A Rapidly-Exploring Random Trees Motion Planning Algorithm for Hybrid Dynamical Systems
University of California, Santa Cruz（加州大学圣克鲁兹分校）
提出了一种快速探索随机树（RRT）算法来解决混合系统的运动规划问题。在每次迭代中，所提出的算法，称为HyRRT，随机挑选一个状态样本，并扩展搜索树的流或跳转，这也是随机选择时，这两个制度都是可能的。通过定义的级联的功能定义的混合时域，我们表明，HyRRT是概率完整的，即，未能找到一个运动计划的概率接近零的算法的迭代次数的增加。这个属性是保证在温和的条件下定义的运动计划的数据，其中包括放松通常的正间隙假设施加在文献中的经典系统。运动计划的计算通过两个优化问题的解决方案，一个与流量和其他与系统的跳跃。该算法被应用到步行机器人，以突出其通用性和计算功能。
2022-10-26 cs.RO
Kinodynamic Rapidly-exploring Random Forest for Rearrangement-Based Nonprehensile Manipulation
Rice University（莱斯大学）
由于问题空间的高维性和复杂的物理不确定性，基于重排的非线性操作仍然是一个具有挑战性的问题。我们制定这类问题作为一个耦合问题的局部重排和全球行动优化，将自由空间过境运动之间的约束重排行动。我们提出了一个基于森林的Kinodynamic规划框架，同时在多个问题区域搜索，使全球探索最相关的任务子空间，同时促进有效的切换本地重排行动。通过交错动态地平线规划和行动执行，我们的框架可以自适应地处理现实世界的不确定性。通过大量的实验，我们表明，我们的框架显着提高了规划效率和操作效率，同时对各种不确定性具有鲁棒性。
2023-02-08 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
Path-Tree Optimization in Discrete Partially Observable Environments using Rapidly-Exploring Belief-Space Graphs
University of Stuttgart（斯图加特大学）；TU Berlin（柏林工业大学）
机器人通常需要解决路径规划问题，其中环境的基本和离散方面是部分可观察的。这引入了多模态，其中机器人必须能够观察和推断其环境的状态。为了解决这个问题，我们引入了路径树优化（PTO）算法，计划路径树的信念空间。路径树是具有分支点的树状运动，机器人在分支点处接收导致信念状态更新的观察。机器人根据接收到的观察采取不同的分支。该算法有三个主要步骤。首先，在状态空间上生成一个快速探索随机图（RRG）。其次，RRG扩展到一个信念空间图通过查询的观察模型。在第三步骤中，对置信空间图执行动态规划以提取路径树。由此产生的路径树结合了探索与利用，即它平衡了获得环境知识的需要和达到目标的需要。我们展示了导航和移动操作任务的算法能力，并显示其优势，在基线使用任务和运动规划方法（TAMP）的最优性和运行时间。
2022-07-31 cs.RO
Rapidly-Exploring Quotient-Space Trees: Motion Planning using Sequential Simplifications
University of Stuttgart（斯图加特大学）
运动规划问题可以通过配置空间到低维服从空间序列的容许投影来简化，称为序列简化。为了利用顺序简化，我们提出了商空间快速探索随机树（QRRT）算法。QRRT将开始和目标配置以及一系列的连续空间作为输入。该算法在连续空间上同时生长树，以保证密集覆盖。QRRT被证明是（1）概率上完全的，（2）可以减少至少一个数量级的运行时间。然而，我们在实验中表明，运行时间在不同的连续空间序列之间存在很大差异。为了找出原因，我们进行了一个额外的实验，表明环境越窄，越多的空间序列可以减少运行时间。
2019-08-24 cs.AI cs.RO
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
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
REAL: Rapid Exploration with Active Loop-Closing toward Large-Scale 3D Mapping using UAVs
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院）
