Decentralized Coverage Path Planning with Reinforcement Learning and Dual Guidance
Shanghai Jiao Tong University(上海交通大学)
以分散的方式规划多机器人的覆盖路径,增强了覆盖任务处理不确定故障的鲁棒性。为了以分布式方式为每个机器人实现高效率,对复杂环境和合作代理意图的全面理解至关重要。不幸的是,现有的工作通常只考虑这些因素的一部分,导致不平衡的分区或不必要的重叠。为了解决这个问题,我们引入了一个分散的强化学习框架与双重指导训练每个代理,以解决分散的多覆盖路径规划问题,直接通过环境状态。由于分布式机器人需要其他意图来执行更好的覆盖效率,我们利用两种指导方法,人工势场和启发式指导,包括和整合其他意图到每个机器人的观察。通过我们构建的框架,结果表明我们的代理成功地学习确定自己的子区域,同时实现全覆盖,平衡的子区域和低重叠率。然后,我们在这些子区域内实现生成树覆盖,为每个机器人构建实际路线并完成给定的覆盖任务。我们的性能还与最先进的分散式方法进行了比较,显示重叠率最多降低10%,同时在类似环境中执行高效率。
2022-10-14 cs.RO cs.SY eess.SY
Unscented Optimal Control for 3D Coverage Planning with an Autonomous UAV Agent
KIOS Research and Innovation Centre of Excellence (KIOS CoE)(KIOS卓越研究与创新中心(KIOS CoE));University of Cyprus(塞浦路斯大学)
提出一种概率鲁棒控制器,将3D覆盖规划表述为带逻辑约束的最优控制问题,通过Unscented变换实现鲁棒的开环覆盖计划设计。
2023-06-30 cs.RO cs.SY eess.SY
Adaptive Algorithms for Coverage Control and Space Partitioning in Mobile Robotic Networks
École Polytechnique de Montréal(蒙特利尔综合理工学院);University of Pennsylvania(宾夕法尼亚大学)
本文考虑的部署问题,移动机器人网络必须优化其配置在一个分布式的方式,以最小化的稳态费用函数,取决于空间分布的某些概率事件的利益。此外,假设事件位置分布是先验未知的,并且只能从实际事件发生的观察中逐步推断。详细讨论了三类问题:覆盖控制问题,空间划分问题和动态车辆路径问题。在每种情况下,分布式随机梯度算法优化性能目标。随机梯度视图简化和推广以前提出的解决方案,并适用于新的复杂的情况下,如自适应覆盖涉及异构代理。值得注意的是,这些算法通常采用简单的分布式规则的形式,可以在资源有限的平台上实现。
2012-08-17 cs.RO math.OC
Efficient Probabilistic Planning with Maximum-Coverage Distributionally Robust Backward Reachable Trees
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(信息与决策系统实验室,麻省理工学院);Draper, Cambridge MA 02139(Draper,剑桥MA 02139)
本文提出两种针对线性高斯系统的多查询运动规划算法,利用分布鲁棒后向可达树和新型模糊集公式,实现高概率到达目标区域,并证明在特定条件下达到最大或更优覆盖,通过仿真验证有效性。
2025-10-06 cs.RO cs.SY eess.SY
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
A Planning Framework for Persistent, Multi-UAV Coverage with Global Deconfliction
Carnegie Mellon University(卡内基梅隆大学);Mitsubishi Heavy Industries, Ltd.(三菱重工业株式会社)
多机器人覆盖规划旨在为一队机器人确定无碰撞路径,使它们能够共同观察环境中的兴趣点。持续覆盖是传统覆盖的一种变体,其中环境中的覆盖水平随着时间的推移而衰减。因此,机器人必须不断地重新访问环境的部分以保持期望的覆盖水平。要在现实世界中实现这一点,我们需要解决许多子问题。虽然存在这些子问题的标准解决方案,但没有一个完整的框架,可以在实际环境中解决所有单个挑战。我们调整并结合这些解决方案,提出了一个规划框架,用于多个无人机(UAV)的持续覆盖。具体来说,我们运行一个连续循环的目标分配和全球性的去冲突,kinodynamic路径规划多无人机。我们在模拟和现实世界中评估我们的框架。特别是,我们证明了(i)我们的框架在资源充足的情况下表现出优雅的覆盖率,我们保持持久的覆盖率;如果资源不足(例如,对于给定大小的环境,无人机太少),覆盖水平衰减缓慢,(ii)与其他较弱的,更本地的碰撞检查计划相比,在我们的框架中,规划与全球去冲突会导致可忽略的更高的价格。(视频:https://youtu.be/aqDs6Wymp5Q)
2019-10-16 cs.AI cs.RO cs.SY
Comparison of Innovative Strategies for the Coverage Problem: Path Planning, Search Optimization, and Applications in Underwater Robotics
本文比较了TSP、MST和OCP三种覆盖路径规划策略,用于水下机器人检测放射性源,发现OCP在时间受限时更优但计算成本高,MST更快但次优,为任务优先级下的算法选择提供指导。
