Conflict-Based Model Predictive Control for Scalable Multi-Robot Motion Planning
Carnegie Mellon University（卡内基梅隆大学）
本文提出CB-MPC算法，借鉴CBS的高层冲突树在连续空间高效解决多机器人冲突，并用MPC处理个体运动学和动力学约束，相比联合、优先级和分布式MPC变体，在多种环境中提升了可执行性、成功率和交互紧密性，同时显著降低计算成本。
2024-04-01 cs.MA cs.RO
Targeted Parallelization of Conflict-Based Search for Multi-Robot Path Planning
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
本研究针对多机器人路径规划（MRPP），提出目标并行化策略加速基于冲突的搜索，通过分散并行探索或优先节点扩展，显著提升成功率与运行效率。
2024-03-15 cs.RO
Repulsive Trajectory Modification and Conflict Resolution for Efficient Multi-Manipulator Motion Planning
Dept. of Electronic Engineering, Sogang University, Korea（电子工程系，ソンガン大学）；Dept. of Artificial Intelligence, Sejong University, Korea（人工智能系，世宗大学）
提出基于CBS两层结构的排斥轨迹修改方法，利用人工势场引导冲突机械臂轨迹远离其他机器人，并设计单步直接求解策略，显著减少约束树扩展节点、提升成功率与求解速度。
2025-09-17 cs.MA cs.RO
Representation-Optimal Multi-Robot Motion Planning using Conflict-Based Search
Texas A&M University（得克萨斯农工大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
多智能体运动规划（MAMP）是指给定个体的起始和目标状态，为一组智能体计算可行路径的问题。鉴于MAMP的困难，大多数与多智能体系统相关的研究都集中在多智能体寻路（MAPF）上，它通过假设所有智能体共享空间的离散表示来简化问题。基于冲突的搜索算法（CBS）已被证明是在离散空间中生成最佳解决方案的一种易于处理的方法。然而，无论是CBS或其他离散MAPF技术不能直接应用于解决MAMP问题，因为假设共享离散表示的代理的状态空间。在这项工作中，我们解决MAMP问题，通过适应CBS的MAPF方案中发现的技术，在一个连续的空间中的异构代理更一般的问题。我们展示了多达32个代理的可扩展性团队，展示了处理多达8个高自由度机械手的能力，并计划为异构团队。在所有情况下，我们的方法都能显著加快规划速度，同时提供更高质量的解决方案。
2020-03-04 cs.RO
Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement
Balgrist University Hospital, University of Zurich（苏黎世大学巴尔格里斯特大学医院）；University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；ETH AI Center（苏黎世联邦理工学院人工智能中心）
本文提出一种基于安全深度强化学习的术中规划方法，通过不确定性感知安全滤波器和预训练解剖知识补偿，实现机器人脊柱手术中椎弓根螺钉置入的安全钻孔路径规划，达到金标准90%的骨穿透率。
2023-05-10 cs.AI cs.RO
Space-Time Conflict Spheres for Constrained Multi-Agent Motion Planning
Illinois Mathematics and Science Academy（伊利诺伊数学与科学学院）；Carnegie Mellon University（卡内基梅隆大学）
针对多智能体运动规划难题，提出基于时空冲突球与深度优先搜索的方法，兼具可扩展性与计算保证，支持动静态障碍物，在CARLA无信号路口场景中成功率显著提升且扩展性良好。
2023-04-30 cs.RO
Planning Safety Trajectories with Dual-Phase, Physics-Informed, and Transportation Knowledge-Driven Large Language Models
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Texas A&M（德克萨斯农工大学）
本文提出LetsPi框架，将大语言模型推理与物理信息社会力模型相结合，通过双阶段架构实现安全、类人且高效的轨迹规划，并在HighD数据集上验证其优于基线模型。