在不与障碍物碰撞的情况下探索未知环境是自动驾驶车辆执行各种任务的基本要素之一，例如结构检查，救援，交付等。因此，快速、敏捷且具有高自由度的无人机（UAV）已经被广泛使用。然而，以前的方法有两个局限性：a）首先，它们可能不适合探索大规模环境，因为它们主要依赖于基于随机采样的路径规划，这会导致不必要的移动。b）其次，他们假设姿态估计足够准确，这是获得准确地图的最关键因素。为了快速、准确地探测和绘制未知大规模环境，提出了一种新的探测方法，该方法将预先计算的孔雀轨迹与基于图的全局探测和主动闭环相结合。由于采用了考虑无人机运动学的两步轨迹，因此可以保证以滚动时域的方式避障。此外，考虑边界的局部探索和基于图的全局探索通过最小化不必要的重访来最大化探索的速度。此外，通过基于似然性主动地闭合环路，姿态估计性能得到改善。所提出的方法的性能进行了验证，通过探索与国家的最先进的方法相比，三维仿真环境。最后，在一个真实世界的实验中，所提出的方法进行了验证。
2021-08-05 cs.RO
Intelligent bidirectional rapidly-exploring random trees for optimal motion planning in complex cluttered environments
National University of Sciences And Technology (NUST)（国立科技大学）；Osaka University（大阪大学）
快速探索随机树（RRT）算法是一种基于采样的运动规划算法，由于其计算效率和有效性，受到了许多研究者的关注。最近，RRT的一个变种RRT* 已被提出，以确保渐近最优性。随后，其双向版本也被引入文献中，称为双向RRT *（B-RRT*）。我们介绍了一个新的变种称为智能双向RRT *（IB-RRT*），这是一个改进的最佳RRT* 和双向版本的RRT*（B-RRT*）算法的变种，是专门为复杂的杂乱环境。IB-RRT* 利用双向树方法，并引入智能样本插入启发式算法，使用均匀采样启发式算法快速收敛到最优路径解决方案。所提出的算法进行了理论评估和实验结果比较IB-RRT* RRT * 和B-RRT*。此外，实验结果表明，IB-RRT* 的优越效率与RRT* 和B-RRT在复杂的杂波环境。
2017-03-27 cs.AI 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
Multi-goal Rapidly Exploring Random Tree with Safety and Dynamic Constraints for UAV Cooperative Path Planning
Vietnam National University, Hanoi（越南河内国家大学）；Thai Nguyen University of Technology, Thai Nguyen University（太原大学太原工业学院）；University of Transport and Communications（交通通信大学）；Fulbright University Vietnam（越南富布赖特大学）
针对多无人机复杂任务的协同路径规划问题，提出扩展RRT的MultiRRT算法，纳入动力学与安全约束，通过节点约简和贝塞尔插值生成可行路径，仿真和实测显示其在路径长度和平滑度上优于主流RRT变体。
2025-04-16 cs.RO
Balancing Global Exploration and Local-connectivity Exploitation with Rapidly-exploring Random disjointed-Trees
NVIDIA, USA（美国NVIDIA公司）
本文提出了一种名为RRdT*的增量最优多查询规划器，通过使用多个断树来利用空间的局部连通性，通过马尔可夫链随机采样，并在局部连通性利用失败时主动探索全局空间，将局部利用与全局探索的平衡转化为多臂老虎机问题，从而提高采样效率。
2019-02-27 cs.RO cs.SY eess.SY
Forward-Backward Rapidly-Exploring Random Trees for Stochastic Optimal Control
Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种计算随机最优控制问题中值函数的Feynman-Kac表示中的正倒向随机微分方程的数值方法。通过使用的Girsanov变化的概率测度，它演示了如何快速探索随机树（RRT）方法可以用于前向积分通过，只要控制漂移项在后向积分通过适当补偿。随后，提出了一个数值逼近的价值函数，通过解决一系列的函数逼近问题，在时间上沿着边缘的构造RRT。此外，局部熵加权最小二乘蒙特卡罗（LSMC）方法的发展，集中在最有可能被访问的最优控制轨迹的区域的函数逼近精度。线性和非线性随机最优控制问题与非二次运行成本，这表明显着的收敛性改进，以前的FBSDE为基础的数值解方法的结果表明。
2021-03-25 cs.RO cs.SY eess.SY
An Improved Rapidly Exploring Random Tree Algorithm for Path Planning in Configuration Spaces with Narrow Channels