2025-06-18 cs.RO cs.SY eess.SY
Integrated Ray-Tracing and Coverage Planning Control using Reinforcement Learning
KIOS Research and Innovation Centre of Excellence(KIOS卓越研究与创新中心);University of Cyprus(塞浦路斯大学)
本文提出将光线追踪与覆盖规划控制集成,将约束最优控制问题转化为马尔可夫决策过程,并用Q-learning学习最优控制律,实现有限传感域下移动智能体对物体表面的高效覆盖。
2023-04-19 cs.RO cs.SY eess.SY
SDP Synthesis of Maximum Coverage Trees for Probabilistic Planning under Control Constraints
Massachusetts Institute of Technology(麻省理工学院);Laboratory for Information and Decision Systems(信息与决策系统实验室)
提出MAXCOVAR BRT多查询算法,通过新颖优化公式和h-BRS概念,在控制约束与随机不确定性下构建路线图,实现可证明的最大覆盖概率规划。
2024-03-21 cs.RO cs.SY eess.SY
PRISM: Efficient and Locally Optimal Probabilistic Planning with Reachability Guarantees
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(信息与决策系统实验室,麻省理工学院);Draper
提出PRISM算法,通过将信念空间规划分解为确定性均值规划和协方差收缩,并引入在线局部优化,在满足状态和控制约束下实现高覆盖率和低成本,同时提供可达性保证。
2026-06-26 cs.RO cs.SY eess.SY
C*: A Coverage Path Planning Algorithm for Unknown Environments using Rapidly Covering Graphs
Dept. of Electrical and Computer Engineering, University of Connecticut(电气与计算机工程系,康涅狄格大学)
C*是一种基于快速覆盖图的未知环境覆盖路径规划算法,通过高效采样和修剪技术实现最优覆盖,显著提升覆盖效率并防止覆盖孔形成。
2026-03-06 cs.RO cs.SY eess.SY
Continuous World Coverage Path Planning for Fixed-Wing UAVs using Deep Reinforcement Learning
TUM School of Engineering and Design, Technical University of Munich(慕尼黑技术大学工程与设计学院);Dept. of Electrical Engineering and Computer Sciences, University of California, Berkeley(加州大学伯克利分校电气工程与计算机科学系)
针对固定翼无人机在连续环境中的覆盖路径规划问题,提出基于AM-SAC与自适应课程的深度强化学习方法,以学习节能且满足曲率约束的完整覆盖策略。
2025-05-13 cs.LG cs.RO cs.SY
A Non-uniform Sampling Approach for Fast and Efficient Path Planning
University of Connecticut(康涅狄格大学)
在本文中,我们开发了一种非均匀采样的方法,快速和有效的自动驾驶车辆的路径规划。该方法使用了一种新的非均匀分区方案,将该区域划分为无障碍凸单元。分区导致无障碍区域中的大细胞和障碍物密集区域中的小细胞。随后,这些单元格的边界用于采样;从而显著减少了均匀采样的负担。与标准均匀采样器相比,该智能采样器显著地1)减小了采样空间的大小,同时提供完整性和最优性保证,2)在无障碍区域中提供稀疏采样,在障碍物丰富区域中提供密集采样,以促进更快的探索,以及3)由于单元的凸性,消除了对与障碍物的昂贵碰撞检查的需要。该采样框架被并入RRT* 路径规划器。结果表明,与均匀采样的RRT* 相比,非均匀采样的RRT* 具有更好的收敛速度和更小的内存占用。
2021-08-03 cs.RO cs.SY eess.SY
Connectivity-Aware UAV Path Planning with Aerial Coverage Maps
Department of ECE, Hong Kong University of Science and Technology, Hong Kong(香港科技大学电子工程系);Department of EIE, The Hong Kong Polytechnic University, Hong Kong(香港理工大学电子工程系)
本文提出了一种利用UAV可控移动来克服地面用户优化的蜂窝网络在空中覆盖不连续问题的连接意识UAV路径规划方法,通过引入两个新指标量化UAV路径的蜂窝连接质量,并利用空中覆盖图提供准确的散射覆盖孔位置,将UAV路径规划问题转化为在连接约束下寻找最短路径的问题。
2019-06-01 cs.NI cs.RO cs.SY
$ε^*$+: An Online Coverage Path Planning Algorithm for Energy-constrained Autonomous Vehicles
University of Connecticut(康涅狄格大学)
