Learning to Assemble the Soma Cube with Legal-Action Masked DQN and Safe ZYZ Regrasp on a Doosan M0609
Doosan Robotics Rokey Bootcamp（Doosan机器人Rokey培训班）
提出合法动作掩码分层 DQN 与安全 ZYZ 重抓方法，使 Doosan M0609 协作机器人自主学习 Soma cube 组装，并通过课程学习验证多难度训练效果。
2025-08-29 cs.RO stat.CO
Reinforcement learning based local path planning for mobile robot
Kahramanmaraş İstiklal University（卡赫拉曼马拉什独立大学）；Kahramanmaraş Sütçüimam University（卡赫拉曼马拉什苏楚伊玛姆大学）
本研究评估基于深度Q-Learning（DQN）和深度DQN的强化学习方法，用于移动机器人在线局部路径规划，以解决离线重规划与在线数据需求问题，实现避障导航。
2023-10-24 cs.AI cs.RO
Reasoning with Scene Graphs for Robot Planning under Partial Observability
部分可观测域中的机器人规划是困难的，因为机器人需要同时估计当前状态和规划动作。当域包括许多对象时，关于对象及其关系的推理使得机器人规划更加困难。在本文中，我们开发了一种算法，称为景物分析的机器人规划（SARP），使机器人的原因与视觉上下文信息实现长期目标的不确定性。SARP使用从不同位置捕获的图像构建场景图，这是对象及其关系的因子表示，并使用它们进行推理，以实现部分可观察性下的上下文感知机器人规划。实验已经进行了使用多个3D环境中的模拟，和一个真实的机器人收集的数据集。与标准机器人规划和景物分析方法相比，在目标搜索域中，SARP提高了任务完成的效率和准确性。补充材料可在https://tinyurl.com/sarp22上找到
2022-02-21 cs.AI cs.RO
Towards Probabilistic Planning of Explanations for Robot Navigation
King’s College London（伦敦国王学院）
本文提出一种概率框架，将用户中心设计融入机器人路径规划，通过概率建模用户解释偏好，自动规划解释以增强透明度和适应性。
2024-10-26 cs.AI cs.RO
Task and Skill Planning: Hierarchical Robot Planning with Black-Box Skills
本文提出了一种基于通用技能的分层机器人规划框架，通过可组合交互原语整合运动规划与闭合回路控制器，实现在复杂长期任务中的高效执行。
2026-07-30 cs.AI cs.RO
Path planning for Robotic Mobile Fulfillment Systems
University of Paderborn（帕德博恩大学）；Leuphana University of Lüneburg（吕讷堡莱法纳大学）
本文提出了一个收集的路径规划算法的实时移动的多个机器人在机器人移动履行系统（RMFS）。机器人被指派将存储单元移动到工作站的拣选员，而不是要求拣选员去存储区域。路径规划算法的目标是为机器人找到路径，以满足没有冲突或死锁的请求。最先进的路径规划算法，包括WHCA*，FAR，BCP，OD&ID和CBS，经过调整以适应RMFS中的路径规划，并集成在仿真工具中，以引导机器人在存储和检索过程中从起点到目的地。在模拟研究中考虑了十种不同的布局，其中包括各种数量的机器人，楼层，吊舱，车站和存储区域的大小。性能指标的吞吐量，路径长度和搜索时间进行了监测。仿真结果表明，最好的算法的基础上，每个性能指标。
2018-11-19 cs.AI cs.RO
JEDAI: A System for Skill-Aligned Explainable Robot Planning
Arizona State University（亚利桑那州立大学）
本文介绍了JEDAI，这是一个针对非AI专家的推广和教育工作而设计的AI系统。JEDAI的特点是从综合任务和运动规划以及可解释的人工智能的研究思想的新颖合成。JEDAI帮助用户创建高级、直观的计划，同时确保这些计划可由机器人执行。它还为用户提供有关错误的自定义解释，并帮助他们提高对AI规划以及底层机器人系统的限制和功能的理解。
2022-03-11 cs.AI cs.RO
Towards Multi-Robot Task-Motion Planning for Navigation in Belief Space
University of Genoa（热那亚大学）
自主机器人在大型知识密集型领域中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。在知识密集型领域，一方面，机器人必须在最高级别上进行推理，例如要导航到的区域或要拾取的对象及其属性;另一方面，必须在控制器执行级别上检查相应导航任务的可行性。此外，采用多个机器人提供比执行相同任务的单个机器人增强的性能能力。为此，我们提出了一个集成的多机器人任务运动规划框架导航知识密集型领域。特别是，我们认为一个分布式的多机器人设置机器人之间的相互观察。该框架旨在用于运动和感知不确定性下的运动规划，其正式名称为信念空间规划。基本的方法和它的局限性进行了讨论，为改进和未来的工作提供了建议。我们验证我们的方法在模拟的关键方面。
