Robot Motion Planning using One-Step Diffusion with Noise-Optimized Approximate Motions
Toyota Technological Institute（丰田技术研究所）
本文提出一种基于图像的单步扩散机器人运动规划方法，通过新型噪声优化器各向异性地调整加性噪声来优化近似运动，在保持实时高效率的同时实现了优于现有方法的性能。
2025-04-28 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
Human Perception-Optimized Planning for Comfortable VR-Based Telepresence
Centro de Investigación en Matemáticas (CIMAT)（数学研究中心）；University of Oulu（奥卢大学）
本文介绍了一个新兴的运动规划问题，考虑到一个人，沉浸在一个远程机器人的视角。挑战在于使体验既有效（例如提供存在感）又舒适（例如避免不良疾病症状，包括恶心）。我们把这个具有挑战性的新领域称为人类感知优化规划，并提出了一个通用的多目标优化框架，可以在许多设想的情况下实例化。然后，我们考虑一个特定的VR临场感任务作为人类感知优化规划的情况下，我们模拟一个机器人，发送360视频到远程用户通过盔装显示器观看。在这个特定的任务中，我们计划的轨迹可以最大限度地减少VR疾病（从而最大限度地提高舒适度）。A* 型方法用于创建分段线性轨迹的帕累托最优集合，同时考虑提高舒适度的标准。我们进行了一项研究，与人类受试者参观虚拟博物馆，在我们的算法计算的路径进行比较，对参考RRT为基础的轨迹。一般来说，用户遭受较少的VR病，更喜欢所提出的算法创建的路径。
2020-08-04 cs.HC cs.MM cs.RO
Learning Human-Aware Path Planning with Fully Convolutional Networks
Universidad Pablo de Olavide（巴勃罗·德·奥拉维德大学）
本文提出了一种机器人社会导航路径规划的学习方法。我们利用全卷积神经网络（FCNs）学习专家的路径演示的地图，标志着一个可行的路径作为一个分类问题的目标。FCNs的使用使我们能够克服手动设计/识别机器人导航任务的成本图和相关功能的问题。该方法利用最佳快速探索随机树规划器（RRT*），以克服最终的错误，在路径预测的FCNs预测被用作成本地图，也部分偏置配置空间的采样，导致规划器的行为类似于学习的专家行为。该方法在实验中与真实的轨迹进行评估，并与逆强化学习算法，使用RRT* 作为底层的计划。
2018-07-17 cs.RO
Fully Convolutional Search Heuristic Learning for Rapid Path Planners
Sony Corporation（索尼公司）
路径规划算法是各种机器人应用的重要组成部分，例如移动机器人导航和机器人手臂操作。然而，在可能存在局部陷阱的大搜索空间中，在满足实时约束的同时可靠地找到路径仍然具有挑战性。为了加快路径搜索的速度，人们开发了许多实用的路径规划算法。这些算法通常定义搜索启发式来引导搜索朝向目标。应针对每个特定问题仔细设计逻辑，以确保在问题中遇到的各种情况下的可靠性。然而，人类通常很难制作这种鲁棒的启发式算法，并且在违反启发式假设的条件下，搜索性能通常会下降。在这项工作中，我们提出了一种学习方法来获得这些搜索关键字，而不是手动设计的关键字。我们的方法将包含障碍物的环境表示为图像，并且将该图像馈送到完全卷积神经网络中以产生搜索启发式图像，其中每个像素以搜索图的顶点的形式表示启发式值（目标的成本值）。使用先前收集的规划结果来执行训练启发式。我们的初步实验（2D网格世界导航实验）表明显着降低搜索成本相对于手工设计的启发式。
2019-08-09 cs.AI cs.LG cs.RO
CBAGAN-RRT: Convolutional Block Attention Generative Adversarial Network for Sampling-Based Path Planning
University of Maryland, College Park, Maryland, USA（马里兰大学）
本文提出CBAGAN-RRT，利用结合空间与通道注意力的卷积块注意力生成对抗网络引导RRT采样，以提升路径最优性和收敛速度，并在复杂环境中保持精度。
2025-07-20 cs.CV cs.LG cs.RO
Warm-Started Optimized Trajectory Planning for ASVs
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
我们认为，热启动的优化轨迹规划的自主水面车辆（ASV）的两种类型的规划者的优势相结合：A* 的实现，快速找到最短的分段线性路径，和基于控制的最优轨迹规划。一个非线性的3自由度欠驱动模型的ASV被认为是，随着目标功能，促进能源效率和易于观察的机动。A* 算法保证基于均匀分解的映射找到到达目标位置的最短分段线性路径。动态信息的构建和添加到A* 生成的路径，并提供了一个初始的猜测热启动的最优控制为基础的规划。最优控制规划器的运行时间大大减少了这个初始猜测，并输出一个动态可行的和局部最优的轨迹。
2019-07-05 cs.RO cs.SY eess.SY
A Reinforcement Learning Approach to Jointly Adapt Vehicular Communications and Planning for Optimized Driving
IIIT-Delhi（印度德里印度理工学院）
本文提出一种强化学习方法，用于联合优化自动驾驶车辆的通信与运动规划，通过模拟验证了该方法在提升驾驶效益方面的有效性。
2018-07-10 cs.NI cs.RO cs.SY
An Effective Trajectory Planning and an Optimized Path Planning for a 6-Degree-of-Freedom Robot Manipulator
University of Tsukuba, Tsukuba, Japan（茨川大学）
