DynoFluxBench: Benchmarking Kinodynamic Space-Time Planners in Dynamic Environments
TU Berlin（柏林工业大学）
提出DynoFluxBench基准框架，用于比较动态环境中的运动动力学规划器，并开发三个融合时空方法的规划器，其中ST-Db-RRT求解速度最高提升32倍。
2026-09-17 cs.RO
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs)
Center for Technologies in Robotics and Mechatronics Components, Innopolis University（英诺波利斯大学机器人与机电一体化组件技术中心）
我们探索路径规划其次是运动动力学平滑，同时确保车辆动力学的可行性微型飞行器。为此，我们选择了基于几何的运动规划技术\textquotedblleft RRT* \textquotedblright \;。在所提出的技术中，我们修改了原始RRT* 引入自适应搜索空间和转向功能，这有助于增加规划器的一致性。此外，我们提出了多个RRT*，它产生一组所需的路径，提供了最佳的路径是其中选择。然后，应用运动动力学平滑技术，得到动态可行的无障碍路径，并利用b样条曲线生成未知环境下的自主机动轨迹。最后，我们在各种模拟环境中测试了所提出的技术。
2020-08-29 cs.CV cs.RO math.OC
Refined Analysis of Asymptotically-Optimal Kinodynamic Planning in the State-Cost Space
Tel-Aviv University（特拉维夫大学）；Rutgers University（罗格斯大学）；Stanford University（斯坦福大学）
我们提出了一种新的AO-RRT分析：一种基于树的计划器，用于具有运动动力学约束的运动规划，最初由Hauser和Zhou（AO-X，2016）描述。AO-RRT探索状态成本空间，并已被证明在实践中有效地获得高质量的解决方案，而不依赖于计算密集型两点边界值求解器的可用性。我们的主要贡献是单树版本的算法的最优性证明-一个以前没有分析过的变体。我们的证明只需要一个温和的和容易验证的问题和系统的假设：成本函数和动力学的Lipschitz连续性。特别是，我们证明，对于任何系统满足这些假设，任何轨迹具有分段常数控制功能和积极的清除障碍物可以近似任意以及由AO-RRT发现的轨迹。我们还讨论了实际方面的AO-RRT和目前的实验比较的算法的变体。
2020-03-09 cs.RO
State Supervised Steering Function for Sampling-based Kinodynamic Planning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
RRT* 和BIT* 等基于采样的运动规划器在应用于运动动力学运动规划时，依赖于转向功能来生成连接采样状态的时间最优解决方案。实现精确的转向功能，需要解析解的时间最优控制问题，或非线性规划（NLP）求解器来解决边界值问题给出系统的kinodynamic方程。不幸的是，解析解对于许多现实世界的领域是不可用的，并且NLP求解器在计算上昂贵得令人望而却步，因此快速且最佳的运动动力学运动规划仍然是一个悬而未决的问题。我们通过引入状态监督转向函数（S3F）来解决这个问题，S3F是一种学习时间最优转向函数的新方法。S3F能够比其NLP对应物更快地产生转向函数数量级的接近最优的解决方案。在三个具有挑战性的机器人领域进行的实验表明，RRT* 使用S3F显着优于最先进的规划方法的解决方案的成本和运行时间。我们进一步提供了一个证明的概率完整性的RRT* 修改使用S3F。
2022-06-15 cs.RO
Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments
Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古根海姆航空航天工程学院）；Georgia Institute of Technology（佐治亚理工学院）
针对自主空间探索中环境交互与感知系统的不确定性导致的安全规划问题，提出结合AO-RRT采样规划与序列凸规划的风险感知动力学运动规划方法，可将轨迹风险降低约97%。
2026-08-12 cs.RO cs.SY eess.SY
Sampling-based Algorithms for Optimal Motion Planning Using Closed-loop Prediction