2025-04-06 cs.AI cs.RO
Multi UAVs Preflight Planning in a Shared and Dynamic Airspace
Linköping University（林雪平大学）；Universidade Estadual de Campinas（坎皮纳斯州立大学）；Universidade Federal do ABC（ABC联邦大学）
DTAPP-IICR通过增量迭代冲突解决方法，实现了在动态共享空域中大规模无人机预飞行规划的高效与高成功率。
2026-02-12 cs.AI cs.MA cs.RO
Conflict-Based Search and Prioritized Planning for Multi-Agent Path Finding Among Movable Obstacles
Shanghai Jiao Tong University（上海交通大学）
本文针对可移动障碍物场景下多智能体路径规划（M-PAMO）这一未充分探索的难题，首次融合CBS、PP两种MAPF方法与单智能体规划器PAMO*求解，并通过多组实验验证了不同方法的优劣。
2025-09-30 cs.RO
Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution
Department of Computer Science, University of New Orleans（计算机科学系，新奥尔良大学）；Knight Foundation School of Computing and Information Sciences, Florida International University（骑士基金会计算与信息科学学院，佛罗里达国际大学）；Providence College, Department of Mathematics & Computer Science（普罗维登斯学院，数学与计算机科学系）
本文提出一种结合约束贝叶斯优化与STL冲突解决的多机器人轨迹规划方法，提升轨迹效率和安全性。
2026-03-06 cs.RO
Risk-aware Vehicle Motion Planning Using Bayesian LSTM-Based Model Predictive Control
Rutgers University – New Brunswick（罗格斯大学新布朗斯维克分校）
了解概率交通环境是自动驾驶车辆运动规划的一个重要挑战。为了做出可行的控制决策，预测相邻车辆的未来轨迹对于智能车辆评估潜在冲突并做出反应以降低风险至关重要。本文首先介绍了贝叶斯长短期记忆（BLSTM）模型，以学习人类驾驶员的行为和习惯，从他们的历史轨迹数据。该模型预测周围车辆位置的概率分布，用于估计动态冲突风险。接下来，建立一个混合自动机来模拟汽车的基本运动，并根据环境信息评估实时状态空间转换的冲突风险。最后，基于BLSTM的模型预测控制（MPC）的建立，以最小的预测冲突风险的安全路径导航车辆。通过将BLSTM与MPC相结合，所设计的基于神经网络的MPC克服了传统MPC难以对不确定冲突风险建模的缺陷。仿真结果表明，我们提出的基于BLSTM的MPC性能优于人类驾驶员，因为它可以预见潜在的冲突，并采取行动，以避免他们。
2023-01-15 cs.RO cs.SY eess.SY
Unified Prediction and Planning via Conflict-Aware Disjoint Parameter Training
DGIST（韩国科学技术院大邱庆北校区）；KAIST（韩国科学技术院）
研究社交机器人在拥挤环境中统一预测与规划问题，提出基于模型合并的不相交参数训练框架DPT，通过分布式参数学习减轻技能冲突，稀疏合并提升性能，在标准基准测试中验证其在机器人导航上通用且有效。
2026-08-28 cs.CV cs.RO
Conflict-Based Search as a Protocol: A Multi-Agent Motion Planning Protocol for Heterogeneous Agents, Solvers, and Independent Tasks
Carnegie Mellon University（卡内基梅隆大学）；Tongji University（同济大学）；UC Berkeley（伯克利大学）
本文提出了一种基于冲突的搜索协议，用于异构智能体的多智能体运动规划，利用多种单智能体规划算法实现无碰撞路径规划。
2026-03-05 cs.MA cs.RO
Solution Space Path Planning: A Real-Time Human-Centered Path Planning Algorithm for En-Route Air Traffic Control
Delft University of Technology（代尔夫特理工大学）
提出一种基于解空间的冲突避免路径规划算法，集成三种意图冲突检测方法，通过顶点和边搜索节点实现高效计算，在MUAC Delta扇区测试中平均计算时间3.69毫秒。
