A Reachability Tree-Based Algorithm for Robot Task and Motion Planning
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
本文针对机器人任务与运动规划问题,提出一种基于可达树的分层采样算法,先通过蒙特卡洛树搜索生成抽象任务计划,再补充几何可行轨迹,并在基准测试中验证了其有效性。
2023-03-07 cs.RO
Group Marching Tree: Sampling-Based Approximately Optimal Motion Planning on GPUs
Stanford University(斯坦福大学)
本文提出了一种新的方法,命名为组行进树(GMT*)算法,规划在GPU上的速率服从控制回路内的应用程序,允许规划在现实世界中的设置通过重复计算接近最优的计划。GMT* 与快速行进树(Fast Marching Tree,FMT)算法类似,通过一组样本上的“惰性”动态规划递归来探索状态空间,以生成一棵接近最优路径的树。然而,GMT* 用近似动态规划改变了FMT的方法,即并行地扩大成本低于递增阈值的所有活动样本的组,而不仅仅是最低成本样本。这种组近似在样本集上实现了低级并行性,并且消除了对顺序数据结构的需要,而“惰性”冲突检查限制了线程发散--所有这些都有助于非常高效的GPU实现。虽然这种方法会产生一些次优,我们证明GMT* 保持渐近最优的常数乘法因子。我们展示了在差分约束下复杂规划问题的解决方案,在桌面GPU上可以在~10 ms内找到,在嵌入式GPU上可以在~30 ms内找到,这代表了最先进技术的显着加速,性能损失很小。最后,我们提出了一个方案,展示了在控制回路(~100 Hz)内规划在动态、不确定环境中运行的功效。
2017-05-05 cs.RO
Motion Primitives based Path Planning with Rapidly-exploring Random Tree
George Mason University(乔治梅森大学)
我们提出了一种方法,使用快速探索随机树(RRT)生成机器人kinodynamically可行路径。我们利用运动原语作为一种方式来捕捉机器人的动态,并使用这些运动原语建立与RRT树的分支。由于每个分支都是使用机器人的运动基元构建的,不会导致与障碍物的碰撞,因此保证所得到的路径满足机器人的kinodynamic约束,从而可以用于导航,而无需对生成的轨迹进行任何后处理。我们证明了我们的方法在模拟的2D环境中使用简单的机器人模型与各种运动原语的有效性。
2022-10-27 cs.RO
Coverage Path Planning for Redundant Manipulators using Generalized Spanning Trees
Center for AI & Robotics(人工智能与机器人中心);New York University Abu Dhabi(纽约大学阿布扎比分校)
针对冗余机械臂表面覆盖问题,提出基于广义生成树的离线与在线联合生成树覆盖算法,通过多IK解建模为广义最小生成树,实现无重复覆盖路径,仿真验证了其高效性。
2026-09-09 cs.RO
Optimizing Trajectory-Trees in Belief Space: An Application from Model Predictive Control to Task and Motion Planning
TU Berlin(柏林工业大学)
该研究针对部分可观测机器人规划问题,提出PO-MPC、D-AuLa算法及PO-LGP规划器,分别应用于MPC和TAMP,提升了规划性能并实现了问题规模的扩展。
2026-08-11 cs.RO
Single-query Path Planning Using Sample-efficient Probability Informed Trees
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
在这项工作中,我们提出了一种新的基于采样的路径规划方法,称为SPRINT。该方法能够快速、鲁棒地求解高维路径规划问题。其效率来自于最大限度地减少冲突检查样本的数量。这种抽样的减少依赖于预测样本在搜索过程中有用的可能性的统计学。具体而言,算法(1)优先考虑更有希望的搜索区域;(2)从局部最小区域中挑选样本;(3)引导搜索远离先前观察到的碰撞状态。经验评估表明,我们的方法发现更短或相当长度的解决方案的路径在显着更少的时间比常用的方法。我们证明,这些性能的提高可以在很大程度上归因于我们的方法,以实现样本效率。
2021-05-31 cs.RO
Sampling-Based Multi-Modal Multi-Robot Multi-Goal Path Planning
Computational Robotics Lab ETH Zürich(机器人计算实验室ETH Zurich)
本文提出基于采样的多机器人多目标路径规划方法,解决多机器人协同任务中的路径规划问题,实现概率完备和渐进最优的规划算法。
2026-04-17 cs.RO
S&Reg: End-to-End Learning-Based Model for Multi-Goal Path Planning Problem
Waseda University(早稻田大学)
本文提出端到端模型S&Reg,通过多任务学习同时预测目标间最优路径区域和成对距离,并结合TSP求解器与路径规划器,在障碍环境中高效求解多目标路径规划问题,实验表明其在计算时间和求解成本上优于其他基于采样的算法。
2023-08-08 cs.RO
Autonomous search of an airborne release in urban environments using informed tree planning
