Informable Multi-Objective and Multi-Directional RRT* System for Robot Path Planning
Princeton University（普林斯顿大学）
多目标或多目的地路径规划对于移动机器人应用至关重要，例如移动即服务，机器人检测和电动汽车长途充电。本文提出一个随时迭代系统来同时求解多目标路径规划问题和确定目的地的访问顺序。该系统包括一个随时不变形的多目标和多方向的RRT* 算法，以形成一个简单的连通图，和一个建议的求解器，由一个增强的最便宜的插入算法和遗传算法，以解决放松旅行商问题在多项式时间。此外，通常会为机器人检查和车辆路由提供一系列路点，以便机器人可以优先访问某些设备或感兴趣的区域。我们表明，所提出的系统可以固有地将这些知识，并可以通过具有挑战性的拓扑导航。所提出的随时随地系统进行评估，为现实世界的驾驶应用程序建立的大型和复杂的图形。所有实现都是用多线程C++编写的，可以在https://github.com/UMich-BipedLab/IMOMD-RRTStar上找到。
2022-05-30 cs.RO
Optimal Multi-Robot Path Planning on Graphs: Structure and Computational Complexity
Massachusetts Institute of Technology（麻省理工学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们研究了图上的最优多机器人路径规划问题（MPP）在四个不同的最小化目标：总到达时间，最大完工时间（最后到达时间），总距离，最大（单机器人行驶）距离。在结构方面，我们表明，这四个目标的每一对诱导帕累托前沿，并不能总是同时优化。然后，通过从3-SAT的减少，我们进一步建立了每个目标的计算是一个NP-难的任务，提供的证据表明，最佳地解决MPP通常是棘手的。尽管如此，在一篇相关论文中，我们设计了完整的算法和有效的算法来优化所有四个目标，能够在具有挑战性的设置中为数百个机器人最佳或接近最佳地解决MPP。
2015-07-12 cs.RO
UAV 3-D path planning based on MOEA/D with adaptive areal weight adjustment
Central South University（中南大学）；National University of Defense Technology（国防科技大学）
针对无人机三维路径规划中路径长度与地形威胁的多目标权衡问题，提出带自适应面积权重调整策略的改进MOEA/D算法，经多场景对比实验验证可有效提升解的多样性与算法性能。
2023-08-20 cs.AI cs.RO
Enhanced Teaching-Learning-based Optimization for 3D Path Planning of Multicopter UAVs
Naval Academy（海军学院）；University of Technology Sydney (UTS)（悉尼科技大学）
提出了一种基于教与学优化技术的无人机路径规划算法。我们首先定义一个目标函数，将路径长度的要求和约束的运动和无人机的安全操作转换为一个优化问题的路径规划。然后，提出了多学科TLBO优化算法，以最小化制定的目标函数。该算法在TLBO的基础上进行改进，增加了变异、精英选择和多学科训练等新操作，提高了解的质量和收敛速度。与最先进的算法和实验与真实的无人机进行了比较，以评估所提出的算法的性能。仿真结果验证了该方法在复杂环境下为无人机生成最优、无碰撞、可飞路径的有效性。
2022-05-31 cs.AI cs.RO
Exploration-RRT: A multi-objective Path Planning and Exploration Framework for Unknown and Unstructured Environments
Luleå University of Technology（吕勒奥理工大学）
本文建立了Exploration-RRT算法：一种基于多目标快速探索随机树（RRT）框架的新型通用联合探索和路径规划算法。Exploration-RRT（ERRT）是专门设计用于3D探测任务，部分或完全未知和非结构化的环境。新提出的ERRT是基于一个多目标优化框架，它能够考虑潜在的信息增益，行驶的距离，和驱动成本，沿轨迹伪随机目标，从考虑板上传感器模型和所利用的平台的非线性模型产生。在本文中，将建立ERRT的算法流水线，并将在配备有3D激光雷达的无人机（UAV）模型的模拟操作环境中的应用上展示所提出的方案的总体适用性和效率，其目标是尽可能高效和快速地探索完全未知的区域
2021-04-08 cs.RO
Multi-objective path planning of an autonomous mobile robot using hybrid PSO-MFB optimization algorithm
College of Engineering, University of Baghdad（巴格达大学工程学院）；College of Engineering, University of Information Technology and Communications（信息技术与通信大学工程学院）；University of Technology（技术大学）