2026-08-03 cs.AI cs.RO cs.SY
Predictive Risk Analysis and Safe Trajectory Planning for Intelligent and Connected Vehicles
本文提出一种智能网联汽车的预测风险分析与安全轨迹规划框架，通过局部风险感知算法预测未来轨迹并进行时空离散化风险分析以生成安全轨迹，仿真与实验验证了其有效性与实时性。
2025-06-30 cs.RO
Minimum-violation LTL Planning with Conflicting Specifications
Masaryk University（马萨里克大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））
我们考虑的问题，自动生成的控制策略的机器人车辆给出了一组高层次的任务规范，如“车辆x必须最终访问目标区域，然后返回基地”，“区域A和B必须定期调查，”或“没有车辆可以进入一个不安全的区域。“我们专注于由于不兼容和/或环境限制而无法同时达到所有给定规格的情况。我们的目标是找到最少违反控制策略，同时考虑不同的优先级，满足不同的部分的任务。形式上，我们考虑以线性时序逻辑公式的形式给出的任务，每个任务都被分配了一个奖励，当公式得到满足时就会获得奖励。利用自动机为基础的模型检验的想法，我们提出了一个算法，找到一个最优控制策略，最大限度地提高了回报的总和，如果这个控制策略被应用。我们证明了所提出的算法上的一个说明性的案例研究。
2013-03-15 cs.RO
Safe planning and control under uncertainty for self-driving
Manipal Institute of Technology（马尼帕尔理工学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
不确定条件下的运动规划对于安全自动驾驶至关重要。在本文中，我们提出了一个统一的避障框架，处理1）自我车辆运动的不确定性;和2）来自环境的动态障碍物的预测不确定性。在规划层中使用包括短期和长期预测的两阶段交通参与者轨迹预测器来为自我车辆生成安全但不过于保守的轨迹。预测模块与现有的规划方法配合良好。我们的工作展示了它的有效性在一个弗伦内框架规划。使用管MPC的鲁棒控制器保证了在存在状态噪声和动态模型不确定性的情况下轨迹的安全执行。高斯过程回归模型用于在线识别的不确定性的界限。我们证明了我们的框架在CARLA模拟器的有效性，安全性和实时性能。
2020-10-21 cs.RO
Game-theoretic Approach for Non-Cooperative Planning
Universitat Politècnica de València（瓦伦西亚理工大学）
当两个或多个自利的代理人在同一环境中执行他们的计划时，可能会出现冲突，例如，共同利用资源。在这种情况下，代理可以推迟执行特定的动作，如果这准时解决了冲突，或者它可以采取执行不同的计划，如果代理的回报显着减少，由于行动推迟。在本文中，我们提出了一个博弈论的方法，非合作规划，帮助执行前预测什么计划的时间表代理将采用，使所有代理的策略集构成一个纳什均衡。我们进行了一些实验，并讨论了我们的博弈论方法获得的解决方案，分析如何计划之间的冲突决定的代理商的战略行为。
2015-03-04 cs.AI cs.GT
Toward Safety-Aware Informative Motion Planning for Legged Robots
University of Michigan（密歇根大学）
本文报道了一个集成的框架，安全意识的信息运动规划适合足式机器人。信息收集计划者考虑到环境的密集随机地图，而安全约束通过控制障碍函数（CBF）来执行。该规划器是基于增量探索信息收集（IIG）算法，并允许使用模型预测控制（MPC）的形式主义闭环kinodynamic节点扩展。机器人探索和信息收集问题本质上是路径依赖问题。也就是说，沿着路径收集的信息取决于状态和观察历史。因此，仅基于模块化成本的运动规划不会导致用于探索的合适规划。我们提出了SAFE-IIG，这是一种综合信息运动规划算法，它考虑到：1）经由在环境的随机地图上计算的子模块信息函数的机器人的感知视场，2）经由用于闭环多水平节点扩展的离散时间CBF和MPC的机器人的动力学和安全约束，以及3）通过设置信息论规划视野的自动停止准则。仿真结果表明，SAFE-IIG算法能够在稠密地图上规划出安全的、动态可行的路径。
2021-03-26 cs.RO
Towards Safe Autonomous Driving: A Real-Time Safeguarding Concept for Motion Planning Algorithms
Technical University of Munich（慕尼黑工业大学）
本文提出一种运动规划保障概念，通过引入时间保障监控规划输出的时间一致性，在实时操作系统上结合约束与成本指标评估轨迹，有效检测不安全轨迹，为运行时轨迹验证提供模块化框架。
2025-07-10 cs.RO