2020-10-01 cs.AI cs.RO
Motion Planning Transformers: A Motion Planning Framework for Mobile Robots
University of California San Diego（加州大学圣地亚哥分校）；Purdue University（普渡大学）
快速高效的基于采样的运动规划（SMP）是许多机器人系统（例如自动驾驶汽车）的组成部分。提高这些规划器效率的一种流行技术是在规划域中限制搜索空间。现有的算法定义参数函数来约束搜索空间，但这些不扩展到非完整机器人系统。最近的基于学习的方法使用卷积和全连接网络的组合来编码规划空间。然而，这些方法仅限于固定的地图大小，这在现实世界中往往是不现实的。在本文中，我们介绍了一种基于变换的方法，运动规划Transformer，限制搜索空间通过学习辨别区域的有效路径从先验数据。该模型不仅学习限制简单的2D系统的搜索空间，但也为非完整的机器人系统。我们验证我们的方法在各种随机生成的环境中，不同的地图大小和计划轨迹的物理非完整机器人。我们还为Nav2规划栈提供了我们方法的ROS2插件。结果表明，我们的方法减少了搜索空间节点的2 - 12倍相比，传统的规划器，并具有更好的泛化能力比最近的学习为基础的规划器。
2022-11-13 cs.AI cs.RO
Path Planning with Kinematic Constraints for Robot Groups
University of Southern California（南加州大学）
多个机器人的路径规划在AI和机器人领域得到了很好的研究。对于给定的离散化环境，机器人需要找到一组指定的目标位置的无碰撞路径。机器人可以是完全匿名的，非匿名的，也可以是有组织的。虽然这个抽象的问题存在强大的解决方案，他们通过忽略运动学约束简化假设，使其难以使用实际的机器人产生的计划。在本文中，我们提出了一种解决方案，它需要考虑运动学约束，如最大速度，同时保证用户指定的最小安全距离之间的机器人。我们展示了我们的方法在模拟和真实的机器人在2D和3D环境中。
2017-04-25 cs.AI cs.RO
Deep Reinforcement Learning for Motion Planning of Mobile Robots
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所 IIS）；Friedrich-Alexander-University Erlangen-Nuremberg (FAU)（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学（FAU））
本文提出了一种新的运动和轨迹规划算法的非完整移动机器人，使用深度强化学习的最新进展。从随机初始状态开始，即，位置，速度和方向，机器人达到任意的目标状态，同时考虑运动学和动力学约束。我们的深度强化学习代理不仅处理连续的状态空间，还执行连续的动作，即，车轮的加速度和转向角的自适应。我们评估我们的运动和轨迹规划的移动机器人在仿真环境中的差分驱动。
2019-12-19 cs.AI cs.RO
Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems
UC Santa Barbara（加州大学圣芭芭拉分校）；Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；Cisco Research（思科研究）
本文提出了一种混合多机器人控制框架，通过引入路标和课程训练策略，解决多机器人任务和运动规划的联合优化问题，提升了任务成功率。
2026-04-22 cs.AI cs.RO
Counterexample Guided Inductive Optimization Applied to Mobile Robots Path Planning (Extended Version)
Federal Institute of Amazonas（亚马逊联邦学院）；Federal University of Amazonas（亚马逊联邦大学）；University of Oxford（牛津大学）
我们描述和评估一种新的基于反例引导归纳优化（CEGIO）技术的移动机器人离线路径规划算法。CEGIO迭代地采用从布尔可满足性（SAT）和可满足性模理论（SMT）求解器生成的反例，以指导优化过程并确保全局优化。本文是CEGIO在移动机器人路径规划中的首次应用，特别是CEGIO已经成功地应用于使用现成的SAT和SMT求解器获得自主移动机器人的最优二维路径。
2017-08-14 cs.AI cs.RO
Experience-based Refinement of Task Planning Knowledge in Autonomous Robots