本文的主要目的是解决一个自主移动机器人在静态和动态环境中的路径规划问题。通过确定满足最短距离和路径平滑度的所选标准的无碰撞路径来解决该问题。建议的路径规划算法模仿现实世界中的移动机器人的实际尺寸添加到障碍物和制定的问题作为一个移动点在自由空间。该算法由三个模块组成。第一个模块通过进行混合粒子群优化修改的频率蝙蝠（PSO-MFB）算法，最大限度地减少距离，并遵循路径平滑标准，形成一个优化的路径。第二个模块检测任何不可行点所提出的混合PSO-MFB算法通过一种新的本地搜索（LS）算法集成的混合PSO-MFB算法转换成可行的解决方案。第三个模块具有障碍物检测和避免（ODA）功能，当移动机器人在其感测区域内检测到障碍物时会触发障碍物检测和避免与障碍物碰撞。仿真结果表明，该方法在复杂的动态环境下仍能生成最优可行路径，克服了网格法等传统方法的不足。仿真结果表明，与现有的路径规划方法相比，所提出的混合PSO-MFB算法在路径最优性方面具有很强的竞争力。
2020-03-20 cs.RO
Path Planning Games
Vanderbilt University（范德堡大学）
路径规划是机器人控制中的一个基本和广泛探索的问题。我们提出了一个新的经济角度的路径规划。具体来说，我们研究战略之间的互动路径规划代理使用博弈论路径规划框架。我们的重点是两个重要目标之间的经济紧张关系：代理人实现其目标的效率和安全性。我们首先开发一种新的数学公式的路径规划，权衡这些目标，当其他代理的行为是固定的。然后，我们使用这个公式近似纳什均衡的路径规划游戏，以及开发一个多智能体合作的路径规划制定。通过几个案例研究，我们表明，在一个路径规划游戏，安全性往往是显着妥协相比，合作的解决方案。
2019-10-30 cs.AI cs.GT cs.MA
Multi-Objective Optimization of a Path-following MPC for Vehicle Guidance: A Bayesian Optimization Approach
RWTH Aachen University（亚琛工业大学）；IAV GmbH（IAV公司）
研究了车辆纵向和横向控制的路径跟踪模型预测控制的代价泛函的多目标优化问题。虽然模型预测控制固有的最优特性和对约束的直接考虑为许多应用提供了非常强大的工具，但是确定适当的成本泛函是一项重要的任务。这一方面由自由度的数量或多个可调参数引起，另一方面由这些参数的耦合引起。为了克服这种情况下的贝叶斯优化过程，它给出了可能性，以确定最佳的成本函数参数为一个给定的愿望。此外，可以计算一组可能的配置的帕累托前沿。
2021-04-08 cs.RO cs.SY eess.SY
A Data-Driven Distributed Control Scheme: Learning Multi-Objective Agent-Based MPC for Path-Tracking
University of Waterloo（滑铁卢大学）
本文提出一种数据驱动的学习多目标基于智能体的模型预测控制方案，通过ADMM解耦和基于学习的迭代初始化，在保持与集成方案相同控制性能的同时，显著降低计算时间，适用于自动驾驶车辆路径跟踪。
2026-09-14 cs.RO
An Indoor Navigation System for the Visually Impaired based on UWB Positioning and D* Lite Path Planning Algorithm
针对视障者室内导航问题，提出基于UWB定位技术和D* Lite路径规划算法的系统，利用UWB传感器定位，集成算法优化轨迹、应对动态障碍，实验表明系统可靠低延迟，为视障者提供安全灵活的室内导航。
2026-07-21 cs.RO cs.SY eess.SY
MOAR Planner: Multi-Objective and Adaptive Risk-Aware Path Planning for Infrastructure Inspection with a UAV
ICRA_Louis_Petit（ICRA_路易·佩蒂）
提出MOAR路径规划器，通过风险感知成本函数和自适应速度规划，在接近障碍物时实时优化安全、时间和能量，实现无人机自主导航。
2026-06-29 cs.RO
Generalizing Trajectory Retiming to Quadratic Objective Functions
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）
本文提出基于因子图变量消元的轨迹重定时算法，将目标从最小时间推广到二次目标并保持线性时间复杂度，实验表明其机器人性能和计算速度优于或媲美现有方法。
2023-09-18 cs.RO
CPP-DIP: Multi-objective Coverage Path Planning for MAVs in Dispersed and Irregular Plantations
School of Aerospace Engineering, Engineering Campus, Universiti Sains Malaysia（航空航天工程学院）