Task-Motion Planning for Safe and Efficient Urban Driving
SUNY Binghamton（纽约州立大学宾汉姆顿分校）
自动驾驶汽车需要在任务级别进行规划，以计算一系列符号动作，例如向左合并和向右转弯，以满足人们的服务请求，其中效率是主要关注的问题。与此同时，车辆必须计算连续的轨迹，以在运动级别执行动作，其中安全是最重要的。自动驾驶中的任务-运动规划面临着在保证运动级安全的同时最大化任务级效率的问题。为此，我们开发的算法任务-运动规划的城市驾驶（TMPUD），第一次，使任务和运动规划者沟通的安全水平的驾驶行为。TMPUD已使用现实的城市驾驶模拟平台进行了评估。结果表明，TMPUD在效率方面明显优于文献中的竞争基线，同时确保驾驶行为的安全性。
2020-10-13 cs.RO
Towards Safe Autonomous Driving: A Real-Time Motion Planning Algorithm on Embedded Hardware
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI））
本文提出一种在嵌入式硬件上实时运行的轻量级轨迹规划算法，用于提升自动驾驶系统在故障情况下的安全性和可靠性。
2026-01-07 cs.RO
Optimal Task Assignment and Path Planning using Conflict-Based Search with Precedence and Temporal Constraints
Carnegie Mellon University（卡内基梅隆大学）
本文研究带优先级和时间约束的任务分配与路径规划问题，扩展Conflict-Based Search以同时生成无碰撞路径和任务分配，最大化强化学习奖励回报，高效解决拆弹等复杂任务。
2024-04-22 cs.AI cs.MA
Safe POMDP Online Planning among Dynamic Agents via Adaptive Conformal Prediction
School of Engineering and Applied Science, University of Virginia（弗吉尼亚大学工程与应用科学学院）；University of Oxford（牛津大学）
针对多动态智能体环境下 POMDP 在线规划的安全问题，提出利用 ACP 量化轨迹预测不确定性并即时构建安全屏障，在真实行人数据实验中兼顾回报与概率安全保证。
2024-09-06 cs.RO
Motion Planning with Safety Constraints and High-Level Task Specifications
University of California, Merced（加州大学默塞德分校）
我们提出了一种方法来解决规划问题，涉及在不可预测的环境中的顺序决策，同时完成一个高层次的任务规范表示使用线性时序逻辑的形式主义。我们的方法通过引入修剪步骤来改进现有技术，该修剪步骤在保持正确性的同时显着减少计算最优策略所需的时间。我们的理论贡献是再加上模拟证实所提出的方法的价值。
2015-06-14 cs.RO
Probabilistically Safe Corridors to Guide Sampling-Based Motion Planning
Cornell Tech（康奈尔理工学院）；University of Pennsylvania（宾夕法尼亚大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在本文中，我们引入了一个新的概率安全的本地转向原语采样为基础的运动规划在复杂的高维配置空间。我们的本地转向过程是基于一个新的概念，凸概率安全走廊，构造周围的配置使用切线超平面的置信度椭球高斯混合模型从以前的碰撞历史。因此，我们建议扩展一个随机的运动规划图向一个样本目标使用其投影到概率安全走廊，有效地利用配置空间的局部几何形状选择适当的转向方向和适应转向步长。我们观察到，建议的本地转向过程产生有效的转向运动周围的困难区域的配置空间，如狭窄的通道，同时尽量减少碰撞的可能性。我们评估了建议的转向方法与随机运动规划器在一些规划方案，无论是在模拟和物理7自由度机械臂，证明了我们的安全指导本地规划器的有效性超过标准的直线规划器。
2019-01-01 cs.RO
db-CBS: Discontinuity-Bounded Conflict-Based Search for Multi-Robot Kinodynamic Motion Planning
Technical University of Berlin（柏林工业大学）
提出 db-CBS，融合 CBS 与不连续性有界 A*，经三层冲突约束和轨迹优化实现异构多机器人动力学规划，成功率更高且成本更低。
2025-03-18 cs.RO
Tensor-Coord: Algebraic Decomposition of Joint Plan Tensors for Conflict-Free Multi-Agent LLM Planning