School of Computing and Engineering, University of Huddersfield（哈德斯菲尔德大学计算与工程学院）；School of Human and Health Sciences, University of Huddersfield（哈德斯菲尔德大学人类与健康科学学院）
本文提出利用机器人动作执行经验来细化任务规划领域知识，并在NAO机器人上验证，以提高任务计划成功率并随时间降低失败率。
2025-04-19 cs.AI cs.RO
Experimental Comparison of Global Motion Planning Algorithms for Wheeled Mobile Robots
University of Southern California（南加利福尼亚大学）；Robert Bosch GmbH（罗伯特·博世股份有限公司）
规划轮式移动机器人的平稳和节能运动是从自动驾驶到服务和内部物流机器人应用的中心任务。在过去的几十年里，针对此类非完整系统提出了各种各样的运动规划器、转向函数和路径改进技术。为了比较各种最先进的运动规划技术，我们为轮式移动机器人引入了一种新的开源运动规划基准，其场景类似于现实世界的应用程序（如导航仓库，在混乱的城市或停车），并提出了规划效率和路径质量的指标。我们的基准易于使用和扩展，因此允许从业者和研究人员轻松评估新的运动规划算法，场景和指标。我们使用我们的基准来突出几个常见的最先进的运动规划器的优点和缺点，并提供何时应该使用它们的建议。
2020-03-07 cs.AI cs.RO
Computational Tradeoff in Minimum Obstacle Displacement Planning for Robot Navigation
University of Genoa（热那亚大学）
本文从移动机器人运动规划的角度研究了最小障碍位移规划问题。该问题通过移动障碍物来寻找到达目标的最优路径，而移动障碍物由于与障碍物碰撞而不存在路径。然而，这个问题是计算上昂贵的，并且在可移动障碍物的数量的大小上呈指数增长。这项工作着眼于近似的解决方案，是计算密集度较低，从最佳解决方案的最佳成本的一个因素不同。
2023-02-14 cs.AI cs.RO
RobotFleet: An Open-Source Framework for Centralized Multi-Robot Task Planning
本文提出开源框架RobotFleet，利用LLM进行集中式多机器人任务规划与调度，通过模块化自主技术栈和容器化服务抽象，降低构建可扩展异构多机器人系统的门槛。
2025-10-12 cs.AI cs.MA cs.RO
Adaptive speed planning for Unmanned Vehicle Based on Deep Reinforcement Learning
Northeastern University（东北大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Columbia University（哥伦比亚大学）
本文提出基于DQN和DDQN的无人车辆局部导航系统，通过改进奖励函数和障碍物角度判定方法，解决了接近障碍物时频繁减速的问题，实现了更稳定高效的自适应速度与路径规划。
2024-04-26 cs.RO
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology（宁波工程学院）
随着机器人技术和人工智能领域的发展不断深入，路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状，重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究，并给出了一些求解方法。
2014-01-07 cs.RO
Prioritized Planning Algorithms for Trajectory Coordination of Multiple Mobile Robots
自主多机器人系统的一个重要性能是防止机器人之间的碰撞。解决这个问题的一种方法是规划无冲突的轨迹，并让每个机器人遵循其预先规划的轨迹。多机器人轨迹规划的一种实用方法是优先规划法，该方法在实践中已被证明是有效的，但在一般情况下是不完整的。通过优先规划可证明可解决的实例的正式分析仍然缺失。此外，优先规划是集中式算法，这在许多情况下可能是不期望的。在本文中，我们a）提出了一个修订版本的优先规划和特征的类的实例，可证明可解决的算法和b）提出了一个异步分散的优先规划的变体，它保持了集中式版本的理想属性，并在同一时间利用分布式计算能力的个人机器人，这在大多数情况下，允许找到关节轨迹更快。在真实室内地图上进行的实验评估表明，a）优先规划的修订版本可靠地解决了经典优先规划和流行的反应式技术ORCA失败的广泛类别的实例，b）异步分散算法提供的解决方案比以前提出的同步分散算法更快。
2014-09-08 cs.AI cs.MA cs.RO
Distributing Collaborative Multi-Robot Planning with Gaussian Belief Propagation
Imperial College London（帝国理工学院）