Loughborough University(拉夫堡大学);Defence Science and Technology Laboratory(国防科学技术实验室)
使用自动驾驶汽车进行化学品源定位是灾害响应团队安全有效地处理化学品紧急情况的关键工具。虽然已经进行了大量的工作,使用自主系统的源定位,大多数以前的作品都假设一个开放的环境或采用简单的避障,独立的估计过程。在本文中,我们探讨了耦合的路径规划任务的源项估计和避障的整体框架。所提出的系统智能地产生潜在的气体采样位置的基础上,当前估计的风场和本地地图。然后,执行树搜索以生成朝向估计的源位置的路径,该路径绕过任何障碍物并且仍然允许探索潜在的优越采样位置。建议的知情树规划算法,然后测试对Entrotaxis技术在一系列高保真度的模拟。所提出的系统被发现,以减少源位置误差更有效地比Entrotaxis在一个功能丰富的环境,同时也表现出更加一致和强大的结果。
2022-10-04 cs.RO
Monte-Carlo Tree Search with Prioritized Node Expansion for Multi-Goal Task Planning
Schaeffler Hub for Advanced Research at NTU(南洋理工大学舍弗勒高级研究中心);School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航空航天工程学院)
针对多子目标机器人符号任务规划计算复杂度高的问题,提出带优先节点扩展的蒙特卡洛树搜索规划器,结合动作约简,可高效处理多子目标任务并在真实工业场景验证。
2023-07-24 cs.RO
Path Planning for Manipulation using Experience-driven Random Trees
Edinburgh Centre for Robotics(爱丁堡机器人中心);University of Edinburgh(爱丁堡大学);Heriot-Watt University(赫瑞瓦特大学);Rice University(莱斯大学)
机器人系统可能会经常遇到类似的操纵规划问题,导致类似的运动计划。代替从头开始规划每个问题,优选的是利用先前计算的运动规划,即,经验,以方便规划。已经提出了不同的方法来利用新的任务实例的先验信息。然而,这些方法依赖于大量的经验,当没有一个与当前问题密切相关时,这些方法就会失败。因此,一个开放的挑战是将先前的经验概括为不一定与先前相似的任务实例的能力。这项工作解决了上述挑战,提出了经验是“可分解的”和“可延展的”的命题,即,体验的部分适合于相关地探索机器人任务空间的连通性,即使在非体验区域中。两个新的规划师从这个洞察力的结果:经验驱动的随机树(ERT)和它的双向版本ERTConnect。这些规划者采用基于树采样的策略,增量地提取和调制单个路径体验的部分,以组成有效的运动规划。我们展示了我们的方法的任务实例,显着不同于以往的经验,并与相关国家的最先进的经验为基础的规划。虽然他们的修复策略无法概括数十次经验的先验,但我们的计划者,只有一次经验,在成功率和计划时间方面都显着优于他们。我们的规划器在开放式运动规划库中实现并免费提供。
2021-02-28 cs.RO
Combining Machine Learning and Sampling-Based Search for Multi-Goal Motion Planning with Dynamics
George Mason University(乔治梅森大学)
本文提出一种结合机器学习、TSP和采样运动规划的方法,用于障碍物密集环境中的多目标运动规划,通过预测成本矩阵指导树扩展,实验验证了其高效性和可扩展性。
2025-03-26 cs.RO
Multi-Risk-RRT: An Efficient Motion Planning Algorithm for Robotic Autonomous Luggage Trolley Collection at Airports
Southern University of Science and Technology(南方科技大学);Jiaxing Research Institute, Southern University of Science and Technology(南方科技大学嘉兴研究院);University of Pennsylvania(宾夕法尼亚大学);Shanghai Jiao Tong University(上海交通大学);Yanshan University(燕山大学)
本文提出Multi-Risk-RRT算法,通过多子树并行探索与主树启发式信息融合,提升机场行李推车收集机器人在动态环境中的运动规划效率与稳健性。
2023-09-20 cs.RO
S2P2: Self-Supervised Goal-Directed Path Planning Using RGB-D Data for Robotic Wheelchairs
The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong Polytechnic University(香港理工大学);the University of California San Diego(加州大学圣迭戈分校)
路径规划是轮椅机器人实现自主导航的基本能力。近年来,随着深度学习技术的飞速发展,基于模仿学习的路径规划方法取得了很好的效果。然而,这些方法的缺点是双重的:1)它们可能需要大量的时间和劳动来记录专家演示作为训练数据;以及2)现有方法只能接收高级命令,例如向左/向右转弯。这些命令可能不足以用于移动机器人的导航(例如,机器人轮椅),这通常需要准确的姿势的目标。我们提出了S2 P2,一个自我监督的目标导向的路径规划方法,有助于解决这个问题。具体来说,我们开发了一个管道来自动生成作为输入RGB-D图像和目标姿势的规划路径标签。然后,我们提出了一个最佳拟合回归平面损失训练我们的数据驱动的路径规划模型的基础上产生的标签。我们的S2 P2不需要预先构建的地图,但它可以通过我们的框架集成到现有的基于地图的导航系统中。实验结果表明,我们的S2 P2优于传统的路径规划算法,并增加了现有的基于地图的导航系统的鲁棒性。我们的项目页面可在https://sites.google.com/view/s2p2上找到。
