Planning, scheduling, and execution on the Moon: the CADRE technology demonstration mission
Jet Propulsion Laboratory - California Institute of Technology(喷气推进实验室 - 加州理工学院)
本文介绍CADRE月球多机器人探测任务的自主分布式PS&E系统,说明其集中规划、分布式执行、资源约束与故障容错设计及硬件V&V测试。
2025-02-20 cs.RO cs.SY eess.SY
Contingency Planning Using Bi-level Markov Decision Processes for Space Missions
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)
本文提出双层 MDP 框架,用于解决行星巡视器任务中因动作空间大和时间范围长导致的计算难题,并在 RoverGridWorld 上验证了其计算可处理性与近最优策略。
2024-02-26 cs.AI cs.RO
Multi-robot task allocation for safe planning against stochastic hazard dynamics
ETH Zürich(苏黎世联邦理工学院);ABB Corporate Research(ABB企业研究院);EPFL(洛桑联邦理工学院)
本文研究了不确定动态环境下的多机器人安全任务规划问题。这个问题出现在几个应用中,包括安全关键的探索,监视和紧急救援任务。多机器人最优控制策略的计算是具有挑战性的,不仅是因为在规划时纳入动态不确定性的复杂性,而且还因为问题大小作为机器人数量的函数的指数增长。利用最近的作品获得一个易于处理的安全最大化的计划,为一个机器人,我们提出了一个可扩展的两阶段框架来解决手头的问题。具体来说,该问题分为一个低层次的单智能体控制问题和一个高层次的任务分配问题。低层次的问题使用一个有效的近似随机可达性的马尔可夫决策过程,以获得动态不确定性下的最优控制政策。任务分配是解决使用多项式时间的前向和反向贪婪算法和分布式拍卖的方式。通过利用我们的安全目标函数的属性,我们提供了可证明的性能界限的安全性,提出了这两个算法的近似解决方案。我们评估的理论与广泛的数值案例研究。
2022-11-13 cs.RO math.OC
Active Exploitation of Redundancies in Reconfigurable Multi-Robot Systems
DFKI GmbH(德国人工智能研究中心)
传统的机器人系统采用单片系统设计,而可重构的多机器人系统可以按需共享和转移物理资源。多机器人操作可以通过根据当前任务主动管理系统冗余并拥有更多选项来响应故障事件,从而受益于这种灵活性。为了支持这种积极利用机器人系统中的冗余,本文详细介绍了一种组织模型作为规划与可重构多机器人系统的基础。该模型允许利用冗余时,优化多机器人系统的生存概率相对于所需的任务。由此产生的规划方法交易的安全性对机器人操作的效率,从而提供了一个新的视角和工具来设计和改进多机器人任务。我们使用一个模拟的多机器人行星探测任务来评估这种方法,并突出了一个示范性的性能景观。
2021-06-22 cs.MA cs.RO
Safe Mission Planning under Dynamical Uncertainties
ETH Zürich(苏黎世联邦理工学院)
研究了不确定动态环境下机器人的安全任务规划问题。这个问题出现在监控、紧急救援和自动驾驶等应用中。这是一个具有挑战性的问题,由于建模和集成动态的不确定性到一个安全的规划框架,并找到一个解决方案,在计算上易于处理的方式。在这项工作中,我们首先开发了一个概率模型的动态不确定性。然后,我们提供了一个框架,以生成一个路径,最大限度地提高复杂任务的安全性,结合不确定性模型。我们还设计了一个蒙特卡罗方法,以获得一个安全的路径有效。最后,我们评估了我们的方法的性能,并将其与几个案例研究中的潜在替代方案进行比较。
2020-03-05 cs.AI cs.RO
Maritime Mission Planning for Unmanned Surface Vessel using Large Language Model
Khalifa University Center for Advanced Robotic Systems (KUCARS)(哈利法大学高级机器人系统中心(KUCARS));Khalifa University of Science and Technology(哈利法科技大学)
针对无人水面艇静态任务规划难以适应动态海况的问题,提出集成GPT-4等LLM与符号规划并利用底层控制反馈的框架,实现自然语言任务指定、实时重规划和鲁棒执行。
2025-03-15 cs.AI cs.RO
Meteorology-Aware Multi-Goal Path Planning for Large-Scale Inspection Missions with Long-Endurance Solar-Powered Aircraft