Georgia Institute of Technology（佐治亚理工学院）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
微分约束下的运动规划，即运动动力学运动规划，是机器人学中的经典问题之一。目前，最先进的方法围绕流行的基于采样的算法的运动动力学变体，如快速探索随机树（RRT）。然而，仍然存在挑战，例如，如何在保证最优性的同时包括复杂的动态。如果开环动态是不稳定的，则通过控制空间中的随机采样的探索变得低效。我们描述了一种新的基于采样的算法，称为CL-RRT#，它利用了RRT#算法的思想和RRT算法的变体，该算法使用闭环预测生成轨迹。规划与闭环预测的想法，使我们能够处理复杂的不稳定的动态，并避免需要找到计算困难的转向程序。RRT#算法中提出的搜索技术允许我们通过搜索替代参考轨迹来提高解的质量。使用非完整系统的数值模拟表明所提出的方法的好处。
2016-01-23 cs.RO
Real-Time Kinodynamic Motion Planning for Omnidirectional Mobile Robot Soccer using Rapidly-Exploring Random Tree in Dynamic Environment with Moving Obstacles
Universitas Gadjah Mada（加札马达大学）
RoboCup中型组联赛（RoboCup MSL）通过机器人足球比赛为研究移动机器人导航、多机器人协作、通信和集成提供了一个标准化的实验平台，在这种高度动态和对抗性的环境中，机器人足球比赛是一种非常重要的比赛。运动动力学运动规划是机器人运动学领域的一个重要研究课题，它是指机器人在避障的同时，遵循其动力学规律进行运动轨迹规划。提出了一种基于Kinodynamic-RRT* 方法的全向机器人运动动力学运动规划。在这项工作中还考虑了轨迹跟踪控制执行规划轨迹。对机器人平移和旋转方向的运动规划进行解耦。然后，我们实现了kinodynamic-RRT* 与双积分器模型规划的平移轨迹。利用满足速度和加速度约束的最小时间轨迹发生器生成旋转轨迹。然后使用PI控制跟踪计划轨迹。为适应环境的变化，开发了运动规划和轨迹跟踪的并发软件模块。使用基于机器人操作系统（ROS）的RoboCup仿真系统对所产生的系统进行了应用和测试。仿真结果表明，运动规划系统能够生成无碰撞轨迹，轨迹跟踪系统能够跟踪生成的轨迹。在高度动态的环境中，在线方案能够重新规划轨迹。
2019-05-12 cs.RO
Iterative Methods for Efficient Sampling-Based Optimal Motion Planning of Nonlinear Systems
KAIST（韩国科学技术院）；nuTonomy Inc.（NuTonomy公司）
本文扩展了RRT* 算法，最近开发的，但广泛使用的基于采样的最佳运动规划，以有效地处理非线性kinodynamic约束。运动微分约束中的非线性常导致在树构造中难以选择合适的距离度量和计算优化的轨迹段。为了解决这两个困难，这项工作采用仿射二次调节器为基础的伪度量的距离测量，并利用迭代两点边值问题求解器计算优化段。建议的扩展，然后保留RRT* 框架的固有渐近最优性，同时有效地处理各种kinodynamic约束。三个数值算例验证了该方法的适用性。
2016-03-14 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
Accelerating db-A* for Kinodynamic Motion Planning Using Diffusion
Technical University Berlin（柏林工业大学）
本文提出利用扩散模型生成适应问题实例的运动基元以加速 db-A* 动力学运动规划，实验表明在不同机器人动力学中计算时间和解质量最高提升30%。
2025-03-10 cs.RO
Sampling-based optimal kinodynamic planning with motion primitives
Politecnico di Milano（米兰理工大学）
本文提出了一种新的基于采样的运动规划器，它集成在RRT*（快速探索随机树星）的预先计算的运动基元的数据库，以减轻其计算负荷，并允许运动规划在动态或部分已知的环境。该数据库是通过考虑在一些网格空间中的初始和最终状态对的集合，并且为每一对确定与系统动态和约束兼容的最优轨迹，同时使成本最小化来构建的。在RRT* 算法中，通过在网格状态空间中随机提取样本并在数据库中选择将其连接到现有节点的最佳无障碍运动基元，将节点逐步添加到可行轨迹树中。如果一些节点可以从新的采样状态通过具有较低成本的无障碍运动原语到达，则树被重新布线。因此，运动规划的计算上更密集的部分被移动到数据库构建的初步离线阶段，代价是由于网格化而导致的一些性能降级。可以调整网格分辨率，以便在（次）最优性和数据库大小之间进行折衷。当网格分辨率趋于零且采样状态数趋于无穷大时，该规划器是渐近最优的。