本文提出一种基于计算机代数的六自由度机械臂路径规划优化方法，通过三步流程（计算可行区域、确定轨迹与关节序列、利用Dijkstra算法求解最优逆运动学组合）实现高效规划，并经实验验证其有效性。
2025-09-06 cs.RO cs.SC math.AC
GOMP-FIT: Grasp-Optimized Motion Planning for Fast Inertial Transport
University of California, Berkeley（加州大学伯克利分校）
拾取和放置操作中的高速运动对于使机器人在许多自动化场景中具有成本效益至关重要，从仓库和制造到医院和家庭。然而，运动可能太快-例如当被运输的对象具有开放的顶部，是脆弱的，或两者兼而有之。避免溢出或损坏的一种方法是缓慢移动手臂。我们提出一个替代方案：抓取优化的运动规划快速惯性运输（GOMP-FIT），一个时间优化的运动规划的基础上，我们以前的工作，其中包括基于加速度的约束在机器人末端执行器。通过GOMP-FIT，机器人可以执行高速运动，避开障碍物并利用惯性力发挥其优势。在运输具有不同倾斜公差的开顶容器的实验中，GOMP计算在运输期间溢出高达90%的内容物的亚秒运动，GOMP-FIT生成溢出0%的内容物的运动，同时当障碍物很少时减慢0%，当障碍物高且45度公差时减慢30%，当有15度的公差和很少的障碍物时，视频及更多内容请访问：https://berkeleyautomation.github.io/gomp-fit/。
2022-03-16 cs.RO
GOMP: Grasp-Optimized Motion Planning for Bin Picking
University of California at Berkeley（加州大学伯克利分校）
快速可靠的机器人拣仓是自动化仓库的关键挑战，通常以每小时拣货量（PPH）衡量。我们探索增加PPH使用更快的运动的基础上优化了一组候选人的把握。这组抓取的来源是双重的：（1）抓取分析工具，如Dex-Net生成多个候选抓取，以及（2）这些抓取中的每一个都有一个机器人抓取器可以旋转的自由度。在本文中，我们提出了抓取优化运动规划（GOMP），一种算法，加快了执行的垃圾箱采摘机器人的操作，将机器人动力学和一组候选人的把握，由一个把握规划到一个优化的运动规划。我们计算运动优化与序列二次规划（SQP）和迭代更新的信赖域占非凸性质的问题。在我们的公式中，我们将运动限制在机器人的机械限制范围内，同时避开障碍物。我们进一步转换的问题，以时间最小化，反复缩短的时间范围的轨迹，直到SQP是不可行的。在UR 5的实验中，GOMP实现了9倍于基线规划器的加速。
2020-03-05 cs.RO
Graph Neural Networks for Motion Planning
University of Pennsylvania（宾夕法尼亚大学）；Google Brain（谷歌大脑）
本文研究了使用图神经网络（GNNs）的经典运动规划问题的可行性。我们建议使用GNN的能力来指导连续和离散规划算法，该能力使用称为置换不变性的属性来鲁棒地编码规划空间的拓扑结构。我们提出了两种技术，在密集的固定图的低维问题和基于采样的GNNs高维问题的GNNs。我们研究了GNN解决规划问题的能力，例如识别关键节点或学习快速探索随机树（RRT）中的采样分布。临界采样、钟摆和六自由度机器人手臂的实验表明，GNN改进了传统的分析方法以及使用全连接或卷积神经网络的学习方法。
2020-12-14 cs.AI cs.LG cs.RO
An Optimized Path Planning of Manipulator Using Spline Curves and Real Quantifier Elimination Based on Comprehensive Gröbner Systems
Graduate School of Pure and Applied Sciences, University of Tsukuba（筑波大学文理学研究院）；Faculty of Pure and Applied Sciences, University of Tsukuba（筑波大学文理学院）；Faculty of Library, Information and Media Science, University of Tsukuba（筑波大学图书馆、信息与媒体科学学院）
本文提出利用Comprehensive Gröbner System (CGS)与CGS-QE方法高效求解机械臂逆运动学并认证轨迹解，结合三次样条插值与最短路径算法实现路径与关节配置的优化规划。
2024-12-24 cs.RO cs.SC
GOMP-ST: Grasp Optimized Motion Planning for Suction Transport
University of California, Berkeley（加州大学伯克利分校）
吸盘抓取在工业中非常常见，但移动太快会导致吸盘分离，从而导致掉落或损坏。在整个高速运动中保持吸力抓持需要在吸盘在应变下变形时平衡吸力与惯性力。在本文中，我们考虑了抽吸运输的抓取优化运动规划（GOMP-ST），这是一种将深度学习与优化相结合的算法，可在避免吸盘故障的同时减少运输时间。GOMP-ST首先重复移动物理机器人、真空夹持器和样品物体，同时使用固态传感器测量压力，以了解关键故障条件。然后，将这些作为对末端执行器处的加速度的约束集成到时间优化运动规划器中。由此产生的计划纳入现实世界的影响，如吸盘变形，是很难建模分析。在GOMP-ST，学习的约束，建模与神经网络，线性化使用Autograd和集成到一个序列二次规划优化。在420个实验与物理UR 5运输对象范围从1.3到1.7公斤，我们比较GOMP-ST基线优化运动规划。结果表明，GOMP-ST可以避免吸盘故障，同时减少运输时间从16%到58%。有关代码、视频和数据集，请参见https://sites.google.com/view/gomp-st。
2022-03-16 cs.RO
Task-Optimized Convolutional Recurrent Networks Align with Tactile Processing in the Rodent Brain