2021-03-18 cs.RO
Combining Neural Networks and Tree Search for Task and Motion Planning in Challenging Environments
Zoox, Inc.(Zoox公司);The Johns Hopkins University(约翰斯·霍普金斯大学)
我们认为任务和运动规划在复杂的动态环境中的问题表示的一组线性时序逻辑(LTL)的约束,和奖励函数。我们提出了一种基于强化学习的方法,该方法采用深度神经网络来学习低级控制策略以及任务级选项策略。对于神经网络方法和经典规划来说,在这种情况下的一个主要挑战是需要探索复杂和交互式环境的未来世界。为此,我们集成了蒙特卡罗树搜索与层次神经网络控制策略的表达LTL规格。本文研究了神经网络学习LTL约束和控制策略的能力,以便在复杂环境中生成任务计划。我们在模拟的自动驾驶环境中展示了我们的方法,在这种环境中,车辆必须在交通中沿着道路行驶,避免碰撞,并在十字路口导航,同时遵守给定的道路规则。
2017-03-22 cs.RO
A Rapidly-Exploring Random Trees Motion Planning Algorithm for Hybrid Dynamical Systems
University of California, Santa Cruz(加州大学圣克鲁兹分校)
提出了一种快速探索随机树(RRT)算法来解决混合系统的运动规划问题。在每次迭代中,所提出的算法,称为HyRRT,随机挑选一个状态样本,并扩展搜索树的流或跳转,这也是随机选择时,这两个制度都是可能的。通过定义的级联的功能定义的混合时域,我们表明,HyRRT是概率完整的,即,未能找到一个运动计划的概率接近零的算法的迭代次数的增加。这个属性是保证在温和的条件下定义的运动计划的数据,其中包括放松通常的正间隙假设施加在文献中的经典系统。运动计划的计算通过两个优化问题的解决方案,一个与流量和其他与系统的跳跃。该算法被应用到步行机器人,以突出其通用性和计算功能。
2022-10-26 cs.RO
Batch Informed Trees (BIT*)
Utah State University(犹他州立大学)
通过复杂障碍空间的路径规划是许多移动机器人应用的基本要求。最近,一种快速收敛的路径规划算法,批通知树(BIT*),介绍了。这项工作作为一个简明的写作和解释BIT*。这项工作包括BIT* 的描述和BIT* 如何操作,BIT* 的图形演示,以及BIT* 与最优快速探索随机树(RRT*)相比的仿真结果。
2023-03-10 cs.RO
Direction Informed Trees (DIT*): Optimal Path Planning via Direction Filter and Direction Cost Heuristic
Department of Informatics, Technical University of Munich(信息学院,慕尼黑技术大学)
本文提出方向信息树(DIT*),一种基于采样的最优路径规划算法,通过方向过滤器和方向成本启发式优化搜索方向,在R^4至R^16空间中比现有单查询规划器收敛更快,并在真实环境中验证。
2025-08-26 cs.RO
Fibration Trees: A Unified Approach to Multi-Robot Motion Planning
Technical University of Berlin(柏林工业大学);KTH Royal Institute of Technology(瑞典皇家理工学院);Rice University and the Ken Kennedy Institute(莱斯大学和肯·肯尼迪研究所)
提出纤维树统一框架,通过纤维化建模投影,结合优先序、并行分解和任务空间投影,并开发Fibration-RRT规划器,在高维多机器人运动规划中实现概率完备性。
2026-06-11 cs.RO
Decentralized Motion Planning with Collision Avoidance for a Team of UAVs under High Level Goals
KTH Royal Institute of Technology(瑞典皇家理工学院)
研究了在高水平目标下的空中智能体团队的运动规划问题。我们提出了一种混合控制策略,保证每个代理的本地目标规范,这是作为一个时间逻辑公式的完成,同时保证代理间的冲突避免。特别是,通过定义3-D领域,绑定代理的体积,我们扩展了以前的工作分散的导航功能,并提出控制律,导航代理之间的预定义区域的工作空间的兴趣,同时避免相互碰撞。这使我们能够抽象的代理有限转移系统的运动,并通过采用标准的形式化验证技术,得到一个高层次的控制算法,满足代理的规格。仿真和四旋翼实验结果验证了该方法的有效性。
2016-10-04 cs.RO
Motion Planning Explorer: Visualizing Local Minima using a Local-Minima Tree
University of Stuttgart(斯图加特大学)
运动规划问题往往有许多局部最小值。这些最小值对于可视化以让用户引导、防止或预测运动是重要的。为了实现这一目标,我们开发的运动规划资源管理器,一种算法,让用户交互式地探索一棵树的局部极小值。根据Morse理论的思想,我们将局部极小定义为在最小化成本泛函下的路径不变。局部最小值使用由用户指定的低维投影被分组到局部最小值树中。然后,用户可以交互式地探索局部最小值树,从而可视化问题结构并引导或防止运动。我们展示了运动规划资源管理器忠实地捕捉本地最小值在四个现实的情况下,完整和某些非完整的机器人。