University of Michigan（密歇根大学）
提出Tensor-Coord框架，将多智能体联合计划表示为三阶张量，通过CP和Tucker分解识别协调结构，计算协调复杂度并定位冲突，实现无冲突规划。
2026-06-16 cs.AI
Safe Interval Randomized Path Planning For Manipulators
FRC CSC RAS（俄罗斯科学院控制科学研究所）；MIPT（莫斯科物理技术学院）；AIRI（人工智能研究所）
针对高自由度机械臂在动态障碍环境下的三维路径规划难题，提出结合安全区间路径规划与RRT-Connect的SI-RRT规划器，在运行时间和解代价上均优于现有最优方法，且代码已开源。
2025-01-17 cs.RO
Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment
本文提出由径向基函数网络指导的运动规划框架，结合RBFN候选轨迹生成、碰撞概率评估与轨迹优化，在城市驾驶场景中提升风险感知并减少车辆限制违规，确保安全与可解释性。
2026-07-30 cs.RO
Dynamic Free-Space Roadmap for Safe Quadrotor Motion Planning
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；DJI（大疆创新）
面向自由空间的路线图通常会生成一系列凸几何图元，这些图元构成了运动规划的安全区域。然而，对于这种路线图，假设是静态环境。这一假设使其无法处理动态障碍，限制了其应用。在本文中，我们提出了一个动态的自由空间路线图，它提供了可行的空间和导航图的安全四旋翼运动规划。我们的路线图是通过不断播种和提取环境中的自由区域来构建的。为了使我们的地图适应动态障碍物的环境，我们逐步将与障碍物相交的多面体分解为无障碍区域，同时图形也通过我们精心设计的机制进行更新。大量的仿真和真实世界的实验表明，我们的方法是实用和有效的。
2022-04-20 cs.RO
Safe Motion Planning and Control Using Predictive and Adaptive Barrier Methods for Autonomous Surface Vessels
SENSEable City Laboratory, Massachusetts Institute of Technology（麻省理工学院可感知城市实验室）
针对自主水面船舶传统运动规划方法计算量大或过于保守的问题，本文结合MPC与自适应膨胀椭圆障碍物表示的高阶CBFs，提出安全运动规划策略，经仿真与实船实验验证可在保障安全的同时实现狭窄空间实时通行与死锁解决。
2025-10-01 cs.RO
FaSTrack: a Modular Framework for Fast and Guaranteed Safe Motion Planning
University of California, Berkeley（加州大学伯克利分校）
动力系统快速安全地穿越先验未知的复杂环境对于自治系统的许多应用都是至关重要的。然而，自主系统的轨迹规划是计算密集型的，通常需要简化的动力学，牺牲安全性和动态可行性，以有效地规划。相反，可以使用更复杂的动态模型来计算安全轨迹，但这通常太慢而不能用于实时规划。我们提出了一个新的算法FaSTrack：快速和安全跟踪高维系统。使用简化动力学快速规划的路径或轨迹规划器可以并入FaSTrack框架，该框架为车辆提供安全控制器以及保证的跟踪误差范围。这个界限捕获了由于高维动力学和外部干扰而导致的所有可能的偏差。请注意，FaSTrack是模块化的，可用于大多数当前的路径或轨迹规划器。我们证明了这个框架使用10维非线性四旋翼模型跟踪从RRT规划器获得的3D路径。
2021-02-14 cs.RO
Safe Reinforcement Learning with a Predictive Safety Filter for Motion Planning and Control: A Drifting Vehicle Example
State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；Professorship of Autonomous Vehicle Systems, Technical University of Munich（慕尼黑工业大学自主车辆系统教授职位）
提出一种结合预测安全滤波器的安全强化学习运动规划器，通过在线调整智能体动作确保自动驾驶漂移的安全与稳定，仿真显示其在跟踪误差和计算效率上优于传统方法。
2025-06-28 cs.RO
Safe Bubble Cover for Motion Planning on Distance Fields
University of California San Diego（加利福尼亚大学圣迭戈分校）；University of Technology Sydney（悉尼科技大学）