2022-06-10 cs.RO
Motion Planning as Online Learning: A Multi-Armed Bandit Approach to Kinodynamic Sampling-Based Planning
University of Michigan（密歇根大学）
针对kinodynamic运动规划在无转向函数时难获高质量解的问题，将采样偏置建模为非平稳多臂老虎机问题，结合kinodynamic RRT转移聚类与老虎机算法自适应采样，可更快获更优解并提升执行成功率。
2023-08-26 cs.RO
Completeness of Randomized Kinodynamic Planners with State-based Steering
The University of Tokyo（东京大学）；Nanyang Technological University（南洋理工大学）
概率完备性是运动规划中的一个重要性质。虽然它已经建立了明确的假设，几何规划，全景的完整性结果的kinodynamic规划仍然是不完整的，因为大多数现有的证据依赖于强有力的假设，是困难的，如果不是不可能的，验证实际系统。在本文中，我们专注于一类重要的Kinodynamic规划，即那些在状态空间中插入轨迹。我们提供了一个证明这些规划者的概率完备性的假设下，可以很容易地验证系统的运动方程和用户定义的插值函数。我们的证明关键依赖于插值轨迹的属性，称为二阶连续性（SOC），我们表明，这是密切相关的规划者的能力，以受益于更密集的采样。我们分析了这种属性在模拟低扭矩摆的影响。我们的研究结果表明，一个简单的RRT使用二阶连续插值迅速找到解决方案，而它是不可能的相同的计划使用标准贝塞尔曲线（这不是SOC）找到任何解决方案。
2015-11-20 cs.RO
Kinodynamic Planning on Constraint Manifolds
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（工业机器人信息研究所，CSIC-UPC）
本文提出了一种运动学和动力学约束系统的运动规划器。前者出现在系统中存在运动学回路时，例如在并联机械手中，在合作完成给定任务的机器人中，或在涉及与环境接触的情况下。后者是必要的，以获得现实的轨迹，考虑到力作用在系统上。运动学约束使状态空间成为一个隐式定义的流形，这使得常用的运动规划技术的应用变得复杂。为了解决这个问题，规划器增量地构造状态空间流形的图集，并且使用该图集来生成随机状态并且动态地模拟系统朝向这些状态的转向。然后利用所得到的工具在状态空间上构建一个快速探索的随机树（RRT）。据我们所知，这是第一个随机kinodynamic规划隐式定义的状态空间。本文提出的测试案例验证了显着复杂的系统中的方法。
2017-05-22 cs.RO
Optimised Informed RRTs for Mobile Robot Path Planning
Stellenbosch University（斯泰伦博斯大学）
针对基础RRT路径规划次优、RRT*计算成本高的问题，本文提出优化型信息引导RRT算法族，结合信息引导采样与多种路径优化器加速收敛，实验证明基于基础RRT的该算法在不同规划时长下均优于基于RRT*的同类算法。
2023-10-29 cs.RO cs.SY eess.SY
KRRF: Kinodynamic Rapidly-exploring Random Forest algorithm for multi-goal motion planning
Czech Technical University in Prague（捷克理工大学）
本文提出KRRF算法，通过同时生长多棵运动学动态树并利用树间启发式加速，先规划目标间轨迹再求解TSP确定访问顺序，从而高效求解运动学动态多目标运动规划问题，实现代价降低1.1至2倍。
2025-05-09 cs.RO
Asymptotically Optimal Sampling-based Kinodynamic Planning
基于采样的算法被视为高维运动规划的实用解决方案。最近的进展已经利用随机几何图论来展示如何用这些方法也可以实现渐近最优性。实现这一理想的属性的动态系统需要解决一个两点边值问题（BVP）的基础动力系统的状态空间。这是困难的，但是，如果不是不切实际的，生成一个边界元法求解器的各种重要的动态模型的机器人或物理模拟的。因此，一个开放的挑战是，当规划系统而不访问BVP求解器时，是否有可能实现最优性保证。这项工作解决了上述问题，并介绍了如何实现渐进最优的Kinodynamic规划增量采样为基础的规划器，通过引入一个新的严格的框架。两种新的方法，稳定稀疏RRT（SST）和SST*，结果从这个分析，这是渐近接近最优和最优的，分别。该技术被证明是快速收敛到高质量的路径，而他们只保持一个稀疏的样本集，这使得他们的计算效率。使用动态系统基准的实验结果，以及物理模拟机器人的规划者的良好性能得到证实。