本文提出面向分散不规则种植园的多旋翼飞行器多目标覆盖路径规划框架CPP-DIP，将任务建模为TSP，结合HOG树木检测、密度感知航点策略和多种求解器优化路径，并通过ForaNav实现精确定位跟踪。
2025-05-08 cs.RO
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
Online Informative Path Planning for Active Classification on UAVs
ETH Zürich, Autonomous Systems Lab（苏黎世联邦理工学院）
针对精准农业中的杂草检测问题，提出了一种基于无人机的主动分类信息路径规划算法。我们使用占用网格对农田中杂草的存在进行建模，并根据信息理论目标生成计划，使无人机能够有效地收集数据。我们使用全局视点选择和进化优化的组合来细化无人机在连续空间中的轨迹，同时满足动态约束。我们验证我们的方法在模拟与标准的“割草机”的覆盖范围进行比较，并研究不同的目标和优化策略的影响。我们计划在不久的将来在一个真实的平台上评估我们的算法。
2016-07-13 cs.RO
Unifying Entropy Regularization in Optimal Control: From and Back to Classical Objectives via Iterated Soft Policies and Path Integral Solutions
Department of Electromechanical, Systems and Metal Engineering, Ghent University, Ghent, Belgium（电子机械、系统与金属工程系，根特大学，根特，比利时）；Core lab MIRO, Flanders Make, Belgium（Flanders Make核心实验室，比利时）
本文通过KL正则化视角统一了多个最优控制形式，提出分离策略和转移KL惩罚的中央问题，恢复了经典SOC、RSOC及其软策略变体，通过迭代解恢复原始目标。
2026-05-13 cs.LG cs.RO cs.SY
General Optimization Framework for Recurrent Reachability Objectives
Masaryk University（马萨里克大学）
本文研究了一类循环可达性目标下的移动机器人路径规划问题。这些目标通过从一个位置访问另一个位置所需的预期时间、该时间的预期平方以及两个相邻位置之间的移动频率来参数化。我们设计了一个有效的策略合成算法，经常性的可达性目标，并证明其功能的非平凡的情况下。
2022-05-27 cs.GT cs.RO
A Receding Horizon Multi-Objective Planner for Autonomous Surface Vehicles in Urban Waterways
Massachusetts Institute of Technology（麻省理工学院）；Stevens Institute of Technology（史蒂文斯理工学院）
我们提出了一种新的滚动时域规划器的自主水面车辆（ASV）在城市水道进行路径规划。通过重复生成和搜索反映在传感器视场中观察到的障碍物的图来找到可行路径。我们还提出了一种新的方法，多目标运动规划的图，利用字典优化的范例，并将其应用到我们的滚动时域规划器内的图搜索。在搜索过程中，对感兴趣的竞争资源进行分级处罚。较高等级的资源会导致机器人在所走过的路径上产生非负成本，这些路径有时是零值的。该框架旨在捕获机器人必须管理资源的问题，例如碰撞风险。这为打破低优先级资源的平局留下了自由;在层次结构的底部是机器人消耗的严格的正数量，例如行驶的距离，消耗的能量或消耗的时间。我们在模拟和现实环境中进行实验，以验证所提出的规划，并证明其能力，使ASV导航在复杂的环境中。
2020-08-29 cs.RO
Optimal Multi-Robot Path Planning on Graphs: Complete Algorithms and Effective Heuristics
Massachusetts Institute of Technology（麻省理工学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们研究了最优多机器人路径规划问题的图MPP在四个不同的最小化目标：最大完工时间（最后到达时间），最大（单机器人行驶）的距离，总到达时间，总距离。在一篇相关的论文中，我们证明了这些目标是不同的，NP-难以优化。在这项工作中，我们专注于有效的算法解决方案，解决这些最佳MPP问题。为了实现这个目标，我们首先在MPP和网络流之间建立一个一对一的解决方案映射。基于这种等价性和整数线性规划（ILP），我们设计了新的和完整的算法优化的四个目标。特别是，我们的精确算法计算最佳的最大完工时间的解决方案是第一个这样的，是能够解决极具挑战性的问题，机器人顶点比率高达100%。然后，我们进一步提高这些精确算法的计算性能，通过引入原则性算法，在一些最优性损失的代价。基于ILP模型的算法和算法的组合被证明是非常有效的，允许计算包含数百个机器人的问题的1. x最优解，密集地分布在环境中，通常只需几秒钟。