当许多机器人必须在狭小的空间中一起工作时，前向时间窗口上的精确协调规划可以实现安全和高效的运动，但这通常需要对所有设备进行集中控制，这很难扩展。我们展示了GBP规划，一个新的纯分布式技术的基础上高斯置信传播的多机器人规划问题，制定了一个通用的因素图定义动态和碰撞约束在一个向前的时间窗口。在模拟中，我们表明，我们的方法允许高性能的协作规划，机器人能够在繁忙，复杂的场景中相互交叉。即使在通信故障的情况下，它们也比其他分布式规划技术保持更短，更快和更平滑的轨迹。我们鼓励读者在https://youtu.be/8VSrEUjH610上观看随附的视频演示。
2023-01-26 cs.AI cs.MA cs.RO
Multi-robot Path Planning in Well-formed Infrastructures: Prioritized Planning vs. Prioritized Wait Adjustment (Preliminary Results)
Peoples’ Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（RUDN大学））；Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院“计算机科学与控制”联邦研究中心）；National Research University Higher School of Economics（高等经济学院国家研究大学）
研究了一类同质机器人的无碰撞路径规划问题。我们提出了一种新的方法，用于将机器人自我中心地规划的路径，例如，不考虑其他机器人的移动，变成无碰撞的轨迹，并根据经验进行评估。建议的算法比最先进的算法快得多（高达一个数量级），但这是以解决方案成本显著下降为代价的。
2018-07-05 cs.AI cs.MA cs.RO
Planning the path with Reinforcement Learning: Optimal Robot Motion Planning in RoboCup Small Size League Environments
Centro de Informática, Universidade Federal de Pernambuco（佩德罗·本杰明大学计算机中心）
本研究利用强化学习结合启发式控制方法，在RoboCup小型组联赛环境中实现高效路径规划，较基线算法在无障碍场景下节省60%时间，并具备动态避障能力。
2024-04-23 cs.AI cs.LG cs.RO
Encoding Reusable Multi-Robot Planning Strategies as Abstract Hypergraphs
Rice University（莱斯大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；ITAM（墨西哥自治技术学院）
本研究针对多机器人任务规划复杂度高、难在线求解的问题，结合DaSH超图框架与抽象学习技术，将单机器人策略学习方法扩展至多机器人场景以提升规划效率。
2024-09-16 cs.AI cs.MA cs.RO
Integration of 3D Object Recognition and Planning for Robotic Manipulation: A Preliminary Report
Sabancı University（萨班哲大学）
我们研究不同的方法来整合对象识别和规划在桌面操作域与2012年RoboCup@Work比赛中使用的一组对象。我们的初步实验结果表明，与一些方法，感知和规划的紧密结合提高了计划的质量，以及可行的计划的计算时间。
2013-07-29 cs.AI cs.CV cs.RO
Motion Planning Diffusion: Learning and Planning of Robot Motions with Diffusion Models
TU Darmstadt（达姆施塔特工业大学）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science（认知科学中心）
本文提出将扩散模型作为先验，利用其逆去噪过程直接从以任务目标为条件的后验轨迹分布中采样，以加速机器人运动规划，实验证明该方法能有效编码高维轨迹分布并具备良好的泛化能力。
2024-03-26 cs.AI cs.LG cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology（波兹南理工大学）
在本文中，我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外，规划者应该检查多个约束，如静态稳定性，自碰撞，与地形的碰撞，以及腿的工作空间。结果，检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中，我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后，我们提出了一种新的规划方法，提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Scalable Multi-robot Motion Planning for Congested Environments With Topological Guidance