与传统飞机相比,太阳能飞机有望显著提高飞行续航力。虽然这使它们成为大规模空中视察任务的理想人选,但由于其结构脆弱,必须使用适当的路径规划方法避免恶劣天气。因此,本文介绍了MetPASS,气象感知路径规划和分析软件的太阳能无人机。MetPASS是文献中第一个考虑影响太阳能飞行安全或性能的所有方面的路径规划框架:它避免了环境风险(雷暴,雨,风,阵风和湿度),并利用有利区域(高太阳辐射或顺风)。它还可以避免系统风险,如电池电量低,并通过杂乱的地形返回安全路径。MetPASS从全球气象模型中导入天气数据,通过能量系统模型传播飞机状态,然后将两者结合到成本函数中。结合动态规划技术和A* 搜索算法与自定义启发式被用来规划全局最优路径在站点保持,点对点或多目标的空中检查任务的覆盖保证。提供了一个完整的软件实现,包括GUI。这些规划方法使用苏黎世联邦理工学院的太阳能无人机的三个任务进行了验证:81小时连续太阳能动力保持飞行,从纽芬兰到葡萄牙的4000公里大西洋穿越,以及2017年夏季在格陵兰岛附近执行的北冰洋上空的两个多冰川空中检查任务。
2017-11-28 cs.AI cs.RO
SPINE: Online Semantic Planning for Missions with Incomplete Natural Language Specifications in Unstructured Environments
针对不完整自然语言任务的机器人在线规划难题,提出SPINE规划器,结合LLM推理隐含子任务与滚动时域框架,在大尺度杂乱户外环境中实现了效率翻倍、无需预建地图且交互更少的语义规划。
2025-03-21 cs.AI cs.RO
As You Wish: Mission Planning with Formal Verification using LLMs in Precision Agriculture
University of California, Merced(加州大学默塞德分校)
针对自然语言歧义性,提出基于线性时序逻辑(LTL)反馈循环的LLM任务规划系统,通过双LLM分工实现规范生成与验证,提升精准农业任务规划的可靠性。
2026-08-07 cs.AI cs.RO
Toward Efficient Task Assignment and Motion Planning for Large Scale Underwater Mission
Flinders University(弗林德斯大学)
自主水下航行器(Autonomous Underwater Vehicle,AUV)在大规模作业环境中,为了顺利完成水下任务,并保证其在任务各个阶段的安全,需要具有一定的自主性。本文提出了一种新的组合式无冲突任务分配策略,该策略由局部路径规划器和自适应全局路径规划器的交互参与组成。该方法是建立在粒子群优化(PSO)算法的启发式搜索的潜力,以解决路由任务分配方法的离散性和NP-难路径规划问题的复杂性。所提出的混合方法是非常有效的,有一个反应式的指导框架,保证成功完成任务,特别是在混乱的环境。为了研究该方法在任务生产率,任务时间管理和车辆安全性方面的性能,进行了一系列的仿真研究。仿真结果表明,该方法是可靠的和强大的,特别是在处理不确定性,它可以显着提高车辆的自主水平,依靠其反应的性质和能力,提供快速可行的解决方案。
2016-06-15 cs.AI cs.RO
Current Advancements on Autonomous Mission Planning and Management Systems: an AUV and UAV perspective
Seattle Children’s Research Institute, University of Washington(华盛顿大学西雅图儿童研究所);Monash University(莫纳什大学);University of Salford(索尔福德大学)
硬件技术的进步使复杂软件的集成更加完善,推动了无人驾驶汽车(UV)的开发和使用,并减轻了车载智能的限制。因此,UV现在可以参与更复杂的任务,其中环境条件的持续变化需要更高水平的态势响应。本文介绍了无人机任务规划和管理系统,旨在突出一些最近的发展,在该领域的自主水下和空中车辆,除了强调一些可能的未来方向,并讨论了经验教训。本研究综述了无人机自主性的评估方法,以及无人机自主性的不同方面,如态势感知、认知和决策。本文分别解释了人形和自主系统的性能,并强调了人类在UV操作中的作用和影响。
2020-07-10 cs.AI cs.RO
GeoWind2Plan: Mission-Time 3D Urban Wind Prediction for Energy-Efficient UAV Planning
University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);Concordia University(康考迪亚大学);McGill University(麦吉尔大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);California Institute of Technology(加州理工学院)
GeoWind2Plan提出几何到风到规划的框架,利用局部化神经算子快速预测三维城市风场,并基于物理能量模型优化无人机路径,在约3秒内实现节能规划,相比不考虑风的规划降低能耗6.9%-12.7%。
2026-11-10 cs.AI cs.RO
Optimal Route Planning with Prioritized Task Scheduling for AUV Missions
提出了一种自主式水下机器人(AUV)大规模航路规划与任务分配联合问题的解决方案。给定一组约束条件(例如,时间)和一组任务优先级值,目标是在满足给定约束条件下,找到最大优先级和最小总风险百分比的水下任务最优路径。利用遗传算法和群体智能算法在求解NP-难图问题中的启发式特点,采用粒子群优化算法(PSO)和遗传算法(GA)求解最优解,种群中的每一个体都是一个候选解(路径)。为了评估所提出的方法的鲁棒性,所有的PS和GA算法的性能进行了检查和比较的Monte Carlo运行的数量。仿真结果表明,两种算法生成的航迹可行、可靠,可用于水下运动规划。然而,基于GA的路线规划产生优越的结果相比,从基于PSO的路线规划获得的结果。