2015-07-12 cs.RO
Hybrid Terrain-Aware Path Planning: Integrating VD-RRT* Exploration and VD-D* Lite Repair
The Grainger College of Engineering, Electrical and Computer Engineering Department, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院）；The Grainger College of Engineering, Industrial and Enterprise Systems Engineering Department, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院）
提出融合Bekker压力-沉陷模型与坡度惩罚的连续代价度量，结合精确转向原语，采用VD-RRT*全局探索与VD-D* Lite局部修复，实现毫秒级重规划，硬件试验验证软土与坡度环境实时导航。
2025-10-15 cs.RO cs.SY eess.SY
Inverse Optimal Control of Muscle Force Sharing During Pathological Gait
University of Belgrade（贝尔格莱德大学）；LAAS-CNRS（拉泰斯-CNRS）；University Gustave Eiffel, Campus Lyon（戈斯瓦夫·埃菲尔大学，里昂校区）
本文用逆最优控制识别两名卒中后患者步态的肌肉力量分配目标，发现最佳目标具有受试者和腿特异性，且肌肉功率均方根可能有助于刻画患侧痉挛。
2025-10-20 cs.RO cs.SY eess.SY
Optimization-Based On-Road Path Planning for Articulated Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Linköping University（林雪平大学）；Scania CV AB（斯堪尼亚汽车公司）
在狭窄的道路延伸段上操纵铰接式车辆对于人类驾驶员来说通常是一项具有挑战性的任务。除非车辆被准确地转向，否则车身的一部分可能会超出其指定的车道，从而增加与周围交通碰撞的风险。在这项工作中，提出了一种基于优化的路径规划算法，针对道路上行驶的情况下，铰接车辆组成的牵引车和拖车。为此，我们在适合道路规划的道路对齐坐标系中对牵引车-拖车车辆进行建模。基于驾驶行为学，提出了一组不同的优化目标，其总体目标是设计一个路径规划器，该路径规划器计算最小化车身扫掠区域的偏离轨道的路径，同时保持在道路上并避免与障碍物碰撞。使用最具挑战性的牵引车拖车尺寸，在一组复杂且实际相关的道路规划场景的模拟中评估和分析了所提出的基于优化的路径规划算法以及不同的优化目标。
2020-05-11 cs.RO cs.SY eess.SY
A Conflict-Based Search Framework for Multi-Objective Multi-Agent Path Finding
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德克萨斯农工大学）
传统的多智能体路径规划器通常在优化单个目标（例如路径长度）的同时计算路径的集合。然而，许多应用可能需要在规划期间同时优化多个目标，例如燃料消耗和完成时间，并且这些标准可能不容易比较，并且有时彼此竞争。因此，问题的目标是找到一组帕累托最优解，而不是一个单一的最优解。简单地将现有的多目标搜索算法（诸如多目标A*（MOA*））应用于多智能体路径查找可能被证明是低效的，因为搜索空间的维度随着智能体的数量呈指数增长。本文提出了一种名为多目标基于搜索（MO-CBS）的方法，该方法试图通过利用先前的基于搜索的搜索（CBS）（一种用于单目标多智能体路径查找的知名算法）和多目标优化文献中的优势原则来解决这种所谓的维数灾难。我们还开发了几种变体的MO-CBS，以提高其性能。我们证明了MO-CBS及其变体可以计算整个Pareto最优集。数值结果表明，MO-CBS优于最近开发的国家的最先进的多目标多智能体规划器。
2022-06-12 cs.AI cs.RO
Subdimensional Expansion for Multi-objective Multi-agent Path Finding
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德克萨斯农工大学）
传统的多智能体路径规划器通常确定优化单个目标（诸如路径长度）的路径。然而，许多应用可能需要在规划过程中同时优化多个目标，例如完成时间和燃料使用。这些标准往往不容易比较，有时相互竞争。简单地将标准多目标搜索算法应用于多代理路径查找可能被证明是低效的，因为可能的解的空间的大小，即，帕累托最优集合可以随着代理的数量（搜索空间的维度）呈指数增长。本文提出了一种方法，绕过这个所谓的灾难的维度，利用我们以前的多智能体的工作与一个框架，称为子维扩展。当应用于A* 时，子维扩展的一个示例被称为M*，并且M* 被限制为单个目标函数。我们结合优势和子维扩展的原则，创建一个新的算法命名为多目标M*（M *），动态耦合代理规划只有当这些代理必须“互动”与对方。* * 有效地计算多个代理的完整帕累托最优集，并自然地权衡帕累托最优集的次优近似和计算效率。我们的方法是能够找到完整的帕累托最优集的问题实例与数百个解决方案，标准的多目标A* 算法无法在有限的时间内找到。