本文提出了一种新的算法,称为$ε^*$ +,使用能量受限的自主车辆的未知环境的在线覆盖路径规划。由于有限的电池尺寸,能量受限的车辆具有有限的操作时间持续时间。因此,在执行覆盖轨迹时,车辆必须在电池耗尽之前返回充电站进行充电。在这方面,$ε^*$ +算法使得车辆能够基于在整个覆盖过程中监测的剩余能量退回到充电站。这之后是一个前进轨迹,它将飞行器带到附近未探测的航路点重新开始覆盖过程,而不是将其带回到撤退轨迹的先前遗留点;从而减少了整体覆盖时间。所提出的$ε^*$ +算法是$ε^*$算法的扩展,该算法利用探索性图灵机(ETM)作为管理器,以来回轨迹导航车辆以实现完全覆盖。$ε^*$ +算法的性能在复杂场景中使用Player/Stage(高保真机器人模拟器)进行了验证。
2020-08-29 cs.AI cs.RO cs.SY
REACT: Real-time Entanglement-Aware Coverage Path Planning for Tethered Underwater Vehicles
Artificial Intelligence in Robotics Laboratory (AiR Lab), Department of Electrical and Computer Engineering, Aarhus University(人工智能机器人实验室(AiR实验室),电气与计算机工程系,阿arhus大学);NestAI;EIVA a/s(EIVA公司);Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)(德国人工智能研究中心(DFKI));Automatic Control Group, Department of Electrical Engineering and Information Technology, Paderborn University(自动控制组,电气工程与信息科技系,帕德博恩大学)
REACT通过实时纠缠感知覆盖路径规划,实现了安全高效的水下结构检查,比传统方法快20%完成任务。
2026-02-06 cs.RO cs.SY eess.SY
UAV Coverage Path Planning under Varying Power Constraints using Deep Reinforcement Learning
Technical University of Munich(慕尼黑工业大学);EURECOM(欧洲通信学院)
覆盖路径规划(CPP)是设计一个轨迹,使移动代理的每一个点的兴趣区域旅行的任务。我们提出了一种新的方法来控制无人机(UAV)携带相机的CPP任务与随机的开始位置和多个选项的着陆位置在一个环境中包含禁飞区。虽然已经提出了许多方法来解决类似的CPP问题,我们利用端到端的强化学习(RL)学习控制策略,概括了不同的功率约束的无人机。尽管最近电池技术有所改进,但小型无人机的最大飞行范围仍然是一个严重的限制,这是由于无人机的功耗变化难以预测而加剧的。通过使用类似于地图的输入通道,通过卷积网络层向智能体提供空间信息,我们能够训练双深度Q网络(DDQN)为无人机做出控制决策,平衡有限的功率预算和覆盖目标。所提出的方法可以应用于各种各样的环境,并协调复杂的目标结构与系统约束。
2021-02-12 cs.RO cs.SY eess.SY
SLAM-Assisted Coverage Path Planning for Indoor LiDAR Mapping Systems
Purdue University(普渡大学)
涉及移动代理的自主导航和规划的应用可以通过采用在线同时定位与地图构建(SLAM)技术而极大地受益,然而,它们的适当实现仍然保证与可以用于特定应用的任何离线路径规划方法的有效融合。在本文中,这种情况下的融合被认为是一个基于激光雷达的室内测绘系统,提出了自己作为一个2D覆盖路径规划问题,随着在线SLAM实现。本文展示了如何通过提出两个修改来改变经典的离线覆盖路径规划(CPP)以用于在线SLAM:(i)执行多边形覆盖区域的凸分解,以允许任意选择初始点,同时仍然跟踪最短覆盖路径,以及(ii)使用新的方法将多边形区域内的不同小区拼接在一起以形成连续的覆盖路径。此外,还对SLAM操作进行改变以适合覆盖路径规划策略,其根据区域覆盖成本函数来评估导航误差。实施结果示出了两个修改的离线和在线规划策略的组合如何允许通过映射系统改善总区域覆盖-修改因此提出了用于修改离线和在线导航策略以用于稳健操作的方法。
2018-11-12 cs.RO
A Multi-robot Coverage Path Planning Algorithm Based on Improved DARP Algorithm
Sichuan University(四川大学)
针对多机器人覆盖路径规划问题,本文改进DARP算法,利用A*分配任务并结合基于Up-First的STC实现全覆盖,提升了效率与覆盖率。
2023-04-19 cs.RO
TMSTC*: A Turn-minimizing Algorithm For Multi-robot Coverage Path Planning
Guangdong University of Technology(广东工业大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
覆盖路径规划是移动机器人的一个主要应用,它要求机器人沿着规划的路径移动以覆盖整个地图。对于大规模的任务,覆盖路径规划大大受益于多个机器人。在本文中,我们描述了回合最小化多机器人生成树覆盖星(TMSTC*),一个改进的多机器人覆盖路径规划(mCPP)算法的基础上MSTC*。该算法将地图划分为最小的砖块作为树的分支,从而将问题转化为求二部图的最大独立集。实验结果表明,该方法能够减少多机器人的转弯次数,从而比其他算法更快地完成地形覆盖任务.