2016-04-12 cs.AI cs.RO
Reactive Integrated Mission and Motion planning
University of Notre Dame(圣母大学)
在动态环境中,其他代理可以操纵工作空间中的对象,正确的施工操作规划是一个具有挑战性的问题。代理之间的动作和运动的紧密耦合以及任务规范的复杂性使得该问题在计算上难以处理。针对部分已知环境下的移动机器人操作系统,提出了一种反应式集成任务和运动规划方法。我们引入了一个多层次的协同框架,接收高层次的任务规范表示在线性时序逻辑,并产生动态可行的和无碰撞的运动轨迹来实现it.In高层次的层,任务规划器之间的机器人和他们的环境构建一个象征性的两人游戏,合成一个策略,以适应其他机器人施加的工作空间的变化。一个双边的协同层被开发来映射所设计的任务计划到一个集成的任务和运动规划器,构建一组机器人任务,根据任务策略移动对象。在低层次规划阶段,可验证的运动控制器的设计,可以递增组成,以保证安全的运动规划为每个高层次的诱导任务。所提出的框架与多机器人仓库的例子与移动对象到不同的位置的任务说明。
2017-11-06 cs.RO
Leveraging LLMs for Mission Planning in Precision Agriculture
Department of Computer Science and Engineering, University of California, Merced(计算机科学与工程系,加州大学梅尔德分校)
本文提出利用ChatGPT构建端到端系统,使用户能用自然语言为农业机器人指派复杂数据采集任务,并通过IEEE标准与ROS2节点执行任务计划,同时分析了LLMs在空间推理与路径规划上的局限及解决方案。
2025-06-11 cs.AI cs.RO
UAV-CodeAgents: Scalable UAV Mission Planning via Multi-Agent ReAct and Vision-Language Reasoning
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology(斯克尔科沃科学与技术研究所)
提出 UAV-CodeAgents 多智能体框架,结合 ReAct、VLM 像素指向与反应式思考循环实现无人机任务自主生成,并通过火灾检测场景验证其高效可靠。
2025-05-12 cs.AI cs.RO
Cooperative and Asynchronous Transformer-based Mission Planning for Heterogeneous Teams of Mobile Robots
McMaster University(麦克马斯特大学)
针对异构移动机器人团队在通信受限、资源有限下的协作规划难题,提出基于MARL与AMAT架构的CATMiP框架及CMacDec-POMDP模型,采用异步集中训练分布式执行方案,实验验证其在效率、可扩展性与抗干扰性上更具优势。
2025-07-31 cs.AI cs.RO
Integrating Symbolic RL Planning into a BDI-based Autonomous UAV Framework: System Integration and SIL Validation
本研究提出AMAD-SRL框架,整合符号RL与BDI方法,通过SIL验证提升无人机任务效率75%。
2026-01-11 cs.AI cs.RO
Persistent AUV Operations Using a Robust Reactive Mission and Path Planning (RRMPP) Architecture
School of Information Technology, Deakin University(迪肯大学信息技术学院)
提供更高水平的决策自主性和伴随的不确定环境的迅速变化是AUV自主操作的真正挑战。该方法引入了一个鲁棒的反应结构,在顶层适应AUV的任务规划,任务时间管理,并通过同步运动规划在较低的水平,包括环境变化。所提出的架构是在一个层次化的模块化的格式和一堆的进化算法,每个模块采用调查的效率和鲁棒性的结构在不同的任务场景,而水流数据,不确定的静态移动/运动障碍,车辆Kino-dynamic约束考虑。运动规划器通过在线重新规划能力来促进,以基于环境的局部变化来细化车辆的轨迹。一个小的计算负荷专门用于重新规划过程,因为上层任务规划器呈现了一个有效的概述的操作区域,AUV应该飞行通过。数值模拟进行了调查的鲁棒性和性能的架构在不同的情况下的真实世界的水下环境。仿真结果分析表明,该模型具有精确的任务时间威胁管理能力,同时保证了任务期间的安全部署。
2019-10-16 cs.RO
Revisiting Space Mission Planning: A Reinforcement Learning-Guided Approach for Multi-Debris Rendezvous
Julius-Maximilians-Universität Würzburg(维尔茨堡大学);Faculty of Mathematics and Computer Science(数学与计算机科学学院)
本研究提出一种基于掩码PPO强化学习的空间碎片访问序列优化方法,结合Izzo改编的Lambert求解器进行多碎片交会规划,相比遗传与贪婪算法平均减少约10.96%和13.66%的任务时间。