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Texas A&M University（德克萨斯A&M大学）
本研究将拓扑引导的单机器人运动规划扩展到多机器人领域，在拥挤狭窄环境中实现高效可扩展规划，支持比现有方法大25倍的团队规模，并生成更优路径。
2023-05-25 cs.AI cs.MA cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）
在人口密集的动态环境中，机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地，移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑，分为全局路径规划和局部路径规划。在此框架内，路径规划方法的最新进展，在文件中，同时检查他们的优点和缺点。值得注意的是，最近开发的速度障碍法及其变种，作为当地的规划者进行了全面的分析。此外，作为当前机器人应用中广泛使用的无模型方法，本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley（加州大学伯克利分校）
多关节机器人的运动规划具有挑战性。由于问题的复杂性，大多数现有的工作分解运动规划作为更容易的子问题。然而，由于不一致的性能指标，只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题，提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Learning and Using Abstractions for Robot Planning
Arizona State University（亚利桑那州立大学）
机器人运动规划涉及计算一系列有效的机器人配置，使机器人从其初始状态到目标状态。解决运动规划问题最佳使用分析方法被证明是PSPACE困难。基于采样的方法试图有效地近似最优解。通常，基于采样的规划器使用统一的采样器来覆盖整个状态空间。在本文中，我们提出了一个基于深度学习的框架，该框架可以识别环境中对解决给定运动规划问题至关重要的机器人配置。这些状态用于偏置采样分布，以减少规划时间。我们的方法适用于一个统一的网络，并根据环境和机器人生成域相关的网络参数。我们评估我们的方法与学习和链接规划器在三个不同的设置。结果表明，显着改善运动规划时间相比，目前的采样为基础的运动规划。
2021-07-22 cs.RO
A Novel Knowledge-Based Genetic Algorithm for Robot Path Planning in Complex Environments
University of Guelph（圭尔夫大学）
提出了一种新的基于知识的遗传算法用于非结构化复杂环境中移动机器人的路径规划，该算法设计了5个针对具体问题的算子，以实现高效的机器人路径规划。建议的遗传算法将机器人路径规划的领域知识纳入其专门的运营商，其中一些还结合了局部搜索技术。提出了一种独特而简单的机器人路径表示方法，并提出了一种简单而有效的路径评价方法，该方法能准确地检测出碰撞，并能很好地反映机器人路径的质量。该算法能够找到一个接近最优的机器人路径在静态和动态的复杂环境。仿真研究表明了该算法的有效性和效率。通过比较研究，证明了专用遗传算子在解决机器人路径规划问题的遗传算法中不可替代的作用。
2022-09-03 cs.AI cs.RO cs.SY
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
Experience-based Subproblem Planning for Multi-Robot Motion Planning
Texas A&M University（德克萨斯农工大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术学院）
提出基于经验的子问题规划方法，通过构建低维子问题解的数据库并应用于大规模场景，解决了多机器人运动规划在复杂任务中的可扩展性与效率问题。
2024-11-13 cs.RO
Combinatorics of a Discrete Trajectory Space for Robot Motion Planning
DFKI（德国人工智能研究中心）
运动规划是机器人控制中的一个难题。问题的复杂性与机器人的位形空间维数直接相关。虽然在许多理论计算和实际应用中的配置空间建模为连续空间，我们提出了一个离散的机器人模型的基础上的基本硬件规格的机器人。使用格路径的方法，我们提供的运动规划的复杂性估计通过计数的数量可能的轨迹在一个离散的机器人配置空间。
2020-05-25 cs.AI cs.CC cs.DM
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University（克莱姆森大学）；Air Force Research Laboratory（美国空军研究实验室）