2022-12-05 cs.RO
CAP: A Connectivity-Aware Hierarchical Coverage Path Planning Algorithm for Unknown Environments using Coverage Guidance Graph
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
提出连通性感知分层覆盖路径规划算法CAP,通过在线增量构建覆盖引导图指导路径规划,在仿真和机器人实验中显著提升了覆盖时间、路径长度和重叠率指标。
2025-03-01 cs.RO
Graph-based Simultaneous Coverage and Exploration Planning for Fast Multi-robot Search
Carnegie Mellon University(卡内基梅隆大学)
在大型未知环境中,通过并行化工作,使用多机器人舰队可以使搜索操作更加省时。这意味着机器人必须有效地执行协作映射(探索),同时搜索受害者的区域(覆盖范围)。以前的同步绘图和规划技术将这些问题视为单独的,并且没有利用统一方法的可能性。我们提出了一种新的探索覆盖规划器的桥梁映射和搜索域的随机树的增长集植根于通过映射产生的姿态图,以生成感兴趣的点,或任务。此外,重要的是,机器人首先优先考虑高信息任务,通过平衡覆盖和探索,在最短的时间内找到最多的受害者,这是目前的方法没有解决的。为了实现这一目标,我们还提出了一个新的多机器人任务分配器,制定了一个概念的层次信息启发式的时间关键的协作搜索。我们的研究结果表明,我们的算法产生了20%以上的覆盖效率,定义为平均每秒覆盖面积,与现有的最先进的。我们的算法和我们的多机器人搜索堆栈的其余部分是基于ROS和开源
2023-03-03 cs.MA cs.RO cs.SY
Online Exploration and Coverage Planning in Unknown Obstacle-Cluttered Environments
University of California, Riverside(加州大学河滨分校)
在线覆盖规划在现场监测和搜索救援等应用中非常有用。在没有环境的先验信息的情况下,考虑到常用车辆中的非完整移动性约束(例如,轮式机器人)仍然是一个挑战。在本文中,我们提出了一个分层的,十六进制分解为基础的覆盖规划算法,未知的,障碍物杂乱的环境。所提出的方法确保了分辨率完全覆盖,可以调整以实现快速探索,并为Dubins车辆规划平滑的路径以实时匀速行驶。露台模拟和硬件实验与非完整轮式机器人表明,我们的方法可以成功地权衡覆盖范围和探索速度,并可以优于现有的在线覆盖算法的总覆盖面积或探索速度,根据它是如何调整。
2020-06-30 cs.RO
Complete and Near-Optimal Robotic Crack Coverage and Filling in Civil Infrastructure
本文提出了一种同时基于传感器的检查和足迹覆盖(SIFC)规划与控制设计,用于自主机器人裂缝映射与填充。该方法通过在线构建目标地图实现未知目标信息的处理,并通过实验验证了算法在减少机器人行驶距离、保证完整感知覆盖和近最优足迹覆盖方面的有效性。
2024-09-28 cs.RO cs.SY eess.SY
Revisiting Boustrophedon Coverage Path Planning as a Generalized Traveling Salesman Problem
Autonomous Systems Lab, ETH Zurich(苏黎世联邦理工学院自主系统实验室)
在本文中,我们提出了一个路径规划器的低空地形覆盖在已知的环境与无人旋翼微型飞行器(MAVs)。机载系统可以通过使用摄像机、探地合成孔径雷达(GPSAR)和金属探测器对疑似危险区域(SHA)进行调查来协助人道主义排雷。大多数可用的覆盖规划器实现的微型飞行器不考虑障碍物,因此不能部署在有障碍的环境中。我们描述了一个开源的框架来执行覆盖规划的多边形飞行走廊的障碍。我们的规划师扩展boustrophedon覆盖规划通过优化不同的扫描组合,以找到最佳的扫描路径,并考虑在过渡飞行期间的障碍细胞之间。我们评估320合成地图上的路径规划,并表明它能够解决现实的规划实例足够快,在现场运行。该规划器实现了14%的路径成本低于传统的覆盖规划器。我们验证了一个真正的平台上,我们显示了低海拔覆盖在一个倾斜的地形与树木的规划。
2019-07-22 cs.RO
Coverage Path Planning using Path Primitive Sampling and Primitive Coverage Graph for Visual Inspection
A*STAR Artificial Intelligence Initiative (A*AI)(新加坡科技研究局人工智能计划(A*AI));Institute of High Performance Computing(高性能计算研究所);Carnegie Mellon University(卡内基梅隆大学)