2016-02-05 cs.RO
Multi-Objective Kinodynamic Motion Planning with Asymptotic Pareto Optimality
University of Colorado Boulder（科罗拉多大学博尔德分校）
针对运动动力学约束下系统的多目标运动规划挑战，提出基于稳定稀疏RRT算法的统一框架，衍生出三种算法分别用于字典序最小化、约束优化和帕累托前沿逼近，提供理论保证并经实证评估验证有效性。
2026-07-29 cs.RO
Real-Time Stochastic Kinodynamic Motion Planning via Multiobjective Search on GPUs
Stanford University（斯坦福大学）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
在本文中，我们提出了并行不确定性感知的多目标规划算法，用于解决随机kinodynamic运动规划问题，其中一个寻求一个低成本的，动态可行的运动计划受到碰撞概率（CP）的约束。为了确保候选运动计划的详尽评估（根据需要权衡性能和安全性的竞争目标），ESTA增量地构建问题的帕累托前沿，考虑优化目标和CP的近似值。这是通过大规模并行多目标搜索来执行的，在这里重点实现GPU。在探索阶段结束时，ESTA搜索运动计划的帕累托集合，以确定被证明满足CP约束的最低成本解决方案（根据渐近精确估计）。我们引入了一种新的基于粒子的CP近似方案，设计用于高效的GPU实现，它占了轨迹执行的历史依赖关系。我们提出了四旋翼规划的数值实验，其中，在~100毫秒内，通过其探索阶段的过程中，评估超过10万个部分计划，确定解决方案。结果表明，这种多目标搜索实现了较低的运动计划成本，对于相同的CP约束，相比基于安全缓冲区的搜索启发式和重复RRT试验。
2017-02-23 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
Sampling-based Kinodynamic Planning with World Models
Purdue University（普渡大学）
本文提出两种适用于世界模型隐空间的采样式运动-动力学规划策略，在模拟和真实推方块任务中，其规划效率和成功率均优于CEM、MPPI等优化器。
2026-10-12 cs.RO
Single-Agent On-line Path Planning in Continuous, Unpredictable and Highly Dynamic Environments
Universidad Técnica Federico Santa María（费德里科·圣玛丽亚理工大学）
本文是一篇关于连续、不可预测和高度动态环境下单智能体在线路径规划的论文。问题是寻找和穿越的完整机器人的无碰撞路径，没有kinodynamic的限制，移动在一个环境中有几个不可预测的移动障碍物或对手。假设在任何时候都有关于环境的完整信息。几个静态和动态的快速探索随机树（RRT）算法的变种进行了探讨，以及在动态环境中的进化规划算法称为进化规划师/导航。这两种算法的组合，提出了克服两者的缺点，然后组合的RRT变体的初始规划和知情的本地搜索导航，加上一个简单的贪婪启发式优化。我们表明，这种简单的技术组合提供了更好的响应高度动态的环境比RRT扩展。
2009-12-01 cs.AI cs.RO
Safe and Robust Motion Planning for Dynamic Robotics via Control Barrier Functions
University of Southern California（南加州大学）
控制障碍函数（CBF）被广泛应用于非线性系统的安全临界约束。最近，这些功能被纳入到一个路径规划框架，设计安全关键路线规划。然而，这些方法未能提供一个现实的路径，同时考虑到算法的运行时的复杂性和执行的安全关键的约束。本文提出了一种新的运动规划方法，使用著名的快速探索随机树（RRT）算法，强制CBF和机器人Kinodynamic约束，以产生一个安全的关键路线。该算法还输出相应的控制信号，导致无障碍路径。该方法还允许考虑模型的不确定性，将鲁棒CBF约束到所提出的框架。因此，所得到的路径没有任何障碍物，并考虑了来自机器人动力学和感知的模型不确定性。结果分析表明，所提出的方法优于传统的基于RRT的路径规划器，保证了安全的关键路线以最小的计算开销。我们提出了数值验证的算法上的CNOV7机器人车，一个微型自主无人地面车辆，执行动态导航的障碍重重的路径与各种不确定性的感知噪声和机器人动力学。