2024-09-25 cs.AI cs.LG cs.RO
One For All: LLM-based Heterogeneous Mission Planning in Precision Agriculture
Department of Computer Science(计算机科学系);Engineering University of California, Merced, CA, USA.(加州大学默塞德分校工程学院);Department of Informatics, Bioengineering, Robotics(信息学、生物工程、机器人学系);Systems Engineering, University of Genova, Italy(系统工程系,热那亚大学)
提出基于LLM的自然语言机器人任务规划器,通过预定义原语将人类语言转换为可执行描述,支持非技术用户通过通用接口控制异构机器人执行复杂农业任务。
2025-06-11 cs.AI cs.RO
A Mission Planning System for the AUV "SLOCUM Glider" for the Newfoundland and Labrador Shelf
本文提出了一个系统的任务规划的自主水下机器人在时变海流。任务规划系统是为AUV“SLOCUM Glider”设计的,目的是收集纽芬兰和拉布拉多大陆架沿线的海洋学数据。这些数据将与加拿大渔业和海洋部目前正在开发的海洋数值模型一起使用。这样就可以验证和修改现有的洋流和气候模型,并设计新的模型,以提高预测的准确性。在洋流模型中使用netCDF格式的洋流预报数据,考虑滑翔机特定行为的算法,C++中程序的技术实现细节,以及初步结果将被描述。
2017-02-26 cs.RO
Optimized Mission Planning for Planetary Exploration Rovers
对行星表面的探索主要是无人驾驶的,需要着陆器和自主和/或遥控漫游车。可以利用人工智能和机器学习技术来更好地进行任务规划。本文介绍了协调使用全局导航和元启发式优化算法来规划安全,高效的任务。其目的是确定安全着陆区(LZ)和全局路径计划的最低成本组合,其中避免着陆器和漫游者的地形危险使成本最小化。计算机视觉方法被用来识别表面的陨石坑,土墩和岩石作为障碍物。研究了多种搜索方法在漫游车全局路径规划中的应用。采用多种组合优化算法选择最短距离路径作为优先任务计划。模拟运行了一个样本谷歌月球X奖任务。研究结果是一种采用A* 搜索法进行路径规划,并利用模拟退火算法为任务选择理想的LZ-路径-目标组合的优化方案。仿真结果表明,该方法在最小化灾害风险和提高效率方面是有效的。这篇论文是专门针对月球任务的,但由此产生的架构可以应用于各种行星任务和漫游车。
2015-11-01 cs.RO
Adaptive Science Operations in Deep Space Missions Using Offline Belief State Planning
Department of Aeronautics and Astronautics, Stanford University, Stanford, CA, 94305, USA(斯坦福大学航空航天系);Intelligent Systems Division, NASA Ames Research Center, Moffett Field, CA, 94035, USA(美国航空航天局阿姆斯研究中心智能系统分部)
本文提出基于POMDP的离线信念状态规划方法,用于深空任务中自适应科学仪器调度,通过整合贝叶斯网络提升数据可解释性与计算效率,并在Enceladus Orbilander任务中验证了其有效性。
2026-01-10 cs.AI cs.RO
NEUSIS: A Compositional Neuro-Symbolic Framework for Autonomous Perception, Reasoning, and Planning in Complex UAV Search Missions
Faculty of Information Technology, Monash University(莫纳什大学信息技术学院)
针对复杂环境下无人机自主搜索任务的感知决策难题,提出组合式神经符号框架NEUSIS,整合多模块实现高效搜索,实验验证其性能优于现有最优模型。
2024-09-16 cs.AI cs.CV cs.RO
Mission Planning and Execution in Heterogeneous Teams of Aerial Robots supporting Power Line Inspection Operations
University of Seville(塞维利亚大学);Czech Technical University in Prague(捷克技术大学布拉格分校)
本文提出了一种软件架构,旨在协调一个团队的异构飞行器的检查和维护操作的高压电力线的情况下。分层方法通过规划和执行需要车辆支持人类操作员的复杂任务来处理高级任务。资源受限问题允许在考虑车辆能力和电池限制的情况下在团队之间分配任务。此外,行为树(BT)负责任务执行,在发生意外事件(如车辆故障或通信中断)时触发重新规划操作。通过在Gazebo中实现的真实仿真验证了该方法的可行性和有效性。
2023-02-09 cs.RO
Evaluating UAV Path Planning Algorithms for Realistic Maritime Search and Rescue Missions
Faculty of Computer Science, University of Tuebingen(蒂宾根大学计算机科学学院)