Vellore Institute of Technology（韦洛尔理工学院）；Carnegie Mellon University（卡内基梅隆大学）
针对RRT算法在含狭窄通道的构型空间中收敛慢、路径长的问题，提出一种通过邻域碰撞检测识别狭窄通道并以预设偏置在其内加点的改进RRT算法，仿真显示其在多类基准问题上能生成显著更短的路径。
2024-11-01 cs.RO cs.SY eess.SY
Heuristic-based Incremental Probabilistic Roadmap for Efficient UAV Exploration in Dynamic Environments
Carnegie Mellon University（卡内基梅隆大学）
针对动态环境中无人机探索效率低和重规划困难的问题，提出HIRE规划器，通过启发式前沿区域增量构建概率路线图，并结合动态更新与避障模块，实现高效安全的自主探索。
2023-09-17 cs.RO
Exploring Unstructured Environments using Minimal Sensing on Cooperative Nano-Drones
Computer Vision and Aerial Robotics Group at Universidad Politécnica de Madrid（马德里理工大学计算机视觉与空中机器人小组）；Centre for Automation and Robotics C.A.R. (UPM-CSIC)（自动化与机器人中心（UPM-CSIC））；Department of Mechanical Engineering, Texas A&M University（机械工程系，德克萨斯A&M大学）
本文提出ExploreBug算法，通过最小感知能力实现微无人机群在无结构环境中的高效探索与制图。
2024-07-09 cs.RO
Growing from Exploration: A self-exploring framework for robots based on foundation models
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；University of Macau（澳门大学）；Ryerson University（瑞尔森大学）；Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）
本文提出基于基础模型的 GExp 自探索框架，通过自生成任务、知识库构建与闭环反馈，让机器人无人工干预地探索环境并习得技能。
2024-01-24 cs.AI cs.RO
Understanding while Exploring: Semantics-driven Active Mapping
Stevens Institute of Technology（史蒂文斯理工学院）；Goertek Alpha Labs（歌尔声学实验室）；Purdue University（普渡大学）
针对未知环境机器人自主性需求，提出基于3D高斯溅射的主动语义建图框架ActiveSGM，通过语义几何不确定性量化与稀疏语义表示引导视角选择，提升建图质量与鲁棒性，在Replica等数据集验证有效。
2025-11-13 cs.CV cs.RO
Connectivity-Aware Graph Extension for Decentralized Multi-Robot Exploration
Pôle recherche, AMIAD（AMIAD研究中心）；UI2S, ENSTA, IP Paris（巴黎理工学院ENSTA分校UI2S实验室）；LARIAD（LARIAD实验室）
针对多无人机探索的间歇性通信问题，提出基于前沿连通性的去中心化图扩展策略，应用于两种区域划分方法，低通信速率下探索效率优于现有方法。
2026-09-02 cs.RO
Ada-Detector: Adaptive Frontier Detector for Rapid Exploration
Nanjing University of Science and Technology（南京理工大学）；University of Macau（澳门大学）
本文提出了一种基于自适应快速探索随机树（RRT）的边界检测方法。机器人在探索未知环境时，可以实现实时增量边界检测。首先，我们的检测器通过感知周围环境结构自适应地调整RRT的采样空间。自适应采样空间可以根据环境结构大大提高RRT的成功采样率（成功添加到RRT树的样本数与采样尝试次数的比值），控制RRT的扩展偏差。其次，通过产生非均匀分布的样本，我们的方法还解决了滑动窗口中RRT的过采样问题，其中均匀随机采样导致两个相邻滑动窗口之间的重叠区域中的过采样。这样，我们的检测器更倾向于在最新探索的区域进行采样，提高了前沿检测的效率，实现了增量检测。我们验证了我们的方法在三个模拟的基准场景。实验结果表明，与SOTA方法DSV Planner相比，该方法的前沿检测时间减少了40%左右。