2021-10-22 cs.RO cs.SY eess.SY
Motion Primitives Based Kinodynamic RRT for Autonomous Vehicle Navigation in Complex Environments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在这项工作中，我们已经实现了一个SLAM辅助导航模块的一个真正的自主车辆与未知的动态。导航目标是沿着无碰撞轨迹到达期望的目标配置，同时遵守系统的动态特性。具体来说，我们使用基于LiDAR的Hector SLAM来构建环境地图，检测障碍物，并跟踪车辆在通过各种状态时与轨迹的一致性。对于运动规划，我们使用快速探索随机树（RRT）的一组生成的运动基元搜索动态可行的轨迹序列和无碰撞路径的目标。我们展示了复杂的机动，如平行停车，垂直停车，并在一个受约束的环境中使用所提出的方法由真实的车辆倒车运动。
2022-10-21 cs.RO
Physics-based Motion Planning: Evaluation Criteria and Benchmarking
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）
运动规划已经从处理简单的几何问题发展到基于物理的问题，这些问题结合了机器人和物理世界施加的kinodynamic和物理约束。因此，用于评估基于物理的运动规划器的标准超出了通常用作评估几何规划器的度量的计算复杂性（例如，在规划时间方面），以便还考虑在动态参数方面的解决方案的质量。本研究提出了一个评估标准，并分析了几个kinodynamic规划器的性能，这是基于物理的运动规划的核心，使用不同的场景与固定和可操纵的对象。RRT、EST、KPIECE和SyCLoP用于基准测试。结果表明，KPIECE计算出的时间最优解的成功率最高，而SyCLoP计算出的功率最优的解决方案中使用的规划器。
2017-09-30 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
Train-Once Plan-Anywhere Kinodynamic Motion Planning via Diffusion Trees
Viterbi Faculty of Electrical and Computer Engineering（电气与计算机工程学院）；Technion–Israel Institute of Technology（技术学院–以色列理工学院）
针对动力学运动规划中传统采样方法探索慢、学习方法泛化差缺安全保证的问题，提出结合扩散策略与采样规划器的DiTree框架，实现可证明安全的高效泛化规划，仿真与实车实验均验证其优势。
2025-09-05 cs.AI cs.LG cs.RO
A Physics-Informed Neural Network Approach for UAV Path Planning in Dynamic Environments
针对动态环境下无人机路径规划问题，提出PINN框架，将动力学等约束嵌入学习，仿真显示其在多指标上优于A*等传统方法，可统一模型与数据驱动规划。
2026-08-21 cs.AI cs.RO
$κ$-PMP: Enhancing Physics-based Motion Planners with Knowledge-based Reasoning
Institute of Industrial and Control Engineering (IOC), Universitat Politècnica de Catalunya (UPC) – Barcelona Tech（加泰罗尼亚理工大学巴塞罗那科技学院工业与控制工程研究所）
基于物理的运动规划是一项具有挑战性的任务，因为它需要计算机器人的运动，同时允许与环境中的（一些）障碍物进行可能的交互。为此目的，通常使用配备有充当状态传播器的动态引擎的运动动力学运动规划器。困难出现在设置足够的力的相互作用，因为这些相互作用可能会改变的可操纵的障碍物的姿态，从而促进或阻止的解决方案的路径的发现。本文提出了使用一个增强的状态传播器组成的动态引擎和一个低层次的几何推理过程，用于确定如何与对象进行交互，即从哪里和与哪些力量。被称为\k{appa} -PMP的建议可以与任何运动动力学规划器一起使用，从而产生例如\k{appa} -RRT。该方法还包括预处理步骤，该预处理步骤从根据本体描述的语义抽象知识推断推理过程所需的操纵知识。所提出的方法已被验证的几个例子，涉及完整的移动机器人，机器人与微分约束和串行机械手，并基准使用几个国家的最先进的运动动力学规划。结果表明，相对于简单的基于物理的规划，成功率和解决方案路径的质量的提高，功耗有显着差异。