对于无人机视觉检测应用来说,规划路径以收集目标物体的表面信息对于提高效率和降低总体成本至关重要。覆盖路径规划(CPP)的问题往往是制定这些检测应用程序,因为覆盖的要求。传统上,研究人员通常首先规划和优化视点以捕获表面信息,然后优化访问所选视点的路径。在本文中,我们提出了一种新的规划方法,直接采样和规划的检测路径的摄像机配备的无人机,以获取视觉和几何信息的目标结构作为视频流设置在复杂的3D环境。该规划方法首先通过体素膨胀和减法的基础上使用采样方法生成的目标对象周围的通路点和路径基元。然后提出了一种新的基元覆盖图(PCG)编码的拓扑信息,飞行距离和可见性信息,与采样的途经点和路径基元。最后进行图搜索,在PCG中找到结果路径,完成具有覆盖要求的检测任务。通过仿真和现场试验验证了该方法的有效性。
2019-08-08 cs.RO
Simulating Coverage Path Planning with Roomba
覆盖范围路径规划涉及访问在有障碍物的环境中的每个未被占用的状态。在本文中,我们探讨了这个问题,在最初未知的代理环境中,为了模拟真空吸尘机器人的任务。对先前工作的调查显示,在应用学习来解决这个问题方面很少努力。在本文中,我们探索使用深度强化学习对覆盖路径规划问题进行建模,并将其与流行的真空清洁机器人Roomba的内置算法的性能进行比较。
2022-10-10 cs.AI cs.RO
MSTC*:Multi-robot Coverage Path Planning under Physical Constraints
Shanghai Key Laboratory of Trustworthy Computing(上海市可信计算重点实验室);Engineering Research Center of Software/Hardware Co-design Technology and Application (MoE)(软硬件协同设计技术与应用教育部工程研究中心);School of Software Engineering, East China Normal University(华东师范大学软件工程学院)
对于大规模的任务,覆盖路径规划(CPP)可以大大受益于多个机器人。提出了一种基于螺旋生成树覆盖的多机器人覆盖路径规划算法MSTC*。我们的算法结合了严格的物理约束,如地形的可通行性和材料的承载能力。我们比较我们的算法对国家的最先进的mCPP规则的网格地图和真实的实地地形在模拟环境中。实验结果表明,我们的方法显着优于现有的螺旋STC为基础的mCPP方法。我们的算法可以为所有机器人找到一组平衡良好的工作负载分布,因此,实现了完成覆盖的总体最短时间。
2021-08-10 cs.RO
Robot Coverage Path Planning for General Surfaces Using Quadratic Differentials
Stony Brook University(石溪大学);Dalian University of Technology(大连理工大学)
机器人覆盖路径规划(即,通过一个或多个机器人提供给定域的完全覆盖)是机器人和运动规划领域中的经典问题。目标是提供几乎完全覆盖,同时尽量减少重复访问的区域。本文主要研究三维空间中一般曲面上的路径规划问题,包括复杂拓扑的平面域、复杂地形和一般曲面。其主要思想是采用一种自然的、内在的、全局的曲面参数化方法来进行机器人路径规划,即全纯二次微分。除了少量的零点(奇点),表面上的每个点都被赋予一个自然由复数表示的uv坐标。我们表明,自然,高效的机器人路径可以通过使用这样的坐标系。该方法是基于内在的几何形状,因此可以适用于一般的表面勘探在3D。
2017-01-26 cs.RO
On the Application of Model Predictive Control to a Weighted Coverage Path Planning Problem
针对加权覆盖路径规划问题,提出带覆盖约束的新型模型预测控制方法,结合TSP启发式初始化可提升效果,仿真验证其性能优于朴素MPC。
2025-10-01 cs.MA cs.RO cs.SY
Multi-UAV Coverage Path Planning for the Inspection of Large and Complex Structures
A*STAR Institute of Information Research (IR)(新加坡科技研究局信息研究所);A*STAR Institute of High Performance Computing (IHPC)(新加坡科技研究局高性能计算研究所);A*STAR Initiative for Artificial Intelligence and Analytics (AI)(新加坡科技研究局人工智能与分析计划);Department of Mechanical Engineering, Carnegie Mellon University(卡内基梅隆大学机械工程系)