机器人符号运动规划是在离散空间中指定和规划机器人任务，然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展，但仍存在许多挑战，包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中，分布式符号运动规划的多机器人系统的发展，以解决可扩展性。更具体地说，组合推理方法的发展，以分解的全局规划问题，原子命题的观察，通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性，一个动态的，定量的，和概率的人对机器人的信任模型的开发，以帮助这种分解。此外，提出了一种基于信任的实时切换框架，用于在自主和手动运动规划之间切换，以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估，证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 cs.RO
Energy Optimized Robot Arm Path Planning using Differential Evolution in Dynamic Environment
Jadavpur University（贾达沃普尔大学）
机器人由于其高效率和高精度的性能而广泛应用于工业中。在生产线的制造阶段，最有趣的问题之一是最大限度地减少这些机器人操作器消耗的能量的显着高的百分比。机器人的能量最优控制是一个复杂的问题，因为它需要深入了解机器人的运动学和动力学行为。提出了一种基于差分进化算法的工业机器人手臂在多障碍物工作空间中能量有效路径规划的新方法。路径规划问题被制定为一个优化问题，其目的是确定最短的和能量最优路径的机器人手臂从其给定的初始位置到预定义的目标位置，而不会碰到障碍物。这种进化算法在轨迹规划中的应用是有利的，因为路径规划问题的精确解并不总是预先可用的，并且必须动态地确定。实验表明，基于DE的路径规划算法优于其竞争者在一个显着的方式。
2018-06-23 cs.RO
Behavior Tree-Based Task Planning for Multiple Mobile Robots using a Data Distribution Service
Yonsei University（延世大学）；Hyundai Robotics（现代机器人公司）
在这项研究中，我们提出了多个机器人的任务规划框架，建立在一个行为树（BT）。BT与数据分发服务（DDS）通信以发送和接收数据。由于标准BT来自一个根结点与一个单一的滴答是不适合多个机器人，一种新型的BT行动和改进的节点，提出了通过DDS异步控制多个机器人。为了有效地规划机器人的任务，一个单一的任务规划单元实现了建议的任务类型。任务规划单元通过单个合并的BT同时向每个机器人分配任务。如果任何机器人在执行其指定任务时出现故障，则执行嵌入在机器人中的另一个BT;机器人进入恢复模式以克服故障。为了执行该功能，BT中对应于任务的动作被定义为变量，该变量与DDS共享，使得可以在任务规划单元和机器人之间交换任何动作。为了证明我们的框架在现实世界中的应用的可行性，三个移动机器人进行了实验协调，他们交替旅行到四个目标位置的建议通过DDS的单一任务规划单元。
2022-05-30 cs.AI cs.MA cs.NI
Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization
运动规划是机器人技术中的一个关键环节，它使机器人能够自主导航。粒子群优化算法是一种简单但功能强大的优化技术，已被有效地应用于许多复杂的多维优化问题。提出了一种基于粒子群优化的路径规划算法，用于计算移动机器人在静态凸障碍物环境中的最短无碰撞路径。该算法通过对机器人起始位置和目标位置之间生成的网格线进行随机采样来找到最优路径。所提出的算法的功能说明通过不同的情况下的仿真结果。
2020-08-23 cs.RO
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架，融合视觉基础模型提升机器人操作与运动规划，实现实时调整和持续学习，并通过实验验证其在动态环境中的部署潜力。
2023-09-20 cs.RO
Ray-based Interference Free Workspace Analysis and Path Planning for Cable-Driven Robots
The Chinese University of Hong Kong（香港中文大学）
本文采用基于光线的方法研究了任意缆索驱动机器人在缆索和障碍物作用下的无干涉工作空间。从这一点继续，点到点的路径规划和验证技术，以确保所产生的运动是在工作空间内进行了研究。
2022-09-23 cs.RO
Research on Robot Path Planning Based on Reinforcement Learning
本项目基于 Visual SLAM 构建了可稠密建图的 ORB-SLAM3 系统，将其点云图转换为轻量级栅格地图，并对比验证了 Q-learning、DQN 和 SARSA 算法在路径规划中的性能，证明 DQN 在高维复杂环境中表现最优。
2024-04-22 cs.CV cs.RO