2021-07-10 cs.AI cs.RO
Collision avoidance and path finding in a robotic mobile fulfillment system using multi-objective meta-heuristics
Department of Industrial Engineering, Clemson University（工业工程系，克莱姆森大学）
针对多智能体路径规划中AGV避障与任务分配问题，提出兼顾能耗与行驶时间的避障策略及两种多目标优化算法，性能优于现有方法。
2025-10-29 cs.RO math.OC
Multi-Agent Pathfinding: Definitions, Variants, and Benchmarks
Ben Gurion University of the Negev（内盖夫本-古里安大学）；University of Alberta（阿尔伯塔大学）；USC（南加州大学）；University of Denver（丹佛大学）；Charles University（查理大学）
MAPF问题是为多个代理规划路径的基本问题，其中的关键约束是代理将能够同时遵循这些路径而不会相互冲突。MAPF的应用包括自动化仓库和自动驾驶汽车。近几年来，MAPF的研究得到了蓬勃发展。不同的MAPF研究论文做出了不同的假设，例如，智能体是否可以在同一时间穿越同一条道路，并具有不同的目标函数，例如，最小化完工时间或代理人的行动成本之和。这些假设和目标有时是隐含的假设或非正式的描述。这使得难以在研究论文中建立适当的比较基线，也使得从业人员难以找到与其具体应用相关的论文。本文旨在填补这一空白，并支持研究人员和从业人员提供一个统一的术语来描述常见的MAPF假设和目标。此外，我们还提供了两个MAPF基准的指针。特别是，我们引入了一个新的基于网格的基准MAPF，并通过实验证明，它构成了当代MAPF算法的挑战。
2019-06-19 cs.AI cs.MA cs.RO
Cost Splitting for Multi-Objective Conflict-Based Search
Tsinghua University（清华大学）；University of Southern California（南加利福尼亚大学）；Carnegie Mellon University（卡内基梅隆大学）
多目标多智能体路径查找（MO-MAPF）问题是在最小化多个成本指标的同时为一组智能体找到无冲突路径的帕累托最优边界的问题。这样的成本度量的例子包括到达时间，旅行距离，和能源consumption.In本文中，我们专注于多目标基于搜索（MO-CBS）算法，一个国家的最先进的MO-MAPF算法。我们发现，标准的分裂策略使用的MO-CBS可能会导致重复的搜索节点，因此可以重复的搜索工作，MO-CBS需要。为了解决这个问题，我们提出了两个新的拆分策略MO-CBS，即成本拆分和不相交的成本拆分。我们的理论结果表明，当结合这两个新的分裂策略，MO-CBS保持其完整性和最优性保证。我们的实验结果表明，不相交的成本拆分，我们最好的拆分策略，加快了MO-CBS的两个数量级，并大大提高了其成功率在各种设置。
2022-11-23 cs.AI cs.MA cs.RO
Deep Reinforcement Learning Controller for 3D Path-following and Collision Avoidance by Autonomous Underwater Vehicles
Norwegian University of Science and Technology（挪威科技大学）；Oklahoma State University（俄克拉荷马州立大学）
控制理论为工程师提供了大量的工具来设计控制器，以操纵动态系统的闭环行为和稳定性。这些方法在很大程度上依赖于对控制物理系统的数学模型的理解。然而，在复杂的系统中，如自主水下航行器执行路径跟踪和避碰的双重目标，决策变得不平凡。我们提出了一个解决方案，使用最先进的深度强化学习（DRL）技术，开发自主智能体能够实现这一混合目标，而无需先验知识的目标或环境。我们的研究结果表明，DRL在路径跟踪和避免碰撞的可行性，以实现人类的自主车辆系统在极端障碍配置的决策。
2020-06-17 cs.LG cs.RO
Multi-Objective Cooperative Search of Spatially Diverse Routes in Uncertain Environments
The University of Texas, San Antonio（德克萨斯大学圣安东尼奥分校）
本文提出一种多车辆协作系统，用于在未知环境中搜索有价值路线，通过调整权重和控制增益实现路径多样性，最终选择最优路径。
2017-03-15 cs.RO cs.SY eess.SY