我们提出了一个多无人机覆盖路径规划(CPP)框架的大规模,复杂的3D结构的检查。在所提出的基于采样的覆盖路径规划方法中,我们将多无人机检测应用归结为多智能体覆盖路径规划问题。将集合覆盖问题(SCP)和车辆路径问题(VRP)这两个NP难问题相结合,提出了一种集合覆盖车辆路径问题(SC-VRP),并采用改进的有偏随机密钥遗传算法(BRKGA)进行求解。我们测试我们提出的方法,几个复杂的3D结构与3D模型从OpenStreetMap中提取。所提出的方法优于以前的方法,通过减少高达48%的计划检查路径的长度
2020-07-26 cs.RO
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University(暨南大学);University of Chinese Academy of Sciences(中国科学院大学);Shanghai Jiao Tong University(上海交通大学);Wuyi University(五邑大学);South China University of Technology(华南理工大学)
本文提出TRACE算法,利用分层覆盖树实现未知环境的在线覆盖路径规划,通过局部优化和全局路径引导,显著提升覆盖效率。
2026-09-21 cs.RO
Offline Grid-Based Coverage path planning for guards in games
McGill University(麦吉尔大学)
穷举覆盖的算法在视频游戏中有应用,可以实现自动游戏级探索。目前的设计使用简单的逻辑,经常导致性能差或表现出不自然的行为。在本文中,我们介绍了一种新的算法覆盖的二维多边形(孔)的地区。我们假设地图布局的先验知识,并使用基于网格的世界表示。从简单的布局到实际游戏中使用的更复杂的地图,对几种场景的实验分析显示出良好的性能。这项工作作为第一步,建立一个更有效的覆盖路径规划算法的非玩家角色。
2020-01-15 cs.AI cs.RO
Predictive Spray Switching for an Efficient Path Planning Pattern for Area Coverage
本文针对耕地区域覆盖任务提出一种与特定路径规划模式匹配的预测性喷嘴开关逻辑,通过多模式串联实现名义无损喷雾,并与Boustrophedon路径规划下的反应式开关逻辑对比,分析路径长度减少与开关次数增加之间的权衡。
2025-07-05 cs.RO
Corner Cases: Headland Coverage Path Planning for Autonomous Driving in Arable Farming
Technical University of Munich(慕尼黑工业大学);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所)
该研究针对农田自动驾驶地头覆盖路径规划问题,提出修改多边形角落以实现倒车转向的新方法,在特定角度角落覆盖效果优于现有方法,适用性经真实田地图验证。
2026-09-04 cs.RO
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research(瓦赫宁根大学及研究中心)
本文介绍了Fields 2Cover,一个新的开源库覆盖路径规划(CPP)的农用车辆。虽然现在有几种CPP解决方案,但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架,用于规划覆盖路径,开发新技术,并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构,支持各种车辆,可用于各种应用,包括农场。它的核心模块是:一个岬生成器,一个条带生成器,一个路线规划器和路径规划器。机器人操作系统(ROS)的接口也提供了作为add-on. In本文中,库的功能,规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
Path Planning for Spot Spraying with UAVs Combining TSP and Area Coverages
Findklein GmbH(芬德克莱因有限公司)
针对农田杂草定点喷洒,本文融合TSP启发式与区域覆盖路径规划,通过三组真实实验验证算法,并发现区域覆盖长度对总航程影响显著。
2025-02-19 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
A Hierarchical Coverage Path Planning Algorithm for Unknown Environments
Jinan University(暨南大学);Beijing Institute of Technology(北京理工大学);University of Chinese Academy of Sciences(中国科学院大学)
本文提出一种未知环境下的在线分层覆盖路径规划算法,通过增量分解树组织子区域并动态更新全局覆盖路线,仿真验证其相比三种基线算法在路径长度和重叠率上提升了覆盖效率。
2026-09-14 cs.RO
Cooperative Aerial Coverage Path Planning for Visual Inspection of Complex Infrastructures