针对现有无人机海上搜救路径规划方法未充分考虑目标位置与海洋动力不确定性的问题,本文构建评估框架对比多种规划策略,并提出兼顾精度与实用性的新型规划器。
2024-10-08 cs.RO
Mission planning for emergency rapid mapping with drones
FZI Research Center for Information Technology(FZI信息技术研究中心);TU Dortmund University(多特蒙德工业大学)
我们介绍了一个任务规划的概念,通过一组采样地点的事件,如火灾或化学事故后立即路由无人机(UAV)。使用插值方法,考虑到所调查的现象中固有的空间相互依赖性,这些样本可以预测整个受影响地区的有害物质分布。我们定义了广义相关团队定向问题(GCorTOP)选择{信息}样本考虑观察到的和未观察到的位置之间的空间相关性,以及在调查区域的优先级。为了在时间敏感的情况下快速提供高质量的解决方案,我们提出了一个两阶段的多开始自适应大邻域搜索(2 MLS)。我们显示的竞争力的解决方案的方法,使用基准的团队定向越野问题的实例和调查的性能所提出的模型和解决方案的方法在一个广泛的研究的基础上,新引入的基准实例的任务规划问题。
2022-03-02 cs.RO
Dynamic real-time multi-UAV cooperative mission planning method under multiple constraints
Zhejiang University(浙江大学)
本文针对多无人机任务分配与路径规划解耦、实时性差等问题,提出基于Dubins路径和分布式编队的动态实时协同任务规划算法,并通过任务聚类、高效代价函数和低复杂度分配策略,在仅损失9.57%路径长度的条件下实现4至5个数量级的速度提升。
2025-06-03 cs.RO cs.SY eess.SY
Optimizing Mission Planning for Multi-Debris Rendezvous Using Reinforcement Learning with Refueling and Adaptive Collision Avoidance
DLR Lampoldshausen(德国航空航天中心兰波尔茨豪森研究所)
本研究提出基于强化学习的框架,用于优化多碎片清除任务的使命规划,通过自适应碰撞避让和高效任务规划提高任务效率和安全性。
2026-02-04 cs.AI cs.LG cs.RO
DrMaMP: Distributed Real-time Multi-agent Mission Planning in Cluttered Environment
Purdue University(普渡大学)
由于对实时的【形】计算性能、可扩展性以及在复杂环境中处理静态/动态障碍物和任务的能力的要求,解决具有碰撞感知的多智能体任务规划(任务分配和路径寻找)问题具有挑战性。提出了一种分布式实时的【形】(毫秒级)任务规划算法DrMaMP,该算法通过近似的方法将整个未分配任务集划分为若干个子集,并将原问题分解为若干个单Agent任务规划问题。本文提出了动态障碍和任务的实验,并进行最优性和可扩展性与现有的方法,其中DrMaMP优于现有的方法在这两个指标的比较。最后,分析了DrMaMP算法的计算负担,并给出了在小规模问题中的最优性缺口。
2023-02-28 cs.MA cs.RO
Autonomous Reactive Mission Scheduling and Task-Path Planning Architecture for Autonomous Underwater Vehicle
Flinders University of South Australia(南澳大利亚弗林德斯大学)
自主水下航行器(AUV)需要在有限的时间内完成复杂的任务。由于现有的AUV电池容量和续航能力有限,它们应该自主管理任务时间和资源,以便在更长的任务中执行有效的持续部署。任务分配需要根据资源约束做出决策,而任务分配的成本和/或价值是预先预算的。任务分布在一个特定的操作区,并通过一个航路点覆盖的网络映射。因此,设计一个有效的路由任务优先级分配框架,考虑车辆的可用性和属性是必要的,以提高任务的生产率和按时完成任务。这在很大程度上取决于任务的顺序和优先级,这些任务位于操作网络中的节点状航路点之间。另一方面,AUV在不熟悉的水下动态环境中自主操作并对突发环境变化做出快速响应是一个复杂的过程。水流的不稳定性会使潜水器偏转到不希望的方向,并干扰AUV的安全。车辆对强烈环境变化的鲁棒性对于其在不确定和动态环境中的安全和最佳操作至关重要。为此,AUV需要在顶层对环境进行总体概述,以执行自主动作选择(任务选择)和较低级别的本地运动规划器,以成功地处理不断变化的情况。本研究涉及开发一种新的反应控制体系结构,提供了更高层次的决策自主权的AUV操作,使一个单一的车辆,以完成多个任务,在一个单一的任务,面对周期性的干扰,在动荡和高度不确定的环境。
2017-06-13 cs.AI cs.RO
Evaluating Robustness and Adaptability in Learning-Based Mission Planning for Active Debris Removal
Faculty of Mathematics and Computer Science, Julius-Maximilians-Universität Würzburg(数学与计算机科学学院,维尔堡大学)
本文评估了基于学习的任务规划在主动清除任务中的鲁棒性和适应性,比较了三种规划器在不同约束条件下的性能,发现领域随机化PPO在适应性上表现更优,而MCTS在处理约束变化时更稳定但计算成本高。