2019-11-03 cs.AI cs.RO
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University(暨南大学);University of Chinese Academy of Sciences(中国科学院大学);Shanghai Jiao Tong University(上海交通大学);Wuyi University(五邑大学);South China University of Technology(华南理工大学)
本文提出TRACE算法,利用分层覆盖树实现未知环境的在线覆盖路径规划,通过局部优化和全局路径引导,显著提升覆盖效率。
2026-09-21 cs.RO
Tree-Based Grafting Approach for Bidirectional Motion Planning with Local Subsets Optimization
School of Computation, Information and Technology (CIT), Technical University of Munich(计算、信息与技术学院(CIT),慕尼黑技术大学);State Key Laboratory for Novel Software Technology and the School of Science and Technology, Nanjing University (Suzhou Campus)(新型软件技术国家重点实验室和南京大学科学与技术学院(苏州校区))
本文提出G3T*双向运动规划器,通过在两端嫁接无效边连接并利用GuILD子集最小勒贝格测度进行贪心优化,结合动态采样分布调整,实现快速收敛和渐近最优性,在基准与真实机器人实验中优于现有单查询采样规划器。
2025-08-27 cs.RO
Task and Motion Informed Trees (TMIT*): Almost-Surely Asymptotically Optimal Integrated Task and Motion Planning
Rice University(莱斯大学);Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院);University of Oxford(牛津大学)
高水平的自主性需要离散和连续的推理来决定采取什么行动以及如何执行这些行动。集成任务和运动规划(TMP)算法联合解决这些混合问题以考虑离散符号动作之间的约束(即,任务计划)和它们的连续几何实现(即,运动计划)。这种联合的方法解决了更困难的问题比方法,解决任务和运动子问题独立。TMP算法结合并扩展了任务和运动规划的结果。TMP主要关注计算性能和完整性,较少关注解的最优性。最优TMP是困难的,因为独立的最优子问题可能不是最优的集成解决方案,这只能通过联合优化两个计划。本文提出了任务和运动信息树(TMIT*),一个最佳的TMP算法,结合的结果,从最大完工时间最优的任务规划和几乎必然渐近最优的运动规划。TMIT* 交错不对称的前向和逆向搜萦,以延迟计算昂贵的操作,直到必要的,并直接在问题的混合状态空间中执行有效的知情搜索。这使它能够快速解决问题,然后收敛到最佳的解决方案与额外的计算时间,所证明的评估机器人操作基准问题。
2022-10-17 cs.RO
Extended Tree Search for Robot Task and Motion Planning
Technische Universität Darmstadt(达姆施塔特工业大学)
综合任务和运动规划(TAMP)是广义自主机器人的理想选择,同时也是一个挑战。TAMP要求规划者不仅要在大的符号任务空间和高维运动空间中进行搜索,而且要处理由于其内在的分层过程而不可行的任务动作。我们提出了一个新的决策框架TAMP通过构建一个扩展的决策树的符号任务规划和高维运动变量绑定。我们集成的top-k规划生成明确的骨架空间,各种候选人的骨架计划是在处置。此外,我们有效地结合这个骨架空间与所得的运动变量空间到一个单一的扩展决策空间。因此,我们使用蒙特卡罗树搜索(MCTS),以确保在每个决策节点的勘探开发平衡和全局优化,以产生最优的解决方案。所提出的符号top-k规划与流的无缝结合,与MCTS的证明最优性,导致一个强大的规划算法,可以处理组合的复杂性的长期操作任务。我们经验性地评估我们提出的算法在具有挑战性的机器人任务与不同的领域,需要多阶段的决策,并显示我们的方法可以克服大的任务空间和运动空间,通过其有效的树搜索相比,其最有竞争力的基线方法。
2021-10-15 cs.LG cs.RO
Gaussian Belief Trees for Chance Constrained Asymptotically Optimal Motion Planning
University of Colorado Boulder(科罗拉多大学博尔德分校)
在本文中,我们解决的问题,基于采样的运动规划运动和测量的不确定性与概率保证。我们推广传统的基于采样树的运动规划算法的确定性系统,并提出信念- $\mathcal{A}$,一个框架,扩展任何kinodynamic树为基础的规划器的线性(或线性化)系统的信念空间。我们引入适当的抽样技术和距离度量的信念空间,保持概率的完整性和渐近最优性能的基础计划。我们证明了我们的方法有效地找到安全的低成本路径,并在模拟渐近最优,完整和非完整系统的有效性。
2022-10-04 cs.RO cs.SY eess.SY
IBBT: Informed Batch Belief Trees for Motion Planning Under Uncertainty
Georgia Institute of Technology(佐治亚理工学院)