Luleå University of Technology(吕勒奥理工大学)
本文研究了利用多个无人机对复杂基础设施进行检测(离线三维重建)的协同覆盖路径规划(C-CPP)问题。该方案基于基础设施的先验3D模型,能够为无人机生成多条路径,以便在短时间内实现完整的合作覆盖。最初,被检查的基础设施被水平平面切片,其具有识别结构的分支的能力,并且这些分支将被处理为UAV的路径规划的断点,以基于UAV的当前飞行时间在更短的时间内协作地执行覆盖任务,并且更现实。通过利用SLAM和运动恢复结构方法,利用单目或立体传感器,将从覆盖范围收集的多个数据集合并用于基础设施的离线稀疏和密集3D重建。所提出的C-CPP的性能已经在多个室内和现实的室外基础设施检测实验中进行了实验评估。
2016-12-05 cs.RO
Energy-Aware Coverage Planning for Heterogeneous Multi-Robot System
针对异构多机器人覆盖问题,提出一种基于Lloyd算法的能量感知分布式控制律,考虑机器人能量容量与消耗速率差异,动态调整权重并划分区域,经仿真与真实实验验证优于三种基线方法。
2024-11-04 cs.MA cs.RO cs.SY
3D-CovDiffusion: 3D-Aware Diffusion Policy for Coverage Path Planning
IEEE
本文提出 3D-CovDiffusion,将覆盖路径规划转化为条件序列生成问题,采用几何条件扩散框架从三维点云合成轨迹,相比基线方法在轨迹平滑度、覆盖率等指标上实现显著提升。
2026-08-04 cs.RO
Approximate Environment Decompositions for Robot Coverage Planning using Submodular Set Cover
University of Waterloo(滑铁卢大学);Avidbots Corp.(Avidbots公司)
针对机器人覆盖路径规划中的环境分解问题,提出基于子模集覆盖的重叠矩形扇区分解方法,并通过贪心算法给出扇区数量近似保证,实验表明其优于现有方法。
2024-09-04 cs.RO
Distributed area coverage path planning subject to the inclusion of a headland path
Findklein GmbH(芬德克莱因有限公司)
本文针对含地头路径约束的分布式区域覆盖路径规划问题,提出确定性方法,可结合多机器人及各类约束生成覆盖路径,还对比了Boustrophedon模式方法并凸显其优势。
2026-10-14 cs.RO
Embodied AI in Mobile Robots: Coverage Path Planning with Large Language Models
The University of Western Australia(西澳大利亚大学)
本文提出一种结合大语言模型与低层执行器的多层具身路径规划框架,并设计覆盖加权指标评估性能,实验表明其能提升LLMs空间推理能力,其中claude-3.5表现最优。
2024-07-04 cs.AI cs.RO
Rectangular Pyramid Partitioning using Integrated Depth Sensors (RAPPIDS): A Fast Planner for Multicopter Navigation
University of California, Berkeley(加州大学伯克利分校)
我们介绍RAPPIDS:一种用于多旋翼飞行器的新型碰撞检查和规划算法,该算法能够在给定来自机载相机的单个深度图像的情况下快速找到局部无碰撞轨迹。这项工作的主要贡献是一个新的基于空间分割的方法,使候选轨迹和环境之间的快速碰撞检测。通过利用我们的碰撞检查方法的效率,我们展示了本地规划算法如何在计算受限的硬件上以高速率运行,在毫秒内评估数千个候选轨迹。该算法的性能进行比较,现有的碰撞检查方法在模拟中,显示我们的方法是能够评估的数量级更多的轨迹每秒。实验结果显示,四轴飞行器快速导航以前看不见的杂乱的环境中运行的ODROID-XU 4在30 Hz的算法。
2020-08-28 cs.RO
Coverage Path Planning for Autonomous Sailboats in Inhomogeneous and Time-Varying Oceans: A Spatiotemporal Optimization Approach
