，$ε^*$ +算法使得车辆能够基于在整个覆盖过程中监测的剩余能量退回到充电站。这之后是一个前进轨迹，它将飞行器带到附近未探测的航路点重新开始覆盖过程，而不是将其带回到撤退轨迹的先前遗留点;从而减少了整体覆盖时间。所提出的$ε^*$ +算法是$ε^*$算法的扩展，该算法利用探索性图灵机（ETM）作为管理器，以来回轨迹导航车辆以实现完全覆盖。$ε^*$ +算法的性能在复杂场景中使用Player/Stage（高保真机器人模拟器）进行了验证。
2020-08-29 cs.AI cs.RO cs.SY
SHIFT Planner: Speedy Hybrid Iterative Field and Segmented Trajectory Optimization with IKD-tree for Uniform Lightweight Coverage
本文提出SHIFT Planner框架，集成语义建图与自适应覆盖规划，通过扩散场模型动态调整轨迹和速度，实现均匀轻量覆盖。
2025-04-24 cs.RO
Benchmarking global optimization techniques for unmanned aerial vehicle path planning
Institute of Automation and Computer Science, Brno University of Technology（布尔诺理工大学自动化与计算机科学学院）
本文提出用无人机路径规划问题作为全局优化算法的基准测试，生成56个实例，通过比较十二种算法，发现进化算法表现最佳，并指出可变维度特征待深入研究。
2025-01-24 cs.NE cs.RO math.OC
LF-3PM: a LiDAR-based Framework for Perception-aware Planning with Perturbation-induced Metric
Zhejiang University（浙江大学）；City University of Hong Kong（香港城市大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
提出 LF-3PM 框架，利用扰动诱导度量评估 LiDAR 观测对定位的影响，并借助 SOLM 解耦评估与规划，实现高效感知感知轨迹生成。
2024-08-03 cs.RO
Symmetric Monoidal Categories with Attributes
National Institute of Standards and Technology（美国国家标准与技术研究院）；University of Maryland（马里兰大学）
在工程设计计划时，通常需要考虑与对象相关的属性，例如机器人的位置。在本文中，我们的目标是将属性纳入现有的分类形式主义规划，即那些基于对称幺半范畴和字符串图。为了实现这一点，我们定义了一个“带属性的对称幺半范畴范畴”的概念。这是一个对称的幺半范畴，其中对象配备有可检索的信息，并且对象和信息之间的交互由“属性结构“控制。“我们在机器人的背景下讨论这些类别的例子和语义，以说明我们的定义。
2021-01-26 cs.AI cs.RO math.CT
Sequential Manipulation Planning on Scene Graph
Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）；Peking University（北京大学）；Tsinghua University（清华大学）
我们设计了一个三维场景图表示，接触图+（CG+），高效的顺序任务规划。这种基于接触图的表示方法通过类似谓词的属性进行增强，从而利用简洁的几何信息和有效的机器人场景交互来抽象场景布局。目标配置，自然指定的接触图，可以产生的遗传算法与随机优化方法。然后通过计算初始接触图和目标配置之间的图形编辑距离（GED）来初始化任务计划，其生成对应于可能的机器人动作的图形编辑操作。我们通过施加约束来规范图形编辑操作的时间可行性，从而确保有效的任务和运动对应关系，从而最终确定任务计划。在一系列的仿真和实验中，机器人成功地完成了传统规划语言如规划域定义语言（PDDL）难以描述的复杂顺序对象重排任务，证明了基于接触图的机器人顺序任务规划的可行性和潜力。
2022-07-17 cs.AI cs.RO
3D Object Visibility Prediction in Autonomous Driving
LiangDao GmbH（良道有限公司）；Ilmenau University of Technology（伊尔默瑙工业大学）；Great Wall Motor Co., Ltd.（长城汽车股份有限公司）
针对自动驾驶感知阶段的需求，该研究提出3D目标可见性新属性及对应算法，结合多任务学习实现对模型效果与效率的极小影响，拓展下游任务能力，提升实时自动驾驶的安全可靠性。
2024-03-06 cs.CV cs.RO
Look Before You Leap: Unveiling the Power of GPT-4V in Robotic Vision-Language Planning
Tsinghua University（清华大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Shanghai Qi Zhi Institute（上海期智研究院）
本研究提出ViLa，一种利用视觉语言模型进行机器人长时程规划的新方法，通过直接整合感知数据实现物理基础的任务规划，实验证明其优于现有LLM规划器。
2023-12-24 cs.AI cs.CL cs.CV