本文提出IBBT算法,将不确定性运动规划分解为确定性采样建图与知情启发式信念树搜索,实现可收敛、可复用的任意时间增量规划,并在多环境中验证其更快且能找到非平凡规划。
2023-04-21 cs.AI cs.RO
Rapidly-Exploring Quotient-Space Trees: Motion Planning using Sequential Simplifications
University of Stuttgart(斯图加特大学)
运动规划问题可以通过配置空间到低维服从空间序列的容许投影来简化,称为序列简化。为了利用顺序简化,我们提出了商空间快速探索随机树(QRRT)算法。QRRT将开始和目标配置以及一系列的连续空间作为输入。该算法在连续空间上同时生长树,以保证密集覆盖。QRRT被证明是(1)概率上完全的,(2)可以减少至少一个数量级的运行时间。然而,我们在实验中表明,运行时间在不同的连续空间序列之间存在很大差异。为了找出原因,我们进行了一个额外的实验,表明环境越窄,越多的空间序列可以减少运行时间。
2019-08-24 cs.AI cs.RO
Tru-POMDP: Task Planning Under Uncertainty via Tree of Hypotheses and Open-Ended POMDPs
Shanghai Jiao Tong University(上海交通大学);Shanghai Innovation Institute(上海创新研究院);East China Normal University(华东师范大学);Beijing University of Posts and Telecommunications(北京邮电大学)
Tru-POMDP通过结合LLM生成的信念与开放性POMDP规划,有效应对任务规划中的不确定性,提升规划效率与鲁棒性。
2026-03-01 cs.AI cs.RO
Heuristic Planner for Communication-Constrained Multi-Agent Multi-Goal Path Planning
Czech Technical University in Prague(布拉格捷克理工大学);Charles University(查理大学)
本文研究通信受限的多智能体多目标路径规划问题,提出基于图搜索的算法,使机器人在保持通信连通的前提下访问所有目标并最小化完成时间。
2024-12-18 cs.MA cs.RO
Path Planning in Dynamic Environments using Generative RNNs and Monte Carlo Tree Search
用于在动态环境(诸如人群或交通)中进行机器人路径规划的现有技术方法依赖于用于代理的手工制作的运动模型。这些模型通常不反映真实世界场景中代理的交互。为了克服这一局限性,本文提出了一个集成的路径规划框架,使用生成递归神经网络内的蒙特卡罗树搜索(MCTS)。这种方法使用一个学习的社会反应模型来预测整个行动空间规划过程中的人群动态。这扩展了我们最近的工作,使用生成RNN来学习计划的机器人动作与人群可能的反应之间的关系。我们表明,所提出的框架可以大大提高运动预测的准确性,在互动过程中,允许更有效的路径规划。我们的方法的性能进行了比较,在模拟与现有的方法在人群中的行人碰撞避免,展示了控制附近的个人的未来状态的能力。我们还进行了初步的现实世界测试来验证我们方法的有效性。
2020-01-30 cs.CV cs.RO
Towards Autonomous Robotic Precision Harvesting: Mapping, Localization, Planning and Control for a Legged Tree Harvester
ETH Zurich(苏黎世联邦理工学院)
本文提出了一种集成系统,用于执行精确收获任务,使用腿式收割机。我们的收割机在封闭的、GPS拒绝的森林环境中执行自主导航和树木抓取的挑战性任务。提出了映射、定位、规划和控制的策略,并将其集成到一个完全自主的系统中。任务开始时,人类使用定制的传感器模块绘制感兴趣的区域。随后,人类专家选择树木进行收获。然后将传感器模块安装在机器上并用于在给定地图内进行定位。规划算法在单个路径规划问题中搜索接近姿势和路径。我们设计了一个路径跟踪控制器,利用腿收割机的能力,谈判粗糙的地形。在到达接近姿势时,机器用通用夹具抓住一棵树。对于操作员选择的所有树重复该过程。我们的系统已经过测试,在测试领域与树干和天然森林。据我们所知,这是第一次在现实环境中运行的全尺寸液压机器上展示这种自主水平。
2021-11-05 cs.RO cs.SY eess.SY
Learning Reward Models for Cooperative Trajectory Planning with Inverse Reinforcement Learning and Monte Carlo Tree Search
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Robert Bosch GmbH(罗伯特·博世有限公司)
自动驾驶车辆的协同轨迹规划方法可以解决需要交通参与者之间高度合作的交通场景。然而,为了使协作系统集成到以人为中心的交通中,自动化系统必须表现得像人类一样,以便人类可以预测系统的决策。虽然强化学习在解决决策部分方面取得了显着进展,但参数化产生可预测行为的奖励模型并非易事。这项工作采用基于特征的最大熵逆强化学习结合蒙特卡罗树搜索学习奖励模型,最大限度地提高记录的多智能体合作专家轨迹的可能性。评估表明,该方法可以恢复一个合理的奖励模型,模仿专家和执行类似的手动调整基线奖励模型。
2022-05-06 cs.LG cs.RO
Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments
University of Verona(维罗纳大学)