2026-02-04 cs.AI cs.LG cs.RO
A Hierarchal Planning Framework for AUV Mission Management in a Spatio-Temporal Varying Ocean
Flinders University(弗林德斯大学)
针对水下航行器(AUV)在不确定环境中作业时,任务分配过程中的时间复杂性,提出了一种分层动态任务规划框架。为此,建立了一个高层次的反应式任务规划器和一个低层次的运动规划系统。高级系统负责任务优先级分配,并考虑任务的及时终止,引导飞行器朝向感兴趣的目标。下层负责根据任务顺序和作业地形的动态性生成最优轨迹。任务规划器能够根据任务/地形更新反应性地重新安排任务,而低级规划器能够通过校正旧路径并重新生成新轨迹来应对地形的意外变化。因此,车辆能够承担最大数量的任务,具有一定程度的机动性,具有对操作场的态势感知。所提到的框架的计算引擎基于能够提供有效解决方案的基于地理学的优化(BBO)算法。为了评估所提出的框架的性能,首先,一个现实的海底环境模型的基础上提供的现实地图数据,然后通过仿真研究,设计了几个场景,作为真实的实验。此外,为了显示该框架的鲁棒性和可靠性,Monte-Carlo模拟和统计分析进行。仿真结果表明,两级分层任务规划系统在任务成功和实时执行的适用性显着的潜力。
2017-11-20 cs.RO
Extending QGroundControl for Automated Mission Planning of UAVs
Universidad Autónoma de Madrid(马德里自治大学)
本文扩展开源地面站 QGroundControl,新增任务设计器、自动规划/重规划算法接口和决策支持系统,以提升无人机任务自主性并减轻操作员负担。
2024-02-28 cs.HC cs.RO
Safe Mission-Level Path Planning for Exploration of Lunar Shadowed Regions by a Solar-Powered Rover
University of Toronto(多伦多大学);Institute for Aerospace Studies(航空航天研究所);Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院)
本文针对太阳能月球车在月球南极永久阴影区探索中受随机故障影响的问题,提出一种结合任务级路径规划与随机可达性分析的机会约束规划方法,在保证任务失败概率上限的同时最大化访问科学航路点数量,并通过Cabeus陨石坑模拟验证了其有效性。
2025-01-03 cs.RO
A revision on Multi-Criteria Decision Making methods for Multi-UAV Mission Planning Support
Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学);Universidad Politécnica de Madrid(马德里理工大学)
本文设计含排序与过滤的多无人机任务规划DSS,比较多种MCDM及模糊方法,并提出基于邻近性的相似性过滤与经验阈值。
2024-02-28 cs.AI cs.RO
Mixed Observable RRT: Multi-Agent Mission-Planning in Partially Observable Environments
Stanford University(斯坦福大学);KTH Royal Institute of Technology(KTH皇家理工学院);California Institute of Technology(加州理工学院)
本文考虑了异构多智能体系统的集中式任务规划问题,目标是定位隐藏目标。我们提出了一个混合的可观察设置,包括一个完全可观察的状态空间和一个部分可观察的环境,使用隐马尔可夫模型。首先,我们构建快速探索随机树(RRT),引入混合可观察RRT寻找合理的任务计划给每个代理的路点。利用这个结构,我们提出了一个路径选择策略的基础上的动态规划方法,占部分观测的不确定性,并最大限度地减少预期成本。最后,我们结合高层次的计划与模型预测控制算法,评估的方法组成的四足机器人和无人机的实验装置。它表明,代理能够做出智能决策,有效地探索该地区,并通过合作行动来定位目标。
2022-11-11 cs.RO
Towards Automated 3D Search Planning for Emergency Response Missions
KIOS Research and Innovation Centre of Excellence(KIOS卓越研究与创新中心);University of Cyprus(塞浦路斯大学)
针对应急响应中 UAV 搜索任务,提出统一 3D 搜索规划框架,综合任务约束、目标与规范实现无碰撞轨迹自动规划,并通过模拟验证性能。
2023-04-07 cs.RO cs.SY eess.SY
Mission Planning on Autonomous Avoidance for Spacecraft Confronting Orbital Debris
本文提出一种两阶段规划框架,结合线性规划与时间松弛规划图启发式,解决航天器面对轨道碎片时常规任务与规避冲突的自主任务规划问题,仿真验证其有效性。
2024-09-19 cs.RO cs.SY eess.SY