研究距离场上无碰撞轨迹规划问题，提出基于safe bubbles的三种算法（BRM、RBG、EBG）并结合分层规划方法，相比传统基线显著降低成本与计算量。
2024-08-23 cs.RO
Trajectory Planning for Safe Dual Control with Active Exploration
Department of Robotics, University of Michigan（密歇根大学机器人学系）；Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）
本文研究了一种受预算约束的双控问题，通过整合鲁棒规划与主动探索，在保证安全性和预算可行性的同时，平衡即时任务性能与长期不确定性降低。
2026-04-16 cs.RO
Multi-Agent Safe Planning with Gaussian Processes
Stanford University（斯坦福大学）
多智能体安全系统已经成为一个越来越重要的研究领域，因为我们现在可以轻松地让多个人工智能驱动的系统一起运行。在这种情况下，我们不仅需要确保每个个体代理的安全，还要确保整个系统的安全。在本文中，我们介绍了一种新的多代理安全学习算法，使分散的安全导航时，有多个不同的代理在环境中。该算法对其他代理进行了温和的假设，并以分散的方式进行训练，即对其他代理的策略只有很少的先验知识。实验表明，我们的算法表现良好的机器人运行其他算法时，优化各种目标。
2020-08-10 cs.AI cs.LG cs.MA
SafeMove-RL: A Certifiable Reinforcement Learning Framework for Dynamic Motion Constraints in Trajectory Planning
Sino-German College of Intelligent Manufacturing, Shenzhen Technology University（深圳技术大学中德智能制造学院）；Faculty of Science and Technology, University of Macau（澳门大学科技学院）
本研究提出名为SafeMove-RL的可认证强化学习框架，结合实时轨迹优化与自适应间隙分析，通过增强在线学习机制动态修正轨迹以保障安全，经多类评估及虚实平台验证，在成功率与计算效率上优于现有算法。
2025-05-19 cs.RO
NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning
Department of Computer Science at Purdue University（普渡大学计算机科学系）
提出基于神经Hamilton-Jacobi可达性学习的方法，学习安全值函数以捕获最坏情况下的臂间安全约束，并开发分散式轨迹优化框架，实现可扩展、数据高效的多臂运动规划。
2026-07-03 cs.RO
NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning
Department of Computer Science at Purdue University（普渡大学计算机科学系）
提出基于神经哈密顿-雅可比可达性学习的方法，学习安全值函数以捕获最坏情况下的臂间安全约束，并开发分散式轨迹优化框架，实现可扩展、数据高效且泛化能力强的实时多臂运动规划。
2026-07-02 cs.RO
Stochastic Implicit Neural Signed Distance Functions for Safe Motion Planning under Sensing Uncertainty
Rice University（莱斯大学）
针对高维机器人在感知不确定性下的安全运动规划问题，提出融合随机符号距离函数隐式神经模型与分层优化规划器的方法，可显式界定风险并在复杂环境中生成安全、高质量路径。
2023-09-28 cs.RO
Optimization-based Safe Trajectory Planning for Autonomous Ground Vehicle in Multi-Floor Scenarios
Beijing Institute of Technology（北京理工大学）；Tsinghua University（清华大学）
提出一种针对多楼层场景的轨迹规划框架，包括基于广义Voronoi图和多目标算法的任务规划模块，以及采用优化方法和热启动分层规划生成高质量轨迹的轨迹规划模块，并通过仿真验证可行性。
2026-06-24 cs.RO
Safe and Personalizable Logical Guidance for Trajectory Planning of Autonomous Driving
University of Science and Technology of China（中国科学技术大学）
本文提出逻辑引导层（LGL），通过场景推理与RSS模型，在高速公路自动驾驶中平衡安全、效率与用户偏好，实现形式化安全保证。