本文提出融合MCTS与VO的在线运动规划方法,仅依赖障碍物当前位置和最大速度,在多达40个动态障碍物场景中提升安全性、效率与任务表现。
2025-01-16 cs.AI cs.RO
Cooperative Trajectory Planning in Uncertain Environments with Monte Carlo Tree Search and Risk Metrics
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
自动驾驶汽车需要与人类合作的能力,以顺利融入当今的交通。虽然合作的概念是众所周知的,开发一个强大的和有效的合作轨迹规划方法仍然是一个挑战。这一挑战的一个方面是由于传感器精度有限而导致的环境状态的不确定性。这种不确定性可以用部分可观测马尔可夫决策过程来表示。我们的工作解决了这个问题,通过扩展现有的合作轨迹规划方法的基础上连续动作空间的蒙特卡罗树搜索。它通过以根信念状态的形式显式地建模不确定性来实现这一点,从根信念状态开始对树的开始状态进行采样。在用蒙特卡罗树搜索构造树之后,使用核回归将它们的结果聚合成收益分布。我们应用两个风险指标进行最终选择,即置信下限和条件风险值。可以证明,在最终选择策略中集成风险度量在不确定的环境中始终优于基线,从而生成相当安全的轨迹。
2022-11-12 cs.AI cs.MA cs.RO
Broadly-Exploring, Local-Policy Trees for Long-Horizon Task Planning
Robotics at Google(谷歌机器人学部门(或谷歌机器人部门))
现实环境中的长期规划需要在具有复杂动态的高维状态空间中对顺序任务进行推理的能力。经典的运动规划算法,如快速探索随机树,能够有效地探索大的状态空间和计算长期的,顺序的计划。然而,这些算法通常面临复杂、随机和高维状态空间的挑战,以及在与环境交互的任务中自然出现的狭窄通道的存在下。机器学习提供了一个很有前途的解决方案,它能够学习可以处理复杂交互和高维观测的一般策略。然而,这些政策通常在期限长度上受到限制。我们的方法,广泛探索,本地政策树(BELT),合并这两种方法,以利用两者的优势,通过任务条件,基于模型的树搜索。BELT使用RRT启发的树搜索来有效地探索状态空间。在本地,探索是由一个任务条件,学习政策能够执行一般的短期任务。这个任务空间可以是相当一般和抽象的;它唯一的要求是可采样的,并很好地覆盖有用任务的空间。这种搜索是由一个任务条件的模型,暂时延长动态传播,允许长视野搜索和顺序推理的任务。实验证明,带能够计划长期的,连续的轨迹与目标条件的政策,并产生计划,是强大的。
2020-10-13 cs.LG cs.RO
CT-CPP: Coverage Path Planning for 3D Terrain Reconstruction Using Dynamic Coverage Trees
University of Connecticut(康涅狄格大学)
这封信解决了三维覆盖路径规划(CPP)问题的地形重建未知的障碍丰富的环境。由于传感器的限制,所提出的方法,称为CT-CPP,执行分层扫描的3D区域收集地形数据,其中的旅行序列是使用的概念,覆盖树(CT)与TSP启发的树遍历策略进行优化。CT-CPP方法在高保真水下模拟器上进行了验证,并将结果与现有的地形跟随CPP方法进行了比较。结果表明,CT-CPP产生的轨迹长度,能量消耗和重建误差显着减少。
2021-12-02 cs.AI cs.RO cs.SY
Intelligent bidirectional rapidly-exploring random trees for optimal motion planning in complex cluttered environments
National University of Sciences And Technology (NUST)(国立科技大学);Osaka University(大阪大学)
快速探索随机树(RRT)算法是一种基于采样的运动规划算法,由于其计算效率和有效性,受到了许多研究者的关注。最近,RRT的一个变种RRT* 已被提出,以确保渐近最优性。随后,其双向版本也被引入文献中,称为双向RRT *(B-RRT*)。我们介绍了一个新的变种称为智能双向RRT *(IB-RRT*),这是一个改进的最佳RRT* 和双向版本的RRT*(B-RRT*)算法的变种,是专门为复杂的杂乱环境。IB-RRT* 利用双向树方法,并引入智能样本插入启发式算法,使用均匀采样启发式算法快速收敛到最优路径解决方案。所提出的算法进行了理论评估和实验结果比较IB-RRT* RRT * 和B-RRT*。此外,实验结果表明,IB-RRT* 的优越效率与RRT* 和B-RRT在复杂的杂波环境。
2017-03-27 cs.AI cs.RO
Real-Time Fast Marching Tree for Mobile Robot Motion Planning in Dynamic Environments
Ingenuity Labs Research Institute(Ingenuity Labs研究院)
针对动态环境下移动机器人运动规划问题,提出RT-FMT算法,融合FMT*与RT-RRT*特性,实现局部-全局路径协同生成、动态避障及树结构复用,仿真验证其在执行成本、到达时间上优于RT-RRT*,且局部路径预执行可有效缩短到达时间。
2025-02-13 cs.RO cs.SY eess.SY
Optimal Solving of Constrained Path-Planning Problems with Graph Convolutional Networks and Optimized Tree Search