2017-09-30 cs.RO
Gaussian Process Constraint Learning for Scalable Chance-Constrained Motion Planning from Demonstrations
University of Michigan（密歇根大学）
我们提出了一种学习约束表示为高斯过程（GP）从局部最优演示的方法。我们的方法使用的Karush-Kuhn-Tucker（KKT）的最优性条件，以确定在示威的约束是紧的，并在这些国家的约束梯度的缩放。然后，我们训练GP表示的约束，这是一致的，并概括了这一信息。我们进一步表明，GP的不确定性，可以使用内的运动力RRT计划概率安全的轨迹，我们可以利用GP结构内的规划，以准确地实现指定的安全概率。我们证明了我们的方法可以学习复杂的，非线性的约束，证明了一个5D非完整的汽车，一个12 D四旋翼，和一个3连杆平面臂，同时需要最少的先验信息的约束。我们的研究结果表明，学习的GP约束是准确的，优于以前的约束学习方法，需要更多的先验知识。
2022-03-01 cs.LG cs.RO cs.SY
Stochastic Multi-Objective Kinodynamic Planning Against Adversaries
University of Michigan（密歇根大学）
研究在含随机混合对手环境下的多目标运动动力学规划，核心方法是将规划空间转移到闭环策略序列，通过蒙特卡洛粒子展开评估风险，引入SMO-RRT和SMO-SST算法，推导有限样本界，实现概率安全规划。
2026-07-22 cs.RO
Hybrid DDP in Clutter (CHDDP): Trajectory Optimization for Hybrid Dynamical System in Cluttered Environments
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
我们提出了一个算法，以获得一个最优控制政策的混合动力系统在杂乱的环境。据我们所知，这是第一次尝试为这个特定的问题设置一个局部最优的解决方案。我们的方法扩展了混合动力系统的最优控制算法在无障碍物的情况下，有障碍物的环境。我们的方法不需要任何预设的模式序列或算法来修剪模式序列的指数搜索。通过首先解决获得无障碍的、动态可行的轨迹的放松问题，然后解决避障和最优性，我们可以生成平滑的、局部最优控制策略。我们展示了我们的算法的性能上推盒的例子在一些环境中对基线的随机采样模式和动作与Kinodynamic RRT。
2017-10-14 cs.RO
T$^{\star}$-Lite: A Fast Time-Risk Optimal Motion Planning Algorithm for Multi-Speed Autonomous Vehicles
University of Connecticut（康涅狄格大学）；Naval Undersea Warfare Center（海军水下作战中心）
在本文中，我们开发了一种新的算法，称为T $^{\star}$ -Lite，使变速自动驾驶汽车的快速时间风险最优运动规划。T $^{\star}$ -Lite算法是先前开发的T $^{\star}$算法的显著更快版本。T $^{\star}$ -Lite使用T $^{\star}$的新时间风险成本函数;然而，它使用的不是基于网格的方法，而是基于渐进最优采样的运动规划器。此外，它利用最近开发的广义多速度Dubins运动模型（GMDM）的样本到样本kinodynamic运动规划。基于样本的方法和GMDM显着降低了计算负担的T $^{\star}$，同时提供合理的解决方案的质量。采样点从由两个位置坐标加上车辆航向和速度组成的四维配置空间中绘制。具体而言，T $^{\star}$ -Lite使运动规划器能够根据车辆与障碍物的接近程度选择车辆速度和方向，以生成更快、更安全的路径。在本文中，T $^{\star}$ -Lite是使用RRT $^{\star}$运动规划器开发的，但适应其他运动规划器是简单的，取决于规划器的需要
2020-08-29 cs.AI cs.RO cs.SY
Trusted Polytopic Action Sets for Fast Planning in Underactuated Systems
Onyx Robotics（奥尼克斯机器人公司）；California Polytechnic State University（加州理工州立大学）
本文针对欠驱动系统快速规划问题，提出可信多面体动作集方法，结合非线性保真与凸复用，规划效率与精度显著优于基线算法。