2024-05-22 cs.LO 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
Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations
Uber ATG（Uber 先进技术集团）；University of Toronto（多伦多大学）
在本文中，我们提出了一种新型的端到端可学习网络，该网络可以为自动驾驶车辆执行联合感知，预测和运动规划，并产生可解释的中间表示。与现有的神经运动规划器不同，我们的运动规划成本与我们的感知和预测估计一致。这是通过一种新颖的可区分的语义占用表示来实现的，该表示被明确地用作运动规划过程的成本。我们的网络是从人类演示中端到端学习的。在大规模手动驾驶数据集和闭环仿真中的实验表明，该模型在模仿人类行为的同时产生更安全的轨迹，显着优于最先进的规划器。
2020-08-13 cs.AI cs.CV cs.LG
Risk-Constrained Interactive Safety under Behavior Uncertainty for Autonomous Driving
fortiss GmbH（福蒂斯研究所（有限责任公司））；Technische Universität München（慕尼黑工业大学）
在密集的交通中进行规划时，平衡安全性和效率是一项挑战。互动行为规划者将预测的不确定性和互动性固有的这些交通情况。然而，他们使用的单目标最优性阻碍了所产生的安全目标的可解释性。在存在行为不确定性的情况下，限制允许规划区域的安全包络产生可解释的安全性，然而，由于保守驾驶，它们在密集交通中牺牲效率。研究表明，人类通过接受违反安全包络的概率风险来平衡密集交通中的安全和效率。在这项工作中，我们采用这种安全目标的互动规划。具体来说，我们正式这个安全目标，提出了风险约束鲁棒随机贝叶斯博弈模型的交互式决策，满足最大的风险违反安全信封下的其他交通参与者的行为的不确定性和解决它使用我们的变体多智能体蒙特卡罗树搜索。我们在模拟中证明，我们的方法优于基线方法，并通过在驱动模拟时间内达到指定的违规风险水平，为交互式规划提供了一个可解释和可调的安全目标。
2021-02-05 cs.AI
A Hierarchical Multi-Vehicle Coordinated Motion Planning Method based on Interactive Spatio-Temporal Corridors
Beijing Institute of Technology（北京理工大学）
提出基于交互式时空走廊（ISTCs）的多车协调运动规划分层方法，通过混合整数二次规划构建走廊解耦高维冲突，再用非线性规划生成满足动力学的轨迹，有效降低计算压力并提升真实场景适用性。
2023-04-03 cs.RO
GLAS: Global-to-Local Safe Autonomy Synthesis for Multi-Robot Motion Planning with End-to-End Learning
California Institute of Technology（加州理工学院）
我们提出了GLAS：全球到本地的自主合成，一个可证明安全的，自动化的分布式多机器人运动规划的政策产生。我们的方法结合了集中规划的优势，避免局部极小值的分散控制器的可扩展性和分布式计算的优势。特别是，我们的合成策略只需要附近邻居和障碍物的相对状态信息，并计算可证明安全的动作。我们的方法有三个主要组成部分：i）我们使用全局规划器生成演示轨迹，并从中提取局部观察结果，ii）我们使用深度模仿学习来学习可以在线有效运行的分散策略，iii）我们引入了一个新的可微分安全模块，以确保无碰撞操作，从而允许端到端的策略培训。我们的数值实验表明，我们的政策有一个高20%的成功率比最佳互惠碰撞避免，ORCA，在广泛的机器人和障碍物密度。我们展示了我们的方法在空中集群，执行政策的低端微控制器实时。
2020-06-28 cs.RO
FaSTrack: a Modular Framework for Real-Time Motion Planning and Guaranteed Safe Tracking
Simon Fraser University（西蒙菲莎大学）；Princeton University（普林斯顿大学）；University of Melbourne（墨尔本大学）；California Institute of Technology（加州理工学院）
实时的【形】有保证的安全轨迹规划对于未知环境中的导航至关重要。然而，实时的【形】导航算法通常为了计算速度而牺牲鲁棒性。可替代地，可证明安全的轨迹规划对于实时的【形】重新规划而言往往是计算密集型的。我们提出了快速和安全的跟踪，一个框架，实现了实时的【形】重新规划和保证安全。在这个框架中，通过允许任何轨迹规划器使用系统的简化\textit{planning model}来实现实时的【形】计算。该计划由系统跟踪，由更真实、更高维的\textit{tracking model}表示。我们预先计算的跟踪误差界（TEB）由于两个模型之间的不匹配，由于外部干扰。我们还得到了相应的跟踪控制器用于停留在TEB。预先计算不需要环境的先验知识。我们使用Hamilton-Jacobi可达性进行预计算，并使用三种不同的跟踪规划模型对进行三种不同的实时的【形】轨迹规划。