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系）；Department of Psychology, University of Pennsylvania（宾夕法尼亚大学心理学系）；Neuroscience Institute, Carnegie Mellon University（卡内基梅隆大学神经科学研究所）
本文提出 Encoder-Attender-Decoder (EAD) 框架，发现基于 ConvRNN 的模型在触觉分类上表现最优，且其表征与啮齿动物体感皮层高度对齐，自监督方法亦可匹配监督效果，为神经科学与具身AI提供了重要启示。
2025-10-13 cs.AI cs.LG cs.RO
Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets
Temple University（天普大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
如今，电力系统界广泛认识到，为了满足不断扩大的能源部门的需求，不再可能仅仅依靠基于物理的模型，如果没有人工智能（AI）工具的系统集成，能源系统的可靠，及时和可持续运行是不可能的。尽管如此，人工智能在电力系统中的应用仍然有限，而人工智能的整合，特别是在配电网投资规划中，仍然是一个未知的领域。我们迈出了弥合这一差距的第一步，展示了如何图卷积网络加上超结构表示学习框架可以用于准确，可靠和计算效率高的配电网规划与弹性目标。我们进一步提出了一个超结构图卷积神经网络（Hyper-GCNN），以捕捉隐藏的高阶表示的配电网络与注意力机制。我们的数值实验表明，与配电网规划中的主流方法相比，所提出的Hyper-GCNN方法在计算效率上有了很大的提高，并且明显优于来自深度学习（DL）社区的七种最先进的模型。
2022-11-14 cs.AI cs.LG stat.ML
MAGIC: Learning Macro-Actions for Online POMDP Planning
National University of Singapore（新加坡国立大学）
部分可观测马尔可夫决策过程（POMDP）是机器人在不确定性条件下进行决策的基本框架，但当需要进行长期规划时，POMDP规划具有较高的计算复杂性。虽然时间扩展的宏动作有助于减少有效的规划视野和显着提高计算效率，我们如何获得良好的宏动作？本文提出了Macro-Action Generator-Critic（MAGIC），它对针对在线POMDP规划优化的宏动作进行离线学习。具体来说，MAGIC端到端地学习宏动作生成器，使用在线计划器的性能作为反馈。在在线规划过程中，生成器根据机器人的信念和环境上下文生成动态的情境感知宏动作。我们评估了MAGIC在模拟和真实机器人上的几个长期规划任务。实验结果表明，与原始动作和手工宏动作相比，学习的宏动作在在线规划性能方面具有显着优势。
2021-07-01 cs.AI cs.LG cs.RO
AutoDrone: Shortest Optimized Obstacle-Free Path Planning for Autonomous Drones
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；TEOCO Software Pvt. Ltd.（TEOCO软件私人有限公司）
随着技术的进步，无人机已经成为可以由人类控制飞行或到达目的地的无人驾驶飞行器。这也可以是自主的，其中无人机本身足够智能，可以找到从指定源到达目的地的最短无障碍路径。无论是规划中的智慧城市，还是受自然灾害影响的废墟，我们都可以将建筑物、任何表面竖立的结构或其他障碍物想象为无人机在直线视线路径上飞行的障碍物。为了解决无人机的这种路径规划，首先将整个景观的鸟瞰图转换为网格单元图，其中一些被占用表示障碍物，一些被占用表示自由路径，提出了一种在GPS导航坐标系中寻找最短无障碍路径的方法。因此，自动无人机（AutoDrone）将能够沿着最短路径从一个地方移动到另一个地方，而不会在二维空间中行驶时遇到障碍物。还阐述了将其扩展到长途旅行和3D空间的启发式。我们的方法在救援行动和以节能方式快速交付或拾取方面特别有益，我们的算法将有助于找出最短路径和飞行角度。在地图布局和障碍物位置的不同场景下进行实验，以了解由自主无人机计算的最短可行路线。
2021-12-03 cs.AI cs.RO
Constrained Shortest Path Search with Graph Convolutional Neural Networks
Safran Electronics & Defense（赛峰电子与防务公司）；LAMSADE, Université Paris-Dauphine（巴黎多芬大学LAMSADE实验室）；Safran SA（赛峰集团）；MACCLIA, Ecoles de Saint-Cyr Coëtquidan（圣西尔军校MACCLIA机构）
自主无人地面车辆（AUGV）的规划仍然是一个挑战，特别是在困难的，越野的，关键的情况下。自动规划可用于达到任务目标，执行导航或机动。大多数情况下，问题在于找到从源到目的地的路径，同时满足一些操作约束。在无负圈的图中，从起始点到结束点的单对最短路的计算在多项式时间内解决。然而，解决方案路径上的额外约束可能会使问题更难解决。当我们需要路径通过几个强制节点而不需要特定的访问顺序时，就会出现这种情况。复杂性随着要访问的强制节点的数量呈指数级增长。在本文中，我们专注于最短路径搜索与强制节点上给定的连通图。我们提出了一个混合模型，结合了基于约束的求解器和图卷积神经网络，以提高搜索性能。在现实的场景中获得了令人满意的结果。
2021-08-02 cs.AI cs.LG cs.RO
A General Formulation for Path Constrained Time-Optimized Trajectory Planning with Environmental and Object Contacts
Stony Brook University（石溪大学）；Technical University of Munich（慕尼黑工业大学）
针对带运动约束的物体操作任务，提出考虑接触摩擦锥约束的时间最优轨迹规划SOCP公式，可高效求解，经多场景仿真验证了通用性与有效性。
2024-10-08 cs.RO