Multi-Objective Risk Assessment Framework for Exploration Planning Using Terrain and Traversability Analysis
Polytechnique Montreal(蒙特利尔理工学院)
针对未知非结构化环境勘探的路径规划低效与任务失败风险问题,提出动态调整风险权重、随任务推进逐步放宽风险阈值的多目标风险评估方法,经地下洞穴模拟实验验证可安全高效勘探且计算开销低。
2024-10-04 cs.RO
A Survey of Recent Machine Learning Solutions for Ship Collision Avoidance and Mission Planning
University of Hertfordshire(赫特福德大学);Queen’s University Belfast(贝尔法斯特女王大学)
机器学习(ML)技术在过去几年中作为提高船舶自主性的一种手段获得了显著的吸引力。本文综述了最近用于船舶避碰(COLAV)和任务规划的ML方法。在概述了海上车辆不断扩大的ML开发之后,概述了船舶任务规划中的关键主题。显着的文件,直接和间接的应用COLAV主题进行技术审查和比较。批评,挑战和未来的方向也确定。这一结果清楚地表明了这一领域蓬勃发展的研究,尽管商业船舶结合机器智能,能够在所有操作条件下自主执行,还有很长的路要走。
2022-07-15 cs.RO cs.SY eess.SY
TLE-Based A2C Agent for Terrestrial Coverage Orbital Path Planning
针对近地轨道拥挤与碰撞风险,提出基于A2C算法的强化学习框架优化卫星轨道参数以实现精确地表覆盖,实验证明其比PPO收敛快31.5倍且奖励更高,为实时LEO任务规划提供了高效方案。
2025-08-14 cs.AI cs.RO
Mission Planning and Safety Assessment for Pipeline Inspection Using Autonomous Underwater Vehicles: A Framework based on Behavior Trees
Aarhus University(奥胡斯大学);IT University of Copenhagen(哥本哈根信息技术大学);RWTH Aachen University(亚琛工业大学);EIVA a/s(艾瓦公司)
针对自主水下机器人管道巡检依赖离线计划、缺乏灵活性的问题,提出基于行为树的框架,结合BehaVerify验证安全,并开发AI算法实现高效数据采集,提升任务安全与成功率。
2024-02-06 cs.RO
Fast Second-order Cone Programming for Safe Mission Planning
University of Texas at Austin(德克萨斯大学奥斯汀分校);Microsoft Research(微软研究院)
研究了不确定环境下动态系统的安全任务规划问题。许多先前的工作,实现强大的和安全的控制需要解决二阶锥规划(SOCP)。不幸的是,现有的通用SOCP方法往往是不可行的实时机器人任务,由于现有的一般优化方法所施加的高内存和计算要求。本文的主要贡献是一个快速和内存有效的算法SOCP,将使强大的和安全的任务规划实时车载机器人。我们的算法没有任何外部依赖性,可以有效地利用安全规划设置中提供的热启动,事实上,即使是标准的SOCP问题,也会比标准的优化包(如SDPT 3)加快速度。例如,对于一个标准的四旋翼问题,我们的方法比SDPT 3加速了1000倍,而解决方案的质量没有任何恶化。我们的方法基于两个见解:a)SOCP可以被解释为在具有无限边的多面体上优化函数,b)线性函数可以在该多面体上有效地优化。我们结合上述意见与一个新的利用沃尔夫的算法,以获得一个有效的优化方法,可以很容易地实现在小型嵌入式设备。除上述算法外,本文还设计了一种基于高斯过程的两级障碍物检测方法。
2017-02-27 cs.RO
Energy-Efficiency Path Planning for Quadrotor UAV Under Wind Conditions
Centre de Développement des Technologies Avancées(先进技术开发中心);Ecole Supérieure des Techniques Aéronautiques et de Construction Automobile(航空技术与汽车制造高等学院)
四旋翼无人驾驶飞行器具有有限数量的嵌入式能量。为了保障无人机任务的成功,必须对任务期间的能量消耗进行管理。在这项研究中,我们介绍了一种优化算法,以最大限度地减少在四旋翼飞行任务在大风条件下消耗的能量。利用效率函数对飞行器旋翼消耗的机械能进行了计算。然后,我们制定的能量最小化问题作为一个最优控制问题。最后一个问题的解决,以计算最小能量的四旋翼简单任务在风的条件下。在仿真实验中,我们比较了所提出的方法与自适应控制方法。
2020-04-01 cs.RO
3D Trajectory Planning for UAV-based Search Missions: An Integrated Assessment and Search Planning Approach
KIOS Research and Innovation Centre of Excellence(KIOS卓越研究与创新中心);University of Cyprus(塞浦路斯大学)