Safran Electronics & Defense(赛峰电子与防务公司);LAMSADE, Paris-Dauphine University(巴黎多芬大学LAMSADE实验室);CREC Saint-Cyr, Coetquidan School Campus(圣西尔军校科埃基当校区研究中心)
基于深度学习的方法在规划方面越来越重要。在本文中,我们提出了一种混合规划器,结合了图机器学习模型和基于分支和边界树搜索的路径规划任务的最佳求解器。更具体地,使用图神经网络来辅助分支定界算法处理与期望解路径相关联的约束。有多个下游实际应用,例如自主无人地面车辆(AUGV),通常部署在救灾或搜索和救援行动中。在越野环境中,AUGV必须在各种操作约束下动态优化源-目的地路径,其中一些操作约束难以提前预测并且需要在线解决。我们进行实验,现实的情况下,并表明,图神经网络的支持,使大量的加速和更平滑的扩展到更难的路径规划问题。此外,由图神经网络提供的信息使该方法能够优于特定问题的手工算法,突出了潜在的图神经网络持有的路径规划任务。
2022-04-03 cs.AI cs.LG cs.RO
Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning
Australian Centre for Robotics(澳大利亚机器人中心);School of Aerospace, Mechanical and Mechatronic Engineering(航空航天、机械与机电工程学院)
本文提出了一种基于学习的全对运动规划方法,通过双 Lipschitz 双射构造平滑的目标条件神经ODEs,理论结果表明该模型在任意目标位置下能保证全局指数稳定性与安全性,且提供了收敛速率、跟踪误差和向量场大小的显式界。
2026-09-23 cs.RO cs.SY eess.SY
Planning with SiMBA: Motion Planning under Uncertainty for Temporal Goals using Simplified Belief Guides
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出一种多层运动规划算法,利用系统简化模型的轨迹在组合任务和信念空间中引导基于采样的搜索树,解决线性时序逻辑规范下的运动与感知不确定性问题,避免了构建精细有限抽象,显著加速了复杂规范下的规划。
2023-04-09 cs.FL cs.RO cs.SY
An Improved Rapidly Exploring Random Tree Algorithm for Path Planning in Configuration Spaces with Narrow Channels
Vellore Institute of Technology(韦洛尔理工学院);Carnegie Mellon University(卡内基梅隆大学)
针对RRT算法在含狭窄通道的构型空间中收敛慢、路径长的问题,提出一种通过邻域碰撞检测识别狭窄通道并以预设偏置在其内加点的改进RRT算法,仿真显示其在多类基准问题上能生成显著更短的路径。
2024-11-01 cs.RO cs.SY eess.SY
Trajectory Planning for Non-Communicating Mobile Robots using Inverse Optimal Control
FZI Research Center for Information Technology(弗劳恩霍夫信息技术研究所);Institute of Control Systems, Karlsruhe Institute of Technology(卡尔斯鲁厄大学控制系统研究所)
针对非通信移动机器人在避碰场景中的高效交互,提出一种结合逆最优控制的轨迹规划与预测算法,通过估计未知目标状态并联合预测,实现更快的规划求解。
2026-05-29 cs.RO cs.SY eess.SY
Learning to Plan in High Dimensions via Neural Exploration-Exploitation Trees
Georgia Institute of Technology(佐治亚理工学院);Google Research, Brain Team(谷歌研究院大脑团队);Northwestern University(西北大学);Ant Financial(蚂蚁集团)
提出了一种Meta路径规划算法\emph{Neural Exploration-Exploitation Trees~(NEXT)},用于学习高维连续状态空间和动作空间中的经验,以解决新的路径规划问题。与更经典的基于采样的方法(如RRT)相比,我们的方法在高维中实现了更好的样本效率,并且可以受益于类似环境中的规划经验。更具体地说,NEXT利用了一种新的神经架构,可以从问题结构中学习有希望的搜索方向。然后将学习到的先验知识集成到UCB型算法中,以在解决新问题时实现\emph{exploration}和\emph{exploitation}之间的在线平衡。我们进行了彻底的实验,以表明NEXT完成新的规划问题,更紧凑的搜索树,并显着优于国家的最先进的方法在几个基准。
2020-02-23 cs.LG cs.RO stat.ML
Batch Belief Trees for Motion Planning Under Uncertainty
Georgia Institute of Technology(佐治亚理工学院);Institute for Robotics and Intelligent Machines(机器人与智能机器研究所)
提出批量信念树(BBT)算法,通过批量采样、标称轨迹图构建与信念空间搜索交替,在运动和传感不确定性下生成可收敛至最优的信息收集型运动规划,且实验表明其规划更复杂、速度更快。
2023-04-21 cs.RO cs.SY eess.SY
Planning under Uncertainty to Goal Distributions