Institute of Deep-sea Science and Engineering, Chinese Academy of Sciences(中国科学院深海科学与工程研究所);Institute for Ocean Engineering, Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院海洋工程研究所);ZJU-Hangzhou Global Scientific and Technological Innovation Center, Zhejiang University(浙江大学 Hangzhou 全球科技创新中心);Department of Engineering, Faculty of Computing, Engineering and the Built Environment, Birmingham City University(伯明翰城市大学工程系);School of Ocean and Civil Engineering, Shanghai Jiao Tong University(上海交通大学海洋与Civil Engineering学院)
本文提出了一种专为自主帆船设计的时空优化方法,解决非均匀和时变海洋环境中的覆盖路径规划问题,通过空间拓扑约束和时间预测规划提升覆盖效率。
2026-02-13 cs.RO
Reinforcement Learning-Based Coverage Path Planning with Implicit Cellular Decomposition
LG Electronics(LG电子)
在一个通用的已知环境中的覆盖路径规划被证明是NP难的。当环境未知时,机器人需要依靠在覆盖过程中建立的在线地图信息进行路径规划,因此设计具有合理性能的启发式或近似算法成为一个重要的研究方向。这样的算法在覆盖区域或覆盖成本方面具有次优性能,例如,覆盖时间或能量消耗。在本文中,我们提供了一个系统的分析的覆盖问题,并制定它作为一个最佳的停止时间的问题,覆盖性能和成本之间的权衡明确占。接下来,我们证明了强化学习(RL)技术可以用来解决计算问题。为此,我们提供了一些技术和实际的考虑,以促进RL算法的应用和提高解决方案的效率。最后,通过在网格世界环境和Gazebo模拟器中的实验,我们证明了基于强化学习的算法能够有效地覆盖真实的未知室内环境,并且性能优于当前的最新技术水平。
2021-10-18 cs.AI cs.LG cs.RO
Coverage Path Planning for Redundant Manipulators using Generalized Spanning Trees
Center for AI & Robotics(人工智能与机器人中心);New York University Abu Dhabi(纽约大学阿布扎比分校)
针对冗余机械臂表面覆盖问题,提出基于广义生成树的离线与在线联合生成树覆盖算法,通过多IK解建模为广义最小生成树,实现无重复覆盖路径,仿真验证了其高效性。
2026-09-09 cs.RO
End-to-End Framework for Robot Lawnmower Coverage Path Planning using Cellular Decomposition
Honda R&D Co., Ltd.(本田技研控股有限公司)
本文提出一种端到端割草机覆盖路径规划框架,通过AdaptiveDecompositionCPP算法结合细胞分解与自适应合并,将用户边界高效转化为优化GPS路径,并在仿真和实测中验证了覆盖完整性与割草效率。
2025-06-06 cs.AI cs.RO
Coverage Path Planning with Track Spacing Adaptation for Autonomous Underwater Vehicles
NATO STO Centre for Maritime Research and Experimentation (CMRE)(北约科技组织海事研究与实验中心)
在本文中,我们解决地雷对抗(MCM)的搜索问题的自主水下航行器(AUV)调查海底使用侧视声纳。我们提出了一种覆盖路径规划方法,适应AUV的轨道间距与收集更好的数据的目的。我们通过在传感器范围的尾部移动覆盖重叠来实现这一点,其中预期数据质量最低。为了评估该算法,我们收集了三个海上实验的数据。自适应调查允许AUV从传感器范围被高估的情况下恢复,并导致减少区域覆盖差距。在另一个实验中,自适应调查显示,近30%的“最差”数据的数据质量提高了4.2%。
2020-06-23 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
UAV survey coverage path planning of complex regions containing exclusion zones
Military Institute of Science and Technology(军事科学技术学院)
本文提出一种无人机复杂凹多边形区域覆盖路径规划方法,通过多边形分解、深度优先搜索合并及直骨架偏移技术,实现含排除区域的连续安全路径规划。
2024-11-13 cs.CG cs.RO
Risk-Aware Coverage Path Planning for Lunar Micro-Rovers Leveraging Global and Local Environmental Data
Tohoku University(东北大学)
本文提出一种面向月球微型巡视器的3D近视覆盖路径规划算法,结合全局与局部地形数据计算运动成本并集成定位建图,在仿真与实地测试中实现低能耗高覆盖率的自主探索。
2024-04-29 cs.RO