2022-04-13 cs.RO
HyRRT-Connect: A Bidirectional Rapidly-Exploring Random Trees Motion Planning Algorithm for Hybrid Systems
University of California, Santa Cruz（加州大学圣克鲁兹分校）
本文提出 HyRRT-Connect 算法，通过混合时间中前向与后向双向 RRT 传播及后向规划重建，解决混合系统运动规划中的不连续问题，并在弹跳球和步行机器人上验证其通用性与计算改进。
2024-03-30 cs.RO cs.SY eess.SY
Frontier-Based Exploration for Multi-Robot Rendezvous in Communication-Restricted Unknown Environments
University of Milan（米兰大学）
本文提出一种基于前沿探索的多机器人会合策略，在通信受限未知环境中整合探索与会合，通过允许重访已探索区域提升会合机会，并在ROS仿真中验证了更快的会合时间。
2024-07-19 cs.RO
CAVER: Curious Audiovisual Exploring Robot
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
CAVER是一种新型机器人，通过好奇心驱动的探索算法和多模态视听表示，提升材料分类和音频示范模仿的性能。
2026-03-05 cs.RO
Learning-Guided Sparsification of Dynamic Graphs in Robotic Exploration
Independent Researcher（独立研究者）；University of Tennessee, Knoxville（田纳西大学，基洛尼尔）；University of California, Riverside（加州大学河滨分校）
本文提出基于Transformer的框架，利用PPO算法在机器人探索中稀疏化动态图，减少冗余信息，提升性能，实验表明该方法能有效降低图规模并提高探索一致性。
2026-08-17 cs.LG cs.RO
Reinforcement Learning with Probabilistically Complete Exploration
University of Sydney（悉尼大学）；Nvidia（英伟达）
平衡探索和利用仍然是强化学习（RL）的关键挑战。最先进的强化学习算法具有很高的样本复杂度，特别是在稀疏奖励的情况下，在找到第一个正奖励之前，它们只能在各个方向上进行探索。为了减轻这种情况，我们提出了快速随机探索强化学习（R3L）。我们制定探索作为一个搜索问题，并利用广泛使用的规划算法，如快速探索随机树（RRT），以找到初始的解决方案。这些解决方案被用作初始化策略的演示，然后通过通用RL算法进行优化，从而实现更快，更稳定的收敛。我们提供了理论保证R3L探索找到成功的解决方案，以及其采样复杂性的界限。我们的实验表明，该方法优于经典和内在的勘探技术，只需要一小部分的勘探样本，并实现更好的渐近性能。
2020-01-20 cs.LG cs.RO stat.ML
Exploring the Edges of Latent State Clusters for Goal-Conditioned Reinforcement Learning
Rutgers University（罗格斯大学）
针对无监督目标条件强化学习中的探索难题，提出簇边缘探索算法，通过潜在空间聚类并优先选择可达边界目标，在多个机器人环境中显著提升探索效率。
2024-11-03 cs.AI cs.LG cs.RO
Exploring to learn visual saliency: The RL-IAC approach
Thales SIX（泰雷兹SIX）；ENSTA Paristech（巴黎高等科技学院）；INRIA（法国国家信息与自动化研究所）；U2IS（U2IS实验室）；Université Paris-Saclay（巴黎萨克雷大学）；Thales（泰雷兹）
自主移动机器人的目标定位与识别问题是一个非常活跃的研究课题。在这种情况下，我们解决了直接在机器人上学习视觉显着性模型的问题。在机器人探索过程中学习和改进的这个模型为在其环境中定位相关对象提供了有效的工具。拟议的办法包括两个相互交织的组成部分。一方面，我们描述了一种学习和增量更新模型的视觉显着性从基于深度的对象检测器的方法。该显著性模型还可以用于在感兴趣的对象周围产生限界框建议。另一方面，我们研究了一种自主探索技术，以有效地学习这样的显着性模型。所提出的探索，称为强化学习-智能自适应Currency（RL-IAC）是能够驱动机器人的探索，使机器人选择的样本有可能改善当前的显着性模型。然后，我们证明了直接在机器人上学习的这种显着性模型优于几种最先进的显着性技术，并且RL-IAC可以大大减少学习可靠显着性模型所需的时间。