在自然和人为灾害期间,在具有挑战性和复杂的环境中有效规划和执行搜索任务的能力至关重要。在许多紧急情况下,障碍物之间的精确导航和围绕3D结构的高效搜索对于寻找幸存者至关重要。在这项工作中,我们提出了一个综合的评估和搜索规划方法,它允许一个自主的无人机(无人机)代理计划和执行无碰撞搜索轨迹在3D环境中。更具体地说,拟议的搜索规划框架旨在整合和自动化前两个阶段(即,评估阶段和搜索阶段)。在第一阶段,称为评估规划,我们的目标是找到一个高层次的评估计划,无人机代理可以执行,以访问一组兴趣点。该阶段生成的计划引导UAV飞越感兴趣的物体,从而提供对当前情况的第一次评估。在第二阶段,称为搜索规划,UAV轨迹被进一步微调以允许UAV在3D中搜索(即,在所有面)幸存者感兴趣的对象。所提出的方法的性能证明通过广泛的仿真分析。
2023-02-24 cs.RO cs.SY eess.SY
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
Contract-Based Specification Refinement and Repair for Mission Planning
UC Berkeley(加州大学伯克利分校);University of Southern California(南加州大学)
我们解决的问题,建模,精炼和修复正式规格的机器人任务使用假设保证合同。我们将展示如何在不同的抽象层次上对任务规范进行建模,并使用一个预实现规范库来实现它们。假设使用库中的组件无法满足规范。在这种情况下,我们计算一个代理,以获得使用库中的元素生成的规范的最佳近似值。之后,我们提出了一个系统的方法,要么1)搜索和完善的“缺失部分”的规范,图书馆不能满足或2)修复当前的规范,使现有的图书馆可以完善it.Our搜索和修复任务需求的方法利用商,分离,合成和合并合同之间的操作。
2022-11-21 cs.FL cs.RO cs.SE
xFLIE: Leveraging Actionable Hierarchical Scene Representations for Autonomous Semantic-Aware Inspection Missions
Luleå University of Technology(卢莱大学)
xFLIE通过3DLSG实现自主语义感知检查任务的高效路径规划和导航
2026-02-10 cs.RO
A Novel Versatile Architecture for Autonomous Underwater Vehicle's Motion Planning and Task Assignment
Flinders University(弗林德斯大学)
随着水下场景和任务的不断扩展,对自主水下航行器(AUV)的鲁棒决策提出了更高的要求,设计一个有效的决策框架对于在有限时间内最大限度地提高任务效率至关重要。本文的重点是开发一种深思熟虑的无冲突任务分配架构,包括全球路线规划器(GRP)和本地路径规划器(LPP),以提供一致的运动规划,同时应对环境动态变化和地形的先验知识,以便在未知的水下环境中反应式引导AUV到达感兴趣的目标。该体系结构包括三个主要模块:顶层的GRP模块处理任务优先级分配、任务时间管理和大规模环境下起点和终点之间可行路径的确定。较低级别的LPP模块处理安全考虑,并生成所获得的全局路线中列出的每对特定航路点之间的无碰撞最佳轨迹。重新规划模块旨在提高AUV对环境变化的鲁棒性和反应能力。不同的模拟任务的实验结果表明,所提出的方案在提高车辆的自主性方面的任务生产力,任务时间管理和车辆安全性的固有的鲁棒性和显着的效率。
2016-06-15 cs.RO
Minimum-Violation Temporal Logic Planning for Heterogeneous Robots under Robot Skill Failures
Washington University in St. Louis(圣路易斯华盛顿大学)
针对异构机器人团队在技能失效时难以完成LTL编码协作任务的问题,提出反应式规划算法,通过重新分配子任务、局部修正规划以最小化任务违反,经理论分析和实验验证有效。
2025-04-17 cs.RO
Human-Centric Aware UAV Trajectory Planning in Search and Rescue Missions Employing Multi-Objective Reinforcement Learning with AHP and Similarity-Based Experience Replay
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg(卢森堡大学安全、可靠性与信任跨学科中心);University of Luxembourg(卢森堡大学)
本文提出融合AHP与基于相似性经验回放的多目标强化学习框架,以兼顾作业、舒适与安全来规划搜救无人机轨迹,并调查性别线索和拟人化设计对公众接受与信任的影响。
2024-02-28 cs.AI cs.HC cs.LG
How to Coordinate UAVs and UGVs for Efficient Mission Planning? Optimizing Energy-Constrained Cooperative Routing with a DRL Framework
University of Illinois Chicago(伊利诺伊大学芝加哥分校);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室)
提出一种可扩展的DRL框架,利用编码器-解码器Transformer架构和单次出动智能体切换机制,解决UAV-UGV多智能体能量受限协同路由问题,显著提升了任务规划的求解质量与运行效率。
2025-04-29 cs.RO