Mobile Robot Path Planning in Dynamic Environments through Globally Guided Reinforcement Learning
The Chinese University of Hong Kong（香港中文大学）；University of Cambridge（剑桥大学）
大动态环境中移动机器人的路径规划是一个具有挑战性的问题，因为机器人需要有效地达到其给定的目标，同时避免与其他机器人或动态对象的潜在冲突。在存在动态障碍物的情况下，传统的解决方案通常采用重新规划策略，每当机器人遇到冲突时，重新调用规划算法来搜索替代路径。然而，这种重新规划的策略往往会造成不必要的弯路。为了解决这个问题，我们提出了一种基于学习的技术，利用环境时空信息。与现有的基于学习的方法不同，我们引入了一种全局引导的强化学习方法（G2RL），该方法采用了一种新的奖励结构，可以推广到任意环境。我们应用G2RL解决多机器人路径规划问题，在一个完全分布式的反应方式。我们评估我们的方法在不同的地图类型，障碍物密度和机器人的数量。实验结果表明，G2RL的泛化能力很好，优于现有的分布式方法，并且与完全集中式的最先进的基准测试非常相似。
2020-09-11 cs.AI cs.LG cs.MA
Decentralized Lifelong Path Planning for Multiple Ackerman Car-Like Robots
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
针对连续域中非完整约束机器人的终身路径规划难题，将离散域SOTA多机器人规划关键思想扩展至多个Ackerman类车机器人，提出高性能集中式与去中心化规划器，实现精确SE(2)目标位姿轨迹规划并经仿真与实验验证。
2024-02-19 cs.RO
Learning to Ground Objects for Robot Task and Motion Planning
SUNY Binghamton（纽约州立大学宾汉姆顿分校）
任务和运动规划（TAMP）算法已经被开发用于帮助机器人规划离散和连续空间中的行为。机器人面临复杂的现实世界场景，其中几乎不可能对所有对象或其物理属性进行建模以用于机器人规划（例如，在厨房或购物中心）。在本文中，我们定义了一个新的以对象为中心的TAMP问题，其中TAMP机器人不知道对象属性（例如，块的大小和重量）。然后，我们介绍了任务运动对象为中心的规划（{ \bf TMOC}），一个接地TAMP算法，学习地面对象和它们的物理属性与物理引擎。TMOC对于那些涉及动态复杂机器人多对象交互的任务特别有用，这些任务很难事先建模。我们已经证明和评估TMOC在模拟和使用一个真正的机器人。结果表明，TMOC在累积效用方面优于文献中的竞争基线。
2022-02-15 cs.RO
An Effective Algorithmic Framework for Near Optimal Multi-Robot Path Planning
Massachusetts Institute of Technology（麻省理工学院）
我们提出了一个集中的算法框架，解决多机器人路径规划问题，在一般的，二维的，连续的环境，同时最大限度地减少全球的任务完成时间。该框架获得高水平的有效性，通过组成的连续环境的最佳离散化和随后的快速，接近最佳的解决方案所产生的离散规划问题。这种原则性的方法在速度和支持的机器人密度方面实现了数量级的更好性能。对于各种各样的环境中，我们的方法被证明是计算全球接近最优的解决方案，为50个机器人在几秒钟内与机器人包装接近对方。在极端情况下，该方法可以始终如一地解决数百个机器人占用超过30%的自由空间的问题。
2015-07-13 cs.RO
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架，用于UR5e机械臂的主动碰撞避免，以提升人机协作安全性。
2026-09-29 cs.RO
Chance Constrained Motion Planning for High-Dimensional Robots
Massachusetts Institute of Technology（麻省理工学院）
本文介绍了概率Chekov（p-Chekov），一个机会约束运动规划系统，可应用于高自由度（DOF）机器人运动不确定性和不完善的状态信息。给定过程和观测噪声模型，它可以找到可行的轨迹，满足用户指定的边界上的碰撞概率。利用我们以前在确定性运动规划中的工作，将轨迹优化集成到稀疏路线图框架中，p-Chekov在高维任务的规划速度方面表现出优越性。P-Chekov将线性二次高斯运动规划方法应用到机器人状态概率分布的估计中，将积分理论应用到航路点碰撞风险估计中，并采用风险分配方法来分配航路点之间的允许故障概率。与其他现有的风险感知规划器不同，p-Chekov可以应用于高自由度的机器人规划任务，而无需对环境进行凸化。本文的实验结果表明，该p-Chekov系统可以有效地降低碰撞风险，并满足用户指定的机会约束，在典型的现实世界规划场景的高自由度机器人。
2018-11-07 cs.RO
Robot Path Planning Algorithms: A Review of Theory and Experiment