University of Utah Robotics Center and School of Computing(犹他大学机器人中心和计算机学院);NVIDIA Corporation(英伟达公司)
本文提出了一种在不确定性下面向目标分布的规划新方法,将其构建为“规划即推断”实例,并推导出常见规划目标为其特例,实验验证了概率分布在多种机器人任务中的灵活性与优势。
2025-06-27 cs.RO
STD-Trees: Spatio-temporal Deformable Trees for Multirotors Kinodynamic Planning
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
在具有大量同伦类的约束解空间中,基于独立采样的Kinodynamic规划器收敛效率低。局部优化被集成来缓解这个问题。本文提出了一种基于变形单元的轨迹树生长方法,每个变形单元包含一个节点和连接节点的所有边,通过优化节点状态和边的持续时间,实现了轨迹树的空间和时间变形。该单元仅局部地改变树,但提高了相应子树的整体质量。此外,变形不同的树的部分,考虑到计算负担和优化水平的变种进行了研究和比较,都表现出更快的收敛。所提出的变形是兼容不同的基于RRT的Kinodynamic规划方法,和数值实验表明,集成的时空变形大大加快了收敛速度,并优于空间只有变形。
2021-09-16 cs.RO
Efficient Object Manipulation Planning with Monte Carlo Tree Search
Tandon School of Engineering, New York University(纽约大学坦登工程学院)
提出了一种有效的物体操作规划方法,利用蒙特卡罗树搜索(MCTS)算法寻找接触序列,并利用基于ADMM的轨迹优化算法评估候选接触序列的动态可行性。为了加速MCTS,我们提出了一种方法来学习目标条件的策略值网络,以引导搜索到有希望的节点。此外,特定于操作的算法使得能够大幅减少搜索空间。在物理模拟器和真实硬件上的系统对象操作实验证明了我们的方法的效率。特别是,由于学习的策略值网络,我们的方法对长操作序列有利,显著提高了规划成功率。
2023-03-19 cs.RO
Pareto Monte Carlo Tree Search for Multi-Objective Informative Planning
Indiana University(印第安纳大学)
在许多环境监测场景中,采样机器人需要在有限的时间内同时探索环境并利用感兴趣的特征。我们提出了一个多目标的信息规划方法称为帕累托蒙特卡罗树搜索,它允许机器人处理潜在的竞争目标,如探索与开发。该方法根据机器人对环境状态的了解(估计)为机器人产生优化的决策解决方案,从而更好地适应环境动态。我们提供的关键树节点的选择步骤的算法分析,并表明,选择次优节点的次数是数学界和搜索结果收敛到最佳的选择在一个多项式的速度。
2021-11-02 cs.RO
Interpretable Goal-based Prediction and Planning for Autonomous Driving
Five AI Ltd.(Five AI有限公司);School of Informatics, University of Edinburgh(爱丁堡大学信息学院);University of Oxford(牛津大学)
我们提出了一个集成的预测和规划系统的自动驾驶,使用合理的逆向规划,以识别其他车辆的目标。目标识别通知蒙特卡罗树搜索(MCTS)算法来规划自我车辆的最佳机动。逆向规划和MCTS利用一组共享的定义机动和宏观行动来构建可通过合理性原则解释的计划。在城市驾驶场景模拟中的评估表明,该系统能够稳健地识别其他车辆的目标,使我们的车辆能够利用重要的机会来显着减少驾驶时间。在每种情况下,我们提取直观的解释,证明系统的决定的预测。
2021-03-15 cs.RO
DTPP: Differentiable Joint Conditional Prediction and Cost Evaluation for Tree Policy Planning in Autonomous Driving
School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航天工程学院);NVIDIA Research, NVIDIA Corporation(英伟达公司英伟达研究院);Department of Aeronautics and Astronautics, Stanford University(斯坦福大学航空航天系)
本文提出DTPP框架,通过可微联合训练自车条件预测模型与上下文感知代价模型,结合树结构策略规划,在nuPlan数据集上以更高效率实现了优于现有学习方法的自动驾驶规划质量。
2024-02-24 cs.RO
Multi-Stage Monte Carlo Tree Search for Non-Monotone Object Rearrangement Planning in Narrow Confined Environments
Purdue University(普渡大学)
针对狭窄受限空间中的非单调物体重排规划问题,提出多阶段蒙特卡洛树搜索方法,通过物体阶段拓扑解耦问题并联合高低层规划,在规划时间、步数和移动距离上优于现有方法。
2024-08-07 cs.RO
Multi-Objective and Model-Predictive Tree Search for Spatiotemporal Informative Planning
Indiana University(印第安纳大学)
针对机器人环境监测中时空变化环境下自适应采样规划的决策易失效问题,提出融合多目标优化与前瞻模型预测奖励的蒙特卡洛树搜索方法,利用预测时空环境过程,在相关指标上优于基线方法。
2023-06-16 cs.RO