2018-04-02 cs.CV cs.RO
Multi-AGV's Temporal Memory-based RRT Exploration in Unknown Environment
Singapore University of Technology and Design（新加坡科技设计大学）
随着多机器人在复杂环境中探索未知区域的需求的增加，需要有效的协作探索策略来实现这一壮举。可以部署基于前沿的快速探索随机树（RRT）探索来探索未知环境。然而，它的贪婪行为导致多个机器人探索具有最高收益的区域，这导致探索过程中的大量重叠。为了解决这个问题，我们提出了一个基于时间记忆的RRT（TM-RRT）的探索策略，多机器人进行鲁棒的探索在一个未知的环境。它为每个分配的边界计算自适应持续时间，并根据每个机器人的相对位置计算边界的收入。此外，每个机器人都配备了一个存储器，包括边界分配和舰队之间的共享，以防止重复分配相同的边界。通过模拟和实际部署，我们已经通过在25.0 m x 54.0 m（1350.0 m2）区域内完成勘探，证明了TM-RRT勘探策略的鲁棒性，而常规RRT勘探策略则有所不足。
2022-07-15 cs.MA cs.RO
Towards Energy Efficient Autonomous Exploration of Mars Lava Tube with a Martian Coaxial Quadrotor
Luleå University of Technology（吕勒奥理工大学）
本文针对火星熔岩管探索，提出一种基于改进前沿方法、风险感知规划与三层代价全局重定位的自主探索框架，通过火星同轴四旋翼飞行器仿真验证其能量高效性和探索效率。
2022-11-13 cs.RO
HySST: A Stable Sparse Rapidly-Exploring Random Trees Optimal Motion Planning Algorithm for Hybrid Dynamical Systems
University of California, Santa Cruz（加州大学圣克鲁兹分校）
本文提出 HySST 算法，将稳定稀疏快速探索随机树扩展到混合动力系统的最优运动规划，通过随机选择流或跳跃扩展和见证点剪枝实现渐近近最优性，并在弹跳球与张拉整体多旋翼系统上验证了通用性与计算性能。
2023-05-29 cs.RO cs.SY eess.SY
A Comparative Study of Rapidly-exploring Random Tree Algorithms Applied to Ship Trajectory Planning and Behavior Generation
Autoship Centre for Research-based Innovation (SFI), Norwegian University of Science and Technology (NTNU)（Autoship 基于研究的创新中心（SFI）、挪威科技大学（NTNU））；Det Norske Veritas (DNV)（挪威船级社（DNV））
本文针对海事非完整运动规划场景比较了四种RRT算法变体，验证了PQ-RRT*轨迹更短但调参复杂、耗时更长的特性，明确其适用场景及在避碰系统规划与验证中的双重作用。
2024-04-17 cs.RO cs.SY eess.SY
MRRT: Multiple Rapidly-Exploring Random Trees for Fast Online Replanning in Dynamic Environments
University of Connecticut（康涅狄格大学）
本文提出了一种新的算法，称为MRRT，它使用多个快速探索的随机树的快速在线重新规划的自主车辆在动态环境中移动障碍物。该算法建立在具有多树结构的RRT算法之上。首先，RRT算法被应用到寻找初始解的基础上的部分知识的环境。然后，机器人开始执行这条路径。在每次迭代中，机器人的传感器收集新的障碍物配置并用于重新规划路径。这些新信息可以来自未知的静态障碍物（例如，海底布局）以及移动障碍物。然后，为了适应环境的变化，采用了两个程序：1）边缘修剪，2）树木再生。具体地，边缘修剪过程通过树检查碰撞状态，并且仅移除无效边缘，同时保持已经探索的区域的树结构。由于删除了无效边，树可能会被分解为多个不相交的树。因此，RRT算法被应用于重新生长树。具体来说，样本是随机创建的，并通过连接到最近的节点来连接到其局部邻域中的所有不相交树。最后，为机器人找到了一种新的解决方案。所提出的MRRT算法的优点如下：i）保留最大的树结构，只修剪的边缘碰撞的障碍，ii）保证概率的完整性，和iii）是快速重新规划的计算效率，因为所有不相交的树被保持为未来的连接，并同时扩大。