Just in time Informed Trees: Manipulability-Aware Asymptotically Optimized Motion Planning
Human-Robot Interfaces and Interaction(HRI2), Istituto Italiano Di Tecnologia (IIT)（人机交互（HRI2），意大利技术研究所（IIT））；Swiss Federal Technology Institute of Lausanne (EPFL)（洛桑联邦理工学院（EPFL））；Technical University of Munich（慕尼黑技术大学）；School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学）；School of Computer Science, University of Nottingham, UK（计算机科学学院，诺丁汉大学（英国））
JIT*算法通过两个核心模块提升运动规划效率，优化路径发现并减少奇异点风险，适用于高维机器人路径规划。
2026-01-27 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
Direct Robot Configuration Space Construction using Convolutional Encoder-Decoders
Columbia University Department of Computer Science（哥伦比亚大学计算机科学系）；Columbia University Data Science Institute（哥伦比亚大学数据科学研究院）
本文首次采用卷积编码器-解码器框架直接构建机器人配置空间，在二维双臂机器人工作空间中实现97.5%的F1分数，未检测碰撞低于2.5%，且特征可迁移性强。
2025-08-08 cs.CV cs.RO
Learn and Link: Learning Critical Regions for Efficient Planning
School of Computing, Informatics, and Decision Systems Engineering（计算、信息与决策系统工程学院）；Arizona State University（亚利桑那州立大学）；Tempe, Arizona 85281（（地址，不应提取））
本文提出了一种新的方法来学习运动规划（MP）的环境中的关键区域是从一组给定的运动计划，并用于提高性能的新的环境和问题的情况。我们引入了一套新的基于采样的运动规划器，学习和链接。我们的规划人员利用关键区域来克服均匀采样的局限性，同时仍然保持基于采样的算法固有的正确性保证。我们还表明，卷积神经网络（CNN）可用于识别运动规划问题的关键区域。我们评估学习和链接对规划师从开放式运动规划库（OMPL）使用一套广泛的实验具有挑战性的运动规划问题。我们表明，我们的方法需要更少的规划时间比现有的抽样为基础的规划师。
2020-03-07 cs.AI cs.RO
New Fusion Algorithm provides an alternative approach to Robotic Path planning
BMS COLLEGE OF ENGINEERING（BMS工程学院）
随着技术和自动化的快速发展，人类的任务正在被机器人接管，因为机器人已经被证明在速度和精度方面都更好。这些机器人的主要和广泛的用途之一是在工业企业中，在那里它们被用来在工作区域内和周围搬运大量货物。由于这些工作环境可能不是完全本地化的，而且可能是动态变化的，因此必须评估新的方法，以保证以无碰撞的方式履行职责。针对自定义二维环境下的路径规划问题，提出了一种新的高效融合算法。该融合算法综合了A* 算法和人工势场法的改进和优化。首先，采用A* 算法在环境模型中规划初始路径。根据环境模型对A* 算法的启发式函数进行了优化和改进。然后选取并保存初始路径中的关键节点，最后在保存的关键节点的基础上，采用人工势场法进行路径平滑。我们使用Python即库进行的仿真结果表明，新的融合算法是可行的，在平滑性能优越，可以满足作为一个时间效率和成本较低的替代传统的A* 策略的路径规划。
2020-06-06 cs.AI cs.RO
Optimal Smooth Coverage Trajectory Planning for Quadrotors in Cluttered Environment
Guangdong Power Grid Co. Ltd.（广东电力电网公司）；Shenzhen Institute of Artificial Intelligence（深圳人工智能与机器人研究院）
针对电网场景下杂乱环境中的无人机覆盖任务，提出前端GA求解TSP、后端非线性最小二乘优化平滑性、耗时与避障的两阶段轨迹规划算法，并通过仿真验证其有效性。
2025-10-03 cs.RO
Automatic Parameter Adaptation for Quadrotor Trajectory Planning
Zhejiang University（浙江大学）；Huzhou institute of Zhejiang University（浙江大学湖州研究院）
在线轨迹规划器使四旋翼飞行器能够在未知的混乱环境中安全平稳地航行。然而，调整参数具有挑战性，因为现代规划者已经变得过于复杂，无法进行数学建模和预测它们与非结构化环境的相互作用。这项工作需要人类的循环，提出了一个规划参数自适应框架，制定目标成两个互补的类别，并异步优化它们。分别使用贝叶斯优化（BayesOpt）和粒子群优化（PSO）优化有和无轨迹执行的目标。通过将两类目标相结合，加快了黑箱优化的总收敛速度，同时增加了优化参数的维数。基准比较表明其优于其他策略的性能。通过对障碍物密度变化的测试，验证了其实时环境适应性，这是以前手动调整困难的。不同无人机平台、环境和规划者的真实飞行显示了所提出的框架的可扩展性和有效性。
2022-07-13 cs.RO
Improved GQ-CNN: Deep Learning Model for Planning Robust Grasps
Institute of Informatics, University of Warsaw（华沙大学信息学院）