这本书的目的是介绍不同的机器人路径规划算法，并建议一些最合适的，能够运行在各种机器人和抗干扰。实时性、自主性以及识别高风险区域和风险管理的能力是这些方法中提到的其他功能。
2018-11-13 cs.RO
k-Color Multi-Robot Motion Planning
Tel-Aviv University（特拉维夫大学）
我们提出了一个简单而自然的扩展的多机器人运动规划问题，其中的机器人被划分成组（颜色），这样，在每个组的机器人是可互换的。每个机器人不再需要移动到特定的目标，而是移动到分配给其组的某个目标位置。我们称这个问题为k-颜色多机器人运动规划，并提供了一个专门设计的基于采样的算法来解决它。在该算法的核心是一个新的技术，其中k-颜色问题减少到几个离散的多机器人运动规划问题。这些减少将基本样本放大为机器人的大量自由放置和路径集合。我们证明了该算法的性能的情况下，圆盘机器人和多边形机器人在平面上平移的实现。我们表明，该算法成功地和有效地应对了各种具有挑战性的情况下，涉及许多机器人，而该算法的简化版本，可以被视为一个普遍的基于采样的算法的K-颜色的情况下，即使在简单的情况下失败。有趣的是，我们的算法优于PRM的标准多机器人问题，其中每个机器人都有一个独特的颜色建立的实现。
2013-05-13 cs.RO
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science（莫迪理工学院）；PEC University of Technology（旁遮普工程学院大学）
本文介绍了电子设计和运动规划的机器人决策的基础上，关于它的直线运动和精确转弯的人工神经网络（ANN）。人工神经网络有助于机器人的学习，使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University（东南大学）；Tongji University（同济大学）
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加，经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展，基于深度强化学习（Deep Reinforcement Learning，DRL）的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的，并且不依赖于先前的结构化地图。最重要的是，基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中，我们提供了一个系统的审查各种运动规划方法。首先，我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果，并分析了它们的性能特点。随后，我们集中总结了基于RL的运动规划方法，包括运动规划器结合RL的改进，基于地图的RL运动规划器，和多机器人协作规划方法。最后，我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战，回顾了一些最先进的工作，这些问题，并提出了未来的研究建议。
2022-02-23 cs.RO
Edge Coverage Path Planning for Robot Mowing
Wayne State University（韦恩州立大学）
由于机器人技术的快速发展，机器人割草正在出现，以解放人类从繁琐和耗时的景观工作。传统上，机器人割草被认为是一个“覆盖路径规划”的问题，与简化，将非凸障碍转化为凸障碍。此外，通常通过机器人外接圆对转换后的障碍物进行扩张以避免碰撞。然而，当应用于机器人割草时，草坪中的障碍物通常是非凸的，想象一下草坪上的花园，使得所提到的障碍物处理方法将填充一些凹进区域，使得它们不再被机器人接近，并且因此沿着草坪边缘产生不可避免的未切割区域，这使景观的优雅变得暗淡并且引起返工。为了缩小草坪边缘周围的未切割区域，我们在此将该问题重新构建为一个全新的问题，命名为“边缘覆盖路径规划”问题，该问题专用于路径规划，目标是覆盖边缘。相应地，我们提出了两种规划方法，“大小盘”和“滑动盘”规划方法来解决这个问题，利用图像形态学处理和计算几何技能。通过验证，我们提出的方法可以优于传统的“外接圆膨胀”的方法。
2022-09-12 cs.RO
Capability Iteration Network for Robot Path Planning
Shanghai Jiao Tong University（上海交通大学）
路径规划是机器人领域的一个重要课题。最近，基于值迭代的深度学习模型已经取得了良好的性能，例如值迭代网络（VIN）。然而，以前的方法收敛速度慢，精度低，在大地图上，因此限制在智能体与复杂的运动学，如足式机器人的路径规划。因此，我们提出了一种新的价值迭代的路径规划方法称为能力迭代网络（CIN）。CIN利用稀疏奖励映射，并使用状态-动作转移概率对代理的能力进行编码，而不是以前模型中的卷积核。提出了端到端训练和单独训练能力模块两种训练方法，大大加快了收敛速度。在不同的场景下，包括2D，3D网格世界和真实的机器人与不同的地图大小的路径规划实验进行。结果表明，CIN具有更高的精度，更快的收敛速度，和更低的随机种子的敏感性相比，以前的VI为基础的模型，因此更适用于实际的机器人路径规划。
2021-04-29 cs.RO