2021-04-22 cs.AI cs.RO cs.SY
Information-driven Path Planning for Hybrid Aerial Underwater Vehicles
Shanghai Jiao Tong University（上海交通大学）
提出了一种新的快速探索自适应采样树（RAST）算法，用于海气三维环境下混合式航空水下航行器（HAUV）的自适应采样任务。该算法创新性地结合了基于竞赛的选点采样策略、信息启发式搜索过程和快速探索随机树（RRT）算法框架。因此，可以引导车辆到感兴趣的区域的科学家进行采样，并生成一个无碰撞的路径，最大限度地收集信息的HAUV的海流或风的环境影响和有限的预算的约束下。仿真结果表明，快速搜索自适应采样树算法比快速探索信息收集树（RIGT）算法和粒子群优化（PSO）算法具有更高的寻优性能、更快的求解速度和更好的稳定性。
2022-04-08 cs.RO cs.SY eess.SY
Efficient Exploration via First-Person Behavior Cloning Assisted Rapidly-Exploring Random Trees
Georgia Institute of Technology（佐治亚理工学院）
现代计算机游戏具有极大的状态和动作空间。为了检测这些游戏模型中的错误，人类测试人员反复玩游戏以探索游戏并发现游戏中的错误。这样的游戏是详尽和耗时的。此外，由于机器人模拟器依赖于模型规范和调试的类似方法，因此在模型中发现错误的问题对机器人社区来说是感兴趣的，以确保机器人行为和交互在模拟器中是一致的。以前的方法使用了强化学习arXiv：2103.13798和基于搜索的方法（Chang，2019，（Chang，2021）arXiv：1811.06962），包括快速探索随机树（RRT）来探索游戏的状态-动作空间以找到错误。然而，这种基于搜索和探索的方法在没有预定义的启发式的情况下探索状态-动作空间时是无效的。在这项工作中，我们试图结合人类测试人员的专业知识，在解决游戏，和RRT的穷举搜索游戏的状态空间有效地与高覆盖率。本文介绍了克隆辅助RRT（CA-RRT），通过搜索测试一个游戏。我们将我们的方法与两个现有的基线进行比较：1）如arXiv：1812.03125所述的加权RRT; 2）如Chang et.我们发现CA-RRT适用于更多的游戏地图，并探索更多的游戏状态，在更少的树扩展/迭代时，与现有的基线相比。在每个测试中，CA-RRT在与加权RRT相同的迭代次数中平均达到更多的状态。在我们的测试环境中，CA-RRT达到与加权RRT相同数量的状态，平均迭代次数减少了5000多次，几乎减少了50…
2022-04-20 cs.AI cs.LG cs.RO
Exploring Grid Polygons Online
研究了移动机器人在一个未知的蜂窝状空间中移动时的探测问题。要探索一个单元格，机器人必须进入它。一旦进入，机器人就知道4个相邻单元格中的哪一个存在，哪些是边界边缘。机器人从房间外墙附近的指定单元开始;它访问每个单元，然后返回到起点。我们的兴趣是在一个短的探索之旅，也就是说，在保持多个细胞访问的数量小。对于无障碍物的任意环境，我们提供了一个产生长度为S <= C + 1/2 E - 3的旅行的策略，对于有障碍物的环境，我们提供了一个由S <= C + 1/2 E +3 H + WCW - 2约束的策略，其中C表示单元的数量-面积-，E表示边界边的数量-周长-，H是障碍物的数量，WCW是给定环境的弯曲度的度量。
2010-12-23 cs.CG cs.RO
Safe Exploration in Finite Markov Decision Processes with Gaussian Processes
ETH Zurich（苏黎世联邦理工学院）
在经典的强化学习中，当探索环境时，智能体接受任意的短期损失以获得长期收益。这对于安全关键应用是不可行的，例如机器人，其中甚至单个不安全的动作都可能导致系统故障。在本文中，我们解决的问题，安全地探索有限马尔可夫决策过程（MDP）。我们定义安全的一个先验未知的，安全约束，取决于状态和行动。我们的目标是探索在此约束下的MDP，假设未知函数满足通过高斯过程先验表示的正则性条件。我们开发了一种新的算法，这项任务，并证明它是能够完全探索的安全可达部分的MDP不违反安全约束。为了实现这一目标，它谨慎地探索安全的状态和动作，以便从导航环境时收集的噪声观测中获得关于未访问的状态-动作对的安全性的统计置信度。此外，该算法在探索MDP时显式地考虑可达性，确保它不会陷入任何没有安全出路的状态。我们展示了我们的方法，数字地形模型的任务，探索一个未知的地图与漫游车。
2016-11-15 cs.AI cs.LG cs.RO
FemtoSats for Exploring Permanently Shadowed Regions on the Moon