近年来，机器人抓取领域的发展表明，在处理未知物体时，抓取成功率有了很大的提高。在这项工作中，我们改进了最有前途的方法之一，即在DexNet 2.0数据集上训练的抓取质量卷积神经网络（GQ-CNN）。我们为GQ-CNN提出了一种新的架构，并描述了实际的改进，将模型验证准确率从92.2%提高到95.8%，分别从图像和对象训练和验证分割的85.9%提高到88.0%。
2018-02-16 cs.AI cs.LG cs.RO
An Analysis on Ensemble Learning optimized Medical Image Classification with Deep Convolutional Neural Networks
University of Augsburg（奥格斯堡大学）；University Hospital Augsburg（奥格斯堡大学医院）
新型高性能医学图像分类管道大量使用集成学习策略。集成学习的思想是组合不同的模型或多个预测，从而提高预测性能。然而，在基于深度学习的医学图像分类管道中，集成学习策略在多大程度上以及哪些集成学习策略是有益的仍然是一个悬而未决的问题。在这项工作中，我们提出了一个可重复的医疗图像分类管道，用于分析以下集成学习技术的性能影响：增强，堆叠和装袋。该管道由最先进的预处理和图像增强方法以及9个深度卷积神经网络架构组成。它被应用于四个流行的医学成像数据集具有不同的复杂性。此外，分析了12个用于组合多个预测的池化函数，从简单的统计函数（如未加权平均）到更复杂的基于学习的函数（如支持向量机）。我们的研究结果显示，堆叠实现了最大的性能增益，高达13%的F1分数增加。增强显示了高达4%的一致改进能力，也适用于基于单一模型的管道。基于交叉验证的Bagging表现出接近Stacking的显著性能增益，这导致F1分数增加高达+11%。此外，我们证明了简单的统计池函数与更复杂的池函数相等，甚至更好。我们的结论是集成学习技术的集成是一个强大的方法，任何医疗图像分类管道，以提高鲁棒性和提高性能。
2022-04-13 cs.AI cs.CV cs.LG
Deep Learning Based Motion Planning For Autonomous Vehicle Using Spatiotemporal LSTM Network
Beijing Jiaotong University（北京交通大学）
运动规划作为自主车辆自动导航的基础技术，在现实交通环境中仍然是一个具有挑战性的问题，主要应用于基于模型的方法。然而，由于交通状况的复杂性和边缘情况的不确定性，很难为自主车辆设计通用的运动规划系统。本文提出了一种基于深度学习的运动规划模型（称为时空LSTM网络），它能够基于时空信息提取生成实时反射。具体来说，基于时空LSTM网络的模型有三个主要结构。首先，使用卷积长短期记忆（Conv-LSTM）从序列图像数据中提取隐藏特征。然后，应用3D卷积神经网络（3D-CNN）从多帧特征信息中提取时空信息。最后，全连接神经网络被用来构建自主车辆转向角的控制模型。实验结果表明，该方法能够为自主车辆生成鲁棒、准确的视觉运动规划结果。
2019-03-05 cs.AI cs.CV
Planning of efficient trajectories in robotized assembly of aerostructures exploiting kinematic redundancy
University of Salerno（萨莱诺大学）
随着时间的推移，航空航天生产量不断增加，机器人解决方案已逐步引入航空装配线，以实现高质量标准，高生产率，灵活性和降低成本。机器人工作单元有时以安装在滑道上的机器人为特征，以增加机器人工作空间。滑动引入了额外的自由度，使系统在运动学上冗余，但该功能很少用于提高性能。本文提出了一种新的概念，在轨迹规划，利用冗余，以满足额外的要求。采用动态规划技术，计算优化的轨迹，最小化或最大化感兴趣的性能指标。该用例定义在LABOR（复合材料航空结构的精益自动化装配和控制）项目上，该项目采用安装在线性轴上的两个协作的六轴机器人来执行机身壁板的装配操作。考虑到该工作单元的需求，最大限度地减少了不必要的机器人运动以提高安全性，最大限度地提高了机械刚度以增加钻孔操作期间的稳定性，避免了碰撞，同时遵守了关节限制和可用的规划时间。在仿真环境中进行实验，在那里执行的最佳轨迹，突出显示所产生的性能和改进相对于非优化的解决方案。
2021-07-09 cs.RO
Search-based 3D Planning and Trajectory Optimization for Safe Micro Aerial Vehicle Flight Under Sensor Visibility Constraints
Fraunhofer Institute for Communication, Information Processing and Ergonomics FKIE（弗劳恩霍夫通信、信息处理与工效学研究所FKIE）；University of Bonn（波恩大学）
微型飞行器的安全导航不仅需要根据静态环境地图的无障碍飞行路径，而且还需要对先前未知和动态对象的感知和反应。这意味着机载传感器覆盖了当前的飞行方向。由于微型飞行器的有效载荷有限，传感器对环境的全面覆盖必须与飞行时间相权衡。因此，通常只覆盖环境的一部分。我们提出了一个组合allocentric完整的规划和轨迹优化的方法，考虑到这些传感器的可见性约束。优化后的轨迹在Velodyne Puck Lite 3D激光扫描仪的顶角内产生飞行路径，从而实现低级别的碰撞避免，以感知飞行方向上的障碍物。此外，优化的轨迹考虑到飞行动力学，并包含沿路径的速度和加速度。我们评估我们的方法与大疆矩阵600 MAV和仿真采用硬件在环。
2019-08-28 cs.RO
Multi-Objective Trajectory Planning with Dual-Encoder
Zhejiang Lab（之江实验室）；Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院）
针对机械臂时间-加加速度最优轨迹规划延迟大的问题，提出一种两阶段方法，结合双编码器transformer模型生成初始轨迹并用序列二次规划细化，大幅缩短规划时间并降低目标函数值。