2021-03-13 cs.RO math.OC
Dispertio: Optimal Sampling for Safe Deterministic Sampling-Based Motion Planning
RWTH Aachen（亚琛工业大学）；German Aerospace Center (DLR)（德国航空航天中心）；Robert Bosch GmbH, Corporate Research（罗伯特·博世有限公司企业研究院）；KTH Stockholm（瑞典皇家理工学院）
机器人技术的一个关键挑战是在杂乱的环境中有效地生成最佳的机器人运动，并保证安全。最近，确定性的最佳采样为基础的运动规划已被证明实现良好的性能，为此，特别是在规划效率，最终解决方案的成本，质量保证以及非概率的完整性。然而它们的应用仍然限于相对简单的系统（即，线性、完整、欧几里得状态空间）。在这项工作中，我们将这种技术扩展到对称和最佳无漂移系统的类提出分散，离线分散优化技术计算采样集，知道差分约束，采样为基础的机器人运动规划。我们证明了该方法，当结合PRM*，是确定性完成，并保留渐近最优性。此外，在我们的实验中，我们表明，建议的确定性抽样技术优于几个基线和替代方法的规划效率和解决方案的成本。
2019-09-30 cs.RO
Safety-guaranteed trajectory planning and control based on GP estimation for unmanned surface vessels
Katholieke Universiteit Leuven（鲁汶天主教大学）；University of Melbourne（墨尔本大学）
我们提出了一个安全保证的规划和控制框架，无人水面舰艇（USVs），使用高斯过程（GPS）学习不确定性。USV遇到的不确定性，包括外部干扰和模型失配，是潜在的状态依赖性，时变的，很难捕捉恒定的模型。GP是一个功能强大的基于学习的工具，可以与基于模型的规划和控制框架集成，该框架采用Hamilton Jacobi微分博弈公式。这样的组合产生不太保守的轨迹和安全保证的控制策略。我们证明了所提出的框架在模拟和实验上的CLEARPATH苍鹭USV。
2022-05-10 cs.RO cs.SY eess.SY
Towards a Safe Real-Time Motion Planning Framework for Autonomous Driving Systems: An MPPI Approach
University of Luxembourg Interdisciplinary Centre for, Security, Reliability（卢森堡大学跨学科研究中心（安全、可靠性））
本文提出基于 MPPI 的自动驾驶实时运动规划框架，通过圆形障碍物近似与安全裕度代价保证安全，并在实车三类基础场景中验证了轨迹的安全性、可行性和目标达成。
2024-05-06 cs.RO
Multi-layered Safety of Redundant Robot Manipulators via Task-oriented Planning and Control
National University of Singapore（新加坡国立大学）；Peng Cheng Laboratory（鹏城实验室）；Nanyang Technological University（南洋理工大学）
针对冗余机械臂在不确定环境中的安全问题，提出任务导向规划与控制框架，结合MPC轨迹规划与本体感觉力矩控制，实现多层安全与高效任务执行。
2025-03-30 cs.RO
External Forces Resilient Safe Motion Planning for Quadrotor
Zhejiang University（浙江大学）；University of Pennsylvania（宾夕法尼亚大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
对于复杂未知环境中的四旋翼飞行器，在不需要外界干扰先验知识的情况下进行自适应自主导航具有重要意义。考虑外部干扰的主流方法是实现干扰抑制控制和路径跟踪。然而，鲁棒控制，以补偿跟踪偏差没有很好地考虑到能源消耗，甚至参考路径将成为危险和棘手的干扰。随着最近外力估计的发展，可以结合实时力估计器来开发更强大和安全的规划框架。本文提出了一个系统的（重新）规划框架，可以弹性地产生安全的轨迹在动荡的条件下。首先，前端Kinodynamic路径搜索力偏置运动基元。然后，我们开发了一个非线性模型预测控制（NMPC）作为一个本地规划器与哈密尔顿-雅可比（HJ）前向可达性分析的误差动态外力。它保证避免碰撞的约束椭球的四旋翼机构扩展的前向可达集（FRS）内的安全凸多面体。我们的方法在模拟和现实世界的实验与不同的外力来源进行了验证。
2021-09-29 cs.RO