University of Arizona（亚利桑那大学）；SpaceTREx Laboratory（SpaceTREx实验室）
最近，空间探索的迅速发展是由于航天器上电子部件的加速小型化，这减少了卫星的质量、体积和成本。然而，进入空间仍然是一个遥远的梦想，因为对卫星的要求越来越复杂，空间交通也越来越多。行星际探索更加困难，低成本任务的可能性有限。所有这些因素使得CubeSats，入门级标准太昂贵，因此需要找到一个更好的方法.本报告中提出的解决方案是一个低质量，低成本，一次性解决方案，利用电子产品的最新进展，是相对容易集成：FemtoSats. FemtoSats是100克以下的航天器。FemtoSat概念基于启动一个群，其中主要任务在群成员之间分配。这意味着，如果一个失败了，蜂群可以取代它的位置，从而取代它，而不会危及整个任务。在本文中，我们探讨了实用的FemtoSats进行第一次探索和月球PSR的映射。该概念被认为是2020年NASA BIG竞赛的决赛选手。这是一个高风险、高回报任务的例子，其中失去一颗FemtoSat并不意味着任务处于危险之中，因为它发生在常规卫星任务中。
2020-12-15 astro-ph.IM cs.RO
Exploring Simple Triangular and Hexagonal Grid Polygons Online
University of Bonn（波恩大学）；Braunschweig University of Technology（布伦瑞克工业大学）
我们研究了移动机器人在一个未知的细胞环境中移动的近视眼的在线探索问题（又名覆盖）的六边形和三角形作为类型的细胞。要探索一个单元格，机器人必须进入它。一旦进入，机器人就知道3个或6个相邻单元格中的哪一个存在，哪些是边界边缘。机器人的任务是访问给定环境中的每个细胞并返回到起点。我们的兴趣是在一个短的探索之旅，也就是说，在保持多个细胞访问的数量小。对于不含障碍物的任意环境，我们提供了一种策略，对于六边形网格，产生长度S <= C + 1/4 E - 2.5的旅行，对于三角形网格，产生长度S <= C + E - 4的旅行。C表示给定环境的单元格数（区域），E表示给定环境的边界边数（周长）。此外，我们表明，我们的策略是4/3竞争力在这两种类型的网格，我们提供了14/13的六边形网格和7/6三角形网格的下限。
2010-12-23 cs.CG cs.RO
Safely Probabilistically Complete Real-Time Planning and Exploration in Unknown Environments
UC-Philippine-California Advanced Research Institute（加州-菲律宾-加州高级研究机构）；ONR MURI（国防高级研究计划局（ONR）MURI）；SRC CONIX Center（SRC CONIX中心）
本文提出了一种新的运动规划框架，该框架围绕现有的动力学规划器构建，在事先未知的静态环境中保证递归可行性。通过利用来自可达性分析的鲁棒控制器，该方法对整体安全性和碰撞避免做出了强保证。运动计划始终保持在初始状态的安全后向可达集内，同时安全地探索空间。这保证了初始状态的安全性，并确保在安全探索过程中最终能找到目标。
2019-03-07 cs.RO cs.SY eess.SY
Fast and Communication-Efficient Multi-UAV Exploration Via Voronoi Partition on Dynamic Topological Graph
College of Artificial Intelligence, Nankai University（人工智能学院，南开大学）
本文提出基于动态拓扑图和图Voronoi划分的多无人机探索方法，通过高效通信和合理任务分配提升探索效率。
2024-08-11 cs.MA cs.RO
NarraGuide: an LLM-based Narrative Mobile Robot for Remote Place Exploration
Department of Computer Sciences\ of Wisconsin--Madison Department of Computer Sciences, University of Wisconsin--Madison；The Robotics Institute\ Mellon University Carnegie Mellon University；Department of Computer Sciences\ of Wisconsin--Madison；The Robotics Institute\ Mellon University
针对机器人远程临场系统依赖用户环境先验知识、不适用于陌生场所探索的问题，研发了具备位置感知LLM叙事能力的对话式移动机器人原型NarraGuide，经地质博物馆20人测试验证了其提升远程探索体验的潜力。
2025-09-01 cs.HC cs.RO