2024-03-26 cs.LG cs.RO
Convolutional Neural Networks in Orthodontics: a review
Warsaw University of Technology（华沙理工大学）；Poznan University of Medical Sciences（波兹南医科大学）；Medical Centre Leeuwarden（吕伐登医疗中心）；Tooploox
卷积神经网络（CNN）被用于计算机视觉的许多领域，例如目标跟踪和识别、安全、军事和生物医学图像分析。本文综述了卷积神经网络在牙科领域之一--口腔医学中的应用。医学成像技术和方法的进步允许CNN用于正畸学，以缩短正畸治疗的计划时间，包括自动搜索头影测量X射线图像上的标志，锥形束计算机断层扫描（CBCT）图像或数字模型上的牙齿分割，以及X射线全景图像上的缺陷分类。在这项工作中，我们描述了当前的方法，所使用的深度卷积神经网络的架构，以及它们的实现，以及它们所取得的结果的比较。所描述的研究的有希望的结果和可视化显示，使用基于卷积神经网络的方法允许改进基于计算机的正畸治疗计划，既通过减少检查时间，并且在许多情况下，通过比手动正畸医生更准确地执行分析。
2021-04-18 cs.AI cs.CV eess.IV
E-QUARTIC: Energy Efficient Edge Ensemble of Convolutional Neural Networks for Resource-Optimized Learning
University of California San Diego（加利福尼亚大学圣迭戈分校）
本研究提出能效边缘集成框架E-QUARTIC，面向嵌入式AI系统构建CNN集成模型，可适配动态能量条件，降低系统故障率达40%，支持边端训练与推理，开销低于0.04%。
2024-09-12 cs.AI cs.DC cs.ET
Graph-based Motion Planning for Automated Vehicles using Multi-model Branching and Admissible Heuristics
Ulm University（乌尔姆大学）
城市场景中的自动驾驶需要能够实时处理复杂情况的高效规划算法。一种流行的方法是使用基于图的规划方法，以获得一个粗略的轨迹，随后进行优化。一个关键的方面是生成轨迹，在图形搜索过程中实现舒适和安全的行为，同时保持低计算时间。为了抓住这一方面，一方面，在这项工作中提出了一个分支策略，导致更好的性能方面的质量产生的轨迹和运行时间。另一方面，可容许的启发式示出了有效地引导图搜索，其中的解决方案仍然是最优的。
2021-02-15 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
CT-CPP: Coverage Path Planning for 3D Terrain Reconstruction Using Dynamic Coverage Trees
University of Connecticut（康涅狄格大学）
这封信解决了三维覆盖路径规划（CPP）问题的地形重建未知的障碍丰富的环境。由于传感器的限制，所提出的方法，称为CT-CPP，执行分层扫描的3D区域收集地形数据，其中的旅行序列是使用的概念，覆盖树（CT）与TSP启发的树遍历策略进行优化。CT-CPP方法在高保真水下模拟器上进行了验证，并将结果与现有的地形跟随CPP方法进行了比较。结果表明，CT-CPP产生的轨迹长度，能量消耗和重建误差显着减少。
2021-12-02 cs.AI cs.RO cs.SY
Graph Policy Gradients for Large Scale Unlabeled Motion Planning with Constraints
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种学习方法来解决大量机器人在二维空间中具有运动约束和空间约束的无标号运动问题。为了解决问题的任意动态和约束，我们建议制定的问题作为一个多智能体问题。与以前的作品，提出使用学习解决方案的无标签的运动规划的约束，我们能够证明我们的方法的可扩展性，大量的机器人。当与大量机器人一起工作时遇到的维数灾难通过采用图卷积神经（GCN）网络来参数化机器人的策略来减轻。GCN通过学习过滤器来降低问题的维度，这些过滤器在机器人之间局部地聚合信息，类似于卷积神经网络如何能够学习图像中的局部特征。此外，通过采用GCN，我们还能够克服大量机器人的训练策略的计算开销，首先训练少量机器人的图过滤器，然后将zero-shot策略转移到大量机器人。我们证明了我们的框架的有效性，通过各种模拟。
2019-09-24 cs.RO math.CO
CPPNet: A Coverage Path Planning Network
University of Connecticut（康涅狄格大学）
本文提出了一种基于深度学习的CPP算法，称为覆盖路径规划网络（CPPNet）。CPPNet是使用卷积神经网络（CNN）构建的，其输入是占用网格地图的基于图形的表示，而其输出是边缘概率热图，其中每个边缘的值是属于最佳TSP巡回的概率。最后，使用贪婪搜索来选择最终的优化路线。CPPNet经过训练，并与TSP巡回赛进行了比较评估。结果表明，CPPNet提供了接近最优的解决方案，同时需要显着更少的计算时间，从而使实时覆盖路径规划在部分未知和动态的环境。
2021-08-03 cs.RO cs.SY eess.SY
Graph Attention Convolutional U-NET: A Semantic Segmentation Model for Identifying Flooded Areas
Western University（西安大略大学）；Vector Institute（向量人工智能研究所）
本文提出图注意力卷积U-NET模型，结合图注意力机制和Chebyshev层，用于航空影像中洪水区域的自动识别，以91% mAP、94% Dice和89% IoU优于现有方法。
2025-02-21 cs.AI cs.CV
Towards Courteous Behavior and Trajectory Planning for Automated Driving