2026-08-26 cs.RO cs.SY eess.SY
Asymptotically Optimal Planning by Feasible Kinodynamic Planning in State-Cost Space
Duke University（杜克大学）
本文给出了可行Kinodynamic规划与最优Kinodynamic规划的等价性，即任何最优规划问题都可以转化为一系列在状态成本空间中的可行规划问题，其解趋于最优。这种转换产生了一个元算法，产生一个渐进的最佳规划，任何可行的kinodynamic规划作为一个子程序。元算法被证明是渐近最优的，并推导出一个公式的预期运行时间和解决方案的次优性。它是直接适用于广泛的最优规划问题，因为它不诉诸于使用导向功能或数值边界值问题求解器。在一组基准问题，它被证明执行，使用EST和RRT算法作为子程序，在上级或可比的水平，相关的规划。
2015-05-15 cs.RO
Fast Asymptotically Optimal Kinodynamic Planning via Vectorization
Department of Computer Science, Purdue University（普渡大学计算机科学系）
研究复杂运动动力学系统的规划问题，提出基于JAX和XLA编译器的并行渐近最优运动动力学RRT规划器，结合AO - x元算法实现渐近最优，经理论分析和实验验证其性能优势。
2026-07-14 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
Growing Trees with an Agent: Accelerating RRTs with Learned, Multi-Step Episodic Exploration
本文提出Episodic RRT框架，用深度强化学习智能体生成多步探索情景替代随机采样，将RRT搜索从体积式扩张转为定向枝状生长，在2D、3D和6D环境中显著提升成功率、速度并大幅减少碰撞检测。
2025-07-22 cs.RO
Dispersive Forward Tree Search for Optimal Control: Coverage, Complexity, and Computation
Massachusetts Institute of Technology（麻省理工学院）
本文针对非线性平台的规划问题，提出具有有限样本近最优性保证的DFT*算法，通过分散指令集与代价剪枝，在嵌入式处理器上实现高效实时规划，性能优于现有运动学动力学规划器。
2026-08-28 cs.RO math.OC
Terminal Matters: Kinodynamic Planning with a Terminal Cost and Learned Uncertainty in Belief State-Cost Space
Department of Robotics Engineering, Worcester Polytechnic Institute (WPI)（机器人工程系，沃斯通理工学院（WPI））
本文提出一种终端成本形式的动力学规划方法，通过优化终端状态质量和累积轨迹成本提升目标可靠性。KiTe规划器结合学习的不确定性模型，提高了在不确定环境下的目标达成成功率。
2026-05-13 cs.RO
Estimated Informed Anytime Search for Sampling-Based Planning via Adaptive Sampler
Chair of Robotics, Artificial Intelligence and Real-time Systems, TUM School of Computation, Information and Technology (CIT), Technical University of Munich（机器人、人工智能与实时系统教授会，技术大学慕尼黑计算、信息与技术学院）；Chair of Robotics and Systems Intelligence, Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（机器人与系统智能教授会，慕尼黑机器人与机器智能研究所，技术大学慕尼黑）；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（苏州校区）科学与技术学院）；School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学）
本文提出 MIT* 规划器，通过估计知情集、自适应采样和稀疏碰撞检测引导的惰性反向搜索，提升高维路径规划的初始收敛速度、计算效率与成功率。
2025-08-29 cs.RO