Ulm University（乌尔姆大学）；Visteon Corporation（伟世通公司）
高效的行为和轨迹规划是自动驾驶面临的主要挑战之一。特别是交叉口的情况下，是非常苛刻的，由于其复杂性所产生的各种机动的可能性和其他交通参与者。一个关键的挑战是产生优化自我车辆的舒适性和进度的行为，但同时又不会对其他交通参与者过于咄咄逼人。为了保持礼貌行为和轨迹规划的实时的能力，需要最优控制问题的有效形式和相应的求解算法。因此，提出了一种新的规划框架，它考虑了舒适和进步，以及礼貌的行动，在基于图的行为规划模块。利用低级别轨迹生成，可以进一步优化行为结果以获得驾驶舒适性，同时满足整个规划范围内的约束。实验结果表明，该框架具有较好的实用性和实时的性。
2019-07-23 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
Constrained Heterogeneous Vehicle Path Planning for Large-area Coverage
Carnegie Mellon University（卡内基梅隆大学）；A*STAR Artificial Intelligence Initiative (A*AI)（新加坡科技研究局人工智能倡议（A*AI））；IHPC, A*STAR（新加坡科技研究局高性能计算研究所）
对于由地面车辆支持的多个UAV（无人飞行器）自主地覆盖大区域存在强烈的需求。受UAV电池寿命和通信距离的限制，大区域的完全覆盖通常涉及多次起飞和着陆以给电池充电，以及通过地面车辆在操作区域之间运输UAV。在本文中，我们介绍了一种新的大面积覆盖的规划框架，集体优化的空中和地面车辆的路径。我们的方法首先将一个大的区域划分为子区域，每个子区域都可以由给定的无人机机队覆盖而无需重新充电。然后为每个子区域生成UAV操作路线或轨迹。其次，将试验任务分配给不同的无人机，并同时优化无人机访问其指定轨迹的顺序，以最小化总的无人机飞行距离。最后，通过求解非对称旅行商问题（ATSP），找到了一条访问所有子区域的地面车辆运输路径。虽然寻找全局最优路径分配和转移路径可以用混合二次规划（MIQP）来表示，但MIQP即使对于小问题也是难以处理的。我们发现，解决方案的时间可以减少到接近实时的水平，首先找到一个可行的解决方案，使用随机密钥遗传算法（RKGA），然后通过解决一个小得多的MIQP局部优化。
2019-11-22 cs.RO
Hierarchical Trajectory Planning for Autonomous Driving in Low-speed Driving Scenarios Based on RRT and Optimization
The Hong Kong University of Science and Technology（香港科技大学）
虽然人们对城市道路和高速公路上的路径规划进行了大量的研究，但很少有研究低速驾驶场景下的驾驶策略和轨迹规划，例如，在大学校园内驾驶或在住宅区或工业区内驾驶。在这些情况下的规划研究是至关重要的，因为这些环境往往涵盖了日常旅行或物流系统的第一公里或最后一公里。此外，有必要区别对待这些场景，因为在大多数情况下，驾驶环境是狭窄的，动态的，并且充满障碍物，这也导致在这种环境中进行规划仍然是一项具有挑战性的任务。提出了一种将路径规划和时间规划分离的层次规划方法。通过改进的双向快速探索随机树（bi-RRT）方法生成满足运动学约束的路径。然后，通过序列二次规划（SQP）的安全区间（SI）定义的可行的搜索范围，优化的路径的每个节点的时间戳。不同驾驶场景下的仿真和实车试验证明了该方法的有效性。
2019-04-04 cs.RO
Real-Time Motion Planning of Legged Robots: A Model Predictive Control Approach
Agile & Dexterous Robotics Lab, ETH Zürich（苏黎世联邦理工学院敏捷与灵巧机器人实验室）
针对足式机器人的运动规划问题，提出了一种实时的【形】、有约束、非线性的模型预测控制。所提出的方法使用一个约束最优控制算法称为SLQ。我们通过引入一个多处理方案来估计价值函数，从而提高了该算法的效率。这道次通常被计算为一个单一的过程。这种并行SLQ算法可以优化更长的时间范围，而不会成比例地增加其计算时间。因此，我们的MPC算法可以在几毫秒内为接下来的几个运动阶段生成优化的轨迹。这比现有技术至少好一个数量级。该方法的性能验证四足机器人产生动态步态，如小跑。
2017-10-11 cs.RO
Automatic brain tumor grading from MRI data using convolutional neural networks and quality assessment
University of Minho（米尼奥大学）；University Hospital Inselspital（因塞尔施皮塔尔大学医院）；University of Bern（伯尔尼大学）
多形性胶质母细胞瘤是一种高度恶性、侵袭性强的脑肿瘤，患者预后不良。较低级别的胶质瘤侵袭性较低，但随着时间的推移，它们可以演变成更高级别的肿瘤。患者的管理和治疗可以根据肿瘤分级而有很大的不同，从肿瘤切除术后联合放疗和化疗到“等待和观察”的方法。因此，肿瘤分级对于适当的治疗计划和监测非常重要。肿瘤分级的金标准依赖于活检标本的组织病理学诊断。然而，该过程是侵入性的，耗时的，并且容易产生采样误差。考虑到这些缺点，从广泛使用的MRI协议自动肿瘤分级将是临床上重要的，作为一种加快治疗计划和评估肿瘤演变的方式。在本文中，我们提出使用卷积神经网络预测肿瘤分级直接从成像数据。通过这种方式，我们克服了对感兴趣区域的专家注释的需要。我们评估了两种预测方法：从整个大脑，并从一个自动定义的肿瘤区域。最后，我们采用可解释性方法作为质量保证阶段，以检查该方法是否使用指示肿瘤等级的图像区域进行分类。
2018-09-25 cs.AI cs.CV
Learning When to Quit: Meta-Reasoning for Motion Planning
Massachusetts Institute of Technology（麻省理工学院）
任意时间运动规划器广泛应用于机器人领域。然而，他们的解决方案的质量和计算时间之间的关系还没有得到很好的理解，因此，确定何时退出规划和开始执行是不清楚的。在本文中，我们解决的问题，决定何时停止审议有限的计算能力，所谓的元推理，随时运动规划。我们提出了数据驱动的学习方法，基于模型和无模型的元推理，适用于不同的环境分布和不可知的选择随时运动规划。作为该框架的一部分，我们设计了一个基于卷积神经网络的最优解预测器，该预测器从给定的2D工作空间图像预测最优路径长度。我们经验性地评估所提出的方法在模拟与基线相比的性能。
2021-07-31 cs.RO
Energy Aware and Safe Path Planning for Unmanned Aircraft Systems
Technical University of Darmstadt（达姆施塔特工业大学）
本文提出一种基于模型预测控制和混合整数线性规划的多智能体无人飞行器系统能量感知与安全路径规划算法，通过优化能耗、低电量自主返航及动态可行区域防障，实现高效安全的搜索区域覆盖。
2025-04-04 cs.RO cs.SY eess.SY
On Salience-Sensitive Sign Classification in Autonomous Vehicle Path Planning: Experimental Explorations with a Novel Dataset
University of California, San Diego（加州大学圣地亚哥分校）
自动驾驶中的安全路径规划是一项复杂的任务，由于静态场景元素和不确定的周围代理的相互作用。虽然所有静态场景元素都是信息源，但自我车辆可用的信息具有不对称的重要性。我们提出了一个数据集与一个新的功能，标志的显着性，定义为指示是否有明显的信息，自我车辆的目标，关于交通法规的标志。在裁剪标志上使用卷积网络，结合道路类型、图像坐标和计划机动的实验增强，我们以76%的准确率预测标志的显著性，使用标志图像的车辆机动信息找到最佳改进。
2021-12-02 cs.CV cs.RO
Near-Optimal Belief Space Planning via T-LQG
Texas A&M University（德克萨斯A&M大学）
本文提出T-LQG方法，用于非线性机器人系统在观测和运动不确定性下的规划问题，提供近优反馈控制策略，解决POMDP问题。
2017-07-10 cs.RO cs.SY eess.SY
The Reconfigurable Aerial Robotic Chain: Shape and Motion Planning
Birla Institute of Technology and Science (BITS) Pilani（皮拉尼伯拉理工学院（BITS皮拉尼））；University of Nevada, Reno（内华达大学雷诺分校）
介绍了航空机器人链的设计思想、建模方法和运动规划求解方法。该设计代表了一个可配置的机器人系统，由多个连接的微型飞行器组成，同时具有穿越狭窄路段、变形其形状、运送重要有效载荷的能力，提供分布式传感和处理的潜力，并允许系统扩展。我们贡献了一种方法来解决这样一个连接的机器人系统的系统的运动规划问题，充分利用其可重构的性质，以快速的方式找到无碰撞路径，尽管增加了自由度。所提出的方法利用了一个库的空中机器人链配置，优化的横截面尺寸或传感器的覆盖范围，旁边的概率策略采样随机形状的配置，可能需要促进持续的无碰撞导航。仿真中的评估研究涉及穿越受限和充满障碍的环境，具有狭窄的走廊和横截面。
2019-11-24 cs.RO
Tiny SSD: A Tiny Single-shot Detection Deep Convolutional Neural Network for Real-time Embedded Object Detection
University of Waterloo（滑铁卢大学）；DarwinAI（达尔文人工智能）
目标检测是计算机视觉中的主要挑战，涉及场景内的目标分类和目标定位。虽然近年来深度神经网络已被证明可以产生非常强大的技术来应对目标检测的挑战，但使这种目标检测网络能够在嵌入式设备上广泛部署的最大挑战之一是高计算和内存要求。最近，人们越来越关注探索更适合嵌入式设备（例如Tiny YOLO和SqueezeDet）的用于目标检测的小型深度神经网络架构。受SqueezeNet中引入的Fire微架构的效率和SSD中引入的单次检测宏架构的目标检测性能的启发，本文介绍了Tiny SSD，这是一种用于实时的【形】嵌入式目标检测的单次检测深度卷积神经网络，非均匀Fire子网络堆栈和高度优化的基于SSD的辅助卷积特征层的非均匀子网络堆栈，专门设计用于最小化模型大小，同时保持目标检测性能。由此产生的Tiny SSD拥有2.3MB的模型大小（比Tiny YOLO小约26倍），同时仍然在VOC 2007上实现了61.3%的mAP（比Tiny YOLO高约4.2%）。这些实验结果表明，非常小的深度神经网络架构可以设计用于非常适合嵌入式场景的实时的【形】目标检测。
2018-02-19 cs.AI cs.CV cs.NE
Integrating path-planning and control for robotic unicycles
Department of Mechanical Engineering, University of Michigan（机械工程系，密歇根大学）；HUN-REN–BME Dynamics of Machines Research Group（HUN-REN–BME 机械动力学研究组）；Department of Mechanical Engineering and with the Department of Civil and Environmental Engineering, University of Michigan（机械工程系和土木与环境工程系，密歇根大学）；Department of Applied Mechanics, Budapest University of Technology and Economics（应用力学系，布达佩斯技术与经济大学）
本文针对机器人独轮车提出一种路径规划与控制集成方法，将路径分为直线与曲线段并优化曲率剖面，通过数值仿真验证了其在加速、制动和转向中的有效性。
2025-07-03 cs.RO cs.SY eess.SY
